机器学习在故障检测与诊断领域应用综述

机器学习已经成为当前技术发展热点,由于机器学习具有快速处理大量数据、分析提取有效信息等优点,因此在故障检测与诊断技术中受到了越来越多的关注;文章系统介绍了机器学习和故障检测与诊断的概念、分类,深入了解了基于PCA和随机森林的故障检测方法和国内研究现状,以及基于决策树、支持向量机以及神经网络的故障诊断方法和国内外研究现状,其中重点介绍了卷积神经网络和递归神经网络的应用,并对机器学习算法在故障检测与诊断应用前景进行了展望,大数据时代下,机器学习在故障检测和诊断领域有着绝对优势。     

基于机器学习的硬盘故障预测研究

硬盘故障所致的数据丢失和损坏给企业和用户带来重大损失,硬盘故障预测也因此引起了学术界和企业界的高度重视,涌现了不少基于机器学习的故障预测方法,但由于存在机器学习算法模型的样本数据差异、性能指标不一致等原因,无法合理评估预测方法的优劣。鉴于此,建立了基于机器学习的硬盘故障检测评估平台,在统一的实验平台中对随机森林、逻辑回归、多层感知神经网络、决策树、朴素贝叶斯、极端梯度提升树、梯度提升决策树和AdaBoost算法模型进行故障预测性能比较,主要针对相同样本集和同一性能度量进行预测对比研究,还对同一预测模型在不同大小样本集上的预测效果进行了对比。实验结果表明：随机森林模型和梯度提升决策树模型不仅预测精度很高而且对不同规模的样本集具有很强的泛化性。     

重载组合列车车载设备统一授时技术研究

通过对大秦线重载组合列车运行过程中发生故障的原因分析,研究和设计了车载设备统一授时系统为各车载设备提供精准的时间源,保证各车载设备的数据能够记录在同一时间轴,提高了数据综合分析效率。     

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.     

基于物联网和运行大数据的设备状态监测诊断

设备健康状态的监测、诊断以及维护将直接影响企业的生产经营和经济效益。有效的设备预防性维护过程,可在设备健康状况发生恶化之前制定合理的维护决策,杜绝设备的安全隐患。对移动互联网、物联网、大数据带来的设备健康状态感知、高速数据传输、分布式计算和诊断分析等先进技术进行了调研,并研究了以设备故障监测、诊断、预防性维护为手段,基于物联网和运行大数据的设备健康状态监测诊断模式。在感知层、网络层和应用层的3层系统框架下,应用机器学习算法对设备运行大数据进行数据挖掘,建立专家知识库,获得与故障有关的诊断规则,实现了集设备健康状态在线监测、远程监控、远程诊断、故障匹配识别为一体的智能、高效监测诊断模式。该模式对于设备运行维护具有指导意义。     

基于物联网的煤矿机电设备智能管理平台设计

针对目前煤矿机电设备人工登记管理效率低、协同控制性差等问题,设计了基于物联网的煤矿机电设备智能管理平台。该平台通过实时采集煤矿机电设备运行数据,实现设备运行状况实时展示、故障分级报警、故障快速定位及设备间协同控制;通过管理机电设备巡检过程,实现巡检计划编制、工单管理、日常巡检及故障处理;通过融合分析实时监测数据和日常巡检数据,实现设备故障诊断、设备使用率分析、人员到岗履职考核、维检计算编制及能效分析。该平台的应用可提高机电设备间协同效率,有效降低设备故障发生概率,提升设备精细化管理水平,实现设备全生命周期管理。     

基于机器学习的列车故障诊断应用研究

随着轨道列车智能运维系统的部署运行,列车运行过程中的工况数据能实时同步发送到地面服务器。为实现对列车故障的诊断预测,本文探索利用已确认的列车故障记录作为数据集构建机器学习模型,并将采集到的列车实时工况数据输入到预测模型进行测试,得到故障诊断的结果。本文从数据集获取、故障诊断模型构建、模型优化、模型应用等方面进行说明。     

