气动桥式回路的远程监控与故障诊断
这是一篇关于气动桥式回路,远程监控,故障诊断,C/S架构,支持向量机的论文, 主要内容为气动技术因其无污染、高效、低成本、安全可靠等优点在工业自动化领域应用愈发广泛。但气动系统的能量效率较低(仅有15%-20%)。负载口独立控制式桥式回路的出现可以有效的节能并且能够代替点对点控制和伺服控制,具有重要的研究价值,然而气动桥式回路当前仍面临一些问题,如无法及时获取系统工况、维护成本较高、故障发现不及时等。因此,针对桥式回路系统远程监控与故障诊断需求越来越迫切。针对上述问题,本文对气动桥式回路开发了一套远程监控与故障诊断系统,旨在提高桥式回路的可靠性并降低其维护成本,主要研究内容如下:(1)气动桥式回路远程监控与故障诊断系统总体设计。介绍了桥式回路的工作原理,结合桥式回路的特点,提出需要监测的参数,确定了监测位置、硬件模块型号,设计了软件应用程序,分析了整个系统的工作流程,采集需求以及故障诊断和监测需求,最后结合研究框架提出了可行的设计方案。(2)桥式回路远程监控系统平台开发。在Lab VIEW平台上基于C/S架构开发了远程监控平台,基于应用需求设计了远程通讯方案以及对应的数据传输协议并进行了技术验证,利用数据库技术对系统平台的数据进行统一保存管理。(3)桥式回路故障诊断研究。考虑到实际系统的参数,在AMESim平台上借助平台上的气动元件库搭建系统模型,分析系统元件常见的故障以及造成的影响,模拟相似故障,提出常见故障类型,通过改变模型参数来模拟故障类型建立数据集,将其划分为训练集和测试集。利用特征选择算法来剔除冗余特征,提高计算效率和精度。利用交叉验证法确定了支持向量机的核函数及其参数。通过将数据集输入到故障模型中来验证模型的准确性。(4)系统功能实验验证。通过搭建的桥式回路实验台对远程监控系统各个模块进行功能验证,在实验平台上利用研究的故障诊断算法进行分类精度验证。本文开发的远程监控系统,一方面有效降低了桥式回路维护成本,用户管理和历史数据查询让远程监控平台功能更加完善,提高了平台和数据的安全性。另一方面在Lab VIEW平台上实现了在线故障诊断,提高了桥式回路可靠性,最后训练故障模型识别气缸泄漏、电磁阀失效泄漏等故障准确率达到89.3%,测试准确率达到84.6%。
基于Internet的民航发动机故障诊断系统的研究
这是一篇关于故障诊断,Internet,JSP,专家系统,B/S模式,JDBC的论文, 主要内容为随着Internet／Intranet的蓬勃发展，使得基于Internet的远程故障诊断系统的互操作成为可能。本文在对最新的Web应用开发技术进行多方探讨的基础上，详细地介绍了Internet网的基本概念和相关技术：论述了Internet的TCP／IP协议、数据传输，以及JSP技术，着重分析了Web页面连接数据库的JDBC方法，并在此理论基础上实现了发动机的远程故障诊断系统，给出了系统的总体设计方案。本系统包含两大部分：现场监控诊断部分和远程的故障诊断部分。本系统采用浏览器／服务器模式，利用JSP的动态Web应用系统开发技术，实现了基于B／S三层体系结构并与Java的Applet、Servlet技术相结合的智能型Web应用系统，克服了传统C／S模式的知识应用系统封闭和半封闭的缺点。可以进行多诊断资源的协同诊断和问题求解，从而使诊断系统的问题求解能力和整体的性能有了很大的提高。
基于改进残差网络的行星齿轮箱轴承故障诊断方法研究
