基于粗糙集的特征值优化及柴油机故障诊断

为提高故障诊断的效率,给出了一种基于粗糙集理论的柴油机故障诊断系统。以某大功率柴油机为例,采用时域频域分析和小波包能量谱分析两种方法提取特征值,通过对比优选,将敏感性和稳定性较好的小波包能量谱特征值应用粗糙集理论进行优化,最后通过神经网络进行故障模式分类。试验表明,小波包能量谱分析方法可以提取敏感性和稳定性较好的特征值,粗糙集理论的特征属性约简能有效地减少神经网络的输入节点数,提高故障分类的准确率。     

基于粗糙集与支持向量机的推土机故障诊断

提出了一种基于粗糙集理论和支持向量机算法的推土机发动机故障诊断方法。首先利用粗糙集理论对故障诊断决策系统进行约简,消除样本噪声和冗余,然后在此基础上设计支持向量机多分类器,进行故障检测分类。这样,可以有效减小SVM训练的数据,加快多分类器的处理速度。实验结果显示它能提高故障诊断的准确性和效率。     

基于多尺度核独立元分析与核极限学习机的柴油机故障诊断

为提高柴油机故障诊断速度和精度,提出了基于改进多尺度核独立元分析与量子粒子群优化核极限学习机的故障诊断方法。首先利用固有时间尺度分解对缸盖振动信号进行多尺度时频分解,并根据故障敏感度参数筛选有效分量以实现振动冲击特征增强;然后利用核独立元分析消除有效分量间的频带混叠,分离故障敏感频带,并提取各频带的AR模型参数、多尺度模糊熵和标准化能量矩构造联合故障特征向量;最后建立基于量子粒子群优化的核极限学习分类器实现柴油机故障诊断。试验结果表明,该方法有效增强了缸盖振动信号中的故障敏感特征,提高了柴油机故障诊断速度和精度,故障分类准确率达到98.45%。     

基于GA-SVM的隧道围岩分类研究

隧道工程围岩的类别是评价隧道工程地质条件的一个综合性量化指标,是进行隧道工程建设的基础。为快速、有效地判别围岩类型,提出了将因子分析(FA)与改进的支持向量机(GA-SVM)相结合的隧洞围岩分类模型。首先,根据岩体岩性、地质构造、岩体结构等特性,选取岩石质量指标、完整性系数、单轴饱和抗压强度、纵波波速、弹性抗力系数和结构面摩擦系数6个指标作为隧洞围岩分类的初始判别指标。其次,采用因子分析理论对原始指标变量进行属性约简,提取了公共因子,减少了判别指标之间信息冗余。最后,利用遗传算法(GA)优化支持向量机(SVM)的惩罚因子C和核函数参数σ,并将提取出的公共因子作为GA-SVM模型的输入变量,建立了基于因子分析的GA-SVM隧洞围岩分类模型。将现场勘测的29组围岩数据作为训练数据,另用7组数据作为测试数据,同时将该模型分类结果与SVM、BPNN、FDA模型分类结果进行了对比。结果表明:因子分析可以有效地提取围岩分类指标,降低指标间信息重复度;利用GA优化参数可以提高SVM模型的精度与泛化能力;用该模型预测隧洞围岩的类别与实际分类相吻合,其错误预测率为0,研究成果可为隧洞围岩快速分类提供一种新思路。     

基于粗糙集与支持向量机的无级变速器速比控制阀质量分类

在提取无级变速器速比控制阀性能特征参数的基础上,提出了采用粗糙集和支持向量机相结合的质量分类方法.首先,基于粗糙集理论对特征参数集进行属性约简;然后,使用支持向量机分类器对速比控制阀进行质量分类.实验结果表明该方法的分类准确率能够达到93.6%,具有良好的工程应用价值.     

基于结构分析法的故障诊断理论及其应用研究

为最大化系统的故障诊断能力,快速实现故障诊断系统设计,应用了基于结构分析法(SA)的故障诊断理论,其主要步骤为:利用失效模式与影响分析(FMEA)获得系统的关键故障,建立其故障模型;通过DM分解和FIM分析,进行系统的故障可检测性和故障可隔离性评估;结合最小型超定方程集(MSO sets),并基于解析冗余关系(ARR)和观测器的参数评估方法,实现系统的残差设计。最后以一款AMT换挡执行器为例,利用SA方法对其进行故障诊断能力分析和FDI系统设计,并在MATLAB/Simulink中对FDI系统进行仿真,验证其有效性。     

基于粗糙集的某电源车故障诊断

简要介绍了粗糙集理论,在分析某武器系统电源车供电情况的基础上,运用粗糙集理论和省却区分矩阵方法,形成故障决策规则,再提取规则,约简属性.算例结果表明,本方法可节约时间空间,提高效率,对武器系统的故障诊断具有重要意义.     

基于BP神经网络的柴油机排气门故障诊断

介绍了BP神经网络的结构和算法,设计了一个适用于柴油机排气门故障诊断的3层BP神经网络.将4缸柴油机排气门存在故障的状态和其正常工作状态所对应的特征向量作为BP神经网络的输入样本进行训练,建立故障诊断库,并用此故障诊断库对输入的检验数据进行自适应分类识别,从而实现故障诊断.实验表明,该方法可行、适用.     

发动机数据分析系统在电喷摩托车售后维修中的应用

将发动机数据分析系统引入摩托车故障维修之中,进行标准数据与实时采集的数据比对,即可快速的发现故障部位。对于厂家维修部门,可以借助其现有的网络平台进行扩展,建立数据库进行数据共享以及实行远程故障诊断,可以极大的提高维修站点的故障诊断能力。     

基于生成对抗网络的电动汽车电池数据增强和故障诊断

针对电动汽车动力电池故障数据稀缺导致诊断模型泛化能力差的问题，提出了基于生成对抗网络（GAN）的数据增强方法，根据增强后的数据，利用随机森林（RF）模型结合贝叶斯优化（BO）方法设计故障诊断方案，形成GAN-RF-BO电池故障诊断框架，并在真实故障数据集上与常用的多层感知机（MLP）模型、支持向量机（SVM）模型和梯度提升决策树（GBDT）模型进行泛化能力对比，结果表明，所提出的故障诊断方案准确率较MLP模型、SVM模型和GBDT模型分别提高19.66%、19.71%及16.31%,GAN-RF-BO框架能有效利用稀缺数据诊断动力电池故障。