煤矿机电设备智能化维护研究现状与发展趋势

煤矿机电设备智能化维护是智慧矿山建设的重要组成部分。从煤矿机电设备故障机理、设备状态监测、信号分析与处理、故障诊断与预测算法4个方面总结了煤矿机电设备的智能故障诊断与预测性维护研究现状:(1)设备故障机理研究主要是针对不同设备,采用不同方法建立设备故障的分析模型,并对模型施加激励以获得设备故障动态响应,从而为后续的故障诊断提供评判依据;(2)设备状态监测研究针对煤矿机电设备建立了较为完备的状态监测系统,能够准确及时地获取设备参数,为设备的故障诊断提供数据支持;(3)信号分析与处理研究除了采用传统的时域、频域和时频域分析方法外,还将多种方法结合的手段用于信号处理与特征提取,提高了信号处理效率和处理结果的可靠性;(4)故障诊断与预测算法主要采用人工神经网络及机器学习、深度学习等智能算法建立设备故障诊断与预测模型,从而实现故障的智能诊断和预测。指出煤矿机电设备智能化维护研究存在的问题:(1)设备故障机理的研究缺少多故障复合状态下的故障机理研究,需要更多地对设备某部分的故障带来的连锁反应进行研究;(2)模拟环境下所获得的故障数据不能完全真实反映设备实际的运行状况,需长时间不断采集现场监测数据,最好是设备全生命周期数据;(3)目前采用组合式的算法研究较少,并且研究对象更多局限在设备某个部分或零部件。最后给出煤矿机电设备智能化维护的发展趋势:(1)研究应用灵敏度更高的智能传感器来监测设备,结合随机共振、盲源分离等方法从强噪声中提取微弱的特征信号,及时地识别出设备早期故障,从而实现预测性维护;(2)采用独立的诊断方法已经不能适应实际设备的诊断需求,基于多传感器信息融合技术的诊断和预测可准确有效地识别出设备存在的所有故障;(3)将迁移学习算法作为"桥梁",建立仿真、试验数据与现场数据的相关性,为解决仿真与试验条件和现场条件差异的问题提供数据支持和保障。     

基于决策树的心血管疾病预测研究

目前,医疗行业的临床治疗与健康管理服务已积累了丰富的心血管疾病数据。如何深入挖掘这些数据,并将其运用于心血管疾病的预防、诊断,是实施健康中国战略背景下现代健康领域的研究热点。文章利用机器学习方法中的决策树模型对心血管疾病人群的数据信息进行挖掘,构建了心血管疾病预测模型,并根据决策树结果分析各危险因素对诱发心血管疾病的影响。实验结果表明,利用机决策树方法预测心血管疾病风险的准确率较高,对预防心血管疾病具有重要的指导意义。     

基于机器学习的城市电梯困人故障原因预测方法研究

为实现电梯困人故障的应急处置快速响应,缩短现场故障原因排查时间,促进排障模式由人工经验向数据支撑下的智能诊断转变,利用梯度提升树算法(GBDT)建立电梯故障原因预测模型。经过数据清洗和特征提取,以2015—2020年南京市累积电梯故障数据进行模型训练。与真实值对比后的预测结果表明,前三位故障原因实时预测准确率可达81%,评估指标优于同类型机器学习算法。GBDT模型预测性可适用于电梯困人故障数据稀疏、特征量不明显的预测问题。     

基于文本挖掘的高速铁路动车组故障多级分类研究

针对高速铁路信号设备故障发生后记录的文本数据,提出基于文本挖掘方式的高速铁路信号设备故障多级分类模型研究。提出TF-IDF词汇权重与词汇字典结合的特征表示方法实现信号设备故障文本数据的特征提取。多级分类模型中,基于Stacking集成学习思想设计单层分类模型,将循环神经网络BiGRU和BiLSTM作为初级学习器,设计权重组合计算方法作为次级学习器,将多级分类任务分解为各层单分类任务,并采用K折交叉验证训练Stacking模型。采用高速铁路自开通至十年的信号转辙机故障数据,通过对故障原因文本数据的分析,实现故障部位和故障原因的二级分类,经过K=5次训练,BiGRU较BiLSTM各评价指标都较高,经实验BiGRU分配权重为0.7,BiLSTM权重为0.3,组合加权对两个网络的输出计算,准确率提高为0.8814,召回率提高为0.8642。实验表明多级分类模型能够有效提升信号设备故障多级分类任务的分类评价指标,并能够保证分类结果隶属关系的正确性。     

基于贝叶斯网络的变压器健康状况分析

针对当前变压器数量庞大、状态量数据众多,无法准确掌握变压器运行状态等管理现状,设计开发了一种基于贝叶斯网络的群组变压器健康状况分析系统.该系统基于虚拟机技术,整合所有可获取数据信息,按照影响的部件或运行模式建立贝叶斯条件概率拓扑网络,通过信息分类开展故障影响因素诊断分析,结合不同状态信息的权重因子,得到变压器评估单元故障风险的分值,合成设备故障风险概率分值.并引入变压器重要度变量绘制群组变压器运行状态风险等级图,根据变压器落入的颜色区域实现群组设备的分级管理.系统在变压器故障风险准确预警和诊断效率方面都有显著优势,可帮助电力企业建立明晰、高效的群组变压器检修计划,提高设备利用率,实现设备效益最大化的管理目标.     

基于最小决策风险的故障诊断方法

预测与健康管理技术对故障诊断的准确性提出了更高的要求.在传统基于支持向量机的故障诊断方法中引入最小决策风险,即将先验故障模式信息与数据驱动学习算法相融合,以获得更为有效的故障诊断结果.给出了基于多分类后验概率最小决策风险的SVM故障模式识别的实验步骤,并选取某电路板的400组数据进行实验.结果表明,提出的故障诊断方法可有效减少故障的漏报率,提升系统整体的诊断准确性.     

