基于梯度加权类激活热力图的卷积神经网络故障诊断模型鲁棒性分析

深度学习近年来在故障诊断领域受到广泛应用,但基于深度学习的故障诊断模型缺乏工程上的物理解释性,难以保证其故障诊断结果的稳定性。以轴承为例,建立了以小波时频图像为故障诊断依据的卷积神经网络模型(convolutional neural network, CNN),提出了一种基于梯度加权类激活热力图(gradient-weighted class activation map, Grad-CAM)的网络模型鲁棒性分析方法,并利用美国凯斯西储大学(Case Western Reserve University, CWRU)轴承数据集进行验证。首先,将故障直径轴承数据以不同方式混合并训练大、小多个模型。其次,利用Grad-CAM方法,建立时频区域与故障模式之间的联系。最后,利用其他工况下的轴承故障数据,以及含噪数据进行测试,并根据结果结合模型最注重的时频区域进行分析。结果表明,基于深度学习的轴承故障诊断模型在参数较少时更加注重低频区域,并能使其具有更好的鲁棒性。     

基于LMD和SSA-SVM的电机故障诊断

针对电机故障诊断问题,尤其电机轴承方面的诊断,提出了LMD分解和麻雀搜索优化算法（SSA）优化支持向量机（SVM）的故障诊断方法。第一步采取小波降噪和LMD算法相结合去处理原始信号,经过小波降噪后的原始故障信号会去掉一部分的干扰,再分解得到原始信号的一系列PF分量,接着使用相关性分析法选择出有效的PF分量进行信号重构,重构后的故障信号再次经过LMD分解得到的PF分量求出各自的能量熵,直接用能量图展现出来。接着将各个PF分量的能量熵组成一组组特征向量输入到支持向量机的故障诊断模型里。利用麻雀搜索算法在支持向量机（SVM）对于电机故障的分类的模型上进行惩罚参数和核参数的挑选和模拟,选择最合适的参数组合建立SSA-SVM故障诊断模型进行仿真实验,通过仿真实验验证该方法的故障诊断准确率高达99.2％,与PSO-SVM和SVM故障诊断模型进行比较分析,实验证明提出来的方案有着更适合的故障识别能力,对电机故障诊断有着很好的适应性和发展性。     

FMS故障诊断专家系统的研究与开发

为保证柔性制造系统的可靠运行,对其发生的故障进行快速诊断,研究开发ＦＭＳ故障诊断专家系统。方法根据ＦＭＳ故障的特点综合运用模糊数学、专家系统、神经网络、数据库和机器学习等理论,解决专家系统中许多关键技术,     

一种新的故障诊断专家系统

为了在新的环境中建造一个更加有效的故障诊断专家系统,在一般故障诊断专家系统的基础上,根据智能模拟器综合测试的特点和故障诊断要求,提出了一种新的专家系统知识分类和表示的方法．按照这种方法,利用ＨＰＶＥＥ（可视化工程环境）编程语言在Ｗｉｎｄｏｗｓ平台上建造了一个实用系统．该系统的仿真运行得到了很好的结果,故障诊断率达到１００％,诊断速度完全满足系统要求．     

唐山城市防灾的地质灾害分区评价

根据唐山市区曾发生过的地质灾害及其相关的活动构造、第四纪沉积物厚度和地貌条件,从城市建设和安全的角度进行唐山市地质灾害分区评价。     

基于神经网络的液压柱塞泵松靴故障诊断

应用人工神经网络技术,对轴向柱塞泵壳体振动信号的功率谱进行了再处理,有效地诊断出了泵的松靴故障,为液压泵的故障诊断提供了新的途径。     

神经网络多参数诊断法

讨论了机械故障诊断中采用多参数诊断法的必要性,阐述了神经网络理论用于多参数诊断的理论依据,归纳了神经网络多参数诊断法的实施步骤,并以滚动轴承故障诊断为例,对该方法进行了实验验证,证明了该方法的实用性。     

一种应用双端信息自同步校正的故障测距法

针对高压,超高压远距离输电线路,提出了一种应用双端信息自同步校正的故障测距法,该算法采用长线模型,计及了线路分布电容的影响,能够实时修正输电线路两端采样的相角差,从而避免了由于两端采样信息不同步而造成的测距误差,经过大量的数字仿真试验,其结果十分令人满意。     

电力系统单相接地故障对线损影响的研究

提出了一种单相接地故障对线路线损影响的简便分析方法,并就接地故障对线损的影响情况进行了定性分析。     

星载系统单故障恢复策略研究

针对指令重试时难以合理选择重试时机和冗余资源问题，并根据星载系统的特点，提出了系统致命失效概率最小的单故障重试恢复策略．该策略以星载系统所有出现的故障均为单故障这一假设为前提，建立了指令重试时间与系统资源备份数及系统的致命失效概率间的关系．通过最小化系统的致命失效概率，可得出在系统资源备份一定时的最佳指令重试时间．同时，若系统存在最大致命失效概率，则可得到在最佳指令重试时系统所需的资源备份数．分析该策略可以发现，星载系统的致命失效概率随着系统的运行期的延长而增大，并且随着错误检测率的提高，星载系统的可靠性增加。