一种基于动态更新神经网络的无监督雷达退化故障预测方法

为了克服传统雷达故障检测方法对专家经验依赖性强、耗费大量人力物力、容易造成过度检修、无法对退化故障进行提前告警等缺点,提出了一种基于动态更新神经网络的无监督雷达退化故障预测方法。首先通过微波测量设备采集峰值功率和工作频率历史数据,其次利用动态更新神经网络对历史数据进行动态更新并预测后续数据,最后采用孤立森林方法对预测数据进行无监督故障检测,以此实现雷达退化故障预测并提前告警。结果表明,本文提出的方法可至少提前10个时间步(100 min)预测退化故障并实时告警,能够在小样本、无故障样本、无特征提取、无人工阈值的情况下实现雷达退化故障预测。     

基于振动特征估计的气体绝缘开关设备故障检测与定位

为了有效检测气体绝缘金属全封闭开关设备(Gas Insulated Switchgear, GIS)故障,提出一种基于振动特征分析的GIS设备故障检测与定位方法。首先,选取GIS金属外壳多测点振动信号作为设备的状态变量。然后,构建多输出支持向量回归(Multi-Output Support Vector Regression, MOSVR)模型对GIS设备多测点振动特征进行回归估计,并利用多测点振动特征残差相对值计算故障预警指标。之后,利用指数移动加权平均方法计算自适应阈值来衡量故障预警指标的变化趋势以实现设备的故障检测。检测出故障后,利用箱形图分析多测点振动特征残差来定位设备故障。最后,利用现场实测信号验证了提出方法的有效性。     

炼化企业设备故障分类编码体系设计

通过对信息化编码技术的总结和分析,针对炼化企业设备故障管理的自身特点,设计出炼化企业设备故障编码体系,使得该编码能够反映出设备的设备类别、故障部位、故障模式、故障原因等信息。     

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.     

模糊综合评判在设备故障预警专家系统中的应用

论述了基于模糊综合评判的设备故障预警专家系统的框架结构、功能及工作原理,并给出了一个基于模糊综合评判的设备故障预警实例。实验结果表明,该方法应用在设备故障预警中是可行的、有效的,为研究设备故障预警问题提供了一条新的思路和方法。     

基于深度自编码网络的电弧故障检测与负载类型识别

针对有监督学习的电弧故障检测方法需要大量带标签数据且大多只检测电弧故障而未对负载类型进行识别的问题,提出一种基于深度自编码网络的电弧故障检测与负载类型识别方法;采用小波包分解的节点系数作为自编码网络的无标签输入特征量,并运用逐层训练方法对自编码网络进行预训练;为了使所提出方法的权重系数达到全局最优,采用少量有标签数据对所得权重进行微调,通过Softmax多分类器输出电弧故障检测结果,并根据负载类别最大概率识别电弧故障可能的负载类型。结果表明,所提出的方法对电弧故障检测与负载类型识别准确率达到98.56%,高于相同层数和参数规模的有监督学习网络的准确率。     

基于无限学生t混合模型聚类的机械故障预警方法

往复式压缩机、柴油机等复杂机械的振动信号往往呈现较强的非平稳特性，导致传统单特征门限报警法的报警准确率较低。针对该问题，提出一种基于无限学生t混合模型（infinite student's t-mixture model，iSMM）聚类的机械故障预警方法：首先，通过提取机械振动信号特征构建高维特征空间，并采用iSMM对其进行建模，以描述机械设备的状态；其次，利用基于匹配的KL散度近似算法计算机械设备在历史正常状态和观测状态下的模型间距离；最后，将该距离与基于3σ准则自学习出的报警阈值进行比较，实现故障预警。利用往复式压缩机故障案例对所提方法进行验证，结果表明本文方法较单特征门限报警法报警准确率高且时效性好，可有效地对复杂机械进行故障预警。     

基于长短时记忆神经网络的潜油电泵故障预警

以潜油电泵机组的运行电流为主要判别依据,将长短时记忆神经网络应用于潜油电泵运行状态预测中,对于特征不明显的故障类型,利用潜油电泵井运行电压、运行电流、功率、油压、井口温度和瞬时流量数据预测下一时刻的电流值,并利用单分类支持向量机模型来预判潜油电泵机组的运行状态,从而实现潜油电泵的故障预警。最后,利用实际生产数据对模型进行验证。结果表明,所提方法预测准确度较高,可将报警时间提前1 h,实现故障的预警及诊断。     

