基于FMECA、FTA的故障诊断和故障预报

根据当前装备故障诊断和预报中存在的问题 ,提出了用装备的故障模式、影响及危害度分析 (FMECA)和故障树分析 (FTA)信息进行故障的诊断和预报工作 ,并且给出了算法模型。FMECA和FTA是装备设计阶段用于分析其故障模式和影响、改进产品设计的方法。充分利用FMECA和FTA的信息进行诊断 ,一方面可以避免传统专家诊断和预报中故障信息缺乏的问题 ,从而提高故障诊断和预报的效率 ;另一方面 ,也可以进一步促进对FMECA和FTA研究的认识 ,从而进一步发展FMECA和FTA方法。这些模型经过专家论证证明确实可行 ,并在所研究的课题中得到了较好的应用。

一种RVM模糊模型辨识方法及在故障预报中的应用

对复杂、病态、非线性动态系统进行故障预报的重点和难点是建立系统故障状况的数学模型,通常难以建立精确的数学模型,相比之下构建其模糊模型是一个有效途径.本文研究了相关向量机(Relevance vector machine,RVM)与模糊推理系统(Fuzzy inference system,FIS)之间的内在联系,证明了基于RVM的FIS具有一致逼近性,并提出了一种基于RVM和梯度下降(Gradient descent,GD)算法的模糊模型辨识方法.基于所给出的模糊模型辨识方法提出了一种新的故障预报算法.仿真结果表明所建立的模糊模型不仅结构更加简单,而且能达到更高的预测精度,所提出的故障预报算法能准确地预报系统故障.

强跟踪粒子滤波算法及其在故障预报中的应用

粒子退化和对突变状态的跟踪能力差是粒子滤波在故障预报应用中存在的主要问题.再采样粒子滤波虽可缓解粒子退化,但易导致样本贫化;扩展粒子滤波也可在一定程度上解决退化问题,但难以跟踪突变状态.本文提出了强跟踪粒子滤波算法,将强跟踪滤波引入粒子滤波更新粒子,产生重要性密度,缓解粒子退化和样本贫化问题,提高跟踪突变状态的能力.仿真结果显示该算法可行并能及时准确地预报系统故障.

基于神经网络模型的故障预报技术研究

探讨了故障预报技术的应用及其数值预测方法，给出了神经网络模型在预测过程中的算法．把神经网络、预测技术和诊断专家系统相结合建立了一个故障预报系统似空间推进系统气路部分的故障为例，实现了故障的预测．

基于案例推理的竖炉故障预报系统

为降低竖望炉焙烧过程的故障发生率,基于故障机理的分析,将过程参量预报与案例推理技术相集成,提出了竖炉焙烧过程的智能故障预报方法.参量预报模型对不易在线连续测量但能反映故障征兆的关键工艺参数进行实时预报,在此基础上,采用案例推理技术对焙烧过程进行全面分析并给出一些典型故障发生的概率和操作指导.将所建立的故障预报系统成功应用于竖炉焙烧过程的生产实际中,故障发生率明显降低,取得了显著应用成效.

基于加权模糊度时间序列分析的大型变压器故障预报

分析了变压器油中溶解气体特性及其与故障的对应情况,确定了故障现象模糊集合和故障种类标准模型库(模糊集),根据现象子集对每个故障模型进行划分,形成多个模糊向量集合族;收集了大量故障变压器的历史数据,并用数理统计方法估算故障隶属度函数的参数;采用时间序列灰色预测法估计某时间内各故障隶属度及其发展趋势,对阈值原则进行改进,并根据改进后的阈值原则推断可能发生故障的种类及其发展趋势。最后,用实例验证了该方法的有效性。

基于非解析模型的动态系统故障预报技术

首先,介绍了动态系统故障预报技术的发展状况和重要性.然后,将现有的各种故障预报方法分为两类进行介绍,分析了各种故障预报方法的适用范围以及优缺点,其中着重讨论了基于非解析模型的故障预报方法.最后,探讨了这一领域中有待于进一步研究的若干问题和发展趋势.*

动态系统的故障预报技术

首先介绍了动态系统故障预报技术的发展状况,然后分三类介绍了目前已有的各种故障预报技术,并讨论了各种方法的优缺点,随后介绍了一些典型的应用例子,最后对这一领域的发展趋势进行了探讨.

一种基于时序预报神经网络的故障预报方法及其应用

提出一种基于时序预报神经网络的工业过程故障预报方法，同时给出了描述神经网络预报和外推能力的表达方式，并以氯碱电解工艺的现场数据验证了这种故障预报方法的有效性．实验结果表明，该方法可成功地用以实现氯中含氢的２４小时预报．

基于聚类和支持向量机的非线性时间序列故障预报

针对非线性时间序列故障预报问题,提出了一种基于聚类和支持向量机的方法．将正常的时间序列按照K-均值聚类算法进行聚类学习,同时利用支持向量机回归的时间序列预测算法获得预测序列,然后通过比较聚类所得的正常原型和预测序列的相似性实现故障预报．仿真结果表明:本文提出的方法更能满足实时性的要求,也更为准确．

基于LMBP神经网络的惯性器件故障预报方法研究

利用Levenberg-Marquardt(L-M)算法优化计算BP权值调整量,将L-M算法与传统的BP网络相结合开发出一种快速收敛的LMBP网络,并在此基础上提出了基于LMBP神经网络的时间序列预测方法。最后利用该方法对某惯性器件进行故障预报,通过仿真实验证明了该方法的有效性。

