基于深度置信网络的多模态过程故障评估方法及应用

传统的多模态过程故障等级评估方法对模态之间的共性特征考虑较少,导致当被评估模态故障信息不充分时,评估的准确性较低.针对此问题,首先,提出一种共性–个性深度置信网络(Common and specific deep belief network,CS-DBN),该网络充分利用深度置信网络(Deep belief network,DBN)的深度分层特征提取能力,通过度量多模态数据间分布的相似性和差异性,进一步得到能够反映多模态过程共有信息的共性特征以及反映每个模态独有信息的个性特征;其次,基于CS-DBN,利用多模态过程的已知故障等级数据生成多模态共性–个性特征集,通过加权逻辑回归构建故障等级评估模型;最后,将所提方法应用于带钢热连轧生产过程的故障等级评估中.应用结果表明,随着多模态故障等级数据的增加,所提方法的评估准确率逐渐增加,当故障信息充足时,评估准确率可达98.75%;故障信息不足时,与传统方法相比,评估准确率提升近10%.

图像引导和点云空间约束的公路洒落物检测定位方法

公路洒落物是影响交通安全的重要因素之一,为了解决中小尺度公路洒落物检测中的漏检、误检以及难以定位等问题,本文提出了一种图像引导和点云空间约束的公路洒落物检测定位方法。该方法使用改进的YOLOv7-OD网络处理图像数据获取二维目标预测框信息,将目标预测框投影到激光雷达坐标系下得到锥形感兴趣区域(region of interest,ROI)。在ROI区域内的点云空间约束下,联合点云聚类和点云生成算法获得不同尺度的洒落物在三维空间中的检测定位结果。实验表明:改进的YOLOv7-OD网络在中尺度目标上的召回率和平均精度分别为85.4%和82.0%,相比YOLOv7网络分别提升6.6和8.0个百分点;在小尺度目标上的召回率和平均精度分别为66.8%和57.3%,均提升5.3个百分点;洒落物定位方面,对于距离检测车辆30~40 m处的目标,深度定位误差为0.19 m,角度定位误差为0.082°,实现了多尺度公路洒落物的检测和定位。

轨道交通能量互馈式交流牵引传动综合测试系统的设计

针对轨道交通牵引传动系统性能测试与特性试验需求,设计一种列车交流牵引传动测试系统。系统由四象限整流器、DSP控制单元、牵引变流器、负载变流器、牵引电机与负载电机组成。牵引变流系统采用全新的“双变流器--交流电机负载反馈”方案,能量通过直流侧在牵引电机与负载电机之间互馈,避免试验过程中能量的大量消耗。系统可实现牵引变流器的牵引/制动工况性能测试,牵引电机性能测试、特性试验与功率测量,具有高智能化与自动化、安全可靠、测试准确度高、能量利用率高的优点。

基于MEMS加速度计与磁力计的位移计设计

基坑水平位移监测是基坑安全的重要检测项目之一。针对现有的阵列式位移计在基坑水平位移监测中容易产生扭转误差的问题,设计了一种基于MEMS加速度计与磁力计的位移计,能够同时满足基坑水平位移与沉降位移监测的需求。介绍了位移计自动化实时监测系统组成。对位移计的结构以及监测节的硬件电路进行了设计,并制作完成了位移计样机。阐述了位移计通过对加速度计与磁力计的数据进行融合,计算位移坐标的测量原理和扭转误差校正的方法。最后通过模拟监测节间发生扭转时位移计水平位移监测的实验,以及位移计沉降位移监测试验。实验结果表明,该位移计能够精确测量水平与沉降位移,并能够有效校正位移计竖直安装时监测节扭转带来的扭转误差。

基于STM32的智能家居安防系统设计

物联网应用技术快速发展,智能安防产品受到越来越多人的关注,尤其是智能家居安防产品。为了最大程度确保人身以及财产安全,满足人民群众对自身安全和家庭安防的要求,以STM32为主控芯片,结合各类智能传感器、控制器、报警器及智能手机小程序,设计并实现一套基于STM32的家居安防报警系统,该系统能实时、远程监测家居室内外环境状况,及时、有效防止家居安全事故发生,对保护家庭成员生命、财产安全具有重要的现实意义。

压电式多维力传感器研究

针对传统压电测力仪有效测试区域有限、在不同测试位置输出结果不一致、扭矩值获取繁琐的等问题,基于传感器布置方式及石英晶片切型的特点,提出一种采用正八边形晶片的多维力传感器。在理论分析的基础上,通过计算仿真验证了正八边形晶片的设计合理性。对研制的多维力传感器进行了标定实验,标定结果显示:各传感器切向灵敏度高、各向线性及重复性好、向间干扰小,具有良好的测试性能。

