煤矿安全监控系统联网报警数据甄别技术

分析了煤矿安全监控系统联网报警数据类型;针对报警数据中真伪数据同存的问题,提出了煤矿安全监控系统联网报警数据甄别技术,介绍了监控设备误报警自动识别,传感器调校、“三闭锁”断电试验数据自动识别,传感器故障数据自动识别,人工实测与传感器监测数据对比分析,面域传感器识别等关键技术;开发了煤矿安全监控系统联网报警数据甄别平台,并通过实例验证了该平台能够提高安全监控系统报警的准确率。     

基于多传感器数据融合技术智能消防报警系统的研究

针对目前市场上的火灾报警系统比较单一,不能保证数据的实时性、准确性和可靠性,设计一种能够弥补以往火灾报警系统缺点的智能消防报警系统。文中主要论述该系统的主要功能,实质性分析多传感器数据融合层次结构,设计研究路线,分析常用数据融合算法在多传感器数据融合中的应用,画出系统模型图,最后总结多传感器数据融合技术在智能消防报警系统中的优点以及应用前景。     

多层传感器故障数据的挖掘模型仿真

多层传感器的故障准确定位对保证各自应用安全至关重要.多层传感器不同于传统的传感器网络,其不同层次的传感器故障的特征差异较大,不同层次传感器之间存在故障特征“断层”问题.传统的基于流数据异常特征识别的多层传感器故障数据的挖掘模型需要明确层次网络故障之间的关联特征,若传感器层次之间的故障特征关联性不强,故障挖掘的阀值就无法固定,产生故障特征无法定位问题,导致误警率较高.提出了一种基于贝叶斯信念网络的多层传感器故障数据的挖掘模型,针对多层传感器故障数据属性多样性的问题,分析了贝叶斯信念网络的结构,搜索一个最匹配待分类故障数据样本的贝叶斯信念网络,通过评估函数评估各个可能的网络结构与样本多层传感器故障数据间的契合度,采集一个最佳样本多层传感器故障数据解,通过“压缩侯选”的贝叶斯信念网络算法,计算样本多层传感器故障数据间的依赖关系,集中扫描最可能是待挖掘数据的变量集,实现故障数据的挖掘.实验结果表明,利用所提模型能够有效提高多层传感器故障数据的挖掘的准确性.     

企业离散式智能设备预测性维护综述

针对智能设备的大量使用且缺乏根据监测大数据进行故障自动分析、判断与处理的问题,研究了基于物联网技术、大数据技术、边云协同技术的智能设备预测性维护框架和模式.提出针对非智能设备安装传感器实现设备智能化的方法.指出边缘计算负责设备工况数据的实时采集、分析,可快速甄别设备故障并实时报警;云计算聚焦同类设备运行海量历史数据的挖掘和分析,形成故障自动预测分析和诊断模式并下载至智能边缘设备.在研究了模型驱动、数据驱动、概率统计驱动、数字孪生和概率数字孪生驱动等故障预测模式后,提出了采用数据驱动的多层级数据融合模式,为制定企业性智能设备维保方案提供借鉴作用.     

基于MSPCA的传感器故障诊断与数据重构

讨论了基于多尺度主元分析的故障传感器数据重构问题。传统的多尺度主元分析方法没有建立故障传感器数据重构模型,在相关传感器信号的所有尺度上建立主元分析模型进行传感器故障诊断的基础上,将主元分析模型的重构结果组合后进行小波逆变换,设计了能够实现故障传感器数据重构的多尺度主元分析模型,从而实现故障传感器的数据重构。最后,利用试车台液氢供应系统的传感器数据仿真了几种典型传感器故障,并对设计模型实现数据重构的实用性和有效性进行了验证。     

电梯运行状态监测与故障远程报警系统研究

针对电梯老龄化致使故障频发的问题,研究电梯运行状态在线监测系统,实现电梯故障远程报警.设计基于Mega微处理器的高性价比嵌入式系统,通过多传感器信息融合的方式,获取电梯运行速度、方向、层站、门开关以及电梯内是否有人等信息.研究电梯故障推理策略,根据电梯状态判断电梯是否正常运行,以及异常状态下的具体故障类型.研制RS485转Ethernet双向数据透明传输模块,建立电梯运行参数采集终端和远程管理平台之间的广域网连接,实现电梯运行状态集中监测和电梯故障自动远程报警.该系统为电梯安全监管提供了技术支撑,实际运行效果良好.     

