故障分类

摘要： 针对单通道故障分类器不能全面表达三相故障特征信息引起分类精度不高的问题,提出了一种基于多通道卷积双向长短时记忆神经网络(MCCNN-BiLSTM)的输电线故障分类方法。该方法可同时输入故障三相信号,并能有效提取故障信号的空间和时间特征,实现了三相故障信号特征的全面提取,有效地提高了神经网络的分类的精度。基于735 kV三相串联补偿输电线模型大量故障数据分析,对三相故障电压信号不采用任何特征提取算法,仅截取故障周期的三相电压幅值数据作为基本故障特征信号输入。仿真实验结果表明:该网络能快速准确地分类识别11种故障,并且不易受故障时刻、过度电阻等因素的影响,具有良好的鲁棒性和适应性。

摘要： 故障智能分类与决策是内燃机故障诊断的重要手段。内燃机燃烧排放的尾气成分综合反映出内燃机运行状态的变化,对尾气成分分析是一种有效的故障诊断方法,提出基于动态权重的灰色关联度算法实现故障关联度区间及故障分类。实例计算结果表明,灰关联度对内燃机故障具有良好的区分度。发动机故障诊断时,只需计算出采集尾气成分的小样本数据的关联度,并与所述发动机故障的关联区间相比较即诊断出发动机故障类型。所提出的内燃机故障分类与诊断方法可在专用故障诊断仪中对内燃机故障进行自诊断。

摘要： 针对现有电弧时频域分析适用范围存在局限性,以及电弧故障分类未考虑特征价值量的问题,提出以电弧能量为时域特征、以电弧电流为频域特征的组合加权随机森林电弧故障分类方法。通过离散分数阶傅里叶变换分析频域特征,以类散度作为评价指标得到时频域的特征价值量,结合由随机森林自检测功能得到的特征重要度,构建新的组合权重。在纯阻、阻感、阻容性条件下,以航空28 V、270 V直流串联和并联电弧为研究对象,比较所提方法和现有随机森林的故障分类效果。结果表明,采用的时域和频域特征能有效区分不同电压和负载条件下的电弧故障程度,提出的加权随机森林比现有随机森林的故障分类准确率提高了2.44%,诊断效果更好。

摘要： 针对滚动轴承发生故障时非线性信号特征难以提取导致诊断效率较低的难题,提出一种基于参数优化改进的多尺度排列熵(Multi-scale permutation entropy,MPE)与核极限学习机(Kernel extreme learning machine,KELM)相结合的故障诊断方法。首先,使用关联积分法(C-C算法)对MPE的嵌入维数和时间延迟进行优化;其次,计算滚动轴承振动信号在选定的经验参数与优化参数下各尺度的排列熵值并以此构建特征向量;最后,利用KELM对滚动轴承进行故障分类。结果表明,参数优化后的MPE结合KELM的故障诊断方法能够有效地提取出故障特征进而很好地实现故障诊断。

摘要： 齿轮传动广泛应用于机械设备中,这使得及时、有效地诊断齿轮故障变得十分重要。针对齿轮箱振动信号的非线性和非平稳特性,传统的信号分析方法难以识别不同的齿轮失效模式,提出了一种采用有界广义高斯混合模型(Bounded Generalized Gaussian Mixture Model,BGGMM)进行无阈值递归图(Un-Thresholded Recurrence Plot,URP)特征提取的新方法,并将其应用于齿轮故障分类识别。首先基于相空间重构理论,将不同齿轮故障状态的原始时域振动信号转化为URPs。然后对欧式距离分布的直方图进行归一化,采用有界广义高斯混合模型拟合直方图,提取混合模型参数,作为不同类型齿轮故障的特征向量。利用齿轮传动实验装置采集的原始振动信号验证了该方法的有效性,结果表明该方法能有效地对不同类型的齿轮故障进行分类。

摘要： 机电系统的复杂化对设备故障的分类判型提出更高要求。据此提出一种基于小波包能量谱熵的机电故障分类方法。这种方法可以通过对不同故障信号对应的故障信息进行特征提取,以信号的小波包能量谱熵的提取原理为核心,结合支持向量机技术实现对不同故障特征的学习训练,进而实现对机电系统具体故障的分类识别。仿真结果证明其在不同机电系统故障情况下故障分类识别的效果,并为实际工程中机电系统的故障检测与分类识别提供了一种新思路。

