PRIDE轻量级密码的不可能统计故障分析

针对2014年美密会上提出的PRIDE轻量级密码的实现安全,提出了面向唯密文攻击假设的新型不可能统计故障分析方法,设计了卡方拟合优度-汉明重量区分器、卡方拟合优度-极大似然估计区分器等新型区分器。所提方法基于随机半字节故障模型,结合统计分布状态和不可能关系分析,围绕导入故障前后中间状态的变化,最少仅需432个故障即可恢复出PRIDE算法的128 bit原始密钥,且成功率达99%及以上。实验分析表明,所提方法不仅能减少故障数和耗时,而且进一步提升了准确率。该结果对轻量级密码的实现安全性提供了重要参考。

基于多通道卷积神经网络的柴油机复合故障诊断

针对复合故障诊断精度较低的问题,开展了柴油机多故障模拟实验,构建了基于AlexNet改进的多通道二维卷积神经网络模型,采用短时傅里叶变换将一维振动信号转换为二维时频图,导入构建的模型进行训练,实现特征自适应提取的故障诊断。将诊断结果与单通道卷积神经网络诊断结果比较发现:单通道卷积神经网络诊断只有在测点设置靠近故障源的情况下才能够获得较高的故障诊断准确率,否则诊断准确率明显降低,且复合故障诊断精度较低;多通道卷积神经网络的单故障和复合故障诊断精度均得到了提升,其中复合故障诊断精度提升了11.4%。

采动岩体损伤与断层冲蚀协同致灾时空演化机制

随着我国煤矿开采向深部延伸,断层突水成为威胁煤矿安全生产的重大灾害之一。基于采动诱发断层突水相关研究成果,笔者提出了采动岩体损伤破裂−破碎岩体(断层)冲蚀协同致灾的突水概念模型,推导了2种介质的渗透性演化方程,系统性构建了工作面采动破坏与断层内部颗粒冲蚀协同致灾力学模型;数值模拟研究了采动岩体变形破坏、断层内颗粒运移以及渗流通道演化特征,系统性阐释了采动诱发断层突水的渗流灾变时空演化机制。研究结果表明:①随着工作面不断推进,底板采动岩体损伤场与断层冲蚀裂隙相连通,形成了含水层—断层—采动裂隙—工作面的渗流路径,并随着冲蚀时间增加,最终发展成为数条优势导水通道,造成工作面涌水量的急剧增大并发生滞后突水。②随着渗流时间增加,断层内部涌水量、裂隙开度均表现为缓变—突增—稳定3个阶段,冲蚀颗粒体积分数则呈现先增大后减小的变化趋势。③在研究矿区地质条件下,为预防发生断层突水,可采取超前注浆或留设防水煤柱等方法,超前注浆时间应在底板裂隙带连通断层之前,若不采取注浆措施则合理防水煤柱的留设宽度不应低于20 m。

基于混合域残差注意力网络的滚动轴承智能故障诊断方法

机械设备正朝着大型化、精密化和自动化的方向发展,机械系统也因此变得越来越复杂。考虑到机械系统可能会发生无特征的灾难性故障,因此机械故障的自动检测是一个巨大的挑战。然而,现有的故障检测方法在对高度复杂的工业系统进行故障类型识别时,误诊率较高,无法给出准确的故障诊断结果。针对这一问题,本文以滚动轴承这一机械设备关键部件作为研究对象,提出一种基于混合域残差注意力网络的故障诊断方法,旨在结合深度卷积神经网络自动学习表示的优点,并配合通道注意力机制和空间注意力机制的关键特征提取能力,提高故障检测性能。实验结果表明,所提出的方法能够准确地检测轴承故障类型,在准确度指标方面优于其他方法。

