一种基于时序预报神经网络的故障预报方法及其应用

提出一种基于时序预报神经网络的工业过程故障预报方法,同时给出了描述神经网络预 报和外推能力的表达方式,并以氯碱电解工艺的现场数据验证了这种故障预报方法的有效性. 实验结果表明,该方法可成功地用以实现氯中含氢的24小时预报.     

基于TSEOPM的在轨航天器故障预报方法研究

针对在轨航天器非线性系统的故障预报,提出一种基于时间序列事件征兆模式挖掘的在轨航天器故障预报方法,该方法以在轨航天器遥测数据建立状态监测时间序列,根据事件特征函数利用层次聚类算法挖掘出故障事件征兆模式,然后利用故障事件征兆模式对航天器的状态监测时间序列数据进行分析,判断是否为故障征兆点,从而实现故障预报;实验结果表明,该方法能有效地预测在轨航天器状态监测时间序列数据中的故障事件。     

神经网络自适应非线性滤波器及在线故障检测

提出一种BP神经网络在线自学习方式及用该方式建立自适应非线性滤波器的方法,并提出了基于该BP滤波器对机器人系统进行在线实时状态跟踪、预报和突变性故障检测的方法。为了快速、正确地检测出故障,设计了一复合故障检测策略。对所提方式、方法及策略进行了仿真验证。     

多重核学习非线性时间序列故障预报

针对非线性时间序列故障预报问题, 提出了多重核学习故障预报方法. 利用多重核学习可以减少支持向量的个数, 提高预测性能. 而且在多重核学习定义的混合核空间中运用减聚类能够提取正常原型. 最后, 将本文提出的方法应用于连续搅拌釜式反应器的故障预报, 仿真结果表明该方法能够提高故障预报的准确性与实时性.     

基于量测一致性的联邦滤波故障检测方法研究

针对联邦滤波器的信息融合特点,提出了一种基于测量一致性的传感器故障检验方法.该方法利用融合状态递推器对各个子传感器的量测预报与各传感器量测之间的偏差构造统计量,进行故障检测,可以实现先检测后滤波,在子滤波器启动之前确定对应传感器量测的有效性.仿真结果表明,该方法具有较高的故障检测灵敏度.     

基于鲁棒观测器的带间隙三明治系统故障预报

工程实践中常见的带间隙的三明治系统的准确故障预报具有重要的现实意义,为此,本文构建了一种新的动态鲁棒观测器对其进行故障预报.首先,通过将非光滑项转化为干扰项的方法,将间隙非光滑三明治系统转化为可用动态鲁棒观测器设计方法设计的系统.其次,采用零点配置和最小化基准区间观测器的范数(H_∞,F/H_,F)指标的方法确定动态鲁棒观测器的增益矩阵.最后,通过仿真,分别比较了基于非光滑鲁棒观测器和基于传统观测器的故障预报效果,比较结果表明:鲁棒观测器能够及时地准确预报传统观测器无法预报的故障,且有效减少了故障的漏报和错报现象.     

基于DTW匹配的粒子滤波故障预报

现有的粒子滤波故障预报方法主要是通过粒子滤波算法得到对应时刻的预测值,然后比较预测序列与观测序列的距离来对故障进行预报,但这种基于相同长度时间序列的故障预报方法不能处理预测序列与观测序列长度不同的情况.本文借助适用于不同长度时间序列的动态时间弯曲技术,对故障相关的时间序列进行分析,从动态时间弯曲算法度量设备正常工作的时间序列与潜在故障引起的异常序列之间相似度的角度,设计了系统正常度及反常度来判别设备是否正常运行,进而对潜在故障进行预报.实验结果验证了该方法的可行性,并能及时准确地预报出系统故障.     

一种基于非线性频谱分析的多模型在线早期故障预报方法

为了克服非线性系统故障诊断方法一般计算量比较大,不利于在线实施的不足,该文以非线性频谱分析故障诊断方法为基础,融合时间序列分析理论,提出并实现了一种多模型在线早期故障预报策略。通过对某型直升机并联电动舵机的大量实际检测表明,该文提出的在线预报方法是有效的。该方法可以直接应用于工程实际,具有重要的实用价值。     

振动故障诊断的Petri网模型及系统实现

针对机械振动故障的传播特点,提出5种故障诊断的Petri网模型及其相应的故障诊断算法,用软件工程方法进行分析、设计和实现,得到机械振动故障诊断的Petri网系统。实践证明该方法能降低故障误诊率和漏诊率,解决复杂环境下机械振动故障诊断和故障预报的难题。     

基于改进余弦相似度的粒子滤波故障预报

现有的粒子滤波故障预报方法主要是通过粒子滤波算法得到对应时刻的预测值,然后比较其与实际值的差值来对故障进行预报.从分析设备正常工作的时间序列数据与潜在故障引起的异常数据之间的相似性的新角度,设计了系统正常度和系统异常度来判别设备是否正常运行,进而对潜在的故障进行预测.实验结果验证了该方法的可行性,并能及时准确地预报出系统故障.     

