基于信息融合技术的电机故障诊断

为了能够从多方面反映电机系统状态,实现对电机故障模式的自动识别与准确诊断,将数据融合技术与神经网络相结合,建立电机故障诊断系统。在数据融合级上,将故障特征量进行分类处理,然后采用多层神经网络进行故障特征级融合与电机故障的局部诊断,获得彼此独立的证据,再运用D-S（Dempser Shafer）证据理论融合算法对各证据进行融合,最终实现对电机故障的准确诊断。诊断测试试验证明,该诊断系统提高了电机故障诊断的精度,并能满足诊断的实时性要求。     

基于信息融合技术的电机故障诊断

为了能够从多方面反映电机系统状态,实现对电机故障模式的自动识别与准确诊断,将信息融合技术与神经网络相结合,建立电机故障诊断系统。在数据融合级上,将故障特征量进行分类处理,然后,采用多层神经网络进行故障特征级融合与电机故障的局部诊断,获得彼此独立的证据,再运用DempserShafer(D-S)证据理论融合算法对各证据进行融合,最终,实现对电机故障的准确诊断。诊断测试试验证明:该诊断系统提高了电机故障诊断的精度,并能满足诊断的实时性要求。     

证据理论在变压器故障诊断中的应用

为了提高变压器故障诊断的准确性,引入了一种基于证据理论的诊断方法。根据变压器故障的特征数据,采用2个并行的BP神经网络对变压器进行局部故障诊断,以获得彼此独立的证据,再采用证据理论对各证据进行融合。实验结果表明,该方法可有效地提高诊断的准确率,减少诊断的不确定性。     

基于多源信息融合和ADCNN的离心鼓风机故障诊断

针对离心鼓风机故障识别过程中单一传感器信号故障信息有限,传统的卷积神经网络(CNN)在处理多源高维数据时特征提取能力不足的问题,提出一种基于多源信息融合和自适应深度卷积神经网络(ADCNN)的离心鼓风机故障诊断方法。首先,基于相关性方差贡献率法实现离心鼓风机多源同类信息的数据层融合,建立多源信息融合框架;然后,利用ADCNN自适应地提取各异类信息的特征并完成特征融合,建立融合多源信息的ADCNN故障诊断模型;最后,将此方法应用于离心鼓风机转子故障诊断上,并与传统的融合模式以及CNN、反向传播神经网络(BPNN)、支持向量机(SVM)方法进行对比,试验结果表明:提出的方法在诊断精度与鲁棒性上均优于其他方法。     

基于改进粒子群优化算法的电机故障诊断研究

针对电机转子故障,利用神经网络方法进行故障诊断研究。将基本粒子群优化(PSO)算法进行改进,并用其训练反向传播(BP)神经网络,对电机转子进行故障诊断。选用电机转子振动频谱分量作为神经网络的训练样本,将故障信息数据作为输入量代入已训练好的神经网络,通过输出结果即可诊断故障类型。仿真结果表明,基于改进PSO算法的BP神经网络可以有效地识别电机常见故障,具有较快的收敛速度和较高的诊断精度。     

基于神经网络和证据理论的DCT电控系统故障诊断

为了提高双离合器自动变速器(dual-clutch transmission,DCT)电控系统故障诊断精度,文章提出了一种基于神经网络和证据理论的DCT电控系统故障诊断方法。该方法首先分别用BP神经网络和RBF神经网络对DCT电控系统进行故障诊断,然后利用D-S证据理论将两者的诊断结果进行决策融合,得出最终的诊断结果。仿真结果表明,该方法能够有效提高DCT电控系统故障诊断的精度。     

