基于统计分析方法的水轮发电机组轴心轨迹

针对目前水轮发电机组轴心轨迹分析方法单一、不能对轴系运行状态进行长期有效监测的问题,采用统计分析手段,定义了轴心轨迹的标准差、变异系数、面积和归一化面积,采用这些参数对某电站指定水头下不同负荷工况的轴心轨迹进行了研究.实例分析表明,定义的轴心轨迹标准差与变异系数能够描述轴心轨迹的清晰程度;变异系数可以表征不同工况下水力因素对轴心轨迹的影响;相同工况下,不同位置的轴心轨迹归一化面积具有相同量级且一致的变化趋势,从而使得归一化面积能够消除测点部位、轴瓦间隙调整等方面的影响,以获得对不同部位轴心轨迹的通用评价;采用轴心轨迹的标准差和归一化面积能够准确评价机组因工况变化而导致的轴心轨迹差异并反映机组的运行状态,从而解决轴心轨迹在线监测手段缺乏的问题.     

基于时序贴近度与改进SVM的水机轴心轨迹诊断

为了提高水轮机组诊断的精确性,提出应用时间序列模糊贴近度特征提取轴心轨迹特征参数,通过改进SVM模型并引入故障分类准确性判定因子对参数化的水电机组轴心轨迹开展了智能诊断.应用改进SVM对时间序列特征引入正确率、错误分类率计算方法,从而对诊断后轴心轨迹分类准确性进行判定,由此促进运行状态设备智能诊断,提高故障诊断系统的自动诊断水平及准确率;引入多类分类支持向量机算法、分类准确度判断解决异常状态下机组轴心轨迹特征参数无法识别、识别率低的问题.通过对改进扩展时序距离时间序列贴近度度量算法的应用解决了水电机组实时轴心轨迹特征参数准确性差和实时性差的问题.该方法提高了检测精度,同时增强了人机交互性,具有重要的理论意义和实用价值.     

基于不变矩和神经网络的泵机组轴心轨迹自动识别

基于泵机组故障信号处理的需要,介绍了不变矩原理,同时对神经网络建模,包括其样本获取进行了详细讨论;由于泵机组的多种故障与表征其运行状态的轴心轨迹形状有关,根据不变矩的平移、伸缩和旋转不变性特征,对实时检测的轴心摆度信号进行不变矩处理,利用BP型神经网络对其进行模式识别,进而判断出轴心轨迹的形状．为了弥补泵机组用于神经网络训练样本的不足,采用数值模拟与现场测试相结合的方法,将获取的所有样本进行求不变矩处理,并连同样本对应的实际形状作为神经网络的训练样本．网络训练完成后,将其输出结果与轴心轨迹图形进行比较验证．以山西大禹渡泵站水泵机组故障检测及诊断为例,在样本中选取其中的10组数据,比较的结果表明神经网络自动识别的结果准确．该方法为泵机组轴心轨迹自动识别和实现泵机组故障诊断智能化提供了依据．     

立式混流泵异常振动测试分析

针对某泵站立式混流泵机组异常振动现象,采用低频振动传感器和电涡流传感器,分别测试开机过程和正常运行时水泵机组下机架、泵盖、外筒体振动以及主轴摆度.基于希尔伯特-黄变换进行试验数据处理,获得了测试信号位移峰峰值,通过提取稳定运行时的振动信号特征向量,对故障类型进行识别;在此基础上,通过分析开机过程信号时频变化情况,寻找诱发机组异常振动的故障原因.现场振动测试分析结果表明:稳定运行时机组振动频率主要集中在转频附近,且主轴轴心轨迹成椭圆形,可诊断其故障类型属于转子不平衡;在开机过程中,主轴的轴心轨迹紊乱,开机瞬间机组的振动值为正常运行时振动值的473倍,据此可判断出在此刻机组内部产生了强大的冲击力,进而引起转子不平衡运转.采用希尔伯特-黄变换法能够准确获取水泵振动信号的时频特征,尤其对分析处理高度非线性的被测信号具有很强的优势,而开展开机过程中的振动测试研究,也为水泵故障诊断分析方法开辟了一条新途径.     

基于卷积神经网络与奇异值分解的水电机组故障诊断方法研究

提出了一种结合卷积神经网络,小波变换和奇异值分解理论的水电机组故障诊断方法.利用卷积神经网络提取机组轴心轨迹的图像特征;通过离散小波变换对摆度信号进行分解,获得信号的小波分解系数,对各分支系数进行重构,构造奇异值分解输入矩阵,提取矩阵奇异值作为特征向量.将两种方法提取的特征进行组合,构建包含图像特征和波形特征的混合特征...     

