基于改进主元分析方法的空调系统传感器故障检测和诊断研究

传感器在空调系统中主要起着监测和控制的作用,影响空调系统的正常运行,从而带来能耗增加等不良影响。本文提出了结合小波变换的数据优化,以及基于神经网络的故障诊断优化的改进主元分析方法,用于空调系统传感器故障检测和诊断研究。通过对比数据优化前后主元分析的结果,发现同样0. 850 0累计贡献率原则上,采用小波变换去除噪声后,主元个数减少了两个,蒸发器进口温度传感器的固定偏差、漂移、精度下降等故障检测效果分别提升了0. 020 7、0. 020 8、0. 041 5,风量传感器固定偏差故障检测效果提升了0. 160 6。为了进一步找出故障源,在小波变换和主元分析的基础上,将求得的主元作为神经网络的输入,对5个传感器固定偏差故障进行测试,故障诊断结果分别为0. 766 7、0. 866 7、0. 900 0、1. 000 0、1. 000 0。     

基于冗余数据分析的船舶主机控制系统传感器偶发性故障检测

本文提出了一种基于动态主成分分析方法(dynamic principal component analysis,DPCA)分析船舶主机控制系统冗余传感器数据并进而实现传感器偶发性故障诊断的方法.通过实船数据中主机排气温度多位点数据对上述方法进行验证,证明方法可用于实际故障检测并表现出较好的检测效果.     

基于主元分析的多联式空调系统传感器故障检测和诊断

作为多元数据分析方法之一,主元分析(PCA)被广泛运用于诊断制冷空调系统的传感器故障。本文首先结合热平衡原理以及多联机运行的控制逻辑,筛选系统中常用的18个传感器变量建立多联机(VRF)传感器的故障分析(FDD)模型。然后结合主元分析的算法原理,给出以Q统计量和Q贡献率为检验标准的传感器故障检测与诊断流程。接着用实测数据进行验证工作,引入不同类型和程度的传感器故障,分析得到不同故障条件下的故障检测和诊断特性。结果表明,总体上,主元分析应用于多联机传感器故障检测与诊断过程是可靠的。其具体特征表现为：不同类型的传感器在不同故障类型及程度条件下,故障检测效果差异明显;在小偏差故障条件下,基于主元分析的传感器故障检测方法的故障检测效率较低,并且针对个别传感器而言,其整体故障检测效率偏低。鉴于故障诊断是基于故障检测的结果,因此上述故障检测方法在FDD过程中将起到重要的作用。     

主元分析用于多联式空调系统传感器故障检测和诊断

作为多元数据分析方法之一,主元分析(PCA)被广泛运用于诊断制冷空调系统的传感器故障。本文首先结合热平衡原理以及多联机运行的控制逻辑,筛选系统中常用的18个传感器变量,建立多联机(VRF)传感器的故障分析(FDD)模型。然后结合主元分析的算法原理,给出以Q统计量和Q贡献率为检验标准的传感器故障检测与诊断流程。利用实测数据验证工作,引入不同类型和程度的传感器故障,分析得到不同故障条件下的故障检测和诊断特性。结果表明:总体上,主元分析应用于多联机传感器故障检测与诊断过程是可靠的。具体特征表现为:不同类型的传感器在不同故障类型及程度条件下,故障检测效果差异明显;在小偏差故障条件下,基于主元分析的传感器故障检测方法的故障检测效率较低,并且针对个别传感器而言,其整体故障检测效率偏低。鉴于故障诊断是基于故障检测的结果,因此上述故障检测方法在FDD过程中将起到重要的作用。     

时滞数据动态过程传感器故障诊断的改进方法

提出利用不断更新的时滞数据矩阵建立变化的动态主元模型对某些动态系统内的传感器故障进行检测，利用变量贡献图的样本平均对故障进行识别的方法．该方法克服了传统静态主元分析方法不适于分析具有动态特性的系统传感器故障的缺陷，而且改善了常用的基于时滞数据建立的动态主元分析法对于分析变量间关系不确定的动态系统存在的局限性．最后给出了3种方法的实验比照结果，验证了方法的有效性，     

