基于证据理论的电机故障诊断方法研究

在DS证据理论的基础上,结合模糊集合论,给出了多传感器数据融合一般化方法,并将其应用于电机故障诊断。通过数据融合诊断结果与单传感器诊断结果的比较,说明多传感器数据融合能明显提高故障诊断的准确率。     

基于核主元分析的湿法烟气脱硫系统的故障诊断

提出一种基于核主元分析(KPCA)的故障诊断方法,通过提取集成算子与非线性核函数计算后映射到高维空间的主元成分,有效地捕捉过程变量的非线性关系.对华能福州电厂烟气脱硫过程采集的数据进行传感器完全失效、偏差等故障实验仿真,结果表明,KPCA具有很好的故障诊断能力.     

基于RBF神经网络的传感器非线性故障鲁棒诊断

针对一类非线性系统,传感器非线性故障情形,提出了新的故障诊断方法·该方法采用状态变量扩展技术将传感器故障转化为系统故障进行诊断,RBF神经网络对传感器故障的导函数进行估计,网络权值在线调整,进而实现故障的实时估计·对于系统中存在的不确定性,故障诊断方法应用阈值处理技术,使算法具有一定鲁棒性·对于给出的算法,证明了Lyapunov稳定性·最后,给出了仿真实例,结果验证了该方法的正确性·     

基于核独立元分析的非线性工业过程故障诊断

复杂工业过程的数据具有非高斯、非线性特性,在进行故障检测时,利用核独立元分析(kernel independent component analysis, KICA)方法能有效解决这一问题。然而,由于在处理数据时使用了核函数,无法将线性的贡献图方法直接用于故障诊断,因此采用一种基于改进KICA结合非线性贡献图的方法,对非线性工业过程进行故障检测与诊断。该方法利用基于超松弛因子的FastKICA方法建立监控模型,得到检测故障信息。在发生故障后,通过非线性贡献图法诊断故障变量。最后,选用带钢热连轧工业过程实测数据进行仿真,通过与传统贡献图方法比较,结果表明此方法能够对非线性数据进行有效可靠的故障检测和故障诊断,验证了非线性贡献图的有效性。     

基于多传感器数据融合的故障诊断技术

提出了一种基于多传感器数据融合的故障诊断系统框架 ,给出了故障诊断融合技术的详细算法和提高系统柔性与开放性的方法 ,以及与其他故障诊断方法相融合的方法与算法 .提出的基于多传感器数据的故障诊断融合技术具有较好的实时性、柔性与开放性 .检测、控制与多传感器故障诊断相融合可使系统在不增加设备投资的前提下改善系统的性能     

基于多传感器数据融合的故障诊断技术

提出了一种基于多传感器数据融合的故障诊断系统框架,给出了故障诊断融合技术的详细算法和提高系统柔性与开放性的方法,以及与其他故障诊断方法相融合的方法与算法,提出的基于多传感器数据的故障诊断融合技术具有较好的实时性、柔性与开放性,检测、控制与多传感器故障诊断相融合可使系统在不增加设备投资的前提下改善系统的性能。     

裂解炉传感器故障的检测和诊断

研究了综合运用非线性PLS和模糊逻辑的故障检测与诊断方法,并在此基础上,利用大型工业裂解炉现场数据构造了裂解炉传感器集成故障检测系统。应用结果表明,以此方法构成的传感器故障诊断系统可信度较高,且具有良好的实用性和鲁棒性。     

基于质量评价的运动跟踪数据融合方法

为提高人体运动跟踪系统的性能,将多源传感器数据进行融合。文章针对惯性传感器和Kinect体感传感器,给出了基于可信度、人体骨骼模型生理约束、运动约束和滤波误差的质量评价方法,设计了多传感器融合情况下的质量评价函数,提出了一种基于质量评价函数的运动跟踪数据融合算法。在滑动窗口内基于各传感器连续可信帧进行度量,作为数据融合时的质量因子。实验表明当Kinect或惯性传感器的数据出现较大误差时,通过融合算法提高了系统鲁棒性。     

SVM用于非线性系统故障诊断

支持向量机引入核函数后具备了处理非线性数据的能力,被广泛用于非线性系统故障诊断。通过实验对比分析支持向量机线性核函数和径向基核函数的分类性能,实验结果表明,径向基核函数具有更广泛的适用性,不仅适用于线性系统数据分类,也适用于非线性系统故障诊断,且速度更快。     

基于Matlab的电容传感器动态特性分析

运用Matlab语言建立电容传感器的数学模型,利用SIMULINK的模块库和s函数对电容传感器的动态特性进行动态仿真,并用试验数据曲线验证模型的正确性;为研究传感器的动态特性和故障诊断研究建立了一种灵活的仿真平台,通过演算,得出影响动态特性的具体因素,从而提出改善影响动态特性的方法．     

基于非线性主元分析的水轮机调节系统传感器故障诊断

利用现场的运行数据,将基于输入训练神经网络的非线性主元分析(PCA)方法应用到水轮机调节系统传感器故障诊断中,讨论了基于输入训练神经网络的非线性主元分析实现方法,建立了输入训练神经网络和反向传播网络,实现了对实测数据的重构,讨论了利用平方预测误差(SPE)进行故障检测和识别的方法,并用现场实测数据对该方法进行了仿真。仿真结果表明,该方法有效且实用。     