这是一篇关于滚动轴承,残差网络,一维卷积,对称点模式,故障诊断的论文, 主要内容为轴承是机械设备的基础部件,其发展水平代表一个国家的先进加工、理论研究和制造技术的综合能力。轴承在机床、飞机和发动机等重大装备上被广泛使用,是提高高端装备性能、运行精度和使用寿命的关键零件。随着工业水平和大数据的发展,对于轴承故障诊断的研究,是我国工业实现数字化转型,由大转强的重要环节。行星齿轮箱是许多机械装备的重要组成部分,而滚动轴承是行星齿轮箱的重要零部件,因其工作环境差、工作负载大等问题,导致轴承的故障发生率越来越高,轴承一旦发生损坏,机械设备运行情况会受到影响。因此对于轴承的故障诊断十分重要。针对机械设备的轴承故障诊断研究,现有的故障诊断方法主要存在诊断效率低、占用时间长和需要专业人员参与等问题。为了实现轴承智能化、高精度故障诊断,因此采用深度学习算法进行轴承故障识别。本文的具体研究内容如下所示:(1)利用行星齿轮箱实验台采集轴承各故障的振动信号,对采集的各轴承故障振动信号进行时频域特征分析,根据不同网络模型结构建立各自的故障数据集。(2)因为经典故障诊断方法在处理过程中会存在数据损失以及识别效果差等问题,因此本研究提出SDP图像转换和膨胀组卷积残差网络(DG-Res Net)的行星齿轮箱轴承故障诊断方法,首先将采集的轴承故障振动信号使用SDP算法转换成图片,图片可以展示出故障数据特征信息,再将图片作为DG-Res Net网络模型的输入进行特征提取和识别,实现对轴承故障的诊断。从而设计出基于SDP图像转换和DG-Res Net的行星齿轮箱轴承故障诊断方法。(3)为实现“端到端”的轴承故障诊断方法,即数据从输入端进入到输出端得到分类结果。研究提出一维二分支残差网络模型,首先对一维振动数据通过滑动平移窗口进行数据增强,再进行归一化处理,将得到的数据样本作为搭建的一维二分支残差网网络模型的输入。通过网络的特征提取和分类实现对轴承故障的识别。实验结果表明该算法的准确率达到97%,可高效、便捷的实现轴承的故障诊断。
智能阀门故障诊断系统设计与实现
这是一篇关于时间序列处理,故障诊断,集成学习,性能评估的论文, 主要内容为“中国制造2025”提出要加快发展制造业,不断推动智能制造更加完善,促进现代化工业体系建设的发展目标。气动调节阀作为工业体系中的重要元件之一,在介质运输过程中发挥着重要作用。传统阀门故障诊断需要技术人员对调节阀进行拆解并做出相应判断,这种方式十分繁琐。目前,多基于数据驱动的在线方式对调节阀故障进行诊断。构建调节阀在线故障诊断与性能评估系统可有效避免调节阀繁琐的检修过程,实现快速对故障进行定位,同时完成对调节阀的性能评估。因此利用计算机辅助诊断系统与下位机紧密结合,能够更直接、有效的对调节阀完成检修。本文以气动调节阀为研究对象,利用数据仿真平台生成数据为驱动,构建故障诊断模型并在全种类故障上进行精确识别,同时以DN50单座直通气动阀为基准设计不同类型实验完成对调节阀的运行状态监测和性能评估,最后以此为基础实现智能阀门故障诊断系统。本文的主要研究内容如下:提出全种类故障识别算法SPS-VFD。针对气动阀门故障诊断机理模型进行研究,利用基准平台DAMADICS生成调节阀无故障和19种故障的多维度传感器数据,通过分析和研究基于该平台的故障诊断方法,发现主要存在识别故障种类不全、故障数据之间因相似程度高而难以辨别、故障数据特征提取能力差、故障识别效果不好等问题,因此,为解决上述问题,本文设计了SPS-VFD(Sliding Window-Particle Swarm Optimization-Staking-Valve Fault Diagnosis)算法。