基于深度学习的航空发动机传感器故障检测

针对传统反向传播(BP)神经网络和支持向量机(SVM)存在的过拟合、维数灾难、参数选择困难等问题,提出了一种基于深度学习算法的航空发动机传感器故障检测方法.对发动机参数记录仪采集的多维数据进行预处理,建立基于深度置信网络(DBN)的故障检测模型,利用预处理后的数据对检测模型进行训练,经过DBN故障检测模型逐层特征学习实现了传感器故障检测.仿真结果表明:在无人工特征提取和人工特征提取的情况下,基于DBN故障检测的准确率均高于BP神经网络和SVM模型.     

基于深度卷积网络的多传感器信号故障诊断方法研究

针对传统故障诊断方法中多传感器数据融合技术难度大、特征提取困难等问题,提出了一种基于深度卷积网络的多传感器信号故障诊断方法,通过构建测量数据帧进行卷积计算实现多通道数据的自然融合,利用深度网络结构实现高层特征的自动提取和分类,从而高效地实现了故障分类诊断;经分别采用小规模数据集REF和大规模故障数据集BI02进行实验验证,均取得了较高的故障识别准确率,具有很强的工程应用价值。     

基于深度学习的故障检测方法

针对传统故障诊断方法中特征提取技术难度大、故障样本获取困难等问题,在深度学习计算框架下提出了一种半监督训练的故障检测方法,利用深度信念网络中的受限波茨曼机堆栈结构实现了数据高层特征的自动提取,结合支持向量数据描述方法实现了异常数据检测,只需利用正常工况的数据样本进行网络训练和模型拟合,无需故障样本数据,也无需人工干预进行信号特征提取,即能实现对故障数据进行的实时检测和判别;经采用标准轴承实验数据的三组故障数据进行验证,故障识别率达到100%,具有很强的工程应用价值。     

基于深度学习的电力骨干通信网故障诊断研究

随着电力骨干通信网络的规模不断扩大,拓扑结构日益复杂,网络运维数据呈指数趋势增长。电力通信运维人员只能将有限的精力集中到关系业务通断性的重要告警及相关性能上,而对于大量反映生产运行本质的深层次运行数据却无暇顾及也无手段顾及,这成为当前电力通信调度生产工作的最大的痛点及难点。本项目基于深度学习技术,将新一代人工智能技术与电力骨干通信网调度监控和运行维护实际工作需求紧密结合,重点解决电力通信调度运行中故障快速处置、业务智能重构、方式优化安排、风险评估预测与设备运行状态健康管理等实际生产问题,对提升电力通信主动性运行水平,将运行风险管控从事中向事前倾斜,更好地支撑电网生产业务具有重要的现实意义。     

基于极限学习机的航空发动机传感器故障诊断

针对当前应用于航空发动机传感器故障诊断中的基于梯度的传统学习算法多存在参数选择困难、容易陷入局部最小化、过拟合等问题,提出了基于极限学习机(ELM)的航空发动机传感器故障诊断方法。算法只需设置隐含层神经元的个数,能够较好地避免上述问题,缩短故障诊断时间、提升诊断精度。通过仿真试验表明:基于ELM算法所建的航空发动机传感器故障诊断模型要比基于BP神经网络算法所建的模型耗时短且精度高。     

基于ELM的航空发动机传感器故障诊断方法研究

为了在嵌入式ARM11平台中更好地实现航空发动机传感器故障监测与诊断,使用极限学习机（ ELM）代替传统的BP网络算法,只需选定隐含层节点数和激活函数,大大减少了BP算法中人为设置大量参数、训练过程慢,并需要不断调整网络参数以及容易陷入局部最优解的缺点。经过仿真验证对比两种算法,验证ELM算法的优越性。并使用C＋＋编程语言将ELM算法转换成航空发动机传感器故障诊断训练学习软件和诊断软件,经最终测试,该算法软件的测试精度良好,满足诊断需求。     

基于深度学习的控制器设计研究

深度学习目前在学术和工业领域中具有非常重要的地位,深度学习在特征提取与模型拟合方面存在相当的优势.对于存在高维数据的控制系统,引入深度学习具有一定的意义.论文介绍了使用深度学习算法来设计控制器,探索将深度学习应用于控制领域的情况.论文是通过让深度学习控制器来模拟控制领域中经典的PID控制器,来控制带负载的直流电机.用P...     

