基于Chwa&Hakimi故障模型的集团诊断

提出了基于Chwa＆Hakimi故障模型的集团诊断,定义了绝对故障集和最终诊断图,由此能找到所有的基于Chwa＆Hakimi故障模型的相容故障模式。从仿真结果看大大减少了系统级故障诊断的复杂度,特别是对强t-可诊断系统,具有较大的实际意义。

基于Chwa&Hakimi故障模型的系统级故障诊断方程解决方案

提出了基于Chwa&Hakimi故障模型的系统级故障诊断的方程解决方案，根据实际系统中存在大可靠块的实事，在方程解决中定义了集团的概念，给出了集团的许多性质，由此能找到所有基于Chwa&Hakimi故障模型的相容故障模式。

基于Chwa&Hakimi故障模型的系统级故障诊断方程解决

本文提出了基于Chwa＆Hakimi故障模型的系统级故障诊断的方程解决,根据实际系统中存在大dependence可靠块的事实,在方程解决中定义了集团的概念,给出了集团的许多性质,由此能找到所有的基于Chwa＆Hakimi故障模型的相容故障模式。

贫数据中基于模型自训练的空气处理设备故障诊断

针对空气处理设备(AHU)故障贫数据,基于深度置信网络(DBN)模型对4种特征选择算法进行对比研究,结果表明最大相关最小冗余算法的特征子集在诊断准确率及子集元素稳定性上表现最优。提出将DBN嵌入自训练框架的故障诊断模型,发现DBN自训练的诊断准确率较单纯DBN最高可提升19.5%。提出均匀抽样及按比例抽样2种自训练伪标签抽样策略,二者的诊断准确率均随抽样数减小而增大,在不同抽样数中的最大差异为3.42%;在所有贫数据样本中,均匀抽样策略始终优于按比例抽样,诊断准确率最大相差1.39%,表明在故障标签匮乏时,采用均匀抽样策略及较小的抽样数有利于提升DBN自训练的诊断性能。

基于Reason模型的SIF-Q260型电子小肠镜故障原因分析

根据武汉大学中南医院内窥镜中心SIF-Q260型小肠镜故障率高且维修成本高的情况,应用Reason模型,从环境影响、不安全监督、不安全行为前兆及不安全行为4个层面分析造成SIF-Q260小肠镜故障的原因,针对各个层面故障原因,从定期培训以规范内窥镜的洗消及使用、设置专人管理内窥镜并定期对内窥镜使用洗消的规范性进行监督及评价、完善内窥镜监管系统3方面拟定改进措施,堵住系统“漏洞”,为内窥镜质量控制措施的制定提供依据,可预防和减少内窥镜故障的发生。

考虑数据不足和基于合作博弈模型融合的风电机组轴承故障诊断方法

针对风电机组轴承疲劳实验成本高导致故障数据不足的问题,提出基于粒子群算法(PSO)优化的辅助分类器生成对抗网络(ACGAN),利用PSO对ACGAN的参数进行寻优,进而利用ACGAN生成与原始样本高度相似的新样本;针对单一模型对风电机组轴承故障诊断的准确率较低的缺点,引进合作博弈理论对多个子模型的诊断结果进行融合,将各个子模型的诊断概率矩阵由合作博弈理论进行融合并输出最终的诊断结果。实验证明,优化后的ACGAN模型和基于合作博弈的模型融合能有效提高轴承故障诊断的准确率。

振动信号模型和散度在诊断滚动轴承故障中的应用

在分析旋转机械滚动轴承振动信号特点的基础上,首先建立轴承振动信号理论模型,并对其进行实验验证,然后计算待诊断样本和各种典型状态下振动信号模型之间的散度值,通过散度值的大小对比可知轴承故障部位和故障程度变化,最后通过对试验台数据和风电场实验样机数据的分析验证了此方法的有效性和实用价值,该诊断方法采用具有一定稳定性的轴承各部位故障特征频率为特征参数,且不需要对原始振动信号进行处理,也不需要大量具有典型故障的信号样本作为基础支撑,这三个特点决定了此诊断方法在实时性和鲁棒性方面的优越性,因此非常适合用于旋转机械滚动轴承的在线监测和自动故障诊断。

基于启动时间和完全故障的双阶段休假排队系统的流体模型性能分析

基于风力发电路灯的能量转化机制,该文构建并分析了具有启动时间和完全故障策略的M/M/1排队系统驱动的流体模型.首先,对驱动系统进行模型描述,运用矩阵几何解方法得到驱动系统的稳态概率分布.其次,引入流体模型的净输入率结构,并利用概率分析方法得到流体库存水平在稳态条件下的微分差分方程组,进而运用Laplace-Stieltjes transform(LST)方法得到稳态条件下库存量的均值及空库概率.根据性能指标构建系统的费用函数,在数值分析中给出系统参数对性能指标和费用的影响.