基于滑动中值滤波的多尺度主元分析方法

提出了一种基于滑动中值滤波的多尺度主元分析(MSPCA)方法,该方法利用中值滤波对主元分析(PCA)前的原始数据进行预处理,以去除异常点,并用多尺度主元分析方法把小波变换和主元分析有机结合起来,通过对过程数据的多尺度建模,来消除系统中的次要主元和小的小波系数,这样既提高了对数据中细微、重要变化的检测灵敏度,又解决了在测量数据中含有异常点的情况下,现有多尺度主元分析难以去除因异常点的存在而产生的虚警问题.仿真验证了该方法的有效性和可行性.     

基于神经网络的故障检测方法研究

研究了神经网络在状态监测技术中的应用,通过对神经网络故障诊断技术和系统辨识技术的分析,在非线性系统辨识技术基础上,提出了一种基于神经网络非线性辨识技术的故障检测方法.给出了神经网络的有效训练算法,利用神经网络辨识系统模型,作为残差产生器,实时计算残差并进行逻辑判断,从而监测系统的工作行为是否异常.仿真结果表明这种故障检测方法是有效的,实时性强,鲁棒性好.并且神经网络的训练不需要故障模式数据,适用性好.     

级联H桥逆变器的多特征融合CNN故障诊断

针对级联H桥七电平逆变器不同故障表现相似程度高以及浅层分类器难以应对高维特征输入而制约故障诊断准确性的问题,该文提出一种基于多特征融合CNN的级联H桥七电平逆变器故障诊断策略。首先,采集原始三相电流信号,并结合参考电流信号求取电流偏差信号;其次,多尺度主元分析(multi-scale principal component analysis,MSPCA)算法通过将变分模态分解与主元分析相结合筛选故障信息存在的尺度分量,并将得到的各尺度分量直接重构作为高维时域特征输入,对得到的各尺度分量进行希尔伯特黄(HHT)变换,提取边际谱作为高维时频域特征输入;最后,将上述两种特征作为双通道CNN模型的输入进行训练,建立最终的多特征融合CNN故障诊断模型。结果表明:所提方法的故障诊断准确率达到95%,相较于单一特征与浅层分类器相结合的故障诊断策略,具有更高的识别率和更强的适应性,可为基于电信号的高相似度故障的分类识别提供一定参考。     

小波变换和CNN涡旋压缩机故障诊断

针对传统单尺度信号分析难以有效解决涡旋压缩机故障诊断中的故障特征信息多尺度耦合问题,提出一种基于小波变换和卷积神经网络的涡旋压缩机故障诊断方法。首先将采集到的振动信号进行连续小波变换生成时频图,并对时频图进行网格化规范处理,将预处理后的时频图作为特征图输入Alexnet卷积神经网络,通过不断调节网络参数,得出最为理想的神经网络模型,以此实现对涡旋压缩机故障类型的辨识诊断。结果表明,该方法针对涡旋压缩机故障类型的识别准确率达到94.6%,与传统多尺度排列熵、信息熵熵距的故障诊断方法相比,该故障识别方法具有更高的准确率。     

基于MSPCA方法的VAV系统传感器故障检测的应用研究——运用小波变换改进PCA故障检测方法

变风量(VAV)空调系统对控制的要求较高,作为控制系统中非常关键的元件传感器,一旦出现故障将直接影响控制系统的决策,从而使空调系统的运行偏离设计的要求.因此,变风量空调系统传感器的故障检测与诊断研究是很有必要的.将采用多尺度主元分析法(MSPCA, Multidimensional Scaling Principal Component Analysis)对传感器故障的检测与识别进行分析.     