基于深度学习的集成化装备故障诊断方法综述

集成化装备的结构和功能日益复杂,传统的故障诊断方法难以进行准确的特征提取,而深度学习具有强大的学习能力,能够有效挖掘特征,适合于集成化装备的故障诊断。为此,首先按照应用领域的不同,分别描述了国内外基于深度学习的故障诊断最新研究进展;其次,简要介绍了三种典型的深度学习故障诊断方法（深度置信网络、堆栈自编码机和卷积神经网络）,整理出已经取得的成果和存在的问题并做出总结;而后将基于深度学习实现故障诊断面临的挑战总结为六种类型,并根据前文总结出的研究成果提出了研究思路;最后结合实际应用情况,提出了四种发展方向。     

基于主元分析法的航空发动机传感器故障诊断研究

主要研究了主元分析方法在航空发动机传感器故障诊断中的应用,并提出了主元分析法故障诊断算法。假设只有传感器故障情况下,将传感器测量值所组成的测量空间分解为主元和残差两个子空间,并通过传感器实际测量数据与正常数据矩阵在残差空间上的投影做比较,对传感器故障进行故障诊断;针对航空发动机的压力温度转速等传感器常见的故障,通过运行故障仿真平台绘制了其多元统计特征图;分析仿真结果表明,主元分析法对航空发动机传感器具有很好的故障检测和故障诊断能力。     

基于联合神经网络的冗余传感器故障诊断和信号重构

本文提出一种基于联合神经网络的传感器故障诊断和信号重构的方法．联合神经网 络的初级神经网络实现冗余信息的压缩，利用冗余信息把故障信息过滤掉，第二级把压缩后 的非故障信息复原，然后通过SPE图来诊断故障．发现故障后利用冗余信息实现信号重构．     

基于深度学习的变压器故障诊断方法研究

油中溶解气体分析方法（DGA）是变压器内部故障诊断的重要方法,广泛应用在变压器在线监测和定期试验检测中,传统的特征气体法和三比值法等诊断方法在实际应用中普遍存在着一定的局限性,导致故障诊断精度偏低。针对这一问题,本文提出了一种基于深度学习技术中的多层感知机的变压器故障综合诊断方法,利用开源的Scikit-learn 机器学习框架及TensorFlow深度学习框架构建了变压器故障诊断模型,并应用实际工程中的故障样本数据,对故障诊断模型进行了训练和测试。试验结果表明,基于多层感知机技术的变压器故障诊断模型能够对变压器故障进行正确诊断,与传统的三比值法及支持向量机技术相比,多层感知机的诊断准确率更高,具有更优的故障诊断性能,能够为变压器的检修提供更为准确的参考信息。     

基于深度学习的缺失数据故障诊断方法研究

由于不完整观测数据会严重影响故障的诊断结果,针对缺失率增大、观察变量之间相关系数降低及传统插补方法无法有效提取数据潜在特征等问题,本文提出了一种基于深度学习的插补方法来估计缺失数据。实验验证了该方法的有效性。     

基于深度度量学习的电机故障诊断

深度学习以其强大的自适应特征提取和分类能力在机械大数据处理方面取得了丰硕的成果,由于电机结构的复杂性,其信号表现出的非平稳、非线性和复杂多样等特点,使得传统分类方法中的Softmax分类器+交叉熵损失函数对电机故障诊断力不从心。根据电机信号非平稳、数据量大等特点,结合短时傅里叶变换(STFT)与深度学习中的卷积神经网络(CNN)算法和Triplet Loss三元组思想,提出了深度度量学习电机故障诊断方法。该方法能将电机故障信号转换成时频谱图,同时构建CNN,将预处理后的样本用于CNN的训练,采用Triplet Loss作为损失函数度量故障数据高维特征间的距离,并结合标签有监督地微调整个网络,从而实现准确的电机故障诊断。实验表明该方法在处理复杂数据时能够度量特征在高维空间中的距离,高效完成故障诊断任务,弥补了交叉熵函数的不足。     

