传统风力发电机对于系统故障的解决方案是有限和预先确定的,而具有大量传感器数据的故障预测诊断可以有效预防可能发生的系统故障,从而降低设备维护成本。为此,提出一种基于DBSCAN-ML的风力发电机故障诊断策略。基于密度的应用噪声算法空间聚类(DBSCAN)从正常状态数据中分类出异常状态的风力机数据,然后采用决策树和随机森林算法2种机器学习(ML)算法构建预测模型,最后使用K折交叉验证进行测试。通过广西31台风力发电机组数据对此故障诊断方案进行案例验证。结果表明DBSCAN算法可以有效分离异常状态数据,且决策树预测模型和随机森林模型可以分别获得92.7%和92.1%的准确率,通过数据挖掘和建模可以检测风力发电机组的故障,并可以预测部件的维护需求。

采煤工作面实际生产中,受顶板条件、采动、液压支架姿态影响,液压支架初撑后立柱压力可能发生变化,进而影响支架初撑后承压效果。液压支架在初撑后出现的承压失效可能导致煤壁片帮、架间冒漏、支架前倾、倒架等问题。目前智采工作面液压支架初撑力调控策略大多是直接判断升柱时立柱压力是否达到额定初撑力,缺乏考虑初撑后立柱压力变化引起的承压效果判断。针对上述问题,提出了一种基于立柱压力数据驱动的液压支架初撑后承压效果即时预测方法。将液压支架初撑后3 min内的立柱压力历史数据状况分为6种典型工况,并根据初撑后承压效果的不同将6种典型工况分为有效承压或失效承压;通过相关性分析,确定了影响支架初撑后承压效果的5个特征因素;对立柱压力样本进行有效承压或失效承压人工标注,并进行特征提取,将特征值分别输入决策树...

为充分挖掘串列叶片对压气机扩稳增效的潜能,在对多级轴流压气机末级静子串列改型的基础上,选取不同叶高处前后排叶片相对位置、负载分配、弯掠特征及端壁轮廓等25个参数为设计变量,开展某工业用6.5级轴流压气机末级串列静子叶片与端壁的一体化优化设计研究,并采用随机森林方法对串列叶片几何参数进行特征重要性分析,提炼出串列参数设计指导。结果表明优化后压气机末级在设计工况、近喘工况和近堵工况下的绝热效率分别提升4.81%、3.37%和8.195%;对于末级串列静子,最优串列参数随叶高变化而变化;调整前后叶片的弦长比与弯角比以实现串列叶片负荷前加载、调整叶片后掠与反弯以降低叶片端壁处负荷、设置叶中部分更大的周向交错度使缝隙区流体充分加速,均能有效降低末级串列叶片流动损失;串列叶片缝隙区尺寸,尤其是周向交错度,较其他...

为了提高气动调节阀故障诊断准确率,本文提出一种基于粒子群优化随机森林(PSO-RF)的故障诊断方法,该方法通过粒子群优化算法寻找随机森林中子树棵数和分裂特征数两个关键参数,克服随机森林算法依靠人工设置关键参数的不足。本文搭建了基于PSO-RF的故障诊断模型,并采用Simulink搭建气动调节阀仿真模型,注入7种常见故障,仿真对比分析4种传统方法(RF、支持向量机、贝叶斯分类和k-NN)与所提方法的诊断性能。仿真结果表明,PSO-RF的故障诊断准确率为99%,验证了该方法的有效性。

多重分形去趋势波动分析(MF-DFA)能够有效地揭示隐藏在非线性和非平稳振动信号中的多重分形特征,而液压阀磨损产生的泄露故障信号往往具有非线性、非平稳,且不同严重程度故障信号特征难以辨识,MF-DFA扩展了液压阀的特征提取及故障诊断方法。然而MFDFA去趋势多项式阶数选取的不恰当往往会出现欠拟合或过拟合现象从而产生新的波动误差。为此,提出了一种改进MF-DFA方法实现故障特征提取。通过建立低阶多项式信号轮廓去趋势拟合曲线和不同时间尺度固有模态函数(IMF)之间的相关性,选取最优的IMF模态分量的累计和将其作为信号轮廓的趋势项,进而提取分型谱参数特征。最后,通过随机森林分类器进行故障模式识别。实验结果证实了所提出的方法在电液换向阀内泄漏故障诊断中的有效性。

