面向受电弓系统的综合故障诊断决策方法

针对故障诊断知识模糊不精确和决策冲突提出一种综合故障诊断方法。采用故障树建立网络图拓扑关系结构模型,并采用模糊影像图对其进行改进,针对诊断过程中决策矛盾冲突,基于D-S证据理论计算各底事件决策矩阵及各事件之间模糊传递矩阵,综合各mass函数计算得到系统状态综合诊断结论。最后,结合受电弓系统故障数据开展试验验证。     

动车组受电弓系统失效风险分析

针对系统失效风险分析过程中数据缺失、多源异构和认知不确定的实际情况,提出了利用模糊故障树构建多态模糊贝叶斯网络来对系统失效风险进行分析,根据各根节点模糊故障率计算出中间节点和叶节点不同故障状态的模糊可能性,同时对各根节点灵敏度进行分析,并对其实际意义进行了说明,最后根据所提方法对动车组受电弓系统进行了失效风险分析。分析结果表明,网压互感器破损、疲劳性裂纹、控制阀板风管破损为高风险事件,与实际情况一致,同时该方法也扩展了贝叶斯网络在实际工程中的应用。     

履带车辆变速箱的T-S模糊故障树可靠性分析

针对履带车辆变速箱的故障原因等存在较难获得大量数据的问题,提出了基于T-S模糊故障树分析方法,对变速箱构建T-S模糊故障树,分析过程中采取底事件的模糊效率替代为其故障概率的方法,再将其故障程度用模糊数来表示,对变速箱关重件T-S模糊故障树进行实例分析,计算并分析变速箱T-S模糊故障树,对底事件进行重要度分析,并给出故障排查意见。     

基于T-S模糊故障树和贝叶斯网络的多态液压系统可靠性分析

为解决T-S模糊故障树分析方法在液压系统可靠性分析过程中运算复杂和只能单向推理的问题,提出一种基于T-S模糊故障树与贝叶斯网络的多态系统可靠性分析方法。根据给出的T-S模糊故障树向贝叶斯网络转化的方法确定贝叶斯网络的模型结构与条件概率表,利用贝叶斯网络的推理算法计算顶事件发生概率、事件后验概率以及底事件重要度。该方法既能进行计算系统可靠性指标及重要度的前向推理,又能进行故障诊断的反向推理,而且计算公式简单。最后通过900t提梁机液压驱动系统工程实例验证了算法的可行性与有效性。     

基于模糊贝叶斯理论的汽车起重机起升系统可靠性分析

针对汽车起重机起升液压系统可靠性的问题,提出了基于模糊集理论、T-S模糊故障树和BN网络相结合的系统可靠性分析方法。将T-S模糊故障树转化为BN(贝叶斯)网络,运用模糊集理论,利用专家对基本事件的主观评价转化为模糊数,得到精确失效概率。通过BN网络的双向推理计算能力,得到顶事件发生概率,各基本事件的后验概率及其重要度。通过对汽车起重机起升系统分析,发现系统薄弱环节,全面高效的对系统进行可靠性分析。     

凸模型T-S故障树及重要度分析方法

针对故障数据缺乏、故障机理复杂多样等原因导致T-S故障树底事件的失效可能性具有不确定性的问题,以及概率和模糊T-S故障树以及布尔逻辑门故障树适用性的不足,提出凸模型T-S故障树及重要度分析方法：将区间模型引入到T-S故障树分析方法中,利用区间模型描述底事件的失效可能性,提出区间T-S故障树分析方法,解决底事件的失效可能性不易精确获取的问题;在此基础上,引入超椭球模型来界定不确定性参量的取值范围,进而提出超椭球T-S故障树分析方法,解决区间T-S故障树在进行可靠性分析时,分析结果相对保守的问题;进而,定义凸模型T-S故障树的重要度指标,为找到系统的关键环节提供依据;求解出上级事件的失效可能性、底事件的T-S凸模型重要度和T-S凸模型关键重要度,通过与凸模型布尔逻辑门故障树、T-S故障树进行对比,验证所提方法的可行性。最后,给出了组合导航系统可靠性分析实例。     

T-S模糊重要度分析方法研究

针对故障树分析中部件失效概率、故障状态和系统故障机理的不确定性问题,用模糊子集来表示部件的失效可能性,用模糊数来描述部件和系统的故障状态,用T-S模糊模型来描述部件之间的联系,在T-S模糊故障树分析算法基础上,提出两种T-S模糊重要度:拓展传统二态系统模糊重要度的重心法,综合部件所有故障状态的失效可能性对系统重要程度的影响,定义多态系统T-S模糊重要度,并由算例对比得出,传统模糊重要度可看作是T-S模糊重要度的一个特例,T-S模糊重要度更为一般化;在仅已知部件故障状态的情况下,提出T-S状态重要度的概念及其计算方法.对某导航系统进行重要度分析,验证了算法的有效性.     

