应用于姿态敏感器的SORNN微小故障诊断方法

为实现空间外部干扰和测量噪声存在情况下,航天器姿态敏感器微小故障的有效检测,以及方位敏感器和惯性敏感器之间的故障隔离,提出了一种基于自组织循环神经网络(self-organizing recurrent neural network,SORNN)的微小故障诊断方法。首先,设计了SORNN模型,包括网络结构自组织算法、终止条件和调整条件,实现对网络隐藏层神经元数量和循环记忆深度的自适应调节,用以提升网络的拟合性能。然后,针对姿态运动学子系统设计了基于SORNN的干扰观测器,给出网络权值更新算法并证明了状态估计误差的收敛性。将系统输出估计误差通过低通滤波器以抑制星敏感器测量噪声,推导更严格的残差和检测阈值进而提高对微小故障的检测能力。最后,针对姿态动力学子系统设计了故障隔离观测器,通过干扰解耦和干扰观测器的补偿消除未知扰动和噪声对残差的影响,利用动力学和运动学的冗余关系解决了两类敏感器故障的隔离问题。仿真结果表明,验证了所提方法对扰动和噪声掩盖下的星敏感器和陀螺微小故障检测与隔离的有效性。

基于主元分析的滑动窗口累积和的微小故障检测

针对传统的多元统计分析方法对生产过程中微小故障检测不灵敏的问题,提出一种基于主元分析的滑动窗口累积和的微小故障检测方法(Principal Component Analysis and Moving Window Cumulative Sum,PCA-MWCUSUM)。利用主元分析(Principal Component Analysis,PCA)对数据降维,去除数据的相关性,计算得出样本的主元得分T^(2);利用滑动窗口技术将相邻某几个主元得分作为一个窗口,同时利用累加和(CUSUM)将每个窗口内T^(2)与T^(2)的均值误差进行叠加,以实现微小故障的累加;利用核密度估计确定故障检测控制限,实现对微小故障的检测。PCA-MWCUSUM通过增加故障工况的偏移尺度提高微小故障检测率。利用数值例子和田纳西-伊斯曼(Tennessee Eastman,TE)过程的仿真实验,并与ICA、PCA-SVDD和K近邻法(KNN)比较分析,实验结果进一步验证了该方法的有效性。

基于逆变器多模态输出电压的IGBT微小故障特征提取

针对逆变器IGBT模块发生微小故障引起特征信号变化,相较于电路正常运行信号十分微弱、难以检测的问题,提出一种通过采样逆变器端口输出电压来提取IGBT微小故障特征参数的方法。方波控制策略下,逆变器输出电压包含稳态和暂态两种工作模态,可进一步划分为6个暂态模态和6个稳态模态,因此利用Elman神经网络完成工作模态划分。暂态工作模态中,通过将开关状态下的逆变器等效成二阶系统,完成系统的参数辨识;基于此提出一种输出电压原始数据和系统辨识参数相融合的方法,提取二阶系统的超调量、峰值时间以及暂态电压斜率作为暂态故障特征参数,既降低了实际系统原始数据噪声的干扰,又避免了等效二阶系统参数辨识误差对故障特征提取效果的影响。仿真和实验验证了所提方法的有效性。

基于核慢特征分析的工业过程微小故障检测方法研究

传统的核慢特征分析(Kernel Slow Feature Analysis,KSFA)在非线性动态过程监控中存在微小故障检测率低的问题.针对该问题,该文提出了一种加权统计局部核慢特征分析(Weighted Statistical Local Kernel Slow Feature Analysis,WSLKSFA)故障检测方法.利用KSFA方法提取过程中具有缓慢变化的特征空间数据和残差空间数据;利用局部方法中残差函数的思想和加权统计特征构造数据改进的统计特征,增大故障样本的偏离程度;利用新的数据集建立过程监控检测统计量完成过程故障检测.将所提出的方法通过田纳西-伊斯曼(Tennessee-Eastman,TE)过程进行验证,通过与KPCA、SFA、KSFA作对比分析,验证WSLKSFA方法在微小故障的检测能力方面所具有的优越性.

