BF及模糊神经网络在旋转机械故障诊断中的应用

本文对模糊神经网络用于故障诊断较传统BP(Back-Propagation)网络的优越性进行了分析,并提出了一种利用模糊神经网络进行旋转机械故障诊断的新方法。在这种方法中利用RBF(Radial Basis Function)神经网络获得隶属度函数,并简化了模糊神经网络的训练,使得新的故障诊断专家知识更易于扩充到现有的故障诊断网络中。仿真结果表明,本文方法所构建的故障诊断网络易于扩展且有良好的诊断效果。     

容差电路故障诊断的模糊屏蔽字典法

提出了一种可用于诊断容差模拟电路软故障与多故障的模糊屏蔽字典法。基于网络分析与支路屏蔽的原理,分析计算了容差对端口特征量的影响,据此提出了故障阈值函数与故障判据,以实现容差电路的准确故障检测。然后通过构造合适的故障隶属函数来实现故障定位,有效地避免了故障因素与容差因素的相互交叠,大大降低了故障与容差间的模糊性。仿真试验表明,该法故障定位准确性高。     

浅谈活塞式压缩机气阀故障及判断

文章主要分析了造成活塞式压缩机气阀漏气的原因，并总结出如何来判断气阀漏气，对生产实践具有一定的指导作用。     

基于小波网络的水下机器人执行器故障诊断

针对水下机器人系统的不确定性使得对其进行建模比较困难的特点,提出采用一种改进的小波网络进行水下机器人运动建模。该网络通过学习,调节小波函数的伸缩和平移以及网络连接权,既能逼近函数的整体轮廓,亦能捕捉函数变化细节,使得函数的逼近效果较好。通过比较模型的输出(运动状态估计值)与实际测量值来产生残差,分析残差提取故障判断准则,从而进行执行器故障诊断。仿真试验验证了该方法的有效性。     

关于大型网架采用手动葫芦吊装的技术探讨

通过介绍吉林某焦化厂精煤棚（平棚）网架的吊装方案，提出了新的吊装法——手动葫芦的吊装法，分析了一些推广经验和大型网架吊装中的注意问题。     

联滑断层是一种新型断层──三海断裂带的研究

本文揭示一种贯穿陆壳和洋壳并使其共同变形、联合演化的新型断裂带，提出联滑断层的概念；分析了这种巨型断裂带的主要特征．同时结合大量的理论和实际资料、航空照片和地球物理资料，重点阐述了三海断裂带。该断裂带是东亚地壳量重要的联滑断层之一，它的规模最大，活动性最强，严格控制了东亚地壳中生代末以来的构造变形．三海断裂带西端在商都一带，向东经过张家口、北京、唐山，进入渤海，再切黄海、东海北部，进入太平洋。该带走向３２０°，宽约１００ｋｍ，主要活动时期是新生代．它破坏了陆壳上的硫球＂沟－派－盆＂系统和洋壳上的马里亚纳＂沟－弧－盆＂系统，该断裂带右旋平移，带中的京、津、唐地区为著名的地震活动带．三海断裂带与杭州湾断裂带组成一个三角形，是新生代中国东部最强烈的活动区，具有极其特殊的现象。     

BIT分析的三态马尔可夫模型

BIT虚警率高阻碍了BIT效能的充分发挥和更广泛、更深入的应用,如何在故障检测率一定的条件下,降低虚警率将成为一个亟待解决的问题。通过将系统状态划分为正常、间歇和故障三种状态,建立了三态马尔可夫模型。分析了三态模型的合理性、与两态(正常状态、故障状态)模型的关系,并对两者进行了对比。理论分析表明,基于三态模型的BIT与基于两态模型的BIT系统相比,其能力与性能得到了提高,在提高故障检测率的同时,还可以降低虚警率。     

一种基于概率盒-PSO-SVM的滚动轴承故障诊断方法

针对滚动轴承故障诊断的问题,提出了一种基于概率盒理论和粒子群优化支持向量机的故障诊断新方法.在分析故障信号的概率统计特性基础上,利用概率盒直接建模方法获得概率盒,利用证据理论实现了概率盒的融合.不同故障状态下的概率盒特征也不同,采用不同的累积不确定性测量方法提取了概率盒的特征,并构建出用于模式识别的特征向量集,将特征集代入利用粒子群算法优化后的支持向量机中实现故障诊断.通过对滚动轴承振动信号的实验测试与对比分析表明:该方法可以实现对滚动轴承准确的诊断,与传统特征提取方法对比,证明了方法的有效性.     

基于机器视觉和激光测距的输电线故障定位

结合定位技术和激光测距技术,提出了一种基于机器视觉的电力巡线故障定位新方法.通过无人机搭载可见光相机进行巡线拍摄,将航拍图像实时传回地面站进行处理.采用数学形态学的图像处理方法和模式识别方法进行故障检测与识别.通过惯性测量系统进行初步定位,得到无人机的经纬度坐标.利用无人机机载激光测距模块,测量故障点到无人机的距离来修正坐标.最后,经过空间大地坐标系和空间直角坐标系的变换,以及两个空间直角坐标系的基准转换,计算出了故障点的准确位置,并且很大程度地提高了定位的准确性,其空间直角坐标测量精度可达0.11m.     

滚动轴承轻量级深度故障诊断模型

针对现有基于振动信号的诊断模型泛化能力差,而深度学习网络对计算量和存储量要求高的问题,提出轻量级融合密集连接网络与残差神经网络的故障诊断模型.首先,利用格拉姆角场将原始时序信号映射为灰度图像,充分利用二维卷积神经网络的性能;然后,融合密集连接网络和残差神经网络的优点构建融合网络模型,并通过鬼影模块降低其性能消耗,形成轻量级和高识别率的深度网络.实验结果表明,该改进的融合深度学习模型在比传统模型具有更强的鲁棒性和适用性的同时,还拥有极低的浮点运算量与参数量资源占用,证明了该方法在滚动轴承故障诊断领域是有效的、可行的.