摘要：为提升风力发电机组运行的安全性与稳定性,提出一种风力发电的智能故障诊断与预警系统设计方案。介绍该系统的总体框架结构,设计系统各大功能模块和智能故障诊断模型。通过模拟分析,验证该系统的应用效果。通过验证发现,该系统故障诊断准确率在95%以上,远高于传统通用专家诊断系统,具有大规模推广应用价值。

摘要：针对铁路信号设备中的故障检测和诊断效率低下,以及传统方法在处理复杂故障时存在局限性,设计一种基于物联网技术的铁路信号设备智能检测与故障诊断系统。该系统旨在提高铁路信号设备故障检测的准确性和效率,进而确保铁路运输系统的安全和可靠性。该系统利用物联网技术进行实时数据收集,同时结合机器学习算法对信号设备的运行数据进行深入分析,以实现高效的故障诊断。该系统可以快速准确地识别出故障模式,并提供有效的维护建议。在系统测试中,该方法展现出了高准确率和快速响应能力,显著提高了故障诊断的效率,为铁路运输安全管理提供了一种新的技术支持,对于提高铁路运输的安全性和可靠性具有重要意义。

摘要：航空发动机轴承长时间工作在高速重载的恶劣条件下,将不可避免地产生性能衰退甚至引发各种故障,自动准确的航空发动机高速轴承故障诊断方法有助于提升运行安全性和维修经济性。航空发动机高速轴承的原始振动信号具有强烈的非平稳性,且其故障样本数量远小于健康样本,传统的智能诊断方法更容易向大样本偏斜,从而导致诊断性能的降低。针对上述问题,提出了一种基于自适应权重和多尺度卷积的提升卷积神经网络(CNN)。首先构造多尺度卷积网络提取故障样本的多尺度特征,挖掘具有识别性的有用信息;然后设计自适应权重单元对多尺度特征进行加权融合,增加重要特征的贡献度,减少非相关特征的影响;最后采用Focal Loss作为损失函数,使训练过程中网络模型更关注故障样本和易混淆样本。通过航空发动机高速轴承振动数据的测试与分析,证实了所提方法在不平衡数据故障诊断任务中的可行性。

摘要：针对变工况环境中滚动轴承的源域与目标域数据分布不同及目标域样本不含标签的问题,提出一种基于深度自适应迁移学习网络(DATLN)的滚动轴承故障诊断模型。首先,搭建领域共享特征提取网络,采用多尺度卷积神经网络(MSCNN)抑制噪声的干扰,进而有效提取振动信号中蕴含的局部故障信息;其次,结合双向长短时记忆网络(BiLSTM)进一步学习局部故障信息中的时间特征;最后,引入迁移学习,以域对抗(DA)训练结合自适应联合分布(AJD)度量构建域自适应模块,通过最大化域分类损失和最小化AJD距离,实现源域与目标域特征样本对齐。在开源CWRU数据集与机械故障平台实测数据集上分别进行抗噪实验和迁移实验。抗噪实验表明:①在无噪声环境下,MSCNN-BiLSTM网络的识别准确率均达到99%以上,说明其具有较好的特征提取能力;②MSCNN-BiLSTM,LeNet-5,MSCNN和BiLSTM四种网络的识别准确率随着噪声强度的增强而降低;③在3,5,10 dB噪声环境下,MSCNN-BiLSTM网络的平均识别准确率比LeNet-5,MSCNN和BiLSTM网络的平均识别准确率均高,说明MSCNN-BiLSTM网络具有较好的抗噪声干扰性能;④MSCNN-BiLSTM网络在无噪声环境和3 dB噪声环境下,均最先达到收敛且波动较小。迁移实验表明:①在无标签目标域数据集上,DA+AJD方法的平均识别准确率为97.36%,均高于Baseline,迁移成分分析(TCA),域对抗神经网络(DANN)的识别准确率;②在测试集混淆矩阵上,DA+AJD方法仅有1个样本被错误识别,表明基于域适应的DA+AJD方法具备更好的故障迁移诊断性能;③利用t-SNE算法对处理后的源域与目标域特征样本进行可视化,DA+AJD方法只有少量目标域的滚动体故障和外圈故障特征样本被错误对齐到源域的内圈故障特征样本区域,说明DA+AJD方法可有效减少源域与目标域的边缘分布和条件分布差异,进而达到更好的特征样本对齐效果。

