故障预测

摘要： 随着电动汽车的大规模发展,公共充电桩运行数量和充电量逐年增长。然而,充电桩运行始终存在故障频发、运维难度大和维修成本高等问题,并且传统故障检测方法效率低下。因此提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合网络电动汽车充电桩运行状态预测方法,可以实现对电动汽车充电桩运行状况的综合评估。在特征数据输入阶段,对充电桩运行状态的关键指标进行分析,通过CNN提取运行状态影响因素的特征量,再利用LSTM判断和预测充电桩运行状态,从而实现对充电桩潜在故障的预警。试验结果表明,该方法预测准确率高、实用性强,能较准确地反映和预测充电桩的运作状态,可实际用于充电桩故障预测与运维检修。

摘要： 针对智能电表故障具有的突发性、复杂性以及多面性等特点,提出一种基于时空卷积神经网络(ST-CNN)的故障预测方法。该方法首先采用滑动窗口将时间信息融入特征变量中,构建具有时空特性的输入矩阵,然后与CNN相结合,建立智能电表故障预测模型,并采用Adam算法对模型参数进行优化。最后应用现场的实际数据对基于ST-CNN的智能电表故障预测模型进行仿真,结果表明该方法预测精度高,泛化能力强。

摘要： 新一代复兴号智能动车组搭载了车载故障预测与健康管理(PHM)系统,实现了动车组故障的预警、预测等功能。根据现阶段智能动车组车载PHM技术方案,重点阐述车载PHM系统应用现状,同时结合实际工作中地面PHM系统较为完善的开发应用经验,进一步探讨车载PHM系统与地面PHM系统相互融合的设计需求、技术方案及应用场景。

摘要： 空调系统作为城市轨道交通的重要组成部分,直接影响到乘客乘坐的舒适性。对空调系统故障数时间序列的进行预测,有助于合理制定维修策略和零件采购方案,从而控制成本。针对空调系统故障数时间序列的预测问题,在分析故障数的周期性波动规律及变化趋势的基础上,结合Census X12季节调整方法,构建季节性自回归积分滑动平均模型(X12-ARIMA模型),并基于残差序列建立BP神经网络模型,将两个模型预测值相加得到改进的X12-ARIMA-BP模型的预测值,并与X12-ARIMA模型、BP神经网络模型、ARIMA-BP变权组合模型的预测值进行对比。以重庆轨道交通3号线为例,基于7年的空调系统月故障数据分别利用4种模型进行故障数拟合并预测。研究结果表明:相比实际值,改进的X12-ARIMA-BP模型的预测结果的平均绝对百分比误差为18.54%,比X12-ARIMA模型降低了6.38%,比BP神经网络模型降低了11.01%,比ARIMA-BP变权组合模型降低了4.75%;对比其它3种预测模型,改进的X12-ARIMA-BP模型预测效果最好。

摘要： 云数据中心的分布式应用故障具有复杂性、随机性等特点,导致应用的运行与维护(简称:运维)管理任务难度大、效率低。为此,提出一种云数据中心应用故障预测方法,构建基于门控循环单元(GRU,Gated Recurrent Unit)循环神经网络(RNN,Recurrent Neural Network)的云数据中心应用故障预测模型,对云数据中心的应用监控数据进行分析处理并预测将要出现的应用故障。试验结果表明,本方法预测精确率满足应用运维管理中故障提前发现和处理的相关要求,在降低应用运维管理难度和提升运维效率方面具有一定的实用价值。

摘要： 充电桩运行的稳定性直接影响整体充电网络的运行效率,预测充电桩的故障可以为相关的运营管理提供有力的数据支撑,为此提出一种基于深度学习的公共充电桩故障预测模型。给出受限玻尔兹曼机模型,通过Gibbs采样法求得隐层单元的具体数值,归一化处理后将其加入逐层预训练中,得到深度受限玻尔兹曼机模型,以运维处理及时率、充电桩硬件质量、维修及时率、充电区停电时长计算运维影响指数,结合天气因素计算环境影响指数,二者融合实现综合预测模型的构建。仿真实验结果表明,所提模型的预测能力强且准确率高,具有一定的实际应用价值。

摘要： 文章在常规建筑能耗和设备故障预测方法的基础上,根据智慧建筑中BIM模型数据和物联网数据融合形成的数据集,提出了基于BP神经网络的多任务学习方法,将建筑能耗和设备故障预测采用同一神经网络模型进行学习和预测,并阐述了网络结构及损失函数的设计方法,为建筑能耗和设备故障预测提供了新的思路,也为智慧建筑运维管理系统中的智能诊断服务提供算法基础,将人工智能技术真正地应用于智慧建筑运维管理系统之中。

