一种基于实例的故障混合诊断方法

首先提出了一种基于实例的混合推理总体结构。在一级实例库和二级实例库概念的基础上，定义了实例的结构及组织。并设计了三级推理机制，即以故障代码为匹配目标、一级实例库为匹配空间进行的一级实例推理，以模糊化的初始故障征兆为匹配目标的二级实例推理。最后给出了故障征兆模糊处理以及实例匹配的方法。

基于实例的故障混合诊断方法

本文提出一种基于实例的混合推理总体结构。在一级实例库和二级实例库概念的基础上，定义了实例的结构及组织。设计了三级推理机制及实例匹配方法。

混合智能故障诊断与预示技术的应用进展

为了对大型复杂关键设备进行有效的状态监测和故障诊断,综合运用多种人工智能技术和现代信号处理方法的混合智能故障诊断与预示技术得到国内外学者的高度重视和广泛研究。在研究大量相关文献的基础上,概括了混合智能故障诊断与预示技术的广义内涵;综述了国内外研究现状;分析指出了当前研究中存在的关键问题;针对目前的研究现状和存在问题,最后讨论了混合智能故障诊断与预示技术的发展趋势。

基于混合型判别分析的工业过程监控及故障诊断

工业过程数据具有规模性大、复杂性高、变量多、关联性强等特点.如何从数据出发准确并快速地发现故障并处理,保证过程高效运行意义重大.本文针对复杂的工业过程,提出了一种多方法结合的混合型过程监控与故障诊断方法,完成数据分类,构建故障模型库,故障在线诊断及可视化相关处理.首先通过常规主成分分析(Principal component analysis,PCA)方法对历史数据进行初筛,区分出正常和故障信息,然后利用聚类方法对故障数据集进行分类,接着利用局部线性指数判别分析方法(Local linear exponential discriminant analysis,LLEDA)建立故障模型库进而进行故障诊断.本文将基于监督学习的LLEDA方法拓展到无监督学习,便于复杂工业大量无标签数据的处理.最后利用典型的田纳西伊士曼(Tennessee Eastman,TE)过程对所提出的方法进行有效性验证.

基于EMD和CICA的单通道盲源分离方法用于齿轮箱混合故障诊断研究

针对传统的独立分量分析难以解决齿轮箱混合故障诊断中存在的欠定盲分离问题,提出了基于EMD和CICA(约束独立分量分析)的单通道盲源分离方法。通过单通道加速度传感器采集齿轮箱混合故障信号,对其进行EMD分解以实现降噪及单通道扩展,采用基于白噪声统计特性和峭度值结合的方法选取有效的IMF分量,将其作为盲源分离的输入信号,通过CICA方法提取目标振动信号,识别故障特征。通过对齿轮箱轴承与齿轮混合故障的仿真及实验研究,验证了该方法的有效性和可行性。

基于NIC-DWT-WOASVM的齿轮箱混合故障诊断

由于齿轮箱中振动信号的复杂性和非平稳性,致使齿轮箱混合故障诊断工作具有一定难度。针对这一问题提出基于NIC-DWT-WOASVM的齿轮箱混合故障诊断方法。首先通过窄带干扰消除(Narrow Band Interference Canceller,NIC)滤除原始信号中齿轮啮合和转轴等窄带干扰信号,接着对信号进行离散小波变换(Discrete Wavelet Transform,DWT),重构小波系数得到小波分量,提取分量的方差作为特征参数构成特征矩阵样本。针对传统优化支持向量机收敛速度慢及容易局部最优等问题,提出鲸鱼算法优化的支持向量机(Whale Optimization Algorithm Support Vector Machine,WOASVM),运用训练样本对WOASVM进行训练得到优化分类模型,将测试样本输入到优化模型中得到诊断结果。为验证方法的有效性,开展了变工况下齿轮箱混合故障实验,通过实验分析及与其他方法的比较,证明方法对于齿轮箱混合故障诊断是有效的。

矿用带式输送机齿轮箱混合故障诊断研究

针对基于振动信号分析的矿用带式输送机齿轮箱故障诊断方法存在不易处理混合故障信号的问题,提出了一种基于自组织映射网络的矿用带式输送机齿轮箱混合故障诊断方法。采用融入Shannon熵的小波阈值去噪方法对矿用带式输送机齿轮箱的标准多故障样本进行预处理,对预处理后的标准多故障样本建立高斯混合分布模型后,采用最大期望算法进行模型的参数估计,得到相应特征向量并输入自组织映射网络,自组织映射网络对不同混合故障类型的故障信号进行聚类和识别,从而判断故障类别。实验结果表明,该方法能有效诊断出矿用带式输送机齿轮箱的多故障混合信号对应的故障类别,整体诊断准确率为88%,在6种工况下诊断准确率为100%,为矿山机电设备的齿轮箱故障诊断提供了一种新方法。