采用深度迁移学习与自适应加权的滚动轴承故障诊断

针对滚动轴承目标域数据中额外故障状态样本影响其故障诊断精度的问题，提出了采用深度迁移学习与自适应加权的滚动轴承故障诊断方法。建立特征提取模块，利用深度卷积神经网络将轴承样本映射到高维特征空间；利用迁移学习思想设计加权领域鉴别器，对样本进行自适应加权，并通过在特征空间的对抗训练，增大目标域与源域共有健康状态样本的领域相似性，抑制目标域额外故障状态样本与源域样本的领域相似性增强；依据样本权重，度量目标域与源域样本的相似性，设定阈值将目标域额外故障状态样本标记为未知故障；将源域故障诊断知识迁移到目标域共有健康状态样本的故障识别中。利用齿轮箱轴承数据、凯斯西储大学滚动轴承数据和机车轮对轴承数据对提出的方法进行验证，结果表明：所提方法在3个数据集上均达到89%以上的诊断精度，而对比方法的诊断精度均低于80%。所提方法能够克服额外故障状态样本的影响，有效实现滚动轴承故障诊断。     

基于LabVIEW的设备状态监视与故障预警系统

本文研究的是利用奇异性指数实现对设备状态监视和故障预警功能。首先用LabVIEW采集传感器电信号,然后对采集到的电信号进行小波变换得到信号包络奇异点的奇异性指数,即设备运行状态的特征值。再通过当前特征值与标准值的比较,即可得知设备当前的状态,从而实现对设备状态的诊断,并持续监视诊断结果同时以适当的方式对故障预警。     

改进PSO优化SVM的滚动轴承故障诊断

提出一种基于改进粒子群算法和支持向量机的滚动轴承故障诊断方法.首先分析基本粒子群算法的不足及其关键参数,提出多方面改进的粒子群算法,利用10种基准测试函数对比多种粒子群算法,证明该改进算法的优势.然后结合支持向量机,建立滚动轴承故障诊断模型,并提取滚动轴承振动信号的时域、频域、小波包节点能量和CEEMDAN分量排列熵四种特征,构成单一特征和组合特征作为诊断模型的输入特征向量.最后利用凯斯西储大学滚动轴承数据进行验证,并与网格算法、遗传算法和多种不同粒子群算法进行对比.试验证明,本改进粒子群算法优化支持向量机模型在滚动轴承故障诊断中更具优势.     

基于WDCNN-DLSTM的滚动轴承故障诊断方法

滚动轴承是机械设备中的核心部件,其运行状态对设备的运转有重要影响。深度学习作为滚动轴承故障诊断的重要方法越来越受到重视。由于传统的故障诊断方法没有充分利用数据时序性,提出了一种将第一层为宽卷积核的深度卷积神经网络(deep convolutional neural networks with wide first-layer kernels, WDCNN)和深度长短时记忆网络(deep long short-term memory networks, DLSTM)相融合的模型(WDCNN-DLSTM)。WDCNN将传统的CNN第一层卷积核尺寸加宽,提高了模型对一维振动信号中的空间特征信息的提取能力;DLSTM将多个LSTM模块进行堆叠,提高了模型对一维振动信号中时序信息的提取能力。WDCNN-DLSTM将二者通过连接层融合,优势互补,提高了模型的判别能力。通过实验结果表明,相较于一些其他模型,所提出的方法具有更高的精确度。在变负载的情况下,也仍然实现了更好的分类效果。     

基于视频图像分析的旅客群体性事件预警方法

针对民用机场航站楼群体性事件预警问题,提出了基于视频监控图像分析的非正常人群外部聚集特征识别和预警方法。该方法通过提取图像中的人员位置信息,采用核密度空间聚类算法,人群聚集的空间和运动特征,建立航站楼旅客群体性事件案例库,基于模糊-粗糙集方法分析群体性事件中非正常聚集人群特征,结合相应的机场运行信息,建立相应的预警规则。理论分析和历史数据案例测试结果表明,该方法针对航站楼群体性事件的预警准确率明显高于单一的人群密度分级预警方法。     

