关于T3000系统ADDFEM卡件故障存在调门关闭风险的改进

介绍了西门子T3000系统高速采集ADDFEM卡件单个故障时,其所处理的汽轮机转速、高中压调门反馈等信号可能会保持故障时刻值,此时逻辑运算无法识别正确的反馈信号,将存在高、中压调门误关、机组跳闸的风险。通过逻辑修改,当卡件故障时,将故障侧所采集的信号替换为另一侧的好值,使ADDFEM卡实现真正意义上的冗余。

基于混合GA-BP的水泥生产线回转窑轴承故障诊断研究

针对水泥生产设备在生产过程中的状态及故障类型不易被诊断的情况,通过在水泥生产线中的回转窑驱动装置轴承上布置传感器,对所采集到的数据使用均值分析法进行特征参数提炼;本文分别构建基于BP神经网络、GA智能诊断算法和混合GA-BP神经网络的故障诊断模型并进行求解;通过对输出的结果进行对比发现,基于混合GA-BP神经网络在故障诊断准确率、模型训练损失率、收敛时的迭代次数等方面均表现的比BP神经网络和GA智能算法优越,同时混合GA-BP神经网络波形的稳定性强,网络收敛性能好,平均误差低。这表明混合GA-BP神经网络应用在设备故障诊断时,不仅具备了BP神经网络和GA智能算法学习方面的优点,而且在很大程度上弥补了对预测数据的“过拟合”以及陷入“局部最优”的不足。实验对比结果表明,基于混合GA-BP的模型在对水泥生产设备进行故障诊断时的效果更好,在故障预测过程中表现出强大的全局择优能力,可以更好的应用到故障诊断中。

基于双通道特征融合的CNN-LSTM轴承故障诊断方法

针对滚动轴承故障诊断过程中特征提取复杂、难以捕获时间序列数据之间的长期依赖问题,提出了双通道特征融合的CNN-LSTM故障诊断模型。首先将原始振动数据同时输入到CNN中和LSTM通道中,其次利用CNN和LSTM的各自优势分别提取原始振动数据的空间特征以及时序信息特征,将提取到的特征信息进行融合,最后将融合后的特征输入到softmax完成故障分类。经实验证明,与CNN-LSTM、CNN、LSTM 3种故障诊断模型相比,所提出的模型直接以原始信号进行故障诊断的准确率可达99.64%,且融合后的特征更容易区分不同故障状态。在不同噪音背景下,所提模型也保持了95%以上的故障诊断准确率,具有较好的抗噪性。

基于WOA优化卷积神经网络的齿轮箱故障诊断研究

针对传统齿轮箱故障诊断准确率不高、诊断算法耗时长、模型容易陷入局部最优等问题,提出一种基于鲸鱼算法优化卷积神经网络的WOA-CNN模型,结合WOA算法结构简单、参数少、搜索能力强且易于实现等特点,对CNN卷积核的大小、个数、学习率等参数进行寻优,利用所得全局最优参数重构WOA-CNN模型并进行齿轮箱故障诊断。实验结果表明,相比一般神经网络优化方法,WOA-CNN算法能够从原始信号中提取更多有效故障特征,取得更好的识别准确率,有一定的工程应用价值。