基于模糊隶属度的粒子滤波故障预测

针对故障预测具有不确定性的特点,本文将模糊数学中的隶属度函数和粒子滤波算法相结合设计故障预测的方法.新方法利用粒子滤波算法对设备运行的未来状态进行预测,再设计描述设备运行状态的正常隶属度函数和异常隶属度函数,利用计算出的未来状态的预测值计算并比较正常和异常隶属度函数值,依据比较结果对潜在故障进行预测.实验验证了该方法的可行性,可及时准确地预测出系统故障.     

一种基于海量数据挖掘的设备状态预测算法

提出了一种基于海量数据挖掘的设备状态预警算法。工业设备有大量的历史运行数据,并且实时采样的数据维度多,数据量大,算法首先对设备良好运行状态下的大量历史数据进行自适应聚类分析,建立设备的数学模型,并根据此类模型和设备运行的实时状态值对设备的运行状态进行预测。该算法充分考虑工业应用的实际需求,自动确定聚类的数目,解决了传统聚类算法处理海量历史数据时的开销大和效率低的问题,并且保证了回归预测过程的高效性。仿真实验表明,该算法能够有效地处理海量数据,并且能够实时得到预测值,实现对设备的实时监控预测。     

GA-BP算法预测滚动轴承退化趋势

故障预测是PHM技术中的关键一环,它是以装备当前的运行状态为起点,结合设备的运行状态参数、历史数据,依据数学模型,对采集到的数据进行分析,结合装备自身运行规律,判断装备在未来任务时间段内是否会出现故障.在BP神经网络预测算法对滚动轴承退化趋势预测基础上,结合遗传算法对BP神经网络参数优化后进行预测,同时与粒子群算法优化BP网络参数后的预测结果比较,验证了所提方法的有效性.所提方法的研究思路是基于滚动轴承退化状态划分的退化趋势预测,根据滚动轴承全寿命周期振动数据特点,划分轴承退化状态,选取退化效果明显且退化时间较长的数据进行趋势外推.研究的创新点在于提取轴承时域、频域指标后,采用相关系数理论选取和轴承剩余寿命强相关的时域特征指标作为输入数据,频域特征指标作为输出数据,建立时域指标与频域指标的对应关系,通过预测频域特征值指标的变化趋势反映出轴承的退化趋势.     

复杂设备故障预测可拓聚类分析模型

针对大型复杂设备运行状态的复杂性和健康状态诊断的不确定性,研究了复杂设备故障预测问题,给出了一种基于可拓聚类方法的智能化复杂设备故障预测分析模型。该模型利用可拓理论进行被诊断设备诊断状态的物元建模,并基于物元模型进行诊断数据的形式化和模型化描述,利用可拓理论关联函数对复杂设备故障预测进行定性和定量相融合的分析,从而达到对复杂设备故障状态的快速预测,为设备维修的计算机辅助设计顺利实施提供支持。将模型与方法应用于某动力系统装备的实例中,验证了模型的有效性。     

串行分组深度学习运行状态分析与故障预测

在现代工业生产运行中,如何充分挖掘海量的多源异构生产运行数据,实现异常工况的快速检测和故障预测,有效提高工业生产设备的可靠性,仍然是研究的难点。提出一种基于串行分组深度学习的工业生产运行状态分析与故障预测模型,针对时间序列突变故障设计了串行分组深度学习网络框架,实现目标对象的故障检测与预测,及时发出故障预警。通过对某造纸厂数据以及风力发电频率监测数据进行测试,并与传统神经网络预测模型进行对比分析,表明了所提算法的准确性,为提高生产设备使用寿命、减低工业生产成本,提高安全稳定运行起到重要作用。     

基于HMM的设备故障预测方法研究

故障预测是设备实施基于状态维修的1个重要内容,是实现真正意义上精确维修的前提和基础。隐马尔可夫模型（HMM）作为1种统计分析算法,在设备的故障诊断中获得了成功应用。但对于故障的预测,传统隐马尔可夫模型存在很多缺陷,因此研究相关的改进算法,构建了基于隐马尔可夫的故障诊断和预测框架,使设备的故障诊断和预测能够同时进行。最后通过对滚动轴承实测数据的仿真验证,表明该算法具有较高的故障识别率并且对设备的剩余寿命能进行有效的预测。     

基于KPCA和灰色模型的凝汽器故障预测

汽轮机凝汽器的故障预测为其故障自愈的研究提供了理论依据.提出一种基于核主元分析和灰色预测模型的汽轮机凝汽器故障预测方法,首次将灰色预测理论应用于凝汽器的故障预测.采用核主元分析法对故障特征数据进行分析和处理,提取反映故障的主要特征量,以降低特征变量之间的非线性相关性,同时减少灰色预测模型的预测参数的数目.然后应用灰色预测理论建立故障特征的预测模型,对每一个主要特征量的趋势值进行预测,重构故障特征向量,用于汽轮机凝汽器故障的预测分析.     

