基于BP神经网络的炼钢转炉轴承故障诊断系统

轴承故障的及时诊断非常重要,鉴于传统的故障诊断方法对多征兆故障的情况难以准确定位,提出了基于BP神经网络的故障诊断方法。该方法利用BP神经网络对炼钢转炉耳轴轴承运转时的典型故障和信号进行学习与分析,设计了一个具有多征兆故障分析和数据管理等功能的故障诊断系统。该系统经过一年多的现场实际运行,效果良好,证实此方法可靠,易于推广。     

轴温分析软件现存不足及补充

机车轴承温度是关系到列车安全、正点运行的重要因素。轴温检测软件把机车轴承温度监测报警装置所监测得记录数据,通过IC卡转储到地面的计算机,对相关数据进行处理。但目前所用客车轴温数据分析系统,只分析报警数据,不足以判断出轮对轴承状态的好坏。本文针对目前轴报分析软件存在的不足,探讨如何改进和完善轴报分析工作。     

管道泄漏计算机在线检测系统及其算法实现

设计了管道泄满计算机在线检测系统的总体结构，提出了一种基于工况分析的逻辑判决故障检测算法，当输油管道工作状况不断发生改变时，这种方法能够动态估计管道运行数据的正常值范围，很好地解决输油管道泄漏的故障检测问题，结合GPS技术和负压波定位算法，大大提高了报警准确性和定位精度，现场测试结果和实际工业应用证明了该方法的有效性。     

基于数据驱动的CRH高速列车悬挂系统早期故障检测

作为CRH(China railway high-speed)高速列车的重要组成部分,悬挂系统的可靠性对列车的安全运行和乘坐舒适性具有重要意义,为此,利用悬挂系统传感器数据,提出一种基于数据驱动的早期故障检测方法.首先,根据系统动态搭建列车悬挂系统Simpack模型,其中作动器的主动控制力作为系统输入,轨道不平顺由不平...     

基于多块相对变换独立主元分析的故障诊断方法

针对复杂工业过程中故障诊断技术存在数据可分性差、噪声干扰、故障定位困难的问题,提出一种基于多块相对变换独立主元分析(MBRTICA)的故障诊断方法.为了使所提取的故障特征具有可分性,采用相对变换原理与FastICA算法融合的方式构建相对变换独立主元分析方法(RTICA)用于检测故障的发生.通过引入多块理论,将高维数据分成多个子块单元,并在每个子块单元内分别进行RTICA处理,确定故障发生的位置.最后用电主轴轴承裂纹故障的实验对所提方法进行验证,实验结果表明,基于MBRTICA的故障诊断方法可提高数据的可分性,能够有效减少噪声,同时提高故障检测的精度, 实现故障定位功能, 全面地对故障进行分析.     

基于时变模型辨识的高速列车复合故障诊断

高速列车信息控制系统因运行条件异常变化或操作不当会造成电机警告级高温、电机电流异常变化、电机转子断条以及气隙偏心等运行故障.这些随机发生的复合故障会影响速度等级和牵引力/制动力的调节,且难以采用基于单故障诊断方法建模故障与速度的关系,以及诊断报警等级.对此,提出一种基于Takagi-Sugeno(T-S)时变模型辨识的高速列车复合故障诊断方法.首先,采用多元统计检测指标离线辨识故障阈值并建立复合故障时变模型;然后,借助模糊聚类算法辨识故障特征值集合,利用模糊加权最小二乘法在线估计故障幅值并进行参数收敛性分析.最后,设计故障分离机制以刻画不同故障模式的报警等级并给出稳定性分析.基于CRH5G型高速列车实际运行数据的仿真结果验证了所提出方法的有效性.     

一种基于深度迁移学习的滚动轴承早期故障在线检测方法

近年来, 深度学习技术已在滚动轴承故障检测和诊断领域取得了成功应用, 但面对不停机情况下的早期故障在线检测问题, 仍存在着早期故障特征表示不充分、误报警率高等不足. 为解决上述问题, 本文从时序异常检测的角度出发, 提出了一种基于深度迁移学习的早期故障在线检测方法. 首先, 提出一种面向多域迁移的深度自编码网络, 通过构建具有改进的最大均值差异正则项和Laplace正则项的损失函数, 在自适应提取不同域数据的公共特征表示同时, 提高正常状态和早期故障状态之间特征的差异性; 基于该特征表示, 提出一种基于时序异常模式的在线检测模型, 利用离线轴承正常状态的排列熵值构建报警阈值, 实现在线数据中异常序列的快速匹配, 同时提高在线检测结果的可靠性. 在XJTU-SY数据集上的实验结果表明, 与现有代表性早期故障检测方法相比, 本文方法具有更好的检测实时性和更低的误报警数.     