混合数据驱动的轻量化YOLOv5故障选线方法

针对传统选线方法精度低、实时性差、易受噪声干扰的问题,提出一种混合数据驱动的轻量化YOLOv5选线方法,简记为MSE-YOLOv5。首先,以零序电流作为区分故障线路与非故障线路的判断依据,为了增强二者间数据对比差异性,利用小波变换将零序电流信号映射为二维时频图;其次,为了扩充样本数量,利用搭建的小电流接地系统仿真模型,通过改变故障点位置、初相位以及接地电阻等参数生成仿真数据,与真实数据构成混合数据集;然后,为了减少选线时背景噪声对微弱故障信号特征的影响,在所搭建检测网络的颈部网络中引入通道注意力模块,从而增强故障特征的表达能力;最后,为了提高选线实时性,在网络中引入轻量化网络以减少其参数量与运算量。为了验证所提出方法的优势,利用某变电站真实故障数据进行测试,并与4种经典算法进行比较。结果表明:所提混合数据驱动的轻量化YOLOv5故障选线方法具有较高精度,其选线精度可达95.2%,即使在噪声干扰条件下,选线精度依然可以保持在90%以上;具有更轻的体量及更快的选线速度,参数量下降至原网络的1/5,计算量下降至1/7,检测速度可达7.7 ms。因此,混合数据驱动的轻量化YOLOv5故障选线方法具有体量小、速度快、精度高的优点,有利于后期将其部署到现场设备中。

基于最小二乘法的变电站故障录波测距系统设计

当前,变电站故障区域受录波器性能的影响,阻抗值获取难度较大,导致故障区域测距效率较低。为提高变电站故障区域的测距效率、确保变电站的供电稳定,设计了基于最小二乘法的变电站故障录波测距系统。在系统硬件部分,采用分布式的电力故障录波器装置,收集变电站电力数据,利用以太网后台机完成数据传输。在系统软件部分,凭借最小二乘法计算模拟量通道的变比参数,校正电力录波装置通道间的相位误差,以提高录波器模拟量的测量精度。通过故障相电流差与相电压差获得阻抗值结果,计算出变电站故障录波的准确距离。试验结果表明:所设计系统的步角误差与测距误差均较小,故障录波测距误差降到了1%以内。该系统可以有效完成变电站故障点的精准定位,具有较高的参考价值。

基于信噪比和噪声功率密度测量的射频接收通道状态检测方法

针对传统射频接收通道中靠近天线射频前端的故障检测代价大,检测颗粒度受限等问题,提出了一种基于噪声功率密度测量的射频接收通道状态检测方法。利用噪声系数与增益的级联迭代关联特性,实现对射频接收通道中各单元故障的准确定位。对技术原理进行了理论推导,并构建测试系统验证了方法的可行性与有效性。与传统方法相比,该方法可减少自检电路设计复杂度,减少链路上各个单元自检成本,并可消除自检盲区,实现对故障单元的准确定位。

改进的残差网络及其在滚动轴承早期故障诊断中的应用

基于残差网络的滚动轴承故障诊断已经取得一定的成果,但传统的残差网络只能将输入信号进行自下而上的单向特征提取,如果当前层丢失信号中的有用信息,后续层将无法弥补丢失的信息.特别是滚动轴承发生早期微弱故障时,故障特征容易被噪声所掩盖.如何利用残差网络,充分提取滚动轴承早期故障特征,是一个亟待解决的问题.为此,本文提出一种具有密集连接机制(dense connection residual network,DRN)的新型残差网络.在DRN中,每个隐藏层都与输入信号建立有向连接,再利用通道级联算法,将输入信号和每个隐藏层特征进行重构,从而修复深层模型中遗漏的有用信息,获得更完整的故障特征.在XJTU-SY数据集上进行实验,当信噪比达到0 dB、-1 dB、-2 dB、-3 dB、-4 dB时,DRN的准确率均保持在95%以上,说明该方法具有较好的鲁棒性.

