基于信息融合技术的电机故障诊断

为了从多方面反映电机系统状态,实现对电机故障模式的自动识别和准确诊断,将数据融合技术与神经网络相结合,建立电机故障诊断系统。首先在数据融合级上对故障特征量进行分类处理,然后采用多层神经网络进行故障特征级融合和电机故障的局部诊断,获得彼此独立的证据,再运用DS(DempserShafer)证据理论融合算法对各证据进行融合,最终实现对电机故障的准确诊断。诊断测试试验证明,该诊断系统提高了电机故障诊断的精度,能够满足诊断的实时性要求。     

基于信息融合技术的电机故障诊断

为了从多方面反映电机系统状态，实现对电机故障模式的自动识别和准确诊断，将数据融合技术与神经网络相结合，建立电机故障诊断系统。首先在数据融合级上对故障特征量进行分类处理，然后采用多层神经网络进行故障特征级融合和电机故障的局部诊断，获得彼此独立的证据，再运用D-S（Dempser sha-fer）证据理论融合算法对各证据进行融合，最终实现对电机故障的准确诊断。诊断测试试验证明，该诊断系统提高了电机故障诊断的精度，能够满足诊断的实时性要求。     

多神经网络与证据理论融合的变压器故障综合诊断方法研究

电力变压器发生故障的部位多，故障原因、现象复杂，在故障诊断中，可以通过变压器不同方面的特征信号从不同侧面来反映变压器的故障。因而需要对变压器的多种特征信号进行综合处理和协同分析。该文结合色谱数据和电气试验数据，利用数据融合原理，将神经网络和证据理论进行有机结合，使两者优势互补，提出了多神经网络与证据理论融合的变压器故障综合诊断方法。诊断结果表明，运用提出的融合诊断算法，能充分利用色谱数据和电气试验数据的冗余、互补信息，使基于多种特征信号综合诊断结果的准确性和可靠性比基于单一故障特征的诊断得到有效的提高。     

使用多参量的变压器故障综合诊断技术

为全面综合诊断电力变压器故障,参考已有变压器故障综合诊断方法,结合变压器油中溶解气体数据和电力试验数据,利用自适应遗传算法优化小波神经网络和证据理论融合技术,提出了一种基于多参量的电力变压器故障综合诊断模型。通过故障特征参数的划分分别构建神经网络从不同侧面反映变压器的故障,同时结合证据的重要性、神经网络的输出改进证据体的基本概率分配赋值,充分体现证据体对单个故障模式识别的可信度。诊断结果表明,基于信息融合技术的变压器多参量故障综合诊断比基于单参量故障诊断的诊断性能较好。     

信息融合技术在电力变压器故障诊断中的应用

根据变压器运行原理和结构特点,将信息融合思想引入到变压器的故障诊断中,建立基于信息融合技术的故障诊断模式,即通过曲面拟合算法和证据推理技术从不同侧面,充分利用各种特征信息对变压器的故障进行诊断,来有效地提高确诊率。     

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.     

电气设备故障诊断中的集成神经网络技术研究

为准确诊断出电气设备的故障,使设备能够安全运行,从信息融合的角度,研究集成神经网络实现的诊断技术;通过三级网络的建立,充分利用了各种信息,有效的实施信息融合,提高了设备故障诊断率.将其应用在变压器故障诊断中,取得较好的诊断效果.     

基于多信息融合的变压器故障诊断

目前变压器故障诊断中,以油色谱数据为主的诊断方法信息量不足,同时,基于单一智能算法的故障判断能力有限。鉴于此,文中构建了一种基于多信息融合的变压器故障诊断模型。该方法首先将电气试验等数据与17组油中特征气体含量比值相结合作为故障特征量,以获得更丰富的故障信息,并采用特征敏感性评估与核主元分析方法对所选定的故障信息进行特征降维融合,以实现多层面故障信息的互补。其次,将降维融合后的9维特征量分别作为BP神经网络、SVM及贝叶斯方法的特征输入,进行故障类型的初步判定。最后,若初步诊断结果不存在分歧,则直接得出结论;否则,基于证据理论方法分别计算各证据体的基本信任分配,并运用Dempster组合规则进行决策融合,以做出更合理的故障判断。实例分析表明,该方法有效解决了信息单一和方法单一的问题,且有效提高了故障识别准确率。     