基于多传感器信息融合技术的防盗报警系统

本文介绍了利用多传感器信息融合技术进行防盗报警的监测系统。文中给出了传感器的选择原则和系统的硬件结构，并讨论了多传感器信息数据融合的几种模型结构。     

用于火灾报警的多传感器信息融合系统

本文提出一种基于分布式多传感器信息融合技术的火灾报系统，该系统采用多个火灾报警传感器，利用经典推理技术中的Ｎｅｙｍａｎ－Ｐｅａｒｓｏｎ准则进行多传感器信息融合，对系统性能数值计算表明，系统的性能明显优于单一报警传感器和采用“与”、“或”逻辑的多功能火灾报警系统。     

铜矿球磨机控制系统PLC改造

针对铜矿球磨机控制系统存在的PLC故障、无报警记录和传感器设置不合理等问题,对整个系统的硬件和软件进行了改造,合理选用传感器,增加了触摸屏用于控制和报警信息显示,完善了系统的安全保护和故障声光报警功能,使系统控制功能更合理,更全面,更安全.     

基于小波包PCA的故障传感器数据重构方法

讨论了基于小波包的多尺度主元分析方法应用于故障传感器数据重构问题。传统的基于小波包的多尺度主元分析在进行传感器故障诊断时没有建立数据重构模型,在相关传感器信号进行小波包分解的基础上,在最佳数的所有节点上建立主元分析模型,将主元分析模型的重构结果组合后再进行小波逆变换,从而实现故障传感器的数据重构。最后,利用试车台液氢供应系统的传感器数据仿真了几种典型传感器故障,并对设计模型实现数据重构的实用性和有效性进行了验证。     

采用编码输入的生成对抗网络故障检测方法及应用

针对传统基于生成对抗网络的故障检测方法中，生成器输入使用随机噪声，不包含训练集中有效信息造成模型检测效果不够理想的问题，提出一种采用编码输入的生成对抗网络故障检测策略。通过引入自编码器，基于最小化重构误差构建隐变量空间，将降维后的隐变量信息作为生成器输入以提升生成对抗网络的训练效果；进一步考虑故障检测方法中基于生成器的统计量计算成本高和对离群点敏感的问题，计算待测样本经编码后的隐变量到训练集隐变量空间中心点的曼哈顿距离，并作为新统计量进行故障检测。将所提故障检测方法用于田纳西伊斯曼过程及实际的磨煤机过程，本文方法较传统生成对抗网络故障检测在田纳西伊斯曼过程上报警率提升了13%，在磨煤机过程上各统计量报警率均得到了显著提升且本文所提统计量将传统方法中针对生成器的统计量大大降低了检测用时，从而验证了方法的有效性和性能。     

电感式接近传感器故障自诊断的研究

故障监测与报警是新一代电感式接近传感器的重要特征。对故障的原因进行了分析 ,阐明了实现诊断的方法     

油浸式变压器热特性在线监测系统的设计

热特性是油浸式变压器运行状态及故障检测的重要依据之一,在线监测变压器的温度及温升对及时发现设备运行异常是有意义的。系统以DS18B20数字温度传感器为基础,设计以单片机处理单元为下位机,GPRS为通信模块,高性能PC为上位机的在线监测系统。实现变压器温度与温升远程实时监测,完成数据显示、测量曲线绘制、音像报警、报表打印、故障记录以及故障分析功能。实验证明该系统能够缩短变压器设备运行的平均故障修复时间(MTTR),延长平均无故障时间(MTBF)。     

约束关联规则技术检测液体火箭发动机稳态过程

采用了一种基于约束关联规则的分类技术的故障检测方法,对液体火箭发动机的稳态过程试车数据进行挖掘的应用实例表明,该方法能够有效地挖掘测量参数和液体火箭发动机工作情况之间的关联关系,有效地检测出液体火箭发动机的稳态过程中的故障。     

RBF在冷轧在线监测与故障诊断中的应用

通过对某钢厂冷轧电气传动系统分析,合理选取检测信号,构建了基于组态的实时在线监测系统,实现实时数据显示、报警、样本数据的存储、数据采集、参数设定等功能。利用MATLAB的Simulink工具构建了冷轧传动中的三相异步电动机故障诊断仿真系统。将RBF神经网络技术应用于冷轧电气传动系统的故障诊断,设计了基于RBF网络的三相异步电动机故障诊断系统。通过对训练好的网络进行验证,证明所设计的诊断方法能够对传动系统中的电动机故障进行很好的预测和判断,具有良好的实际应用前景。     

