基于滑动概率神经网络的早期故障诊断

针对机电设备早期故障难以识别的问题,提出了一种动态的概率密度估计方法———滑动概率神经网络,用以跟踪分析测量信号的概率密度变化过程,及时发现早期故障.该网络以固定不变的抽样集作为第一层,动态滑动的测量信号作为样本层,通过求和层得到抽样集的条件概率密度估计,将样本层内测量信号的概率密度动态地投影到统一的抽样集上.将网络分解成以测量值为中心的子网络,来实现网络的递归运算,并且利用高斯函数的快速衰减特性或使用分段线性函数近似高斯函数,从而提高了网络的计算实时性.通过压缩机喘振过程数据的应用实例,表明该方法能够有效识别故障的早期征兆.

船舶动力设备退化基线计算及预测方法

船舶动力设备在自身性能退化过程中的相当长一段时间内仍能完成规定功能,对具有重要特征参数或性能指标的船舶动力设备而言,若使用定基线进行健康状态评估会导致评估值连续较低甚至误报警问题。为了解决这一问题,以目标设备按性能退化时间序列采集的特征参数为研究对象,首先建立退化基线计算方法,利用滑动概率神经网络和性能可靠度与基线值间的转换函数获得目标设备的动态退化基线;然后建立ARMA预测模型获得预测参数,并与退化基线计算方法结合对退化基线发生动态变化的时间节点进行预测;最后利用海水泵对建立的方法可行性进行验证。结果表明,本文建立的退化基线计算方法能够获得动态基线,退化基线预测方法能够对动态基线的变化时间节点进行准确预测。