基于相似性传播聚类的航空发动机突发故障诊断

针对航空发动机突发故障,构建了一种基于相似性传播聚类的突发故障诊断方法。首先利用突发故障历史监测数据建立突发故障数据库,通过相似性传播聚类找到数据库中所有突发故障数据的中心,当诊断新采集数据的突发故障类型时,通过相似性传播聚类找到当前新采集数据的中心,经过与突发故障数据库中的数据中心进行匹配判断该新采集数据所对应的突发故障类型。将该突发故障诊断方法应用到发动机转子实验台的突发故障诊断中,仿真和实验结果表明该方法的可行性,并通过与其他方法比较,表明该方法具有诊断时间短和误差小的优点。     

基于波束形成声像图纹理特征的机械故障诊断方法

基于振动信号处理的机械故障诊断存在接触式测量和单通道信号分析等局限性,而基于声学图像特征分析的故障诊断方法能有效克服此类局限.将声学成像和图像处理技术引入故障诊断,利用“延迟求和”波束形成算法分别得到机械设备在正常和故障状态下的声像图.首先对可视化声场进行初步诊断,然后考虑到不同状态下声场分布的细微变化反映在声像图丰富...     

用基于平行坐标图的可视化人机交互技术提取EEG信号特征的方法

应用可视化人机交互(HCI)方法进行了脑电图记录(EEG)信号特征提取技术的研究。该研究一方面在脑机接口(BCI)技术领域提出了一种新的特征提取技术方法,同时通过可视化人机交互的专家智慧参与,实现了面向对象领域和面向数据模式识别的有效结合,克服了单一机器学习的局限性。首先介绍了多元图表示的基本理论,然后提出了基于平行坐标图的可视化人机交互技术,接着进行了单通道和多通道EEG信号特征提取的可视化人机交互技术的研究,最后采用第二届国际脑机接口竞赛中的数据集Ⅳ进行了数据实验。实验表明,本文提出的方法的识别结果优于实验数据集国际竞赛最优结果和文献报道中的当前国际最优结果。     

一种故障诊断专家数据库系统的设计与实现

鉴于传统专家系统与传统数据库技术的局限性[1],论文采用以知识表示和知识处理为主的专家系统技术和以数据管理为主的数据库技术,并结合虚拟仪器测试技术,开发出了一种装备测试与故障诊断专家数据库系统(EDS).文中详细介绍了专家系统知识库的构造方法以及推理机的实现过程,并以Delphi为软件开发工具,给出了推理流程以及具体的推理程序.该系统已用于某装备故障诊断,运行效果良好,推理正确,实现方法简便,可为各领域开发专家系统提供借鉴.     

基于大数据挖掘的集控设备故障处置辅助决策方法

为了提高集控设备故障诊断精度并提供最佳处置决策,提出基于大数据挖掘的集控设备故障处置辅助决策方法。设计集控设备故障辅助决策框架,通过数据接口层获取数据采集与监视控制、继电保护及故障信息等系统的设备运行数据,存储于电网拓扑数据库中,与故障文件信息、各子站的CIM/SVG/SCL信息及规则库一起保存于数据存储层。数据处理层调用存储层数据,采用改进K-means算法挖掘电网拓扑数据库中的集控设备故障信息,利用小波包提取设备故障特征后,将其输入到分析层的基于哈夫曼树的最小二乘双支持向量机多分类模型中,实现集控设备故障诊断,确定故障模式,并采用灰色定权聚类分析方法实现故障模式的分类决策。实验结果表明：该方法可提高集控设备故障分类精度及效率,故障诊断误差低,可实现集控设备故障诊断,作出最佳故障处置决策。     

汽车发动机远程故障诊断数据库系统设计分析

利用数据库技术建立汽车发动机远程故障诊断系统,重点分析了远程故障诊断中心发动机诊断数据库和标准数据库等的设计思路,介绍了系统的结构模型、数据库访问、数据库实现、数据库安全等技术,对汽车发动机故障远程诊断系统的建立和开发具有指导意义.     

基于时频图与改进图卷积神经网络的异步电机故障诊断方法

由于传统故障诊断技术依赖于人工提取特征,造成方法的泛化能力及应用受限。针对该问题,提出一种基于时频图与改进图卷积神经网络的异步电机故障诊断方法。首先,通过小波分析方法将电机振动信号转换为时频图,构建不同工况的图像样本;再基于超像素分割法处理图像生成超像素块,将其作为节点,并根据其纹理、颜色、距离特征生成图结构数据;然后将图结构数据输入改进网络,算法可以自适应地提取故障特征、得到诊断结果,其中,网络通过结构学习方法进行改进。该方法通过对节点相似度计算打分,以重构图连接结构,从而克服传统图卷积神经网络在池化操作后存在的图结构完整性缺失问题,实现卷积层和池化层的层层堆叠及图级分类。试验结果表明,所提方法可实现对转子断条故障、轴承故障、单相短路故障的有效诊断,与传统方法相比,具有较高的故障识别准确率。     

基于稠密卷积网络的轴承故障诊断

轴承故障诊断非常依赖故障特征的提取,为了实现基于原始数据的更加直接的故障诊断,提出一种基于稠密卷积网络的轴承故障诊断方法。该方法首先将原始一维数据规范化,再输入到稠密块网络并结合softmax分类层来自适应学习轴承振动信号的有效特征,进而实现分类。实验中运用西储大学所提供的轴承故障数据库测试了网络的有效性,并且与其他常用轴承故障诊断网络进行对比。研究结果表明所提网络对基于轴承振动数据的故障类型识别准确率明显优于其它网络,特别是针对混入一定噪声的故障数据,仍然可以达到较高的诊断精度,因此有不错的抗噪声性能。     

基于生成对抗网络的热泵系统故障诊断数据集扩充方法研究

随着深度学习的发展,越来越多的热泵系统故障诊断方法引入深度学习技术并取得了较好的效果.基于深度学习的故障诊断技术需要依赖大量带有标记的故障数据,而现实中这类数据获取较为困难,这限制了智能诊断技术的应用.针对这一问题,本文提出利用生成对抗网络(GAN)学习故障数据的分布,并生成更多的标记数据,实现故障数据集的扩充.针对热...     

基于MTF-CNN的轴承故障诊断研究EI北大核心CSCD

轴承故障诊断对保证机械设备的安全十分重要。近年来,数据驱动的故障诊断方法得到了研究者的关注。与传统的依赖于专家经验的故障特征提取方法不同,深度学习方法可以实现端到端自动故障特征提取与分类。针对一维信号作为卷积神经网络(convolutional neural network,CNN)输入时无法充分利用数据间的相关信息的问题,提出一种基于MTF-CNN的轴承故障诊断方法。利用马尔可夫变迁场(Markov transition field,MTF)对采集到的振动信号进行编码,根据数据之间的转移概率得到不同时间间隔内的数据相关性并生成相应特征图,之后将其输入卷积神经网络完成特征的提取并进行故障分类。采用凯斯西储大学轴承数据对模型进行验证,试验结果表明该模型达到99.8%以上的故障诊断准确率,与其他图像编码方式相比获得了较好的泛化性能。