基于LSTM-CNN特征提取和PSO-KNN分类的自动抓梁液压系统故障诊断

针对自动抓梁液压系统故障诊断正确率低、深层特征提取困难的问题,提出一种基于长短期记忆卷积(LSTM-CNN)特征提取网络和粒子群优化K最近邻(PSO-KNN)结合的自动抓梁液压系统故障诊断模型。以自动抓梁液压系统关键节点压力信息为输入,采用LSTM提取一维特征与CNN提取的二维特征融合,采用优化后的KNN模型对提取的特征进行故障分类。基于真实数据搭建AMESim自动抓梁模型进行仿真,验证所提方法的有效性与先进性。结果表明:所提模型的诊断正确率达到97.92%,能够有效识别自动抓梁液压系统中的常见故障。

基于深度强化学习的串联系统屏蔽故障维修策略研究

多部件串联系统维修决策优化问题得到越来越多的关注,目前绝大多数相关研究均假设系统失效时其失效部件是可直接观测的。实际的生产运营中,当系统发生失效时,其故障原因往往是屏蔽的,需要采用专业的工具进行诊断才能确定失效部件,继而进行维修。当诊断成本较高且部件接近更换役龄时,可以选择直接更换整个系统而不进行诊断。面向串联系统,考虑其发生屏蔽故障时,可以执行故障诊断确定失效部件继而更换,或者直接更换整个系统,建立半马尔科夫决策模型,以长周期成本率最低为目标函数,决策出每次屏蔽故障时的最佳动作。考虑到多部件导致的状态空间维数灾难问题,采用深度强化学习算法进行求解。最后将模型和算法应用于水电站液压自动抓梁系统,证明了其有效性。

基于CNN-LSTM的液压自动抓梁健康状态预测

针对监测数据下大型水电站自动抓梁液压系统的退化特征提取和健康状态预测问题,基于卷积神经网络(CNN)和长短时记忆网络(LSTM),构建一种健康预测模型。通过监测数据提取抓梁液压系统退化特征并实现预测。采用随机森林对状态监测信号与外部环境因素进行选择,利用CNN充分挖掘状态监测数据序列的时空特性,并使用LSTM网络捕获序列数据中的信息以及依赖关系。为验证所提预测模型的有效性,采用基于真实数据搭建的AMESim液压自动抓梁模型进行仿真验证。结果表明:相较于传统方法,该模型预测精度得到明显提升。