基于强化学习和蚁群算法的WSN节点故障诊断

为了克服现有的WSN节点故障诊断方法所具有的难以实现在线诊断和诊断精度仍然不够高的缺点,设计了一种基于Sarsa算法和改进蚁群算法的WSN节点在线故障诊断方法;首先,建立了监测区域的网络模型和WSN节点故障诊断模型,然后,采用主成分分析法对节点故障样本数据进行降维,从而提高诊断效率,将样本数据作为层次,将故障诊断类作为各层节点建立层次树,采用改进的Sarsa算法求取各层节点的Q值,并将其用于初始化蚁群算法中路径的信息素,最后,提出了一种改进的蚁群算法求取从第一层出发的蚁群到各层节点之间的路径,将各层中信息素最大的节点作为最终的故障诊断类别;在Matlab环境下进行仿真实验,结果证明文中方法能有效实现WSN节点故障诊断,且与其它方法相比,具有故障诊断精确度高且能在线故障的优点,是一种有效的节点故障诊断方法.     

基于动态奇偶空间法的传感器故障诊断

针对线性动态系统传感器组中多次续发故障的诊断问题,提出一种时间窗口动态调整的奇偶空间方法.基于系统中传感器组测量输出的时间序列之间的内在一致性,定义了时间窗口的最小宽度和传感器冗余度指标,并给出了构造优化奇偶矩阵的方法.根据当前时间窗口宽度值,动态设定残差的连续超限次数和故障检测的阈值,实现对系统的传感器故障进行检测、定位和隔离.最后以F-16战斗机俯仰通道动力学模型为例进行数值仿真,试验结果证明了该方法对传感器组多次故障的诊断和隔离有较好的效果.     

基于深度信念网络的列车故障音频诊断方法

铁路在交通运输行业有着举足轻重的地位,一旦列车发生故障将会导致严重的生命财产损失。由于列车发生故障的概率相对较低,因此难以捕获列车的故障样本。针对上述问题,提出了一种无监督学习的列车故障识别方法,通过检测列车音频信号来识别列车故障。该方法基于深度信念网络(DBN),利用小波包分解提取检测信号的特征向量并将其作为DBN的输入,待网络充分训练后,由训练好的DBN识别当前列车的运行状况。现场监测实验结果表明,该方法能够在无监督的条件下有效识别列车故障,保障了列车的运行安全。     

基于深度学习的旋转机械故障诊断研究综述

在现代化生产中,旋转机械的精密性和重要性越来越高,朝着大型、高速和自动化方向发展,以至传统故障诊断方法不足以处理海量、多源、高维的测量数据,不能满足安全性和可靠性的要求;因此,首先简要介绍几种典型的深度学习模型,并结合深度学习强大的特征提取能力和聚类分析的优势,对其近些年来在转子系统、齿轮箱和滚动轴承故障诊断的应用情况进行了对比分析;最后总结深度学习模型的优缺点,并从工程实际出发对旋转机械的故障诊断方法进行总结与展望。     

基于小波变换的传感器故障诊断

传感器故障的诊断是非常重要的。传统的基于快速傅立叶变换的频谱分析有其局限性和缺陷性,为了克服其缺点,运用小波变换的方法。在介绍了小波变换理论的基础上,采用小波变换技术对传感器进行故障检测,快速而较为准确地诊断出传感器故障。仿真实验证明小波变换技术对传感器故障诊断是十分有效的,取得满意的效果。在传感器的故障诊断方面小波变换有良好的应用前景,有力地证明了它在传感器诊断技术中的优越性。     

基于特征融合和混类增强的深度学习滚动轴承故障诊断

轴承故障诊断在维护旋转机械设备和规避重大灾难事故等方面起着至关重要的作用. 针对现有故障诊断模型无法适应实际工业应用中变化的工作负载的问题, 提出了一种基于特征融合和混类增强的故障诊断方法. 首先, 在原始信号的基础上融合时频特征、工况特征和时间差分特征形成新的特征信号; 然后, 采用相空间重构理论将信号特征转换为图像信号, 在训练时通过混类增强拓展数据的分布; 最后, 利用残差网络进行故障诊断分析. 在CWRU数据集上的实验结果表明, 该方法在同工况下的预测精度高达100%, 在变工况下的平均预测精度高达93.28%, 域适应性强.