工艺流程识别及阀门操作合理性的可视化监测

为实现工艺流程识别及阀门操作合理性诊断和可视化监测,利用半实物仿真系统采集的温度、流量信息建立了基于支持向量数据描述(SVDD)的工艺流程识别模型。对工艺流程识别进行了半实物仿真实验,对阀门操作进行了可视化监测和合理性判别,提出了基于数字滤波的改进工艺流程识别性能的方法。实验结果表明:无故障样本条件下建立的工艺流程识别模型能够准确地识别出相应的工艺流程,模型输出可以直观地反映阀门开度偏离设定工况的程度,为无故障样本条件下的阀门操作合理性诊断和可视化监测提供了一种新的技术手段。     

基于Exata的航空数据链半实物仿真应用研究

为了更真实地仿真分析航空数据链系统性能,基于Exata仿真框架引入半实物仿真思想,结合航空数据链系统,设计开发了契合战场环境的数据链半实物仿真平台.通过分析Exata的各层模型将其与数据链系统进行模型映射,在此基础上利用实装或VC应用程序的接入,建立数据链半实物底层模型,得到上层所需要的数据,实现航空数据链系统的半实物仿真.仿真结果表明,基于Exata建立的半实物仿真平台能够高效模拟航空数据链系统以及作战场景,并对其性能进行验证,为信息化设备的技术研究提供了系统性试验平台,所建立的系统平台具有较高的可信度和较强的灵活性.     

可视化过程控制实时仿真系统设计与开发

针对复杂工业过程建模与仿真设计的特点和要求,设计并实现了一套面向典型过程控制的集组态、仿真和监控一体化的可视化实时仿真系统.系统结构主要包括前台用户操作、中间数据通信和后台仿真计算3部分,采用面向对象和模块化的设计思想,通过VC++编程,将组态界面和原理界面与Simulink仿真模型整合在一起,实现了工艺流程组态图和原理图的可视化、仿真计算、曲线显示和与外部PLC实时通信等功能,可供控制系统的生产过程模拟、半实物实时仿真、参数设置以及工艺流程学习等过程使用.测试表明,所设计的系统操作简单,界面美观,通用性强,易于二次开发.     

基于快速EIS方法和PEMFC模型的故障分类研究

建立了半机理半经验的PEMFC动态模型,可使用模型仿真燃料电池的膜干和水淹故障.进一步地,通过对模型施加合成正弦扰动信号,应用全相位FFT的方法识别并区分了两种故障.在研究过程中,对比了基于最小二乘法和全相位FFT快速EIS方法的仿真结果,证实了快速方法的可行性.另外,通过对比在模型的快速EIS方法和实验的方法下得到的正常和两种不同故障下的Nyquist图和Bode图,验证了基于模型仿真和快速EIS方法的仿真结果的正确性.从而初步达到了故障识别和分类的目的,为基于模型的诊断方法提供了一定的借鉴.     

基于半监督生成对抗网络的通信信号调制识别算法

针对小样本条件下通信信号识别混淆的问题,提出了一种基于半监督生成式对抗网络的调制识别算法.首先结合半监督学习思想利用少量标签数据和大量未标签数据训练网络;其次在输出层添加辅助分类器进行结果判定,针对性设计了目标函数和损失函数,以满足网络生成虚假数据和实现信号分类的目的;最后使用不同的激活函数并用反卷积和Dropout代替池化操作,有效降低了算法复杂度并加快网络收敛速度.仿真实验表明:该算法适应性强、计算量小,较传统算法识别准确率提升了6％ ～13％,有效实现了小样本条件下的调制样式识别.     

基于PCA和RBF神经网络的石化装置故障监测与诊断

为了从石化装置大量工艺监测数据中提取有效的故障特征信息,及时地发现故障并准确地识别故障原因,提出了一种基于PCA和RBF神经网络的故障监测与诊断方法。首先获取工况样本,建立PCA模型,降维提取统计特征;设定正常工况SPE统计量阈值,建立在线工况SPE统计量,由此进行故障监测。然后对故障样本进行PCA降维,构建多个RBF神经网络模型,用以实施在线故障诊断,识别故障原因。最后把某石化公司气体分馏装置脱异丁烷单元作为实例,采用Uni Sim Design软件对该单元进行过程动态模拟,获得工况监测样本,建立了故障监测与诊断模型。研究结果表明,所提出的方法不仅能有效地对工况进行状态监测,而且能快速和准确地诊断故障。     

一种新的四元阵列融合声源识别方法

针对声源识别中观测模型线性化误差,信号特征参数提取依赖于经验分析阈值判断而造成信息丢失的问题,本文从信号观测模型、预处理、特征提取与分类识别、半实物仿真试验等方面,提出了一种新的四元阵列融合声源识别方法。首先在系统坐标系下建立了四元阵列有色噪声环境下的观测模型;其次基于EMD理论,给出了四元阵列EMD融合算法,有效抑制了高频信号的干扰;再次基于MFCC-DTW方法,设计了阵列信号特征提取与分类识别算法;最后通过半实物仿真试验,并与相关研究基础对比,分别验证了本文提出的EMD融合算法及阵列信号特征提取与分类识别算法的有效性。     

