基于融合的贝叶斯网络的冷水机组故障诊断

基于贝叶斯网络（BN）的开放式结构,将现场观测信息融入到BN中,用以改善故障诊断性能。引入距离拒绝机制,以确定在故障为假时传感器测量参数的概率分布。提出了一种基于融合的BN的冷水机组故障诊断方法,该方法能够检测新故障和动态更新故障库。使用ASHRAE RP-1043的故障实验数据对提出的方法进行验证,结果显示：提出方法对新故障NF1的检测正确率为99.8%,现场观测信息的融入将新故障NF2的检测正确率提高了32.6%,并将已知故障rl（制冷剂泄露）和ro（制冷剂充注过量）的诊断正确率分别提高了4.8%和11.2%。     

基于参数残差驱动贝叶斯网络的冷水机组故障诊断

应用于冷水机组的故障诊断技术对于降低建筑能耗,提高机组运行效率有着重要作用。为了进一步提高冷水机组故障诊断性能,同时考虑到特征参数残差蕴含更多故障信息,提出一种基于特征参数残差驱动贝叶斯网络(BN)的冷水机组故障诊断方法。首先,构建特征参数基准值模型,获得其基准值;然后使用基准值和其实际运行值之间的参数残差训练BN模型。以此达到充分利用参数残差蕴含故障信息,从而提高故障诊断性能的目的。使用实验数据对构建方法的有效性进行验证,与使用特征参数直接驱动BN的诊断模型相比,对冷水机组常见故障的诊断正确率最高提升了约22.51个百分点。此外,比较分析了三种参数基准值模型构建方法的性能,基于神经网络方法的基准值模型较其他两种基准值模型表现更优。     

基于贝叶斯网络的复杂系统故障诊断的研究

由于故障树方法在复杂系统的故障诊断应用中存在较大的局限性,其很难解决复杂系统在故障诊断中表现出的事件的多态性、信息的不确定性、故障逻辑关系的不确定性等问题,本文提出了一种新型的贝叶网络方法可以较好的解决这些问题。文中以酸洗线的风机系统的故障诊断为例,验证了这种新型方法的有效性。     

基于中心损失的条件生成式对抗网络的冷水机组故障诊断

针对冷水机组产生的故障数据不足,数据集中正常数据和故障数据数量不平衡,进而导致故障诊断精度下降的问题,提出一种基于中心损失的条件生成式对抗网络(central loss conditional generative adversarial network,CLCGAN)和支持向量机(support vector machine,SVM)的故障诊断方法。首先,CLCGAN利用少量真实故障数据生成新的故障数据;然后,将生成的故障数据与初始数据集混合,使正常数据与故障数据的数量达到平衡;最后,利用平衡数据集构建SVM模型进行故障诊断。在GAN生成冷水机组故障数据时,构建动态中心损失项并加入到目标函数中,利用动态的中心损失减少冷水机组生成的各种故障数据的类内距离,从而降低各个故障生成数据之间的重叠程度,增加生成数据的可靠性。在生成故障数据之前配置相应的故障标签,并输入到CLCGAN中指导数据生成过程,使生成的故障数据可以均衡地分布于各个故障类别。在ASHRAE 1043-RP数据集上对所提方法进行了验证,结果表明,相较于其他解决数据不平衡问题的故障诊断方法,所提方法具有更高的故障诊断准确率。     

基于中心损失的条件生成式对抗网络的冷水机组故障诊断

针对冷水机组产生的故障数据不足,数据集中正常数据和故障数据数量不平衡,进而导致故障诊断精度下降的问题,提出一种基于中心损失的条件生成式对抗网络(central loss conditional generative adversarial network,CLCGAN)和支持向量机(support vector machine,SVM)的故障诊断方法。首先,CLCGAN利用少量真实故障数据生成新的故障数据;然后,将生成的故障数据与初始数据集混合,使正常数据与故障数据的数量达到平衡;最后,利用平衡数据集构建SVM模型进行故障诊断。在GAN生成冷水机组故障数据时,构建动态中心损失项并加入到目标函数中,利用动态的中心损失减少冷水机组生成的各种故障数据的类内距离,从而降低各个故障生成数据之间的重叠程度,增加生成数据的可靠性。在生成故障数据之前配置相应的故障标签,并输入到CLCGAN中指导数据生成过程,使生成的故障数据可以均衡地分布于各个故障类别。在ASHRAE 1043-RP数据集上对所提方法进行了验证,结果表明,相较于其他解决数据不平衡问题的故障诊断方法,所提方法具有更高的故障诊断准确率。     