摘要： 针对采煤机故障诊断与预测系统技术较为落后的现状,基于运用模糊控制、专家系统、神经网络三者相互结合的方法,提出了采煤机故障诊断与预测系统设计方案。通过对采煤机的结构与常见故障分析、故障诊断与预测系统模块设计分析,完成了此次采煤机故障诊断与预测系统各部分重点目标。通过实际测试后验证了采煤机故障诊断与预测系统可全面、准确判断故障原因,预测数据更为详细。通过对200个故障测试样本进行诊断预测实验,系统准确率为100%,可应用于实际生产之中。

摘要： 过程安全对于间歇过程生产具有重要意义,为提高间歇过程生产安全性,提出一种基于改进粒子群算法(AMWPSO)优化长短期记忆网络(LSTM)的间歇过程故障预测模型AMWPSO-LSTM。针对LSTM中的神经元个数、迭代次数、学习率等参数需要人为设置的问题,采用AMWPSO对这些参数进行自动寻优。AMWPSO在原有粒子群优化算法(PSO)中融入了自适应变异和非线性递减惯性权重,提高了PSO的参数寻优能力。由于间歇过程具有多阶段性,因此先根据模糊C均值聚类(FCM)方法对间歇过程进行阶段划分,再利用Pearson相关系数对各阶段实验数据进行相关性分析,以降低系统变量的维数,并建立各阶段T;统计量控制限作为系统是否发生故障的指标。实验以青霉素发酵过程数据为例,建立基于AMWPSO-LSTM的多阶段故障预测模型,并将该模型的预测结果与基于LSTM的多阶段预测模型、基于PSO-LSTM的多阶段预测模型的预测结果进行比较,结果表明,基于AMWPSO-LSTM的多阶段故障预测模型可取得较高的预测准确度。

摘要： 传统的定期维修策略常导致舰船装备欠维修和过维修。为提高维修决策的科学性,提出了一种基于预防性维修理念的舰船等级修理决策方法。根据舰船装备的技术状态和维修信息,对关键重要部件(简称关重件)进行失效模式和效果分析,确定其修理需求级别和修理范围;同时采用威布尔分布模型和极大似然估计法预测装备的中位寿命,并定义产生式规则;进而基于舰船-系统-关重件三级维修BOM结构,自下而上地进行逻辑决断和规则推理,确定整舰的修理等级和时机。在此基础上开发了舰船等级修理决策系统,并通过案例进行功能验证,该系统可以满足舰船等级修理自主决策的应用需求,为舰船的预防性维修提供了一种可行的途径。

摘要： 无人机保障设备种类繁多、结构功能复杂,建立完善的无人机保障设备综合化系统成为急需解决的难题.本文基于PHM技术构建无人机保障设备网络结构,并采用数据驱动的方法建立无人机保障设备故障预测与综合化管理模型,以达到无人机保障设备的综合化健康管理,提高无人机系统综合保障效率.

摘要： 随着消防电子技术的不断进步,电子消防系统类别和复杂度与日俱增,但是随之而来的是发生故障和功能失效的问题.故障预测和健康管理(Prognostics and Health Management)技术是目前解决电子系统故障预测和功能失效管理的热点技术.开展消防电子系统PHM技术研究,探索消防电子系统PHM技术研究路径,将会有效提高消防电子系统性能的稳定性和工作的可靠性.

摘要： 随着近几年移动通信基站数量增长,每天都会产生海量基站运行与告警数据.如何利用海量基站运行与告警数据提升基站运行维护水平是大数据时代亟须解决的问题.本文根据移动通信基站海量报警数据特点,结合深度学习技术,提出一种移动通信基站故障告警预测方法,该方法能提前对基站故障进行预测,降低基站维护的成本,提高基站运行的可靠性.

摘要： 本文主要内容包括银行网点运营管理分析案例、销售预测与库存优化案例、大型发电机组继电器故障预测案例、商业智能的未来发展趋势。

摘要： 星载故障预测和健康管理系统对于卫星在轨服务性能和安全稳定运行意义重大.本文以保证卫星连续稳定服务任务为目标,分析了影响任务成败和用户服务的关键因素,从故障诊断、性能评估、故障预测能力出发,考虑及时性和准确性需求,对卫星故障预测和健康管理系统进行了设计,并利用仿真软件建立了PHM模型.采用参数权衡法,对星载PHM系统进行了仿真,给出了系统分析评估的结果,可为面向服务的星载健康管理及预测系统设计和优化提供借鉴.