基于动态内部主元分析和隐马尔科夫模型的动态过程故障检测与分类方法

随着工业生产过程的扩大,保证生产过程的安全平稳高效运行日益受到重视.因此,对工业过程进行及时有效的监测与故障诊断具有重要意义.一般而言,工业过程采集的数据具有较强的动态性,有效提取数据中的动态信息并进行分析极其重要.本文基于动态内部主元分析(DiPCA)进行动态性分析并结合隐马尔科夫模型(HMM),提出了一种新的故障诊断框架,实现了动态过程故障检测与故障分类.首先,利用DiPCA算法提取正常工况下数据的动态特征;然后,利用HMM能够有效处理时序数据的特点,对所提取的动态特征进行建模,构建了动态过程的故障检测框架;并利用HMM强大的模式分类能力,对故障数据进行建模,实现故障的分类;最后,将提出的方法用于田纳西–伊斯曼过程,验证了该方法的有效性与优越性.     

轴承在线早期故障检测的无监督张量深度迁移学习方法

基于张量分解可有效挖掘信号高维本质信息的优点,提出一种无监督张量深度迁移学习方法.首先,构建基于张量表示的深度多任务异常检测模型,利用核心张量构建单分类异常检测规则表示,并建立超球规则适配机制,交替优化张量分解和域无关特征提取,以实现异常检测规则在离线轴承和在线目标轴承间的有效传递,完成在线无标记数据的异常检测;其次,提出一个基于异常概率贯序累积的非参数报警阈值设定方法,可在仅设定误报警率置信度的条件下自适应选择在线阈值,并给出该阈值合理性的理论分析.在IEEE PHM Challenge 2012轴承数据集上进行实验,结果表明,所提出方法可获得更好的检测实时性和更低的误报警数,为早期故障检测提供一种具有易部署性和鲁棒性的解决方案.     

基于动态高效潜结构投影的质量相关故障检测

高效潜结构投影(EPLS)算法是一种反映过程变量与质量变量相关关系的多变量统计分析方法,在质量相关故障检测中具有良好的检测效果.然而EPLS算法是一种静态检测模型,不能反映实际工业过程或装备测试中的动态特性,对动态过程中质量相关故障的检测率较低.为此,本文提出了一种基于自回归移动平均模型(ARMAX)的动态高效潜结构投影(D–EPLS)检测算法.该算法首先基于输入时滞值构建增广矩阵,反映工业以及装备测试过程中的动态特性;然后将增广矩阵分解为质量相关和质量无关空间分别进行故障检测;最后通过数值仿真和田纳西伊斯曼过程(TEP)验证算法有效性.实验结果表明所提算法能够更好的适应动态过程,并全面提高了质量相关故障的检测率.     

基于主成分分析和奇偶向量的动态检测方法

导航系统中冗余IMU传统故障检测方法由于数学模型过于复杂,计算量大,存在较大延时,难以实现实时故障检测,而主成分分析法仅仅应用于静态情况下的故障检测与隔离,针对主成分分析法无法在动态情况下对冗余IMU进行故障检测的缺点,提出了一种基于奇偶空间法改进主成分分析的故障检测算法,该方法利用奇偶向量隔离车辆的动态变量,以消除动态变量对故障检测的影响,再用PCA方法检测数据以实现对车辆传感器信息的实时检测,通过将原始数据集转置到特征平面来形成图案,实现了IMU传感器正常与故障模式的准确分离,提高了冗余IMU故障检测的结果精确性和可靠性。实验结果表明,该方法能够较好检测动态状态下冗余IMU的故障,提高了主成分分析的故障检测性能,可有效消除导航系统运动的负面影响。     

基于SαS分布参数估计的系统鲁棒故障检测

因为复杂系统难以建立精确的数学模型,基于模型的故障检测方法在实际复杂控制系统中应用时往往难以获得很好的效果。针对这类数学模型未知的非线性系统,提出了一种基于SαS分布参数估计的系统故障检测方法。首先应用预测方法对系统输出序列进行预测建模,利用预测误差放大信号的脉冲突变,然后利用SαS分布的参数估计方法对预测误差序列的参数α进行估计,获得α的变化曲线,根据α的变化可以直观地判断出故障的发生。该方法对大幅值的有色噪声污染的信号仍然有很好的检测鲁棒性。以轴承系统的故障检测为例进行仿真实验,通过分析轴承振动信号故障条件下α曲线的变化情况,判断轴承的故障状态。仿真结果证实了该方法有效且可行。     

动态内全潜结构投影的空间扩展故障检测方法

动态内偏最小二乘(DiPLS)方法是基于数据驱动的潜结构投影的动态扩展算法, 用于动态特征提取和关键 性能指标预测. 在大型装备系统中, 传感器采集的当前时刻样本受历史样本的影响且可能包含较大噪声. 在动态特 征提取中, 因DiPLS算法未按降序提取主成分, 导致残差空间仍存在较大变异, 动态和静态信息难以有效分离, 影响 故障检测性能. 为此, 本文提出了一种基于动态内全潜结构投影的故障检测方法(DiTPLS). 首先, 使用动态内偏最小 二乘方法和向量自回归模型建立动态模型并检测故障, 用于捕捉质量相关动态信息; 基于结构化动态主成分分析 算法建立一种改进的动态潜在变量模型, 用于残差分解, 提取质量无关的动态信息和静态信息, 并构造合适的统计 量进行故障检测. 数值仿真和田纳西–伊斯曼过程实验验证了DiTPLS算法的有效性.     

