基于RBF神经网络的锅炉燃烧系统故障诊断

为了提高锅炉燃烧控制系统的可靠性,针对热力系统自身的特点,基于热力系统的解析冗余理论,提出用RBF神经网络构建状态观测器,对传感器和执行机构进行故障检测与诊断的新方法。采用正交最小二乘法(OLS)训练神经网络。在锅炉负荷控制系统中采用这一方法,对传感器和执行机构构建状态观测器,通过分析比较传感器及其观测器输出和残差、执行机构及其观测器的输出和残差,就可以进行故障诊断。实验结果表明:该方法可以有效地进行锅炉燃烧控制系统故障检测和诊断。     

电动车辆锂离子电池传感器故障诊断方法

为降低锂离子电池传感器故障对电动车辆安全与性能的影响,提出了一种基于观测器的电池传感器故障诊断方法。结合锂离子电池电热耦合动态模型,构建2个扩展卡尔曼滤波(extended Kalman filter, EKF)观测器,估计电池单体的状态量,对比状态量估计值与传感器测量值以生成残差,并使用累计和(cumulative sum, CUSUM)测试方法进行残差评价,根据残差组合的不同响应情况实现锂离子电池电流传感器、电压传感器以及表面温度传感器故障的诊断与分离(fault diagnosis and isolation, FDI)。在不同的传感器故障情况下对诊断方法进行测试,结果表明,该方法能够及时准确地对锂离子电池单体3种传感器故障进行诊断与定位,性能表现优异且易于实施。     

多深度学习模型决策融合的齿轮箱故障诊断分类方法

针对齿轮故障诊断中单一传感器采集信息不完全、容错性不佳及一种神经网络模型具有局限性,传统信号处理技术提取特征困难等问题,提出了多深度学习模型决策融合的齿轮箱故障诊断分类方法,构建了基于卷积神经网络(convolutional neural networks, CNN)和改进堆叠降噪自动编码器(stacked denoising autoencoders, SDAE)的混合网络模型,根据改进的Dempster-Shafer(D-S)证据理论实现决策级融合诊断。以时频信号作为CNN的输入,以频域信号作为SDAE的输入,采用Adam优化算法和dropout、批量归一化技术训练该混合模型。实验结果表明：利用该融合方法对齿轮进行故障诊断相比单个的网络模型CNN和SDAE诊断正确率有所提高,为齿轮故障智能诊断分类提供了新路径。     

软阈值时序卷积网络在冷水机组传感器故障诊断中的应用

为了提高冷水机组传感器的故障诊断性能,提出了一种基于软阈值时序卷积网络的编码-解码器重构模型(ST-TCN),并建立基于该模型的传感器故障诊断方法。采用时序卷积网络(TCN)充分挖掘冷水机组传感器的时间相关性、热力学物理量间的数据相关性以及动态响应差异性特征。在TCN的残差块中引入软阈值自适应模块剔除冗余信息,降低噪声干扰。依托ST-TCN模型“端到端”的网络结构优势,将绝对重构残差向量与故障阈值向量进行比较,直接定位故障传感器。在实际压缩式冷水机组平台上采集传感器数据进行实验,结果表明,软阈值自适应模块能有效地增强网络模型的重构能力,从而提高故障传感器的诊断性能。以压缩机吸气温度传感器T1为例,ST-TCN的平均偏差故障识别率比改进前提升了45.9%;与其他故障诊断方法相比,所提的最新框架获得了较高的偏差故障识别率。     

基于车载检测的列车轮对踏面擦伤故障诊断研究

为确保高速列车的行车安全,需实时监测列车轮对的运行状态,提出了基于惯性基准法的车载轮对几何参数的检测方法,并在此基础上设计了基于粗糙集理论(RS)和支持向量机(SVM)的轮对踏面擦伤故障诊断模型,对轮对踏面进行状态监测与故障诊断。整个故障诊断方法为:首先利用传感器组采集轮对几何参数,将采集数据用时间对准算法进行对准;然后将对准数据进行小波包分析、构造故障特征集;再用粗糙集理论进行属性约简,提取特征集,消除冗余信息;最后使用支持向量机构建故障诊断模型进行故障分类,从而实现轮对踏面擦伤故障实时诊断。MATLAB仿真分析表明,使用该故障诊断方法构建故障诊断模型时间短(为0.226 633 s),诊断准确率高,达100%,取得了较好的诊断效果。文中所用方法也可以推广应用到如轨道交通、船泊、采矿等有旋转体并需要进行实时数据采集、状态监测与故障诊断的领域。     

