变压器故障诊断与多传感器信息融合

运用多传感器信息融合理论和技术 ,针对电力变压器故障诊断的特点与要求 ,提出了基于融合技术的变压器故障诊断信息处理系统的一般结构和变压器故障诊断决策模型。并对信息融合技术应用于变压器状态的实时监测的应用前景进行了初步探讨     

多传感器信息融合技术在工业中的应用

对多传感器信息融合进行了简要的综述,进而提出了信息融合的一般结构,结合智能故障诊断系统的特点,研究了基于信息融合技术的诊断系统结构。     

旋转机械故障诊断的量子神经网络算法

针对故障模式之间存在交叉数据的诊断不确定问题，将多层激励函数的量子神经网络引入多传感器信息融合之中，提出一种基于量子神经网络的多传感器信息融合故障诊断算法。并将其应用到旋转机械故障诊断中，通过测试被诊断设备的振动速度和加速度信号，求出两传感器对各故障模式的故障隶属度，利用多层激励函数的量子神经网络进行信息融合，得到融合的各故障模式隶属度值，确定真正的故障模式，提高了故障诊断的准确率。     

多传感器信息融合技术及其在旋转机械振动故障诊断中的应用

对多传感器信息融合技术作了简要介绍，并结合旋转机械振动故障诊断系统的要求与特点，探讨了信息融合技术用于故障诊断系统的基本层次结构。将信息融合的层次与故障诊断的功能相对应，提出了旋转机械振动故障诊断的信息融合模型，进而对旋转机械振动故障诊断系统中信息融合在不同层次上的实现方法进行了讨论。     

基于多传感器信息融合和神经网络的汽轮机故障诊断研究

针对传统故障诊断方法存在的诊断准确性不高的问题,提出了基于D-S证据理论的多传感器信息融合技术与BP神经网络相结合的方法,实现对汽轮机的机械故障诊断.由多个传感器采集振动信号,分别经小波变换特征提取后获得故障特征值,再经BP神经网络进行故障局部诊断,得到相应传感器对故障类型的基本可信任分配函数值,即获得彼此独立的多个证据,然后运用D-S证据理论对各证据进行融合,最终完成对汽轮机机械故障的准确诊断.实验结果表明,该方法克服了单个传感器的局限性和不确定性,是一种有效的故障诊断方法.     

基于信息融合的模拟电路故障诊断方法分析

采用2种基于信息融合故障诊断方法,说明用于模拟电路故障诊断的特点.首先利用指定频率下可测点电压、不同测试频率下输出端电压和测试元件的温度3组测试数据,分别用一个改进的BP网络对电路状态进行预处理,得到每个传感器对各待诊断元件的隶属度函数分配,再分别用模糊融合和D-S融和算法进行决策层信息融合并进行故障定位.仿真结果表明:信息融合方法能够克服基于单一信息诊断的不足,提高电路故障诊断的正确率,对单、多软、硬故障均可识别,D-S融合算法在解决电路故障诊断中的不确定性问题方面优于模糊融合.     

基于多模态堆叠自动编码器的感应电机故障诊断

针对感应电机多源监测数据利用率不高,难以有效融合多传感器信息进行电机故障的准确识别等问题,提出了一种多模态堆叠自动编码器模型(MSAE)。该模型直接从原始信号中获取其最为显著的特征向量,有效减少了手动提取特征指标造成的故障信息遗漏,并能学习到多源信号的共享表示实现多源融合的故障诊断,为融合多传感器信息的设备故障诊断提供了新思路。实验证明,与使用单一传感器信息的堆叠自动编码器模型、具有同样隐藏层结构的多层感知机以及使用手动提取特征的支持向量机相比,提出模型具有最高的诊断准确率(94.84%),并在振动信号被噪声损坏的情况下展现了良好的适应性。因此该方法可用于多传感器融合的感应电机故障诊断。     

基于信息融合技术的旋转机械故障诊断

对多传感器信息融合技术作了简要介绍,并结合旋转机械振动故障诊断系统的要求与特点,探讨了信息融合技术用于故障诊断系统的基本层次结构。将信息融合的层次与故障诊断的功级相对应,提出了旋转机械振动故障诊断的信息融合模型,神经网络和证据理论相结合应用于故障诊断的新方法,提高了故障诊断系统的灵活性,故障诊断的效率和准确性。     

