基于LSSVM的电子装备故障预测研究

针对电子装备的故障信息不足,故障发生率高等特点,通过故障预测有效的监测设备故障状态以及发展趋势,实现对设备的事先维修,避免重大事故的发生,提高电子设备的安全性。对电子装备故障预测进行了分析,提出了一种基于最小二乘支持向量机（LSSVM）的故障预测方法。首先介绍了LSSVM故障预测算法的基本原理和预测流程;然后,对整个电子装备的故障预测研究可以从一个类似的模拟带通滤波器电路故障预测研究出发,将该元件容差设为不同范围来定义电路的不同故障状态,将LSSVM方法与最小二乘法、支持向量机法对电路的不同状态进行预测,可以得到不同状态的预测值,研究结果表明提出的方法能够实现模拟电路的缓变故障预测,且预测效果较好。     

基于小波包—灰色神经网络的机电作动系统故障预测

针对健康状态难以预测的机电作动系统,提出一种基于小波包—灰色神经网络的机电作动系统故障预测方法;该方法利用小波包分解对机电作动系统的故障特征进行提取,利用灰色GM(1,1)模型对提取出的12种不同故障模式下的频带值进行预测,并作为神经网络的输入,采用BP三层结构,通过验证取隐含层数为10进行训练,预测结果相对误差只有-0.014 6,取得了较好的预测效果;仿真结果表明:小波包—灰色神经网络方法在机电作动系统故障预测中具有一定的有效性。     

基于马氏距离的航空装备故障预测研究

故障状态类型的判别是航空装备故障预测系统的核心环节,它直接影响到故障预测的准确性;针对航空装备的故障状态类型判别问题,提出一种基于马氏距离的故障预测方法;首先介绍了马氏距离,其次建立了状态数据库矩阵及状态判别模型,并给出了基于马氏距离的故障预测流程;最后将该方法用于某型飞机火控系统的故障预测中,使得在线和离线的平均故障预测准确度分别达到98.48%和97.77%,表明马氏距离在航空装备的故障预测中有较好的应用和推广价值。     

基于Elman神经网络的装备状态组合预测方法

针对单一预测模型在利用多维状态特征信息进行状态预测时效果常常不够理想的情况,提出以灰色理论等模型作为单项预测模型,运用Elman神经网络进行变权组合预测的建模方法;考虑神经网络容易因过拟合导致预测时泛化能力变差的问题,运用遗传算法对神经网络隐层节点数和训练误差阈值进行优化求解,建立了完整的基于Elman神经网络的组合预测建模方法;最后,通过案例分析验证了该预测方法的有效性,结果表明组合预测能够将三步以内的预测相对误差控制在10%以内,大大优于定权组合预测模型。     

基于灰色Verhulst和HMM的交通事故预测算法

道路交通事故预测是保证道路佳通安全的重要技术,以往的道路交通事故预测方法往往具有预测精度不高和收敛速度慢的缺点,为此,设计了一种基于灰色Verhulst模型和隐形马尔科夫链的交通事故预测方法;首先,采用灰色Verhulst模型对观察事件在下一时刻的状态进行预测,采用最小二乘估计法去估计模型中的参数,将预测结果用于初始化HMM模型,并采用前向算法和后向算法对HMM模型进行训练,获得最终的初始分布矩阵、状态转移概率和观察概率分布矩阵,然后采用最终的HMM模型进行交通事故预测;仿真试验结果表明:文中方法能有效地实现交通事故预测,较其它方法相比,具有预测精度高和收敛速度快的优点,具有一定的优越性。     

基于灰色神经网络模型的企业碳排放峰值预测

为预测企业碳排放峰值,帮助企业设计碳排放的减排路径,需要对企业碳排放峰值预测方法进行研究。当前采用基于TFDI模型的预测模型对企业碳排放峰值进行预测,预测过程中无法全面考虑企业碳排放影响因素,导致预测企业碳排放峰值出现误差。为此,提出一种基于灰色神经网络模型的企业碳排放峰值预测模型。该模型是以灰色模型为基础,与神经网络相融合构建的灰色神经网络,将模型中企业碳排放原数据进行叠加,并用微分方程表示,将VSTE算法作为灰色神经网络模型预测的基础算法,计算企业碳排放路径碳排放值,满足高斯分布随机函数,以此进行企业碳排放峰值的预测。实验结果证明,所提模型可以准确预测企业碳排放峰值,有效帮助企业设计碳排放减排路径。     