基于稀疏局部嵌入深度卷积网络的冷水机组故障诊断方法

针对于冷水机组提出一种基于稀疏局部嵌入深度卷积网络(sparsely local embedding network,SLENet)的故障诊断方法。采用稀疏局部嵌入方法代替卷积核,对输入数据进行特征选择,避免了复杂的训练和调参过程。另外采用空间金字塔最大池化作为网络的输出层,减少了网络的输出维数和分类器的计算量。针对美国采暖、制冷与空调工程师学会提供的冷水机组的典型故障数据进行分类,结果表明,该方法相比深度卷积网络(CNN)和支持向量机(SVM)方法具有更高的故障诊断精度。     

基于稀疏局部嵌入深度卷积网络的冷水机组故障诊断方法

针对于冷水机组提出一种基于稀疏局部嵌入深度卷积网络（sparsely local embedding network,SLENet）的故障诊断方法。采用稀疏局部嵌入方法代替卷积核,对输入数据进行特征选择,避免了复杂的训练和调参过程。另外采用空间金字塔最大池化作为网络的输出层,减少了网络的输出维数和分类器的计算量。针对美国采暖、制冷与空调工程师学会提供的冷水机组的典型故障数据进行分类,结果表明,该方法相比深度卷积网络（CNN）和支持向量机（SVM）方法具有更高的故障诊断精度。     

基于主成分分析法和贝叶斯网络的智能变电站故障诊断方法

提出将主成分分析法应用于贝叶斯网络,通过对故障源的简化与故障特征的压缩,得到最简故障特征表,降低操作系统的复杂性。根据变电站运行模式和保护措施建立相应的贝叶斯网络模型,利用贝叶斯网络的变量消元法对220k V变电站进行实例分析并对其故障概率进行推理。实验结果证明:该方法利于描述故障特征的变化,对变电站故障原因的分析直观可靠。     

基于粗糙集-贝叶斯的电网故障诊断方法

提出了一种基于粗糙集-贝叶斯的电网故障诊断方法,采用粗糙集信息表约简方法对电网故障特征进行约简,获取了电网故障诊断最小决策表,然后针对最小诊断决策规则建立贝叶斯网络模型,利用贝叶斯网络节点之间的权重关系提高电网故障诊断的效率和正确率.     

基于贝叶斯网络的数字化变电站可靠性分析

针对数字化变电站网络中的可靠性问题,提出了基于故障树的贝叶斯网络分析方法。根据数字化变电站的网路结构,建立了贝叶斯模型,并应用该模型进行了可靠性分析。     

基于贝叶斯网络的数据校正方法

精确的物料平衡模型是数据校正技术的基础，但实际上，频繁发生的调度事件动态地改变着物料的流向，目前的研究中往往容易被忽视，为此，从工程实践的角度出发提出一种新的处理方法.依据专家经验选择贝叶斯网络关键变量，利用大量的历史数据学习出贝叶斯网络，继而利用贝叶斯网络的诊断功能实现对调度事件的实时跟踪，最后建立精简模型, 增强了数据校正的可行性.仿真研究证实了该方法的有效性.     

基于深度信念网络的变压器故障诊断

提高变压器故障诊断精度的关键是构建具有强大数据处理能力和故障特征提取能力的诊断模型,而深度信念网络(Deep Belief Networks,DBNs)能够突显样本数据的特征性。本项目整个深度网络使用自适应算法进行优化,实现学习速率的自适应变化,并对变压器油色谱中的监测数据进行深入分析,实现对故障情况的迅速准确判断。     

基于贝叶斯网络的水下控制模块可靠性分析

水下控制模块是海底油气田水下生产系统的核心部件,其可靠性对水下生产系统安全运行至关重要,为保障水下生产系统的成功实施,提出一种基于失效模式影响及危害度分析(FMECA)以及故障树(FTA)的贝叶斯网络建模方法,使用MATLAB中BNT工具箱与GeNie软件进行水下控制模块(SCM)可靠性分析,并利用联合树算法对水下控制...     

