机械高压气动减压阀阀芯失效检测方法研究

机械高压气动减压阀阀芯失效检测能提高气动减压阀的安全性,提出基于振动信号分析的机械高压气动减压阀阀芯失效检测方法。采用振动传感器实现对机械高压气动减压阀阀芯失效特征参数采集,构建机械高压气动减压阀阀芯失效状态下的振动传感信号特征分析模型,采用时域特征参数分析,结合频谱增益控制,实现对机械高压气动减压阀阀芯失效工况参数分析和谱特征分解,采用匹配滤波检测方法实现对机械高压气动减压阀阀芯失效振动信号的降噪处理,提取机械高压气动减压阀阀芯失效下的振动信号时频特征分量,采用振动信号的多尺度小波分解,实现对信号的关联谱特征检测,并通过多维空间融合,实现信号特征聚类,由此实现对机械高压气动减压阀阀芯失效检测。测试结果表明,采用该方法进行机械高压气动减压阀阀芯失效检测的收敛性较好,特征聚类性较强,提高了故障失效检测置信水平。     

基于可视化异类特征优选融合的滚动轴承故障诊断

针对故障诊断过程中基于简单的多类故障特征联合决策存在特征集维数多、数据冗余、故障识别率不高的缺点,提出了一种基于异类特征优选融合的故障诊断方法。该方法根据多类特征数据的轮廓图,分析各维特征数据的聚类特性,去除聚类性弱、对故障区分无益的冗余特征维度,仅保留聚类性强的特征维度用于故障识别。在轴承故障诊断实验中,选用故障信号时域统计量和小波包能量两类多维特征进行优选融合,并采用反向传播（BP）神经网络进行故障模式识别。故障识别率达到100%,显著高于无特征优选的故障诊断方法。实验结果表明所提出的方法简便易行,可以显著提高故障识别率。     

基于非线性关联维特征提取的机械自动化监测系统

提取天然气压缩机故障状态下振动信号的故障特征是设计机械自动化检测系统的核心技术。提出一种基于非线性关联维特征提取的机械自动化监测系统设计方法,在故障诊断原理基础上,进行故障振动信号时间序列分析,设计故障振动信号相空间重构方法,改进了相空间重构最佳时延和嵌入维数参数计算的关键技术,通过提取关联维故障特征,在Simulink平台上设计了自动化监测系统。系统实验结果表明,该算法和系统能使各类故障状态下提取的关联维特征的标准差显著性降低,特征分布聚类能力明显提高,系统能有效检测各类故障,实现了机械设备的自动化监测,在自动化故障诊断仪表设计等领域具有较好的工程实践价值。     

基于信息融合技术的电机故障诊断

为了能够从多方面反映电机系统状态,实现对电机故障模式的自动识别与准确诊断,将信息融合技术与神经网络相结合,建立电机故障诊断系统。在数据融合级上,将故障特征量进行分类处理,然后,采用多层神经网络进行故障特征级融合与电机故障的局部诊断,获得彼此独立的证据,再运用DempserShafer(D-S)证据理论融合算法对各证据进行融合,最终,实现对电机故障的准确诊断。诊断测试试验证明:该诊断系统提高了电机故障诊断的精度,并能满足诊断的实时性要求。     

基于信息融合原理的智能故障诊断模型

针对传统设备故障诊断方法中存在的局限性,文章在对设备智能故障原理和方法初步探索和研究的基础上,提出了基于信息融合原理的智能故障诊断方法。该方法利用多源异质传感器采集设备的各种特征信息,并采用模糊神经网络融合诊断中心作为诊断判决的执行机构,从而实现准确诊断设备故障诊断原因以及对设备运行工况进行态势评估的过程。并且通过对单传感器与多传感器信息融合诊断结果的对比表明多传感器信息融合诊断比单个传感器具有更高的准确性。     

基于神经网络信息融合的智能故障诊断方法

飞行状态时的飞机舵面故障诊断系统,含有系统和测量噪声及其时变、非线性等特点,采用常规的故障诊断方法很难实现对飞机舵面故障的准确诊断和告警,为了更好的实现对飞机舵面系统的故障诊断,将神经网络信息融合的智能故障诊断方法首次运用到舵面系统故障诊断中.该智能诊断方法应用神经网络的非线性拟合能力扩展舵面相关线位移传感器测量信息,同时采用D-S算法将相关传感器的输出信息进行融合,最后信息融合诊断策略根据这些信息确定出舵面相应的故障类型,从而可以对舵面故障信号进行有效识别和诊断.建立了某机舵面系统故障诊断的数学模型,并利用该模型对提出的智能故障诊断方法进行仿真验证,最后的仿真实验结果表明:该故障诊断结构形式对于舵面常见的故障能够进行识别和告警,诊断效果令人满意.     

