基于经验模态分解去噪改进主成分分析的冷水机组传感器故障检测

提出了一种基于经验模态分解(EMD)阈值去噪(TD)和主成分分析(PCA)相结合的冷水机组传感器故障检测方法(EMD-TD-PCA)。采用EMD阈值去噪法去除原始数据中的噪声来提高数据质量,针对去噪后的数据构建PCA模型。采集了武汉市某电子厂螺杆式冷水机组的实际运行数据,用于验证故障检测效果,并与传统PCA方法和小波阈值去噪(Wavelet-TD-PCA)方法的传感器故障检测结果进行了对比。结果表明:EMD-TD-PCA可以有效提高冷水机组传感器的故障检测效率,同等偏差条件下,故障检测效果优于传统PCA方法和Wavelet-TD-PCA方法。对于小偏差(-1～1℃)故障,故障检测效果提升尤为明显。     

基于经验模态分解的电测井信号去噪研究

电测井方法所得到的信号含有一定的随机噪声,对原始信号进行处理之前需对其进行去噪。基于经验模态分解(EMD)得到的本征模态函数(IMF)具有自适应性、完备性、可重构性以及正交性和良好的时频聚集性等特点。因此,利用IMF分量去噪对于处理信号与噪声频率混叠的情况具有很好的效果,是一种多分辨率的去噪方法。本文采用一种首先经过经验模态分解,其次通过对部分IMF分量进行软阈值去噪的方法,研究结果表明,该方法能有效去除电测井信号的噪声干扰,且效果优于传统的小波软阈值去噪结果。     

基于小波变换与EEMD的绝缘子泄漏 电流去噪方法研究

采用总体经验模态分解和小波阀值去噪相结合的方法对泄漏电流进行去噪处理。对泄漏电流信号首先进行总体经验模态分解,再对高频IMF分量按照4种阀值小波去噪方法(固定阀值法、启发式阈值法、自适应阈值法和极大极小阀值法)进行去噪,最后进行重构。以泄漏电流的3个特征量(有效值、3次谐波与基次谐波之比、波形)对去噪效果进行分析,综合比较得到采用总体经验模态分解与启发式阈值小波相结合的去噪方法的去噪效果最佳,采用该方法对实际污秽绝缘子泄漏电流进行去噪处理,去噪效果良好。     

基于数据驱动方法的污水源热泵故障诊断研究

利用反向神经网络(BP)构建污水源热泵机组故障诊断模型,并通过粒子群算法(PSO)优化BP神经网络的权值和阈值。以陕西省某大型污水源热泵集中供暖系统为研究对象,采集2017～2018年冬季供暖期间机组的蒸发器,冷凝器,压缩机的压力、温度等工况数据作为训练测试样本,其神经网络的结构以12种故障特征向量作输入端,4种诊断结果作输出端,隐含层根据kolmogorov定理确定为25个,从而建立故障诊断模型,并分析其性能。实验结果表明:经过PSO优化后的BP神经网络故障诊断模型训练迭代次数降低了24.45%,诊断准确率提高了12%,性能优化显著。     

一种用CEEMDAN和排列熵去除脉搏信号噪声的方法

为去除脉搏信号中的噪声,提出了一种将自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和排列熵(permutation entropy,PE)相结合的方法。首先由HK-2000C脉搏信号传感器采集信号,对采集的脉搏信号用CEEMDAN得到一系列的本征模态分量(intrinsic mode function,IMF);然后计算各个本征模态分量的排列熵值,根据排列熵值选定阈值,确定并处理代表噪声的本征模态分量;最后对处理后的模态分量进行重构,从而消除脉搏信号中的噪声。实验结果表明,与经验模态分解(empirical mode decomposition,EMD)去噪方法和集合经验模态分解(ensemble empirical mode decomposition,EEMD)去噪方法相比,所提方法对脉搏信号去噪的效果更好。     

基于EMD小波的高速电梯振动信号去噪

结合经验模态分解与小波阈值去噪方法,提出基于EMD小波的高速电梯振动信号去噪方法,并对高速电梯振动信号进行了实例分析。结果表明,应用基于EMD小波阈值去噪方法相比于低通滤波去噪方法与单纯小波阈值去噪方法,具有更高的信噪比,能够提高分析的精度。有效保留了信号特征。     

基于故障树和神经网络的的风机故障在线诊断

本文基于故障树模型和神经网络,提出一种基于故障树和神经网络的风机故障在线诊断方法,它集故障树和神经网络的优点,相比于传统的风机故障诊断,该诊断方法具有更高的准确率和更强的鲁棒性,同时执行效率得到有效提高。目前国内风机故障诊断研究主要存在两方面难题,一是缺乏基础数据,二是信息综合利用率低。对系统进行状态评估和故障诊断时,大部分仅采用单一的判断依据,评估和诊断结果的准确性缺乏。     