交错群图的混合故障诊断问题研究

为了衡量以交错群图为拓扑结构的多处理器系统在混合故障环境下的故障诊断能力,研究了交错群图在HPMC模型下的h-限制点诊断度和r-限制边诊断度。根据这2种混合故障诊断度的性质,得到了它们之间的关系。考虑到交错群图中相邻的顶点有公共邻点,将h和r划范围讨论。借助反证法,得到了交错群图在1≤h≤2n-7时的h-限制点诊断度是2n-h-4。然后由h-限制点诊断度和r-限制边诊断度的关系,确定了交错群图在3≤r≤2n-5时的r-限制边诊断度是2n-r-4。此外,通过构造相异的一致故障对并证明是不可区分的,确定了交错群图在h=2n-6,2n-5,2n-4时的h-限制点诊断度分别是1、0、0;在r=1,2时的r-限制边诊断度分别是2n-6、2n-7。这些结果显示出交错群图在混合故障环境下可自我识别故障元素的最大数值,体现了系统最大的故障诊断能力。

双通道信息融合的机械旋转部件混合故障诊断

为了实现机械旋转部件的混合故障诊断具有较高准确性,提出一种变工况下双通道信息融合的旋转部件混合故障诊断方法。其信号同时包含滚动轴承和齿轮振动信号。通道1的振动信号进行广义S变换生成二维信号,以特征图作为通道1的模型输入;通道2将旋转部件的时域信号作为特征输入,双通道输出层随机特征融合,通过对整个双通道卷积神经网络(CNN)模型参数的微调,实现变工况下旋转部件混合故障状态的诊断识别。结果表明,所提方法能够有效地运用于旋转部件混合故障识别诊断,与一维、二维卷积神经网络以及其他机器学习方法对比,所提方法故障识别准确率最高,达到98.18%。

水电机组混合智能故障诊断方法的研究

现有支持向量机方法在水电机组故障诊断应用中存在建模能力差、未考虑水电机组故障数据样本不确定性问题,难以保障故障诊断结果的准确性。针对此情况,本文在传统支持向量机方法的基础上引入粗糙集理论,构建粗糙多类支持向量机,并将其应用于水电机组导摆度偏大故障诊断中,进而确认此混合智能故障诊断方法具有较高的准确性。

人工免疫系统在智能故障诊断技术中的应用研究

在研究大量相关文献的基础上,综述了近几年来国内外对基于人工免疫系统的故障诊断技术的研究现状及人工免疫与其他智能技术融合的研究概况,并讨论了基于人工免疫系统的故障诊断技术进一步研究的方向。

混合动力车镍氢电池管理系统关键问题分析

由于电化学反应的特殊性、动力电池的各项参数都受到一定的范围限制。电池管理系统(Battery Management System,简称BMS)建立在对电池特性研究的基础上,保障电池在合理的参数范围内工作,准确预测电池的荷电状态(State of Charge,简称SOC),同时对电池的健康状态(State of Health,简称SOH)做出估计。BMS包括4个控制单元,即单体控制单元CCU、温度控制单元TCU、安全控制单元SCU、电池控制单元BCU。通过对电池特性、SOH估计、SOC预测、温度管理和故障诊断的分析,给出了相应的实现方法和控制策略。

PMC模型下的h-边容错诊断数

系统级诊断是多处理器系统设计和维护中的重要方面,通过诊断参数来衡量系统的容错性能。传统的诊断参数都是在假设系统中仅有处理器发生故障的情形下得到的,但是在实际情形中,系统中的处理器和链接都可能发生故障。该文研究了新的系统级诊断参数—h-边容错诊断数。当系统G中的故障边数不超过h时,G中包含的可以被全部识别的最大故障点数称为系统G的h-边容错诊断数。通过对一般图中公共邻点数的限制,证明了PMC模型下一般图的h边容错诊断数。文中确定了k-元n-方体、平衡立方体、交换立方体和交换折叠立方体4类网络在PMC模型下的h-边容错诊断数,为衡量系统在点边混合故障情形下的容错性能提供了有效参数。