变压器绝缘诊断中的模糊ISO DATA法

系统的故障都具有一定的模糊性，将模糊数学理论引入电力变压器的故障诊断，采用模糊ＩＳＯＤＡＴＡ法对电力变压器的油中气体分析数据进行聚类分析。

基于模式识别的传感器故障诊断

为满足模式识别故障诊断算法的鲁棒性要求,在小波包分解提取特征向量的基础上,提出了有监督模式分类与无监督模式分类相结合的故障诊断方法.利用小波包分解提取各个频带的能量作为特征向量;采用LVQ神经网络作为有监督的模式分类器进行故障诊断;运用无监督的减法聚类方法对新型故障模式进行辨识.最后,通过动力系统管路流量传感器数据对算法进行检验,验证了所提出方法的实用性和有效性.

一类基于类别区分的多重故障诊断模型框架

多重故障诊断是故障诊断和容错控制技术中的重难点问题.本文关注数据驱动故障诊断,以基于知识的方法为基本思路,按照故障表现及征兆的组合形式分析了多重故障和征兆之间的映射关系,将多重故障诊断转化为一类由各个组成故障对应于征兆数据集合的类划分问题.在已有应用于故障诊断的分类和聚类方法的基础上,分析了4种基于类别区分的多重故障诊断模型框架.并讨论了其优缺点和适用的类别区分算法.

优化KNNC算法在滚动轴承故障模式识别中应用

为有效提高滚动轴承故障诊断率,正确识别不同故障类型,提出基于优化K-最近邻域分类器(K-Nearest Neighbor Classifier,KNNC)的轴承故障模式识别方法。分别求得滚动轴承训练样本与测试样本的振动特征指标,构建样本特征集。为加快分类速度,剔除不良样本干扰,利用K-均值聚类算法对样本进行优化精简,并将所得若干聚类中心作为新的约简训练集。据新训练集进行KNNC分析,实现模式识别。结果表明:该方法能快速、有效识别出滚动轴承4种不同故障模式,识别正确率明显提高。

电液伺服阀故障模式识别的自适应神经—模糊推理系统

基于MATLAB模糊逻辑工具箱 ,利用维数缩减技术和模糊减法聚类法 ,对表征电液伺服阀工作状态的实测样本数据进行聚类分析 ,实现合理的特征空间划分和寻找适当的规则数目 ,从而实现了自适应神经—模糊推理系统 (即 :ANFIS)的结构辨识。在此基础上 ,利用BP算法与最小二乘法相结合的混合算法 ,实现ANFIS的参数辨识 ,建立了适用于电液伺服阀的故障模式识别的ANFIS ,从而有效地解决了电液伺服阀故障的多样性和不确定性的难题 。

对象技术在案例推理故障诊断中的应用

从认识论的角度 ,提出了对象技术和案例推理的相似关系。分析了案例推理的几个重要问题 ,包括案例的多级索引、用模糊聚类法精化案例库和模糊模式识别的案例相似性匹配。并结合数据库技术将上述方法应用到故障诊断专家系统的设计 ,结果表明该方法是有效的。

基于神经网络结构的自适应模式识别技术在机械故障诊断中的应用

本文利用神经网络聚类学习方法对机械故障的故障模式进行识别分类，通过实验研究，证明该方法作为一种新的自适应模式识别技术，比传统的聚类方法和基于ＢＰ神经网络故障模式识别方法具有较高的模式分类能力。

基于模糊聚类的谷氨酸发酵过程故障诊断研究

结合谷氨酸发酵过程,给出模糊聚类故障诊断的方法和步骤,在获取与掌握先验知识后,找到故障数据的聚类中心,运用对比方法预判故障发生的先兆,达到故障诊断的目标.以谷氨酸发酵过程生产故障为例,仿真结果表明模糊聚类的中心值随故障类别不同而不同,初步实现利用模糊聚类方法对样本数据的多级故障诊断,诊断结果与实际情况相符.

基于灰色关联度的聚类分析机械故障诊断方法

本文以灰色系统理论中的关联分析方法为基础．建立了评价待分析体系的聚类方法，并将该方法应用于机械故障诊断模式识别。实际诊断表明，该方法是一种行之有效的简便方法．

统计模式识别在相控阵天线故障诊断中的应用研究

相控阵天线已广泛应用于雷达系统,而阵列单元的快速诊断日益成为难题。针对相控阵天线阵元故障难以检测的问题,提出了一种基于统计模式识别的方法。首先阐述了相控阵诊断原理,用矩量法构建了仿真环境,并提取了时域特征和小波特征。为增大类间平均距离,建立了故障树诊断模型以减小判别问题的规模,在时域特征空间中用投影聚类算法划分了子空间,在叶节点处用小波特征进行判别,实现了故障阵元的定位。仿真实验表明,该方法在信噪比较低时,比非层次方法优势明显,信噪比大于8时,识别率达到95%以上,且随着规模的增加,识别率并未明显下降,证明该方法理论上能够有效诊断相控阵阵元故障。实际应用中,只须对阵列的行或列逐次诊断即可获知整个阵面的故障信息。

基于蚁群聚类算法的离心式压缩机故障诊断方法

工业化生产水平的提高使得离心式压缩机不断朝着大型化、复杂化、连续化及自动化方向发展,设备故障造成的损失越来越大,研究其故障诊断方法对于提高设备故障在线检测能力、预防故障与事故的发生具有积极意义。采用电涡流传感器测量离心式压缩机联轴节侧径向位移信号,应用频域分析方法对采集到的信号数据进行傅里叶变换,获得对故障敏感的特征量,作为蚁群聚类算法输入的特征参数,将对故障识别转化成对于设备运行时的输出和状态特征的聚类问题。将蚁群聚类算法应用于某乙烯厂的离心式压缩机,对其正常运行、转子不平衡故障、油膜涡动故障、喘振故障4种状态进行模式识别。应用结果表明:基于蚁群聚类算法的离心式压缩机故障诊断方法诊断结果准确、识别率高。(表3,参20)