一种基于贝叶斯网络的故障预测方法

为了研究故障在复杂工程系统中的传播机制,根据关键节点的状态异常信息预测系统发生故障的概率,提出一种基于贝叶斯网络的故障预测方法.根据工程系统自身固有的网络拓扑结构,构建了多层贝叶斯网络模型,利用定性趋势分析法将时间信息融入网络节点中,使得网络具有处理时序信息的能力,便于进行故障传播机理分析和故障预测.提出了基于元器件健康度的根节点故障概率确定方法,针对完备数据集和非完备数据集,选择不同的参数学习方法确定贝叶斯网络的条件概率表,采用多树传播算法进行联合概率推理,由系统根节点运行状态推测其余节点的故障概率.算法在Quanser三自由度四旋翼直升机上进行了仿真应用,结果验证了该方法的可行性和有效性.     

复杂装备故障预测方法研究综述

【目的】阐明复杂装备故障预测内涵,指导装备主动性维修。【方法】对复杂装备故障预测研究内容、国内外研究现状以及方法体系进行调研、归纳和分析,划分并评述现有方法的适用条件和优缺点。【结果】基于知识的故障预测方法可充分利用来自相关领域专家的经验知识,但知识的获取是瓶颈问题;基于模型的故障预测方法可深入理解对象系统本质,但实际复杂装备的精确模型很难构建;数据驱动的故障预测方法依赖于大量数据,而实际应用中一些复杂装备的典型数据的获取代价很大;混合方法能克服单个预测方法的局限性,但有效的模型设计是一个难点。【结论】混合方法能更好地提高预测系统的智能性和预测性能,是复杂装备故障预测的重要发展趋势。     

炼铁设备故障预测模型的建立与应用

炼铁设备运行过程多样复杂,设备故障的预测与分析应适应现代化的设备管理要求.将灰色系统GM(1,1)与新陈代谢模型相结合,建立了炼铁设备故障预测模型.该模型对实时数据进行处理,通过分析数据间的规律,预测设备的可靠性.安钢热风炉风机运行动态监测的实例表明:该模型可实时地根据设备运行状态进行数据分析,与传统的分析手段相比,具有快捷、方便、可信度高的特点.模型可以大幅度减少模拟计算工作量、提高预测精度.     

基于XGBoost的列控车载设备故障预测方法

列控车载设备的健康管理和故障预测是实现高速铁路关键装备智能化视情维护的重要途径.为了克服列控车载设备故障建模的复杂性和健康监测手段受限等问题,充分运用现场收集的设备运行记录数据,提出一种基于数据驱动的列控车载设备故障预测体系框架.建立了高速列车列控车载设备运行数据管理平台,基于大量历史现场数据构建训练及测试样本集,运用极端梯度提升(eXtreme Gradient Boosting,XGBoost)算法实施特定故障类型的模型训练与学习,并将所得故障模型用于故障概率的预测分析.以CTCS2-200H型列控车载设备为对象,运用实际数据对所提出的故障建模方法进行了验证,对不同建模样本规模、故障类型维度下的模型性能以及不同建模算法性能进行了对比.结果表明:基于XGBoost算法的建模方法能够有效揭示各特征量与故障之间的关联,所采用树的深度值越高,迭代收敛速度越快;相较于GBDT、RF算法,基于XGBoost的建模方法能够实现更高的预测正确率,在给定样本条件下达到稳定正确率所需训练时间分别减少了78.55％、12.47％,验证了该方法在大规模数据条件下的适用性和性能优势.     

高速列车智能诊断与故障预测技术研究

综合运用列车运维产生的实时数据和历史数据,提取智能诊断模型,对车载设备运行状态进行监控和预测,是建立高速列车智能诊断和故障预测系统的思路和方法.以转向架关键轴承的可靠性监测和故障预警作为案例,系统阐述了该方法在轨道交通装备故障预测方面的应用.通过对比轴承监测系统记录的原始数据和诊断模型的预测结果,验证了该研究对于提高高速列车运行安全的重要意义和有效性.高速列车运维的长期实践表明,整体框架和建模方法对于现阶段建立系统的、分层次的高速列车智能诊断和故障预测系统具有现实的指导意义,在提高列车检修效率方面起到重要作用.     