一种基于性能退化数据的电子设备缓变故障预报方法

针对电子设备的测试和故障识别提出了一种基于性能退化数据的缓变故障预报方法。重点针对如何体现电子设备功能模块状态与其性能退化数据和故障树之间的内在关系开展建模研究,将难于定量描述的映射关系通过模糊神经网络转化为定性描述的映射关系,结合时间序列分析对性能退化趋势进行评估和判断,为电子设备缓变故障的预报和故障源定位提供了一种便于工程实现的建模方法。以功能模块为基本的故障定位单位,以性能检测数据、可靠性数据、故障树和故障机理等为输入,建立了基于故障树的时间序列神经网络拟合模型,采用时间序列分析对性能退化数据的波动趋势建立分析模型,利用基于故障决策树的模糊神经网络对系统可能故障来源建立判断识别和预报模型,基于非参数密度估计和假设检验方法对预报可信性建立评估模型,从而提高了故障预报的准确性。

基于神经网络的航管装备故障预报系统研究

根据神经网络BP算法和专家系统原理 ,研究了航管装备故障预报的方法 ,给出了特征参数选取和知识库建立的过程 ,讨论了航管装备故障预报系统的系统结构和功能实现 ,界定了系统的推理机、解释机制、知识库规则和人机接口 ,并进行了航管装备机杨管制中心系统故障预报的过程举例 。

基于神经网络的非线性时间序列故障预报

对模型未知非线性系统,将系统输出组成时间序列并通过空间嵌入的方法转化为一个离散动态系统．利用线性AR模型拟合时间序列的线性部分,用神经网络拟合时间序列的非线性部分并补偿外界未知的扰动,提出了通过对状态的观测实现时间序列一步预测的方法．利用滚动优化的思想将一步预测推广,提出了时间序列的N步预测方法,证明了时间序列预测误差有界．通过对预测误差进行概率密度估计和检验,提出了故障的预报方法．对F-16歼击机的结构故障预报结果表明了方法的有效性．

基于Elman神经网络阳极效应故障预报方法

目的用神经网络预测控制对铝电解阳极效应故障进行建模,采用相对应的故障检测策略对铝电解槽是否发生阳极效应进行预报.方法在分析铝电解生产过程的基础上,提出El-man神经网络的阳极效应故障预报方法,采用Elman神经网络建立故障预报模型,通过预测槽电阻值来预报阳极效应.结果 Elman神经网络结构简单、误差小、准确率高,在未知生产过程模型的情况下,建立的故障预报系统能够快速准确地实现对铝电解阳极效应故障的预报.结论该方法能够对铝电解中的故障做出正确的诊断,具有较强的自适应性和鲁棒性,有较强的函数逼近能力和收敛速度.因此,该模型大大提高了故障预报精度和实时性,避免了故障的发生,提高了铝电解的生产效率,实现了安全生产,降低了能源消耗,故障诊断准确率在90%以上.

基于遗传小波神经网络的故障预报应用

目的减少铝电解故障的发生,提高阳极效应预报的准确性、实时性和铝的生产效率,节约能源.方法将遗传算法应用于小波神经网络,构成遗传小波神经网络,以确定小波基函数的个数、优化网络参数,以遗传小波神经网络为预测模型,通过预测槽电阻变化率来预测电解过程中的阳极效应.结果通过遗传算法能对小波神经网络的参数进行全局优化,确定了网络结构,而且小波神经网络具有较强的自适应性、鲁棒性和函数逼近能力,使预报精度提高了约9.5%,提前预报时间1 m in左右.结论该预测模型改善了故障预报准确性和实时性,避免了故障的发生,降低了能源消耗,提高了铝电解的生产效率,实现了安全生产.

基于时间序列数据挖掘的旋转机械故障预报

提出一种基于时间序列数据挖掘的故障预报新方法。把故障前兆因子作为一种暂态,根据旋转机械轴承振动的实验数据建立时间序列．利用时延嵌入的方法重构状态空间,在状态空间中使用遗传算法搜寻最优暂态束．组成暂态集。用暂态集对旋转机械轴承振动的测试数据进行分析．判断是否为故障前兆因子．从而实现故障预报。

基于TSEOPM的在轨航天器故障预报方法研究

针对在轨航天器非线性系统的故障预报,提出一种基于时间序列事件征兆模式挖掘的在轨航天器故障预报方法,该方法以在轨航天器遥测数据建立状态监测时间序列,根据事件特征函数利用层次聚类算法挖掘出故障事件征兆模式,然后利用故障事件征兆模式对航天器的状态监测时间序列数据进行分析,判断是否为故障征兆点,从而实现故障预报;实验结果表明,该方法能有效地预测在轨航天器状态监测时间序列数据中的故障事件。

基于飞参数据的航空发动机故障预报研究

为了充分挖掘飞参数据的应用价值,研究了利用飞参历史数据对发动机进行故障预报的方法。从理论上分析了飞参数据中的几组参数与发动机性能的内在关系,论述了利用飞参历史数据对发动机的4类故障进行预报的可行性以及具体的预报方法,并结合某型飞机飞参系统实际记录的数据研究了该方法的应用。研究结果对于保障飞行安全具有重要意义。

基于ARIMA和RBF网络组合预测的惯性器件故障预报

提出了一种基于ARIMA和RBF网络进行组合预测的方法,该方法综合运用ARIMA良好的线性拟合能力和RBF网络强大的非线性映射功能,将两种预测模型有机地组合在一起,综合各自优点,以期有效改善模型的拟合能力,获得最优预测效果。论文将该方法应用于某飞行器惯性器件的故障预报当中并进行了仿真实验。结果表明,这种方法相对于单项模型的预测具有更高的精度,对于复杂时间序列的分析和预测有很好的应用价值,在故障预报中具有广泛的应用前景。