基于样本熵定义的多尺度熵在量化复杂信号时存在较大偏差,且其采用的粗粒化方法无法有效分析振动信号的高频成分,故障信息的利用程度较低。为解决此问题,提出一种新的振动信号不规则度量化方法——改进层次基本尺度熵(MHBSE)方案。MHBSE通过对时间序列进行层次符号化处理,不仅能够克服样本熵对复杂信号分析不足的缺陷,而且能够充分利用振动信号高频分量中的信息提高特征质量。鉴于MHBSE所具有的优异性能,提出一种新的液压泵健康状况检测方法。利用采集的液压泵振动实验数据对该方法进行有效性检验,实验结果证明,提出方法能够充分提取液压泵振动信号中的故障信息,且所提取的特征能够很好地表征液压泵的不同状态,最终故障识别率达到100%。

针对液压同步提升施工中可能出现的油液泄露问题,结合数字化监控系统,研究基于图像识别的液压同步提升系统泵站接头漏油在线检测技术。首先采用基于运动目标的漏油可疑区域提取,研究Vibe算法,并引入动态抽样因子φ提高背景建模的抗干扰能力;然后提取可疑区域的形状、颜色、纹理特征,为使特征向量维数达到最佳,使用随机森林算法进行特征筛选;采用随机森林进行可疑区域的分类,将动态惯性权重ω引入粒子群算法,利用其对随机森林的参数进行优化。利用PC、USBCAN和液压试验台对漏油检测算法进行测试。结果表明:提出的漏油检测算法对泵站接头漏油有良好的检测效果。

基于机器学习故障诊断方法,针对船用滚动轴承复合故障特征提取多样化的特点,提出一种以振动信号时域指标为特征的随机森林故障诊断方法。将振动时域信号进行清洗转换,构造5个量纲一化指标的衍生特征,并选取以决策树为基本分类器的随机森林算法建立训练模型;通过特征筛选、评估测试和模型优化得到较为理想的故障诊断分类模型;采用滚动轴承竞赛数据集进行模型仿真,并结合实际模拟8种船用滚动轴承故障状态。通过三向振动实验和算法建模,证明特征提取的科学性和故障诊断模型的有效性。结果表明:采用该方法,数据仿真诊断准确率为98.61%,实验诊断准确率为98.85%,且该方法在振动采集方向为轴向时诊断效果最优。

针对不同轴承数据特征选择困难和单个分类器方法在滚动轴承故障诊断中精度较低的问题,提出了一种基于分类回归树（CART）的随机森林滚动轴承故障诊断算法。随机森林是包含了多种分类器的集成学习方法。通过随机森林的＂集成＂思想来提高滚动轴承故障诊断的精度。从滚动轴承的振动信号中提取时域统计指标,将其作为特征向量,利用随机森林（Random Forest）对滚动轴承故障进行诊断。利用SQI-MFS实验平台的轴承数据,与传统分类器（SVM、k NN和ANN）以及单个分类回归树的诊断结果相比,随机森林算法具有比较高的诊断精度。

在旋转机械的智能故障诊断中,复杂网络结构的非监督学习方法调节参数多,训练时间长,而结构简单的网络诊断准确率不够理想。针对以上问题,采用模糊信息粒化和稀疏自编码器搭建并行结构的学习网络,并行结构的稀疏自编码器同时对粒化后重新构成的多个有效参量信息自适应的进行特征提取,随后使用随机森林方法对提取的特征进行融合分类。实验结果表明该方法可以有效实现高精度故障诊断;且与常用的串行多网络处理结构相比,降低了网络参数调节的复杂度和多层网络的前后影响,并且提高了诊断精度,减少了训练时间。