基于随机森林算法的石油钻采装备外部故障自动监测方法

为提高石油钻采装备外部故障检测能力,提出基于随机森林算法的监测方法.构建大数据采集模型,以石油钻采装备的异常振动数据为研究对象,进行故障特征提取和信息融合,构建故障工况下的信息融合和特征聚类模型,通过模糊C均值聚类进行故障特征的量化分解和分类识别,在随机森林学习算法下实现对故障检测和诊断的自适应寻优.仿真结果表明,采用该方法进行故障检测,可有效提高故障的自动监测能力,且准确性较高,实时性较好.     

基于层次分析的客服中心实时数据流自动监测方法

为了提高客服中心的智能管理和信息调度能力,结合大数据分析方法进行客服中心实时数据监测和自动采集设计。提出一种基于模糊规则特征量挖掘和层次分析聚类的客服中心实时数据流自动监测方法。建立客服中心的网格分布结构模型并进行客服中心实时数据流监测统计特征分析,进行客服中心实时监测数据属性集的向量量化特征分解,对客服中心实时数据采用信息融合和模糊层析性分析方法实现信息融合,进行关联数据自适应特征提取,挖掘客服中心实时监测数据信息流的正相关性特征量。在层次性聚类算法基础上采用自回归分析进行客服中心实时数据流的模糊聚类和信息预测,提高客服中心实时数据监测的准确性,同时降低了客服服务中心数据流监测的风险。仿真结果表明,采用该方法进行客服中心实时数据监测的聚类性较高,预测性较好,能降低数据聚类的误分率,提高了客服中心实时数据监测能力。     

基于数据监测的膀胱治疗仪故障在线监测方法

在泌尿系统医学检验和临床诊断中,膀胱治疗仪发挥重要作用,但膀胱治疗仪故障发生率较高,为了提高膀胱治疗仪故障诊断效能,提出基于数据监测的膀胱治疗仪故障在线监测方法。构建膀胱治疗仪故障数据采集模型,采用级联传感器实现对膀胱治疗仪故障类型化参数采集和特征分析,分析膀胱治疗仪的可控性负荷参数,提取膀胱治疗仪故障关联规则特征量,采用子空间辨识的方法,实现对膀胱治疗仪故障特征分离和聚类分析,采用数据在线监测和统计分析的方法,通过数据动态特征检测和故障特征提取,实现膀胱治疗仪故障在线监测。仿真测试结果表明,采用该方法进行膀胱治疗仪故障检测的准确性较高,故障诊断性能较好,提高了膀胱治疗仪各种类型化故障的在线检测和诊断能力。     

基于分层DSmT 的多故障诊断方法

针对现有故障诊断方法难以诊断涵盖多种不同类型故障的问题,提出一种基于分层DSmT的多故障诊断方法.利用主元凝聚层聚类方法实现证据聚类,将辨识框架分成若干个子框架;利用证据主元将BP神经网络所生成的各种故障模式的基本概率赋值函数在不同辨识框架下重新分配;利用DSmT对子框架下的证据进行融合并得出诊断结果.仿真实验结果表明,所提出的方法能将不同类型故障从辨识框架中分离出来,提高多故障诊断结果的可靠性,减少计算量,提高诊断效率.     

基于多特征融合与GSA-SVM的滚动轴承故障诊断

滚动轴承在故障诊断过程中，存在着单一特征诊断准确率较低且无法充分表征故障信号所包含信息的问题。提出一种基于局部线性嵌入算法(Locally Linear Embedding, LLE)结合熵权法(the Entropy Weight Method, EWM)的多特征融合方法，结合引力搜索算法(Gravitational Search Algorithm, GSA)改进支持向量机(Support Vector Machine, SVM)实现滚动轴承的故障诊断。首先采用LLE-EWM对提取到的48维故障特征进行筛选融合，然后结合GSA-SVM模型对提取到的融合特征进行诊断，从而实现对滚动轴承变负载条件下的故障诊断。通过凯斯西储大学滚动轴承实测振动信号，对所提故障融合诊断方法的有效性进行验证。在特征筛选阈值设定为60%时，滚动轴承故障诊断的准确率达到99.7%。对比不同模型，所提方法具有最高的诊断准确率。试验结果表明，所提方法能够实现对故障信号特征信息的深度提取及提高故障诊断精度。     

基于Apriori关联规则的汽轮机振动监测与故障诊断

针对火电厂汽轮机发生振动故障时仅依靠振动参数进行故障诊断而产生诊断时间长与诊断的原因与部位不具体的问题,提出了基于关联规则的汽轮机振动监测与故障诊断方法;分析了汽轮机振动故障产生时涉及到的振动参数与热力参数,研究了将热力参数与振动参数关联结合的故障诊断规则,确立了状态运行监测与故障诊断的系统设计思路;通过实际验证证明这种方法具有很强的实用型与可行性,对火电厂汽轮机振动故障设备的研发与改进有借鉴意义。     