基于灰色预测和KID离群点检测的AUV故障诊断

提高故障诊断能力对于确保水下机器人AUV系统的稳定运行具有重要意义。针对水下机器人推进器系统,提出一种基于离群点检测的AUV故障检测方法。首先,将传感器采集的数据进行灰色预测处理;然后,提出了一种结合K-mean和DBSCAN的改进迭代聚类(Iterative K-mean DBSCAN,IKD)算法进行离群点检测;最后,与K-mean和DBSCAN算法相比,仿真实验结果表明基于灰色预测和KID离群点检测算法的故障检测准确率高,能够有效地实现水下机器人AUV的无监督故障诊断。     

基于对数变换的六相永磁容错电机故障预测研究

研究电力作动系统用永磁容错电机故障预测问题,有利于准确监控飞行器健康状态,为飞机维修提供决策支持;TS(2*2永磁容错电机特征信号复杂无序,传统灰色模型故障预测精度不高,基于此,提出一种新的故障预测改进方法;TS(2*2首先对原始故障能量特征序列进行对数变换处理,对序列进行一次累加生成,建立GM(1,1)灰色模型,最后将得到的拟合还原成模拟值,得到预测数据;TS(2*2结果表明,故障原始序列经过对数函数变换处理后,预测误差相比于未经处理的基本灰色模型降低了4.63%,预测精度提高到96.5%以上,有效提高了永磁容错电机的故障预测精度。     

基于自适应变异果蝇优化算法和广义回归神经网络的布里渊散射谱特征提取

针对布里渊光时域反射光纤传感系统散射谱的高精度特征提取的要求,提出了一种基于自适应变异果蝇优化算法和广义回归神经网络的布里渊散射谱特征提取算法。不仅利用了广义回归神经网络在逼近能力、学习速度、模型的泛化等方面具有的优势,而且采用搜索能力较强的自适应变异果蝇优化算法进一步增强了神经网络的学习能力,从而提高了布里渊散射谱的拟合度和频移提取的准确度。在布里渊散射谱中心频率为11.213 GHz,线宽为40～50,30～60和20～70 MHz的散射谱白噪声实验模型中,将新算法分别与基于有限元分析的Levenberg-Marquardt拟合法、粒子群优化和拉凡格式混合拟合法、最小二乘法进行预测比较,新算法获得的最大拟合频移误差为0.4 MHz,平均拟合度为0.991 2,均方根误差为0.024 1。仿真结果表明所提出的算法拟合度较好,绝对误差小。因此,将此算法用于基于布里渊光时域反射的分布式光纤传感系统,可有效提高布里渊散射谱的拟合度和频移提取的准确度。     

时间序列的神经网络预测方法研究

本文利用动态神经网络可以逼近任意范函这一特性，提出利用此种动态神经网络对时间序列进行预测的方法，并利用设计的网络对某些典型的时间序列进行预测，结果表明利用神经网络对时间序列进行预测有较好的逼近效果。     

基于LIB-SVM的电子设备故障预测方法研究

为及时了解电子设备的运行状态,实现电子设备未来某时刻故障预测,将“事后维修”转变为“事前预防”,在统计学习理论（SLT）的基础上,采用LIB—SVM支持向量回归方法,对小样本、非线性条件下的数据进行拟合,并根据自动测试设备（ATE）测得的实际数据及专家经验,对该方法进行了验证。经实验证明,该方法是可行的有效的,对电子设备的故障预测具有较高的准确度。     

基于隶属度函数的电子设备故障预测研究

针对当前电子设备模块化方向发展现状,及时了解电子设备的运行状态,预防故障并缩短维修时间,采用模糊隶属度函数的方法,将设备的模糊状态进行量化,引入可信度因子及有关融合算法对以上数据进行处理,最后根据自动测试设备（ATE）测得的数据及专家经验,对该方法进行了验证。经实验证明,该方法是可行有效的,对电子设备的故障预测具有较高的准确度。     

基于LabVIEW和PXI的某装备组合故障诊断系统设计

为了解决某装备电子组合故障诊断过程中诊断效率低的问题,设计并研制了基于LabVIEW软件和PXI总线技术的电子组合故障诊断系统。首先,采用PXI总线技术和多通道转换测试技术,将大量被测参数送到固定的测试点;其次,使用LabVIEW编程语言,将组合的所有被测参数一次性全部获取、储存与显示,并依据技术指标给出故障诊断结果和故障排除方法。实验结果表明,该系统具有数据获取快、测试效率高、故障诊断准等优点;经实践应用证明,该故障诊断系统操作简单、携带方便,是对某型装备电子组合进行测试和诊断的理想工具。     