利用改进ResNet和暂稳态时间序列的光伏阵列在线故障诊断方法

光伏阵列在线故障诊断方法主要采用实时电压电流时序信号作为输入故障特征。然而,这些时序信号因受最大功率点跟踪和时变环境因素的影响,往往包含暂态和稳态交替过程以及时变噪声,显著制约了故障诊断精度及可靠性。针对这些问题,本文首先利用相对位置矩阵方法将三种一维暂稳态时序数据,包括加权总电流以及光伏阵列时序电压和电流,转换为二维数据,以此生成红、绿、蓝三通道图像。而后,将图像输入到所提的基于与坐标注意力结合的残差网络（Residual Network, Resnet）模型中,该模型能提取其丰富的故障信息,有效地提升故障诊断精度。最后,通过仿真和实际的故障模拟实验获取故障样本数据,以训练和测试所提的网络模型,并与多种其它网络模型进行对比,还对仿真数据集进行了可靠性验证。经实验分析证明,本文提出的故障检测与诊断方法在准确性和稳定性方面都有更佳的表现,根据仿真平台获得的数据集也有较高的可靠性。     

高精度故障电弧检测多传感器数据融合算法

 由于故障电弧的物理特性复杂, 且电路中存在与故障电弧波形相似的负载, 因此传统 检测故障电弧的方法误判率较高. 提出了一种多传感器数据融合算法, 用于提高故障电弧的检测精度. 该算法包括自适应加权融合算法和神经网络融合算法, 实现了对温度传感器、声音传 感器和弧光强度传感器所获取的传感信号的数据融合. 自适应加权融合算法克服了单个传感 器的不确定性, 实现了同质传感器中故障电弧特征的提取, 为神经网络融合算法提供了精确的测试样本数据; 神经网络融合算法可自行调整各类异质传感器的权重, 使故障电弧的辨识率更高. 实验结果表明, 该算法可有效提取故障电弧的特征, 辨识精度超过98%, 实现了高精度的故障电弧检测.     

利用改进初始化的残差-密集连接网络的光伏阵列故障诊断

针对在现实生活中光伏阵列大部分运行在正常的工作状态,缺少故障数据的问题,提出一种改进初始化的方法代替随机初始化来训练深度学习模型,以提高故障诊断模型的可靠性.同时,提出基于残差-密集连接网络的光伏故障诊断模型,并基于I-V曲线与最大功率点、温度、辐照度和填充因子作为输入特征.最后,通过多种光伏阵列故障数据检测所提出的方...     

基于联邦滤波的多传感器主动容错估计方法

针对冗余传感器系统的容错问题,改进一种有反馈式联邦滤波的容错估计算法。通过残差法对硬故障进行检测,并隔离故障子系统的估计值。若全部子系统出现硬故障,取上一时刻的联邦滤波的最优值,通过系统状态方程计算得到系统状态量的预测值进行容错补偿。定义可信度因子,设计可信度单调性法则检测子系统软故障,并设计校正策略。大量仿真实验表明,改进后的反馈式联邦滤波的容错估计算法,可在保证系统估计精度的前提下,提高多传感器系统的容错性与鲁棒性。     

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。     

基于小波与量子神经网络的容差模拟电路的软故障诊断

量子神经网络（Quantum Neural Network,简称QNN)的隐层神经元采用多层激励函数,具有一种固有的模糊性,能将决策的不确定性数据合理地分配到各模式中,从而减少模式识别的不确定度,提高模式识别的准确性.笔者提出了基于小波与量子神经网络的容差模拟电路的软故障诊断,实验仿真分析表明：该诊断方法正确率可提高2478%,从而提高了故障诊断的正确性.     

一种BP神经网络软件的设计

介绍了BP神经网络模型及其算法,设计出一种基于模糊的能实现的任意结构的三层BP神经网络软件.软件网络模型具有较高的可靠性.测试表明,该神经网络软件的学习效果达到较高的精度,可广泛应用于故障诊断、模式识别、最优预测等方面.     

化学化工实验室无线安全监测系统故障诊断方法研究

针对化学化工实验室的安全问题设计了一种无线安全监测系统,通过无线通信模块传输现场检测数据和经压缩后的图片,实现了实验室安全远程无线监测与监视的功能. 由于监测系统中的无线通信模块能耗较高,长期运行容易发生故障,其故障检测方式也较为复杂. 为了在线检测无线通信模块的故障和识别其类型,以确保无线安全监测系统的可靠性,研究了无线通信模块的电流特性,建立了基于模糊神经网络的故障诊断模型,可实现对无线通信模块在不同状态下的故障进行诊断. 实验结果表明,与BP神经网相比,采用模糊神经网络的无线通信模块故障诊断方法训练耗时短、收敛快、训练误差和验证误差小、诊断正确率高,能够在线检测无线通信模块的多种类型故障,明显提高了无线安全监测系统的可靠性,具有较好的实际应用价值.      

一种改进轻量化神经网络的齿轮箱故障诊断方法

针对齿轮箱故障诊断精度低以及深度神经网络模型对计算机硬件要求高等问题,提出了Shuffle-ECANet网络模型用于齿轮箱故障诊断。该模型以轻量化神经网络ShuffleNet V2为基础,在保留网络轻量化结构的同时对网络模型进行了优化,采用Gelu激活函数增强了模型非线性变换能力,嵌入高效通道注意力(efficient channel attention, ECA)模块以提高网络性能。深度可分离卷积提高了网络模型的运算效率,通道混洗技术使得信息更加流通,提高了特征表达能力。实验结果表明,本文所提网络模型在保证轻量化的同时适用于不同噪声工况的齿轮箱故障诊断,在原信号下可达99.6%的诊断准确率,在添加了信噪比为-8 dB的高斯白噪声下可达92.7%的诊断准确率。本文所提方法为神经网络更好地应用于齿轮箱故障诊断提供了一条新的途经。