反面選擇算法氣閥故障診斷

提出一種基于變精度粗糙集算法的閥門(mén)故障診斷方法。該方法具有一定的容錯(cuò)能力,同時(shí)能夠在確保故障規(guī)則具有較高準(zhǔn)確度和覆蓋度的前提下得到盡可能簡(jiǎn)潔的規(guī)則集。將該方法用于柴油機(jī)排氣閥典型故障的診斷,研究表明該方法具有良好的故障診斷性能。

新能源故障診斷--高壓充電系統(tǒng)故障診斷

針對(duì)電梯的幾種常見(jiàn)故障,論文采用了最小二乘支持向量機(jī)(ls-svm)診斷的方法。采集電梯幾種故障狀態(tài)下的振動(dòng)信號(hào),用最優(yōu)小波包的理論分析計(jì)算故障振動(dòng)信號(hào)的能量分布,將其能量分布與時(shí)域指標(biāo)相結(jié)合,以構(gòu)造故障特征向量,作為ls-svm的輸入來(lái)識(shí)別電梯的故障原因,并采用遺傳算法優(yōu)化ls-svm的相關(guān)參數(shù)。通過(guò)對(duì)電梯六種常見(jiàn)故障的診斷結(jié)果表明,基于遺傳算法優(yōu)化的最小二乘支持向量機(jī)用于電梯故障診斷是一種有效的方法。

為了客觀地認(rèn)識(shí)和比較各種接地網(wǎng)故障診斷算法,基于蒙特卡羅方法,在一個(gè)60支路的接地網(wǎng)上,以完備的測(cè)試方案通過(guò)隨機(jī)改變各支路電阻值和迭代初值的方式生成檢驗(yàn)樣本,以各支路電阻的相對(duì)累積誤差均值和其標(biāo)準(zhǔn)差為評(píng)價(jià)指標(biāo),對(duì)迭代最小二乘法、非線(xiàn)性最小二乘法和禁忌搜索法三種接地網(wǎng)故障診斷算法進(jìn)行了評(píng)價(jià)和對(duì)比。結(jié)果表明:迭代最小二乘法能夠得到準(zhǔn)確的明晰支路診斷結(jié)果,且與初值的選擇無(wú)關(guān);非線(xiàn)性最小二乘法和禁忌搜索法的診斷結(jié)果與初值的選擇關(guān)系密切,若其初值的選擇不恰當(dāng),則不能得到準(zhǔn)確的診斷結(jié)果。

故障診斷案例 【篇一：故障診斷案例】 內(nèi)容簡(jiǎn)介《機(jī)械故障診斷及典型案例解析》在講解機(jī)械故障診斷基 本知識(shí)的基礎(chǔ)上，著重介紹了典型零部件的故障監(jiān)測(cè)和診斷方法， 并列舉了大量相關(guān)診斷實(shí)例，供讀者理論與實(shí)踐相結(jié)合，迅速掌握 機(jī)械故障診斷方法。主要內(nèi)容包括：機(jī)械故障診斷的振動(dòng)力學(xué)基礎(chǔ)、 故障診斷信號(hào)的幅域與時(shí)域分析、故障診斷信號(hào)的頻域分析方法、 故障診斷信號(hào)處理的特殊方法、滾動(dòng)軸承故障診斷與實(shí)例解析、齒 輪的故障診斷及實(shí)例解析、旋轉(zhuǎn)機(jī)械的故障診斷及實(shí)例解析、滑動(dòng) 軸承的故障診斷與實(shí)例解析。 《機(jī)械故障診斷及典型案例解析》可為從事機(jī)電設(shè)備運(yùn)行、維護(hù)、 設(shè)備點(diǎn)檢和運(yùn)行狀態(tài)監(jiān)測(cè)以及故障診斷與事故分析等方面工作的工 程技術(shù)人員提供幫助，也可供高等院校機(jī)械專(zhuān)業(yè)師生學(xué)習(xí)參考。 目錄第1章緒論 1.1機(jī)械故障診斷技術(shù)的定義 1.2機(jī)械設(shè)備故障診斷的研究?jī)?nèi)容 1.3機(jī)械設(shè)備故障診斷方法的分類(lèi) 1.4

針對(duì)基于svm的模擬電路故障診斷中診斷參數(shù)的調(diào)節(jié)是通過(guò)試湊法或按照全局最優(yōu)的原則確定的,沒(méi)有考慮實(shí)際診斷要求,無(wú)法進(jìn)行各診斷環(huán)節(jié)參數(shù)同時(shí)調(diào)整優(yōu)化的現(xiàn)狀。提出一種適應(yīng)度模型用于遺傳算法參數(shù)尋優(yōu),把實(shí)際電路診斷要求量化成參數(shù)指標(biāo)引入模擬電路故障診斷的優(yōu)劣評(píng)估中;建立了基于遺傳算法的電路診斷模型參數(shù)閉環(huán)尋優(yōu)框架,對(duì)診斷系統(tǒng)的各部分參數(shù)優(yōu)化進(jìn)行整體度量,并分析了參數(shù)搜索算法的收斂性。通過(guò)實(shí)例診斷分析了閉環(huán)故障診斷參數(shù)尋優(yōu)框架下各部分的參數(shù)制定對(duì)決策的影響,說(shuō)明了建立的閉環(huán)故障診斷模型參數(shù)尋優(yōu)框架和搜索算法的有效性和實(shí)用性。