摘要： 针对离散制造车间管控效率低、可视化效果差、生产数据实时性差的问题,在对数字孪生进行研究的基础上,提出数字孪生生产线的概念,通过实时数据采集、数据融合与处理、人工神经网络等技术,对数字孪生生产线智能控制方法进行了详细的阐述,介绍了基于人工神经网络的故障预测机制,并制定了一种新的错误处理策略,用于解决设备故障时生产物流的重新调度问题.最后以模拟故障为例,验证了物流错误处理方法的可行性与有效性.

摘要： 本文结合机械系统预测科学和健康管理的基本思想,提出了一种科学化、经济化指导机车车轮镟修的方案.该方案引入了经济化镟修的思想,给出了判定车轮是否需要镟修的判据,为即将上线的车轮管理平台设计了自动镟修建议和镟前剩余里程的计算式.在自动镟修建议的设计中,充分考虑了对于每个车轮的最优廓形,以及整车满足轮径差限制条件下的最小镟修量方案,可以有效地提高车轮使用寿命.

摘要： 本文结合机械系统预测科学和健康管理的基本思想,提出了一种科学化、经济化指导机车车轮镟修的方案.该方案引入了经济化镟修的思想,给出了判定车轮是否需要镟修的判据,为即将上线的车轮管理平台设计了自动镟修建议和镟前剩余里程的计算式.在自动镟修建议的设计中,充分考虑了对于每个车轮的最优廓形,以及整车满足轮径差限制条件下的最小镟修量方案,可以有效地提高车轮使用寿命.

摘要： 本文结合机械系统预测科学和健康管理的基本思想,提出了一种科学化、经济化指导机车车轮镟修的方案.该方案引入了经济化镟修的思想,给出了判定车轮是否需要镟修的判据,为即将上线的车轮管理平台设计了自动镟修建议和镟前剩余里程的计算式.在自动镟修建议的设计中,充分考虑了对于每个车轮的最优廓形,以及整车满足轮径差限制条件下的最小镟修量方案,可以有效地提高车轮使用寿命.

摘要： 本文结合机械系统预测科学和健康管理的基本思想,提出了一种科学化、经济化指导机车车轮镟修的方案.该方案引入了经济化镟修的思想,给出了判定车轮是否需要镟修的判据,为即将上线的车轮管理平台设计了自动镟修建议和镟前剩余里程的计算式.在自动镟修建议的设计中,充分考虑了对于每个车轮的最优廓形,以及整车满足轮径差限制条件下的最小镟修量方案,可以有效地提高车轮使用寿命.

摘要： 提供一种通过设计自由度高的构造进行由振动应力引起的软钎焊连接部的故障预测的故障预测元件以及使用该故障预测元件的电路基板。本发明涉及的故障预测元件是设置于搭载有实施了软钎焊连接的安装部件(1)的基板(2)的故障预测元件，具有负载放大部(60)，该负载放大部具有一端分别固定于基板(2)或者安装部件(1)的一对支撑脚部(3)、以及由一对支撑脚部(3)的另一端分别支撑的牺牲断裂部(4)，经由一对支撑脚部(3)将基板(2)所承受的振动传递至牺牲断裂部(4)。

摘要： 本申请提供一种设备故障预测方法、装置、设备故障预测平台及介质，涉及故障预测技术领域。该方法包括：获取目标设备的状态数据集，该状态数据集中包括该目标设备的多个维度的状态数据；对该状态数据集中各维度的状态数据进行分析处理，构建特征向量；将该特征向量输入预先训练的故障预测模型，得到该故障预测模型输出的该目标设备的故障类型。应用本申请实施例，可以对设备故障类型进行提前预测，进而避免“维修不足”、“过剩维修”或者“维修性故障”的现象。

摘要： 本发明公开了一种机器人故障预测方法、故障预测系统及故障预测设备，涉及多轴机器人技术领域，所述方法能够识别机器人的新动作，并且自动建立基准信息，提升故障预测的准确性。所述方法包括：获取机器人的运动轨迹信息和伺服电机的输出扭矩信息；标定运动轨迹信息；确定样本库中是否具有与动作信息匹配的基准信息；当具有与动作信息匹配的基准信息时，确定动作信息是否存在异常，若异常输出警报；当没有与动作信息匹配的基准信息时，标记动作信息为样本数据，且当样本数据的数量达到预设值时，标定样本轨迹信息对应的基准扭矩信息，将样本轨迹信息与基准扭矩信息关联存储，形成基准信息。本发明用于预测机器人是否存在故障。