基于一维卷积神经网络与近似熵特征融合的水电机组故障诊断

针对水电机组振动信号存在非平稳和非线性,单一特征提取难以实现高精度故障诊断问题,提出了一种基于卷积神经网络和近似熵特征融合的故障诊断方法。利用卷积神经网络提取振动信号特征;EEMD与近似熵构建信号特征向量,将两种方法提取的状态特征融合构建融合特征向量;进一步,将融合特征作为输入、故障类别作为输出,训练BP神经网络得到水电机组故障识别器,识别水电机组运行状态,即正常或具体故障类型。结合转子实验台实验数据,验证了所提方法在挖掘信号特征方面的有效性及较高的故障诊断准确率。     

基于LabWindows/CVI的大型泵机组在线监测系统研究

机组在运行过程中由于水力、电力及机械等原因,造成一定的损伤,传统的检修方式属于事后维修,在损伤积累成故障以后机组紧急停机维修,为解决种方法的缺陷,介绍了基于Lab Windows/CVI开发出的一套大型泵机组在线监测系统软件,其能够实时监测机组的状态信息,达到尽早发现故障的效果。简要说明了该系统的概况、设计方案、基本功能及理论基础。并在泵站转子系统实验平台上对该系统软件进行验证,通过该系统软件实时采集转子系统的对中、平行不对中产生的振动信号,并对其进行时域分析、频域分析以及轴心轨迹分析,验证了该系统在泵站转子系统应用中的可行性。     

风力机故障诊断神经网络特征参数确定方法

为了诊断风力发电机组的故障,在搭建故障诊断神经网络平台时,选择合适的输入层特征参数搭建小波神经网络以达到网络训练时的稳定收敛.通过对风力发电机组故障诊断神经网络系统输入层特征参数的选择研究.发现风力发电机的齿轮箱、转子、叶片为独具代表性的易故障部件.分别对3个典型故障部件的一般故障类型和其产生机理进行了分析,得出齿轮箱的频率特性可以用来表征其故障类型,不同的转子故障会对应于不同的轴心轨迹,而叶片的故障诊断则可以运用声发射系统.根据分析的结果,提出了输入层特征参数的确定方法.齿轮箱按照其故障的时-频特性来确定输入层特征参数;转子利用其轴心轨迹能够反映故障类型的这一特性,来确定输入层特征参数;而风机的叶片则是通过“声发射系统”测量叶片表面性能时产生的特性数据作为输入层的特征参数.该方法可为风电机组故障诊断神经网络的建立提供参考.     

基于改进不变矩与概率神经网络的水电机组轴心轨迹特征提取研究

在水电机组状态监测与故障诊断中,轴心轨迹是反映机组运行状态的重要特征。提出了将图形改进不变矩算法与概率神经网络相结合的方法,运用改进不变矩算法对水电机组几种不同运行状态下的转子轴心轨迹进行特征提取,得到相应的特征矩向量,构建概率神经网络进行训练分类,并结合电站实测数据进行了验证。结果表明,该特征提取与分类方法简单稳定,对不同形状的轴心轨迹具有较高的区分度和较好的识别率,可以为水电机组故障诊断提供有效依据。     

基于迁移学习和双线性CNN的细粒度菌菇表型识别

为了对细粒度菌菇进行表型识别,在双线性卷积神经网络细粒度图像识别框架基础上,提出了一种基于迁移学习和双线性Inception-ResNet-v2网络的菌菇识别方法。利用Inception-ResNet-v2网络的特征提取能力,结合双线性汇合操作,提取菌菇图像数据的细粒度特征,采用迁移学习将ImageNet数据集上预训练的模型参数迁移到细粒度菌类表型数据集上。试验表明,在开源数据集和个人数据集上,识别精度分别达到87.15%和93.94%。开发了基于Flask框架的在线菌类表型识别系统,实现了细粒度菌菇表型的在线识别与分析。     

液压系统故障诊断的高阶统计量-模糊神经网络法

利用高阶统计量-模糊神经网络方法对液压系统故障进行诊断，解决低信噪比故障特征信号下的故障诊断问题。介绍了高阶统计量和模糊神经网络的基本原理，阐述了利用高阶统计量-模糊神经网络诊断液压系统故障的方法，给出了以阀控液压缸系统为研究对象的诊断实例。试验结果表明，利用该方法对液压系统进行故障诊断可以有效地提高故障特征信号的信噪比，提高液压系统故障诊断的准确性和诊断效率。     

基于机器视觉的结球甘蓝形状鉴别方法

提出了一种机器视觉技术结合BP神经网络快速鉴别结球甘蓝叶球形状的方法。运用图像处理技术,提取结球甘蓝的高度、宽度、长轴、面积4个绝对形状参数,在此基础上定义了高宽比、圆形度、矩形度、椭形度、球顶形状指数等5个相对形状参数。分别以4个绝对参数、5个相对参数以及上述9个参数作为网络输入,建立BP神经网络叶球识别模型。测试结果表明,以绝对参数作为输入的BP神经网络正确识别率为62.5%,相对参数作为输入的BP神经网络以及相对参数和绝对参数9个参数作为输入的BP神经网络正确识别率均达100%,以相对参数作为网络输入的预测模型优于以绝对参数作为网络输入的预测模型,相对参数和相对参数结合绝对参数作为输入构建的BP神经网络识别模型均具有良好的分类和鉴别能力。     