基于IBA-LSSVM强迫选择模型的民用飞机着陆滑行仪表灯常亮故障关联检测

民用飞机着陆滑行仪表灯是故障检测系统的重要组成部分，因民用飞机在地面滑行过程中，电气接口易受到电磁干扰，引起着陆滑行仪表灯常亮故障，在飞行过程中增加了安全隐患。为此，提出引入IBA-LSSVM强迫选择模型的民用飞机着陆滑行仪表灯常亮故障关联检测方法。分析仪表灯常亮故障产生的原因，利用Python编程数据采集飞机起飞、近进、降落、地面滑行时的照明信号及电气交联数据，通过控制逻辑，建立数据关联检测逻辑关系数据库。利用自适应多普勒补偿方法改进蝙蝠算法（IBA），检测着陆滑行灯常亮故障特征，在强迫选择部分，构建IBA-LSSVM模型，将分布式博弈和线性输出调节理论相结合，抵消外部干扰，完成着陆滑行灯常亮故障检测。Matlab仿真测试结果表明：所提方法的故障识别率均在95%以上，故障识别准确率可以达到97.3%，故障识别时间低于2ms，可有效识别故障数据，降低飞行安全隐患。     

安全监测联网系统预报警机制实现

针对神华宁夏煤业集团公司安全监测联网系统因业务多、数据量大而无法实时监视基层单位异动测点的问题,提出了一种安全监测联网系统预报警机制。该机制结合即时通信系统,配以预警模块和分级报警模块,使系统管理及调度人员可及时获取所辖业务范围内的报警和故障信息,同时提升对报警和故障信息的关注度,从而实现了对基层单位生产环境的监管监测。     

基于改进偏最小二乘法的多模态过程故障检测方法

针对传统的数据驱动方法偏最小二乘法（PLS）中存在的多模态数据故障检测效果不佳的问题,提出了一种新的故障检测方法——基于局部近邻标准化（LNS）的PLS（LNS-PLS）。首先,利用LNS方法对原始数据进行高斯化处理,在此基础上建立PLS的监控模型,确定T²和平方预测误差（SPE）的控制限;其次,对测试数据同样进行LNS标准化处理,再计算出测试数据的PLS监控指标来进行过程监视及故障检测,解决了PLS中无法处理多模态的问题。将所提方法应用于数值例子和青霉素生产过程,并将其测试结果与主成分分析（PCA）、K最近邻（KNN）、PLS等方法进行对比分析。实验结果表明,所提方法的故障检测效果优于PLS、KNN、PCA,该方法在分类及多模态过程故障检测方面有较高的准确性。     

Subspace decomposition approach of fault deviations and its application to fault reconstruction

In the present work, a new subspace decomposition approach of fault deviations is developed in the context of principal component analysis (PCA) based monitoring system for fault diagnosis via reconstruction. The fault effects are decomposed in different monitoring subspaces, principal subspace (PCS) and residual subspace (RS), and the significant fault deviations that are responsible for the concerned alarming monitoring statistic are calculated. This is achieved by designing a two-step feature decomposition procedure in each monitoring subspace. In the first step, the relative fault deviations are sorted by comparing the fault variations with the normal variations. All possible fault deviations that may contribute to the out-of-control monitoring statistics are collected. In the second step, PCA is performed on the chosen fault information where the largest fault deviation directions are decomposed in order. By the two-step decomposition, in each monitoring subspace, two different parts are separated for the purpose of fault reconstruction. One is composed of the concerned fault deviations that contribute to alarming monitoring statistics which are thus significant to remove the out-of-control signals. The other is composed of general variations that are deemed to follow normal rules and thus insignificant to remove alarming monitoring statistics. Theoretical support is framed and the related statistical characteristics are analyzed. Its feasibility and performance are illustrated with data from the three-tank system and the Tennessee Eastman (TE) benchmark process.     

基于有色Petri网的攻击场景构造

传统的入侵检测系统只提供大量独立的、原始的攻击报警信息,不利于用户和入侵响应系统对攻击及时作出响应,迫切需要根据低层的报警信息,建立高层的攻击场景。本文提出一种利用有色Petri网理论实时、动态构造攻击场景的方法。该方法首先用有色Petri网描述攻击场景,然后用扩展关联矩阵的比值快速匹配、构造攻击对应的攻击场景;并根据已构造的子攻击场景网,验证和检查漏报的攻击,预测下一步可能的攻击;同时,利用子攻击场景合并的方法构造新的攻击场景模式。