证据理论在电机故障诊断中的应用

D-S证据理论作为一种非精确推理算法具有独特的优势,非常适用于存在大量不确定性因素的电机故障诊断工作。提取故障电机的状态特征量,并将其按时域、频域、奇异值分解为多个子参数空间。在此基础上,采用并行BP神经网络及模糊聚类系统对电机故障进行局部诊断。将每个局部诊断结果作为独立的证据体,构造相应的信度分配函数。结合电机故障的信息融合诊断模型,将基于D-S证据理论的决策融合的方法应用于电机故障诊断。通过对案例进行分析,实现了利用多证据体的融合信息对电机故障状态进行诊断,其诊断结果验证了D-S证据理论在提高电机故障诊断的准确性和灵敏性方面的作用。     

基于信息融合的变压器故障多级诊断方法

建立了基于信息融合的变压器故障多级诊断模型,该模型融合了在线监测、油中溶解气体、电气试验等多源数据信息。采用自适应遗传算法优化的小波神经网络对变压器故障进行初级诊断,通过改进D-S证据理论对初级诊断结果进行决策级融合,实现对变压器故障的深度诊断与定位。通过应用实例证明,该方法可以有效提高变压器故障诊断的精度和可信度,减小诊断的不确定性。     

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。     

空调制冷系统智能故障诊断方法研究

在现有的空调故障诊断方法及发展趋势的基础上。提出将产生式规则、模糊逻辑和神经网络相融合。进行故障智能诊断的方法,以故障诊断案例中的实测参数为训练样本对其性能进行仿真。仿真结果表明,基于产生式规则的模糊神经网络推理精度高,推理结果能直观反映空调制冷系统的故障模式。     

基于神经网络的异步电动机信息融合故障诊断系统

针对传统异步电动机故障诊断方法中存在的局限性,在对异步电动机故障诊断的特点和要求基础上,提出了一种基于神经网络的信息融合故障诊断方法.对所采集异步电动机的电压、电流、绕组温度等进行数据预处理与特征提取、归一化后,把这些特征参数作为神经网络的输入,经过学习训练,以判断系统状态,识别系统的故障.仿真实验结果表明其故障诊断是可行和有效的.     

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.     

基于最小二乘加权融合集成神经网络的电力变压器故障识别

提出了一种基于最小二乘加权融合集成神经网络的变压器故障识别新方法.首先对色谱分析法检测到的特征气体含量进行数值预处理,提取出故障识别所需的6个特征量,再应用5个不同结构的BP子网络分别进行识别,接着运用最小二乘加权融合算法对各个子网络的识别结果进行信息融合,最后根据融合结果来识别故障.与单个神经网络识别方法相比,该最小二乘加权融合集成神经网络可在故障特征比较类似的情况下,正确识别故障类型,且该方法的识别结果具有更大的安全间隔空间、可靠性更高.测试结果也表明了这些特征.     

改进证据理论与神经网络集成的变压器故障诊断

针对变压器故障类型的多样性以及故障信息的不确定性等问题,提出了证据理论与神经网络综合集成的故障诊断方法。为实现Dempster合成规则在强冲突证据间信息融合后可信度分配的合理赋值,引入了信任系数的概念,对融合结果进行修正,并应用于最大-最小蚂蚁系统与神经网络算法所形成证据体的合成之中。实验仿真结果表明,该方法可以在初级诊断模块的判断结果出现严重分歧的情况下,仍得到较好的符合性判定结论,从而实现对变压器故障的有效诊断。     

基于多传感器振动信号融合的真空断路器故障诊断

根据真空断路器故障诊断特点,提出了小波包、RBF神经网络与D-S证据理论相结合的决策层信息融合诊断方法。首先,运用小波包—能量谱分析方法对振动信号进行分解处理,提取特征向量,并以此作为诊断的依据;其次,建立神经网络模型,以特征向量为RBF神经网络的输入,进行断路器初步故障诊断;然后将诊断结果作为对各种故障模式的基本概率分配值,利用D-S证据理论,实现对初步诊断结果的融合,从而得到最终的融合诊断结果。实验结果表明,该方法诊断真空断路器故障能取得良好的效果。     

基于两轴振动和多传感器融合的变压器绕组机械故障诊断

针对传统变压器绕组机械故障诊断方法中，仅考虑绕组单一方向振动信号且特征参数提取复杂、识别准确率低的问题。本文提出了一种基于两轴振动和多传感器融合的变压器绕组机械故障诊断方法。首先从绕组轴向、辐向振动相关性角度提出两轴振动关系图形作为特征图像；然后采用轻量级卷积神经网络MobileNet V2对不同传感器获得的图像数据进行训练；最后利用D-S证据理论对多维信息源识别结果进行融合，并做出最终决策。实验结果表明所提方法故障诊断准确率可达99.4%,与传统故障诊断方法相比，简化特征提取步骤，诊断准确率提高了6.2%以上，为变压器绕组机械故障诊断提供一种可行方案。