具体流程如下:首先,引入一种时间序列处理方法,通过探究滑动窗口最佳窗口大小与滑动间隔完成故障数据在时间轴上的划分,使其能够在连续子序列中对特征进行增强,同时又能够学习到整个时间维度上的特征;其次,在经过滑动窗口的数据处理后,从10个基分类器中选出在全故障数据上表现较好的5个分类器,并利用粒子群优化算法对其优化;最后,针对单个模型不能充分学习故障数据不同分布情况,引入Stacking融合模型思想提高模型的泛化性能。实验结果表明,该算法在全种类故障上识别准确率(Accuracy)达到98%,故障发现率(FDR)达到99%,优于其他进行对比的算法模型。实现阀门故障诊断和性能评估系统。以某公司DN50单座直通气动阀和第二代智能定位器为实验平台,采用C/S(Client-Server)架构,使用C#、python开发语言在Windows Form平台下设计并实现智能阀门故障诊断系统。该系统主要分为五个子系统,分别为实时监控、性能评估、故障诊断、通信管理、数据管理。具体来说:实时监控完成传感器监控、故障报警与强制控制;性能评估通过自检、阶跃、压力行程、压力供给四个实验完成调节阀性能评估;故障诊断将SPS-VFD诊断算法嵌入其中,通过上传连续传感器数据后给出诊断结果;通信管理作为上下位机沟通的支撑,将所有HART指令进行封装、实现发送与解析,并进行通讯的异常检测;数据管理则为系统辅助模块,首先实现调节阀不同组成部分的参数管理与设置,其次对调节阀运行的具体信息进行统计,然后对实验过程数据进行管理与保密,最终生成完整的诊断报告。此外,该系统在中小型调节阀上完成系统测试。
基于粗糙集理论的智慧用电监管系统研究与开发
这是一篇关于智慧用电,物联网,粗糙集,故障诊断,分布式缓存的论文, 主要内容为在当前经济加速发展和城市化建设持续推进的大背景下,智慧城市中部署了大量用电设备作为数据收集的基础设施,便利了城市环境中海量数据的收集。但是,大量智能用电设备的部署导致城市内部线路盘根错节,给城市治安和居民生命安全带来了巨大隐患。因此,如何有效防范电气线路隐患,避免电气火灾等紧急事件的发生是当前研究的热点问题之一。得益于物联网、人工智能、云计算等新一代信息技术的快速发展,通过智能传感设备从现场采集实时数据,再利用新一代信息技术对数据进行建模和监测,可以有效提高电气火灾预警的能力,使得智慧电气消防成为了可能。本文旨在构建一个智慧用电监管平台,实现对电气隐患的监测和预警,以及消防资源的实时监管。首先,本文对智慧用电监管平台的使用需求进行了全面的分析和研究,根据业务划分与功能需求将管理平台设计为五大子系统,分别用于解决数据可视化、电气隐患监测、报警、消防资源监管、消防巡查等任务。其次,通过结合物联网、大数据分析等技术对管理平台的物理结构、逻辑分层和技术架构进行了设计。然后,利用粗糙集理论对采集到的隐患因子数据进行属性约简,得到故障决策表,再依据数据的特征对当前存在的电气故障进行诊断。此外,针对智慧用电项目存在高并发和高可用的运营需求,利用Codis分布式缓存以提供服务;针对如何达到智慧城市中用电监管高可用性的需求,对原生Codis架构进行了优化,并在原有的缓存架构之上设计了一个高可用保障层。最后,将基于粗糙集的诊断机制整合进系统的分析模块,再通过不同架构系统间的对比测试实验,发现基于优化后的Codis架构管理平台在扩展性、稳定性、响应速度上都优于原生缓存架构平台。图39幅,表17个,参考文献63篇
MVB网络在线故障诊断系统设计与实现
