基于机器学习的故障诊断
项目背景
随着实际工程系统复杂性的快速增大，其呈现出的模型不确定性、系统非线性、多变量强耦合等特点更加突出。与传统的基于解析模型的方法相比，智能故障诊断方法则不需要精确的系统数学解析模型，可以直接通过对工作过程中采集到的信号进行分析和处理，从而达到故障诊断的目的。同时，传感器技术的发展也为智能故障诊断方法中的数据获取提供了可行性。
简介
基于压缩感知、随机森林、递归卷积神经网络、径向基函数神经网络等方法的故障诊断研究。
合作
技术优势
通过改进距离评估技术，提出了基于改进的敏感特征选择和递归最小二乘反向传播神经网络的故障诊断方法，结合利用多通道信号提取对分类敏感的时频域特征参数，有效应对复杂多工况下的多故障分类，发展了具有动态模型适应性和递推训练能力的旋转机械故障诊断新方法。
应用场景
旋转机械作为一种依靠旋转动作完成特定功能的机械，在我国工业化进程中起着重要作用，各类旋转机械如水轮机、汽轮机、燃气轮机、风力涡轮和航空发动机等，被广泛应用在电力、石化和航空航天等领域。随着对机械设备安全性、可靠性等的要求不断提高，针对旋转机械中的各类故障诊断问题的研究日益重要。本项目综合考虑旋转机械的结构、工作特点以及神经网络的算法特色，通过将神经网络引入到旋转机械故障诊断中去，充分利用其在数据处理方面以及类别辨识优势，解决旋转机械数学建模困难、工作数据繁杂易受干扰等问题。
知识产权
CN111967364B 复合故障诊断方法、装置、电子设备和存储介质