基于模糊线性规划的模拟电路软故障诊断

研究阐述了一种新的容差条件下基于模糊线性规划理论的模拟电路软故障诊断方法。通过灵敏度分析建立电路测试节点电压增量方程,确立各个元件的模糊隶属函数,从而建立起模拟电路故障诊断的模糊线性规划方程组。通过求解方程组来确定电路中各元件在一定故障情况下的最小变化量。在容差条件下,将方程组的解与各元件容差范围相比较来定位故障元件。从而,兼顾故障元件定位和故障元件参数偏移量确定。实验结果表明,该方法可以有效地实现模拟电路元件参数在一定容差范围内随机变化条件下的软故障诊断。

开关磁阻电机功率变换器故障在线诊断

提出了一种开关磁阻电机(Switched Reluctance Motor,SRM)不对称半桥功率变换器的在线实时故障诊断及故障器件定位方法。该方法仅需调速系统中的电流环给定值以及相电流瞬时值,无需增加额外传感器。通过实时计算的三相电流不平衡度信息并结合故障检测表来检测故障相及故障类型。检测出故障相后,发出相应故障检测脉冲通过检测故障相电流响应来定位故障器件。最后,在样机调速控制系统中分别模拟单相上管、下管的开路及短路故障对该算法进行了测试,实验结果表明该方法可以快速准确的诊断出故障类型及故障器件,且适应电机的不同运行工况。

轴承故障诊断FastICA算法性能优化方法

为提高FastICA算法的收敛平稳性和速度,克服FastICA算法对初始值选取敏感的问题,提出在最速下降法中引入松弛因子优化FastICA算法中解混矩阵初始值的方法。首先,按最速下降法负梯度原理确定初始值目标函数最速收敛方向,以最快速度选取靠近目标函数解的粗优值;然后,通过引入松弛因子αk,限制目标函数的下降性质,促使其进入牛顿迭代法收敛区域,最终达到收敛。将优化后的FastICA算法应用于轴承故障诊断中,根据多次仿真次数下迭代时长及时长的波动趋势验证优化FastICA算法在平稳性和速度方面优于传统FastICA算法,且不影响FastICA算法的分离性能,能准确诊断出轴承的故障类型。

基于敏感度因子与故障隔离度的模拟电路测点选择

提出了一种基于类内类间敏感度因子与故障隔离度的新方法对模拟电路测试节点进行优选。计算电路各测点采样数据的类内与类间距离离散度来定义测点敏感度因子,根据敏感度因子大小对待优选测点进行重新排序,利用KNN网络计算重排序测试节点的故障隔离组(度),最后优选出能辨识全部预设故障的最优测试节点集。实验结果证明:新方法得出的最优测点集包含的测点数量更少,该方法可以优选出相比其他文献方法故障诊断效率更高的同等规模的测试节点集合。

基于IWOA-SVM的电路软故障诊断

针对DC-DC电路软故障诊断准确度不高的问题,提出了一种基于改进鲸鱼(IWOA)优化支持向量机(SVM)的电路软故障诊断方法。首先,对故障信号进行VMD提取特征向量;然后通过引用反馈机制来改善传统鲸鱼算法的全局搜索能力防止陷入局部最优,把线性因子改为非线性因子用来平衡全局搜索和局部开发能力来改进鲸鱼算法,以解决易陷入局部最优和局部开发能力低的问题。最后建立IWOA-SVM模型用来进行电路软故障诊断,最终对电路软故障诊断准确度不高的问题,实现了高效的诊断。根据故障诊断的结果表明,改进后的鲸鱼算法优化支持向量机相比本文对比的其他方法具有更好的诊断效果。故障识别准确率达到了99.166 7%。

基于参数最小灵敏度因子估计的模拟电路软故障诊断

提出了一种基于参数最小灵敏度因子估计的模拟电路软故障诊断方法.该方法通过较少的测量值,利用各测量值与电路参数之间的解析关系,计算出电路各参数的灵敏度因子,采用冒泡法取得其中的最小灵敏度因子,然后根据最小灵敏度因子对故障元件进行定位.实验结果验证了该方法对模拟电路软故障诊断的有效性.

液压系统故障诊断新方法的研究

本文通过对液压系统热力学特性的分析研究，提出了用温差、压差或温差作为系统故障诊断的敏感因子，来代替传统的功能诊断［１］所需测扭矩、转速、流量、压力等变量的问题。从而使设计中提高系统可靠性．维修性，可诊断性成为可能。采用永久性内装式传感器避免了诊断时必须拆卸管道而污染系统的问题，诊断参数简单易行。据此可发展非接触式热像技术，对系统故障进行现场巡检，保证了设备可靠运行，避免事故发生。

CEEMD与FastICA结合的故障特征提取方法

针对滚动轴承故障特征信息难以分离的问题,提出了互补式集成经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)与快速独立分量分析(Fast Independent Component Analysis,Fast ICA)结合的故障特征提取方法。首先将振动信号进行CEEMD分析,分解成不同尺度的固有模态分量(Intrinsic mode function,IMF);然后通过敏感度评估算法对分解信号进行重组,并利用Fast ICA对其进行降噪处理;最后对Fast ICA分离的信号进行Hilbert包络谱分析,获取故障特征信息。将此方法应用于滚动轴承振动信号故障分析,实验证明了所提方法的有效性。

SSVD与ELM故障诊断模型在换流器在线监测系统中的应用研究

针对高压直流输电(HVDC)系统中,受换流器谐波噪声影响,导致系统运行状态特征难以提取,且换流器内对称故障特征信息不易检测的问题,提出了一种基于敏感奇异值分解(SSVD)与极限学习机(ELM)的故障检测方法。首先将信号进行SSVD分析,通过敏感因子及差分谱选择敏感变量,由定位因子确定奇异值分解分量,并重构信号,达到滤除干扰噪声目的。最后,提取重构信号的峭度值作为特征,用于建立ELM故障诊断模型,对HVDC系统中的运行状态进行检测。仿真实验结果证明该方法能有效提取信号特征信息,并准确识别故障类型。