基于Raspberry Pi的安全帽识别系统设计与实现

为了便于施工危险区域人员的自动化识别,提出了一种基于Raspberry Pi的安全帽识别算法。该算法将摄像头采集到的原始视频图像进行滤波、形态学等处理,再对图像中的安全帽进行识别。对于彩色安全帽,将原始图像转换到HSV空间,根据不同颜色色调阈值的设定同时识别红、黄、蓝三种颜色的安全帽,并结合形状特征剔除错误目标。对于白色安全帽,将原始图像转化成B通道下的灰度图像,解决了将黄色误检为白色的问题。采用V通道直方图均衡化的方法,提升了昏暗光线条件下的图像亮度。实验结果表明:在无需提前训练的情况下,算法对于单色安全帽识别准确率超过了91%,对于多色安全帽识别率超过了90%,为施工危险区域的安全隐患排查和作业管控提供了解决方案。

一类伴有部分解耦干扰的非线性系统故障诊断

针对Lipschitz非线性系统执行器故障检测和传感器故障估计问题,本文提出了一种基于H_/L_(∞)未知输入观测器的有限频域故障诊断策略.首先,将系统处理成包含传感器故障的增广系统.然后,将该系统的未知输入干扰分为可解耦与不可解耦两部分.针对可解耦部分,利用观测器匹配条件将其从估计误差中消除.针对不可解耦部分,设计L_(∞)指标抑制其对残差的影响并结合有限频域H_指标提高执行器故障检测灵敏度.接着,给出观测器存在的充分条件并将其转化为受LMIs约束的线性优化问题,实现了执行器故障的鲁棒检测及传感器故障的鲁棒估计.最后,结合仿真算例验证了所提方法的正确性与有效性.

基于计算机视觉的公路边坡裂缝监测方法

为及时发现裂缝问题并减少潜在的危害,提出一种公路边坡裂缝的自动监测方法。以公路边坡裂缝为研究对象,针对裂缝图像形态不规则、周边环境干扰大的特点,设计了公路边坡裂缝分割网络(slope cracks segmentation network,SCSNet)和公路边坡裂缝几何参数计算方法。该网络首先采用编码器逐渐捕获更高层次的语义特征,其次采用解码器通过逐渐恢复空间信息并结合跳跃连接融合不同尺度间的信息,然后利用通道注意力机制,学习每个通道间的特征,增强裂缝的特征表达。另外,提出参数计算方法,基于连通域分析得到裂缝连通域,并计算裂缝长度、宽度、面积几何参数。实验结果表明:裂缝分割网络的平均交并比达87.86%,该网络能较好地提取公路边坡裂缝特征;裂缝几何参数计算方法能较准确地测算裂缝的当前状态。

基于领域自适应的变工况轴承故障诊断

针对轴承故障诊断中存在训练样本和测试样本分布不同及各类故障数据不平衡导致故障识别率低的问题,设计了一种基于改进残差网络(ResNet)的领域自适应故障诊断方法。在诊断网络第1层使用多维度卷积结构进行特征提取,得到不同维度的故障特征信息;在领域自适应层采用局部最大平均差异(LMMD)对齐源域和目标域的分布,获取更多细粒度信息;使用类平衡损失函数(CBLoss)解决不平衡数据的训练问题,以Adam优化网络实现故障诊断。实验结果表明,所提方法可在故障样本类别不平衡下有较高的诊断结果。在2个轴承数据集和采集的风力发电机数据上进行实验验证,结果表明,所提方法具有一定的优越性,在数据样本不平衡情况下,诊断性能优于深度神经网络和领域自适应网络等深度迁移学习方法,可作为一种有效的跨工况故障分析方法。

新型ADETCS下工业信息物理系统综合安全控制

针对一类虚假数据注入(FDI)攻击与故障共存的工业信息物理系统(ICPS),在新型自适应离散事件触发通信机制(ADETCS)下,研究了综合安全控制与通信的协同设计问题。引入ADETCS取代传统离散事件触发通信机制,构建安全与通信可自适应协同优化运行的ICPS架构;通过对ADETCS中阈值函数的优化设计,获得一种可随系统动态行为双向连续变化的新型ADETCS;在该机制下,基于主动容侵和容错的思想,通过构造Lyapunov泛函,借助新型Bessel-Legebdre不等式、锥补线性化(CCL)等少保守性技术,在统一的自适应变采样框架下,推证出鲁棒估计器与综合安全控制器的求解方法,使ICPS可同时防御FDI攻击与故障,并具有更优的自适应通信调节能力。仿真结果表明:新型ADETCS中阈值函数的巧妙设计及CCL的应用,相较现存通信机制和设计方法,可使ICPS的综合安全控制性能与资源节约获得更优的折中平衡。