大倾角煤层液压支架推移千斤顶受载行为及破坏特征分析

大倾角煤层复杂的赋存条件影响着支架的安全性和稳定性,目前大倾角工作面开采面临的最关键问题是保证工作面支架稳定工作。文章通过对大倾角煤层?160/105-730型推移千斤顶力学行为分析,以及借助ANSYS Workbench软件进行推移千斤顶双向瞬态流固耦合分析,得出了液压支架推移千斤顶应力、变形特征,并结合实际工况,分析得出推移千斤顶涨缸窜液失效易发生在活塞杆和乳化液与推移千斤顶缸体交界处,应适当加厚活塞杆与缸体交接处的缸体厚度,并加强活塞杆与缸体交界处的密封,为大倾角工作面液压支架支护稳定性和采煤空间的安全性提供了保证。

基于通道注意特征融合的轴承故障诊断方法

针对传统故障诊断方法通常依赖单域信息输入,导致信号中的部分信息丢失或信息不完整使用的问题,提出了一种基于通道注意特征融合的轴承故障诊断方法。首先,将原始信号通过快速傅里叶变换(FFT)和连续小波变换(CWT)处理得到频域和时频图。然后,将来自不同域的2个样本输入双流Ghost Module(GM)神经网络故障诊断模型中提取频域和时频域特征,并结合通道注意力机制有效融合频域和时频域的重要特征,从而获得更丰富的故障诊断信息,实现对故障信号的准确分类。最后,利用美国凯斯西储大学、中国江南大学和加拿大渥太华大学的轴承故障数据集进行实验验证。结果表明,与现行主流模型相比,基于通道注意特征融合的轴承故障诊断方法在3个数据集上的分类故障诊断准确率分别达到99.78%、98.50%和97.65%,证明该方法具有良好的诊断效果。

基于RF与D-S证据理论融合的多通道齿轮箱复合故障诊断

针对齿轮箱复合故障特征难于提取,诊断缺乏自动识别性,且单通道往往无法全面表征故障信息等问题,提出一种基于随机森林与证据理论相融合的多通道齿轮箱复合故障诊断方法。首先通过小波包变换对各通道复合故障信号进行分解,得到故障信号的特征向量;之后引入一种新的特征集组合框架构建针对不同故障的特征数据集,通过随机森林算法划分单个分类模型;接着综合考虑各分类模型,合成每个通道下的集成分类器,并提出一种新的迭代自更新策略不断完善分类器的性能;最后设计一种基于Lance距离的改进D-S证据理论算法,该算法采用Lance距离来度量各空间证据间的证据距离,并构造Lance矩阵,由此获得相似度矩阵来衡量各证据体间的相似程度和支持度,通过计算各通道的敏感度权重系数进行BPA修正,获得最终的诊断融合结果。通过齿轮箱试验平台进行算法验证,结果表明该方法能有效识别出复合故障中包含的每类故障,并能全面融合不同通道的故障冗余信息,实现齿轮箱复合故障的精确诊断。

河套盆地北缘色尔滕山河流地貌参数特征及其成因分析

地貌形态是构造和地表过程相互作用的复杂产物,主要通过构造活动和岩石的抗侵蚀能力等来调节。构造活动相对较弱的古老造山带往往可以忽略构造驱动的岩石抬升,使得研究岩石抗侵蚀能力对其地貌雕刻的贡献成为可能。但是目前大多数活动造山带地貌研究的结果显示地貌主要受控于活动构造,关于岩性对地貌演化影响的报道较少。色尔滕山山前断裂为河套盆地北缘的一条重要控盆断裂,全新世以来该断裂的活动性较强,曾发生过两次较大震级地震(M6.4和M5.9)。前人活动构造研究表明该断裂的活动性具有空间差异,中部乌加河镇活动性最强,两端逐渐减弱。但相对河套盆地北缘其他大型断裂(如狼山山前断裂、乌拉山北缘断裂和大青山山前断裂),该断裂的地貌参数研究较少。同时其地貌演化特征及发育机理仍然不清楚,这些均制约了对该断裂的变形动力学理解。本文基于30 m分辨率的DEM数据对该断裂进行详细的河流地貌学参数研究,包括使用Arcgis和Matlab脚本提取色尔滕山山前33条河流的子流域盆地面积-高程积分(HI)和相应河道陡峭指数(K_(sn))、河道纵剖面及其裂点等地貌学参数。结果表明研究区河流HI值大部分处于0.40~0.66之间,其中乌加河镇附近具有高值,流域盆地处于发育的壮年期。瞬态河道和稳态河道均沿着色尔滕山山前断裂走向分布,可能表明色尔滕山山前大部分河道目前处于瞬时地貌向均衡地貌演化阶段,并且通过对比发现瞬态河道裂点成因存在岩性和构造共同控制的现象。河道陡峭指数空间分布差异性较大,乌加河镇附近(S13~S20)陡峭指数较大,向两边陡峭指数逐渐减小,在S8河流以西又有增大的趋势。通过结合岩性和降雨情况分析发现,河道陡峭指数除了受岩性抗侵蚀能力影响外,其分布还与色尔滕山山前断裂垂直滑移速率分布和垂直位错分布基本一致。综合来看,地貌参数的空间分布是岩性差异和色尔滕山山前断裂活动分段差异性共同控制的结果,表明该地区岩性和构造对地貌的协同塑造作用。