大型机电设备故障信号实时采集方法研究仿真

大型机电设备工作环境复杂,故障频发,需要对故障信号进行实时采集和有效检测。传统方法采用时频分析的统计信号处理进行故障信号采集,对低信噪比的故障信号检测性能不好。提出一种基于非线性时间序列分析和相空间重构的大型机电设备故障信号实时采集方法,实现故障的检测和诊断。构建大型机电设备的故障数据检测模型,基于相空间重构分析的故障诊断方法,通过经验模态分解方法提取故障信号的特征信息,以此为数据基础建立智能专家系统,实现大型机电设备的故障诊断。在大型机电设备3种工况模式下测试大型机电设备的性能,得到信号采集时域波形,并进行相空间重构分析,实现故障分类诊断仿真,仿真实验表明,采用该方法进行故障信号的实时采集和故障诊断,故障分类性好,故障检测和诊断的效率较高。     

基于HHT和RBF神经网络的串联故障电弧识别

针对串联故障电弧的识别,提出一种基于HHT(Hilbert-Huang transform,希尔伯特-黄变换)和RBF(radial basis function,径向基函数)神经网络相结合的识别方法。通过对不同负载下正常电流和故障电流信号的EMD分解,得到一系列的IMF分量;提取相关IMF分量的能量熵作为RBF神经网络输入的特征向量,训练RBF神经网络。实验数据分析表明,经过训练的神经网络能够有效地识别串联故障电弧。     

基于粒子群算法的RBF神经网络零件表面缺陷分类

针对金属工件表面缺陷分类问题,提出一种基于粒子群算法的RBF(Radialbasisfunction)神经网络对金属工件表面缺陷进行分类的方法。本文采用线性递减权重法确定PSO算法中的惯性权重,用于消除PSO算法容易早熟及后期容易在全局最优解附近产生振荡现象。将线性递减权重法改进的粒子群算法运用于RBF神经网络,确定RBF神经网络中权值和阈值的最优解,并对RBF神经网络进行训练从而提高分类精度。对比实验结果表明,改进的RBF神经网络对工件表面缺陷的分类平均准确率可达94%,对比标准RBF神经网络分类和BP神经网络分类准确率有较大提高。     

VMD和CICA在齿轮箱故障诊断中的应用

针对齿轮箱故障信号微弱且易受周围噪声影响的问题,提出了一种基于变分模态分解(variational mode decomposition, VMD)的约束独立分量分析(constrained independent component analysis, CICA)算法。利用单通道加速度传感器采集齿轮箱的混合故障信号,通过VMD算法将混合信号分解为多个不同的本征模态函数(intrinsic mode function, IMF),然后依据峭度和互相关系数选取有效的IMF分量进行重构信号,对于重构信号利用CICA进行降噪处理,根据CICA降噪后得到齿轮和轴承的故障特征,对齿轮和轴承混合故障进行仿真及实验研究,结果表明,VMD-CICA算法可以很好地提取齿轮和轴承的故障特征频率,同时与经验模态分解-约束独立分量分析(EMD-CICA)和集成经验模态分解-约束独立分量分析(EEMD-CICA)算法相比得到的故障特征频率更明显。     

Steerable Pyramid分解域地震强随机噪声衰减

为解决油气地球物理勘探中地震资料的噪声问题,研究了Steerable Pyramid分解阈值去噪对地震资料强随机噪声背景下弱信号识别的影响。根据地震资料弱信号的Steerable Pyramid分解系数值较小的特点,从Steerable Pyramid分解域硬阈值去噪出发,采用降低阈值的方法保护Steerable Pyramid分解系数值较小的弱信号,同时针对时域噪声残留采用均值平滑的方法保证去噪效果。经过理论模型和实际资料实验,得出在Steerable Pyramid分解域采用硬阈值降阈值+均值滤波的方法可以从较强的噪声背景中识别出弱信号,并且保证信噪比有足够的提高;在去噪的同时,不但连续性好,反射强的同相轴得到了增强,而且即使连续性差,反射弱的同相轴也得到了有效的保留。采用本方法去噪伪影较少,剖面的保真度较高。     

基于机器学习的污水源热泵机组故障诊断模型研究

根据污水源热泵机组的状态变量和部分故障类型,提出一种基于BP神经网络的污水源热泵机组故障诊断模型。以西安市某200万m2大型污水源热泵集中供暖系统为研究对象,采集2016年11月至2017年3月供暖期间热泵机组中蒸发器、冷凝器和压缩机的温度、压力等工况数据,利用L-M、BR、SCG训练算法分别建立故障诊断模型,并进行比较分析。研究结果表明:通过神经网络建立污水源热泵机组故障诊断模型,正常类型与故障类型的诊断结果差异显著,可以满足诊断需求。其中,L-M算法训练效果最优,迭代次数为113次,正常类型误差值均小于0.012,故障类型误差值均大于0.9。     