基于D-S证据理论的航空发动机振动故障分析

航空发动机结构复杂且工作条件恶劣,对其振动的有效分析是进行故障诊断的重要手段.由于不同特征量对振动具有不同的分析能力,为了综合利用不同特征项下的分析结果,采用基于D-S证据理论的信息融合方法对不同特征下的BP神经网络的诊断结果进行融合,并针对航空发动机实际工作状况提出一种利用神经网络的输出统计值构造信度函数的方法.通过对实测航空发动机试车时振动信号的实验分析结果表明,该算法可以有效地提高航空发动机振动故障识别的准确率.     

基于神经网络与模糊融合的外围故障诊断方法

针对用传统检测方法诊断模拟电路系统设备外围故障困难的问题,提出了一种利用BP神经网络与模糊融合相结合的故障诊断新方法,将神经网络与模糊融合结合起来,实现两者优势互补;首先利用神经网络的泛化能力对系统内部各可测点电压各用一个独立的BP神经网络对系统进行初级诊断,然后根据初级诊断结果,运用模糊融合诊断方法进行故障诊断,诊断结果更趋于合理,对模拟电路系统的外围故障实现正确定位;该方法能充分利用系统内部故障信息,有效避免采集外围设备信息的困难。     

一种新的神经网络故障诊断方法

基于数据融合思想，提出一种新的神经网络故障诊断方法。利用系统故障征兆的分散性和复杂性，采用多个神经网络分别对每一类故障进行诊断，网络输入为与输出故障相关联的监测信号的特征值，将各网络输出进行融合，给出最后诊断结果。将该方法应用于斜轴式无铰柱塞液压泵故障诊断，结果表明能够充分利用各种特征信息，提高诊断速度和精确度。     

基于改进模糊聚类和支持向量机的模拟电路故障诊断

为解决神经网络训练需要大量的样本,且容易陷入局部最优,收敛速度慢等缺点,采用改进模糊聚类(IFC)和支持向量机(SVM)相结合的模拟电路故障诊断方法.利用小波分解技术提取待诊断电路的测试信息作为故障特征,在模糊聚类算法中为消除孤立点和噪声的影响,对不同样本点引入权值以提高聚类效果,结合改进的模糊聚类算法进一步降低故障特征的维数,将其作为支持向量机的输入量,进行模型训练并预测模拟电路的故障.仿真结果表明,此方法应用于电路故障诊断有效削减计算复杂度并提高了诊断精度.     

基于集成神经网络的电机故障诊断

研究异步电机安全控制问题,为解决故障诊断和速度问题,提高电机运行效率,减小早期故障损失,提出了一种基于集成神经网络的电机故障诊断方法。方法采用定子电流和转子振动信号作为电机故障诊断的输入信号,应用改进的BP神经网络进行故障识别,分别用两个诊断子网络进行局部故障诊断,再运用神经网络融合算法进行全局决策的融合,从而提高诊断的准确率。仿真研究结果表明,故障诊断模型具有诊断准确率高、诊断速度快等优点,是一种比较实用的故障诊断方法,对电机进行故障监测、预报具有重要的实际意义。     

集成神经网络信息融合技术在变压器故障诊断中的应用

研究建立集成神经网络信息融合的故障诊断系统,它以信息融合技术为基础,采用神经网络从不同侧面对设备故障进行初步诊断,然后将子神经网络进行决策融合,根据融合结果识别故障。将其应用在变压器故障诊断中,充分的利用个各种信息,大大提高了故障确诊率。     

基于异类信息融合的模拟电路故障诊断方法

针对模拟电路故障诊断中存在的可测节点电压信息不足、单一信息不能表征所有故障状态等问题,提出了一种基于神经网络和D-S证据理论的模拟电路异类信息融合故障诊断方法.该方法首先提取两类故障信息并分别将其输入不同的神经网络对其进行初步诊断,并得到各自的诊断结果,然后根据初步诊断结果,运用D-S证据理论对其进行融合,做出最终决策.     

基于神经网络和证据理论的信息融合在故障诊断中的应用

针对电子设备故障诊断中数据处理量大,容错能力差,匹配冲突等问题,提出了基于神经网络、证据理论信息融合进行故障诊断的方法;首先,应用BP神经网络将特征提取后的信息进行特征级融合,实现了一定的数据压缩,然后,采用证据理论对不同的诊断结果组成的证据体进行决策级融合,减小故障诊断的不确定性,并解决各故障之间匹配冲突的问题;最后,以某型雷达I/O接口板为例说明了本文方法的有效性和实用性。