基于模型的载人登月全寿命周期故障管理方法

故障管理是管控复杂系统风险的重要途径,需要在系统研制、应用各个阶段开展相应的工作。随着基于模型的系统工程(MBSE)在航天领域的应用,也必须将基于模型的故障管理纳入到系统发展的全寿命周期之中。以载人登月任务为背景,结合MBSE方法论和传统的故障管理方法,从技术层面提出了贯穿于载人登月任务全寿命周期的任务级故障管理方法,包括基于模型的故障管理概念设计、架构设计、需求分析与捕获、需求验证与确认、故障评估与分析、操作和维护。并详述了在MBSE背景下上述内容的实现方式。最后从载人登月任务层的视角,给出了全寿命周期下基于模型的故障管理过程,为未来载人登月任务的故障管理提供了一套可行的实施框架。

基于系统模型的自动化生产线故障诊断策略

自动化生产线在现代制造业中发挥着重要作用,然而,故障事件可能导致生产中断,影响生产计划。因此,设计一套优秀的故障诊断策略对于提高自动化生产线的稳定性和可靠性至关重要。首先,分析了自动化生产线的结构和工作原理,探讨了常见的故障类型及其对生产线性能的影响。在此基础上,总结了基于规则和经验的人工故障诊断方法,进一步,引入系统辨识机制,提出了基于系统模型的智能化诊断方法,最终达到智能诊断的目的。实验验证了该方法的有效性,为自动化生产线的故障诊断和维护提供了更为可靠的科学基础。

基于故障管理方法风险管理控制模型的影像设备使用风险识别与应用效果研究

目的:构建故障管理方法(V-SHEL)风险管理控制模型,探讨其在影像设备管理中的应用效果。方法:基于影像设备风险评估、影像设备管理和影像设备安全风险因素构建V-SHEL风险管控模型,对影像设备进行风险识别和管理控制。选取2021—2022年天津中医药研究所附属医院临床在用的20台影像设备,2021年1—12月设备使用期间采取常规风险管理模式(简称常规管理),2022年1—12月设备使用期间采用基于V-SHEL风险管控模型的风险管控模式(简称V-SHEL模型管理),两种管理模式的影像设备分别进行120次巡视检查,对比其风险事件发生情况、设备工作质量评分、设备使用满意度以及设备风险事件应急管理用时。结果:120次检查V-SHEL模型管理的器械损坏4次、记录缺失4次和关联感染5次,发生率分别为3.33%、3.33%和4.17%,均低于常规管理模式,差异有统计学意义(χ^(2)=11.852、12.904、11.042,P<0.05);采用V-SHEL模型的设备管理、运行状态、器械清洗和包装质量平均评分分别为(90.65±6.25)分、(92.14±5.36)分、(90.14±3.45)分和(94.57±4.36)分,均高于常规管理模式,差异有统计学意义(t=8.382、8.446、12.654、14.443,P<0.05);影像设备操作人员对采用V-SHEL模型管理的设备整洁度、设备规范度、设备运行性能和设备维修及时性平均评分分别为(22.36±2.12)分、(21.69±2.37)分、(22.54±1.87)分和(21.59±2.03)分,均高于常规管理模式,差异有统计学意义(t=14.689、10.481、9.883、10.163,P<0.05);采用V-SHEL模型管理的设备用电安全、诊疗安全、生物安全和辐射安全风险事件应急管理用时分别为(2.01±0.69)h、(2.03±0.868)h、(3.02±0.96)h和(2.39±0.96)h,均少于常规管理模式,差异有统计学意义(t=16.394、14.894、15.692、16.519,P<0.05)。结论:V-SHEL风险管控模型管理影像设备,可进行设备风险识别,减少影像设备故障发生频率,提高设备使用效能,提升操作人员满意度。

