基于XGBoost的冷水机组不平衡数据故障诊断

冷水机组运行数据分布有不平衡、非高斯、非线性、含噪声的特点,这给基于数据的冷水机组故障诊断带来了挑战.针对这些特点,提出了一种将局部密度过采样算法(Minority Oversampling under Local Area Density,MOLAD)和极限梯度提升算法(eXtreme Gradient Boosti...     

基于自动机器学习的不平衡故障诊断方法

为了提升故障诊断模型在数据不平衡场景下的性能,提出一种基于贝叶斯优化的自动不平衡故障诊断方法.首先,构建了一种分层多模型的参数空间,探索重采样和分类器的算法组合选择和超参数优化;然后,使用基于树形结构Parzen估计器(TPE)的贝叶斯优化器进行模型的训练与优化,得到参数空间中最优的算法组合和超参数配置;最后使用最优配置模型在测试集上进行结果评估.将所提方法应用于UCI(university of California Irvine)不平衡标准数据集和滚动轴承数据集.实验通过设置多个不平衡比,对优化后的模型分类效果进行检验,并与传统的随机搜索方法进行对比.结果表明,所提方法更好地提升了模型在不平衡故障数据上的分类能力,且优化过程更加高效.     

基于IWAE的不平衡数据集下轴承故障诊断研究

针对目前现有轴承故障诊断方法对不平衡数据集中的少数类诊断准确率低的问题,提出了不平衡数据集下基于重要性加权自编码器(Importance Weighted Auto-encoder, IWAE)的轴承故障诊断方法。首先通过少数类的样本数据来训练IWAE网络,将生成的样本数据加入到原始数据集中,得到平衡后的数据集;然后引入深度学习方法作为诊断网络,将平衡后的数据集直接输入诊断网络中,自适应的学习故障特征,实现故障分类。为了增强诊断网络的准确率,使用一维多尺度卷积神经网络进行故障诊断。大量的定性定量实验表明,所提出的方法在不平衡比为1/7时,少数类诊断的准确率已经能够达到98.90%,均优于其他现有模型,并且拥有较好的收敛性和泛化性。     

不平衡技术在轴承故障诊断中的应用

为解决实际工程环境中因轴承故障数据缺失引起的数据不平衡,进而影响模型诊断的问题,提出了不平衡数据处理技术在轴承故障诊断中的应用,即使用少量数据,训练出一个能够诊断多种轴承故障的模型.针对不同种类故障数据的边界混淆及类内不平衡,首先对少数类样本进行高斯混合模型( GMM )聚类,根据簇密度分布函数使用 GMM-SMOTE 进行权重采样,然后针对边界混淆问题使用 Tomek’s Link 数据清洗技术进行边界混淆样本数据清洗,形成类内类间平衡的数据集,结合超参数优化的支持向量机(SVM )模型进行诊断分析.实验结果表明,该方法效果良好,在轴承的故障诊断中有较好的实际工程意义和推广性.     

船用设备不平衡故障诊断分析

阐述了旋转设备转子不平衡运转的产生机理,分析了转子不平衡故障的特征信息以及相应的分析技巧,并结合实际舰船进行了实例分析,采用多种监测手段对疑似故障设备进行综合判断分析,取得了比较良好的效果。结果表明:所采用的综合分析方法在一定程度上提高了故障诊断分析水平,确保了诊断的准确度。     

直升机旋翼不平衡故障诊断试验研究

通过试验验证了仅用机体振动实现直升机旋翼质量不平衡和桨距不平衡故障诊断方法的可行性.在某旋翼试验台上分别设置不同程度桨叶质量不平衡和桨距不平衡,测取台体振动信号并利用FFT做频谱分析,分析了台体振动1Ω分量大小与故障程度的关系.利用概率神经网络实现了两种不平衡故障的正确分类,用径向基神经网络实现了故障程度识别.试验结果证实.不测旋翼桨尖轨迹,仅利用机体振动可以实现旋翼不平衡故障诊断.     

基于XGBoost特征提取的数据驱动故障诊断方法

针对目前用于故障诊断领域的机器学习方法尚不能够充分挖掘数据中隐含故障特征信息,存在逼近精度不足的问题,提出一种基于XGBoost算法的隐含特征信息提取方法。根据故障数据与故障类型自定义XGBoost算法的损失函数,迭代构建故障分裂树;提取样本在故障树中的叶子节点位置索引向量并进行特征编码重构,得到隐含故障信息的智能化表征;基于该表征矩阵,使用SVM等机器学习算法建立故障诊断模型,实现多故障模式的识别诊断;最后,以某驱动器的故障诊断为例对方法进行了验证,结果表明:与原始特征下的故障诊断模型相比,基于XGBoost算法提取隐含特征下的诊断模型准确度更高,鲁棒性更好,同时能给出特征变量的重要性排序。     

基于机理/数据混合驱动的变压器故障诊断模型研究

通过研究变压器常见缺陷和故障,提出基于机理/数据混合驱动的变压器设备故障诊断策略。该策略首先需要根据历史记录建立变压器故障案例库,然后对待检测案例进行案例匹配,若库中存在相似案例则快速得到诊断结论,若没有相似案例则启动故障推理模块。故障推理模块通过对变压器故障模式进行划分,基于不同故障模式,形成不同的推理规则,构建变压器故障树,以此进行故障推理。通过最后的案例分析,证明该策略能够对变压器设备故障进行准确、有效、快速的诊断和分析,且诊断结论可靠,实用性强。     

数据驱动故障诊断方法泛化性能的经验性分析

近年来数据驱动的故障诊断方法被广泛研究,但是这些方法有效的一个前提条件是训练诊断模型的数据与待测试数据应需采集自相同的设备和运行环境,然而这个前提条件在实际的诊断情形中很难得到满足,实际能够用来训练诊断模型的通常是采集自同类型设备或不同工况的历史数据.对于实际诊断情形下存在潜在差异的数据集,数据驱动故障诊断方法是否有效...     