摘要： 车辆故障预测系统具有：1个或多个监视装置，其从对自身进行搭载的车辆中的功能部取得表示与所述车辆相关的测量结果的功能部信息；以及管理装置，所述监视装置将所取得的所述功能部信息经由外部网络向所述管理装置发送，所述管理装置基于从1个或多个所述监视装置接收到的多个所述功能部信息，创建机器学习所涉及的学习模型，将创建出的所述学习模型向1个或多个所述监视装置发送，所述监视装置基于从对自身进行搭载的所述车辆中的所述功能部取得的新的所述功能部信息及从所述管理装置接收到的所述学习模型，预测对自身进行搭载的所述车辆的故障。

摘要： 本发明的故障预测装置具有：振动测量部，测量由被监视对象设备产生的振动；以及信号处理部，由上述振动测量部测量到振动的最大振幅值超过上限振幅阈值且从超过上述上限振幅阈值的时刻开始达到指定时间的时刻下的振幅值小于下限振幅阈值的特定振动时，进行故障预测。

摘要： 本发明涉及车辆故障分析数据库及构建方法、故障预测方法、故障预测系统，车辆故障分析数据库的构建方法，包括：采集多个目标车辆的车辆故障分析指标和车辆故障指标，对于每个车辆故障指标，计算各车辆故障分析指标的信息增益值；选取信息增益值最大的车辆故障分析指标作为车辆故障根节点，根据该车辆故障分析指标的属性构建车辆故障分支节点，并对于各车辆故障分支节点，计算余下车辆故障分析指标的信息增益值；选取余下车辆故障分析指标中信息增益值最大的作为车辆故障分支节点的车辆故障子分支节点，依次计算，直到没有新的车辆故障分支节点，形成车辆故障分析数据库。本发明能够分析车辆故障的形成原因，预测车辆故障。

摘要： 实现能够以更高的精度进行异常判定而预测故障的轮胎故障预测系统。轮胎故障预测系统(100)包括：设定表示安装有轮胎的车辆的速度与所述轮胎的发热温度的关系的预定的主曲线的设定部(11)、基于由设定部(11)设定出的主曲线与轮胎的发热温度的实测值的差异来判定轮胎的状态的判定部(15)、及更新由设定部(11)设定出的主曲线的更新部(16)。更新部(16)在由判定部(15)判定为轮胎正常的情况下更新主曲线。在由判定部(15)判定为轮胎异常的情况下，警报部(30)输出警报。

摘要： 本发明公开了一种分布式系统的故障预测方法以及故障预测装置，所述方法包括：获取在分布式系统的多种滑动时间窗口内的原始日志数据；基于所述原始日志数据建立日志知识图谱；基于所述日志知识图谱提取特征信息；基于所述特征信息生成故障预测模型；基于所述故障预测模型执行对应的故障预测操作。通过基于多种滑动时间窗口提取分布式系统在运行过程中的原始日志数据，能够有效提取出在各种运行状态下的日志数据，能够全面地表征分布式系统的各种运行状况，在此基础上，通过建立日志知识图谱，并对日志数据的特征进行提取，并通过半监督学习式的神经网络模型进行故障预测，从而大大提高了对分布式系统的故障预测准确性，满足了企业的实际需求。

摘要： 本发明提供了故障预测模型的训练方法、列车系统故障预测方法和装置，该方法包括:获取当前列车系统的本地样本运行信号和样本环境信号；对本地样本运行信号进行特征提取，得到关键指标特征；对样本环境信号进行特征提取，得到环境指标特征；根据关键指标特征和环境指标特征之间的依赖性，确定用于对故障进行预测的主导特征；利用主导特征训练故障预测模型。本方案能够提高对列车故障进行预测的准确性。

摘要： 本发明提供了故障预测模型的建立方法、列车故障预测方法和装置，该方法包括：获取当前列车系统的本地样本运行数据和相关样本运行数据；对本地样本运行数据进行指标提取，得到关键指标数据；根据相关样本运行数据中的初级相关指标与当前列车系统的空间相关性，确定相关指标数据；其中，初级相关指标用于表征能够导致列车系统出现故障的指标；利用关键指标数据和相关指标数据，训练得到故障预测模型。本方案能够提高对列车故障进行预测时的准确性。