基于模糊遗传神经网络的信息融合故障诊断技术及其应用

在基于广义模糊加权型推理的模糊神经网络基础上,融合非一致性遗传算法,建立了一种模糊遗传神经网络。利用模糊遗传神经网络技术建立信息融合中心,对多传感器数据进行融合处理,通过多源互补信息减小故障诊断系统的不确定性。讨论了模糊遗传神经网络多传感器信息融合方法中数据处理、特征向量维数压缩与关联、归一化处理方法等。同时,对模糊遗传神经的构造以及学习训练等内容,也作了较为详细的讨论。并对模糊遗传神经网络信息融合技术应用于变压器状态的实时监测的应用前景进行了初步探讨。     

基于多数据融合的电机故障诊断方法研究

电机作为各类电驱设备的主要动力装置,具有结构简单、控制方便、能效高、无污染等优点。在电机运行过程中,受载荷多变、零部件老化、散热条件差等影响,故障频发,进而降低电驱装置的工作效率和稳定性。此外,电机故障种类繁多,各故障的征兆与表现又极其相似,不同故障产生的原因也错综复杂,这极大地提高了电机故障诊断的难度。传统的电机故障诊断过程中多是基于单一传感器信号,存在不确定性大、诊断精度差等问题,为克服上述缺点,提出一种基于多传感器参数融合的电机故障诊断方法,基于振动加速度计和电流传感器信号,结合BP神经网络算法和D-S证据理论对电机故障进行准确辨识,提高电机故障诊断的准确性。简要介绍了多传感器数据融合技术的结构框架,在分析异步电机典型故障机理的基础上,对基于BP神经网络学习算法和D-S证据理论的多传感器数据融合电机故障诊断系统进行详细分析,并通过实例对所提出故障诊断方法的有效性进行验证。研究结果表明,采用所提出的多数据融合电机故障诊断方法可以高置信度地诊断出电机的故障类型。     

基于开机过程信息融合的水电机组故障诊断方法

为保证水电机组运行的可靠性,通常采用基于振动频率分析的故障诊断技术。但是水电机组故障类型间存在重叠的频率特征,仅凭频率分析不易确定故障类型。因此,文中采用信息融合技术,引入开机过程中的时间和空间特征信息,在特征层采用支持向量机作为信息融合手段,在决策层采用D-S证据理论进行信息融合。实验结果表明,信息融合增加了故障诊断的特征信息,提高了故障诊断系统的诊断能力。     

信息融合技术在水轮发电机组故障诊断中的应用

本文讨论了水轮发电机组故障征兆的特征选择与提取。基于信息融合技术的思想,从设备故障诊断的实际出发,建立了基于信息融合技术的神经网络证据融合故障诊断系统,即通过故障特征信息的有效组合,用各种子神经网络从不同侧面对设备故障进行初步诊断,然后对诊断结果应用DempsterShafer证据理论进行决策融合。诊断实例表明,经过多故障特征信息融合,诊断结论的可信度明显提高,可以有效提高确诊率。     

基于特征提取与INGO-SVM的变压器故障诊断方法

针对使用支持向量机(support vector machine,SVM)对变压器进行故障诊断时有效特征提取困难、模型参数难以选择的问题,提出一种基于特征提取与INGO-SVM的变压器故障诊断方法。首先,使用核主成分分析(kernel principal component analysis,KPCA)方法对构建的21维待选特征进行特征融合和低维敏感特征提取。其次,使用佳点集、随机反向学习和维度交叉学习等策略对北方苍鹰优化算法(northern goshawk optimization,NGO)进行改进。通过2个典型测试对改进北方苍鹰优化算法(improved northern goshawk optimization,INGO)进行性能测试,验证了INGO算法的优越性。然后,基于KPCA提取的低维敏感特征,使用INGO对SVM的参数进行组合寻优,建立基于KPCA特征提取与INGO-SVM的变压器故障诊断模型。最后,对不同变压器故障诊断模型进行实例仿真对比实验。结果表明：所提方法故障诊断精度高、稳定性好,更适用于变压器的故障诊断。     

