基于动态神经网络的液压伺服系统故障检测

根据故障诊断系统的特点，采用输出递归神经网络对某液压位置伺服系统进行了故障检测研究。该动态神经网络模型的采用使网络成为系统的完全模型，避免了故障学习，可以较好地检测出较难检测的故障。通过仿真，与前馈时延网络与对角递归网络的比较研究，说明了在实时故障诊断系统中输出递归网络结构的优越性。     

基于支持向量机算法的光伏阵列故障智能检测方法

针对光伏阵列故障频发但检测困难的问题,提出了较为实用的光伏发电阵列故障检测方法。只需获取光伏电站运行时光伏阵列的输出电压、电流、辐照度和温度等主要特征数据,结合支持向量机(SVM)算法对特征数据建模,模型配合状态决策模块用于电站故障诊断工作。实验结果表明基于SVM的光伏阵列故障诊断方法对故障类型具有很好的识别能力,是一种实用的故障检测方法。     

随车起重机变幅液压系统故障诊断仿真

针对液压系统中元件复杂、故障隐蔽性强而造成的诊断难题,提出了基于模型的故障诊断方法,为验证方法的可行性,进一步提出了故障诊断的仿真验证方法,搭建了其仿真模型。以某型随车起重机变幅液压系统的工作原理为基础,分析了变幅液压系统常见故障及故障注入方法,选取换向阀阀芯卡死故障进行诊断,通过阀芯液阻控制模块注入阀芯卡死故障,建立其功率键合图模型;其次,利用扩展遍历路径法生成一组解析冗余关系(ARR)的公式,并推导出阈值计算公式,采用MATLAB/Simulink平台搭建的故障诊断仿真模型计算出系统残差;最终,根据残差估计结果,对带有换向阀卡死故障的变幅液压系统进行诊断。通过诊断结果与初始故障注入对比,以及对随车起重机实验台的故障实验结果分析,验证了基于模型的液压系统故障诊断方法的可行性和高效性,为工程机械液压系统的故障诊断提供了新思路,并为预测液压系统剩余寿命奠定基础。     

基于非线性观测器的液压伺服系统故障诊断方法研究

利用非线性观测器对液压伺服系统失压故障进行诊断。建立系统的非线性观测器模型,利用观测器仿真计算系统输出,并与系统实际输出相比较产生残差矢量,运用置信极限法对残差矢量进行决策分析,模拟失压故障对方法进行验证。     

在轨飞轮故障诊断混合框架设计

为提升飞轮的可靠性,本文对飞轮故障诊断技术进行了研究。通过对基于数学解析模型与基于智能计算的故障诊断方法的对比研究,提出了一种基于神经网络的混合故障诊断方法。该方法首先使用数学解析模型与原系统输出的差值作为一级残差;而后利用该一级残差以及系统可测状态对神经网络进行训练;然后使用混合模型输出的二级残差对系统故障进行检测;最后以飞轮注入母线电压以及电枢电流故障对该方法进行验证:在存在母线电压故障工况下混合模型避免了解析模型电流估计的发散问题,与单神经网络模型相比最大跟踪误差降低了44%。在存在电流故障时,不同的转速工况下与两种单模型相比混合模型的最大跟踪误差降低了90%,跟踪方差减小了10倍以上。混合方法可以有效解决由于解析模型存在建模误差引起的故障诊断不够准确的问题以及由于缺乏训练数据所引起的单神经网络模型不能适应新工况的故障诊断问题。     

基于动态GRNN模型的挖掘机液压系统故障检测

提出了一种针对工程机械液压系统的动态广义回归神经网络(GRNN)模型的故障诊断方法.动态GRNN模型是一种全局递归的动态模型,具有很强非线性收敛能力.首先建立系统正常状态故障建立动态GRNN模型;计算动态GRNN模型的检测阈值;然后将测试故障样本带入动态GRNN模型当中,其残差平方和在对应阈值范围内即可判定故障.通过实验分析,基于动态GRNN模型的故障检测方法准确地诊断出了90%以上的系统故障,实验结果表明,这一方法能够有效地应用于挖掘机液压系统的故障诊断.     

SWE-IPCA方法在传感器故障诊断中的应用

针对目前油田传感器设备故障诊断广泛采用的主元得分向量平方和与平方预测误差方法,在进行在线故障诊断过程中,往往存在对实际生产过程中产生的弱故障诊断不灵敏,甚至无法有效进行故障识别的问题,同时考虑到油田生产过程的特点,提出一种基于平方加权预测误差的迭代主元分析进行故障检测的方法,在不同的残差空间中对故障进行分析,提高了系统对弱故障诊断的准确性.运用迭代算法更新主元分析算法模型,通过残差空间的平方加权预测误差变量重构确定故障,实现对油田生产传感器设备故障的动态在线诊断.最后利用油田生产的实际数据对该方法进行了在线故障诊断实验,实验结果表明,该方法对油田生产传感器设备可以有效地进行故障诊断.     

基于BP神经网络的翻车机液压系统故障诊断

为了快速诊断出翻车机液压系统故障产生的位置以及故障原因,提出了一种基于BP神经网络算法的翻车机液压系统故障诊断方法,在此基础上提出了大型液压系统故障诊断分块建模的原则。利用某公司C型转子式翻车机故障数据样本建立了整体、分块故障诊断BP神经网络模型,对比实验数据分析表明,采用分块建模原则建立的BP神经网络故障诊断模型对翻车机液压系统故障具有较高识别精度,对提高翻车机液压系统状态监测与故障诊断能力有较大实用价值和工程意义。     

基于机器学习的轴承故障诊断研究

利用来自DC竞赛轴承故障检测数据集做了基于机器学习的轴承故障诊断研究。首先查看了轴承故障和正常状态的分布，然后利用XGBoost算法筛选出了20个核心建模特征，最后根据筛选出来的核心建模特征构建了随机森林、SVM和KNN3种机器学习模型，通过计算准确率、召回率、精确率、F1得分和ROC曲线下的面积（AUC）这5个性能指标来评估基于3种机器学习算法构建的预测模型在测试集上的预测效果。对比3个模型在测试集上表现的性能指标可以发现，基于随机森林算法构建的轴承故障诊断预测模型在AUC和准确率这两个核心指标上的评分都比其他两个模型高，它们的值都超过了90.00%，尤其是AUC达到了96.21%，效果最优。     

基于残差信息的汽车液压主动悬架故障诊断与隔离研究

为提高汽车液压主动悬架控制性能,提出一种针对液压作动器、车身垂向加速度传感器的故障诊断与隔离方法。建立四自由度汽车液压主动悬架动力学模型,并考虑液压作动器和传感器常见故障,建立悬架故障模型。采用极点配置方法设计故障检测滤波器,利用输出残差信息对作动器卡死和增益故障、传感器增益故障进行诊断。在此基础上,为准确诊断故障发生部位,利用相关系数和故障向量径长值对故障进行隔离。在MATLAB/Simulink环境下对故障悬架进行大量仿真计算,结果表明:残差波动超过一定阈值时可敏感地诊断出作动器或传感器故障;汽车液压主动悬架作动器故障采用最大相关系数准确隔离,车身垂向加速度传感器故障采用最大相关系数和最小故障向量径长值准确隔离。