用参数自整定模型在线检测空气处理机组故障

大型现代建筑大都安装了能源管理与控制系统(EMCS),EMCS系统储存的大量监控数据为空调系统的在线故障检测与诊断提供了方便。提出了一种利用参数自整定空调部件模型在线检测变风量空气处理机组故障的方法。利用遗传算法优化模型参数使模型预测数据与实测值数据的残差最小,因此空调部件模型有较高的预测精度。若模型预测数据与实测数据的残差超出了预先设定的阈值,就意味着变风量空气处理机组可能存在故障。针对在实际应用时确定故障检测阈值的困难,给出了用统计方法确定阈值的方法。故障检测方法在真实建筑中进行了应用和验证,结果表明该故障检测方法可以结合EMCS系统准确有效的检测变风量空气处理机组故障。     

神经网络信息融合技术在TBM故障诊断中的应用

为了克服液压设备传统诊断技术上的不足,提出了多传感器信息融合技术的故障诊断模型。将信息融合技术与神经网络结合起来,充分利用检测到的各种故障征兆信息准确诊断岩石挖掘机系统的故障。采用混合式数据融合方法,将数据级、特征级和决策级融合通过神经网络的方法综合在一起,解决输入信息不对称性问题,使得小数据量和大数据量的信息融合成为可能。     

基于ESMD的局部放电信号自适应去噪方法

检测电力设备的绝缘缺陷对确保电网安全可靠运行具有重要意义，但电力设备信号易受到现场噪声干扰。因此，抑制局部放电信号背景噪声是准确诊断电气设备绝缘状态的关键问题之一。本研究提出了一种自适应阈值辅助极点对称模态分解(ESMD)的自适应去噪方法，采用ESMD对局部放电信号进行分解得到一系列模态分量，构建基于相关系数和峭度自适应重构准则，以减小噪声干扰对局部放电特征的影响；针对重构的局部放电信号，引入自适应阈值进一步去除重构信号中的残余噪声，从而实现干扰抑制。本算法分别针对局放仿真信号和现场实测信号进行了去噪实验，结果表明，基于ESMD的自适应去噪算法能够有效抑制噪声干扰，保留局部放电信号特征，波形相似系数接近1,提高了局部放电检测的准确性。     

基于SOFM神经网络的水源热泵故障诊断方法研究

本研究针对水源热泵机组常见的6种热力故障,尝试使用SOFM神经网络进行故障诊断。利用水源热泵机组试验台人为制造制冷剂充注量过多、制冷剂泄漏、膨胀阀开度过大与过小、冷却水管路阻塞、系统含不凝性气体共计6种热力故障,记录机组带故障运行时的运行参数,将收集到的参数进行归纳整理,提取出部分特征值制作成数据集。将数据集划分为训练集合与测试集合,前者用于神经网络的训练,后者用于验证神经网络故障的诊断效果。结果表明,SOFM神经网络对于本次实验人为制造出的6种水源热泵热力故障具有较高的诊断正确率,网络迭代500次,用时2.7 s,在有效诊断的同时具有较快的响应速度。     

基于XGBoost-RF的制冷剂泄漏故障检测与诊断

针对冷水机组运行中正常数据多于故障数据情况和制冷系统中最常见的制冷剂泄漏故障，本文采用极端梯度提升算法(XGBoost)建立故障检测模型，采用随机森林(RF)算法建立故障诊断模型，研究了检测阈值改变对检测模型的影响及有、无正常样本训练的诊断模型的对比。结果表明，在检测阈值设定为0.99时，可保证大部分故障样本均能被检测出来，且虚警率低，仅由故障数据训练得到的诊断模型整体性能最佳，可最大限度发挥检测模型和诊断模型的优势。     

冷凝器结垢故障对传感器故障诊断方法的影响分析

传感器测量质量是实施系统监控，优化控制及部件故障诊断的重要保证。制冷机系统的部件故障和传感器故障很有可能同时发生。因而在研究传感器故障诊断的方法及应用这一方法进行传感器故障诊断时必须考虑到制冷机的部件故障的影响。根据离心式制冷机的试验数据研究了冷凝器结垢故障对基于主元分析法的制冷机传感器故障诊断方法的影响，研究结果表明基于主元分析的制冷机传感器方法对冷凝器结垢故障不敏感，该方法对有无结垢故障条件下的传感器故障都能成功地进行检测诊断及数据重构。     

神经网络信息融合技术在TBM故障诊断中的应用

为了克服液压设备传统诊断技术上的不足,提出了多传感器信息融合技术的故障诊断模型。将信息融合技术与神经网络结合起来,充分利用检测到的各种故障征兆信息准确诊断岩石挖掘机系统的故障。采用混合式数据融合方法,将数据级、特征级和决策级融合通过神经网络的方法综合在一起,解决输入信息不对称性问题,使得小数据量和大数据量的信息融合成为可能。