故障诊断的机械设备建模系统

针对机械设备的层次性特点,引入了面向对象的分析和设计方法,完成了机械设备的建模系统。系统具有柔怀、开放性,可灵活地根据设备的传动关系建模。当模型被初始化后,系统会自动搜寻传动关系并计算各零部件对象的工作频率。模型与信号分析数据库连接后,可得到该特征频率处的故障参数信息。与神经网络数据库连接后,可进行故障的推理诊断。     

基于BP神经网络的信息融合发动机故障诊断的研究

为了解决发动机喷油器故障诊断中基于单传感器信息的方法诊断精度低的缺点,在神经网络分析的基础上,提出了一种基于气缸压和、缸盖振动信号和燃油压力等多传感器信息融合的喷油器故障诊断新方法。该方法能有效地提高其故障诊断精度,明显增加了诊断过程的准确性和智能化。     

基于非对称混洗卷积神经网络的苹果叶部病害分割

针对苹果叶部病害由于数据集类间样本不均衡和拍摄角度、光照变化等实际成像与环境因素造成的精度低和泛化能力差的问题,本文提出了一种新型的非对称混洗卷积神经网络ASNet。首先,通过在ResNeXt骨干网络中添加改进的scSE注意力机制模块增强网络提取的特征;其次,针对多数叶片病害特征分布相对分散的问题,使用非对称混洗卷积模块代替原始的残差模块来扩大卷积核的感受野和增强特征提取能力,从而提升模型的分割精度和泛化能力;最后,在非对称混洗卷积模块中使用通道压缩和通道混洗的方式弥补了分组卷积造成的通道间关联性不足的缺陷,降低了由于叶部病害类间不均衡导致的传统网络模型精度偏低的问题。在COCO数据集评价指标下,实验结果表明,相比于骨干网络为ResNeXt-50的原始Mask R-CNN模型,本文模型的平均分割精度达到96.8%,提升了5.2个百分点,模型权重文件减小为321MB,减小了170MB。对实地采集和AI Challanger农作物病害分割挑战赛的240幅苹果叶片图像进行测试,结果表明,本文模型ASNet对苹果黑腐病、锈病与黑星病3种病害和健康叶片的平均分割精度达到94.7%。     

基于小波包能量法的滚动轴承故障诊断

阐述了故障轴承振动与信号的关系,小波包的原理以及BP神经网络的工作原理和实现过程,并以滚动轴承故障诊断为例,提取了小波包节点能量作为振动信号特征参数,并训练BP神经网络,对故障模式进行识别。结果表明,如果神经网络设计合理,训练适当,则具有很强的故障识别能力。说明利用小波包能量法和BP神经网络进行滚动轴承振动诊断是可行、有效的。     

基于卷积神经网络的油茶籽完整性识别方法

针对现有油茶籽色选机无法识别碎籽的问题,提出一种基于卷积神经网络的油茶籽完整性识别算法。以油茶籽完整性识别为目标,构建油茶籽图像库;基于油茶籽完整性识别任务要求,通过对Alex Net网络进行优化得到适合油茶籽完整性识别的卷积神经网络模型,该网络具有4层卷积层、2层归一化层、3层池化层和1层全连接层。为了提高网络分类准确率和实时性,从网络结构简化和超参数优化两方面对卷积神经网络进行优化,最终网络结构(CO-Net)的分类准确率、训练收敛速度和泛化性能均得到了提高。实验结果表明,优化后的网络对油茶籽完整性识别准确率达98.05%,训练时间为0.58 h,模型规模为1.65 MB,单幅油茶籽图像检测平均耗时13.91 ms,可以满足油茶籽在线实时分选的要求。     

多类农田障碍物卷积神经网络分类识别方法

针对农田作业场景中可能会遭遇更大生命财产损失的人和其他农业车辆等动态障碍物, 提出了一种基于卷积神经网络的农业自主车辆多种类障碍物分类识别方法。搭建了包括1个输入层、2个卷积层、2个池化层、1个全连接层和1个输出层的卷积神经网络识别模型;建立了人和农业车辆的障碍物数据库,其中包括训练集和检测集;利用5×5卷积核对训练样本进行卷积操作,将所获取的特征图以2×2邻域进行池化操作,再次经过3×3卷积核的卷积操作和2×2池化操作后,通过自动学习获取并确定网络模型参数,得到最佳网络模型。试验结果表明,障碍物的检测准确率可达94.2％,实现了较好的识别效果。     

基于人工智能的农用拖拉机发动机故障快速诊断研究

为了达到拖拉机发动机不解体故障诊断的目的,提高诊断效率,利用发动机缸盖的振动信号的采集原理,提出了一种基于神经网络的人工智能故障检测方法,并构建了拖拉机发动机振动信号采集系统。基于人工智能的拖拉机发动机故障诊断系统,综合运用信号采集技术、信号处理技术、数据库技术、神经网络技术和人工智能专家系统,实现了和数据库及具有强大信号分析的处理功能,提高了系统的诊断实时性和诊断精度。最后,采用田间试验方法,对拖拉机故障快速诊断系统进行了试验验证。试验结果表明:采用人工智能诊断方法不仅可以有效提高系统的准确率,而且诊断系统的响应更加迅速,并且曝晒、震动、灰尘等恶劣的现场环境中仍能保持正常工作的稳定性。