基于贝叶斯网络推理的起落架系统故障诊断技术研究

民机起落架系统结构复杂,是典型的故障多发系统,实际诊断过程主要依赖于排故手册流程和工程经验积累,存在诸多不确定性因素。贝叶斯网络是用有向无环图的形式表达变量间因果关联关系,可以充分利用专家知识和试验信息进行基于概率的统计推断,适于处理复杂系统的不确定性问题。通过深入分析某型民机起落架技术资料,建立了基于贝叶斯网络的起落架系统诊断架构,结合专家知识和维护经验提出了基于贝叶斯网络的起落架系统故障诊断方法,并给出了网络推理流程,提升了起落架系统故障诊断效率和精度。     

基于多信号温度模型的机载电子板卡故障检测研究

在利用红外热像仪进行机载电子板卡故障检测中,针对电子板卡结构复杂,解析建模困难的特点,提出了一种基于多信号温度模型的分析诊断方法。通过将机载电子板卡正常工作时的红外温度图像与故障时的进行对比,建立了系统的多信号温度模型,针对多信号温度模型的缺点,提出一种基于贝叶斯网络的测试性建模方法,并给出贝叶斯网络模型的测试性分析方法与指标计算方法,得到模型相关矩阵并进一步进行故障诊断分析,为检测电子元器件故障及老化程度提供了一种有效途径。     

基于AI-ESTATE标准的贝叶斯网络诊断模型研究

贝叶斯网络在解决复杂装备中不确定性和关联性引起的故障中具有很大优势,建立符合AI-ESTATE标准的贝叶斯网络模型,对实现其通用性至关重要;首先介绍了AI-ESTATE标准的主要内容、体系结构和六种信息模型;其次,在对贝叶斯网络进行分析的基础上,研究如何将公共元素模型扩展为贝叶斯网络模型,详细介绍了拓展过程并给出了拓展框图,同时对各实体和属性进行了说明;最后,针对标准中采用的EXPRESS描述语言编辑工具少、通用性差等问题,采用XML语言对其交换文件进行描述,使得诊断信息具备更好的可移植性和互操作性。     

基于信息增益率的WNB水下机器人故障分类

提高故障诊断能力对于确保水下机器人系统的稳定运行具有重要意义,故障分类是目前水下机器人故障诊断所面临的一个重要问题。针对水下机器人推进器系统数据特征,提出一种基于信息增益率的加权朴素贝叶斯故障分类算法。首先,计算故障训练样本的先验概率,将各属性的信息增益率作为权值;其次,构建基于增益率加权的朴素贝叶斯分类模型;然后,对检测的故障数据利用分类模型获取具有最大后验概率的故障模式,实现故障分类。与朴素贝叶斯算法和决策树算法相比,仿真实验结果表明基于信息增益率加权的朴素贝叶斯算法的分类成功率更高,能够有效地实现水下机器人的故障分类。     

基于贝叶斯方法的设备级电磁脉冲效应评估

在电磁脉冲效应试验中,由于所获得的效应数据量一般较少,利用经典的数理统计方法对效应阈值场强进行概率拟合非常困难。基于贝叶斯数理统计方法,对油气管道数据采集与监视控制系统的中心控制系统客户端的电磁脉冲效应数据拟合分析。选择了Weibull分布模型和正态分布模型作为假设模型,并依次求得这两种模型参数的先验分布、似然函数和后验分布。通过拟合优度检验,最后基于贝叶斯信息准则选择形状参数、尺度参数分别为8.87,21.11的Weibull模型作为更合理的阈值场强概率分布模型。     