氣閥的撞擊和氣體壓力的沖擊均會(huì)產(chǎn)生聲發(fā)射信號(hào),聲發(fā)射信號(hào)的頻率范圍寬,信息量豐富,在無(wú)損檢測(cè)領(lǐng)域已得到了廣泛應(yīng)用,將聲發(fā)射傳感器引入柴油機(jī)排氣閥的故障監(jiān)測(cè)診斷中,以wp10.240n型柴油機(jī)為研究對(duì)象,搭建試驗(yàn)測(cè)試平臺(tái),模擬3種類(lèi)型的排氣閥故障,通過(guò)試驗(yàn)研究了柴油機(jī)氣閥在不同狀態(tài)下聲發(fā)射信號(hào)特征,提取了與排氣閥故障相關(guān)的特征參數(shù),探索了基于聲發(fā)射信號(hào)的柴油機(jī)氣閥故障診斷的可行性。

背壓平衡閥主要是對(duì)吊物下降、落臂與縮臂起到限速作用，防止重物自由落下，同時(shí)使重物和吊臂保持在空間某一位置。因此，背壓平衡閥在這些機(jī)構(gòu)中肩負(fù)著有關(guān)安全的重要使命，出了故障必須立即排除。１．結(jié)構(gòu)及工作原理以ｑｙ２０型起重機(jī)變幅機(jī)構(gòu)背壓平衡閥為例，說(shuō)明其結(jié)...

1.閥不動(dòng)作首先確認(rèn)氣源壓力是否正常,查找氣源故障。如果氣源壓力正常,則判斷定位器或電/氣轉(zhuǎn)換器的放大器有無(wú)輸出,無(wú)輸出,放大器恒節(jié)流孔堵塞,或壓縮空氣中的水分聚積于放大器球閥處。用小細(xì)鋼絲疏通恒節(jié)流孔,清除污物或清潔氣源。如果以上皆正常,有信號(hào)而無(wú)動(dòng)作,則執(zhí)行機(jī)構(gòu)故障或閥桿彎曲,或閥芯卡死。遇此情況,必須卸開(kāi)閥門(mén)進(jìn)一步檢查。

針對(duì)elm分類(lèi)預(yù)測(cè)的結(jié)果易受其初始輸入權(quán)值和閥值的影響,提出了一種改進(jìn)螢火蟲(chóng)算法優(yōu)化elm的電力電容器故障診斷模型。選擇電力電容器故障診斷的準(zhǔn)確率為適應(yīng)度,通過(guò)ifa優(yōu)化elm的初始輸入權(quán)值和閾值,實(shí)現(xiàn)電力電容器故障自適應(yīng)診斷。研究結(jié)果表明,與其他算法比較可知,ifa_elm可以有效提高電力電容器故障診斷的準(zhǔn)確率和降低誤判率,為電力電容器故障診斷提供新的方法和途徑。

**資訊http://www.***.*** **資訊http://www.***.*** **資訊http://www.***.*** **資訊http://www.***.*** **資訊http://www.***.*** **資訊http://www.***.***

為有效gis設(shè)備放電故障診斷的快速性和準(zhǔn)確性,采用近幾年出現(xiàn)的遺傳算法對(duì)bp神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,減少了bp神經(jīng)網(wǎng)絡(luò)算法陷入局部最優(yōu)解的風(fēng)險(xiǎn),顯著增強(qiáng)了bp神經(jīng)網(wǎng)絡(luò)的泛化能力和全局尋優(yōu)能力。對(duì)比發(fā)現(xiàn),遺傳算法優(yōu)化后的bp神經(jīng)網(wǎng)絡(luò)模型具有比較好的快速性和準(zhǔn)確的診斷能力。測(cè)試結(jié)果表明,遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)對(duì)gis設(shè)備放電故障診斷具有可行性和有效性。

通過(guò)對(duì)支持向量機(jī)核函數(shù)的分析發(fā)現(xiàn),當(dāng)對(duì)樣本的各個(gè)特征賦予不同大小的尺度參數(shù)時(shí),可以避免冗余特征干擾分類(lèi),增強(qiáng)關(guān)鍵特征在分類(lèi)中的作用,提高支持向量機(jī)分類(lèi)器的學(xué)習(xí)和泛化能力。在此基礎(chǔ)上,提出一種具有不同特征尺度參數(shù)的支持向量機(jī)(簡(jiǎn)稱(chēng)多尺度支持向量機(jī)),并通過(guò)遺傳算法最小化loo(leave-one-out)泛化錯(cuò)誤上限估計(jì),根據(jù)各個(gè)特征的識(shí)別能力賦予其不同大小的尺度參數(shù)。將多尺度支持向量機(jī)用于軸承故障診斷,實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)的單尺度參數(shù)支持向量機(jī)相比,多尺度支持向量機(jī)具有更好的泛化能力。對(duì)壓縮機(jī)氣閥的故障識(shí)別表明,尺度參數(shù)的大小直接反映了對(duì)應(yīng)特征識(shí)別能力的大小,因此可以依據(jù)尺度參數(shù)的大小進(jìn)行特征選擇,保留關(guān)鍵特征,剔除冗余特征。