基于增量式等距映射同双重局部密度方法的工业过程故障检测

针对工业过程的非线性和动态性问题,提出一种基于流形学习下的增量式等距映射(IISOMAP)与双重局部密度(DLD)相结合的故障检测方法(IISOMAP-DLD).利用IISOMAP将原始数据映射到低维流形特征子空间和剩余子空间;然后,在两个子空间中分别引入双重局部密度方法构建统计量对过程进行监控;最后,将IISOMAP-DLD方法应用到田纳西-伊斯曼(TE)过程.实验结果表明,IISOMAP-DLD对比其他方法有更高的故障检测率.IISOMAP在保留数据内在特征的同时,解决了过程的非线性问题,而双重局部密度方法可消除过程的动态性.

MACDCGAN的发电机轴承故障诊断方法

在实际工况中,发电机中传感器采集到的故障样本数据有限,使用基于深度学习的方法进行故障诊断存在过拟合问题导致模型泛化能力较差以及诊断精度不高。为了解决这个问题,采用样本扩充的思路,提出了一种改进的辅助分类器条件深度卷积生成对抗网络(MACDCGAN)的故障诊断方法。通过对采集的一维时序信号进行小波变换增强特征,构建简化结构参数的条件深度卷积生成对抗网络模型生成样本,并在模型中采用Wasserstein距离优化损失函数解决训练过程中存在模式崩塌和梯度消失的缺点;通过添加一个独立的分类器来改进分类模型的兼容性,并在分类器中引入学习率衰减算法增加模型稳定性。试验结果表明,该方法可以有效地提高故障诊断的精度,并且验证了所提模型具有良好的泛化性能。

基于多点电压电流信息融合的泵房设备故障诊断方法

为了实现自来水厂泵房及其二次加压泵房中配电设备与水泵故障的快速在线诊断与报警,保障泵房设备的安全运行,提出一种基于多点电压与电流信息融合技术的泵房设备故障在线诊断方法.基于泵房设备配电系统与设备构成,从理论上系统地分析了泵房配电设备与水泵常见故障所具有的电压与电流特征及其相互影响机理,使用配电线路中多个关键节点的实时电压、电流测量值进行融合处理,提取泵房配电主回路供电电压超限、配电线路中空气开关或接触器触头开路、水泵电机绕组开路、水泵电机绕组不平衡与匝间短路、水泵堵转、电机与水泵连接机构断开6类故障的故障特征,实现这些故障的在线诊断.阐述了故障诊断方法的执行条件、实现原理及具体实现步骤.使用MATLAB/Simulink搭建仿真模型进行实验验证,仿真结果表明,本文方法能有效地诊断泵房设备故障,克服了现有人工排查耗时耗力与离线分析不及时的不足,为自来水厂及其二次加压泵房配电设备与水泵的安全运行提供有效保障.

基于改进LSTM-SVM的双向DC-DC电力变换器故障诊断

目的为了解决双向DC-DC电力变换器的软故障诊断精度不高的问题,方法提出基于改进LSTM-SVM的双向DC-DC电力变换器故障诊断模型。首先,分析双向DC-DC电力变换器中电容、电感和MOSFET管的故障机理,通过仿真实验模拟各元件失效后变换器的输出电气参数变化,从而确定变换器不同元件故障时对应的故障特征参数;其次,构建改进的LSTM-SVM双向DC-DC电力变换器故障诊断组合模型,在LSTM中添加Mogrifier门机制,提高LSTM提取时间序列原始数据中微弱特征的能力;最后,由于传统LSTM的末端分类器为Softmax,其主要解决单一元件诊断问题,变换器故障类型较多,维数较高,所以采用麻雀搜索算法优化的SVM代替原有的Softmax函数,对LSTM输出的数据进行故障分类,提高故障诊断的准确率。设置双向DC-DC电力变换器充放电两种状态下,包含电解电容、电感和MOSFET单双管故障在内的24组故障,分别采用本文构建的改进的LSTM-SVM和原始的LSTM-SVM双向DC-DC变换器故障诊断模型进行诊断。结果结果表明,改进的LSTM-SVM故障诊断模型诊断准确率平均值为99.71%,原始的LSTM-SVM故障诊断模型诊断准确率平均值为88.48%,改进的LSTM-SVM故障诊断模型对各元件的故障诊断正确率均高于原始的LSTM-SVM故障诊断模型的。结论基于改进LSTM-SVM的双向DC-DC电力变换器故障诊断模型实现了对双向DC-DC电力变换器中的电解电容、电感和MOSFET单双管故障的准确诊断。