基于改进的自适应回归时序模型故障诊断

汽车变速箱的故障诊断工作比较复杂,由于传统的诊断方法已不能满足复杂的故障现象, 文中提出了一种基于改进的自适应回归时序模型故障诊断方法;方法采用了基于时间序列故障诊断技术,首先测取工作环境下的振动信号,然后建立被诊断对象的时间序列数学模型,最后用信息距离判别法诊断出故障类型,提高了诊断效率;最后在变速箱进行了实验研究;选用型号为621B40型ICP加速度传感器测取变速箱的振动信号,通过设置模型参数(n,m)来模拟故障检测,实验分析表明,提出的算法可以有效地识别变速箱系统中不同严重程度的故障,且与传统的故障诊断算法相比,提出的算法对提高识别率和降低计算复杂度都有着明显的优势。     

基于RBF网络的断路器电流自适应保护研究

针对传统断路器电流保护方法存在受系统运行方式影响、整定困难、智能化低等问题,本文提出了基于RBF的断路器电流自适应保护算法,并给出了算法的模型。该算法融合了RBF神经网络的故障检测和电流自适应保护。首先通过RBF网络检测负载线路的电流故障,然后用电流自适应算法进行保护。在对神经网络进行训练时,利用PSO算法对RBF神经网络的参数进行优化以此来提高网络的泛化能力和学习能力;然后采用优化后的PSO-RBF神经网络对电流故障进行诊断。实验表明,该算法较大地提高了断路器智能化管理水平。     

基于Bayesian Network列控系统超速故障的分析

列控系统非常复杂,在对其进行故障分析时,自身的特质决定了用传统的故障树在对其进行故障分析时会产生局限性;为此文中引入了贝叶斯网络技术,充分利用其推理算法成熟、理论基础非常完备、学习能力非常强的优势,将事件树中各环节的故障树用贝叶斯网络进行描述;利用贝叶斯网络工具箱(BNT)对列车超速故障进行因果和诊断推理分析,通过数值计算结果得出所在不同场景下故障发生的主要原因,并提出减少故障发生概率相应的措施。     

基于故障矩阵的贝叶斯故障定位方法

故障的准确诊断和定位是云计算系统提供持续服务的前提条件。为了提高系统故障诊断和定位的性能,本文提出了一种基于故障矩阵的贝叶斯故障定位方法。首先,对云计算系统的软件结构进行了抽象,对事物进行了定义,并描述了事务的执行路径。其次,将系统运行的多个执行路径表示为故障矩阵,并给出了组件健康状态的逻辑命题表达式。最后,应用贝叶斯概率分析了系统故障的概率。实验表明,本文提出的方法与其它相关方法相比,故障识别的准确性更高,所用的执行时间更短。     

基于MapReduce的贝叶斯网络参数学习方法

期望最大化(Expectation Maximization,EM)算法常被应用于贝叶斯网络参数学习过程,但在处理海量数据时由于迭代计算过程的复杂性和处理器、内存等资源的限制,该算法的效能受到极大影响;通过对大数据环境下传统线性贝叶斯网络参数学习方法计算复杂性瓶颈问题的研究,提出了基于MapReduce平台的贝叶斯网络并行期望最大化(Parallel Expectation Maximization,PEM)参数学习算法;利用不完备训练样本集,对态势评估贝叶斯网络进行参数学习;仿真结果表明:在大数据条件下PEM算法能够准确的学习网络参数,同时有效减少参数学习所需时间且具有较好的可拓展性。     

基于信息融合的模拟电路故障的特征提取与融合方法

在模拟电路故障诊断中,故障特征的提取是一个非常重要的环节,其提取结果的好坏将直接影响最终的诊断正确率。对现有文献研究发现,每种特征提取方法单独使用时都有一定的局限性,为了能够更加充分的提取模拟电路故障特征,提出了小波包分析与主元分析并行应用的方法,并将两种方法提取的特征向量依据不同规则进行了三种类型的融合,方便对比实验。为获取最优小波特征,提出了特征偏离度,并以此为标准选择最优小波基。最后,通过设计一种改进的神经网络分类器模型,将融合后的三种特征向量送入其中进行仿真验证,得出最终诊断结果。结果表明,该方法能够有效克服单一特征提取方法提取不充分的缺点,提高故障诊断的正确率,并且融合因子 适中时诊断正确率最高。     