这是一篇关于MVB网络,故障诊断,专家经验,B/S架构的论文, 主要内容为多功能车辆总线(Multifunction Vehicle Bus,MVB)承担着车辆内部设备间的数据交互任务,其可靠性是列车稳定运行的基础。由于缺乏可靠的在线故障诊断系统,无法及时获取故障数据,导致MVB网络故障诊断准确率不高。因此,研究MVB网络在线故障诊断系统,对提高故障诊断准确性及列车运行可靠性具有重要意义。本文以MVB网络为研究对象,设计实现在线故障诊断系统的软件部分,包括数据分析与故障诊断软件和可视化网络监控管理软件,从而实现MVB网络在线监控及故障诊断。本文主要研究内容如下:(1)深入研究MVB网络通信协议并进行故障分析,采集了网络在正常和故障时的物理层波形数据。将数据预处理后提取出特征指标,并实现了故障诊断。同时,将特征提取和故障诊断算法以任务的形式进行管理,实现算法的自由部署。(2)对提取的大量稳态幅值、超调等特征数据进行统计分析,旨在找到特征间的关系规律,并采用产生式规则表示法建立了规则元素关系表,通过查询该表实现了基于专家经验的故障诊断。同时,引入SVM(支持向量机)算法提高了系统故障诊断的可靠性。(3)针对基于C/S(客户端/服务器)架构的在线诊断装置灵活性较差的情况,实现了基于B/S(浏览器/服务器)架构的可视化网络监控管理软件。该软件通过HTTP协议将服务端处理后的波形、特征指标等数据传输到前端界面,从而实现MVB网络在线监控及故障诊断可视化。(4)搭建MVB网络通信实验平台,并模拟远端端接、双端端接等常见网络故障。通过登录可视化网络监控管理软件,测试数据采集、特征提取、故障诊断等功能,验证软件系统有效性的同时验证了专家经验算法、SVM算法故障诊断的可靠性。
融入故障诊断技术的监控设备状态监测平台的研究和实现
这是一篇关于监控设备状态检测平台,故障诊断,Relim算法,故障预测,LSTM神经网络的论文, 主要内容为过去几十年,随着各种监控设备的数量激增,设备的故障问题日渐严重,故障诊断技术越来越受到人们的重视。与此同时,监控设备生成的数据量也在急剧增长,如何从这些数据中获取有价值的信息,已成为故障诊断领域的研究热点。另一方面,在实际中,监控设备运维费时费力的问题给企业带来巨大困扰。针对监控设备运维难度大、故障难处理等问题,通过实际调研,本文设计开发了一个监控设备状态监测平台,对监控设备进行高效率的运维管理,并且针对平台在管理监控设备过程中出现的故障问题进行研究,利用平台采集的监控设备数据,提出相应的解决方法,改善平台体验。论文主要工作有:(1)使用Relim算法对监控设备状态监测数据进行挖掘,生成监控设备的故障关联规则,对监控设备故障进行分析。监控设备数据具有模式长且数据量大的特点,基本的Relim算法不能很好的解决当前问题,因此,引入超团模式并且提出频繁项集分解的方法。实验表明,改进后的Relim算法能提高对监控设备状态数据的挖掘效率,提升性能。(2)为了能更精确地预测监控设备故障,建立了基于LSTM神经网络的监控设备故障预测模型。在提取监控设备时间序列数据的特征的过程中,发现监控设备的故障类型众多,训练过程中有多种参数,手动调参数比较复杂,因此引入优化后的人工蜂群算法对LSTM模型进行参数调优。通过对故障预测模型的训练,使得模型在面对不同采集频率,不同故障类型的数据时,故障预测率可达到96.6%。实验证明改进后的LSTM故障预测模型能很好的应用在系统中。(3)使用Spring MVC+Rabbit MQ+Vue.js技术设计并搭建了一个通用监控设备状态检测系统,并且将两种故障诊断方法融入到系统中,在系统上实现故障诊断技术,解决监控设备的故障问题。最后,对系统的功能和性能进行了测试,结果表明平台对监控设备运维管理的高效性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码导航 ，原文地址：https://m.bishedaima.com/lunwen/45355.html