EHDE和WHO-SVM模型在齿轮箱故障诊断中的应用

针对现有齿轮箱故障诊断方法对数据长度敏感的缺陷,提出了一种基于增强层次多样性熵(EHDE)和野马算法(WHO)优化支持向量机(SVM)的齿轮箱故障诊断模型。首先,传统熵值特征提取方法在特征提取阶段对数据样本的长度比较敏感,为此提出了增强层次多样性熵,并将其作为特征提取指标用于提取齿轮箱的故障特征;其次,采用WHO算法对SVM模型的参数进行了优化,建立了参数最优的WHO-SVM分类器;最后,将故障特征样本输入至WHO-SVM分类器中进行了训练和识别,完成了样本的故障识别;利用齿轮箱数据集分别从数据长度敏感性、算法特征提取时间、模型诊断性能三种角度对EHDE、精细复合多尺度样本熵、精细复合多尺度模糊熵、精细复合多尺度排列熵、精细复合多尺度散布熵、精细复合多尺度波动散布熵进行了对比研究。研究结果表明:EHDE方法对数据长度的要求较低,在数据长度为512时即可以取得99.1%的平均识别准确率,在诊断稳定性和诊断精度方面均优于其他对比方法;在算法的泛化性实验中,EHDE方法能够以98%的准确率识别齿轮箱的不同故障类型,具有明显的泛化性和通用性。

配电网间歇性重燃电弧模型的建立与断续弧光接地故障特征分析研究

电弧间歇性重燃是配电网单相接地故障最显著的特征。现有的电弧模型甚少考虑电弧间歇性重燃特性,导致无法精确描述断续弧光接地特征,进而影响继电保护动作。为此,论文提出一种间歇性重燃电弧模型的建立方法,并在此基础上对断续弧光接地故障特征进行了分析。弧道阻抗的随机变化是电弧间歇性重燃的重要标志,故论文重点围绕弧道阻抗变化的随机性和重燃时间间隔的随机性开展间歇性重燃电弧模型的研究。黑盒电弧模型中,Cassie-Mayr联合模型能完整的描述电弧电流从大电流到小电流的变化过程,但存在从大电流变化为小电流的判据模糊,转换过程突变的问题。为此,论文通过引入连续过渡函数解决上述问题。同时,为描述弧道电阻的变化特性,利用Fermi函数对联合模型中Mayr模型和Cassie模型进行权重分配。以改进的Cassie-Mayr单次燃弧模型为基础,根据工频熄弧理论,通过设置燃弧时间长短表征间歇性重燃的随机性,从而建立了间歇性重燃电弧模型。利用该模型,对典型10kV配电网单辐射型网架结构的接地故障进行模拟仿真,采用快速傅里叶变换(fast Fourier transform,FFT)和小波包分析提取了不同条件下故障电压、电流、高次谐波、零序分量以及频率分布等故障特征。研究结果表明:改进后Cassie-Mayr联合模型不但解决了电弧电流从大电流到小电流的转换突变问题,且不同模型权重占比的分配更能准确地表征实际燃弧弧道阻抗变化的随机性;通过设置电弧燃弧时间长短,准确地描述间歇性重燃的随机性;电弧断续时刻为非整数周期下的过电压、过电流幅值高于整数周期;电缆线路增大了故障线路电流,过电流可达3.81~7.20pu,不利于熄弧;大电流系统故障相零序电流主频在0~400Hz,小电流系统故障相零序电流主频在1200~1600Hz。

基于STFT-ECA-ResNet18网络模型的滚动轴承变负载故障诊断

针对传统方法处理变负载轴承故障诊断时存在的自适应能力弱,模型泛化性差的问题,提出了一种改进的基于深度残差网络的故障诊断方法。首先,将采集到的一维时间序列信号进行短时傅里叶变换得到二维时频数据,再利用二维卷积神经网络从变换后的数据中提取特征。然后,通过高效通道注意力机制获取通道全局信息并对其权值进行调整,以增强改进网络模型的泛化能力,使其在变负载工况下分类效果得到提高。最后,通过仿真对所提方法进行了验证,结果表明相比传统方法诊断效果改进明显。

融合特征分析及机器学习的可演进变压器故障诊断模型

变压器是大型电力系统中的关键重要设备,其机理复杂且影响面广,对变压器的状态检测与故障诊断是传统电力系统中的关键问题,也是智能化时代下智能算法应用的重要方向。为解决现有的智能化故障诊断研究受限于故障样本稀缺、诊断结果可解释性差、模型更新困难等问题,提出一种基于时序流数据动态分析的变压器故障诊断模型。首先通过人工辅助标注和数据增强方法,构建具有序列特征的高置信故障数据样本库;然后使用由融合时序特征分析器和多分类器构成的神经网络模型作为训练及分析的模型基础,构造基于相似案例的推理方式,通过距离相似性、模式相似性、形状相似性等多维度距离度量方法,对实时检测到的流数据进行故障诊断及分类预警,以指导运维人员结合历史经验及智能技术开展故障分析。实验结果表明,所提方法在故障诊断的准确性与可解释性上显著提升,可应用于变压器故障在线诊断真实场景中。