Heath monitoring of a glass transfer robot in the mass production line of liquid crystal display using abnormal operating sounds based on wavelet packet transform and artificial neural network

This paper presents the fault detect method of a moving transfer robot in the mass production line of liquid crystal display (LCD) manufacturers based on the wavelet packet transform (WPT) for feature extraction and the artificial neural network (ANN) for fault classification. Most of fault detection methods in a mechanical system have been researched based on the vibration signal. Unlike the existing methodologies, this study aims to minimize the uncertainty of a field engineer's decision making process for determining whether a fault is present or not based on the human auditory perception by developing a fault diagnosis system that uses the abnormal operating sound radiated from a moving transfer robot as a source signal. Abnormal operating sound radiated from a moving transfer robot has been used for this work instead of other source signals such as vibration, acoustic emission, electrical signal, etc. Its advantage as a source signal makes it possible to monitor the status of multiple faults by using only a microphone despite a relatively low sensitivity. In the application of ANN, since it is important to minimize the error of trained ANN in terms of the accuracy of fault diagnosis logic, in the paper, the number of input and target data samples was increased through a regeneration process based on statistical properties, and then the uncorrelated nodes in the input vector were also removed to improve the orthogonality of the input vector based on the entropy based feature selection method. Consequently, it can be concluded that the abnormal operating sound is sufficiently useful as a source signal for the fault diagnosis of mechanical components as well as other source signals.     

基于MDARM和VxWorks的小型无人机执行器故障检测方法

由于目前在小型无人机执行器故障诊断中存在着智能化程度较低,容易受到人为因素干扰,从而出现故障漏检等问题,难以满足小型无人机对飞行安全的要求。为此,本文提出一种基于多维数据关联规则挖掘(Multidimensional Data Association Rules Mining: MDARM)和VxWorks操作系统的小型无人机执行器故障诊断方法,通过建立执行器内部传感器测量的温度、压力、流速、力矩等相关变量的历史数据库,并对这些数据进行预处理,以避免带来噪声污染,并利用可测量参数与不可测量参数之间的关联性,建立故障诊断知识库,避免了诊断过程中的人为因素干扰,实现小型无人机执行器故障的精准测量。实验结果证明,这种方法能够有效地提高故障准确率64.7%,对小型无人机执行器的智能诊提供有效指导,应用前景广阔。     

Uncertainty analysis in matched-field geoacoustic inversions

Quantifying uncertainty for parameter estimates obtained from matched-field geoacoustic inversions using a Bayesian approach requires estimation of the uncertainties in the data due to ambient noise as well as modeling errors. In this study, the variance parameter of the Gaussian error model, hereafter called error variance, is assumed to describe the data uncertainty. In practice, this parameter is not known a priori, and choosing a particular value is often difficult. Hence, to account for the uncertainty in error variance, several methods are introduced for implementing both the full and empirical Bayesian approaches. A full Bayesian approach that permits uncertainty of the error variance to propagate through the parameter estimation processes is a natural way of incorporating the uncertainty of error variance. Due to the large number of unknown parameters in the full Bayesian uncertainty analysis, an alternative, the empirical Bayesian approach, is developed, in which the posterior distributions of model parameters are conditioned on a point estimate of the error variance. Comparisons between the full and empirical Bayesian inferences of model parameters are presented using both synthetic and experimental data.     

Bayesian analysis of syngas chemistry models

Syngas chemistry modelling is an integral step toward the development of safe and efficient syngas combustors. Although substantial effort has been undertaken to improve the modelling of syngas combustion, models nevertheless fail in regimes important to gas turbine combustors, such as low temperature and high pressure. In order to investigate the capabilities of syngas models, a Bayesian framework for the quantification of uncertainties has been used. This framework, given a set of experimental data, allows for the calibration of model parameters, determination of uncertainty in those parameters, propagation of that uncertainty into simulations, as well as determination of model evidence from a set of candidate syngas models. Here, three syngas combustion models have been calibrated using laminar flame speed measurements from high pressure experiments. After calibration the resulting uncertainty in the parameters is propagated forward into the simulation of laminar flame speeds. The model evidence is then used to compare candidate models for the given set of experimental conditions and results. Additionally, the technique MUM-PCE, an interesting uncertainty minimisation method for kinetics models, has been compared to the Bayesian method for this application to the prediction of syngas laminar flame speeds. This comparison shows the importance of model form error and experimental error representations in the uncertainty quantification context, for these choices significantly affect uncertainty quantification results.     

