基于LabVIEW的柴油机失火故障诊断系统设计

针对柴油机工作中的失火故障问题,我们提出并设计了一种基于LabVIEW的柴油机失火故障诊断系统。该系统具有对柴油机进行信号采集、信号特征提取以及故障诊断的功能,能够对柴油机工作状态的检测及诊断。系统中将实验室虚拟仪器环境与故障诊断技术相结合并应用于柴油机失火故障检测与诊断,利用小波分析结合LabVIEW编程开发,使该系统可以对故障信号进行特征提取;系统运用LabVIEW和MATLAB混合编程技术,通过支持向量机实现了柴油机失火故障的诊断识别。工程实践应用表明:该系统可以对柴油机工作状态的测量结果进行显示、处理、存储、分析和判断,证明了系统的正确性和可行性。     

基于PCA-PNN算法的柴油故障诊断研究

为了实现柴油机智能化故障诊断，提出一种基于PCA-PNN算法的柴油机故障诊断方法。该方法兼具主成分分析（principal component analysis， PCA）法降低数据维数和概率神经网络（probabilistic neural network， PNN）法计算速度快、容错率低、稳定性好的特点。利用AVL BOOST软件建立柴油机仿真模型，并进行有效性验证，采集包含12个柴油机故障特征参数的195组样本数据集。故障诊断试验表明：PCA-PNN柴油机故障诊断算法简洁、易于推理，诊断准确率为94.87%、运行时间为0.673 s，准确率更高、诊断速度更快，为探索柴油机智能化故障诊断提供新的技术路径。     

基于LS-SVM的制冷系统故障诊断

为了提高制冷系统故障诊断速度及准确性,提出了基于最小二乘支持向量机(LS-SVM)的制冷系统故障诊断模型,并采用ASHRAE制冷系统故障模拟实验数据进行模型训练与验证.对一台90冷吨(约316 kW)的离心式冷水机组的7类制冷循环典型故障进行了实验.研究结果表明,LS-SVM模型对制冷系统七类故障的总体诊断正确率比支持向量机(SVM)诊断模型、误差反向传播(BP)神经网络诊断模型分别提高0.12%和1.32%;尽管对个别局部故障(冷凝器结垢、冷凝器水流量不足、制冷剂含不凝性气体)的诊断性能较SVM模型的略有下降,但对系统故障的诊断性能均有较大改善,特别是对制冷剂泄漏/不足故障;诊断耗时比SVM模型减少近一半,快速性亦有所改善.可见,LS-SVM模型在制冷系统故障诊断中具有良好的应用前景.     

人工蜂群优化支持向量机的电气故障诊断方法研究

摘要： 电气故障诊断具有重要的实际应用价值,针对电气故障诊断中的支持向量机（SVM）参数选择问题,提出了人工蜂群优化SVM的电气故障诊断模型。首先采用小波分析去除信号中的噪声,并提取特征,然后采用人工蜂群优化算法确定SVM的最优参数,建立电气故障诊断模型,最后通过与其他电气故障诊断模型进行对比实验。结果表明,WA-ABC-SVM可以描述电气设备状态与特征间的变化关系,提高了电气故障的诊断正确率,诊断结果要高于对比模型。     

汽轮机轴系振动在线监测与故障诊断系统

利用LabVIEW虚拟仪器开发平台构建了汽轮机轴系在线监测与故障诊断系统。系统有以下显著特点:小波降噪功能模块利用Matlab小波工具包实现了混合编程,能更好地还原真实信号;HHT分析功能模块以新的信号分析方法为基础,克服了传统分析方法的不足,能使信号分析更准确;模糊诊断功能模块利用最大隶属度原则,根据常见的故障与征兆之间的关系,进行故障的在线诊断。     

基于顺序向前选择算法的制冷系统故障诊断分析

以一台制冷量为90冷t(约316 kW)、制冷剂为R134a的离心式制冷机组为实验对象,从理论上分析该制冷系统的7种典型故障,分析故障征兆与故障间的理论关系,运用基于顺序向前选择(SFFS)算法的封装模型进行特征选择,降低乃至消除特征间的相关度,去除信息冗余,获得不同的能较好表征故障的特征子集.结果显示:运用SFFS算法时选择了22个特征,诊断正确率为89.63%,与原特征集的诊断正确率90.36%基本相当,极大地减少了原特征集的特征数,从64维降为22维;在保证故障检测与诊断正确率的前提下,减少了诊断所需传感器种类和数量,节约了初始投入成本.     