电机滚动轴承故障诊断的多信息源数据融合方法

在电机滚动轴承的故障诊断领域中,由于电机运行环境的复杂性,以及目前大多数故障诊断依然是基于单参数进行,如振动、温度及电流等所能携带的故障特征进行诊断,所以不确定性因素及不确定信息也充斥其间,从而致使故障诊断的准确率较低。分析了传统故障诊断系统的弊端,并介绍了多信息源数据融合诊断系统的结构及其在故障诊断应用中的优势,并通过实例分析,采用3个独立传感器对轴承故障信号采集,并通过经验模态方法对信号处理得到故障特征向量,最后应用BP神经网络和D-S证据理论进行故障识别。每使用一次D-S证据理论的合成,均会提高故障诊断的准确率,进一步说明多信息源数据融合故障诊断系统的的可行性及有效性。     

基于局部特征尺度分解的汽轮机故障诊断研究

为了提高汽轮机故障诊断的精确性,文章运用转子振动实验台来模拟汽轮机转子的振动信号,对运行中的三种故障振动信号进行采集,然后运用局部特征尺度分解方法对汽轮机振动信号时间序列进行特征提取,组成特征向量。利用极限学习机作为故障诊断分类器,结果表明,局部特征尺度分解特征提取和极限学习机的诊断模型能够准确地对汽轮机故障进行诊断,具有很高的实际应用意义。     

粗糙集CMAC神经网络故障诊断策略

提出一种基于粗糙集CMAC神经网络的智能互补融合的诊断策略．该策略利用粗糙集理论对数据样本进行数据浓缩．提取初步的诊断规则．对初步的诊断规则通过神经网络进行粗映射,利用神经网络的分类逼近能力,建立故障状态空间到诊断空间的精确映射．大大提高了神经网络的收敛速度和逼近精度．将该神经网络应用于的变压器故障诊断实例．结果表明．该神经网络具有分类逼近能力强．计算量小等优点．诊断正确率比普通神经网络的诊断正确率高．     

基于改进LSTM神经网络的化工过程故障诊断

针对现代化工过程中数据非线性、高维度以及动态时序等特点,传统的故障诊断模型对化工过程的故障诊断精度较低.基于此,设计了一种基于改进的长短时记忆神经网络(LSTM)故障诊断方法.首先,将采集的故障数据输入卷积神经网络(CNN),对数据进行特征提取和降维;其次,将处理过的数据输入改进的LSTM网络,进行深层特征提取;最后,把提取的深层特征信息输入到注意力机制进行特征“聚焦”,实现特征融合后输入softmax分类器实现故障分类.由田纳西-伊斯曼(TE)过程诊断实验结果表明,基于改进的LSTM网络的故障诊断方法在故障分类精度、训练速度方面都更优于递归神经网络(RNN)、门控循环神经网络(GRU)、卷积神经网络(CNN)和深度自编码网络(DAEN),在实际化工过程的应用有一定的优势.     

基于信息融合技术的大型水轮发电机故障诊断

为了能够从多方面反映水轮发电机组系统状态,实现对水轮发电机组故障模式的自动识别与准确诊断,将信息融合技术应用于水轮发电机组故障诊断系统。根据故障特征量将故障进行分类处理,采用多个并联的BP子神经网络进行水轮发电机组故障的局部诊断,获得彼此独立的证据,再运用D-S证据理论融合算法对各证据进行融合,最终实现对水轮发电机组故障的准确诊断。诊断测试实验证明:采用该诊断系统可有效地提高诊断可信度,减少诊断的不确定性。     

模糊Kohonen神经网络回热系统故障诊断

分析了汽轮机组回热系统12种典型故障及9种征兆参数的模糊处理,结合Kohonen神经网络的工作原理、诊断特征,提出了模糊Kohonen神经网络汽轮机组回热系统故障诊断模型.结果表明:该模型可以有效地进行回热系统故障样本模式的模糊量化处理,具有自学习功能、聚类能力强、运算速度快的优点,可以有效地对具有模糊性的单一故障和复合故障进行诊断,是一种适合于汽轮机组回热系统故障诊断的有效可行的方法.     