保障各种复杂故障工况下解优质率的电网故障诊断解析模型

经典电网故障诊断解析模型是非线性0-1整数规划模型,其难以精确求解,启发式算法虽能获得可行解,但求解准确性和一致性难以保证,且求解时间较长,不利于基于诊断结果的故障排查和设备运维。对传统故障诊断模型进行改进,降低了模型的复杂度,实现了目标函数的线性化,据此构建了基于整数线性规划的电网故障诊断解析模型。Gurobi具有将启发式算法和整数线性规划求解算法有机结合的优点,将其应用于求解基于0-1整数线性规划的诊断模型,解决了传统启发式寻优算法因算法自身的局限性而陷入仅获得局部最优解甚至错解、以及求解速度慢等问题。通过算例对新型电网故障诊断模型的有效性和优越性进行验证,结果表明:相较于基于遗传算法、模拟退火算法、粒子群算法等启发式算法的传统模型,改进模型求解的速度与精度均显著得到了提高。

应用大语言模型的航天器故障定位改进方法

当前,通过构建故障树进行故障定位的实时性较差、难以适应紧急故障,且构建和分析故障树需要的专业知识难以固化、历史发生的故障案例并未被有效利用。针对上述问题,文章提出了一种基于故障树分析的应用大语言模型的故障定位改进方法。首先,基于历史上发生的故障案例或预先分析的故障知识构建故障知识库,实现故障相关专业知识的固化,包括通过故障树分析得到的故障原因及对应的故障现象;然后,利用大语言模型的检索、深度理解、语言归纳能力,结合故障知识库根据实际的故障现象分析出可能的故障原因,从而准确快速地实现故障定位。根据上述原理搭建了故障定位系统,并进行了试验验证,其故障定位的准确率达到85%,验证了所提方法的可行性。

基于双模型自适应估计的大气数据传感器故障诊断方法

大气湍流是大气中一种不规则的随机运动,在机载大气数据传感器的测量过程中,大气湍流影响与传感器故障相互耦合,导致大气数据传感器故障诊断算法无法将故障与湍流影响解耦。针对大气湍流影响下的大气数据传感器故障诊断问题,基于惯性测量单元和导航姿态解算,考虑湍流对大气系统的影响,建立新型大气系统模型及量测模型。在对双模型自适应估计算法进行扩展后,引入湍流对系统影响的协方差自适应更新方法,实现存在未知扰动情况下故障状态的无偏估计。仿真结果表明,该算法可以有效实现对固定偏差故障、漂移偏差故障和振荡故障的诊断。

多输入Stacking模型融合滚动轴承故障诊断

针对现有单输入模型抗噪声能力不强、泛化能力不足的问题,提出了一种基于多输入Stacking模型融合的滚动轴承故障诊断方法。该方法对滚动轴承的原始振动信号进行预处理,分别对原始信号进行经验模态分解、变分模态分解和多分辨率分析,将3种预处理后的信号输入到改进的卷积神经网络和改进的双输入卷积神经网络中进行训练及测试;各模型通过Stacking方法进行融合,以实现滚动轴承各种类型故障的诊断。结果表明,多输入Stacking模型融合方法的诊断性能优于传统的深度学习模型,在信噪比为5 dB的条件下达到了98.9%的诊断准确率。该模型的故障诊断性能稳定,具有很好的鲁棒性和泛化能力。

基于多目标异权重回归的冷水机组故障诊断显式模型

针对冷水机组中常见的7种故障,本文基于交叉熵损失函数和随机梯度下降算法建立了多目标异权重回归模型,进行故障诊断。该模型较常规的机器学习分类模型简单,无需迭代,计算速度快,且为显式模型(非黑箱),可直观分析各参数对每类故障的重要程度。与传统的单目标回归模型相比,故障诊断性能优势显著,在不同特征集合下,性能最低提升40.50%。对比不同文献中特征集合在本模型中的效果,并提出了新的特征集合,正常运行及7类故障的总体诊断准确率可达89.83%,局部故障的诊断准确率达到98%以上。通过可视化诊断模型中的参数权重,发现过冷度和供油温度参数对诊断制冷剂泄漏、制冷剂过充和润滑油过量3种系统性故障最为重要;供油压力、冷凝器趋近温度、蒸发器与冷凝器的水流量参数对诊断4种局部故障最为重要。