基于分层式证据推理的信息融合故障诊断方法

针对基于信息融合的故障诊断方法中,诊断证据的精细化获取问题和在线诊断信息量受限问题,提出分层式的证据推理(ER)诊断方法.在诊断证据获取过程中,给出故障特征参考值投点方法,按比例求取特征样本点对相邻参考值的相似度,生成点值型参考证据矩阵(REM)和在线故障特征样本的诊断证据,实现了诊断信息的精细化提取;在证据融合过程中,设计分层式ER融合模型.第1层融合中利用k-NN算法找到在线样本的近邻历史样本,然后利用ER规则实现在线样本与近邻历史样本对应证据的融合.在第2层融合中,将多个特征源提供的第1层融合结果再次融合,并根据两层融合所获证据进行故障决策;此外,在分层融合模型中,根据证据之间的欧氏距离构造目标函数及相应的证据重要性权重优化方法.最后,在多功能电机转子试验台上实施了故障诊断实验,与已有单层ER模型诊断结果进行比较,说明所提方法通过提升诊断证据的精确性、增加历史样本扩充诊断信息量,能够有效提升确诊率.     

基于多故障模糊组的序贯多故障诊断方法

由于系统复杂性的显著提高,多故障发生的概率也逐渐增大;针对多故障诊断的困难性,提出一种序贯多故障诊断算法;算法以构建的单故障诊断树为基础,利用集合划分思想和多故障模糊组,并根据信息熵理论实现测试选择,逐渐扩展单故障诊断树,最终得到多故障诊断树;最后的系统实例详细阐述了序贯多故障诊断算法的应用过程,生成了多故障诊断树,可以有效地实现对系统多故障的检测.     

基于指定元分析的多故障诊断方法

为了克服传统主元分析(Principal component analysis, PCA)因模式复合现象而无法进行多故障诊断和诊断结果难以解释的不足, 本文引入指定元分析(Designated component analysis, DCA)的思想, 建立DCA多故障诊断理论的空间投影框架, 从而把异常检测问题转化为将观测数据向故障子空间投影后投影能量的显著性检测问题. 在确定系统存在异常的情况下, 再将观测数据向故障子空间中各故障模式方向分别进行投影, 根据投影能量的显著性进行多故障诊断. 并利用正交补空间构造法证明了基于非正交模式指定元分解形式的可行性和收敛性, 建立了一种逐步DCA多故障诊断方法以解决指定模式非正交情况下的多故障诊断问题. 包含5种共存故障的观测数据的仿真研究验证了新方法的有效性.     

基于支持向量机故障诊断方法

支持向量机是一种基于统计学习理论的机器学习算法,它能在训练样本很少的情况下达到很好的分类效果.本文以双螺杆挤出机为例,介绍了基于支持向量机的多故障分类器,探讨了"成对分类"与"一类对多类"两种多类分类算法的应用.诊断实例表明,基于支持向量机的多故障分类器对设备故障具有很好的分类效果.     

一种数据驱动的多故障诊断方法研究

结合统计建模与物理建模的指定元分析(DCA)有效地避免了主元分析的模式复合问题,从而能用来进行多故障诊断。针对非正交指定模式的处理问题,基于模式分组思想给出一种逐步DCA多故障诊断法,把常见变化模式分为几个正交模式组,然后关于各组指定模式,分别对所得观测数据阵或上一步DCA所得残差矩阵做DCA,逐步诊断各组中的故障是否发生。针对包含6种共存故障的观测数据的仿真研究表明,逐步DCA多故障诊断算法可有效地进行多故障诊断,且无需人为解释诊断结果的物理意义。     

基于DPCA和改进证据理论的融合式故障诊断

为了利用同一设备的多源特征信息提高故障诊断的准确性,提出了一种基于动态主元分析法（DPCA）和改进证据理论的融合式故障诊断方法。该方法利用DPCA在多个层面对设备故障特征诊断构成多证据体,基于统计误差的证据权威性系数修正基本指派概率,提出了证据的时间权威性换算和冲突度的加权分配方法,改进了证据组合规则。实验结果表明,多信息源证据体的加权融合处理能够明显降低单一信息源诊断间的冲突,在融合可信度提高50%左右的同时不确定性大大降低,并且随着证据权威性的下降,诊断结果基本未受影响,该方法可以有效提高故障诊断的准确率。     

