基于BiGRU-EWMA的作动系统在线故障预测

针对传统故障预测方法在作动系统的部分可观测条件下预测精度较低且在线预测性能较差的问题,提出一种基于BiGRU-EWMA的作动系统在线故障预测方法,首先采用双向门限循环网络(BiGRU)挖掘系统运行数据的双向时序特征,建立作动系统健康状态预测模型。然后采用指数加权移动平均(Exponentially Weighted Moving-Average, EWMA)控制图监测状态预测模型的预测值与建模参量实际值之间的输出残差,建立故障趋势的在线监测指标并设定自适应故障阈值。最后在飞机机电系统仿真测试平台上进行实验,并与其它方法进行比较,验证了上述方法能够更早的预测出作动系统出现的故障趋势,且在准确性和快速性上具有较好的优势。

油浸式变压器内部流场模拟及在线故障预测方法

建立了油浸式变压器的物理模型和数学模型,采用Fluent软件对变压器内部的流动和传热进行了数值模拟,得到内部温度场和速度场的分布;在此基础上,通过内部特征点的选取,建立了特征点的温度变化与变压器不同故障的对应关系,提出一种基于特征点温度监视的油浸式变压器在线故障预测方法,可以迅速、准确地预测故障发生部位。

基于线性时变参数离散灰色模型的在线故障预测系统设计

为实现故障预测的实时性,克服设备实际数据处理能力的局限,采用了线性时变参数离散灰色模型(linear time-varying parameters discrete grey model,TDGM),并对其建模所用的最小二乘法采用递推算法,形成了递推建模法,解决了实时建模预测所面临的建模序列取舍、计算和存储量巨大等难题,并采用视情剔除旧数据的方法克服了递推建模法存在的"数据饱和"现象,完成了在线故障预测系统(online fault prediction system,OFPS)的初步设计。实例仿真验证表明:该系统运行稳定可靠,计算和存储量在可承受范围之内,预测效果良好,可以应用到实际设备中。

微信平台中网络设备在线故障预测方法仿真

对微信平台中的网络设备在线故障进行准确预测,可以对故障进行及时检修,使网络设备正常运行。进行故障检测时,应获取网络设备在线故障预测先验条件概率和约束条件,组建微信平台的网络设备在线故障预测模型,但是传统方法通过对故障样本对概率神经网络进行迭代训练完成检测,但是不能准确计算在线故障预测先验条件概率,无法获取想对应的约束条件,降低了故障检测的准确度。提出一种马尔科夫链的网络设备在线故障预测方法。上述方法先采集微信平台网络设备在线故障状态训练样本集,构造设备在线故障状态线性回归函数,将设备在线故障状态训练问题转变为在线故障状态求解问题,组建设备在线故障状态线性方程组,然后结合马尔科夫链理论计算出网络设备在线故障预测先验条件概率,给出在线故障预测绝对概率的约束条件,依据在线故障预测初始概率向量和预测下一步转移概率矩阵,组建微信平台的网络设备在线故障预测模型。仿真结果表明,所提方法可以提前检测出微信平台系统的异常状态,且预测精确度较高。

多传感器系统中基于扩展卡尔曼滤波器的在线故障检测

随着多传感器系统的广泛应用,在线故障对于系统性能影响严重,如何使得多传感器系统具有自主故障检测与诊断能力成为首要问题。根据非线性多传感器系统的输入信号、输出信号和故障阵列,建立一种具有多输入多输出处理和自调节加强功能的扩展卡尔曼滤波器(EKF)的故障分析模型,在此基础上,提出了一种适用于多传感器系统的在线故障检测算法及其在传感器节点上的实施架构。实验结果表明:所提算法在低并发故障和高并发故障环境下均具有高准确度故障报告能力。此外,在温度传感器上实施所提算法,温度监测值的对比结果验证了所提算法比传统算法具有更好的系统性能保证能力。

基于LightGBM的在线磁盘故障预测模型

本文提出的基于LightGBM的在线磁盘故障预测模型,在保障误报率较低的情况下,实现较高的故障检出率,同时该模型可以根据新来的样本数据进行实时更新,适应SMART属性随时间的动态变化,摆脱模型老化问题。