基于深度学习的风力发电机组故障预警方法研究综述

风能作为重要的可再生能源,近几十年来,全球风能使用规模迅速增长,陆上和海上风力发电机组发电容量不断增加。由于风力发电机组故障维修成本巨大,因此必须开发有效且可靠的风力发电机组故障预警方法,在风电机组发生故障前进行提前预警,以便降低风电场的运营和维护成本。目前风电机组数据采集与监视控制系统(supervisory control and data acquisition, SCADA)已经在风电场有了广泛的应用,其中蕴含着大量的潜在数据信息,同时深度学习方法在海量数据挖掘方面有比较明显的优势,因此深度学习方法在风力发电机组故障预警领域的应用潜力巨大。综述了近年来相关深度学习方法在风力发电机组故障预警的研究进展,总结了风电机组故障预警的大体步骤,分析了各个步骤的具体处理方法,对每种技术方法的特点进行整理分析。最后阐述了深度学习在风电机组故障预警领域所面临的挑战,并对今后的研究重点进行了展望。     

变工况时频脊流形早期故障预警方法研究

针对风电机组齿轮箱工况复杂多变,提出了一种基于Gabor重排对数时频脊流形早期故障预警方法.该方法首先研究提取Gabor重排对数时频谱的脊线,构建早期故障高维特征向量;然后研究改进局部切空间流形学习方法,进行维数约简;最后采用K-近邻分类器,实现变工况风电机组齿轮箱的早期故障识别与预警.通过变转速、变载荷等多种工况的行星齿轮箱磨损试验与风电机组现场运行数据验证,结果表明该方法有效提高了复杂变工况风电机组齿轮箱早期故障预警准确率,可为其预知维护提供可靠依据.      

一种基于深度融合模型的滚动轴承故障诊断方法

针对噪声环境下滚动轴承故障难以诊断的问题,提出一种基于深度学习融合网络的轴承故障识别新方法。该方法首先对轴承振动信号进行一定程度的随机损坏,并将加噪后的数据输入卷积降噪自编码器(convolutional denoising autoencoder, CDAE)中对网络进行训练,目的是降低信号中的噪声干扰并提取浅层特征;然后,利用深度信念网络(deep belief network, DBN)学习深层特征并建立轴承状态识别模型,输出故障识别结果。在融合模型中,将卷积降噪自编码器作为网络的第一层以增强网络的抗干扰能力,提高故障的识别精度。使用凯斯西储大学(CWRU)滚动轴承数据对所提模型进行验证,结果表明提出的融合模型在噪声环境下能够较好地实现轴承的故障状态识别。     

一种基于深度融合模型的滚动轴承故障诊断方法

针对噪声环境下滚动轴承故障难以诊断的问题,提出一种基于深度学习融合网络的轴承故障识别新方法。该方法首先对轴承振动信号进行一定程度的随机损坏,并将加噪后的数据输入卷积降噪自编码器(convolutional denoising autoencoder,CDAE)中对网络进行训练,目的是降低信号中的噪声干扰并提取浅层特征;然后,利用深度信念网络(deep belief network,DBN)学习深层特征并建立轴承状态识别模型,输出故障识别结果。在融合模型中,将卷积降噪自编码器作为网络的第一层以增强网络的抗干扰能力,提高故障的识别精度。使用凯斯西储大学(CWRU)滚动轴承数据对所提模型进行验证,结果表明提出的融合模型在噪声环境下能够较好地实现轴承的故障状态识别。     

特征提取在工况监测与故障诊断中的应用

随着信息技术和计算机网络技术、虚拟仪器等在企业的普及和应用，基于网络技术的未来企业全球制造化模式的建立，使日趋大型化、复杂化集成化生产设备的远程工况监视，远程故障诊断成为重要的研究课题。生产现场工况信息的自动检测、数据采集和存储是故障诊断系统的基础和起点，而对检测信息进行加工、变换和特征分析，提取敏感的故障征兆是诊断系统实现故障可靠诊断的关键之一。阐述了机械故障诊断的理论方法及特点，分析了信号的特征分析方法——时域分析方法，频域分析方法，联合时—频分析方法等多种信号处理方法的特征分析特点及其在机械工况监到与故障诊断分析过程中的工程应用。简要介绍了工况监测中特殊的时变性随机机械故障信号的分析与处理方法。