摘要：针对传统信息管理与故障诊断模式的不足,为了充分发挥智能故障诊断技术与IETM技术的优势,将两项技术进行结合,研究其在导弹发射设备中的应用。以电路板为例,采用支持向量机与粗糙集相结合的方法设计了故障诊断模型,并进行了实例验证。将模型与专家系统相结合,设计了故障诊断系统整体结构。设计开发了IETM系统,并将诊断系统与之集成,构建了智能故障诊断IETM原型系统。实践结果表明:该系统具有一定的实际应用价值。

摘要：现代故障诊断已是一个动态的、分布的、柔性的、实时的和不确定的复杂系统 ,将多Agent技术引入复杂故障诊断领域 ,是求解复杂过程的故障诊断问题的一种新的尝试。文中讨论基于multi agentsystem (MAS)的分布式智能故障诊断方法和过程 ,设计一种Agent诊断系统结构及其原型系统 ,对诊断问题任务辨识、分解、各Agent的内部诊断机制、多Agent间的交互、协作、关联模型以及诊断决策问题等进行深入研究。在一电力企业安全监控系统的应用中 ,该模型能快速、准确地进行故障成因分析 ,并给出合理的、建设性的决策意见。

摘要：基于分布式人工智能的思想 ,将多Agent技术引入复杂故障诊断领域 ,分析了基于MAS的分布式智能故障诊断方法和过程 ;讨论了基于模式聚类的故障求解机制及对诊断问题任务辨识、分解 ;研究了多Agent宏观上的约束和关联 ;设计了应用Agent工作状态的表达机制 ;确定了应用Agent间的工作状态影响关系及多Agent间的交互、协作和通讯 ;构建了多Agent模糊关联模型 ;给出了多Agent诊断系统局部诊断决策与全局诊断决策的集成描述结构 ;建立了一种分布式Agent诊断系统结构及其原型系统 .在某电力企业安全监控系统的应用中 ,取得了与专家相似的诊断结果 。

摘要：以某大型泵压式液体火箭发动机为研究对象,围绕着发动机知识的统一处理、定性定量知识的集成与转化以及基于知识的智能故障诊断推理等技术和难点,研究发展了发动机基于混合知识模型和混合推理策略的智能故障诊断方法,并结合实际热试车数据和故障仿真实例进行了验证。研究结果对设计和实现工程实用的液体火箭发动机故障诊断系统具有重要的参考价值。

摘要：发动机是车辆的核心部件,及时有效地发现并排除故障,对降低维修费用,减少经济损失,增加发动机工作时的可靠性,避免事故发生具有重大的意义。以某型号发动机为研究对象,运用测试技术、信号处理、小波分析、神经网络和模糊控制理论,提出了基于模糊神经网络的智能故障诊断系统。建立了发动机故障信号采集试验台,在试验台上人工模拟3种转速下6种工况,通过加速度传感器采集正常工况和异常工况的振动信号,之后利用小波包技术进行消噪处理,并提取出故障信号的特征值,作为网络训练和测试的样本数据。用样本数据训练和检测自适应模糊神经网络,完成对信号的离线模式识别,之后以测试样本数据实现在线故障诊断,通过仿真分析,取得了很好的诊断效果。与传统的BP神经网络故障诊断方法进行对比,无论在诊断精度上还是学习速度上,模糊神经网络在故障诊断中更具有优势。同时,在专家系统的理论基础上,将模糊神经网络与专家系统进行信息融合,实现数据接口通信,利用网络的自学习能力建立智能故障诊断数据库和诊断规则库,通过程序语言快速高效的设计出智能诊断系统。最后,通过发动机故障诊断实例仿真分析,验证了基于模糊神经网络的智能故障诊断专家系统的可行性。

摘要：为实现对中央空调故障的精准排查,提出了基于模糊神经网络的中央空调智能故障诊断研究。通过建立基本模糊神经元、构建中央空调智能故障模糊诊断数学模型、模糊诊断智能推理,实现了故障诊断。通过实例证明,新的故障诊断方法可以实现对中央空调故障的精准排查,且能够诊断出的故障类型十分丰富。该研究可以为智能诊断技术的设计与创新开辟新途径。