基于GA-BP的移动通信设备故障诊断

针对通信设备故障发生随机性强,影响因素多,对应的故障诊断有高度非线性和不确定性的特点,采用BP神经网络算法,优化的GA-BP神经网络算法和POS-BP神经网络算法分别搭建基站设备故障诊断模型,提取设备故障历史数据进行MATLAB仿真,准确预测设备故障类型,帮助提高代维公司调度管理的智能化水平,提高基站设备运维的执行效率。仿真结果表明：本文的BP,GA-BP和POS-BP神经网络算法都能够实现设备故障类别的预测,且GA-BP神经网络算法相比BP和POS-BP神经网络算法对通信设备故障诊断有更好的适应性。     

测控装备协同故障诊断系统研究

掌握地面测控系统的技术状态、尽快排除装备故障,是保证发射活动顺利实施的关键;根据测控装备的使用特点提出了协同故障诊断系统保障需求,针对装备的组成特点及结构原理,采用虚拟仪器技术、DataSocket技术、LabVIEW以及PXI总线系统架构,提出了基于故障树诊断和基于案例的故障诊断的专家系统,设计了基于故障树和故障字典双模式统一存储结构的信息库;最后,通过对装备外测频综机柜的故障诊断实例,对系统协同条件下故障树诊断进行了验证;结果表明系统满足功能设计要求,诊断结果可靠,人机交互友善,操作方便。     

Research on Twin Extreme Learning Fault Diagnosis Method Based on Multi-Scale Weighted Permutation Entropy

Due to the complicated engineering operation of the check valve in a high−pressure diaphragm pump, its vibration signal tends to show non−stationary and non−linear characteristics. These leads to difficulty extracting fault features and, hence, a low accuracy for fault diagnosis. It is difficult to extract fault features accurately and reliably using the traditional MPE method, and the ELM model has a low accuracy rate in fault classification. Multi−scale weighted permutation entropy (MWPE) is based on extracting multi−scale fault features and arrangement pattern features, and due to the combination of extracting a sequence of amplitude features, fault features are significantly enhanced, which overcomes the deficiency of the single−scale permutation entropy characterizing the complexity of vibration signals. It establishes the check valve fault diagnosis model from the twin extreme learning machine (TELM). The TELM fault diagnosis model established, based on MWPE, aims to find a pair of non−parallel classification hyperplanes in the equipment state space to improve the model’s applicability. Experiments show that the proposed method effectively extracts the characteristics of the vibration signal, and the fault diagnosis model effectively identifies the fault state of the check valve with an accuracy rate of 97.222%.     

基于改进型群层次分析法的装备维修过程模块质量评估方法研究

深入研究了群AHP理论(AHP, Analytic Hierarchy Process,层次分析法),运用距离标度对其进行了改进。并分析、界定了装备维修过程模块,建立了质量评估指标体系,运用了距离改进群AHP方法评估装备维修过程模块质量,为通过计算机进行装备维修质量控制提供了方法。     

A Bearing Fault Diagnosis Method Based on PAVME and MEDE

When rolling bearings have a local fault, the real bearing vibration signal related to the local fault is characterized by the properties of nonlinear and nonstationary. To extract the useful fault features from the collected nonlinear and nonstationary bearing vibration signals and improve diagnostic accuracy, this paper proposes a new bearing fault diagnosis method based on parameter adaptive variational mode extraction (PAVME) and multiscale envelope dispersion entropy (MEDE). Firstly, a new method hailed as parameter adaptive variational mode extraction (PAVME) is presented to process the collected original bearing vibration signal and obtain the frequency components related to bearing faults, where its two important parameters (i.e., the penalty factor and mode center-frequency) are automatically determined by whale optimization algorithm. Subsequently, based on the processed bearing vibration signal, an effective complexity evaluation approach named multiscale envelope dispersion entropy (MEDE) is calculated for conducting bearing fault feature extraction. Finally, the extracted fault features are fed into the k-nearest neighbor (KNN) to automatically identify different health conditions of rolling bearing. Case studies and contrastive analysis are performed to validate the effectiveness and superiority of the proposed method. Experimental results show that the proposed method can not only effectively extract bearing fault features, but also obtain a high identification accuracy for bearing fault patterns under single or variable speed.     

基于TEAMS和IETM的武器控制系统故障诊断与维修设备的设计[BT)]

针对当前武器控制系统在舰员级和中继级故障诊断与维修时依据经验和依赖研制厂家的问题,在对武控系统测试性分析的基础上,利用TEAMS软件,构建了多信号模型并进行了修正;通过对现场级维修保障的需求分析,利用Raytheon公司的AIMSS开发平台,设计了故障诊断与维修设备的IETM主题框架,实现了TEAMS的故障诊断策略的嵌入和解析,最后根据使用需求,开发了故障诊断与维修设备的硬件集成;应用表明,该设备能定位武控系统故障和提供维修策略,大幅提高基层装备自主保障能力。