基于贝叶斯网络的粉尘爆炸多米诺效应分析

粉尘爆炸机理的复杂性及引起粉尘爆炸因素的多样性使得粉尘爆炸成为学者们研究的热点课题,目前研究成果集中在不同种类粉尘的爆炸特性、粉尘爆炸机理、预防和减轻粉尘爆炸的安全措施及粉尘爆炸定量风险分析等方面,但在建立粉尘爆炸相关模型及风险评价方面的研究较少。本文在剖析粉尘爆炸机理的基础上结合多米诺效应原理建立了粉尘爆炸多米诺效应计算模型,该模型在计算出初始粉尘爆炸事故的条件概率后,利用贝叶斯网络灵活的特性和自动推理引擎,可以计算出潜在多米诺效应传播的途径。通过实例应用该模型的计算结果,可以得出发生粉尘爆炸多米诺效应的概率变化情况及粉尘爆炸事故最可能发生的传播途径,为粉尘爆炸事故的预防控制及风险评价提供了方向。     

融合并行Elman网络与D-S理论的凝汽器故障诊断

凝汽器是火电机组的重要辅助设备,为确保汽轮机组的热经济性和安全性,需准确检测出其早期潜伏性故障。首先引入粗糙集属性约简方法,将凝汽器系统的故障征兆参数空间划分为多个子征兆参数空间,将其作为多Elman网络的输入,实现对凝汽器的初步诊断。然后利用D-S理论融合算法对各证据体信息进行融合,利用组合规则实现对凝汽器故障的最终诊断。最后以某厂300MW汽轮发电机组凝汽系统后轴故障为例建模仿真,结果表明:基于多Elman网络的信息融合比单一网络的诊断具有更精确的识别能力,置信区间为[0.967 8 0.968 6],不确定性降为0.000 8。     

基于Hopfield网络的时滞分析故障诊断策略

振荡是化工过程中常见的对全流程运行性能有显著影响的故障类型,仅基于数据幅值域知识的故障诊断方法对这一类故障诊断性能不佳。时滞分析基于数据信号时域知识,根据波形相关性分析变量之间因果关系,通过得到的因果模型确定故障完整传播路径,可进一步识别出扰动发生的根本原因。将Hopfield网络与时滞分析相结合,解决了时滞分析当变量数众多时,从变量对的因果关系难以得到故障传播路径的问题,并同时讨论了时滞分析数据窗选取、对称时滞确立等的原则,提升了故障传播路径建立的准确度,建立了基于时滞分析的完备的故障诊断策略,最后通过TE模型验证了方法的优越性。     

基于深度残差网络的化工过程故障诊断

本工作提出了一种基于深度残差网络(DRN)的化工过程故障诊断方法,可从大量化工过程运行数据中自动提取故障特征。模型采用快捷连接缓解传统深度神经网络训练困难的问题,且使用批归一化(BN)方法,可有效缓解梯度消失/爆炸的问题。以田纳西?伊斯曼(TE)过程为实验对象对所提方法进行诊断性能评价实验,并与以往的基于传统深度学习模型的TE过程故障诊断方法进行对比,进一步探究了模型层数、BN技术和残差结构对故障诊断率的影响,最后,通过t分布随机邻域嵌入(t-SNE)方法对网络部分层的输出进行可视化。结果表明,模型对21种工况取得了94%的平均故障诊断率和0.30%的平均假阳率,表现出更加卓越的诊断性能。输出层的二维散点图显示了清晰的聚类,表明所提出的DRN模型能够对故障进行准确诊断。     

基于贝叶斯网络的常减压装置塔体安全性预测

针对炼油厂中常减压装置塔体失效情况展开分析,建立故障树模型。由于考虑了故障之间不确定性的逻辑关系,所以将故障树模型转化成贝叶斯模型。通过对条件概率的修正,对故障进行安全性预测推理,得出比传统分析方法更准确更合理的预测结果。     

基于贝叶斯网络的煤与瓦斯突出危险性评价

针对煤与瓦斯突出危险性评价问题,采用MATLAB数据分析软件编写贝叶斯网络分析程序,对试验煤样的坚固性系数、开采深度等煤与瓦斯突出危险性评价指标进行贝叶斯网络模型分析,对不同指标的影响程度进行分析排序。并根据贝叶斯网络模型的分析结果,建立煤与瓦斯突出危险性判别模型,为评价矿山瓦斯突出问题提供依据,对矿山安全生产预防具有重要意义。     

网络故障诊断技巧

介绍了网络故障诊断的原则和一般步骤,分析了网络诊断的常用技巧。