基于Kullback信息测度的长输管线的故障诊断

提出了一种基于 Ｋｕｌｌｂａｃｋ信息测度的长输管线泄漏诊断方法．它通过对管线两个 端点附近的压力梯度所构成的时间序列进行分析，从而检测出泄漏，并在此基础上对泄 漏点进行定位．此法只需测量２个端点附近的４个压力信号，且计算量小．在实际中较 容易实现。用该方法在一条长１２０ｍ、内径１０ｍｍ的液体管线上进行了实验，当泄漏量 为０．５％时，定位误差为总管长的２％。结果表明．这是一种很有实用价值的诊断方法。     

基于蚁群神经网络的设备故障诊断

BP算法在神经网络中应用较为广泛,但有收敛速度慢、易于陷入局部极小的缺点,而蚁群算法是一种新型的模拟进化算法,有正反馈、分布式计算、全局收敛、启发式学习等特点.将蚁群算法和神经网络结合起来,应用于设备故障专家系统的知识荻取和诊断推理中,可以提高运算效率,具有很好的应用前景.利用该方法,对测得的样本数据进行实验分析,证明此系统具有推理效率及准确性较高的特点.     

基于BP网络的设备故障诊断研究

通过运用人工神经网络知识,准确、及时地对某运输公司的汽车发动机进行了故障诊断,并且取得了较为准确的诊断结果。不仅提高了发动机运行的安全性以及可靠性,而且为建立基于知识的诊断技术提供了强有力的技术支持和实现的可能性。     

基于MAS的铁路信号设备故障诊断策略

主要讨论基于MAS技术为铁路信号设备故障诊断系统设计面向Agent的任务分解策略和诊断策略.由于铁路信号设备故障的复杂性和多样性,管理Agent首先进行任务分解,将不同类型的故障分配到不同故障诊断Agent中进行诊断.根据故障类型设计相应的诊断Agent能有效提高诊断的精度和效率.     

基于Petri网的设备故障诊断研究

基于设备故障诊断知识的特点,采用层次树结构统一表示故障深浅知识。对普通Ｐｅｔｒｉ 网进行拓展定义,并用拓展Ｐｅｔｒｉ 网综合实现故障知识的表示和故障的诊断推理。诊断时首先基于拓展Ｐｅｔｒｉ 网模型的正向可达性分析进行正向不确定推理,限定可能的故障模块,然后基于Ｐｅｔｒｉ 网模型的反向推理功能在故障模块内具体诊断出故障原因。基于ＦＭＳ故障诊断知识的分析,文中给出了一个利用拓展Ｐｅｔｒｉ 网进行知识表示和推理的实例,证明了方法的可行性。     

基于人工神经网络的提升设备故障诊断研究

针对现有的提升机故障诊断系统的不足，提出了一种基于三层BP神经网络的提升设备故障诊断方法，并把一技术应用于实验室2JTP－1．2型提升机的液压制动系统的诊断上，诊断结果具有较高的可靠性，软件编制过程中采用了面向对象的思想，实现了动态分配，使该系统具备通用性。     

基于LSTM的列车测速测距设备故障诊断

列车测速测距设备是列车运行控制系统的重要组成部分,也是故障率较高的设备之一.针对测速测距设备故障诊断自动化程度低的问题,提出一种基于LSTM(Long Short-Term Memory)神经网络的列车测速测距设备故障诊断方法,利用自适应最小支持度的加权Apriori算法从测速测距设备的时间序列中提取与故障分类关联度高的时间序列,构建故障数据集;利用LSTM神经网络对故障进行分类对比,测试结果表明:在以时间序列为故障特征的条件下,LSTM分类效果优于全卷积神经网络(Fully Convolutional Neural Networks,FCNN)与循环神经网络(Recurrent Neural Network,RNN).     

基于综合集成方法的设备故障诊断及其应用

设备故障的诊断涉及到知识工程、知识管理、数据挖掘、专家系统、可靠性工程等多领域知识,常常需要综合定性和定量方法共同进行诊断。本研究从综合集成法的思路出发,提出了一种定性定量结合的设备故障诊断方法,并以铁路CIR设备为例,综合知识图谱、文本分类、贝叶斯网络等技术,应用于设备故障知识管理、故障定位、故障诊断推理。本研究表明,综合集成方法对复杂设备故障知识的管理和诊断实践提供了有效指导,同时能为维修人员和管理人员进行设备健康管理工作提供决策支持。     

基于注意力机制BiLSTM的设备智能故障诊断方法

状态监测与故障诊断是保证机械设备安全稳定运行的必要手段.本文提出一种基于注意力机制双向LSTM网络(ABiLSTM)的深度学习框架用于机械设备智能故障诊断.首先,将传感器采集的设备原始数据进行预处理,并划分为训练样本集与测试样本集;其次,训练多个不同尺度的双向LSTM网络对原始时域信号进行特征提取,得到设备故障多尺度特征;再次,通过引入注意力机制,对不同双向LSTM网络提取特征的权重参数进行优化,筛选保留目标特征,滤除冗杂特征,以实现精准提取有效故障特征;最后,在输出端利用Softmax分类器输出故障分类结果.通过利用发动机气缸振动实验数据和凯斯西储大学滚动轴承实验数据进行故障诊断实验,故障识别准确率均达到99%以上.实验结果表明,ABiLSTM模型可以实现对原始时域信号的多尺度特征提取和故障诊断,通过与深度卷积网络(CNN)、深度去噪自编码器(DAE)和支持向量机(SVM)等方法进行对比,ABiLSTM模型的故障识别性能优于各类常见模型.另外,通过利用凯斯西储大学滚动轴承在不同工况条件下的数据,对ABiLSTM模型进行泛化性能实验,变工况样本的故障识别准确率仍然能够达到95%以上.     

