提出一種基于變精度粗糙集算法的閥門故障診斷方法。該方法具有一定的容錯能力,同時能夠在確保故障規(guī)則具有較高準確度和覆蓋度的前提下得到盡可能簡潔的規(guī)則集。將該方法用于柴油機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--高壓充電系統故障診斷

針對電梯的幾種常見故障,論文采用了最小二乘支持向量機(ls-svm)診斷的方法。采集電梯幾種故障狀態(tài)下的振動信號,用最優(yōu)小波包的理論分析計算故障振動信號的能量分布,將其能量分布與時域指標相結合,以構造故障特征向量,作為ls-svm的輸入來識別電梯的故障原因,并采用遺傳算法優(yōu)化ls-svm的相關參數。通過對電梯六種常見故障的診斷結果表明,基于遺傳算法優(yōu)化的最小二乘支持向量機用于電梯故障診斷是一種有效的方法。

為了客觀地認識和比較各種接地網故障診斷算法,基于蒙特卡羅方法,在一個60支路的接地網上,以完備的測試方案通過隨機改變各支路電阻值和迭代初值的方式生成檢驗樣本,以各支路電阻的相對累積誤差均值和其標準差為評價指標,對迭代最小二乘法、非線性最小二乘法和禁忌搜索法三種接地網故障診斷算法進行了評價和對比。結果表明:迭代最小二乘法能夠得到準確的明晰支路診斷結果,且與初值的選擇無關;非線性最小二乘法和禁忌搜索法的診斷結果與初值的選擇關系密切,若其初值的選擇不恰當,則不能得到準確的診斷結果。

故障診斷案例 【篇一：故障診斷案例】 內容簡介《機械故障診斷及典型案例解析》在講解機械故障診斷基 本知識的基礎上，著重介紹了典型零部件的故障監(jiān)測和診斷方法， 并列舉了大量相關診斷實例，供讀者理論與實踐相結合，迅速掌握 機械故障診斷方法。主要內容包括：機械故障診斷的振動力學基礎、 故障診斷信號的幅域與時域分析、故障診斷信號的頻域分析方法、 故障診斷信號處理的特殊方法、滾動軸承故障診斷與實例解析、齒 輪的故障診斷及實例解析、旋轉機械的故障診斷及實例解析、滑動 軸承的故障診斷與實例解析。 《機械故障診斷及典型案例解析》可為從事機電設備運行、維護、 設備點檢和運行狀態(tài)監(jiān)測以及故障診斷與事故分析等方面工作的工 程技術人員提供幫助，也可供高等院校機械專業(yè)師生學習參考。 目錄第1章緒論 1.1機械故障診斷技術的定義 1.2機械設備故障診斷的研究內容 1.3機械設備故障診斷方法的分類 1.4

針對基于svm的模擬電路故障診斷中診斷參數的調節(jié)是通過試湊法或按照全局最優(yōu)的原則確定的,沒有考慮實際診斷要求,無法進行各診斷環(huán)節(jié)參數同時調整優(yōu)化的現狀。提出一種適應度模型用于遺傳算法參數尋優(yōu),把實際電路診斷要求量化成參數指標引入模擬電路故障診斷的優(yōu)劣評估中;建立了基于遺傳算法的電路診斷模型參數閉環(huán)尋優(yōu)框架,對診斷系統的各部分參數優(yōu)化進行整體度量,并分析了參數搜索算法的收斂性。通過實例診斷分析了閉環(huán)故障診斷參數尋優(yōu)框架下各部分的參數制定對決策的影響,說明了建立的閉環(huán)故障診斷模型參數尋優(yōu)框架和搜索算法的有效性和實用性。

氣閥的撞擊和氣體壓力的沖擊均會產生聲發(fā)射信號,聲發(fā)射信號的頻率范圍寬,信息量豐富,在無損檢測領域已得到了廣泛應用,將聲發(fā)射傳感器引入柴油機排氣閥的故障監(jiān)測診斷中,以wp10.240n型柴油機為研究對象,搭建試驗測試平臺,模擬3種類型的排氣閥故障,通過試驗研究了柴油機氣閥在不同狀態(tài)下聲發(fā)射信號特征,提取了與排氣閥故障相關的特征參數,探索了基于聲發(fā)射信號的柴油機氣閥故障診斷的可行性。

背壓平衡閥主要是對吊物下降、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構中肩負著有關安全的重要使命，出了故障必須立即排除。１．結構及工作原理以ｑｙ２０型起重機變幅機構背壓平衡閥為例，說明其結...