谐小波模糊神经网络应用于旋转机械的故障诊断

根据旋转机械复杂的故障特点，提出了结合谐小波分析、模糊理论和神经网络形成的谐小波模糊神经网络方法，并将其应用于旋转机械的故障诊断，实现了模糊故障诊断。通过计算机实现了全部算法。仿真和试验的结果表明：谐小波模糊神经网络在处理多故障耦合的情况时优势明显，故障诊断正确率高，证明该方法行之有效，为旋转机械的故障诊断提供了理论支持和新方法。图2表3参7     

黑体炉系统故障诊断专家系统实现问题

为了实现黑体炉系统已发故障或潜在故障的快速高效诊断,根据黑体炉系统运行过程特征参数知识表示的模糊特性,建立了多库多层次方式的知识库,并采用黑体炉故障类型诊断的反向推理和故障原因分析及故障消除措施正向推理相结合的混合推理机制设计了总体目标推理和级目标推理相结合的推理机.该系统采用Visual Basic6.0进行编程,在windows xp平台上运行.应用效果表明,黑体炉故障诊断专家系统的预报准确率较高,具有较大的实用性.     

基于多种模型集成学习的制冷系统故障诊断

制冷系统故障可由多种模型进行模拟诊断。为了提高其诊断性能,将包括K近邻模型(KNN)、支持向量机(SVM)、决策树模型(DT)、随机森林模型(RF)及逻辑斯谛回归模型(LR)在内的5种成员诊断器,通过绝对多数投票方法集成为一个集成模型,并采用美国采暖、制冷与空调工程师学会(ASHRAE)故障数据对1台90冷吨的离心式冷水机组进行建模及验证,数据包含制冷系统的7类典型故障及一类正常运行。结果表明:集成模型在所选数据集上总体诊断正确率达到99.58%,较各成员诊断器(94.55%～99.05%)均有显著提升,对正常运行、局部故障及全局故障的诊断性能亦有改善。此外,对比分析了不同集成模型及成员诊断器的诊断性能,从中找到诊断正确率与时间成本最佳的集成模型(99.41%,1.34 s)。可见,集成模型较单一模型性能更佳,在制冷系统故障诊断中具有更好的应用前景。     

动态加权模糊聚类在变压器故障诊断中的应用研究

摘要： 为提高变压器故障诊断准确率,提出了一种基于遗传算法的动态加权模糊C均值聚类算法。该算法使用把聚类中心作为染色体的浮点数的编码方式,染色体长度可变,不同的长度对应于不同的故障聚类数;并使用权值区别不同样本点对故障划分的影响程度。将该算法应用于电力变压器油中溶解气体分析（DGA）数据分析,实现了变压器的故障诊断。经过大量实例分析,并将结果与其他算法进行对比,表明该算法具有较高的诊断精度。     

基于一维密集连接卷积网络的风电齿轮箱智能故障分类

人工智能技术的飞速发展为现代能源装备的精益化故障诊断与健康管理提供了可能。风电齿轮箱由多个齿轮、轴承组成,且长期在变速、变载荷工况下运行,依靠传统的故障特征提取结合机器学习方法进行故障诊断存在精度低、缺乏智能性等缺点。文章提出了基于一维密集连接卷积网络的风电齿轮箱故障分类方法:将原始振动信号直接送入网络模型,经过密集连接、合成连接与卷积运算,匹配对应的故障类型,迭代训练故障分类模型;振动信号输入模型后的分类结果决定所属故障类别。文章所提出的风电齿轮箱故障分类方法具有诊断流程简单、故障识别率高等特点,多工况试验台故障数据验证了该方法的有效性。     

基于深度学习的高压油泵可靠性试验故障分析方法研究

介绍了船用柴油机高压油泵可靠性试验平台的系统架构,开展了对试验数据的清洗处理和基于机器学习的试验典型故障的研究。利用TensorFlow平台对试验中两种典型故障进行原因分析和模式识别,建立高压油泵可靠性试验故障诊断模型。结合柴油机高压油泵可靠性试验中大量反复出现的故障数据进行训练,大大提高了故障诊断模型的准确度,为高压油泵生产研制部门提供应急故障处理方案提供了依据,为实现船舶动力行业智能诊断提供了新的思路。     

Fault diagnosis for a wind turbine transmission system based on manifold learning and Shannon wavelet support vector machine

