基于小波神经网络的多联式空调机组传感器故障检测和诊断

针对多联式空调机组的结构复杂性以及传感器系统的非线性等特点,将小波神经网络用于对多联式空调机组传感器的故障检测与诊断。从实际生产环境中收集多联式空调机组运行数据,构建合适的小波神经网络,并针对常见的4种主要软故障进行诊断与预测,以验证其故障诊断能力,同时比较小波神经网络对于不同故障的敏感性。结果表明,小波神经网络对于多联式空调机组传感器故障检测和诊断具有良好的精度,对于偏差、漂移和失效的检测效果尤为明显。     

基于小波变换的多尺度主元分析在传感器故障诊断中的应用

讨论了多尺度主元分析方法在传感器故障诊断中的应用问题.为了解决传统的多尺度主元分析方法不能实现对传感器故障的全面检测问题,本文结合小波变换在相关传感器信号的各个尺度上建立主元分析模型,使这种方法能够同时检测到低频故障和高频故障.实际应用中设计了固定窗长的移动窗口,根据最后一个尺度系数计算残差空间的平方预报误差统计量进行故障检测;在检测到传感器故障后,再采用传感器有效度指标这种具有定量辨识标准的参数对故障传感器进行辨识.最后,通过液体火箭发动机试车台液氢供应系统的传感器故障诊断验证了这种方法的实用性和有效性.     

基于主元分析的多联式空调系统传感器故障检测和诊断

作为多元数据分析方法之一,主元分析(PCA)被广泛运用于诊断制冷空调系统的传感器故障。本文首先结合热平衡原理以及多联机运行的控制逻辑,筛选系统中常用的18个传感器变量建立多联机(VRF)传感器的故障分析(FDD)模型。然后结合主元分析的算法原理,给出以Q统计量和Q贡献率为检验标准的传感器故障检测与诊断流程。接着用实测数据进行验证工作,引入不同类型和程度的传感器故障,分析得到不同故障条件下的故障检测和诊断特性。结果表明,总体上,主元分析应用于多联机传感器故障检测与诊断过程是可靠的。其具体特征表现为：不同类型的传感器在不同故障类型及程度条件下,故障检测效果差异明显;在小偏差故障条件下,基于主元分析的传感器故障检测方法的故障检测效率较低,并且针对个别传感器而言,其整体故障检测效率偏低。鉴于故障诊断是基于故障检测的结果,因此上述故障检测方法在FDD过程中将起到重要的作用。     

主元分析用于多联式空调系统传感器故障检测和诊断

作为多元数据分析方法之一,主元分析(PCA)被广泛运用于诊断制冷空调系统的传感器故障。本文首先结合热平衡原理以及多联机运行的控制逻辑,筛选系统中常用的18个传感器变量,建立多联机(VRF)传感器的故障分析(FDD)模型。然后结合主元分析的算法原理,给出以Q统计量和Q贡献率为检验标准的传感器故障检测与诊断流程。利用实测数据验证工作,引入不同类型和程度的传感器故障,分析得到不同故障条件下的故障检测和诊断特性。结果表明:总体上,主元分析应用于多联机传感器故障检测与诊断过程是可靠的。具体特征表现为:不同类型的传感器在不同故障类型及程度条件下,故障检测效果差异明显;在小偏差故障条件下,基于主元分析的传感器故障检测方法的故障检测效率较低,并且针对个别传感器而言,其整体故障检测效率偏低。鉴于故障诊断是基于故障检测的结果,因此上述故障检测方法在FDD过程中将起到重要的作用。     

基于小波去噪和神经网络的冷水机组故障诊断

对基于神经网络方法的冷水机组故障监测效率取决于训练数据和被测数据的质量问题进行了研究。采用小波变换的方法剔除测量数据中的噪声,提高数据质量,从而提高冷水机组故障诊断效率。结果表明:采用小波变换使得各个水平故障的检测效率均得到提高,尤其水平一的故障检测效率提高明显。故障水平一检测率的提高能够及时的辨别冷水机组的故障,从而采用措施防止故障进一步恶化,对降低能源消耗、提高系统的可靠性以及保证室内舒适性具有重要的意义。通过利用ASHRAE Project提供的数据对故障诊断与检测(fault detection and diagnosis)策略进行验证,检测率明显提高。     

