用稳健的最小截平方和(LTS)估计检测气动数据中的异常,但气动数据是海量和高维的,使得LTS要求解的矩阵维数很大,造成巨大的时空开销。为此,引入迭代的奇异值分解(ISVD)求解LTS的最小二乘问题,实现更快的异常检测。实证分析采用某飞行器外形数据,分别运用OLS,FastLTS以及ISVD-FastLTS对数据集进行异常检测和对比分析。实验证明,相比于传统方法,ISVD-FastLTS能更加快速且准确地识别异常值。

针对传统大型旋转机械健康状态评估中过分依赖人工经验和对复杂信号的处理通用性较差的问题,基于对抗自编码模型提出一种误差阈值异常检测方法。直接利用设备振动信号进行特征提取与运行状态建模,利用正常状态下设备的振动状态数据建立分布模型;通过深度学习的方式学习振动数据的内在特征,并引入误差阈值作为故障预警的决策准则,实现设备运行状态的高效评估;以一台高转速离心泵为测试对象验证所提方法。结果表明:对抗自编码模型对异常数据的判断准确率能达到100%,该方法能够基于监测数据对旋转设备运行状态进行有效检测;相比于传统自编码神经网络,该方法的诊断准确度和精度大幅提高。

目前柱塞泵的故障诊断普遍采用监督式机器学习,但实际工程应用中难以收集到大量带有标签的故障训练集。提出一种无监督式机器学习的柱塞泵异常检测方法,在训练阶段仅需要柱塞泵健康状态下的振动数据。同时,为了提升在不同工况下柱塞泵的异常检测性能,对柱塞泵壳体上多个方向的振动信号进行融合,将其时频图合成为RGB图像。通过变分自编码器重建图像,根据输入输出图像的差异度确定柱塞泵异常检测的阈值。通过故障模拟试验台所采集的柱塞泵典

液压柱塞泵出口压力脉动信号近似于周期信号,有比较明确的物理含义,携带着丰富的泵的健康状态信息,是柱塞泵健康管理比较理想的信号源。利用柱塞泵出口压力上的脉动成分,提出一种基于随机卷积核的柱塞泵异常检测方法,只需柱塞泵在正常工况下的压力脉动数据即可具备检测异常压力脉动数据的能力。该方法包括波形划分、异常数据段检测2个阶段:采用基于动态时间规整(Dynamic Time Warping, DTW)数据划分算法对柱塞泵压力脉动原始数据进行分割,获取压力

提出了一种基于SMOTE算法和CART决策树的螺栓打紧质量异常检测模型。该方法采用SMOTE过抽样算法处理螺栓打紧工艺数据类间不均衡问题,在此基础上建立CART决策树模型对打紧工艺的特征信息进行数据挖掘,诊断螺栓打紧质量状态。结合网格搜索和模型交叉验证的参数寻优方法对树深和基尼不纯度的阈值进行参数优化验证。最后,利用参数最优训练模型学习曲线和测试集上ROC曲线下面积AUC值对模型性能进行评价。实验结果表明,该组合模型具有优异的异常检测精度,研究成果可为螺栓打紧质量状态的诊断提供有力支撑。

针对气阀故障异常自动检测迫切需求，针对气阀故障在温度数据的表现特点，即同类气阀正常工作时温度波动一致，故障时温度波动存在差异，采用主成分分析（ PCA）从气阀阀盖温度数据中提取故障特征参数，建立基于径向基函数的故障异常监测模型，实现了故障异常自动检测，并可进一步对故障气阀进行自动定位，为故障早期快速报警奠定了基础。