基于主元子空间故障重构技术的故障诊断研究

针对基于主元分析(PCA)的统计性能监控法,由于不用过程机理模型的信息,因此,对故障诊断问题有难以在理论上作系统分析的缺陷,于是提出了一种基于主元子空间故障重构技术的故障诊断方法。利用故障子空间的概念,在故障重构技术的基础上,研究基于T~2统计量的故障诊断问题,提出故障识别指标和诊断算法。通过对双效蒸发过程的仿真监测,验证该诊断方法的有效性。     

基于CTA-DKPCA的化工过程故障诊断

在传统动态核主元分析(DKPCA)中引入循环时间算法(CTA),提出了基于循环时间算法与动态核主元分析(CTA-DKPCA)的故障诊断方法.该方法通过引入循环时间逻辑,对动态数据矩阵分段捕捉故障信息,提升了故障诊断精度与速度,再使用基于重构贡献(RBC)的方法来识别故障变量、诊断故障原因.将该方法应用于田纳西伊斯曼(T...     

主元分析在变压器故障检测与识别中的应用

针对IEC三比值法进行变压器故障诊断存在缺编码、编码边界模糊和诊断率偏低的问题,提出了采用主元分析和重构贡献图的故障诊断方法。在建立的PCA(Principal Component Analysis)统计过程模型上,构建SPE、T2统计量和重构贡献指标对变压器故障进行检测,并分析了贡献图法和重构贡献法的故障诊断性能。仿真结果表明基于主元分析和重构贡献图的故障诊断方法对数据更敏感,能够有效弥补IEC三比值法的不足,提高故障诊断正确率。     

主元空间中故障重构的故障识别（英文）

基于主元分析(Principal Component Analysis,PCA)统计过程监控方法,由于其不需要数学模型,因此目前在过程监控领域获得了广泛应用,但这也限制了其在故障诊断方面的能力。针对此问题,本文从故障子空间与PCA监控模型的角度,利用故障重构技术,对基于PCA的T~2统计量进行重构,获得了主元子空间中T~2统计量的故障可重构性理论条件,提出了具体的故障识别指标和诊断算法,解决了基于主元子空间故障重构技术的故障诊断问题,弥补了Dunia等人的方法只在残差子空间中讨论故障重构与识别问题。通过对双效蒸发过程的仿真监控,表明了所获得的理论条件、故障识别指标和诊断算法能对传感器故障和过程故障进行有效地识别,证实了所获理论、识别指标和诊断算法的有效性。     

基于数据变化率和重构贡献图的微小故障诊断方法

针对复杂工业过程的微小故障诊断问题,提出一种数据预处理与重构贡献图相结合的故障诊断方法;为了克服非高斯分布数据对故障检测准确性的影响,通过基于数据变化率的方法对样本原始数据进行预处理后,可以有效地检测过程变量的微小故障,以此建立故障诊断主元分析模型;检测出系统故障后,为了提高故障辨识准确度,采用一种平均残差差值重构贡献图的方法对故障进行辨识;通过正常样本数据和故障数据在残差子空间中的投影,获取两个数值的残差差值向量,计算重构贡献值来确定故障变量;以田纳西-伊斯曼(TE)过程为对象进行了故障诊断仿真实验,并与传统贡献图和重构贡献图方法的辨识准确率相比较,结果表明所提方法具有良好的故障诊断性能。     

基于故障重构的故障识别

针对基于主元分析(Principal Component Analysis,PCA)的统计过程性能监测法,尽管不依赖于精确的数学模型,然而却限制了其在故障诊断方面的能力问题,在故障重构技术的基础上,研究了基于统计量的故障诊断问题,获得了主元子空间中故障可重构性的理论条件,提出了故障识别指标和诊断算法.通过对双效蒸发过程...     