基于信息增量矩阵的故障诊断方法

主元分析(Principal component analysis, PCA)是一种常用的故障检测方法,由于特征提取不准确, 在用于故障诊断时常存在误报率和漏报率较高的现象.为此,本文首先介绍了基于全局的协方差矩阵的信息增量矩阵的故障诊断方法,虽然相比PCA方法它能有效减少误报率和漏报率, 但随着采样样本的增加,会因计算得到的阈值越来越不具代表性和计算量较大等原因而影响该方法的性能.然后,建立了基于局部数据的移动窗口协方差矩阵的信息增量矩阵的故障诊断方法, 以克服上述方法中存在的不足. 该方法主要通过定义局部协方差矩阵、局部信息增量矩阵、局部信息增量均值、 局部动态阈值、异常检测与判定等过程完成.最后,通过两个数值仿真例子来验证PCA方法、 基于全局的协方差矩阵的信息增量矩阵方法以及本文方法在故障误报和漏报方面的检测效能. 实验结果表明,本文方法具有最好的检测性能.     

基于PCA和神经网络的故障诊断技术

提出一种基于PCA和神经网络的故障诊断/识别方法,利用主元分析法提取故障样本集的主元,实现故障样本的最优压缩,简化故障诊断中神经网络分类器的结构,提高神经网络的分类速度和测试精度。仿真结果表明,该方法可以有效减少输入层神经元个数,提高神经网络模型的学习效率和诊断的准确性,具有良好的故障识别能力。     

基于ICA-PCA的化工流程仪表故障诊断

传统的多元统计过程控制(MSPC)的故障诊断方法要求观测变量数据服从高斯分布,然而实际化工流程中的仪表数据中难以满足这一要求。针对这一问题,提出在仪表数据中提取分离出非高斯信息和高斯信息,并分别利用独立元分析法和主元分析法建立不同的故障诊断模型。在检测到发生故障后,通过改进的贡献度算法定位出发生故障的仪表。通过对Tennessee Eastman(TE)过程数据进行仿真研究,验证了ICA-PCA故障诊断法在化工流程仪表不同故障诊断中的有效性。     

基于DSmT与粒子滤波的多传感器融合

为实现多传感器对机动目标状态的跟踪,提出一种基于DSmT与粒子滤波的多传感器融合算法。在各传感器利用粒子滤波方法处理观测数据的基础上,运用DSmT作为融合工具,将观测数据转化为辨识框架内的元素及其mass值,得到最终融合结果。实验结果表明,该方法可减小距离误差,提高跟踪精度,且运算复杂度能满足在线实时融合的要求。     

一种非线性系统被控对象故障诊断方法

控制系统中的传感器、执行器和被控对象的故障检测与诊断往往是把执行器和被控对象视为一个整体来研究, 这不利于故障的决策与处理. 对此, 设计了非线性系统故障诊断的滑模观测器, 提出一种诊断被控对象故障的方法, 即对非线性系统和执行器同时进行观测, 根据两观测器残差的变化情况判断出非线性系统中传感器、执行器和被控对象故障. 最后以单输入单输出非线性系统为例进行仿真, 验证了该方法的有效性.

     

基于参数估计的一类非线性系统故障诊断算法

针对系统模型的不确定性、未知输入扰动和非线性特性, 提出一类非线性系统参数估计的故障诊断算法. 构造系统故障诊断观测器, 采用Lyapunov 稳定性定理验证观测器的稳定性, 通过Barbalat 引理证明满足故障诊断观测器为渐近稳定的表征故障参数的参数估计, 并总结了设计算法流程. 仿真结果表明, 所提出算法具有快速收敛性, 对一类非线性系统诊断效果较好.

     

基于关联规则的电网故障诊断解析方法

针对电网故障诊断解析模型存在多解和误诊问题, 提出一种基于关联规则的电网故障诊断解析方法, 并通过解析保护和断路器动作及告警信息的不确定性, 构建诊断的评价指标. 利用解析方法获得故障的完备诊断, 进而基于各类不确定性事件概率, 采用评价指标从完备的诊断集合中求取最优诊断. 故障诊断算例验证了所提出方法的有效性.