基于一种多分类半监督学习算法 的驾驶风格分类模型

基于驾驶模拟平台设计实验方案,同步采集驾驶员的驾驶操作信息和车辆状态信息,选取6个表征驾驶风格的特征参数,采用主成分分析(Principal Component Analysis,PCA)算法对多元特征参数进行特征提取,将前3个主成分作为驾驶风格识别模型的特征输入.利用K-means聚类完成样本标记工作.基于有监督支持向量机(Support Vector Machine,SVM)与多分类半监督学习算法(i MLCU)的原理,分别建立SVM与i MLCU驾驶风格识别模型,通过调节标记样本与未标记样本比例,对比使用不同样本比例训练的SVM和i MLCU模型的驾驶风格识别准确率.结果表明:相比于SVM,i MLCU表现出了更优异的驾驶风格识别能力,由此可知半监督i MLCU模型可以利用未标记样本提高模型对驾驶风格的识别能力.     

基于RBF网络的船用柴油机涡轮增压系统故障诊断

本文建立了一种基于径向基函数（RBF）的神经网络模型,并收集某型号柴油机涡轮增压系统的征兆/样本集,采用RBF网络对样本进行训练,通过测试网络,验证该网络对于故障模式的识别准确率。仿真实验结果表明本文所提出的诊断方法是可行的。     

铝合金薄壁方管在轴向载荷作用下力学行为研究

采用常规的实验方法获得材料的基本力学性能，如弹性模量、泊松比、流变应力等（为FEM提供数据），在一定的条件下，对薄壁方管进行轴向压缩实验，运用Abaqus6.4对其压缩过程进行模拟，研究结果表明，仿真过程中边界条件的设定对仿真结果的影响最大，网格疏密会影响到计算精度，但对最终的结果影响不大，通过比较仿真和实物实验的结果，验证了模型建立的可靠性，并改进和优化了实物实验模型。     

基于AMESim的某型航空发动机滑油供油系统故障模拟

为了更加方便、经济地获取航空发动机滑油供油系统的故障诊断数据,本文提出了一种基于AMESim进行滑油供油系统的故障仿真以获取故障数据的方法。首先对某型航空发动机的滑油供油系统的部件进行数学建模,然后以此为基础,在AMESim中搭建整体模型。最后对供油系统中的供油油滤与活门进行故障注入,得到了油滤堵塞、单向活门卡滞、旁通活门弹簧松弛、卸压活门预紧力不足这四类故障与其相应监测点的压力、流量之间的映射关系。     

Combination Method of Principal Component Analysis and Support Vector Machine for On-line Process Monitoring and Fault Diagnosis

IntroductionOn-line process monitoring and fault diagnosis are keyfactor to ensure product quality and operation safety .Inlastdecade research, the approach of fault detection anddiagnosis could be classified into three categories[1 ,2]:methods based on causal models , methods based onknowledge and methods based on multivariate statistics .Forthe model method ,it is difficult toidentify model parametersand esti mate model states , especially for complex chemicalprocess ; whereas for knowledge …     

基于动态独立成分的单类支持向量机方法及其在故障诊断中的应用

针对工业过程故障诊断中数据的动态性、非高斯性和非线性特点,提出一种基于动态独立成分的单类支持向量机(OCSVM)方法。为了分析数据的动态特性和非高斯性,应用动态独立成分分析(DICA)方法提取数据变量中的动态独立成分作为特征信息,基于特征信息建立OCSVM模型并构造非线性监控统计量。检测到故障后,计算故障数据与故障模式数据决策超平面的相似度,通过相似度分析识别故障模式。在Tennessee Eastman基准过程上的仿真结果表明,提出的方法能够比单类支持向量机更有效地检测过程故障,并且能够正确识别故障模式。     

改进PCA及其在真空自耗炉故障诊断中的应用

针对过程变量呈均值阶段性变化的一类生产过程,提出了一种新的主成分分析(PCA)故障诊断方法.该方法通过高通滤波对过程变量进行状态变换,扩展系统,然后采用主成分分析方法对扩展系统进行统计建模,并基于该模型进行过程监测和故障诊断.该方法可以克服普通主成分分析不能消除均值变化对所建模型的负面影响,进而提高故障诊断的鲁棒性和灵敏性.将提出的方法在真空自耗电弧炉中进行应用研究,冷却水泄漏故障诊断结果表明,提出的方法是有效的.     

