样本空间基于多级高维特征表示的微小故障诊断

传统主元分析（Principal Component Analysis,PCA）、相对主元分析等多元统计法基于阈值诊断故障,由于是原空间等价表示,并未增加任何信息量,使得微小故障难以诊断;且降维分成主元空间和残差空间,微小信息得不到充分表示.深度学习在模式识别方面有成功的应用,深度学习多层次网络对细节进行线性组合表示,但不具备可解释性,仅有训练结果无理论依据,机理分析困难.本文提出一种将主元分析思想与深度学习思想结合的故障诊断方法,在原PCA基础上先扩维再降维,使得原始空间中不能表达的信息充分表达,且具备可解释性.理论和仿真实验分析表明,本文方法能判断出传统PCA无法检测的微小故障,提高了故障检测的检出率,且具备可解释性.     

基于OpenModelica仿真平台的暖通空调系统故障诊断研究

针对暖通空调系统(HVAC)故障样本的不充分从而使基于数据驱动的故障诊断方法在暖通空调系统应用较为困难,本文提出一种基于Modelica语言的暖通空调系统故障方法.首先,采用Modelica语言仿真平台OpenModelica建立暖通空调系统的模型,然后对仿真模型以人工注入故障获取故障样本,最后通过PCA故障诊断算法对故障样本进行故障识别找出故障源.仿真结果表明:该方法可以有效且准确地实现暖通空调系统的故障诊断.     

基于PCA-LVQ的模拟电路故障诊断

为了解决模拟电路故障难于识别的问题,提出一种基于主成分分析(PCA)和学习矢量量化神经网络(LVQ)的模拟电路故障诊断新方法。该方法用PCA提取模拟电路故障特征,然后将降维后的故障特征信息输入LVQ网络训练和故障模式的分类识别。通过对Sallen-Key带通滤波器电路的故障诊断实例表明,该方法是有效的,具有较高的故障诊断率。     

基于RS-LMBP算法的故障智能诊断系统

文中提出了基于粗糙集(RS)理论与BP神经网络相结合的故障智能诊断技术.首先对大型设备大量复杂的数据,利用粗糙集理论进行前期数据的预处理,约简原始数据的属性,再将处理过的数据用LM算法改进的BP神经网络技术来进行分析,最终实现故障智能诊断.建立了基于RS-LMBP算法的故障诊断模型,并通过实例验证了方法的可行性和高效性.     

基于运行大数据学习的复杂装备故障诊断技术及其典型应用

认为通过从复杂装备运行特征大数据中挖掘出故障信息,实现运行故障的智能诊断,对保证复杂装备的安全和稳定运行具有重要意义。结合复杂装备运行大数据的特点与机器学习理论,提出了基于运行大数据学习的复杂装备故障预测诊断方法,实现了复杂装备运行特征大数据与运行故障的分层关联,基于大数据分析的复杂装备运行故障特征提取以及基于模糊反向传播(BP)神经网络的复杂装备运行故障诊断。此外,还将此技术应用到高速电梯的运行监测中,开发了高速电梯急停故障大数据分析与诊断系统,很好地验证了该方法的有效性。     

基于指定元分析的多级相对微小故障诊断方法

 设备运作过程中可能出现的微小故障,往往会因其呈现的异常征兆较小而被淹没在显著故障或噪声中,从而现有的方法难以很好地对其进行监控.本文在DCA空间投影框架下建立了观测空间的多级分解思想,并在此基础上提出一种多级相对微小故障诊断算法.将观测数据关于显著指定模式进行DCA分析,并移除显著变化模式的影响,以提高微小故障信号的信噪比.根据其向故障子空间投影能量的显著性判断残差数据中是否还包含仍未被诊断出、且具有一定影响的微小故障;根据各故障方向上投影能量的显著性进行微小故障诊断;重复以上过程,直到各级微小故障均被诊断出来.包含四种共存故障的观测数据的仿真研究,验证了该算法的有效性.     

结合WGAN GP与CNN SVM的滚动轴承故障红外诊断

针对实际工程应用中由于滚动轴承故障状态出现的时间很短而导致数据集不平衡难以采用深度学习算法进行故障诊断的问题,提出了一种基于Wasserstein距离的梯度惩罚生成对抗网络(WGAN GP)和基于支持向量机分类的卷积神经网络(CNN SVM)相结合的滚动轴承故障红外诊断方法。从红外热像图中构建不平衡数据集,通过采用WGAN GP对不平衡数据扩充以达到数据集均衡,之后将CNN SVM模型应用于数据集,提取样本深度特征完成故障分类。实验表明,WGAN GP与CNN SVM相结合的模型在不平衡数据集下表现良好,相较于其他模型有更好的故障诊断能力,并且在故障分类阶段的用时可减少1689以上。     

一种基于小波神经网络的故障诊断方法

在阐述了小波变换和BP(反向传播)神经网络概念的基础上,根据小波神经网络故障诊断的基本思想,提出了一种基于"能量-故障"的小波预处理神经网络故障诊断方法.实验仿真结果表明,使用该方法提取故障特征加快了神经网络的训练速度,能迅速地进行故障的检测和定位.     

一种基于时序数据的FPC故障诊断方法

文中针对柔性线路板(Flexible PCB,FPC)多层、线宽精细和间距超精细,无法获取充分故障信息的问题,提出了时序数据测量和基于时序数据的故障诊断方法,在限定的测量节点上,获取了更多的故障信息,将故障识别率从原来的86.5%提高到94.6%.     

应用数据融合实现电子电路的故障诊断

在电路故障诊断中,可通过直流分析、交流分析和灵敏度分析等方法,对电路的故障进行诊断.但由于不同的诊断方法对不同的故障敏感度不同,使得每种方法都带有局限性.为此,本文提出了采用数据融合进行电路故障诊断的新方法,介绍了D-S证据理论算法在电路故障诊断中的应用,给出了具体算法和仿真实例.理论分析和仿真结果表明,将数据融合技术用于电路的故障诊断是可行的.不同的诊断方法提供的信息经多次融合、反复抽取有用信息后,大大降低了判断的盲目性,提高了电路故障诊断的准确性.