代价敏感卷积神经网络：一种机械故障数据不平衡分类方法

机械设备实际工作过程中正常样本丰富、故障样本匮乏,卷积神经网络在处理这种分布不平衡的数据时对少数类的识别率很低。为解决上述问题,提出一种代价敏感卷积神经网络,首先经过多层卷积和池化运算学习原始监测数据中的机械设备本征性能状态知识;其次通过全连接层将本征性能状态知识映射为机械设备健康状态;最后利用代价敏感损失函数为少数类样本赋予较大的误分类代价,实现对不平衡的机械故障数据的有效分类。为验证所提方法的有效性,使用具有不同不平衡比的刀具数据集和轴承数据集,利用代价敏感卷积神经网络以及主流的分类算法分别测试其对于不平衡数据的分类性能。实验结果表明,所提方法对不平衡数据集中的少数类样本识别率相对于传统卷积神经网络提升了22%以上。     

基于模糊逻辑推理的汽车故障诊断的研究

针对汽车故障诊断中故障现象与故障原因之间复杂的不确定关系,提出了汽车故障的模糊逻辑诊断方法.给出了模糊逻辑诊断的模糊诊断模型;根据传统方法建立模糊诊断矩阵的不足,提出了采用人工智能的方法,利用专家知识动态建立模糊诊断矩阵的过程.结合实例在计算机上实现了汽车故障的模糊诊断,验证了该方法诊断的正确性.     

液压系统故障诊断方法研究

将液压系统故障诊断方法按其发展情况分为三类进行了讨论,重点分析了基于信号处理与建模处理的现代诊断技术及其特点,指出了多种技术融合的智能诊断是液压系统故障诊断方法发展的方向。     

基于子领域自适应的液压系统故障诊断方法

针对液压系统故障数据采集困难和数据量有限导致其故障诊断模型精度低的问题,提出基于子领域自适应的故障诊断方法。通过液压系统仿真模型模拟不同的故障类型,获得丰富的故障仿真数据,并与有限的实测故障数据结合用于模型构建;将1维卷积神经网络(One-dimensional-Convolutional Neural Network, 1D-CNN)与子领域自适应方法结合,利用1D-CNN构建多传感器信息融合网络全面提取液压系统的故障信息,在域自适应层采用局部最大平均差异(Local Maximum Mean Discrepancy, LMMD)减小源域和目标域特征之间的全局分布差异和子领域分布差异,构建出故障诊断模型。结果表明,所提方法在各类故障实测样本仅有1个的情况下,故障的诊断准确率达到100%,优于所对比的其他智能故障诊断方法。     

基于改进DQN网络的滚动轴承故障诊断方法

针对实际中滚动轴承正常和故障状态下的振动数据不平衡,且故障诊断准确率不高的问题,基于深度强化学习,提出一种改进深度Q网络(DQN)的滚动轴承故障诊断方法.该方法将振动信号进行短时傅里叶变换,构建时频图样本集;提出把K-means算法中样本到中心点的距离作为回报值的偏置,以不平衡比为基准,为训练集构建具有个性化的回报函数...     

基于偏置经验特征映射的电路故障诊断方法

基于支持向量机的模拟电路故障诊断方法已经成为故障诊断领域的研究热点.然而,在该方法实用化过程中,故障样本集中存在的不平衡分布问题严重影响了该方法的整体诊断性能.针对该问题,提出一种基于偏置经验特征映射的故障诊断方法,该方法将故障样本集映射至经验特征空间,并在该特征空间中使用偏置判别分析准则作为核函数优化的目标函数,最大化所有正常样本同故障样本中心的距离,从而提高故障诊断方法的整体诊断能力.标准数据集以及真实电路上的实验效果表明,提出的方法可以大大缓解由于样本不平衡造成的支持向量机诊断效果下降的问题,从而提高了基于支持向量机的电路故障诊断法方法的适用范围.     

控制系统故障诊断方法综述

控制系统故障检测和诊断研究具有重要意义。该文将各种故障检测和诊断方法分成基于模型解析冗余方法、基于知识方法和数据驱动方法3类进行详细介绍,指出了其中若干关键问题,同时对动态控制系统故障诊断方法的最新发展状况进行说明.     

分级组合式神经网络诊断系统研究

简要介绍了一个新的机械故障诊断模型——模糊神经网络诊断模型。将之应用于大型旋转机械故障诊断中,基于分级策略,创立了分级组合式神经网络诊断系统,并对其主要功能做了较详尽的论述。通过理论和应用分析,指出了这个新系统的优越性。     

基于无失效数据工业机器人控制系统可靠性研究

对于工业机器人这类高科技、高可靠性的复杂机电系统,在定时截尾试验中,往往由于缺乏足够的失效数据而使得在产品的设计开发阶段不能采用常规的系统可靠性分析方法对其进行完整、详细的可靠性预测.鉴于工业机器人控制系统可靠性预测的重要性,文中系统、详细地介绍了无失效数据可靠性分析方法中的最小置信限法与经典方法,并通过仿真实例证明了无失效数据可靠性分析最小置信限法是值得信赖的,对于经典方法则给出了可靠度分布函数未知参数的详细估计过程.