摘要： 对现有的永磁同步电机由于物理原因所产生故障的机理和故障诊断技术进行了归纳整理,指出分析了各类故障诊断方法的优势与不足,指出当前的故障诊断技术主要集中在单故障诊断层面,各种诊断方法和技术也比较独立的运用在各类故障诊断中,对多故障联合诊断关注度不高。提出了今后的故障诊断技术在实现联合故障诊断的同时,还需关注电机功率元器件所造成的故障影响,同时结合多种技术和算法实现对故障的诊断。在此基础之上,为了满足智能化的人工智能诊断技术的发展,设计准确、高效的信号提取系统,来提取故障数据库是未来的发展趋势。

摘要： 针对无线传感器网络(WSN)节点容易出现故障从而导致网络瘫痪的问题,提出了一种基于改进的深度森林的无线传感器网络故障分类方法;深度森林是基于森林的集成学习方法,其输入是多维特征向量,特征向量将由多粒度扫描和级联森林这两个主要组成部分进行处理,多粒度扫描通过处理数据之间的关系来增强数据表示的能力,级联森林用于分类或预测;针对级联森林部分随着层数的增加可能造成的维数问题进行优化后,将该算法用于故障分类可以提高故障诊断的精确度;在仿真验证阶段,将该算法与深度神经网络(DNN)和支持向量机(SVM)算法进行对比;结果显示,该算法可以准确地识别出不同的故障类型,并且在损坏故障和电源故障的识别达到了最高精度,综合平均精度在98.4%;对偏移故障、漂移故障和通信故障的识别略低于卷积神经网络(CNN)算法,但综合训练时间、参数调节来看,该算法更能满足实际工程的需要。

摘要： 针对CNN在配电网高阻故障时分类准确率低的问题,提出了一种将CNN和SVM相结合的配电网故障分类研究方法。首先将故障数据转换为时频谱灰度图,作为训练集输入到CNN中;然后采用SVM代替CNN中的Softmax分类器构建CNN-SVM模型,并通过网格搜索算法对SVM超参数进行寻优;最后进行多工况算例分析验证所提方法优越性。算例分析结果表明,CNN-SVM模型比传统CNN-Softmax模型在高阻故障时具有更高的分类准确率,且在主变压器中性点接地方式变化、网络结构变化、噪声干扰及单相弧光接地等工况下仍具有良好的适应性。

摘要： 传统的故障分类方法大多假设不同类别的数据样本量是相似或相等的.然而在实际的工业过程中采集到的数据多数是正常数据,少部分是故障数据,这就造成了数据的不平衡.针对不平衡数据问题,本文提出了一种Kmeans Bayes与AdaBoost-SVM相结合的故障分类方法,通过设计两种独立的分类器,并利用D-S证据理论对分类结果融合,以弥补各自对某些类别分类能力较弱的缺陷.实验证明,本文提出的故障分类方法与单一Bayes或SVM比较,具有更高的分类准确率.

摘要： 随着大数据时代的到来,过程工业中产生了大量的过程数据.传统的支持向量机(Support Vector Machine,SVM)是一种有监督的学习算法,其学习过程依赖大量有标签的样本数据.而实际生产过程中,对于样本的标记是十分困难的,因此利用大量无标签的样本来进行学习就显得很有必要.直推式支持向量机(transductive SVM,TSVM)就是由支持向量机发展而来的半监督算法,它利用了大量无标签数据,从而在一定程度上可以获得更好的分类超平面,以获得更好的分类效果.在本文中,作者提出了一种改进的基于直推式支持向量机的故障分类算法,从平衡数据样本类别的数量入手,对无标签的样本进行了初步的预测,并对该过程进行了优化.通过理论分析与实验验证的方法,可以发现该算法在TE的流程工业模拟试验中取得了比较好的分类效果,验证了该算法的有效性.

摘要： 本文提出一种利用模糊径向基函数(RBF)神经网络进行直升机旋翼不平衡故障诊断的方法,建立了用于直升机旋翼不平衡故障识别的模糊诊断模型.基于直升机旋翼不平衡故障模拟试验,对采集在旋翼配重不平衡、桨距不平衡、后缘调整不平衡和正常状态下的试验台体振动信号进行功率谱分析,并采用主分量分析的方法进行故障特征提取.采用模糊RBF神经网络诊断模型对旋翼不平衡故障进行了故障分类识别,同时分析了不同主分量累计贡献率对故障分类精度的影响,并与RBF神经网络的诊断模型、支持向量机(SVM)诊断模型进行了故障识别效果对比.结果表明模糊聚类RBF神经网络的诊断方法对旋翼不平衡故障具有更好的识别能力.