基于变权关联规则的设备故障诊断研究

加权关联规则应用于设备故障诊断是当前的研究热点,其前提假设是,设备组件的权值在整个设备生命周期中是恒定不变的。而实际上,随着设备组件的磨损,各组件的权值会随时间而发生变化。本文针对这种情况,提出了一种适用于设备故障诊断的变权关联规则算法,将随时间而变化的设备组件磨损程度因素作为衡量组件权重值的一项重要指标,以提高设备故障诊断的准确率,并用具体的实例分析来说明运用变权关联规则对设备故障诊断更加准确。     

基于人工神经网络的设备故障诊断策略及模型研究

文章首先介绍人工种经网络的基本理论和基本模型，然后研究诊断设备的结用特征，担出了“结构树”的概念．并据此分析了设备故障的特点．文章最后以神经网络基本模型为基础，结合设备故障特点，探讨了基于人工神经网络的设备故障诊断策略及模型．     

基于贝叶斯网络的列控车载设备故障诊断

针对目前高速铁路列控车载设备故障诊断过度依赖于专家经验且诊断正确率不高等问题,提出了以专家知识为基础,以贝叶斯网络为核心的故障诊断方法.首先,以CTCS3-300T型列车运行控制系统的车载设备为研究对象,建立基于专家知识的贝叶斯网络.其次,根据故障记录数据集使用K2算法进行结构学习并对学习后的贝叶斯网络结构做适当简约处理.利用极大似然估计算法进行参数学习,得到故障诊断的最优贝叶斯网络.最后,通过诊断推理,得到该故障诊断模型的诊断正确率为88.20％,验证了该贝叶斯网络模型的可行性和有效性.     

精馏塔设备的故障诊断分析

化工生产装置往往由多种不同的单元过程设备构成,它们分别在生产工艺中起着不同的作用。本文利用-射线扫描技术对于精馏塔设备的故障诊断问题进行探讨,通过实例说明了γ-射线扫描技术的有效性。     

数控设备故障诊断的研究

阐述了数控机床故障诊断的原则,方法,利用传感器和现代ICNC智能诊断方法进行了多路,快速的环境处理和机床信息采集,诊断,分析,处理。     

基于加权关联增量更新模型的设备故障诊断研究

利用数据挖掘技术对设备监测数据进行分析,可以建立较准确的故障诊断及预警模型,但随着故障数据库的扩大,如何利用新增数据进行快速诊断成为急需解决的问题。针对上述问题,提出了加权关联规则增量更新模型,该模型直接对新增数据进行频繁项集挖掘,在一定程度上缩减了矩阵规模。通过算例证明了其挖掘结果的准确率明显优于经典的增量模型-FUP。     

基于自回归隐半马尔可夫模型的设备故障诊断

提出了一种新的隐马尔可夫模型(HMM)拓展模型自回归隐半马尔可夫过程(Auto-Regressive Hidden Semi-Markov Model,AR-HSMM),并给出了模型参数的推导和相应的"前向-后向"算法.与传统的HMM相比,AR-HSMM有以下两个优点:①把传统HMM所假设的隐藏状态分布改进为显式高斯分布;②改进了传统HMM假设各观测变量相互独立的问题,通过在各观测变量之间建立联系,从而使之更加符合实际情况.在液压泵故障诊断中的应用实例表明,AR-HSMM在故障诊断中是非常有效的.     

基于LSTM-BP级联网络的列控车载设备故障诊断

列控车载设备是保障高速列车行车安全、提高运输效率的核心组成部分,快速有效地诊断其故障类型具有重要意义.针对300T型列控车载设备故障文本数据的错综性和时序性,提出一种基于LSTM-BP级联网络模型的车载设备智能故障诊断方法.首先,采用贝叶斯正则化(Bayesian Regularization,BR)算法优化BP神经网络提高模型的泛化能力;其次,利用长短时记忆网络(Long Short Term Memory Network,LSTM)的记忆特性,充分学习具有时序性的故障特征信息,解决BP神经网络模型难以准确诊断关机误报和引发故障等问题;最后,利用实际数据对模型进行多次试验分析,BR优化的神经网络模型分类准确率为85.06%;而LSTM-BP级联网络模型分类准确率达到95.10%,能够很好地解决对关机误报和引发故障诊断不准确的问题,验证了本文所提出的智能故障诊断方法的有效性.     

设备点检和机械设备故障诊断

在现代化企业生产中,将设备的点检管理制度和机械设备故障诊断技术相结合,可以很大程度地避免事故的发生,减少事故造成的人员和设备损失.通过设备点检发现问题及设备诊断技术,为设备的检修和日常维护指明了方向.     

钢铁冶炼设备故障诊断探讨

冶炼机械的问题诊断体系能够发挥非常关键的意义，比如开展在线检测活动，能够经由对信息的设置，体现机械的运行模式以及其动态等，进而可以积极的开展预控工作，提升机械的使用性，具有非常显著的作用：基于此，本文探讨了在钢铁冶炼设备中的故障诊断，并详细阐述了当今钢铁领域中的问题诊断科技。     

综采设备常见故障诊断技术

曾被誉为＂黑色金子＂、＂工业食粮＂的煤炭,是中国的基础能源,在今后较长的一段时期内,中国的煤炭工业都将继续保持旺盛的发展趋势。因此,综采设备的重要性也随着煤炭行业的快速发展而愈发明显。对综采设备常见故障的诊断,是综采设备安全运行的基础,以此达到减少事故、提高安全生产的目的。笔者现从综采设备的特点等方面,简要分析采煤机、液压系统及泵站等的常见故障和其维修方法,为煤炭行业的发展提供基本的技术保障。