基于多维度信息融合的实用型变压器故障诊断专家系统

针对由于变压器结构复杂而导致其故障诊断的快速准确判断越来越依赖于大量信息的融合处理的情况,建立了基于多维度信息融合的实用型电力变压器故障诊断专家系统。首先分析多维度信息融合模型结构,给出基于因子分析计算各维度信息融合权重的方法,再构建基于多维度信息融合的专家系统,分析该专家系统的诊断流程,对多维度信息的识别、选择和判断进行了研究,最后结合110 kV变压器案例进行验证。结果表明,该专家系统逻辑简单、诊断精度高、诊断快速,可嵌入智能终端装置,为现场工作人员提供智能专家诊断。     

基于信息融合和CS-SVM的变压器绕组变形故障诊断方法研究

变压器绕组在遭受短路故障后易产生变形,传统的频率响应分析或短路阻抗分析在绕组变形检测过程中具有一定的片面性。提出一种基于信息融合和CS-SVM(布谷鸟优化的支持向量机)的变压器绕组变形故障诊断方法,通过将绕组变形相关的检测数据融合成SVM的输入样本,并放入根据人工经验训练好的CS-SVM来进行诊断。Matlab仿真结果表明,此方法具有良好的抗干扰性,能够较好地诊断出变压器绕组状态。最后再结合某变压器具体实例进行相应验证。     

一种大规模电网故障诊断的多智能体信息融合模型与方法

传统的故障诊断方法仅针对保护信息进行分析,没有充分利用电气量信息反映出的电网故障特征信息.提出多智能体系统(MAS)框架信息融合模型,针对大规模电网的结构和特性,集成多种故障诊断方法,在不同区域对故障录波器、SCADA系统、保护故障信息管理系统(RPMS)等获得的故障信息进行分析,采用D-S证据理论信息融合技术,进行信息融合获得局部的故障诊断,然后通过全局故障诊断确定故障元件,实现大规模电网实时快速的故障诊断.仿真计算表明,所提出的模型与方法正确、有效.     

基于智能信息融合的模拟电路故障定位方法

针对模拟电路故障诊断中存在的测试信息不足、故障定位准确性较低等问题,提出了一种应用智能信息融合技术的模拟电路故障定位方法.该法首先分别采用可测点工作电压及不同测试频率下的电路增益,各用一个独立的神经网络依据改进的BP算法对电路实施初级诊断;然后根据初级诊断结果,运用模糊融合诊断方法进行故障定位.所提方法能充分利用故障信息,对模拟电路的软故障与多故障均可进行诊断,故障定位准确率高.     

基于多源信息融合的电网故障诊断方法研究

考虑到电力系统自动化水平及通信、广域测量技术的发展,提出了一种综合SCADA开关量、故障录波器电气量及WAMS系统电气量的多源信息融合电网故障诊断方法。该方法将蕴含故障信息的电气量分析与开关量诊断相结合,对电网故障采集的电气量通过小波能量分析提取故障特征,采用蕴含时序贝叶斯网络对保护、断路器开关量进行故障推理,定义了能量畸变故障度、能量故障度、改进RBF神经网络故障度及时序贝叶斯故障度衡量线路故障程度,并作为证据体采用改进D-S证据理论进行信息融合,进而通过模糊C-均值聚类方法给出故障诊断决策。PSCAD     

基于 SVD-VMD 和 SVM 滚动轴承故障诊断方法

针对故障滚动轴承振动信号中含有干扰信号,难以准确提取出故障信息,提出了一种基于奇异值分解(SVD)、变分模态分解(VMD)、和支持向量机(SVM)的滚动轴承故障诊断方法。首先利用奇异值分解对信号进行处理,根据奇异值峰度差分谱来确定分解后重构矩阵的有效阶数,然后根据该有效阶数重构信号,对重构后的信号进行VMD分解,根据上述有效阶数确定分解的本征模态函数(IMF)分量的个数,从分解后的IMF分量中提取故障特征参数,将其作为支持向量机的输入参数进行故障诊断。最后采用合肥工业大学轴承试验机进行验证,并与直接进VMD分解及基于带通滤波器信号去噪的故障诊断方法进行对比,结果表明该方法能有效识别滚动轴承的故障类型,可用于滚动轴承故障诊断。