摘要： 为了充分提取化工系统中的故障特征以辨识故障类型,提出针对动态系统海量数据的故障分类方法：DM-SVMs.该方法利用扩散映射与其线性增量方法对高维空间中的系统运行数据进行流形学习,提取出数据中的低维流形特征，再通过多类分类的支持向量机对样本特征分类。用田纳西-伊斯曼仿真数据和实际化工生产运行数据验证了方法的可行性和高效性.通过与其他同类分类方法对比，也验证了DM-SVMs有更高的分类精度。该方法克服了传统支持向量机解决非线性动态系统故障辨识性能不足的缺点,为化工系统的故障分类辨识提供了新的思路。

摘要： 变频调速器在水泥企业应用较为广泛,笔者对其常见故障与处理进行分类分析,变频器参数设置不当如果负载电动机的额定电压、电流、容量、加减速时问和功率因素等参数设置不当。会导致变频器与电动机不匹配,从而使电动机过载或过热,导致变频器不能正常工作。

摘要： 可靠性试验的结果应反映试验样机的可靠性水平，除试验条件应与装备作战保障的实际使用条件一致外，关键就是正确判定故障。本文结合笔者在防化装备评价试验工作中的实际体会，从故障的内涵出发，简要阐述了核监测装备可靠性试验的故障模式与故障分类，并着重就核监测装备可靠性试验的试验判据谈点粗浅的看法，为完善和规范防化装备可靠性试验工作作了有益的探索。

摘要： 形态分析是信号处理的一种非线性分析方法，滚动轴承故障信号是一种非线性非平稳信号。为了区分不同类型故障，采用多尺度形态开运算得到故障信号的形态谱，并由形态谱曲线计算形态谱熵，将形态谱熵和形态谱曲线的重心坐标作为支持向量机的输入参数进行故障模式分类。通过对实验数据的分析表明，形态学分析与支持向量机相结合的方法为轴承故障信号的分析、识别和分类提供了新的思路。

摘要： 电能表是电能计量的核心,是智能电网建设的重要组成部分,关系到供用电双方的利益.随着电能表的逐步更换,电能表在实际运行过程中由于受到元器件质量、安装环境的影响,造成运行中的电能表出现质量问题.文章以重庆市电能表为实例,分析故障原因,对故障进行分类,制定了电能表运行管理规范,形成相应的检测项目,以电能表的安全、准确、可靠为中心,提出质量管理措施,降低现场故障率,提升电能表运行管理水平.

摘要： 电能表是电能计量的核心,是智能电网建设的重要组成部分,关系到供用电双方的利益.随着电能表的逐步更换,电能表在实际运行过程中由于受到元器件质量、安装环境的影响,造成运行中的电能表出现质量问题.文章以重庆市电能表为实例,分析故障原因,对故障进行分类,制定了电能表运行管理规范,形成相应的检测项目,以电能表的安全、准确、可靠为中心,提出质量管理措施,降低现场故障率,提升电能表运行管理水平.

摘要： 电能表是电能计量的核心,是智能电网建设的重要组成部分,关系到供用电双方的利益.随着电能表的逐步更换,电能表在实际运行过程中由于受到元器件质量、安装环境的影响,造成运行中的电能表出现质量问题.文章以重庆市电能表为实例,分析故障原因,对故障进行分类,制定了电能表运行管理规范,形成相应的检测项目,以电能表的安全、准确、可靠为中心,提出质量管理措施,降低现场故障率,提升电能表运行管理水平.

摘要： 电能表是电能计量的核心,是智能电网建设的重要组成部分,关系到供用电双方的利益.随着电能表的逐步更换,电能表在实际运行过程中由于受到元器件质量、安装环境的影响,造成运行中的电能表出现质量问题.文章以重庆市电能表为实例,分析故障原因,对故障进行分类,制定了电能表运行管理规范,形成相应的检测项目,以电能表的安全、准确、可靠为中心,提出质量管理措施,降低现场故障率,提升电能表运行管理水平.

摘要： 本发明公开了基于故障类型分类能力评价矩阵的多分类器融合故障诊断方法。本发明基于分类器度量级输出形式，提出了以分类器输出结果熵值评价分类器多故障类型分类能力的方法，计算得到评价矩阵，并构建了基于模糊综合评判方式的多分类器融合基本模型，进行决策级融合，得出最终的诊断结论。

摘要： 本发明公开了基于故障类型分类能力评价矩阵的多分类器融合故障诊断方法。本发明基于分类器度量级输出形式，提出了以分类器输出结果熵值评价分类器多故障类型分类能力的方法，计算得到评价矩阵，并构建了基于模糊综合评判方式的多分类器融合基本模型，进行决策级融合，得出最终的诊断结论。

