基于观测器的故障诊断技术的鲁棒性

基于观测器的动态系统故障诊断技术的可行性和应用性,关键是对系统不确定性因素具有良好的鲁棒性.根据基于观测器的故障诊断系统鲁棒性的特点,强调通过增加观测器自身的鲁棒性,提高线性不确定系统的故障诊断鲁棒性,并对利用未知输入观测器方法增强鲁棒性进行讨论.提出估计复合故障的一种新的复合故障估计器的设计方法,给出其存在条件以及理论证明,并提出相应的算法.

基于深度卷积神经网络的未知复合故障诊断

针对振动信号的非平稳性、非线性以及未知复合故障难以诊断的问题,提出了一种基于深度卷积网络的未知复合故障诊断模型。首先将采集到的时域振动信号通过小波变换生成频谱图像;然后将频谱图输入卷积神经网络(convolutional neural network,CNH),利用卷积网络自适应的特征提取能力对复合故障进行特征学习;最后将深度卷积网络输出的特征通过分类器对故障进行诊断分类。在实验室模拟采集的不同数据集上进行实验,结果表明:基于深度卷积网络的未知复合故障诊断模型与基于改进CDCGAN的复合故障诊断方法相比,对未知复合故障的诊断率提高了44%,达到85.77%;使用不同类型的单一未知复合故障和多种未知复合故障进行实验,验证了所提模型的泛化能力和鲁棒性。

基于深度学习的含未知复合故障多传感器信号故障诊断

深度学习在故障诊断领域的应用已比较成熟,其中卷积神经网络(CNN, convolution neural networks)和长短时记忆网络(LSTM, long short-term memory networks)就是典型模型之一。CNN作为一种常用的多传感器信号故障诊断方法,能够获得较好的诊断效果,却无法实现未知复合故障的诊断,为解决这个问题,提出CNN-LSTM-FCM(fuzzy C-means)模型。LSTM对具有前后联系的时间信号更敏感,利用这个特点将LSTM与CNN相结合,实现未知信号的诊断,并通过概率分类输出实现了复合故障的解耦,CNN-LSTM-FCM模型本身优化参数设计,进一步提高了诊断精度。使用化学过程故障测量数据进行实验,结果表明CNN-LSTM-FCM模型诊断准确率可达到97.15%,优于CNN模型和LSTM模型,具有较高的应用价值。