电网络的支路集可测性理论——(Ⅱ)多激励情况及元素集可测性

本文在文献[1]的基础上,进一步研究了多故障诊断中的一些实际问题。文中讨论了多激励条件下的支路集可测性和快速故障诊断算法,并将支路集可测性理论推广到一般的元素集。然后,给出了一个多故障诊断的仿真实例。     

基于灵敏度的模拟电路测试参数分析

介绍了一种提取电路最佳可测性参数集以诊断电路故障的新方法。利用灵敏度法分析了电路中故障元件和可测性参数之间的关系,推导出由电路可测性参数表示的故障元件容差最大值和最小值的表示式,得到诊断故障元件的最佳可测性参数,最后利用数据优化算法得到电路故障诊断的最佳可测性参数集。利用所介绍方法分析了一个低通滤波器电路,得到诊断该电路故障的最佳参数集。由于只需较少的可测性参数即可完成电路的故障诊断,因此本方法不仅计算简单,而且可有效地缩短测试时间和降低测试成本。     

线性电路的K故障定位理论

K故障定位法是模拟电路故障诊断中最重要的方法之一,近年来发展迅速,十分引人注目。本文全面系统地研究了K故障定位理论。文中给出了K故障定位技术的分类方法,介绍了各种定位技术,指出了它们之间的一些重要关系,还讨论了可测性设计问题。     

基于FWA-DBN的航空发电机偏心故障诊断

针对具有多并联支路绕组结构的航空发电机在偏心故障下的输出三相电压、电流故障特征差异小, 造成故障不易识别的问题, 提出一种基于烟花算法(fireworks algorithm, FWA)优化深度置信网络(deep belief network, DBN)的故障诊断方法。首先根据有限元法搭建航空发电机模型, 通过仿真获取不同静态、动态偏心故障输出数据; 然后运用FWA训练优化与极限学习机(extreme learning machine, ELM)相结合的DBN网络, 得到最佳DBN-ELM模型结构; 最后由ELM分类器进行故障诊断分类。诊断结果表明, 相较于传统的故障诊断方法, 应用所提方法进行航空发电机偏心故障诊断, 可以获得更高的准确率, 平均准确率达到99.203%。     

神经网络在柴油机故障诊断中的应用研究

该文利用尺度共轭梯度算法的神经网络对柴油机进行故障诊断 .首先讨论了其训练算法 ,然后确定了柴油机故障诊断所用特征参数及故障种类 ,并提出特征参数数据归一化公式 ,最后以 6-1 3 5 ZC柴油机为例 ,将实验数据输入网络验证 .结果表明 ,神经网络对柴油机故障识别率很高 ,应用于柴油机故障诊断领域是切实可行的 .     

K-拟可加模糊数值积分的零可加性与绝对连续性

在K-拟可加模糊测度空间的任一子集上,针对给定的某一个μ-可积模糊数值函数,建立所谓的K-拟可加模糊数值积分.进而将这种积分整体看成可测空间上取值于模糊数值的集函数,应用其积分转换定理,讨论它们的零可加性和绝对连续性等.     

广义模糊值Choquet积分的零可加性

在广义模糊测度空间的任一子集上,对给定的μ-可积模糊值函数,建立所谓广义模糊值Choquet积分,并将这种积分整体看成可测空间上取值于模糊数的集函数.首先,获得这种积分恰好构成模糊值(数)测度,其次,讨论当广义模糊测度满足次(超)可加,零可加和伪零可加性时,这种积分具有可传性.     

BF及模糊神经网络在旋转机械故障诊断中的应用

本文对模糊神经网络用于故障诊断较传统BP(Back-Propagation)网络的优越性进行了分析,并提出了一种利用模糊神经网络进行旋转机械故障诊断的新方法。在这种方法中利用RBF(Radial Basis Function)神经网络获得隶属度函数,并简化了模糊神经网络的训练,使得新的故障诊断专家知识更易于扩充到现有的故障诊断网络中。仿真结果表明,本文方法所构建的故障诊断网络易于扩展且有良好的诊断效果。     

基于模型的定性推理故障诊断方法研究

提出了一种基本模型的定性推理故障诊断方法 ,其基本思想是以定性推理方法为基础 ,并结合系统的模型知识进行故障诊断。首先通过建立系统部件模型的正常和故障工作模式库 ,以及用有向连接图和支路关联矩阵来建立系统的结构描述 ,然后在部件模式库中搜索满足已知条件的模式 ,来诊断出故障的部件     

基于改进深度残差网络的旋转机械故障诊断

针对旋转机械工况复杂多变、有标签样本不足而导致的故障特征提取困难等问题,提出了一种用于旋转机械故障诊断的改进深度残差网络(improved deep residual network, IDRN)。首先,采集旋转机械一维振动信号进行数据预处理;然后,在深度残差网络的基础上引入了长短时记忆(long short-term memory, LSTM)网络,其中,LSTM网络可以有效捕捉故障的时序信息;在残差块中引入Dropout层提高了故障诊断的精度和收敛速度;最后在轴承与齿轮数据集上验证本文提出方法的有效性。实验结果表明,该方法在堆叠多层网络模型时,没有出现明显的网络退化现象,与当前广泛使用的几种诊断方法进行对比实验,表现出了较高的平均诊断精度和良好的适用性。     