     

基于自适应未知输入观测器的非线性动态系统故障诊断

针对以往故障诊断研究中要求故障或故障导数及系统干扰的上界是已知的不足,以及难以同时诊断执行器故障和传感器故障的问题,提出一种自适应未知输入故障诊断观测器,能够同时重构非线性动态系统的执行器故障和传感器故障.首先,利用H_∞性能指标抑制未知输入对故障重构的影响,采用Lyapunov泛函得到观测误差动态系统的稳定性;然后,通过线性矩阵不等式求解观测器增益阵,并实现故障重构;最后,通过直流电机系统的仿真验证了所提出方法的有效性.     

基于PI 观测器的奇异摄动系统故障诊断和最优容错控制

针对线性奇异摄动系统, 提出一种基于PI (proportional integral) 观测器的故障诊断和最优容错控制方法. 基于奇异摄动系统相关理论和矩阵变换技术, 给出PI 全维观测器存在的条件, 该观测器可以观测系统的快慢状态和故障系统的状态. 在估测到系统状态的基础上进一步考虑最优性, 应用最优控制理论, 设计状态反馈控制器, 提出基于PI 观测器的故障诊断器和最优容错控制器的设计方法. 最后的数值算例验证了所提出方法的可行性和正确性.

     

基于观测器的离散时滞系统的故障诊断

研究含有测量时滞的线性离散系统的故障诊断问题,提出一种测量时滞的无时滞转换方法和基于降维状态观测器而不利用残差体现故障的故障诊断方法.首先通过构造一个含有故障状态的增广系统和进行测量时滞的无时滞转换,将时滞系统的故障诊断问题转化为无时滞增广系统的状态观测问题;然后给出了其诊断误差能按预先指定的指数速率趋于零的故障诊断器的设计方法.仿真算例验证了该方法的可行性和有效性.     

基于多信号模型和盲源分离的复合故障诊断方法

利用多信号模型可简明表征系统因果关系以及盲源分离算法可提取系统本源信息的特点, 提出一种新颖有效的复合故障诊断方法. 首先, 针对复合故障下多信号模型出现冗余测试和故障模糊组的情况, 应用盲源分离算法实现测点信息的盲分离, 基于盲信号重建多信号模型的因果结构; 其次, 理论分析了该方法对复合故障具有良好的可诊断性. 轧制过程AGC系统的实验结果表明, 所提出方法对双复合故障和部分多复合故障的隔离和定位准确率可达100%.

     

基于改进马氏距离的模拟电路故障诊断新方法

提出一种基于改进马氏距离的模拟电路故障诊断方法. 根据被测电路的拓扑结构进行可测性分析, 利用测试矩阵确定规范模糊组, 从而得到单故障假设下的可分潜在故障元件. 将马氏距离根据模拟电路的特性作出改进, 并应用于模拟电路潜在故障元件的诊断. 利用测点特征值的改进马氏距离对潜在元件进行划分, 减少可疑故障元件的类别, 在诊断分类时达到提高速度的效果. 实验表明, 所提出的方法对模拟电路软故障诊断速度较快, 具有较好的模拟电路故障诊断测试效果.

     

基于证据推理的联合故障检测方法

针对卡方故障检测方法对软故障的检测性能较差, 甚至会导致滤波器发散的问题, 提出一种基于证据推理的联合故障检测方法. 将组合导航中的各子滤波器作为证据, 利用每个子滤波器的状态及协方差构造联合故障检测函数, 并利用联合故障检测函数的概率分布计算基本置信指派, 再将多个证据按D-S 规则进行融合, 根据融合结果进行故障检测. 仿真结果表明, 所提出的方法对硬故障的检测性能与卡方故障检测性能相当, 但对软故障的检测性能要优于卡方故障检测, 可提高组合导航系统的可靠性和精度.

     

基于敏感稀疏主元分析的化工过程监测与故障诊断

提出敏感稀疏主元分析(SSPCA) 算法用于监测复杂的化工过程. 根据主元分析与数据矩阵奇异值分解之间的关系, 通过将??_2,1 范数作为目标函数和惩罚项得到一个获取稀疏主元负载的凸优化问题, 并通过一个迭代算法进行求解. SSPCA 算法能同时兼顾大得分主元与小得分主元在监测算法中的作用, 提高了其对故障的敏感度. 证明了SSPCA 算法的单调性和全局收敛性, 对田纳西伊斯曼过程一个算例的监测结果表明了SSPCA 算法的有效性.