基于局部邻域标准化策略的多工况过程故障检测

为满足实际工业过程中的生产需求,复杂的化工过程往往会包含多种运行模态,而且过程数据不再单一地服从高斯分布或非高斯分布.过程数据的多工况分布特性以及同一工况下数据分布的不确定性使得传统的多元统计方法无法得到满意结果.针对复杂化工过程中多工况以及复杂数据分布的问题,提出一种基于局部邻域标准化策略(Local Neighborhood Standardization,LNS)的故障检测方法.首先,运用局部邻域标准化策略对历史数据集进行预处理,并充分考虑到邻域密度,再通过局部密度因子(Local Density Factor,LDF)构造监控统计量,进而对工业过程数据进行在线故障检测,最后通过数值例子和Tennessee Eastman(TE)过程验证本文方法的有效性.     

基于局部近邻标准化和主多项式算法的故障检测

针对工业过程的非线性和多模态特征,提出了一种基于局部近邻标准化(local neighborhood standard ization,LNS)和主多项式分析(principal polynomial analysis,PPA)结合的故障检测算法。首先,将样本数据通过局部近邻标准化(local neighbor standardization,LNS)算法,对每个样本构建k近邻数据集;然后应用k近邻数据集的均值和方差对当前样本进行标准化处理;最后使用PPA对已经标准化处理后的样本建模,计算出T2和SPE统计量,并确定控制限进行故障检测。LNS算法能够去除数据中的多模态特征,而PPA算法能够有效的处理非线性数据,因此LNS-PPA方法能够提高具有多模态非线性特征的工业过程故障检测能力。将该方法应用于多模态非线性数值例子和田纳西伊斯曼(TE)化工过程,并将测试结果与主元分析法(principal component analysis,PCA)、主多项式分析法进行对比,其结果能够有效验证LNS-PPA的优越性。     

基于正交局部慢性特征的故障检测方法

为提高化工行业中数据驱动故障检测的效果,该文针对实际工业系统中闭环控制导致的过程动态特性和数据流形中蕴含的局部信息,提出了一种基于局部时空正则慢特征提取(local time-space regularized slow feature extraction, LTSS)的方法进行故障检测。首先,构造基于局部时空正则的目标函数得到投影矩阵,进而得到预提取特征S,则S张成的空间中包含了静态信息,而S的一阶差分张成的空间中包含了动态信息。其次,基于独立成分分析(independent components analysis, ICA)方法,分别为2个空间构建对应的S~2和SPE统计量进行监控,用于实时故障检测。在TE (Tennessee Eastman)过程上的案例研究可以证明所提方法的有效性。     

局部加权的LS-SVM大气数据组合导航故障检测

针对飞机惯性导航设备发生故障,原容错系统失效,而且一般最小二乘支持向量机(LSSVM)检测算法不能有效处理局部预测的问题,提出一种基于局部加权LS-SVM故障检测法。对LS-SVM进行局部加权处理,用局部加权LS-SVM回归预测滤波器新息,并重构检验统计量,结合ADS/GNSS组合系统进行仿真验证。仿真结果表明:在全局容错系统失效情况下,基于局部加权LS-SVM故障检测法具有良好的预测效果,减少了故障检测时间,降低了虚警率。     

电气设备局部过热故障的模拟试验及检测系统

GIS(gas insulated switchgear)和GIL(gas insulated line)是电力工程中重要的气体绝缘输电装备。局部过热是这类设备典型故障之一。为了研究GIS/GIL装备内局部过热缺陷引发绝缘气体或气固绝缘系统的老化分解现象,本文试制了基于比例-积分-微分控制的局部过热故障模拟试验及检测系统,实现了局部过热温度自动测控、功率实测和气体分解产物检测。本系统模拟最大发热功率接近800W,与实际设备局部发热功率相当;局部高温可达660℃,满足模拟金属导体部件发热损坏的要求;系统具有良好的温度测控能力,400℃时波动值不大于±1℃,625℃时波动值不大于±5℃;发热模块输入电压、电流波动范围不超过±1%,功率波动范围不大于±1.5%。同时通过625℃时C4F7N/CO2气体分解、涉及环氧树脂的气固分解以及400℃时SF6/N2的分解试验,验证了该系统适用于纯气体和气固绝缘系统的局部过热故障模拟。相比于现有研究成果,本系统在故障元件表面温度测控和发热功率等方面具有较大改进,模拟效果更接近气体绝缘装备的实际故障状况。     

基于局部特征分析的运动目标检测

提出了一种基于局部特征分析的目标检测方法,该方法是一种新颖的减背景方法.背景用局部纹理进行建模,采用局部二元图(LBP)统一模式直方图来表示纹理特征,并实时地对背景模型进行更新.该方法简单有效,能够适应复杂的动态场景,具有实时性,而且能较好地提取出运动目标.     