虚拟环境下机械装备故障预测理论与技术研究进展

在讨论故障诊断领域的研究现状的基础上,分析了机械故障预测技术的发展趋势,探讨了开展虚拟环境下机械故障预测技术研究的力学需求和动力学仿真需求,介绍了机械系统虚拟样机技术,分析了典型机械装备虚拟样机的建造方法及虚拟环境下的样机校核方法,提出了基于虚拟样机的故障仿真预测技术,设计了机械装备故障仿真预测系统的模块化结构,为实现机械故障的早期预测和预知维修开辟了新的思路,这是国际潮流的＂可持续发展思想＂和我国提出的＂清洁化生产模式＂在诊断工程中的具体体现,是现代诊断技术的＂可持续发展模式＂,具有良好的工程应用前景.     

基于非线性故障重构的旋转机械故障预测方法

对旋转机械的状态进行在线监测和故障预测是一个具有重要应用价值的工程问题. 采用基于核主元分析的非线性故障重构技术研究了多变量相关条件下旋转机械的故障估计及预测问题. 首先利用核主元分析对旋转机械系统进行离线非线性建模,并进行异常检测. 通过对故障程度进行定量描述,用最优化方法求解故障重构意义下的故障估计;然后 用多层递阶的方法对估计出的故障幅值的发展趋势进行预测. 最后,以中国石化北京燕山分公司的烟气轮机作为实际应用对象,验证了该方法的有效性.     

灰色预测参数模型新模式及其在电气绝缘故障预测中的应用

以灰色系统理论为基础, 研究电气绝缘故障诊断的灰色预测模型新模式及其应用. 建立了适用于电气设备绝缘故障诊断的一次拟合参数灰色预测的新模型, 并给出了新模式的建模过程, 提出将原始数据经弱化算子作用后进行一次指数平滑运算并对背景值进行改造的方法, 并以实例进行了检验, 结果表明该方法的可行性和有效性.     

分组趋势预测在温度控制故障识别中的应用

以间歇式反应釜为例,对工业上广泛存在的大惯性时滞时变系统对象进行研究,给出了一种分组趋势预测的新方法.该方法采用数据分组方式将故障检测的范围进行分段,根据每组所在的时间域及过程特点给出相应的故障指标.根据采样数据的分析,结合过程设备特性实现故障识别和间歇反应釜工程应用,使用故障树的分析方法,逐级判断出故障原因,验证了分...     

基于小波变换和混沌理论的复杂系统状态预测方法研究

应用小波变换和混沌理论对复杂系统状态预测方法进行了研究．首先，应用小波变换对系统的特征参数序列进行分解，得到低频部分和高频部分．然后，对低频部分和高频部分做进一步分析，以确认低频部分和高频部分都存在混沌特性．再应用混沌理论分别建立低频部分和高频部分的预测模型，对低频部分和高频部分进行预测．最后，应用小波理论对混沌模型预测的结果予以重构，实现对系统特征参数序列的预测．实例研究表明，此方法具有较高的预测精度，可有效地应用于复杂系统的状态预测和故障趋势预测分析．     

基于PCA和随机森林的故障趋势预测方法研究

故障预测和健康管理技术(PHM)在现代工程系统中能够在系统具备较高复杂度的情况下,有效保障其可靠性和安全性。在机械故障诊断中对于采集到的原始数据的高维特征量的处理较为复杂,并且在实际应用中趋势预测的精度要求较高,针对该问题提出一种基于主成分分析(PCA)与随机森林算法的轴承故障趋势预测方法。该方法利用PCA对提取的原始轴承数据特征量进行线性降维,并选取其中主成分特征量,输出非线性时间序列数据。原始数据经过PCA处理得到非线性时间序列,将该序列作为随机森林算法的输入进行故障趋势预测,并把预测结果与BP神经网络模型预测的结果进行对比,结果表明随机森林在故障趋势预测上在精度相较于BP神经网络有显著提高,是一种有效的故障趋势预测方法。     

基于数据分析的配电网故障数据特征变量提取

配电网线路故障预测是提升配电网可靠性指标的重要手段,为了构建性能稳定、预测能力强的线路故障预测模型,需要保证模型输入特征变量的有效性、强相关性和无冗余性。为合理确定线路故障预测模型的输入特征变量,本文采用数据探索和挖掘的分析方法对馈线故障及其影响因素之间的关系进行了分析研究,以皮尔森相关系数为计算指标,对大量实际馈线故障数据与其影响因素进行相关性统计,从馈线故障的时间-地域特性、外部影响因素、自相关特性、运行影响因素等四个维度筛选出了馈线故障影响因素特征变量作为馈线故障预测模型的输入变量,直观有效地剔除无关故障特征变量。因此,所提出方法可用于配电网大数据的预处理分析和提取,为配电网故障预测提供重要方法和数据基础。     

基于EMD和LS-SVM的非平稳振动信号趋势预测

镇动信号的趋势预测是设备状态监测与故障诊断中的一个重要内容。随着运行设备的非线性、非平稳特点越来越明显,传统的数学建摸预报方法已不能满足设备的复杂化和现代化要求。提出了一种基于经验模式分解EMD（Empirical Mode Decomposition）和最小二乘支持向量机LS-SVM（Least Square Support Vector Machine）的新模型。首先,运用 EMD 将趋势时间序列自适应地分解成一系列不同尺度的本征模式分量IMF（intrinsic mode function）;其次,对每个本征模式分量,采用合适的核函数和超参数构造不同的LS-SVM 进行预测;最后对各分量的预测值进行拟合得到最终的预测值。仿真实验表明,此方法与单一的LS-SVM预测法相比,具有较高的精度和较强的推广能力。