三向加速度传感器故障诊断方法研究

对三向加速度传感器提出了一种具有传感器故障诊断模块的系统故障诊断框架.三向加速度传感器故障诊断模块采用了一种基于神经网络和冗余率计算的新方法.该方法先用RBF神经网络对传感器的输出进行预测,若预测值与输出值发生较大的偏差,存在的可能是传感器发生故障或设备发生故障,运用传感器之间的冗余率,可以进一步判断传感器是否发生故障,进而产生决策策略.     

基于小波函数的核主元特征约简方法研究

提出一种基于小波核函数的核主元特征约简方法,核函数是核主元分析的关键,将Mexican hat小波函数引核主元分析中,以增强核主元分析的非线性映射能力.用转子在正常、油膜涡动、不平衡和径向碰摩状态下的实验数据对该方法进行了检验,比较了主元分析、核主元分析与小波核主元分析的效果.结果表明,小波核主元分析方法能有效地区分转子故障模式,更适合于故障诊断中的非线性特征约简.     

基于MSPCA方法的VAV系统传感器故障检测的应用研究——运用小波变换改进PCA故障检测方法

变风量(VAV)空调系统对控制的要求较高,作为控制系统中非常关键的元件传感器,一旦出现故障将直接影响控制系统的决策,从而使空调系统的运行偏离设计的要求.因此,变风量空调系统传感器的故障检测与诊断研究是很有必要的.将采用多尺度主元分析法(MSPCA, Multidimensional Scaling Principal Component Analysis)对传感器故障的检测与识别进行分析.     

包装过程的故障检测与诊断

对于控制复杂、难以精确描述数学模型的包装过程，提出了基于小波变换的故障检测方法，故障诊断能过神经网络来实现。     

基于小波神经网络的水下航行器传感器故障诊断

针对水下航行器系统的传感器故障诊断问题,提出了一种基于小波神经网络的传感器故障诊断方法．在对水下航行器系统的传感器故障信号进行特征提取时,发现其大部分能量都集中在低频部分．若直接以此能量分布来区分正常与故障、故障与故障的信号,将导致神经网络训练时间和分辨时间都会很长,因而不能实时地监控系统．为了很好地进行区分,凸显其差异,将低频部分能量舍去,只保留其余部分,并将其归一化,再利用径向基神经网络进行分类．利用小波分解的节点能量差异与特征提取特点以及神经网络的自我学习能力,通过大量的样本训练后,使神经网络很好地分辨出5类故障信号及正常信号．仿真结果表明：此方法简单、易于实现,适于水下航行器的传感器故障的诊断．     

基于PCA-Clustering的压缩机回液故障诊断

在多联机(VRF)空调系统中,压缩机回液将导致能量损失。本文结合大数据提出了一种基于PCA-Clustering的压缩机回液故障诊断的方法。首先提取出故障相关变量,并通过数据预处理,剔除异常值与空值;然后将处理后的数据进行主成分分析(PCA),获取降维后的新主元变量数据;最后将新的主元变量进行聚类分析(Clustering analysis)得到回液故障数据分类标签。结果表明:该方法能够在数据标签未知的情况下,较好的区分不同类别的压缩机回液故障及正常数据,使压缩机回液故障诊断率达到94.29%。     

神经网络技术与小波分析相结合的故障诊断方法

提出了一种将神经网络技术与小波分析相结合的故障诊断方法,对诊断对象进行时域信号采集,通过小波分析,获得所需参数,再将此参数作为神经网络的输入量,从而达到故障诊断的目的.     