基于局部线性嵌入的能量耗损故障模式识别

针对基于能量耗损的齿轮故障模式识别问题,将监督学习与局部主成分分析结合,提出了一种改进的能有效提取数据低维流形结构与分类特征的局部线性嵌入算法.然后,分析了齿轮摩擦学系统能量耗损与能量耗损的故障模式识别方法.最后,以齿轮箱能量监测实验台为例,获取不同齿轮故障下输入能量耗损功率的变化,应用改进的局部线性嵌入算法进行故障的功率耗损降维与模式识别,通过多类支持向量机分类的准确率来判断分类的效果.研究表明,改进的局部线性嵌入算法有较高的识别率,是一种有效的齿轮能量耗损故障模式识别方法.     

基于卡尔曼滤波的导航系统的故障检测

探讨了一种导航系统的故障检测方法,即基于卡尔曼滤波的残差x2检验.在传统方法和现代方法对比层面上对该方法进行了分析,然后又通过一个具体实例进一步讨论了如何利用神经网络的优点来提高该方法的检测效果.     

基于WHD-CRM的群体机器人故障检测

使用交叉调节模型（CRM）进行故障检测,是一种重要的基于人工免疫模型的群体机器人故障检测方法.针对CRM在不同群体行为下,检测群体机器人故障通用性受限的问题,通过研究行为特征在不同群体行为下的影响力等级,提出了使用加权汉明距离的交叉调节模型（WHD-CRM）.相比于CRM,WHD-CRM对不同群体行为的机器人行为特征赋予了不同的权值,获得了更加精确的中间结果（亲和力值）,进而提高了各类群体行为下检出故障机器人的概率.实验结果表明：相比于使用原始CRM,WHD-CRM的故障检测率提高了13%.     

基于snmp的网络节点故障检测

snmp协议提供了强大的网络管理功能,本文应用VC和snmp协议,对网络节点的连接情况进行了监控,应用于工作实际,大大提高了网络管理的效率。     

基于边缘特征的绝缘子故障检测

针对绝缘子图片的一致性较差且绝缘子故障特征的不可预知性问题,提出了基于绝缘子边缘特征的故障检测算法。首先基于纵坐标方向连续单像素边缘提取算法,实现绝缘子骨架提取与伪边缘过滤;然后采用改进的Canny算法,通过基于多峰梯度直方图的阈值分割和边缘跟踪,解决边缘的连通性与伪边缘之间相斥的问题,实现边缘特征的精确提取;最后基于均匀采样的边缘特征点计算角度的算法,通过绝缘子边缘特征的按片匹配,实现绝缘子的缺陷检测。对高速铁路接触网巡检车采集的406张运营线路绝缘子图片进行测试验证,结果表明本算法检测的精确度达到99%,召回率达到98.7%。本方法适用于拍摄正常及过度曝光情况下的绝缘子检测,满足运营维修保养的要求,可为绝缘子故障检测提供参考。     

基于复合成像的电力设备故障检测

提出一种基于复合成像检测的电力设备故障检测方法.在故障条件下,采用复合成像技术对电力设备进行图像采集,对采集的电力设备复合成像进行角点匹配和边缘轮廓特征提取,采用三维区域轮廓扫描方法进行电力设备故障部位的信息增强和分段融合检测处理,实现电力设备故障复合成像检测.仿真结果表明,该方法的检测准确度高,成像输出质量好,提高了电力设备故障检测的测准性.     

基于SSA-SVM的航空电弧故障检测

针对航空线路系统电弧故障隐蔽性高和难以检测的问题,提出一种基于麻雀搜索算法优化支持向量机（Sparrow Search Algorithm Optimization Support Vector Machine,SSA-SVM）的航空电弧故障检测方法。首先采用小波分解对电弧故障电流数据进行分解,小波分解能有效克服经验模态分解时存在的模态混叠问题。再从信号无序度的角度对电流分量提取能量熵、模糊熵与近似熵,并构造特征向量。然后,使用麻雀搜索算法对支持向量机的权值进行优化,得到最优的权值,最后用训练好的支持向量机对测试样本进行分类。为了验证所提方法的有效性,搭建电弧实验平台,模拟航空线路系统电弧故障的产生,分别采集交流串联正常和电弧故障电流数据,应用本文提出的SSA-SVM算法进行电弧故障检测,结果表明,该方法能较好地识别出电弧故障,检测准确率达到99.5%,相比于粒子群算法或遗传算法优化的支持向量机对电弧故障的检测准确率分别高出2.5%和2%。     

基于多元统计分析的故障检测方法

作为数据驱动故障检测方法中的重要分支,基于多元统计分析的故障检测方法主要包括主元分析、偏最小二乘、独立元素分析和费舍尔判别分析.本文回顾了上述几种方法,包括数据模型、故障检测的原理及方法优劣.仿真实验说明了几种方法的特性及其故障检测的效果,并探讨了基于数据故障检测方法中的一些问题.     