基于STFT-Inception-残差网络的轴承故障诊断

为使轴承故障诊断工作更加准确与智能化,构建了一种基于Inception结构和残差结构的卷积神经网络(CNN:Convolutional Neural Network),提出一种新的轴承故障诊断方法。首先使用短时傅里叶变换(STFT:Short Time Fourier Transform)将滚动轴承原始一维信号转变为二维时频图,分为训练集、验证集和测试集;然后使用训练集对搭建的Inception-残差网络模型进行迭代,不断更新网络参数,并由验证集检验模型是否出现过拟合现象;最后将训练好的模型应用于测试集,并通过输出层的分类器输出诊断结果。最终由实验证明所提方法的可行性,对轴承故障分类的平均准确率到达了99.98%±0.02%,相对于其他方法具有较高的准确率和稳定性。     

基于Inception-LSTM-Attention的冷水机组传感器偏差故障诊断方法

为提升传统的冷水机组传感器偏差故障诊断方法的特征提取效果及故障诊断准确率,提出一种基于Inception模块和融合注意力机制(Attention)的长短时记忆网络(LSTM)相结合(Inception-LSTM-Attention)的冷水机组传感器偏差故障诊断方法。该方法通过Inception模块从冷水机组传感器时序数据中提取多尺度的实时特征,并利用LSTM学习传感器时序数据中存在的时间相关关系;通过在LSTM中融合注意力机制来保证其最终的输出综合了各个时间节点的输出,提升重要信息的影响程度,最大化保留时序数据的全局信息。同时,设计跳跃连接支路缓解网络中存在的梯度消失问题。最后,使用冷水机组实验平台的传感器实测数据对所提方法进行实验验证。研究结果表明：本文方法对于压力类、温度类各传感器的偏差故障诊断平均准确率均在94%以上;对于各传感器中较小偏差故障的故障诊断准确率均在87.6%以上;与主成分分析、卷积神经网络、Inception以及Inception-LSTM这4种方法相比,Inception-LSTM-Attention模型的传感器偏差故障诊断准确率更高。     

多时滞不确定非线性系统传感器鲁棒故障诊断

提出了一种带有多时滞不确定非线性系统的传感器鲁棒故障诊断方案,非线性仅与系统输入和输出有关,不确定性包括系统输入和状态等环节;通过构造观测器对状态和输出进行估计,得到具有鲁棒性的阈值;若系统的实际输出与估计输出之差(即残差)超出阈值,说明有故障发生,同时用自适应跟踪器对故障进行跟踪;在理论上证明了该方案的鲁棒性、灵敏度和稳定性,最后通过仿真说明了该方法的有效性。     

基于RS-ANN的汽车发动机故障诊断分析

利用粗糙集理论对知识的约简能力及神经网络的分类能力,构建粗糙集-神经网络（RS-ANN）故障诊断组合模型;并将该模型应用于汽车发动机故障数据进行实例验证,该模型诊断速度快,故障诊断正确率高.     

复数三阶累积量在液压阀故障诊断中的应用

为了提高故障诊断正确率,提出了一种基于复数三阶累积量的机械故障诊断方法．三阶累积量的不同定义的复数形式包含了信号间不同的耦合信息,利用这些信息进行了故障诊断．在溢流阀故障诊断实验中,利用这些不同的耦合信息,通过二维小波在不同的方向上对故障信号和正常信号进行特征提取,然后将这些特征值输入支持向量机进行故障判别．实验结果表明,上述方法可以提高故障诊断正确率．同时还对实数三阶累积量也进行了相同的实验,这些实验所取得的诊断效果证明了采用本文方法的有效性．