离散余弦变换在滚动轴承故障诊断中的应用

本文探讨了应用离散余弦变换分析滚动轴承故障的方法,采用小波基将滚动轴承振动信号变换到时间－尺度域,对高频段的小波系数用离散余弦变换进行包络分析。通过对滚动轴承具有外圈缺陷、内圈缺陷的情况下振动信号的分析,说明这种方法可以有效的用于效地用于滚动轴承的故障诊断。     

声信号的主分量分析应用于滚动轴承故障诊断

利用声信号来进行故障诊断具有"采集比较容易,非接触式测取,设备简单,速度快,无须事先粘贴传感器,不影响设备正常工作,易于实现早期预报和在线监测,疳可在不易测量振动信号的场合得到广泛应用"等优点.由于外界噪声的影响,有效信息的提取较为困难.采用主分量分析对传声器测取的声信号进行了预处理;在此基础上应用基于Morlet小波变换的包络分析和频谱分析来提取故障特征向量,并以滚动轴承为例进行实验.结果表明,这是诊断滚动轴承早期故障的一种可选方法.     

利用小波尺度谱同步平均的时频脊故障特征提取

旋转机械的早期故障特征微弱,容易受到噪声的干扰,不容易准确识别。小波尺度谱存在受噪声干扰影响大、高频部分频率分辨率低等缺点, 对小波尺度谱进行重排可以提高其时频聚集性。为此,结合小波尺度谱同步平均和小波脊线分析的优点,提出了基于时频脊线特征提取方法。首先对多周期的振动信号进行小波连续变换,并重排小波尺度谱;再根据信号的周期性,对尺度谱进行同步平均;最后提取同步平均后的尺度谱小波脊线,计算信号的包络幅值并进行频谱分析,最终提取出弱故障特征。通过仿真和实例验证了本方法的有效性,为旋转机械的早期故障诊断提供了新方法。     

基于复解析小波变换的瞬时频率分析方法

提出了利用基于复解析小波变换的瞬时频率分析的新方法。复解析小波变换将Hilbert变换与小波分析紧密结合在一起，具有自适应分析能力。对信号作复小波解析变换得到信号的瞬时频率，通过瞬时频率的功率谱分析就可提取信号特征。通过对齿轮故障振动信号的分析，表明该方法能有效地诊断齿轮局部故障，且与传统的频域方法相比具有更好的分析效果。     

小波消噪-HHT的四通阀故障诊断

提出一种基于小波阈值去噪和希尔伯特-黄变换(HHT)的故障诊断方法.先用小波变换实现信噪分离,然后对提纯的信号进行经验模式分解(EMD)和HHT,分析HHT边际谱,进行故障诊断.结果表明,该方法减少了噪声对EMD分解的干扰,能有效地突出故障特征频率成分,提高机械故障诊断率.此外,结果还验证了传感器安装在四通阀顶部能最及时有效地进行故障诊断.     

基于MODWPT的Hilbert谱及其在齿轮故障诊断中的应用

在对基于最大重叠离散小波包变换(Maximal overlap discrete wavelet packet transform,简称MODWPT)的Hilbert谱方法进行介绍的基础上,将基于MODWPT的Hilbert谱应用于齿轮故障诊断当中。采用MOWDWPT可将多分量的复杂信号分解为若干个瞬时频率和瞬时幅值具有经典物理意义的单分量之和,然后求出各个单分量信号的瞬时频率和瞬时幅值,再进行组合便可以得到原始复杂信号完整的时频分布。对具有裂纹和断齿的齿轮故障振动信号的分析结果表明,基于MODWPT的Hilbert谱可以有效地提取齿轮振动信号的故障特征。     

基于相关主成分分析和极限学习机的风电机组主轴承状态监测研究

提出了一种基于相关系数法和主成分分析法以及极限学习机相结合的主轴承状态监测方法。该方法利用相关系数法选取数据采集与监视控制系统中与主轴承温度相关的变量作为初始输入变量;再用主成分分析法对所选变量进行降维处理,以消除变量之间的相关性和冗余性;进一步利用极限学习机建立主轴承正常运行时的温度模型并用其进行温度预测;最后利用滑动窗和核密度估计方法对残差进行分析,并基于实测的数据进行主轴承故障模拟。结果表明,该方法可有效地实现主轴承潜在故障的预测。