ANN- and ANFIS-based multi-staged decision algorithm for the detection and diagnosis of bearing faults

Condition monitoring of roller element bearing defects has been one of the biggest problems in predictive maintenance since bearing failures may give catastrophic results on the machining operations and may cause downtime. Two of the well-established and widely used methods for bearing fault detection and diagnosis are the artificial neural network (ANN) and adaptive neuro-fuzzy inference systems (ANFIS). For this aim, a multi-staged decision algorithm was developed in this study based on ANN and ANFIS models. Both time and frequency domain parameters extracted from the vibration and current signals were used to train the ANN and ANFIS models, which were then used to detect and diagnose the severity of the bearing fault. Experimental data collected from a shaft-bearing mechanism were used to test the performances of the two schemes. The system was operated under four different speeds, for a brand-new bearing and bearings with artificially introduced local defects with various sizes. The experimental results showed that the proposed scheme is an effective means for detecting and diagnosing bearing faults. Furthermore, the results revealed that ANFIS-based scheme was superior to the ANN-based one especially in diagnosing fault severity.

     

A particle filter driven dynamic Gaussian mixture model approach for complex process monitoring and fault diagnosis

Complex non-Gaussian processes may have dynamic operation scenario shifts so that the conventional monitoring methods become ill-suited. In this article, a new particle filter based dynamic Gaussian mixture model (DGMM) is developed by adopting particle filter re-sampling method to update the mixture model parameters in a dynamic fashion. Then the particle filtered Bayesian inference probability index is established for process fault detection. Furthermore, the particle filtered Bayesian inference contributions are decomposed among different process variables for fault diagnosis. The proposed DGMM monitoring approach is applied to the Tennessee Eastman Chemical process with dynamic mode changes and the results show its superiority to the dynamic principal component analysis (DPCA) and regular Gaussian mixture model (GMM) in terms of fault detection and diagnosis accuracy.     

基于分层分块DLPPCA-SVM的复杂工业过程监测与故障诊断方法

针对工业过程动态性及非线性强等特点,提出一种基于动态局部保持主成分分析法的过程监测方法.该方法通过构造扩展矩阵来解决动态过程中各采样点间相关性强的问题,并将局部保持投影(LPP)与主成分分析法(PCA)相结合从而实现提取流形结构的最大方差信息.在此基础上,针对复杂工业过程变量复杂多变、呈不同特性的特点,提出基于分层分块DLPPCA-SVM(dynamic locality preserving principal component analysis-support vector machine, DLPPCA-SVM)的过程监测及故障诊断方法,该方法针对不同特性的子块分别采用DLPPCA和PCA进行建模,并利用支持向量机进行故障诊断.将该方法用于田纳西-伊斯曼(TE)化工过程和发电机组的在线监测和故障诊断,仿真结果验证了所提出方法的有效性.     

基于方差最大化旋转变换的k近邻故障诊断策略

为了提高FD-kNN针对潜隐变量在非线性和多模态过程中的故障检测能力,提出一种基于方差最大化旋转变换的k近邻故障检测与诊断策略。首先,通过方差最大化方法建立旋转变换将原始数据变换到新的正交空间;接下来在该正交空间中执行FD-kNN方法进行故障检测;最后,结合贡献图方法给出基于贡献图的故障诊断策略。通过一个非线性模拟实例,证明方法对潜隐变量故障诊断是有效的;同时,在典型非线性工业过程田纳西过程进行测试,与PCA、FD-kNN和PC-kNN等方法进行对比,实验结果进一步证明了方法的有效性。     

基于灰色预测和KID离群点检测的AUV故障诊断

提高故障诊断能力对于确保水下机器人AUV系统的稳定运行具有重要意义。针对水下机器人推进器系统,提出一种基于离群点检测的AUV故障检测方法。首先,将传感器采集的数据进行灰色预测处理;然后,提出了一种结合K-mean和DBSCAN的改进迭代聚类(Iterative K-mean DBSCAN,IKD)算法进行离群点检测;最后,与K-mean和DBSCAN算法相比,仿真实验结果表明基于灰色预测和KID离群点检测算法的故障检测准确率高,能够有效地实现水下机器人AUV的无监督故障诊断。     

深空探测航天器姿态控制系统故障定位

执行机构与敏感器故障检测与定位是深空探测任务卫星平台可靠运行的前提和保障.本文从数据的角度出发,结合姿控系统工作机理,提出一种基于神经网络和支持向量机结合的故障诊断方法用于检测并定位故障.故障诊断方法分为3步,首先采集姿控系统的状态信息,采用神经网络对闭环姿控系统中未知动态特性建模并进行预测;然后将姿控系统敏感器信号与神经网络预测输出比较生成残差并提取故障特征;最后采用支持向量机辨识残差特征检测故障,并结合运动学特性分析定位故障.仿真结果表明本文所提方法可以有效提取、辨识故障特征,实现执行器与敏感器的故障检测定位.