基于自适应模糊神经网络的发动机故障诊断

发动机是车辆的核心部件,及时有效地发现并排除故障,对降低维修费用,减少经济损失,增加发动机工作时的可靠性,避免事故发生具有重大的意义。以某型号发动机为研究对象,运用测试技术、信号处理、小波分析、神经网络和模糊控制理论,提出了自适应模糊神经网络发动机故障诊断。首先建立了发动机故障信号采集试验台,在试验台上人工模拟四种工况,通过加速度传感器采集正常工况和异常工况的振动信号。再利用小波理论对采集到的振动信号进行消噪处理,提高信噪比,并提取出故障信号的特征值,作为网络训练和测试的样本数据。用样本数据训练和检测自适应模糊神经网络,即对发动机故障进行模式识别。通过仿真分析,取得了很好的诊断效果;同时与传统的BP神经网络故障诊断方法进行对比,无论在诊断精度上还是学习速度上,模糊神经网络在故障诊断中更具有优势。     

基于旋转电极的电容层析成像技术图像融合算法

针对固定电极的电容层析成像技术独立测量值较少,且由于电极位置的影响而导致重建图像失真等问题,提出了一种基于16旋转电极的电容层析成像技术系统模型及对应的图像融合方法。模型对16电极的电容层析成像技术模型进行4次旋转,得出的数据分别采用线性反投影算法和修正共轭梯度法算法进行图像重建,再将重建的5张图像进行小波变换,变换得到的低频和高频成分分别采用加权平均和主分量分析的融合准则进行图像融合。实验结果表明:提出的电容层析成像技术旋转模型通过增加测量电容数,结合图像融合方法可明显提高重构图像质量,降低成像误差。     

基于复解析小波变换的瞬时频率分析方法

提出了利用基于复解析小波变换的瞬时频率分析的新方法。复解析小波变换将Hilbert变换与小波分析紧密结合在一起，具有自适应分析能力。对信号作复小波解析变换得到信号的瞬时频率，通过瞬时频率的功率谱分析就可提取信号特征。通过对齿轮故障振动信号的分析，表明该方法能有效地诊断齿轮局部故障，且与传统的频域方法相比具有更好的分析效果。     

基于NIC-DWT-WOASVM的齿轮箱混合故障诊断

由于齿轮箱中振动信号的复杂性和非平稳性,致使齿轮箱混合故障诊断工作具有一定难度。针对这一问题提出基于NIC-DWT-WOASVM的齿轮箱混合故障诊断方法。首先通过窄带干扰消除(Narrow Band Interference Canceller, NIC)滤除原始信号中齿轮啮合和转轴等窄带干扰信号,接着对信号进行离散小波变换(Discrete Wavelet Transform, DWT),重构小波系数得到小波分量,提取分量的方差作为特征参数构成特征矩阵样本。针对传统优化支持向量机收敛速度慢及容易局部最优等问题,提出鲸鱼算法优化的支持向量机(Whale Optimization Algorithm Support Vector Machine, WOASVM),运用训练样本对WOASVM进行训练得到优化分类模型,将测试样本输入到优化模型中得到诊断结果。为验证方法的有效性,开展了变工况下齿轮箱混合故障实验,通过实验分析及与其他方法的比较,证明方法对于齿轮箱混合故障诊断是有效的。     

Wavelet Transform and Neural Networks in Fault Diagnosis of a Motor Rotor

In the motor fault diagnosis technique,vibration and stator current frequency components of detection are two main means.This article will discuss the signal detection method based on vibration fault.Because the motor vibration signal is a non-stationary random signal,fault signals often contain a lot of time-varying,burst properties of ingredients.The traditional Fourier signal analysis can not effectively extract the motor fault characteristics,but are also likely to be rich in failure information but a weak signal as noise.Therefore,we introduce wavelet packet transforms to extract the fault characteristics of the signal information.Obtained was the result as the neural network input signal,using the L-M neural network optimization method for training,and then used the BP network for fault recognition.This paper uses Matlab software to simulate and confirmed the method of motor fault diagnosis validity and accuracy.