基于自适应滑模观测器的新能源汽车驱动系统电流传感器微小故障诊断

为及时准确地检测出新能源汽车永磁同步电机驱动系统电流传感器微小故障,该文提出一种基于自适应滑模观测器的微小故障诊断方法。该方法首先构建含有电流传感器微小故障的驱动系统混合逻辑动态模型,其次利用状态增广和非奇异坐标变换对电流传感器微小故障进行故障重构,然后设计收敛速度快且能够抑制高频抖振的自适应滑模观测器以精确估计系统重构状态,最后采用系统重构状态实际值与观测值残差作为检测变量并利用范数设计自适应阈值。该文提出的方法不仅能诊断微小故障和显著故障,而且可以检测从微小故障演变为显著故障乃至失灵的整个过程,准确性高、鲁棒性强。实验结果验证了所提诊断方法的准确性和鲁棒性。

基于数据驱动的微小故障诊断研究进展

故障诊断对于确保大多数化工厂的过程安全和产品质量至关重要。为确保化工生产过程的安全运行和产品质量,讨论系统中存在的微小故障幅值低、易被系统干扰及噪声干扰等问题。从数据驱动的观点,阐述各种基于统计分析的微小故障诊断技术的基本思想、研究进展、应用和局限性,讨论了慢特征分析在微小故障诊断中的独特优势,并指出制定新颖的算法,用以采集并处理非线性和动态的数据,并专注于不可预测的可变性,从而提高检测故障的能力。

化工过程微小故障检测方法研究与应用

在实际化工过程中缺少对微小故障的检测方法,为解决PCA(主元分析)进行特征提取容易丢失非线性信息的问题,使用互信息矩阵代替协方差矩阵进行特征提取,称作MIPCA(互信息主元分析)。为了弥补SVDD(支持向量数据描述)忽略故障数据中重要信息的缺点,将少量故障数据引入模型训练过程中,以提高模型的精度,称作CSVDD(全面支持向量数据描述)。将2种算法相结合提出一种新的故障检测方法MIPCA-CSVDD,用于化工过程微小故障检测。最后借助TE(田纳西-伊斯曼)仿真数据与河南某化工厂的真实数据,与经典PCA和SVDD方法比较检测结果,验证了所提方法的有效性。

基于集成学习传递熵的化工过程微小故障检测方法

传统的多元统计分析方法直接对过程数据的均值和方差进行故障分析,但只要监测统计量保持在控制极限所包围的正态区域内,就不能检测出数据分布的变化。针对这一问题,提出一种基于集成学习传递熵的微小故障检测方法。该方法首先利用传递熵提取变量间的信息传递,通过滑动窗口获取传递熵数据集,并根据此数据集求取监测统计量和控制限。然后,利用秩和比法对构建的评价指标进行排序分档,筛选出分档结果良好的传递熵数据集对应的监测统计量。最后,利用集成学习与贝叶斯推理策略相结合的算法对监测结果进行融合,实时检测过程故障。将该方法用于数值例子和连续搅拌反应釜过程的故障检测,并与核主元分析、核独立元分析、加权统计局部核主元分析和加权统计特征核独立元分析进行对比,验证了所提方法具有良好的微小故障检测性能。

基于EEMD-kNN的工业过程微小故障检测

针对非线性工业过程早期发生的微小故障不易检出的问题,提出一种基于集合经验模态分解(Ensemble empirical Mode Decomposition,EEMD)的k近邻(k-Nearest Neighbor,kNN)指标累积和故障检测方法(EEMD-kNN)。通过EEMD预处理原始建模数据,在本征函数构建的数据空间中引入kNN规则,提出构造一种加权因子来强化特征,使重构建模数据集更好地包含数据的非线性特征;再一次采用kNN规则提取重构样本的非线性特征,并构建k近邻距离平方累积和统计量,通过核密度估计法确定其控制限。通过一个数值案例和TE(Tenessee Eastman)过程进行实验仿真,并与kNN和EEMD-PCA方法进行对比,结果验证了该方法的有效性。

微小故障诊断方法综述

针对微小故障的特点,提出将微小故障分为缓变微小故障、突变微小故障和间歇性微小故障,并进一步提出微小故障诊断方法的分类框架,将微小故障诊断方法分成了3类,即定性诊断方法、定量诊断方法和半定性半定量诊断方法.对每一类中现有的微小故障诊断方法再次归类,并对每种方法的基本思想、研究进展、适用条件和应用等进行了介绍.最后探讨了微小故障诊断有待解决的问题.