基于路径延迟故障序列的硬件木马检测方法

针对基于侧信道信号的硬件木马检测普遍面临的两类问题,即需要黄金芯片和信号测量成本大,提出一种利用路径延迟故障序列的检测方法。基于时序冲突时电路路径产生延迟故障的先后顺序,间接利用路径延迟之间相对大小关系产生芯片检测ID;检测不依赖于黄金芯片,且在大范围的环境变化和工艺偏差下具有稳定性;故障序列在芯片设计阶段仿真获得,无需额外硬件开销。对ISCAS-89基准和AES-128电路实例验证了检测的有效性,其可成功检测插入的两种类型硬件木马。

轮毂电机轴承故障的MIWF-2DCNN诊断方法

为了有效监测复杂工况下分布式驱动电动汽车用轮毂电机的运行状态,提高其轴承故障的识别准确率,提出一种基于多信息加权融合和二维卷积神经网络(MIWF-2DCNN)的故障诊断方法。首先,将轮毂电机轴承的多方位振动监测信号分别进行二维数据重构和时频变换,逐一转化成灰度图后按照方位顺序堆叠成时域灰度图集和时频域灰度图集,作为故障诊断模型的输入;其次,将高效通道注意力机制(ECANet)的网络结构进行改进,提出了改进高效通道注意力机制(iECANet),其核心思想是在全局平均池化(GAP)基础上添加上全局最大池化(GMP)分支,基于有效信息的贡献度更新各分支的权重系数,进而提取时域和时频域的故障特征,实现了多信息加权融合;再次,利用GMP简化传统二维卷积神经网络(2DCNN)模型的一层全连接层,实现了网络轻量化。最后,基于轮毂电机不同工况下实验数据,进行同一工况下对应验证、不同工况下交叉验证及消融实验验证。结果表明所提的MIWF-2DCNN模型能够有效提取轮毂电机轴承故障特征,在复杂环境和多变工况下故障识别率保持在95%以上,整体优于传统的LeNet-5、1DCNN模型。

基于双通道时频卷积神经网络的故障电弧检测

交流故障电弧产生的高温极易点燃周围的可燃材料,是引发电线火灾的重要原因之一.准确检测不同类型的故障电弧对于预防重大火灾事故的发生具有重要意义.然而故障电弧的复杂性与隐蔽性给检测方法带来了极大挑战.基于阈值和电流特征提取的技术难以全面概括故障电弧的特征,而大多数基于深度神经网络的方法直接对电流信号进行特征学习,忽略了信号中的频率信息,从而导致泛化能力差的问题.对此,本文提出了基于时频特征学习的双通道时频卷积神经网络的故障电弧识别方法,设计了可学习的自适应离散小波变换,用于提取一维信号中的多尺度特征,同时通过短时傅里叶变换获取二维的时频图像特征,分别在这2种特征信号上进行卷积,最后将2个通道中学习的特征进行融合,用于分类预测.通过对故障电弧发生器采集到的3种工况下电弧电流信号进行性能评估,验证所提方法的有效性.实验结果表明,该方法与其他同类方法相比具有更高的电弧识别准确率,达到了97.91%.

