基于机器学习的网络故障诊断优化算法

随着网络的广泛应用,网络故障已成为影响用户体验和业务连续性的主要挑战之一。研究基于机器学习的网络故障诊断优化算法,旨在提高网络故障诊断的准确性和效率。该算法采用深度神经网络（Deep Neural Networks,DNN）模型,通过数据预处理、特征工程、网络故障诊断模型建立等步骤,并模拟真实网络环境进行实验验证,证明了其有效性和可行性。     

基于机器学习的短期负荷预测算法综述

为维持电网稳定,各种负荷预测方法层出不穷,但由于算法泛化能力、模型复杂度等自身特点不同,使其对于负荷预测的适用性存在差异.本文讨论了近5年短期电力负荷预测的国内外研究现状,从实验数据集、数据预处理、预测算法、优化模型以及评估方法等多个维度对当前电力负荷预测研究现状进行整体概述,同时总结各种预测算法的优缺点与适用性,对短期电力负荷预测系统的发展趋势进行总结与展望,以期为未来电力系统负荷预测模型选择提供参考.     

基于机器学习与预测分析的直流光测量系统远程模块的寿命预测方法

针对高压直流换流站中直流光测量系统的远程模块,基于机器学习方法,采用预测分析理论,建立了其剩余寿命的预测模型。搭建了远程模块特征参数采集系统,以采集远程模块的特征参数,并确定了其工作状态阈值;接着采用离群点检测算法检查远程模块运行情况;最后基于多元线性回归算法采用训练数据样本集搭建远程模块剩余寿命的预测模型,实现对远程模块剩余寿命的预测。进一步,通过测试数据样本集来评价了寿命预测模型的精确程度。结果显示,该模型寿命预测结果的均方误差和均方根误差分别为0.009 072和0.095 2,从而说明该寿命预测模型的预测结果较好,精确度较高。     

基于机器学习的列车故障诊断应用研究

随着轨道列车智能运维系统的部署运行,列车运行过程中的工况数据能实时同步发送到地面服务器。为实现对列车故障的诊断预测,本文探索利用已确认的列车故障记录作为数据集构建机器学习模型,并将采集到的列车实时工况数据输入到预测模型进行测试,得到故障诊断的结果。本文从数据集获取、故障诊断模型构建、模型优化、模型应用等方面进行说明。     

基于机器学习的信息融合故障诊断模型研究

当前,机器故障问题日益增多,给生产发展带来极大不利.因此,对关键设备进行有针对性的实时监控和诊断,尽快发现各种设备存在的问题,从而去防止机器故障的发生,而这也成为故障诊断系统面临和解决的首要问题.该文就故障诊断问题,在机器学习的基础上研究信息融合故障诊断模型,来实现机器故障的智能诊断与决策,帮助人们发现机器存在的问题,...     

基于Stacking模型融合的工程机械核心部件寿命预测研究

预测性维护是工业互联网应用的重点,实现预测性维护的关键是对设备系统或核心部件的寿命进行有效预测。随着近年来机器学习的发展,机械设备海量数据已成为工业互联网分析核心部件剩余寿命的关键指标,也成为设备健康管理决策性数据。基于工程机械设备大数据,结合XGBoost、随机森林、LightGBM等多种机器学习模型,多维度探究影响机械核心部件寿命的机器学习模型效果,建立Stacking算法模型融合的部件寿命预测模型,并在核心部件数据上验证模型预测有效性,从而减少设备非计划停机时间,推进智能制造和预测性维护的进步。     

基于机器学习的电缆故障诊断知识库设计方法

针对电缆故障在诊断过程中采集的故障信号量庞大,加大了故障信号的检索难度,为提高电缆故障信号的检索能力,提出了基于机器学习的电缆故障诊断知识库设计方法。根据电缆故障点的发生位置示意图,描述了电缆故障的产生,利用电缆故障行波的传播过程,确定了电缆故障的发生位置,通过计算电缆故障信号的噪声能量阈值,将电缆故障信号的突变点信息去除,通过采集电缆故障信号的小波熵,反映出故障信号的噪声变化关系,确定了电缆故障信号的噪声能量阈值,采用机器学习建立了电缆故障诊断知识库的模糊决策矩阵,通过设计电缆故障诊断的知识库结构,对电缆故障诊断知识库进行了设计。结果表明,基于机器学习的电缆故障诊断知识库对电缆故障信号的检索精度高达93.4%,在检索效率方面具有更高的性能。     

基于解释学习的石油蒸馏过程故障诊断机器学习系统

建立了基于深层知识处理石油蒸馏过程故障诊断知识库不完善问题的学习模型。对于学习模型进行知识获取，对完善知识库过程中产生的多个断口问题进行数学抽象，并提出爱用的解决策略。同时提出了知识库一致性维护操作、使机器学习获得的新知识在确认非矛盾和非冗余后输入到原始知识库中。     