基于BN和T-S模糊故障树的起重机变幅机构可靠性评估

针对汽车起重机变幅机构的复杂性以及故障状态的模糊性,提出了一种模糊贝叶斯网络与T-S模糊故障树相结合的可靠性评估方法.首先,通过建立T-S模糊故障树,映射为模糊贝叶斯网络;其次,结合专家利用"信心指数法"得到的底事件的故障概率,正向推理得到顶事件的故障概率以及底事件的重要度,再通过反向推理可以得到系统出现故障后底事件的...     

基于T-S模糊故障树的家用空调可靠性分析

为降低家用空调运行故障率以提高用户体验度和减小家用空调高空维修作业风险,提出应用T-S模糊故障树分析法分析家用空调的可靠性.用T-S模糊门描述空调系统各事件间的联系,用模糊数描述部件的故障程度.根据建立的空调系统T-S模糊故障树模型,计算出顶事件不同状态下的模糊失效可能性,分析顶事件不同状态下各部件的重要度,找出影响整...     

T-S模糊故障树重要度分析方法

传统部件重要度分析方法建立在布尔逻辑门的基础上,需要精确已知部件之间的联系,并且不能全面考虑部件所有状态及部件之间的联系对多状态系统可靠性的影响。针对上述问题,首先通过给出传统二态、多态逻辑门的T-S门规则形式,验证了T-S模糊故障树分析方法的可行性,进而将传统二态和多态部件重要度分析方法推广到T-S模糊故障树中,提出了T-S重要度概念及其计算方法,包括T-S结构、概率及关键重要度。然后,与传统部件重要度分析方法进行算例对比与分析,验证方法的可行性。最后,给出了液压系统T-S模糊故障树分析及其重要度计算实例。     

基于本体的机械故障诊断贝叶斯网络

针对机械设备维护与故障诊断过程中的不确定性,提出了一种将本体语义表示与贝叶斯网络相结合的故障概率推理模型。从异构多源的维护诊断信息和非结构化的专家经验知识出发,建立语义知识模型并进行概率扩展。利用贝叶斯分类器实现异常工况识别,给出了基于最大可能解释(MPE)的故障概率推理算法,从而根据运行工况、故障征兆和证据信息推理获得故障诊断解释。将本体语义描述的精确性和贝叶斯网络的概率推理能力相结合,既实现了诊断领域知识的形式化描述与共享,又能在一定程度上消除诊断过程的不确定性。某凉水塔风机转子典型故障诊断实例表明,该模型具有较好的故障识别效果。     

制造业信息系统多源异构知识集成

为了实现制造业信息系统中各类多源异构的数据、信息和知识层的集成，提出一个全新的可计算框架体系。通过定义一个应用领域的本体论，明确地定义其领域标准词汇和关系。同时，也形式化地定义一个对本体论具体状态进行详细说明的知识库，由此建立一个异构源的信息转化为通用的知识表示模型，解决知识集成过程中结构和语义两方面的异构问题。之后，应用资源描述框架模式(RDFS)作为信息和知识的核心转换技术，进行异构知识的转换和映射，实现异构知识集成。     

基于联邦多表示域适应的不同工况下滚动轴承故障诊断方法

针对不同工况下滚动轴承振动数据分布差异大、部分工况下的带标签数据难以获取、不同用户间数据不共享、单一用户 数据量少,导致建立诊断模型准确率不高的问题,提出一种联邦特征迁移学习框架以及基于联邦多表示域适应的不同工况下滚 动轴承故障诊断方法。 该方法对滚动轴承时域振动数据做小波变换得到时频谱图,将先验的有标签公共数据作为源域,多用户 无标签孤岛隐私数据作为目标域;引入多表示特征提取结构对原始残差网络进行改进,提取源域和目标域的多表示特征,分别 构建多用户本地模型;使用深度神经网络的模型压缩思想改进联邦迁移学习框架中的参数传递策略,增强联邦框架的安全性并 降低通信开销;在服务器端构建可用于不同工况下滚动轴承故障诊断的联邦全局模型。 经两种轴承数据集的实验验证,所提方 法无需多用户共享数据即可整合孤岛数据知识,建立有效的不同工况下滚动轴承故障诊断模型,平均故障诊断准确率可达 97. 6% ,相比单一用户建模提升至少 3. 2% 。     

一种面向旋转机械的基于Transformer特征提取的域自适应故障诊断

针对基于深度学习的旋转机械故障诊断方法在新工作条件下缺乏标注数据、跨域诊断精度较低的问题,提出了一种基于Transformer的域自适应故障诊断方法。采用Transformer的变体VOLO构造特征提取器以获取细粒度更佳的故障特征表示。利用源域数据进行监督学习对源域和目标域数据的特征提取器进行预训练,并且冻结源域提取器参数以获取固定的源域特征。利用域对抗自适应策略和局部最大平均差异结合目标域未标注数据训练目标域特征提取器,实现源域特征与目标域特征的边缘分布、条件分布对齐。通过两个多工况实验对所提出的故障诊断算法进行了验证,结果表明提出的基于Transformer特征提取的域自适应故障诊断方法相比5种传统域自适应方法,在齿轮和轴承数据集上分别平均提升了22.15%和11.67%的诊断精度,证明所提出方法对于跨域诊断精度具有提升作用。     