基于模糊贝叶斯风险和T-S模糊模型的故障诊断

为解决复杂装备故障诊断中的知识获取和决策制定问题,提出一种数据驱动的故障诊断方法。利用模糊贝叶斯风险模型以风险最小化原则挖掘数据中有价值知识,得到相对最优属性子集,其中生成的概率分布用于T-S(Takagi-Sugeno)模糊规则提取,以分段线性化思想逼近复杂的数据知识。在数值实验中,以C-MAPSS(Commercial Modular Aero-Propulsion System Simulation)发动机数据为研究对象,验证本文方法的有效性,结果表明本文方法适用于复杂装备的故障诊断。与其他知识获取方法对比表明,本文方法可得到更高的诊断准确率。     

基于FastDTW的道岔故障智能诊断方法

道岔控制列车的行驶方向,是轨道交通系统的关键设备.文中采用ZD7型号道岔转辙机动作电流数据,提出基于快速动态时间规整算法(FastDTW)的道岔故障智能诊断方法.根据原始电流曲线特性将曲线分段处理,通过FastDTW计算待诊断电流曲线与模板电流曲线的扭曲路径距离,根据动态确定的最优阈值诊断故障.实验表明,该方法可适用于单动、双动型号道岔故障诊断问题,仅需200条道岔动作电流历史数据.该方法诊断准确率较高,时间较短,也适用于准确性、实时性要求较高的新型列控系统.     

基于感知模糊Petri网的自动装弹机故障分析方法

坦克自动装弹机故障发生率高,原因复杂,为了缩短自动装弹机故障诊断时间,提高诊断准确度,在分析了自动装弹机内部原理及获取相关专家经验后,提出了一种基于感知模糊Petri网的故障诊断方法。结合自动装弹机的具体构造建立对应的PFPN故障模型,通过模糊Petri网表示故障传播过程,利用感知机误差反向传递方法学习有限的专家经验,确定Petri网络中触发事件的权值。通过正向推理,实现了对自动装弹机故障的准确判断。逆向推理结合最小割级方法,缩小排查范围,提高推理效率。以旋转故障机为例建立对应的 PFPN故障模型,与故障树模型诊断结果和历史诊断数据对比,验证该故障分析方法的合理性和有效性,实现了对自动装弹机的快速准确的故障诊断。     

基于故障概率的配电设备排查路径规划

配电系统设备种类繁多,故障概率较高,且作为直接面向用户的电网层级,发生故障对电力用户影响最大。然而,在配电系统实际故障发生时,故障点往往难以准确定位,仅被限定在某一区域内,且不同设备间故障概率存在差异,为故障排查工作带来了不小的困难。为解决配电系统故障情况下排查路径最优化的问题,保证排查工作的及时性和准确性,本文综合考虑排查时间的最小化以及大故障概率设备的优先性,以经典的旅行商问题为基础,考虑不同设备故障概率的差异,对求解方法作出优化改进,建立了基于故障概率的配电设备排查路径规划模型,并选择遗传算法对模型进行求解。最后,以某配电系统为例对设备排查路径进行规划,验证了模型及算法的有效性和实用性。     

基于BP神经网络模型的电机故障诊断专家系统

针对传统机械设备故障诊断专家系统存在知识获取能力弱、求解有一定局限性等问题，介绍了BP神经网络旋转机械故障诊断专家系统，对单位BP算法，BP神经网络的建立、训练及应用作了具体说明。该系统学习效率高，故障诊断准确，已成功应用于铁路机车走行部的轮对电机在线故障诊断。     

一种基于粒子群算法的配电网低电压诊断模型研究

随着智能电网建设的发展,传统的基于检测技术的配电低电压原因诊断已变成基于数据挖掘的电力大数据分类技术,而着眼于低电压故障原因的数据分类研究在国内尚处于起步阶段,为此该文提出一种采用改进聚类算法和支持向量机分类算法的配电网低电压诊断模型。该模型首先采用Canopy-Kmeans的聚类算法基于配电网历史运行数据进行低电压原因的聚类分析并得出可能存在的低电压原因,然后采用经粒子群算法对支持向量机数据分类算法进行参数优化,最后使用结果参数优化的支持向量机算法对智能电表所采集的配电网实时运行数据进行低电压原因分类并最终输出低压故障原因的诊断结果。实验表明,采样基于粒子群优化的支持向量机诊断模型能够实现90%的低电压原因诊断准确度。     

基于有限状态机故障因果链的连锁跳闸故障诊断和预测研究

随着变电站告警信息的规范化、大数据分析在设备监控中应用的深入,使得利用监控大数据及智能化预测分析方法解决电网连锁故障的识别问题成为可能。针对电网连锁故障识别困难的问题,本文提出了基于连锁故障状态因果链的电网故障诊断、故障演化预测及电网脆弱性评估的方法。本文首先介绍了基于有限状态机模型故障因果链的单元件诊断方法、连锁故障诊断方法,然后叙述了基于智能状态因果链构建的电网故障风险评估系统,最后以实际电网为例,验证了本文所提方法的可行性。