基于数据驱动的微小故障诊断方法综述

能否及时诊断出微小故障是保障系统安全运行并抑制故障恶化的关键,本文针对微小故障幅值低、易被系统扰动和噪声掩盖等特点,从数据驱动的角度对现有研究进行综述.并将其分为三大类:基于统计分析的微小故障诊断技术、基于信号处理的微小故障诊断技术和基于人工智能的微小故障诊断技术,进而对不同方法的基本研究思想、研究进展、应用以及局限性予以介绍.最后不仅指出复杂系统微小故障诊断研究中的现存问题,而且从增加新的信息、挖掘未利用的隐含信息和采用新的数学工具三个角度进行展望,提出基于关联性分析、基于多源信息融合、基于机器学习和基于时频分析四个值得探究的微小故障诊断思想.

多元指数加权移动平均主元分析的微小故障检测

主元分析(principal component analysis,PCA)是一种有效的数据分析方法,在故障诊断与状态监测方面已得到广泛应用.多元指数加权移动平均–主元分析(multivariate exponentially weighted moving average principal component analysis,MEWMA–PCA)方法用于解决PCA不能有效检出微小故障的问题.本文深入研究了MEWMA–PCA中EWMA影响主元分析进行故障检测的机制,导出了MEWMA–PCA可检出微小故障的原因.本文确定了MEWMA–PCA中遗忘因子λ、单传感器故障幅值和迟延时间三者的关系,并进行了数值仿真和火电厂磨煤机组运行状态的仿真实验.实验结果验证了MEWMA–PCA中EWMA提高PCA的监测性能的机制,并给出了根据系统实际要求来选取合适的遗忘因子值,从而在规定的时间内检出微小故障的实例.

基于混沌分形理论的滚动轴承微小故障诊断

为提取轴承微小故障的故障特征,提出一种基于混沌分形理论的滚动轴承故障诊断方法。通过计算滚动轴承振动信号的最大Lyapunov指数,进行轴承运动的混沌识别;然后,对具有混沌特性的振动信号,计算关联维数和盒维数作为故障诊断的状态特征量。当关联维数不能明显区别轴承故障时,利用关联维数与盒维数相结合的方法判别故障;最后,选取滚动轴承滚动体、内圈、外圈存在微小故障和较明显故障以及正常状态7种工况的振动信号进行实验。研究结果表明:该方法能准确提取故障特征并完成滚动轴承的微小故障诊断。该方法为滚动轴承故障诊断提供了新的有效途径。

基于MEWMA-PCA的微小故障检测方法研究及其应用

针对化工生成过程中的微小故障检测问题,提出一种新的多变量统计过程监测方法.把传统的单变量指数加权滑动平均(Exponent Weighted Moving Average,EWMA)扩展为多变量EWMA,并与主元分析(Principal Component Analysis,PCA)方法相结合,构成新的多变量(Multivariate EWMA-PCA,MEWMA-PCA)方法.重新构造统计量TM2EWMA-PCA和QMEWMA-PCA,并建立其对应的统计限.详细分析了各个统计量的统计性能指标及其影响因素.Tennessee Eastman(TE)过程的仿真研究说明提出的方法是可行的,并有效地改进了该过程微小故障的检测效果,从而更好地保证了过程运行的安全性、稳定性.

基于指定元分析的多级相对微小故障诊断方法

设备运作过程中可能出现的微小故障,往往会因其呈现的异常征兆较小而被淹没在显著故障或噪声中,从而现有的方法难以很好地对其进行监控.本文在DCA空间投影框架下建立了观测空间的多级分解思想,并在此基础上提出一种多级相对微小故障诊断算法.将观测数据关于显著指定模式进行DCA分析,并移除显著变化模式的影响,以提高微小故障信号的信噪比.根据其向故障子空间投影能量的显著性判断残差数据中是否还包含仍未被诊断出、且具有一定影响的微小故障;根据各故障方向上投影能量的显著性进行微小故障诊断;重复以上过程,直到各级微小故障均被诊断出来.包含四种共存故障的观测数据的仿真研究,验证了该算法的有效性.