1.閥不動作首先確認氣源壓力是否正常,查找氣源故障。如果氣源壓力正常,則判斷定位器或電/氣轉換器的放大器有無輸出,無輸出,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,有信號而無動作,則執(zhí)行機構故障或閥桿彎曲,或閥芯卡死。遇此情況,必須卸開閥門進一步檢查。

針對elm分類預測的結果易受其初始輸入權值和閥值的影響,提出了一種改進螢火蟲算法優(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確率為適應度,通過ifa優(yōu)化elm的初始輸入權值和閾值,實現電力電容器故障自適應診斷。研究結果表明,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設備放電故障診斷的快速性和準確性,采用近幾年出現的遺傳算法對bp神經網絡進行優(yōu)化,減少了bp神經網絡算法陷入局部最優(yōu)解的風險,顯著增強了bp神經網絡的泛化能力和全局尋優(yōu)能力。對比發(fā)現,遺傳算法優(yōu)化后的bp神經網絡模型具有比較好的快速性和準確的診斷能力。測試結果表明,遺傳算法優(yōu)化bp神經網絡對gis設備放電故障診斷具有可行性和有效性。

通過對支持向量機核函數的分析發(fā)現,當對樣本的各個特征賦予不同大小的尺度參數時,可以避免冗余特征干擾分類,增強關鍵特征在分類中的作用,提高支持向量機分類器的學習和泛化能力。在此基礎上,提出一種具有不同特征尺度參數的支持向量機(簡稱多尺度支持向量機),并通過遺傳算法最小化loo(leave-one-out)泛化錯誤上限估計,根據各個特征的識別能力賦予其不同大小的尺度參數。將多尺度支持向量機用于軸承故障診斷,實驗結果表明,與傳統的單尺度參數支持向量機相比,多尺度支持向量機具有更好的泛化能力。對壓縮機氣閥的故障識別表明,尺度參數的大小直接反映了對應特征識別能力的大小,因此可以依據尺度參數的大小進行特征選擇,保留關鍵特征,剔除冗余特征。

現代挖掘機故障診斷

變壓器故障診斷研究現狀

現代挖掘機故障診斷中文

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

在內燃機神經網絡故障診斷系統的基礎上,引入粗糙集理論,對其在內燃機故障診斷特征參數屬性優(yōu)化中的運用進行了探索。利用可辨識矩陣算法對決策表進行屬性約簡,剔除其中不必要的屬性,揭示了故障診斷條件屬性內在的冗余性,降低了神經網絡構成的復雜性。最后給出了屬性約簡的結果。

介紹了bh550狀態(tài)監(jiān)測綜合分析儀在往復式壓縮機氣閥故障診斷中的應用情況,通過對采集的數據進行分析,找出氣閥故障所在,避免了事故發(fā)生。

往復壓縮機自身有很多優(yōu)點,它的應用領域廣、工作壓力安全穩(wěn)定且擁有很高的壓縮效率,受到越來越多生產企業(yè)的青睞.但是,在實際的生產過程中,由于往復壓縮機本身結構的復雜性,容易受到損壞的部件很多,導致其發(fā)生故障的可能性較大,極易發(fā)生不可挽救的慘劇,造成嚴重的經濟損失.氣閥作為往復壓縮機的一個關鍵組成部分,其運作情況深刻影響著壓縮機的工作.若是氣閥發(fā)生故障,會大大降低壓縮機的工作效率,造成能源的巨大浪費,甚至產生更加慘重的后果.因此,事先診斷出氣閥的異常情況,采取相應的解決對策,能夠在一定程度上保證壓縮機的持續(xù)安全運行.

為了提高接地網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;根據節(jié)點撕裂法將接地網分成若干個子網絡和自由支路,建立分塊多目標優(yōu)化模型,并采用混沌粒子群優(yōu)化算法對診斷模型進行求解;利用matlab對算例進行仿真計算得到的診斷結果與實際故障倍數差都在±0.5之間,能夠有效地判斷出接地網腐蝕故障的情況,是一種可行的牽引變電所接地網腐蝕故障診斷方法。

往復式壓縮機是化工行業(yè)重要的設備之一，在重整裝置生產過程中占據相當重要的地位。壓縮機能否正常工作，很大程度上取決于氣閥的工作性能，氣閥一旦出現泄漏故障，會引起溫度、壓力及流量等參數的變化，影響壓縮機的正常運行，因此及時發(fā)現氣閥故障并對其進行故障快速診斷非常重要。