基于边缘计算的大中型泵站电气设备故障红外图像识别

针对当前大中型泵站电气设备故障红外图像识别方法,故障类型划分准确性较差问题,提出基于边缘计算的大中型泵站电气设备故障红外图像识别方法。优化电气设备故障边缘计算设备,构建电气设备故障边缘计算模型,为电气设备故障识别提供基础。选择高密度脉冲噪声图像去噪方法,实现电气设备红外图像增强处理。应用上述设定内容,对不同类型的电气设备故障进行细化分析。构建实验环节,实验结果表明:此方法可有效提升电气设备故障识别精度以及故障类型划分准确性。

基于K-means聚类的TE过程故障诊断与识别

准确地诊断与识别化工系统的故障对保障系统的长期安全运行和高质量生产具有重要的意义。利用K-means聚类方法对标准田纳西-伊斯曼(TE)过程故障进行诊断,并通过主元分析(PCA)方法识别了故障发生的原因。首先,选择正常工况数据与某一故障工况数据组成新数据集,并用z-score标准化方法预处理新数据集,初始聚类中心数量为新数据集包含的工况数,通过分类性能指标F1-score(精确率和召回率的加权平均值)评价K-means聚类方法的故障诊断能力。其次,针对每种故障工况的数据集,采用PCA方法计算数据集中每个变量的统计量(T^2和SPE),统计量越大的变量越有可能引起故障。研究结果表明,K-means方法对TE过程的故障1、2、6和18能够100%诊断,主元分析对故障原因的识别结果与TE过程知识完全符合。与使用PCA方法和支持向量机方法故障诊断的结果相比,K-means方法对二者难以诊断的故障3、9和15有更好的诊断能力。

船舶电力推进系统故障诊断技术

故障诊断技术是船舶电力推进系统研究中的重点,当前无法对船舶电力推进系统的故障进行准确划分,无法获得较优的船舶电力推进系统故障识别效果,为了获得理想的船舶电力推进系统故障诊断效果,设计一种信号去噪和数据挖掘的船舶电力推进系统故障诊断方法。首先分析船舶电力推进系统故障原理,采用船舶电力推进系统故障信号,然后对船舶电力推进系统故障信号进行去噪,提高船舶电力推进系统故障信号质量,并提取船舶电力推进系统故障诊断特征,最后采用最小二乘支持向量机设计船舶电力推进系统故障分类器,并与其他方法进行船舶电力推进系统故障诊断对比实验,相对于对比方法,本文方法的船舶电力推进系统故障诊断率高于94%,不仅船舶电力推进系统故障结果的误识率明显减少,而且加快了船舶电力推进系统故障诊断的速度,具有更加广泛的实际应用领域。