基于深度学习的医疗设备智能监控系统设计

近来，随之医疗行业的发展，医疗设备的安全性问题也逐渐凸显。医疗设备经历长期使用后，可能产生各类运行故障。此次研究联合粒子群算法(Particle Swarm Optimization, PSO)和自适应权重(Adaptive weight)对深度学习的前馈神经网络(Back Propagation, BP)进行了改进，得到APSO-BP算法，并基于此算法设计了医疗设备的智能监控系统。该系统在实验中的测试结果显示，其网络的收敛速度较快，故障识别的均方误差为0.000 832 4,灵敏度为0.96,特异度为0.92,准确率为0.95,在0.42的风险阈值和0.75的敏感系数下具有0.90的预警准确率。该系统可以对医疗设备的运行状态进行监测，智能识别设备的运行故障并进行风险预警，为医疗设备的周期巡检和维护维修提供有效保障。     

基于LSSVM的电子装备故障预测研究

针对电子装备的故障信息不足,故障发生率高等特点,通过故障预测有效的监测设备故障状态以及发展趋势,实现对设备的事先维修,避免重大事故的发生,提高电子设备的安全性。对电子装备故障预测进行了分析,提出了一种基于最小二乘支持向量机（LSSVM）的故障预测方法。首先介绍了LSSVM故障预测算法的基本原理和预测流程;然后,对整个电子装备的故障预测研究可以从一个类似的模拟带通滤波器电路故障预测研究出发,将该元件容差设为不同范围来定义电路的不同故障状态,将LSSVM方法与最小二乘法、支持向量机法对电路的不同状态进行预测,可以得到不同状态的预测值,研究结果表明提出的方法能够实现模拟电路的缓变故障预测,且预测效果较好。     

基于随机森林和时间卷积网络的航空发动机故障预测

航空发动机作为一种极其精密的设备,其内部传感器的运行状态决定了发动机能否稳定运行。因此,利用传感器的运行数据进行故障预测是维护发动机健康运行的关键。针对现阶段发动机故障预测精确度低的问题,提出了一种基于随机森林和时间卷积网络的混合模型。该模型利用随机森林算法进行重要性特征提取,然后添加滚动平均值和滚动标准差以增强数据特征,最后整合数据特征输入至时间卷积网络进行故障预测。采用C-MAPSS数据集进行验证,结果表明,该模型的故障预测性能相比于其他机器学习模型有较大幅度的提升。     

故障电弧早期预测预警系统研究

根据开关柜内部故障电弧伴生放电声的频谱特性,提出基于三层小波包分解的频带能量特征弧声识别算法,构建基于DSP的故障电弧早期预警系统,给出了系统的软硬件设计方案,并就系统设计中弧声信号的获取、滤波及其智能识别算法中特征参数阈值选取等一些关键问题进行重点研究;该系统相当于给传统的故障电弧保护机制扩展了预测预警功能,有利于将故障电弧消除在事故发生之前;实验结果表明:系统运行正常,可准确、快速发出预警.     

核电站智能故障预警与诊断方案研究

为了解决核电站故障识别难度高、工作量大的问题，从核电站对故障预警和诊断的功能需求出发，通过分析多种智能算法和核电站应用场景的适配性，提出了基于卷积神经网络(CNN)、堆叠自编码(SAE)网络、故障树分析(FTA)等先进技术的核电站智能故障预警和诊断功能模块设计方案。该方案将提升核电站智能化水平，实现智能化、自动化的故障监视和诊断，为运行人员提供决策支持，减轻运行人员工作负担，提高故障处理的安全性和时效性。     

基于模糊神经网络的信号维护监测子系统故障预测研究

随着城市轨道交通信号系统功能逐步优化,信号系统已成为运营行车的控制大脑和安全防护的重要保障。信号系统设备故障对地铁线路列车准点、安全运行有较大影响。信号维护监测系统作为信号系统的设备状态监视终端,可实现对信号系统子系统状态监测和部分硬件设备故障状态预测,从而提示维护人员提前检修和更换设备。结合信号维护监测子系统(MSS)架构,以MSS采集的硬件故障作为研究对象,利用模糊神经网络自适应和模糊处理信息能力的优势,以故障发生时间、故障类型、既有故障发生频率、人员维护周期、同类型故障发生频次、设备使用时间等可用数值表征的参数作为输入变量,建立了基于模糊神经网络的信号设备故障预测模型。仿真结果表明,该预测模型能够准确跟随故障变化趋势、预测故障发生次数。基于模糊神经网络的预测方法可应用于轨道交通信号系统设备故障预测研究中。     

基于电力设备故障预测与诊断控制的研究

电力设备在线故障检测与诊断是建立在对电力设备运行状态各部件劣化规律认识的基础上,根据得到的能够表征其变化规律的特征参量进行的在线故障预测与诊断控制技术,就是能够更好地提高设备运行可靠性和安全性,对电力设备寿命评估提供依据.     