基于本体论的化工过程故障诊断研究

根据化工过程的复杂故障现象,将本体论引入到化工过程故障诊断中,建立了化工过程故障诊断本体论。该本体论包括两个本体：过程本体是对化工生产工艺过程的概念化说明,诊断本体是对故障、故障之间的内在关系以及故障与单元操作之间关系的概念化说明。一方面,化工过程故障诊断本体论可以直接用于建立诊断知识库;另一方面,其作为“中间语言”,还可以实现异构系统之间的诊断知识共享。连续搅拌釜反应器仿真研究表明,利用化工过程故障诊断本体论表示化工过程的诊断知识可以获得良好的诊断效果。     

Dynamic Distribution Adaptation Based Transfer Network for Cross Domain Bearing Fault Diagnosis

In machinery fault diagnosis,labeled data are always difficult or even impossible to obtain.Transfer learning can lever-age related fault diagnosis knowledge from fully labeled source domain to enhance the fault diagnosis performance in sparsely labeled or unlabeled target domain,which has been widely used for cross domain fault diagnosis.How-ever,existing methods focus on either marginal distribution adaptation(MDA)or conditional distribution adaptation(CDA).In practice,marginal and conditional distributions discrepancies both have significant but different influences on the domain divergence.In this paper,a dynamic distribution adaptation based transfer network(DDATN)is pro-posed for cross domain bearing fault diagnosis.DDATN utilizes the proposed instance-weighted dynamic maximum mean discrepancy(IDMMD)for dynamic distribution adaptation(DDA),which can dynamically estimate the influ-ences of marginal and conditional distribution and adapt target domain with source domain.The experimental evalu-ation on cross domain bearing fault diagnosis demonstrates that DDATN can outperformance the state-of-the-art cross domain fault diagnosis methods.     

本体驱动的机械设备诊断维护知识建模

为了提高机械故障诊断的准确性与可靠性,引入了诊断维护知识的语义表示方法。通过对设备结构信息、维护经验知识以及诊断行为过程进行建模,建立了本体驱动的故障诊断推理模型。提出了设备运行状态与故障征兆之间的本体映射算法,并根据征兆空间到故障案例空间的映射关系进行实例匹配,完成了静态维护知识与动态诊断过程的统一,从而实现自动化、智能化的故障诊断与维护决策。将所建立的本体驱动的故障诊断推理模型应用于某转子故障诊断,得到了准确、实时的诊断结果。     

基于知识和无线传感网络的结构健康管理系统

提出基于知识的结构健康管理系统,采用无线传感器网络对大型飞机结构应变信息进行数据采集,通过对结构应变场的监测与诊断实现对典型飞机结构的健康管理.通过健康管理系统领域知识的本体建模,实现健康管理领域知识的共享和重用,建立健康管理领域知识相关推理规则,通过推理机实现对健康管理领域任务的推理,依据推理结果,组成具备相关功能的健康管理系统主体,通过多主体协作,实现健康管理任务.针对典型飞机平板结构,施加点载荷模拟损伤,采用无线传感器网络采集应变信息,提出通过结构健康管理主体投票实现数据融合和基于主体的诊断,提高了对结构损伤模式的诊断准确性与可靠性.     

An Efficient Expert System for Machine Fault Diagnosis

An efficient expert system for machine fault diagnosis is developed. A new search method is proposed in this system to improve the efficiency of the diagnostic process. First of all, a diagnostic tree (a decision tree) is built by domain experts according to the functions of the devices in the machine. Then, the diagnostic priorities of nodes (devices) in the tree are determined based on a fuzzy group multiple attribute decision making method. A meta knowledge base for fault diagnosis is generated automatically based on the determined priorities to guide the diagnostic process. After that, a domain knowledge base that hypothesises possible faults for each device in the tree is generated by domain experts and/or manuals. At last, the inference process starts based on the meta knowledge base and hypothesises which device is the possible cause of failure. To validate the system performance, an illustrative example (VCR troubleshooting) is presented for demonstration purposes.     

Model Parameter Transfer for Gear Fault Diagnosis under Varying Working Conditions

Gear fault diagnosis technologies have received rapid development and been effectively implemented in many engineering applications.However,the various working conditions would degrade the diagnostic performance and make gear fault diagnosis(GFD)more and more challenging.In this paper,a novel model parameter transfer(NMPT)is proposed to boost the performance of GFD under varying working conditions.Based on the previous transfer strategy that controls empirical risk of source domain,this method further integrates the superiorities of multi-task learning with the idea of transfer learning(TL)to acquire transferable knowledge by minimizing the discrepancies of separating hyperplanes between one specific working condition(target domain)and another(source domain),and then transferring both commonality and specialty parameters over tasks to make use of source domain samples to assist target GFD task when sufficient labeled samples from target domain are unavailable.For NMPT implementation,insufficient target domain features and abundant source domain features with supervised information are fed into NMPT model to train a robust classifier for target GFD task.Related experiments prove that NMPT is expected to be a valuable technology to boost practical GFD performance under various working conditions.The proposed methods provides a transfer learning-based framework to handle the problem of insufficient training samples in target task caused by variable operation conditions.