摘要： 本发明提供即使在控制装置没有产生警报的情况下也能够确定故障的主要原因的故障分类装置、故障分类方法以及故障分类程序。故障分类装置(1)具备：故障单位取得部(12)，其取得将机器的故障单位与一个或多个结构部件对应起来的数据集；故障履历取得部(11)，其取得包括过去发生的故障的现象以及对策部件的故障履历；以及关联部(13)，其通过将结构部件与对策部件进行匹配，将1个或多个现象的信息与故障单位关联起来进行存储。

摘要： 本发明涉及一种可调式中智模型轴承故障分类器及其故障分类方法，包括数据预处理模块、中智模型生成模块、实时中智参数生成模块和故障分类模块。通过大量实验建立轴承故障特征的标准中智模型，根据检测精度实时生成被测轴承的可调中智参数，通过计算被测轴承的可调中智参数与标准中智模型之间的关联度，实现被测轴承的故障自动分类。

摘要： 本发明涉及一种齿轮故障分类方法、分类装置及可读存储介质，齿轮故障分类方法包括：获取目标故障类型齿轮的振动样本数据；对所述目标故障类型齿轮的振动样本数据进行相空间重构，生成无阈值递归图；获取所述无阈值递归图中各目标点的坐标值，根据各所述目标点的坐标值生成高斯分布直方图；利用有界广义高斯混合模型拟合所述高斯分布直方图，提取所述高斯分布直方图的均值和方差作为所述目标故障类型齿轮的振动样本数据的目标特征向量；重复上述步骤，获取待检测齿轮的振动样本数据的目标特征向量，并利用所述待检测齿轮的振动样本数据的目标特征向量和所述目标故障类型齿轮的振动样本数据的目标特征向量判断待检测齿轮的故障类型。

摘要： 本发明提供即使在控制装置没有产生警报的情况下也能够确定故障的主要原因的故障分类装置、故障分类方法以及故障分类程序。故障分类装置(1)具备：故障单位取得部(12)，其取得将机器的故障单位与一个或多个结构部件对应起来的数据集；故障履历取得部(11)，其取得包括过去发生的故障的现象以及对策部件的故障履历；以及关联部(13)，其通过将结构部件与对策部件进行匹配，将1个或多个现象的信息与故障单位关联起来进行存储。

摘要： 本申请提供的一种故障分类方法及故障分类系统，通过不同的故障检测电路对应采集不同的故障信号，然后，当检测到故障信号时，MCU控制器会执行相应的保护，并根据故障信号确定对应的故障编码信息，得到带有故障编码的故障反馈信号，将带有故障编码的故障反馈信号通过隔离器件进行传输，得到带有故障编码的故障输出信号，上位机在接收到带有故障编码的故障输出信号后，对带有故障编码的故障输出信号进行解析，检测到对应的故障编码，就可以确定发生的故障类型，通过本申请提供的故障分类方案可以实现故障准确定位和确定故障类型，降低调试和维护时间，提高设备维护的工作效率。

摘要： 本申请提供一种配电网的变压器的故障分类方法和故障分类装置，该方法包括：采集配电网的变压器的目标数据，并根据目标数据，建立第一数据矩阵；利用t分布随机邻域嵌入算法提取第一数据矩阵的关键特征，获得第二数据矩阵；利用分类器对第二数据矩阵进行训练，获得故障分类模型；采集配电网的变压器的故障数据；通过故障分类模型对故障数据进行分类，获得故障数据对应的故障类别。这样，利用t分布随机邻域嵌入算法提取第一数据矩阵的关键特征，获得第二数据矩阵，并利用分类器对第二数据矩阵进行训练，获得故障分类模型。该故障分类模型考虑了影响配电网的变压器的故障的多种变量，可以对配电网的变压器的故障进行正确分类，故障分类效果较好。

摘要： 本发明涉及一种可调式中智模型轴承故障分类器及其故障分类方法，包括数据预处理模块、中智模型生成模块、实时中智参数生成模块和故障分类模块。通过大量实验建立轴承故障特征的标准中智模型，根据检测精度实时生成被测轴承的可调中智参数，通过计算被测轴承的可调中智参数与标准中智模型之间的关联度，实现被测轴承的故障自动分类。

摘要： 本发明公开了一种信息系统故障分类方法及分类系统，其中，所述分类方法包括如下步骤：获取系统历史提示信息数据集；从所述系统历史提示信息数据集中获得多个子数据集；利用BERT深度学习网络对所述多个子数据集中进行模型训练、验证和测试，对应得到多个训练好的BERT卷积神经网络模型；利用所述多个模型得到级联网络；利用所述级联网络对故障进行分类。该信息系统故障分类方法及分类系统，实现了分级分类的效果，分类的准确性高、分类效率高。