基于机器学习算法的设备管嘴结构强度预测

为了快速评估核工程设备管嘴应力计算结果是否正确,或快速给出管嘴初步设计方案。采用机器学习方法,对已开展诸多核电项目的设备强度计算积累的管嘴的参数和应力结果进行特征提取,通过分析输入发现管嘴参数和管嘴的应力值是关联的,并根据积累的数据通过机器学习训练得到预测接管应力的模型。通过机器学习可以得到这些多元的输入参数与管嘴应力的联系,从而快速、方便地给出管嘴应力评价结果,判断其是否满足标准设计,最终快速得出接管设计方案。利用机器学习方法可以初步给出设备管嘴的应力结果,该方法可用于自校评估和初步设计。     

基于支持向量机的抽油机故障诊断研究

与传统的故障诊断方法相比,基于支持向量机的故障诊断方法具有模型简单、分类能力强、推广能力好等特点。以油田生产中抽油机的常见故障诊断为例,表明了本文所提方案的有效性。     

非线性系统故障诊断与容错控制技术

在分析非线性系统故障诊断与容错控制技术特点的基础上,研究了该技术在国内外的研究进展和主要方法.同时,比较了几种常见故障诊断和容错控制方法的特点.最后总结了非线性系统故障诊断与容错控制领域亟待解决的几个重点和难点问题,并对该研究领域的发展趋势进行了展望.     

故障检测及状态偏差估计的二级分解算法*

本文首先推导证明当参考模型和实际系统不相吻合时,根据参考模型建立的Kalman滤波器所产生的估计残差将与模型的偏离程度成正比,据此给出故障检测方法;其次推导出状态偏差形式的系统方程;最后将B·Friedland提出的分离估计法推广到状态偏差估计中,并进一步提出状态偏差估计的二级分解算法。     

故障检测及状态偏差估计的二级分解算法*

本文首先推导证明当参考模型和实际系统不吻合时，根据参考模型建立的Kalman滤波器所产生的估计残差将与模型的偏离程度成正比，据此给出故障检测方法；其次推导出状态偏差形式的系统方程；最后将B. Friedland提出的分离估计法推广到状态偏差估计中，并进一步提出状态偏差估计的二级分解算法。     

基于飞参数据的飞机操纵系统故障评估方法

针对某型飞机的操纵系统故障评估问题,提出了一种基于飞参数据建立的差分进化极限学习机(DE-ELM)算法。该算法融合了差分进化(DE)和极限学习机(ELM)两种算法,通过对飞参数据进行训练,构建了飞机操纵系统的黑箱模型。由于极限学习机(ELM)的输入权值以及隐含层阈值是随机产生的,所以ELM的随机性较大,稳定性不高,故利用寻优能力较强的DE对ELM输入权值和隐含层阈值进行寻优,从而实现ELM的结构优化,提升ELM的稳定性和鲁棒性。仿真结果表明,DE-ELM算法的决定系数达到了97.6%,其均方误差相比于BP神经网络降低了约79%,相比于单纯的ELM降低了64%。所以说该法可以有效提高精确度,同时具有更加良好的泛化性能。     

因果图理论用于煤矿机械设备故障分析的研究

因果图理论是一种基于概率论的图形化的知识表达推理方法，文中对因果图理论在故障分析和安全评估中的应用进行了研究。将这种新方法运用于煤矿机械设备的故障分析，并与故障树分析法进行了比较和分析。研究结果表明因果图方法比故障树分析法效果好。     

基于PCC控制的变频电牵引采煤机

该文从控制系统、硬件和软件设计三个方面着手,详细介绍了西安煤矿机械有限公司基于PCC开发的新型采煤机电气控制系统。     

FMS智能故障诊断专家系统的建立和开发

采用基于人工智能的故障诊断专家系统方法，附以模糊数学、神经网络、机器学习、数据库等理论，解决故障诊断中知识的合理表达，基于符号和数值的多种快速推理机制，知识的自动获取及知识库智能化管理等关键技术，建立了一个智能模糊故障诊断专家系统。     

装备故障诊断专家系统知识获取方法

针对导弹武器装备故障诊断专家系统的知识获取与机器学习进行研究,系统介绍了知识获取与机器学习系统的构成。提出了一种基于仿真技术的故障知识获取方式,仿真数据经过分析、变换,转化为知识,从而实现知识获取。     

Adoption of machine learning technology for failure prediction in industrial maintenance: A systematic review

Failure prediction is the task of forecasting whether a material system of interest will fail at a specific point of time in the future. This task attains significance for strategies of industrial maintenance, such as predictive maintenance. For solving the prediction task, machine learning (ML) technology is increasingly being used, and the literature provides evidence for the effectiveness of ML-based prediction models. However, the state of recent research and the lessons learned are not well documented. Therefore, the objective of this review is to assess the adoption of ML technology for failure prediction in industrial maintenance and synthesize the reported results. We conducted a systematic search for experimental studies in peer-reviewed outlets published from 2012 to 2020. We screened a total of 1,024 articles, of which 34 met the inclusion criteria. We focused on understanding the datasets analyzed, the preprocessing to generate features, and the training and evaluation of prediction models. The results reveal (1) a broad range of systems and domains addressed, (2) the adoption of up-to-date approaches to preprocessing and training, (3) some lack of performance evaluation mitigating the overfitting problem, and (4) considerable heterogeneity in the reporting of experimental designs and results. We identify opportunities for future research and suggest ways to facilitate the comparison and integration of evidence obtained from single studies.