基于小波包分形的瓦斯传感器故障诊断方法

针对瓦斯传感器的故障诊断问题,提出一种基于小波包分形的瓦斯传感器故障诊断方法。使用3层小波包对故障信号进行分解和重构,获得不同频带的重构信号,计算各个重构信号的分形维度,并构成对应的故障特征向量。以此作为输入向量来训练支持向量机（SVM）,完成故障的诊断。实验结果表明：该方法能有效地提取传感器的故障特征,提高了传感器故障诊断的准确率,可有效地应用于瓦斯传感器的故障诊断。     

基于二次奇异值分解和VPMCD的故障诊断方法

奇异值分解( SVD)在信号分析时需限定主特征值的数量,影响了故障识别的准确性。为此,提出一种新的故障诊断方法。利用奇异值曲率谱自适应选择有效的奇异值进行信号重构,对重构信号实现二次SVD处理,产生相同数量的正交分量,然后求解各正交分量的能量矩,构造特征向量,并采用变量预测模型的分类识别方法分析特征向量,从而建立故障识别模型。将该方法应用于实际轴承的故障诊断,实验结果表明,轴承在正常和故障状态下,该方法的综合识别精度达到97.5%,高于常规基于SVD和支持向量机的方法8.75%。     

基于小波包能量熵的航空发动机突发故障诊断

为了提高飞机发动机突发故障的诊断正确率,提出了将混合采样法和SVM相结合的突发故障诊断新方法.首先利用小波包多分辨率分析特性进行故障特征提取;然后采用混合采样法对提取的少数类突发故障样本特征进行优化重构,使少数类突发故障样本数量和其他类样本数量趋于平衡;再利用SVM构造多分类器对正常与多种故障状态进行分类.通过发动机转子试验台所采集的数据,对该故障诊断方法进行了验证研究.结果表明,该方法能有效识别发动机叶片断裂和吸入异物两类突发故障,且算法简单,故障分类识别效果好.     

基于小波包分形的电力电子故障诊断方法

针对现有电力电子故障诊断的问题,提出了一种基于小波包分形的电力电子故障的诊断方法.首先使用3层小波包对电路输出电压波形进行分解、消噪和重构等预处理,以获得不同频带的重构信号,然后再计算各个重构信号的分形维度,提取出相应的故障特征;最后以此作为输入数据来训练支持向量机,实现电力电子故障的诊断.以三相整流电路为例进行实验,实验结果表明该方法能有效地提取电力电子故障诊断的故障特征,提高故障诊断的准确率,可有效地应用于电力电子系统的故障诊断.     

水下机器人软件可靠性及故障诊断方法研究

针对于智能水下机器人在软件系统故障诊断过程中广泛存在的不确定性和复杂关联性,采用改进的软件FMEA方法,对AUV智能规划决策控制系统进行了可靠性分析和研究,在总结了AUV主要软件故障模式的基础上,提出了一种基于FMEA的三层贝叶斯网络诊断模型。通过贝叶斯网络的推理机制,分别对单一故障和复合故障进行了推理实验。实验结果表明,采用上述方法能有效地提高水下机器人系统软件可靠性以及故障诊断能力。     

基于蚁群优化神经网络的AUV舵的故障诊断

针对流线型AUV舵故障,提出了基于Elman神经网络的故障诊断方法。基于蚁群算法优化改进型Elman神经网络,建立了AUV角速度运动模型,通过蚁群算法和梯度下降法对改进型Elman神经网络训练的对比分析,验证了蚁群算法优化的改进型Elman神经网络具有训练速度快,不易陷入最优解等特点。提出了基于角速度残差检测舵故障,再通过定角度航行和定速直航的主动诊断方式,判定舵故障类型的故障诊断方法,探讨了基于角速度残差和角度残差的变化趋势来诊断舵卡死和舵变形故障的故障决策方法。对流线型AUV的舵变形及舵卡死故障进行了水池模拟实验,实验结果验证了所提方法的有效性。     

基于决策树和相关向量机的智能故障诊断方法

针对故障诊断面临的故障样本少、非线性强、多故障处理等问题以及传统智能诊断方法存在的不足,提出了一种基于决策树（DT）和相关向量机（RVM）的智能故障诊断方法。通过构造决策二叉树,将多类分类问题分解成多个二类分类问题;在各个决策节点,利用RVM进行二类分类,从而实现RVM的多类分类。理论分析及仿真结果表明,相比支持向量机,新方法在保持高诊断正确率的同时具有更高的稀疏性和诊断效率,并且能够提供概率式输出,更具实用价值;相比OAR-RVM和OAO-RVM方法,新方法节省了训练时间,具有更高的训练效率。     