現(xiàn)代挖掘機(jī)故障診斷

變壓器故障診斷研究現(xiàn)狀

現(xiàn)代挖掘機(jī)故障診斷中文

提出一種基于遺傳算法和支持向量機(jī)的故障診斷方法,利用遺傳算法對(duì)故障特征集和支持向量機(jī)的參數(shù)同時(shí)進(jìn)行優(yōu)化,然后把優(yōu)化選擇的故障特征輸入支持向量機(jī)進(jìn)行故障識(shí)別。既剔除了故障特征的冗余性、減少了計(jì)算量,又解決了支持向量機(jī)的參數(shù)難以選擇等問(wèn)題。診斷實(shí)例表明,該方法能利用較少的故障特征得到較高的診斷精度。

在內(nèi)燃機(jī)神經(jīng)網(wǎng)絡(luò)故障診斷系統(tǒng)的基礎(chǔ)上,引入粗糙集理論,對(duì)其在內(nèi)燃機(jī)故障診斷特征參數(shù)屬性?xún)?yōu)化中的運(yùn)用進(jìn)行了探索。利用可辨識(shí)矩陣算法對(duì)決策表進(jìn)行屬性約簡(jiǎn),剔除其中不必要的屬性,揭示了故障診斷條件屬性?xún)?nèi)在的冗余性,降低了神經(jīng)網(wǎng)絡(luò)構(gòu)成的復(fù)雜性。最后給出了屬性約簡(jiǎn)的結(jié)果。

介紹了bh550狀態(tài)監(jiān)測(cè)綜合分析儀在往復(fù)式壓縮機(jī)氣閥故障診斷中的應(yīng)用情況,通過(guò)對(duì)采集的數(shù)據(jù)進(jìn)行分析,找出氣閥故障所在,避免了事故發(fā)生。

往復(fù)壓縮機(jī)自身有很多優(yōu)點(diǎn),它的應(yīng)用領(lǐng)域廣、工作壓力安全穩(wěn)定且擁有很高的壓縮效率,受到越來(lái)越多生產(chǎn)企業(yè)的青睞.但是,在實(shí)際的生產(chǎn)過(guò)程中,由于往復(fù)壓縮機(jī)本身結(jié)構(gòu)的復(fù)雜性,容易受到損壞的部件很多,導(dǎo)致其發(fā)生故障的可能性較大,極易發(fā)生不可挽救的慘劇,造成嚴(yán)重的經(jīng)濟(jì)損失.氣閥作為往復(fù)壓縮機(jī)的一個(gè)關(guān)鍵組成部分,其運(yùn)作情況深刻影響著壓縮機(jī)的工作.若是氣閥發(fā)生故障,會(huì)大大降低壓縮機(jī)的工作效率,造成能源的巨大浪費(fèi),甚至產(chǎn)生更加慘重的后果.因此,事先診斷出氣閥的異常情況,采取相應(yīng)的解決對(duì)策,能夠在一定程度上保證壓縮機(jī)的持續(xù)安全運(yùn)行.

為了提高接地網(wǎng)腐蝕故障診斷的精度和效率,提出基于混沌粒子群算法的分塊診斷方法;根據(jù)節(jié)點(diǎn)撕裂法將接地網(wǎng)分成若干個(gè)子網(wǎng)絡(luò)和自由支路,建立分塊多目標(biāo)優(yōu)化模型,并采用混沌粒子群優(yōu)化算法對(duì)診斷模型進(jìn)行求解;利用matlab對(duì)算例進(jìn)行仿真計(jì)算得到的診斷結(jié)果與實(shí)際故障倍數(shù)差都在±0.5之間,能夠有效地判斷出接地網(wǎng)腐蝕故障的情況,是一種可行的牽引變電所接地網(wǎng)腐蝕故障診斷方法。

往復(fù)式壓縮機(jī)是化工行業(yè)重要的設(shè)備之一，在重整裝置生產(chǎn)過(guò)程中占據(jù)相當(dāng)重要的地位。壓縮機(jī)能否正常工作，很大程度上取決于氣閥的工作性能，氣閥一旦出現(xiàn)泄漏故障，會(huì)引起溫度、壓力及流量等參數(shù)的變化，影響壓縮機(jī)的正常運(yùn)行，因此及時(shí)發(fā)現(xiàn)氣閥故障并對(duì)其進(jìn)行故障快速診斷非常重要。