基于PCA-SVDD的冷水机组故障检测方法

分析了基于PCA-SVDD方法的冷水机组故障检测效率,结合PCA和SVDD方法的优点,提出了一种基于PCA-SVDD的冷水机组故障检测方法.通过PCA将正常数据所在的测量空间分解为主元子空间和残差子空间,取正常数据的残差子空间得分矩阵作为目标类数据建立SVDD模型,利用RP-1043中冷水机组实验数据验证故障检测性能,并与传统PCA和SVDD冷水机组故障检测结果进行对比.结果表明:PCA-SVDD方法可用于冷水机组故障检测,进一步提高了故障检测能力,且故障检测结果整体优于传统SVDD和PCA方法;用于冷水机组常见的故障检测,获得了较高的冷水机组故障检测效率.此方法有利于及早发现故障,减少损失,对小幅故障检测效率的提高尤为明显.     

基于EEMD的发动机失火故障检测

针对发动机失火故障信息难以提取的问题, 提出了一种基于集合经验模态分解(EEMD: Ensemble Empirical Mode Decomposition)的发动机失火故障检测方法。该方法能自适应地将曲轴转速信号分解为若干个本征模态函数(IMF: Intrinsic Mode Function), 确定包含故障信息的IMF, 通过该IMF 幅值的异常波动, 可以较准确地判断发动机发生失火故障的时间。并通过AMESim 建立了发动机仿真模型, 从中采集了3 种情况的曲轴转速信号, 分别利用EEMD 分解并最终检测失火故障。实验结果表明, 该方法能有效提取故障信息, 实现失火故障的离线检测, 并可以作为在线检测的基础。     

基于小波变换的故障信号检测

分析了小波变换的时频局部化特性及基于多分辨分析的信号小波的分解算法 ,研究了信号局部奇异性在小波变换下的特性 ;根据故障信号的局部奇异性在小波变换下模的极大值及其在不同尺度上的传播特性 ,对 30 8型滚动轴承振动加速度故障信号进行分解 ,对故障特征信号进行时域定位 ,并提取了故障特征频率f=46 .88Hz,这与实际的故障特征频率相近 ,说明该方法适用于滚动轴承的在线监测和故障诊断     

基于人工神经网络的扬声器故障检测方法

提出了一种基于神经网络的扬声器故障检测方法.通过扫频仪激励扬声器,采集扬声器的响应信号,利用小波包分解的方法时频分析响应信号,得到各频段的能量;对分解后各频段信号的特征能量进行提取,规一化特征能量;把规一化后的特征能量作为人工神经网络的输入,通过BP神经网络对扬声器故障进行分类识别.实验对165个扬声器进行识别,识别率为95.8%.实验结果表明,该方法简便有效,具有实用价值.     

基于多域流形的行星齿轮箱局部故障识别

行星齿轮箱振动信号包含多种频率成分和噪声干扰,频谱具有复杂的边带结构,容易对故障识别造成误导甚至引起错判.在不同故障状态下,行星齿轮箱振动信号的多域特征量将偏离正常范围且偏离程度不同,根据这一特点,提取振动信号的时域、频域特征参量用于故障识别.为了避免传统分析方法中负频率及虚假模态问题,增强对噪声干扰的鲁棒性,采用局部均值分解法将信号自适应地分解为单分量之和,提取时频域单分量瞬时幅值能量.针对多域特征空间构造过程中出现的高维及非线性问题,采用流形学习对数据进行降维处理.提出基于改进的虚假近邻点的本征维数估计及最优k邻域确定方法,并通过等距映射对多域特征空间进行降维分析.对于行星齿轮箱实验信号,根据样本流形特征聚类结果,分别识别出了太阳轮、行星轮和齿圈的局部故障,从而验证了上述方法的有效性.     

基于局部软决策的分布式检测算法

为在保证一定检测性能的前提下有效地降低所需传输的数据量,文中提出了一种基于局部软决策的分布式检测算法,推导并构造了基于局部软决策分布式检测的优化问题,求解得到使系统检测性能达到最优的局部软决策方案;将文中方案与均匀量化方案、未量化方案进行对比,分析了在理想/非理想信道条件下检测性能的优劣.实验结果表明:文中提出的算法性能优于基于均匀量化的分布式检测算法;当量化深度为3时,系统的检测性能十分接近未量化方案的检测性能.