主成分分析和超限学习机的模拟电路故障诊断

为提高模拟电路故障诊断特征信息提取的完整性,实现故障模式分类的准确性,达到网络训练测试的快速性,提出了一种基于主成分分析（Principal Components Analysis,PCA）和极限学习机（ELM）相结合的模拟电路故障诊断新方法。在OrCAD16.3中通过设置仿真模拟电路元器件参数及其容差,获得电路各状态的MonteCarlo样本数据,经PCA降维提取特征信息以获得最优的特征模式,继而采用ELM对故障进行分类识别。以Sallen-Key带通滤波器电路为实例进行仿真研究,结果表明该方法具有特征提取效果好,神经网络训练学习速度快,故障诊断效率高,泛化性能好等特点。     

基于稀疏主元分析的过程监控研究

主元分析（principal component analysis）是一种多元统计技术,在过程监控和故障诊断中具有广泛的应用。针对过程监控中数据量大的特点,提出一种稀疏主元分析（sparse principal component analysis）方法,通过引入lasso约束函数,构建稀疏主元分析的框架,将PCA降维问题转化为回归最优化问题,从而求解得到稀疏化的主元,并提高了主元模型的抗干扰能力。由于稀疏后主元相关的数据量减少,利用数据建立过程监控模型,减少了计算量,并缩短了计算时间,进而提高了监控的实时性。利用田纳西伊斯特曼过程（TE processes）进行实验仿真,并与传统的主元分析方法进行对比研究。结果表明,新提出的稀疏主元分析方法在计算效率和监控实时性上均优于传统的主元分析方法。     

两种优化训练的FNN在船舶柴油机故障诊断中的性能研究

本文针对船舶柴油机故障诊断系统,基于遗传算法（genetic algorithm,GA）和蚁群优化算法（ant colony optimization algorithm,ACOA）构造了2种优化训练的模糊神经网络（fuzzy neural network,FNN）智能故障诊断模式,给出了该模糊神经网络智能故障诊断系统的结构及其参数选取方法,通过对船舶柴油机燃烧子系统的FNN模型结构权值和阈值优化训练的故障诊断仿真研究,对两种方式的性能进行对比研究,仿真测试结果表明,基于ACOA的诊断模型具有更好的故障诊断知识表达准确性和较快的收敛速度等特点,具有较好的应用前景。     

基于DCT和GA-SVM的轴承故障诊断

针对轴承故障振动信号特点,提出一种基于离散余弦变换(DCT)、遗传算法(GA)和支持向量机(SVM)的轴承故障诊断方法.利用DCT的能量聚集性在广义频域建立原始特征向量集,运用GA以SVM的最低分类错误率为目标函数建立故障特征向量集,使用SVM完成轴承故障诊断.分别对轴承内圈故障、外圈故障、滚动体故障进行故障诊断,结果表明,该方法能够准确诊断轴承故障.     

结合OCSVM的模拟电路故障诊断方法

基于支持向量机的传统模拟电路故障诊断方法对新故障无检测能力,且可扩展性较差。针对该问题,提出结合一类支持向量机(OCSVM)和多类支持向量机(MCSVM)的故障诊断方法。该方法采用OCSVM对故障数据进行检测和初步分类,采用MCSVM提高分类性能,以弥补OCSVM分类能力的不足。对OCSVM算法进行改进,以提高其检测和分类性能。通过模拟电路故障诊断实验验证OCSVM改进算法和联合故障诊断方法的有效性。     

SVR结合小波变换的SUH传感器故障诊断

针对微小型无人直升机故障多、采样难且精确建模难度大的特点,将回归型支持向量机（SVR）引入到微小型无人直升机机载传感器的故障诊断中,提出了一种将SVR与离散小波变换（DWT）相结合的微小型无人直升机传感器故障检测与分离方法。利用回归型支持向量机（SVR）具有自学习和非线性映射能力强的特点,建立基于SVR的残差生成器并利用残差检测故障。在此基础上,利用小波变换实现对故障的隔离与定位。实验结果表明,将SVR与DWT相结合进行微小型无人直升机机载传感器的故障诊断是行之有效的。     

基于主元分析的桥梁挠度传感器故障诊断研究

主元分析(PCA)是一种典型的数据降维的多元统计方法,已被越来越多地用于故障诊断。将PCA应用在桥梁挠度传感器故障诊断。介绍了PCA的理论,研究了基于PCA的故障检测方法和基于贡献率的故障诊断方法。计算平方预测误差(SPE)和Hoteling T2统计,当统计量超过阈值时,判断系统出现了传感器故障,然后通过SPE贡献图判断故障源。通过仿真验证了PCA在故障诊断的实用性,但结果也表明:PCA对小故障不是很敏感。