Fault diagnosis for wind turbine transmission systems is an important task for reducing their maintenance cost. However, the non-stationary dynamic operating conditions of wind turbines pose a challenge to fault diagnosis for wind turbine transmission systems. In this paper, a novel fault diagnosis method based on manifold learning and Shannon wavelet support vector machine is proposed for wind turbine transmission systems. Firstly, mixed-domain features are extracted to construct a high-dimensional feature set characterizing the properties of non-stationary vibration signals from wind turbine transmission systems. Moreover, an effective manifold learning algorithm with non-linear dimensionality reduction capability, orthogonal neighborhood preserving embedding (ONPE), is applied to compress the high-dimensional feature set into low-dimensional eigenvectors. Finally, the low-dimensional eigenvectors are inputted into a Shannon wavelet support vector machine (SWSVM) to recognize faults. The performance of the proposed method was proved by successful fault diagnosis application in a wind turbine's gearbox. The application results indicated that the proposed method improved the accuracy of fault diagnosis.     

基于粗糙集理论的汽轮机组回热系统故障诊断模型

在分析了汽轮机组回热系统现有故障诊断方法无法解决冗余征兆的不足之后,提出了一种基于粗糙集理论的故障诊断模型。该模型从回热系统典型故障模式出发,通过连续征兆属性的离散化建立了故障诊断决策表;利用遗传算法实现了故障征兆属性约简,并提出了结合领域知识的最小约简择优策略,然后通过给出的决策规则约简的基本原则,得到用于故障诊断的决策规则库。在应用该模型进行故障诊断时,用待诊实例的离散化了的故障征兆属性与规则库中的诊断决策规则进行匹配,对返回的诊断决策规则进行综合评价,并得出诊断结论。利用电站仿真机模拟典型故障进行了故障诊断模型的验证,实践表明,该模型可以有效地约简冗余的故障征兆,并具有较好的诊断效果和一定的容错能力。     

隐马尔科夫模型在滚动轴承故障诊断中的应用

为提高滚动轴承故障诊断的精度,提出了一种能够对其故障位置及严重程度进行诊断的方法:首先利用小波分解得到的不同频段的能量作为监测指标向量,并对所有故障的监测指标向量进行归一化处理,采用K-means方法从监测指标向量中提取特征向量,然后利用隐马尔科夫模型对故障进行建模和诊断,在此基础上建立故障定位矩阵,确定故障位置。以美国凯斯西楚轴承实验室的数据为基础,用上述方法能够识别不同故障严重程度,且对故障位置的判定准确率超过90%。     

基于AE-IFCM的轴承故障诊断方法

针对传统模糊聚类（FCM）方法对故障进行聚类的依据是原始数据之间的相似性,在滚动轴承的故障诊断中无法提取轴承数据的深层特征,对于耦合故障、微弱故障等复杂情况下,不同故障的特征难以有效区分,导致故障诊断准确率较低的问题,提出AE-IFCM轴承故障诊断方法。利用自动编码器（AE）网络提取轴承故障的样本特征,再利用改进的FCM（IFCM）进行故障诊断,通过对AE网络提取的抽象特征聚类,不仅可最大限度地利用样本数据,也能降低模型陷入局部极小值的风险。通过在凯斯西储大学轴承故障数据集中的实验表明,AE-IFCM能提高轴承故障诊断的准确性。     

太阳能及空气源热泵复合供热系统故障诊断研究与应用

为确保复杂太阳能热水系统的稳定运行,有必要采集实时运行数据从中获取故障特征信号,通过专家系统进行自动故障诊断。采用故障树分析方法,以太阳能热利用系统典型故障为例构建故障树,求解最小割集,并以此为基础建立诊断知识库;运用正向推理结合人工辅助决策机制进行故障诊断和定位,建立故障诊断专家系统。开发故障诊断软件,并在工程中进行测试,验证故障辨识的准确性。     

基于分层多维故障识别的核电站主管道预警系统研究

为提高对核电站主管道破裂识别的及时性和准确性,提出一种分层多维故障识别方法,建立主管道的预警系统,在事故初期对小破口主管道破裂进行故障定位和故障程度评估,提高核电站的运行安全。根据核电的机理模型、测试和专家经验等综合确定故障集合、征兆集合和各识别规则,在核电模型中人为引入不同故障位置和不同故障程度的小破口主管道破裂,并利用该预警系统进行识别。结果表明,可在事故初期对微小程度的主管道破裂进行准确的故障定位和故障程度评估,为核电站操作人员提供更完整的多维故障识别结果,从而验证了主管道预警系统的有效性和可行性。