基于MCABResnet的二维滚动轴承故障诊断新方法

针对时域信号冗余度大及滚动轴承故障诊断效果和强噪声环境下诊断正确率低和泛化能力差的问题,提出一种新的基于多联合注意力机制和多残差卷积块的多尺度进化故障诊断方法。采用宽、窄核卷积的跃迁块和多联合注意机制对深层卷积进行特征补充,减少特征流失,保证特征图的质量。通过通道和空间注意力权重的分配,为卷积层提供不同的权重参数,进行自适应特征细化。将提出的方法分别在凯斯西储大学轴承数据集和东南大学轴承数据集进行试验验证及分析。结果显示:所提方法的分类正确率超过99.75%,即使在强噪声环境下,分类正确率也超过98.5%;在变工况下,平均分类正确率超过了90%。因此,所提方法具有良好的故障诊断效果、泛化能力和抗噪声性能。

基于振动信号图像特征的降噪残差网络轴承故障诊断

针对将一维原始轴承振动信号作为既有轴承诊断模型的输入所致训练效率、抗噪性欠佳的问题,提出一种基于振动信号图像特征的自适应降噪残差网络轴承故障诊断方法。首先将一维轴承振动信号进行截断、重叠采样后重构成信号矩阵,最后将其编码为图像得到振动信号图像;再对图像进行直方图处理,计算得到其灰度分布特征矩阵,并将振动信号图像和对应的特征矩阵作为算法模型的输入;同时,在提出的网络模型中在残差卷积映射的过程中插入基于通道注意力机制的降噪路径,通过自适应地获得阈值进行降噪,提高网络对含噪声样本的故障特征提取能力。最后通过对比实验证明:网络模型在加入灰度分布特征后有更好的性能表现,提出的自适应降噪残差网络模型在将含有噪声的振动信号作为输入的情况下仍具有较高的故障识别精度。

断溶体油藏井洞垂向窜流试井解释模型

断溶体油气藏储层类型多样,非均质性极强,常规多重孔隙介质模型以及简单溶洞等势体模型难以广泛应用。文中针对断溶体油藏复杂的地质特征,考虑大溶洞向井筒的垂向窜流以及小尺度缝洞储集体分别向井筒和大溶洞的径向供给作用,建立了双层双重孔隙介质井洞垂向窜流试井解释模型;利用Laplace变换方法获得井底压力解,绘制井底压力典型曲线并划分流动段,对窜流通道传导率、大溶洞半径、裂缝传导系数比等参数进行了敏感性分析。结果表明:窜流通道传导率主要影响早期窜流“下凹”特征,数值过大或过小均会导致早期窜流“下凹”特征减弱甚至消失;大溶洞半径与大溶洞储容比也主要影响早期窜流“下凹”特征,数值越大,“下凹”特征越明显;裂缝系统传导系数比和裂缝储容比主要影响中、晚期的窜流“下凹”特征。该研究结果对复杂断溶体油藏储集体参数评价具有重要意义。

基于声音深度学习的发动机失火故障诊断

构建基于深度学习的轻量级卷积神经网络实现发动机声音信号的失火故障检测。运用计算机的麦克风阵列记录发动机不同转速下的正常状态、一缸失火状态、二缸失火状态的声音信号。将声音信号转换成时频图像应用于卷积网络模型的训练、验证和测试。声音时频图像特征提取网络主要由可分离卷积模块构成。特征提取网络连接时频图像分类器,对含有不同个数的特征通道分组卷积模块的网络模型进行训练、验证和测试试验的比较分析。设计的卷积神经网络应用于发动机失火故障检测的准确率达到99.60%。网络的计算量小、检测时间短。基于特征通道分组卷积的深度学习网络能够快速地完成对发动机失火故障声音信号的检测诊断,为发动机失火故障的在线实时检测提供智能决策支持。