电动汽车永磁同步电机匝间短路检测算法仿真

当电机出现匝间短路故障时,电机内部电阻会大幅度降低,电流突增,造成其余元件功率过大问题。若不能及时监测该故障电机将会导致二次损坏。但是,由于短路故障具有瞬时性,其特征获取难度较大。为此提出电动汽车永磁同步电机匝间短路故障检测方法。构建驱动汽车的永磁同步电机模型,依据当永磁同步电机模型处于匝间短路故障状态时,基波电流与正序电流的制约关系失效的原理,提取电机匝间短路故障特征。基于此利用粒子群算法-最小二乘支持向量机(Particle swarm optimization-Least Squares Support Vector Machine,PSO-LSSVM)获取故障检测结果,实现电动汽车永磁同步电机匝间短路故障的检测。实验结果表明,研究方法在任意时刻检测到的负载力矩均与实际值吻合,且输出的电机残余能量具有较高可靠性,说明了上述方法具有较强的可应用性。

烟草制造业务系统智能运维平台的设计与应用

随着国家“两化融合”战略的提出和实施,烟草企业积极响应并进行全面的信息化建设,信息技术在烟草企业的深入发展,信息化业务系统以及数据量呈指数态势上升,同时烟草企业内部各个业务系统相对独立,在系统间缺乏有效的数据共享和协同,存在系统竖井的问题,业务端与设备端运维缺乏有效的协同支持,为运维人员的日常工作带来了很大的挑战。本文研究智能运维在烟草企业的落地场景,通过应用性能指标异常智能化分析、系统故障的智能化判断与辅助、日志集中管理与分析以及系统性能容量预测四大场景,设计以烟草制造业务与IT资源双稳定为运维视角的智能运维平台。

基于ZigBee的森林火灾预警监测系统的研究

针对森林火灾具有突发性和预防难度大的特点,设计了一种基于ZigBee的森林火灾预警监测系统。该预警监测系统将ZigBee的无线组网技术与无线传感器网络技术相结合,对火焰、湿度、温度、烟雾浓度等参数进行实时监测,并通过北斗短报文系统实现无地面通信环境下的导航、定位、数据采集和传输;同时,该预警监测系统设置了自供给电源模块,可以实现监测的实时性和连续性,大大提升了森林防火智能化程度。

基于改进残差网络的抽油机故障诊断研究

针对抽油机故障诊断的传统图像识别方法识别率高但速率较慢,或训练速度适宜但识别率较低等问题,提出一种基于改进残差网络模型的示功图图像识别算法。改进策略包括替换模型第1层卷积核,由更小卷积核代替;改变残差模块排列顺序;将传统ResNet50(残差网络)模型的全连接层替换成径向基函数(RBF:Radial Basis Function)网络作为额外的分类器;采用数据增强方式对数据集进行扩充,并利用迁移学习在改进的ResNet50-RBF模型得到ImageNet上预训练好的权重参数后进行训练。实验结果表明,改进的模型在示功图识别中得到了98.86%的准确率,与其他网络相比,鲁棒性进一步加强,并且速率得到一定提升,为抽油机故障诊断提供了一定参考。

基于NGO-VMD和改进GoogLeNet的齿轮箱故障诊断方法

目前的齿轮箱故障诊断方法,在多转速工况及噪声干扰下,存在过拟合及诊断效果不佳的问题。针对此问题,提出一种北方苍鹰(NGO)算法优化变分模态分解(VMD)结合改进GoogLeNet的齿轮箱故障诊断方法。使用NGO对VMD进行参数寻优,利用优化后的VMD去除故障信号中的噪声;对原始GoogLeNet的结构进行合理删减,并利用延迟丢弃法、可训练的ReLU函数(TReLU)对其改进;最后,将去噪后的故障信号转换为二维图作为改进GoogLeNet的输入数据进行网络的训练及分类,得到故障诊断结果。实验结果表明:与其他降噪方法相比,NGO-VMD方法的降噪效果明显,能显著提高故障诊断的准确率;与常见的卷积神经网络相比,提出的改进GoogLeNet能进一步提高故障诊断的准确率,达到了97.2%。