基于MCUSUM-ICA-PCA的微小故障检测

针对过程中难以检测到的微小、缓变故障的检测问题,以及过程中普遍存在的非高斯信息,提出一种新的多变量统计过程监测方法.把传统的单变量累计和控制图(CUSUM)扩展为多变量的形式,并与独立成分分析(ICA)和传统的主元分析(PCA)方法相结合,构成新的MCUSUM-ICA-PCA方法,采用ICA-PCA两步信息提取策略,完整地提取出过程的非高斯和高斯信息,重新构造统计量并建立其对应的统计限.通过对Tennessee Eastman(TE)过程的仿真研究,验证了该方法的可行性和有效性,改善了该过程微小故障的检测效果,从而更好地保证过程运行的安全、稳定性.

一种改进的SR-CDKF算法及其在早期微小故障检测中的应用

复杂设备早期微小故障检测是故障检测与诊断领域的难题,系统状态和参数发生阶跃变化或者缓慢漂移是这类故障的主要特征.本文在正交性原理的基础上,提出一种强跟踪平方根中心差分卡尔曼滤波(Square-root center diference Kalman filter,SR-CDKF),即SSR-CDKF,并将SSR-CDKF应用于复杂设备的早期微小故障检测中.仿真结果表明,SSRCDKF能够更准确地估计系统状态和参数,更迅速地跟踪系统和参数突变情况.通过仿真计算比较滤波器在不同参数取值下的方差值,得出了选择合适参数的方法.最后利用该算法检测出了陀螺仪的早期微小故障.

基于双层局部KPCA的非线性过程微小故障检测方法

针对传统核主元分析(KPCA)方法难以有效检测微小故障的问题,提出一种基于双层局部核主元分析(double-level local kernel principal component analysis,DLKPCA)的非线性过程微小故障检测方法。该方法从变量和样本两个角度来挖掘数据内部的局部信息,以提高故障检测能力。首先,利用变量分块思想,基于不同变量与核主元之间互信息相关度的相似性,将所有过程变量划分多个局部变量块。然后,构建基于得分向量和特征值的残差函数以挖掘样本局部信息。最后利用贝叶斯融合策略对各块的结果进行融合。在田纳西-伊斯曼基准过程的仿真结果表明,在微小故障检测方面,本文所提方法具有比传统KPCA方法更好的故障检测性能。

基于规范变量残差的化工过程微小故障检测与诊断

微小故障因其幅值低而易被噪声和过程扰动所掩盖,并且会随时间慢慢演变成过程中的严重故障.因此,微小故障的检测和诊断变得越来越重要.为了更有效地监测和诊断微小故障,提出了基于规范变量残差的化工过程微小故障检测和诊断方法.首先,对Hankel矩阵执行奇异值分解来获得主元和残差空间并根据过去和未来数据的差异,求得两个不同的规范变量残差d_(1),d_(2).其次,考虑数据的时间序列特性,提出了基于规范变量残差的两个加权平均统计量W_(D1),W_(D2)及其控制限,进行故障检测;然后,计算出各个统计量的归一化贡献并绘制二维贡献图,进行故障诊断.最后,在连续搅拌釜式反应器(CSTR)过程中进行两种微小故障的应用研究.结果表明,与传统的统计量T2,Q以及规范变量差异分析(CVDA)中统计量D相比,基于规范变量残差的加权平均统计量W_(D1),W_(D2)不仅能够及时检测到微小故障,而且在故障检测率和诊断率方面,均有不同程度的提高.

地空导弹飞行控制系统的微小故障诊断研究

导弹在飞行过程中易受到各种未知干扰的影响,而微小故障又极易被未知扰动所掩盖,使得微小故障难以检测。针对地空导弹飞行控制系统带有未知扰动的执行器微小故障,提出一种采用自适应滑模观测器的故障诊断方法。上述方法不仅对导弹在飞行过程中可能受到的未知扰动具有很强的鲁棒性,同时实现了对导弹执行器微小故障的估计。首先,通过坐标变换将原系统中的执行器微小故障和未知扰动分离解耦到两个子系统中。然后,针对只包含执行器微小故障的子系统,通过设计的自适应观测器实现微小故障重构算法;针对另一个既有未知扰动又有微小故障的子系统,通过设计的滑模观测器来消除未知扰动的影响。最后,仿真结果表明,上述方法能够有效实现带有未知扰动的执行器微小故障的检测。