透平机械转子系统不对中故障定量诊断监测方法研究

针对透平机械转子系统不对中故障程度难以定量诊断的问题,提出一种基于转子的状态监测数据建立转子平行不对中量与节点振动通频幅值的关系曲线来定量诊断转子平行不对中故障的方法。对平行不对中状态下的转子进行受力分析得到转子不对中激励力,通过建立的转子试验台有限元数值分析模型计算得到不同不对中激励力下的转子节点振动通频幅值,进而通过分析转子节点振动通频幅值与不对中量的对应关系曲线及转子运行正常数据对关系曲线进行修正;根据监测得到的转子节点振动通频幅值反推出转子平行不对中量,达到对平行不对中故障定量诊断的目的。最后试验验证了定量诊断方法的可行性。     

船用汽轮机转子轴心轨迹模式识别方法研究

为了能充分利用汽轮机轴心轨迹的形状和动态特性信息，使其能够更好地为故障诊断服务．本文介绍了轴心轨迹自动识别系统的结构、功能及识别方法，该系统充分运用了神经网络的结构和功能，运用BP网络构建识别系统，该系统在一定的识别率下实现了对汽轮机转子轴心轨迹的自动识别．     

基于MNN的主动力装置故障诊断研究

单神经网络诊断大多已成功应用到实际的故障诊断系统中。而在实际应用中,多层次多故障的复杂系统普遍存在,运用单一结构神经网络在处理复杂故障诊断问题时网络过于庞大,诊断精度降低。对层次分类诊断模型进行研究分析,提出运用多重结构神经网络(MNN)来对主动力装置进行故障诊断研究,诊断结果表明该模型是可行和有效的。     

基于神经网络与专家系统的故障诊断技术

针对传统的故障诊断方法对复杂系统或装备进行故障诊断速度慢、对多故障同时发生的情况难以准确定位的问题,提出将神经网络与专家系统相融合的设计方案,建立一种基于人工神经网络的故障诊断专家系统。该专家系统结合神经网络和专家系统的优点,具有很强的自学习能力和自适应能力,可从外部环境不断吸取信息,在学习过程中不断完善自己,具有很强的容错性,善于联想、类比和推理。理论分析与仿真实验证明,该系统能实现对故障的快速准确定位,为保障装备可靠高效地发挥功能提供了有效方法     

大型电站汽轮机组热力参数在线监测与故障诊断

本文论述了国内大功率汽轮机故障诊断的现状,从实例论证了根据热参数监测诊断汽轮机故障的重要性和可能性,最后讨论了热参数监测与故障诊断系统在我国装机实用所必需的准备工作。     

汽轮机故障诊断中的信息熵融合

在汽轮机轴系振动故障模拟试验的基础上,对大量故障模拟试验数据进行计算,建立了典型故障的4种信息熵样本.采用概率神经网络对故障信号的4种信息熵特征进行融合研究,并将融合结果与最小距离分类器的分类效果进行了对照分析.研究表明,概率神经网络可实现对训练样本100%的正确识别率,对"陌生"样本的正确识别率也超过80%,其识别效果远远超过最小距离分类器.可见,概率神经网络综合了贝叶斯分类器和神经网络的优势,在汽轮机故障模式分类方面具有明显的优势,利用概率神经网络融合信号的信息熵特征实现汽轮机轴系故障模式识别是一种可行有效的方法.     

基于信息融合的风电机组齿轮箱轴承故障诊断

针对风电齿轮箱轴承故障问题,提出一种基于信息融合将BP神经网络与D-S证据理论相结合的风电轴承故障诊断方法。首先基于大数据,挖掘SCADA(supervisory control and data acquisition)系统中与风电齿轮箱轴承故障有关的振动、温度、电流、转矩和转速信号等故障特征;然后将各信号故障特征量作为神经网络输入,将神经网络的输出归一化作为证据理论基本概率分配值(BPA值),为解决各证据之间冲突问题,采用一种基于加权的方法来改进各条证据,以减小冲突;最后利用组合规则将各条改进的证据融合,得出最终诊断结果。研究基于某风场2 MW风电机组的实际运行数据,结果表明:随着融合信号维度的增加,最终诊断结果的准确率也逐步提高,融合多维信号的可靠性明显高于单一信号。