基于跳变参数估计的故障诊断方法

本文讨论研究了系统跳变参数估计的故障诊断方法。利用卡尔曼滤波法检测及估计跳变参数,从而减少了系统模型参数辨识的计算量。通过选择跳变模型参数集、非跳变模型参数集以及基于知识的方法,减少方程p=f~(-1)(θ)的待求变量数量,提高了故障定位速度。用广义Newton—Raphson方法求解故障定位方程,保证了较高的故障定位精度。     

基于DPSO最小碰集算法的掩盖故障识别

针对可测性分析中掩盖故障识别的难点,提出一种掩盖故障存在性的判定及计算其冲突集方法;并将离散粒子群算法(discrete binary particle swarm optimization,DPSO)用于求解冲突集的最小碰集,实现掩盖故障最小碰集的求解;为克服DPSO易陷入局部最优的缺点,还比较了惯性权重对DPSO算法性能的影响。实例验证表明:与求解掩盖故障的其他方法相比,惯性权重线性变化的DPSO算法不仅提高了算法效率,而且避免了其他算法求解时容易出现"计算爆炸"的问题,尤其适合于识别大型复杂系统的掩盖故障。     

基于BP神经网络的故障诊断方法

提出了一种表示故障的模型 ,然后为其建立了基于 BP(逆向传播 )模型的神经故障诊断网络 ,给出了该网络的训练算法和故障诊断步骤 ,并提供了在雷达系统设备上对某些部件的仿真调试诊断实例 .     

基于回归型支持向量机的液压舵机故障诊断

利用回归型支持向量机（SupportVectorRegression，SVR），设计了一个液压舵机的故障诊断系统。利用系统的可测参量，建立了基于SVR的液压舵机的全局故障检测模型。在仿真过程中发现，此方法能对电液伺服阀、位移传感器和伺服放大器的各种故障进行诊断，诊断准确度高，适用于闭环控制系统的故障检测，仿真结果验证了该方法的有效性。     

电子设备智能故障诊断技术发展综述

根据知识运用程度的不同,可将电子设备故障诊断技术分为传统故障诊断技术和智能故障诊断技术。首先介绍了利用相关领域事理性知识的传统诊断技术,针对其不足讨论了以专家系统为平台,综合运用人类各种知识的智能故障诊断技术。简述了国内外有关智能故障诊断技术的发展概况及发展趋势。     

极大熵准则下n人非合作条件博弈的期望Nash均衡

设每个局中人的纯策略空间都是实数集上的Borel集，在实数集上有m个确定的Lebesgue可测集，并存在从这n个纯策略空间的笛卡尔乘积到实数集的m个n元Borel函数。这m个Borel函数在对应Lebesgue可测集下的逆像构成这n个纯策略空间的笛卡尔乘积的一个划分，并且每n-1个纯策略空间的笛卡尔乘积都具有有限正Lebesgue测度。纯策略空间的笛卡尔乘积的不同分块中的纯局势一般具有不同的博弈结果。每个局中人的效用都是自己所选纯策略的一元函数。在极大熵准则是每个局中人的共同知识的条件下，我们得到了求这类博弈的期望意义下的Nash均衡点的方法．给出这种Nash均衡点的存在定理和可交换定理。最后给出一个应用例子。     

人工免疫系统及其在故障诊断领域中的应用

首先介绍了生物免疫系统的机理和特点,并给出了基于生物免疫机理开发的,在故障诊断领域中涉及较多的人工免疫网络模型、反面选择算法及其应用改进,然后给出了国内外人工免疫系统在故障诊断领域中的一些应用成果,最后对人工免疫系统在故障诊断领域中的应用前景和进一步的研究工作进行了展望。     

网络化控制系统的故障诊断

网络化控制系统与传统结构的控制系统相比具有许多优点,但经网络传输的控制信号所带来的随机时延、丢包、异步等问题会影响闭环控制系统的性能,因此需要发展可在网络环境工作的系统的控制理论和技术。故障诊断与容错控制对于控制工程实践特别是对安全性有严格要求的控制系统是十分重要的。近年来,我们较为系统地开展了网络化控制系统故障诊断与容错控制的研究工作从而可对故障诊断的主要研究结果进行概述。     

基于自适应多小波网络预测模型的飞控系统故障诊断仿真研究

提出了一个基于自适应多小波网络预测模型的飞机机械故障诊断新方法,给出了自适应多小波网络的构造方法和训练算法。以某型飞机作动器为例的计算机仿真结果表明,该方法故障诊断的能力及实时性都得以提高。     

自适应在线增量ELM的故障诊断模型研究

为满足现役装备根据故障样本数据集积累的特点进行自适应故障诊断的需求, 本文将极限学习机(extreme learning machine, ELM) 的数据增量学习、隐藏层增量学习和输出层增量学习(类增量学习)3种增量学习模式, 融合到一个统一的学习框架内, 提出一种凸最优自适应增量在线顺序ELM(convex optimal adaptive incremental online sequential ELM, COAIOS-ELM)。模型能够根据增量学习中误差的变化情况, 自适应地增加隐藏层神经元, 减小分类误差; 并可根据增量数据集中新出现的故障类别, 进行相应的类增量学习, 增加故障诊断的范围。有效解决了ELM增量学习过程中模型自适应动态选择最佳网络结构的问题, 提高模型的故障诊断的精度和故障诊断的范围。本文选择UCI数据集中公共数据集和Biquad低通滤波电路故障诊断数据集, 通过与类增量ELM (class incremental ELM, CI-ELM)模型对比实验, 验证了所提方法的有效性。