基于互信息熵-近红外光谱的过程模式故障检测

近红外光谱分析在工业过程故障检测方面具有独特的优势,是一种准确且高效的方法。结合互信息熵和传统的主成分分析,对近红外光谱特征信息进行提取,通过构建过程的模式来刻画工业过程的运行状态。利用近红外光谱数据,从有机分子含氢基团振动信息中获取工业系统的过程模式,从微观分子层面探索提高工业过程故障检测准确率的有效方法,结合贝叶斯统计学习技术,提出了基于近红外光谱数据的工业过程故障检测技术。针对近红外光谱信息量丰富,谱带较宽,特征性不强的特点,首先对工业过程不同运行状态下的近红外光谱吸光度数据进行一阶导数预处理,采用主成分分析法（principal component analysis,PCA）压缩光谱数据量,扩大不同运行状态下光谱特征信息的差异性,提取光谱的内部特征信息。然后采用互信息熵（mutual information entropy,MIE）作为光谱特征信息相关性度量函数,基于最小冗余最大相关算法进一步减少光谱特征信息间的冗余并最大化光谱特征信息与类别的相关性,弥补了PCA无监督特征波长选择的不足,提出一种基于PCA-MIE的过程模式构建方法,获得的过程模式子集更紧凑更具类别表现力。再利用贝叶斯统计学习算法,根据后验概率对构建的模式子集进行决策,判别生产过程的正常状态和故障状态。由于过程模式子集结合了PCA浓聚方差的优势和互信息熵相关性测度的特征信息选择方法,蕴含了更多的近红外光谱的本质信息与内在规律,从而更能刻画工业过程的运行状态。接着,设置测试准确率TA作为评估标准,用以评价故障检测方法的性能效果。最后利用某化工厂提供的原油脱盐脱水过程近红外光谱数据对所提方法进行验证,并与传统近红外光谱特征信息提取方法PCA和MIE方法性能进行对比分析,结果表明基于PCA-MIE的过程模式故障检测方法几乎在所有维数子集上性能都优于其他两种方法,在特征维数为18维时获得最高的准确率94. 6%,证明了方法的优越性。     

基于DPCA与LSSVM的飞机发动机异常状态识别

针对飞机发动机异常状态识别精度差、效率低和易误诊漏诊等问题,提出了一种基于动态主元分析 (Dynamic Principal Component Analysis, DPCA)和最小二乘支持向量机(Least Square Support Vector Machine, LSSVM)的飞机发动机润滑系统异常状态识别方法。首先对发动机润滑系统参数进行DPCA处理以及在线检测是否有故障发生,如果有故障发生,再采用LSSVM方法进行异常状态识别。以某型飞机发动机润滑系统为例,对文中所提方法的准确性进行试验验证,由试验结果得出文中方法能有效提高飞机发动机异常状态识别准确率。     

基于概率盒的电网故障诊断方法研究

针对电网故障信息存在丢失、误动、拒动等不确定性问题,文章采用概率盒理论和支持向量机相结合的方法对电网故障进行诊断,充分利用概率盒在处理不确定问题上的优势。首先利用概率盒对故障录波、电气量等数据建模,然后利用融合规则将得到的多个概率盒进行融合,并提取特征向量。最后,利用支持向量机进行分类,并得出诊断结果。为了验证方法的有效性,采用仿真线路进行概率盒的故障诊断,实验验证该方法合理可行,且有较高的诊断率。