基于AMWPSO-LSTM的多阶段间歇过程故障预测

过程安全对于间歇过程生产具有重要意义,为提高间歇过程生产安全性,提出一种基于改进粒子群算法(AMWPSO)优化长短期记忆网络(LSTM)的间歇过程故障预测模型AMWPSO-LSTM。针对LSTM中的神经元个数、迭代次数、学习率等参数需要人为设置的问题,采用AMWPSO对这些参数进行自动寻优。AMWPSO在原有粒子群优化算法(PSO)中融入了自适应变异和非线性递减惯性权重,提高了PSO的参数寻优能力。由于间歇过程具有多阶段性,因此先根据模糊C均值聚类(FCM)方法对间歇过程进行阶段划分,再利用Pearson相关系数对各阶段实验数据进行相关性分析,以降低系统变量的维数,并建立各阶段T²统计量控制限作为系统是否发生故障的指标。实验以青霉素发酵过程数据为例,建立基于AMWPSO-LSTM 的多阶段故障预测模型,并将该模型的预测结果与基于LSTM的多阶段预测模型、基于PSO-LSTM的多阶段预测模型的预测结果进行比较,结果表明,基于AMWPSO-LSTM 的多阶段故障预测模型可取得较高的预测准确度。     

基于海林格距离加权关键主元的流程工业故障检测研究

在采用主成分分析（principal component analysis,PCA）算法进行故障检测时,主元的选取及处理直接影响其故障检测的表现。对此,提出一种基于全变量表达（full variable expression,FVE）和海林格距离（Hellinger distance,HD）的故障检测方法。首先,利用FVE得到所有关键主元,即保留所有变量信息;然后考虑到与故障相关主元的重要性,定义基于海林格距离的变化率,用来衡量正常工况下主元与异常工况下主元的差异;对与故障发生更相关的主元进行加权,以突出与故障相关主元对于后续故障检测的影响;最后,考虑到降维后数据通常服从非高斯分布,利用改进的局部离群因子（local outlier factor,LOF）构建统计量,其相应控制限通过核密度估计（kernel density estimation,KDE）确定。数值实例及带钢热连轧实际生产数据验证了所提方法的有效性与优越性。     

分析仪器的故障诊断与处理

介绍了常用分析仪器,在日常使用过程中常见的故障种类,故障原因判断与分析,故障的预防,以及故障检查与排除方法。     

使用农用电动机须安装熔断器

电动机在运行中，可能因绕阻绝缘烧坏而接地，或因其接线端相碰而造成短路。为了保护电源并迅速排除短路故障，必须在电动机电路中安装熔断器。熔丝的额定电流值可是电动机额定电流的2．5—3倍，这样，电动机超支时熔丝不易被烧断，而在电路内发生短路故障时，熔丝又能迅速熔断，保护电动机。     

未来装备医工程思维

按照耗散结构理论，人类与其所创造的装备在本质上是有共性的，在与疾病和与故障的斗争方面也有很多相同或相近之处。在系统论的指导下，将医学科学理论和方法用于装备的故障诊断、预测和防治，有可能逐步形成用工程手段来防治故障的专门用于装备的“医学”——“装备医工程”(PME， plant medicine engineering);讨论了疾病和故障成因及其诊断、病因和故障机理的深层规律、治愈和自愈、治标和治本等共性问题，并就汲取中医的黑箱法和西医白箱法的精髓，创建医工程的水晶箱法进行了探讨；应用上述理论，对当前设备诊断技术研究的若干误区进行了分析。     

软盘驱动器的维护

文章详细阐述了计算机常用3．5英寸软盘驱动器经常出现的故障及其排除方法，重点讲解了软驱寻道故障、软驱磁头故障和软驱写保护故障．     

某警戒雷达机内测试设备的分析与评估

本文结合某新型警戒雷达的实际使用情况,分析了该雷达机内测试设备(BITE)的设计特点和几个实例,指出了设计的优点和存在的问题,从中得到新雷达BITE设计的几点启示和建议。