基于LS-SVM的电力通信网性能劣化评估与预测模型研究

随着电力通信网络规模越来越大,运行维护人员对通信网运行状态的实时有效监控,对设备故障的快速准确判断越来越困难,需要对通信网运行的健康状态进行科学评估,以及对网络性能的劣化进行趋势预测,从而可以提前预知网络可能存在的隐患。论文充分利用通信网现有的海量状态监测数据,提出基于健康状态数据的电力通信网性能劣化评估模型,在此基础上利用最小二乘支持向量机(LS-SVM)性能劣化时间序列进行预测,预警通信网的异常状态,提高通信网运行维护的水平,减少故障导致的断网损失。     

机泵群设备故障监测及定位技术研究

为了监测石油化工行业机泵群状态是否运行正常,如机体设备温度过高,螺丝松动,振动超标,轴承烧损及机封泄漏突喷等一系列状态及故障,对大型石油化工机泵群设备故障监测及定位的关键技术展开了深入的研究,包括无线传感网络技术、网络拓扑与无线路由协议以及节点定位技术。基于无线传感网络自组网的特点,设计了一种机泵群设备故障监测及定位系统,同时提出了一种基于Bounding Box与泰勒级数展开的协同定位算法,实现了对机泵群状态突发预警事件的迅速定位。经实验表明,该定位算法收敛性好,定位精度高,能够针对机泵群状态突发预警事件进行精确定位。     

基于隶属度函数的电子设备故障预测研究

针对当前电子设备模块化方向发展现状,及时了解电子设备的运行状态,预防故障并缩短维修时间,采用模糊隶属度函数的方法,将设备的模糊状态进行量化,引入可信度因子及有关融合算法对以上数据进行处理,最后根据自动测试设备(ATE)测得的数据及专家经验,对该方法进行了验证;经实验证明,该方法是可行有效的,对电子设备的故障预测具有较高的准确度。     

基于全息时标量测数据挖掘的配电网设备健康状态诊断分析

大数据、数据挖掘等新技术的出现和进步,为建设智能配电网提供了新的技术手段。为实现对配电网运行状态的真实还原、精细分析和精准预测,详实有效的配电网设备运行数据记录和支撑是关键,研究了配电网全息时标量测数据的变化即存储技术,基于全息时标量测数据研究了配电网设备健康状态诊断的方法,对配电网历史数据以及模型信息等进行了深入的数据挖掘,通过聚类分析、线性回归算法、熵权法等建立了设备状态诊断模型和评价体系,实现了对设备故障评估和预警分析等,为及时发现配电网的薄弱环节,保障配电网设备的安全稳定运行提供了有效手段。系统已在地市供电公司的配电网诊断方法研究与实现项目中得到实际应用,很好地满足了地市供电公司的配电网精益化管理需求。     

船用燃气轮机状态趋势预测算法研究

燃气轮机是船舶动力系统的重要组成部分,为了提高船舶性能,需对其进行状态趋势预测;首先研究了常用的几种预测算法,总结了各自优缺点和适用范围,对常见预测方法的技术特点进行了详细分析;为提高船用燃气轮机状态预测精度,提出了组合优选和虚拟预测的思想,通过研究组合预测方法实现了燃汽轮机状态的趋势预测,验证了组合优选和虚拟预测的可操作性和正确性,将预测结果同直接预测相比较,验证了其优越性。     

基于卡尔曼滤波和专家系统的混合故障预测研究

基于卡尔曼滤波和专家系统的相关知识,研究了动态系统内部故障的预测问题.首先根据系统的运行情况提取表征故障征兆的状态,建立对应于故障点的状态方程模型并进行分析;然后在定义了故障预测的优先原则的基础上,利用专家系统加权算法得到的故障预测容许值集合,设计了故障预测的流程图;最后根据流程图给出一种混合的故障预测算法.结果表明,这种算法与传统的故障诊断方法和已有的故障预测方法相比有比较明显的优势,并指出了进一步研究的重点.