改进主元分析方法及数据重构在工业系统中的故障诊断研究

为了更加准确地对复杂工业生产系统进行故障判断,使生产系统更加稳定地运行,采用了改进的主元分析(Principal component analysis,PCA)方法及数据重构对工业过程进行故障诊断研究。采集工业系统正常和故障状态时的数据,将传统的PCA算法中平方预测误差(Squared prediction error,SPE)统计量分成两个,分别为主元显著关联的检测残差变量(Principal-component-related variable residual,PVR)和一般变量残差(Common variable residual,CVR)对系统进行故障判断。为了使系统在检测出故障之后尽量减少故障数据对系统的影响,又进一步应用数据重构方法,将故障数据重构成正常数据,并采用有效度指标进行验证。在故障发生的过程中对故障部分进行检修和排除,把生产系统受到故障的影响降到最低。改进的PCA方法和数据重构方法运用田纳西—伊斯曼过程的数据验证,使故障的检测结果更加准确,保证了生产系统的正常运行行。     

大数据背景下相似性设备剩余寿命预测研究进展

剩余寿命预测是设备故障预测与健康管理的重要组成部分,准确预测设备剩余寿命将有助于决策者及时制定维修策略,避免巨额的失效损失。随着物联网和大数据技术的发展,实时监控设备的运行状态变得越来越便利,为改进和发展设备剩余寿命预测方法奠定了坚实基础。基于相似性的设备剩余寿命预测方法不需要假设设备退化模型,而是通过大数据分析设备间运行状态的相似性进行预测,具有很高的预测精度和强鲁棒性。本文从健康指标构建、相似性度量选取、数据融合等方面,对基于相似性的设备剩余寿命预测方法进行了梳理总结,分析比较了相应性质。文章最后对基于相似性的设备剩余寿命预测方法的未来研究方向进行了探讨。     

地铁电源模块故障分析及预测方法

为提高地铁车辆牵引逆变系统的可靠性,对牵引逆变系统电源模块进行故障问题的跟踪研究.首先,在电源模块运用初期,针对其烧毁问题,提出整改方案.然后,提出一个新的故障预测方法.运用傅里叶级数和马尔可夫理论对预测残差分别进行一次和二次修正,建立改进的灰色预测模型,引入新陈代谢法进行最终预测.最后,为验证方法的有效性,以运用8.5年的电源模块故障数据为例,将几种预测方法进行比较,结果表明,所提方法具有更高的预测精度和一定的工程应用价值.     

MATLAB与BP神经网络技术在隧道工程中的应用研究

隧道岩土是一个复杂的综合系统,各种参数具有很大的不确定性,这给我们判定其工程性质和参数带来了困难.BP神经网络则是处理复杂系统的有效工具,它具有广泛的适用性,不但能较好地拟合已知数据,而且还具有良好的预测功能.借助MATLAB的实用工具箱,用户可以不再考虑复杂的编程过程而更专注于算法.通过实例介绍了基于MATLAB的BP神经网络在隧道工程中的应用问题,探索了等差时间序列的数据处理和预报问题,认为利用其对隧道工程的测量数据进行处理和预测是有效的.     

基于数据挖掘的电力设备运维与决策分析方法

电力设备的运维管理主要包括设备的故障分析、主动预警和差异化运维.在面对电网运行过程中多时间尺度、多时空维度的海量数据背景下,文中将数据挖掘技术应用到电力设备的运行管理上.文中利用K-means聚类算法挖掘历史运行数据信息,进行单维状态量故障特征提取;利用Apriori算法挖掘不同故障模式下关联规则,建立关键性能矩阵,借助高维随机矩阵理论分析设备故障的时空特性;利用D-S证据理论对单维与多维诊断结果进行信息合成,获得设备故障的诊断判据.同时,综合考虑系统运行状态和电力用户差异性,建立设备健康度指数以及重要度指数,显著降低设备运维决策风险.仿真案例证明了本文方法的有效性.