基于迁移学习的卷积神经网络电网故障诊断

电网拓扑结构复杂、分支众多、潮流分布不平衡、故障样本较少且难以获取。为提高配电网的故障诊断准确性,提出将迁移学习的思想与卷积神经网络(convolutional neural networks, CNN)相结合,以此来解决目标域样本不足导致训练效果差的问题,同时利用主成分分析(principal component analysis, PCA)对时序数据进行降维,提升运行速率,形成配电网故障诊断方法。首先对PCA和CNN的结构特点进行分析;然后通过仿真模拟不同的故障条件,生成面向CNN的时序数据。再通过最大均值差异法(MMD)选择出最适合迁移的源域数据,建立源域故障识别的预训练模型。最后使用目标域数据,在预训练模型的基础上进行迁移微调训练,得到故障诊断模型。仿真结果表明,该方法能够在小样本的情况下迅速完成对故障类型的精准预测。     

基于多尺度排列熵和正则化RVFL的高压隔膜泵单向阀故障诊断

高压隔膜泵单向阀运行工况复杂,运行时产生的振动信号具有非线性、非平稳特性,导致信号特征提取困难,故障状态难以识别.为了提取单向阀运行状态的非线性动力学特征,提升故障诊断模型的识别精度和泛化能力,提出了一种基于多尺度排列熵（Multi-scale Permutation Entropy,MPE）和正则化随机向量函数链接（Random Vector Functional Link,RVFL）网络的单向阀故障诊断方法.首先,对工况下采集的单向阀振动信号进行变分模态分解（Variational Mode Decomposition,VMD）获得既定的若干本征模态函数（Intrinsic Mode Function,IMF）分量;然后,计算IMF分量的多尺度排列熵,构建表征单向阀运行状态的特征值向量;最后,基于运行状态的特征值向量,建立正则化随机RVFL的故障诊断模型,并应用于单向阀的运行状态监测与识别.实验结果表明,构建的故障诊断模型能够精确地识别单向阀的故障类型,准确率达到98.89%.     

改进的基于数据重构的KPCA故障识别方法

核主元分析(KPCA)方法相对于主元分析(PCA)方法在非线性过程监测方面具有一定的优势,但是KPCA很难找到由特征空间到原始空间的逆映射函数,这给基于KPCA的故障诊断带来了很大的障碍.为此,在KPCA故障数据重构方法的基础上,对故障识别指标进行改进.改进后的方法既能够识别单变量引起的故障,又能识别多变量引起的故障,而且减少了指标计算过程中的运算量,避免了传统故障识别方法只能实现单变量故障追溯的缺陷.将提出的故障识别方法在田纳西过程中进行了仿真研究,结果表明所提方法的有效性.     

改进变分模态分解在发动机气门间隙异常故障诊断中的应用

基于振动监测信号的故障诊断技术,对于船舶、油气田、核电等关键领域中大型高速柴油机的健康管理和智能运维具有重要意义。针对柴油发动机气门间隙异常故障,提出了基于振动数据驱动的故障诊断方法。首先,提出模态数量和惩罚因子均为自动优选的改进变分模态分解（VMD）方法,克服了传统VMD方法中上述参数需凭经验预设的缺点;进一步,对VMD分量进行多域特征提取,利用核密度估计方法进行特征敏感性的排序和选择;最后,构建全连接网络分类模型,将优选后的故障敏感特征通过分类模型进行故障识别。利用故障模拟实验台验证了不同工况下的气门间隙异常数据,结果表明本文所提的基于改进变分模态分解的气门间隙异常诊断方法故障识别率超过86%,具有良好的应用效果。     

变工况下基于加权理论的气阀泄漏诊断方法研究

往复式压缩机是石油化工等行业中不可或缺的关键设备,而压缩机结构复杂、故障率高,其中气阀故障是其主要的故障形式之一。同时,负荷调节工况与气阀故障工况的相互耦合使得示功图变化规律更加复杂,增加了故障诊断的难度。为此,探究了变负荷及气阀故障工况下示功图几何特征的变化规律,提出一种针对变负荷与气阀故障耦合工况下的气阀故障诊断方法。该方法利用反向传播（BP）神经网络进行特征分类,首先分别依据示功图几何特征（包括面积、形心和形心主惯性矩等）以及灰度矩阵统计特征得到压缩机的负荷,再进一步结合故障特征判断气阀的故障类型。为提高诊断结果的准确度,将加权证据融合理论应用于故障分类过程,最终获得精准的气阀故障评估结果。基于实验台数据,对不同泄漏率的气阀故障进行实验验证,负荷预测的准确率为97.5%,气阀泄漏故障识别的准确率为96.1%。     

变工况下基于加权理论的气阀泄漏诊断方法研究

往复式压缩机是石油化工等行业中不可或缺的关键设备,而压缩机结构复杂、故障率高,其中气阀故障是其主要的故障形式之一。同时,负荷调节工况与气阀故障工况的相互耦合使得示功图变化规律更加复杂,增加了故障诊断的难度。为此,探究了变负荷及气阀故障工况下示功图几何特征的变化规律,提出一种针对变负荷与气阀故障耦合工况下的气阀故障诊断方法。该方法利用反向传播(BP)神经网络进行特征分类,首先分别依据示功图几何特征(包括面积、形心和形心主惯性矩等)以及灰度矩阵统计特征得到压缩机的负荷,再进一步结合故障特征判断气阀的故障类型。为提高诊断结果的准确度,将加权证据融合理论应用于故障分类过程,最终获得精准的气阀故障评估结果。基于实验台数据,对不同泄漏率的气阀故障进行实验验证,负荷预测的准确率为97.5%,气阀泄漏故障识别的准确率为96.1%。