基于数据挖掘的智能电网故障处置辅助决策系统

为了助力调控员处理电网故障,推动智能电网高效运作,针对主电网故障数据难以聚类,能耗控制效果较差的问题,搭建基于数据挖掘的智能电网故障处置辅助决策系统。利用温度、位移、电压传感器等采集主电网运行数据,传输至信息处理模块识别过滤信息,滤除冗余信息保留告警信息,并汇总、分类处理告警信息,处理后传输至告警信息展示模块中,集中展示;故障处置辅助决策模块接收告警信息,同时通过故障检测子模块的K-means聚类算法及卷积神经网络识别故障类型,通过辅助决策子模块输出相应处置预案信号,在线离线分析模块接收信号后,实时保存故障视频,储存至可视化故障回放子模块,并针对同类型故障自动生成故障预案,供后续自动判别处置方案,传输至用户模块,方便调控员实时调阅进行报表智能查询。实验结果证明,该系统能够实时检测主电网故障数据并做出相应辅助决策;能耗控制方面表现突出,聚类及数据挖掘效果优秀。     

基于稠密卷积网络的轴承故障诊断

轴承故障诊断非常依赖故障特征的提取,为了实现基于原始数据的更加直接的故障诊断,提出一种基于稠密卷积网络的轴承故障诊断方法。该方法首先将原始一维数据规范化,再输入到稠密块网络并结合softmax分类层来自适应学习轴承振动信号的有效特征,进而实现分类。实验中运用西储大学所提供的轴承故障数据库测试了网络的有效性,并且与其他常用轴承故障诊断网络进行对比。研究结果表明所提网络对基于轴承振动数据的故障类型识别准确率明显优于其它网络,特别是针对混入一定噪声的故障数据,仍然可以达到较高的诊断精度,因此有不错的抗噪声性能。     

基于浅层Inception-MobileNet旋转机械故障诊断

针对现有的旋转机械故障诊断算法存在着时频表示模糊、特征提取困难，从而导致故障诊断效率和精度低的问题，提出一种基于浅层Inception-MobileNet 的旋转机械故障诊断模型。该模型通过拼接法将原始振动信号转换为二维图像，然后采用多尺度卷积核提取不同分辨率的特征图，并结合深度可分离卷积实现特征学习与分类。该网络在CWRU数据集和MFPT数据集上分别实现了十种故障分类和三种故障分类，分类精度为99.5 %和95.78 %。与传统的网络进行比较，该网络可提高特征提取能力，并且在相同数据集上该网络实现的故障识别精度最高。     

基于深度置信网络与信息融合的齿轮故障诊断方法

针对齿轮在复杂运行工况下故障特征提取困难,传统故障诊断方法的识别精度易受人工提取特征的影响,以及单传感器获取信息不全面等问题,提出基于深度置信网络(DBN)与信息融合的齿轮故障诊断方法。通过多传感器信息融合技术对每个传感器采集的振动信号进行数据层融合;利用DBN进行自适应特征提取从而实现故障分类。为了避免因人为选择DBN结构参数,导致模型识别精度下降的问题,利用改进的混合蛙跳算法(ISFLA)对DBN结构参数进行优化。试验表明,与BP神经网络、未经优化的DBN以及单传感器故障诊断相比,该研究提出的信息融合及优化方法具有更高的故障识别精度。     

基于广义回归神经网络-柔性最大值分类模型的轴承故障诊断方法EI北大核心CSCD

针对复杂工况下的滚动轴承振动信号,提出一种基于广义回归神经网络-柔性最大值分类模型的故障诊断分类方法,实现故障模式的识别。对滚动轴承振动信号进行变分模态分解,特征提取等预处理得到特征数据集,并将其划分为训练集,验证集和测试集;使用训练集和验证集训练广义回归神经网络-柔性最大值分类模型,同时引入灰狼优化算法优选该模型的关键参数平滑因子得到理想的分类模型;将训练好的模型应用测试集,输出故障识别结果;通过模拟试验采集不同工况下的轴承故障数据,进行方法有效性验证。结果表明该方法能在小样本训练集下实现对不同工况下的轴承故障的有效诊断,是一种适用于实际工况的故障诊断方法。     

非线性复合FSVM在设备故障诊断中的应用

为了提高设备故障诊断的精度和准确性,利用模糊支持向量机（fuzzy support vector machine,FSVM）,处理设备故障样本中的噪声数据。单个核函数构成的FSVM可以处理单一特征的样本集,但不能满足现有设备故障分析实际应用的需求。本文在现有核函数的基础上,进行复合核函数构建,可以有效解决设备故障样本集异构和分布不规则的特征,并可以对于故障进行有效分析,得到较为诊断准确的研究结果。通过对滚动轴承故障实验数据的分析,证明基于复合核函数的FSVM方法,可以有效提高故障诊断的准确度。该方法相比传统FSVM的分析结果,其故障数据信息利用更加充分,故障诊断准确性有效提高,具有较好的有效性和可行性。     

基于子域自适应对抗网络的轴承故障诊断EI北大核心CSCD

现有基于深度学习网络模型的故障诊断方法往往依赖大量有标签数据进行训练,在变工况条件下,模型的诊断精度会有所下降。针对此,为提高变工况条件下的故障诊断准确率,基于域自适应理论提出一种新颖的网络模型——子域自适应对抗网络。该网络模型不仅充分利用了动态卷积的特征提取能力,同时还借鉴了生成对抗网络的博弈思想,使特征生成器和分类器对抗学习,利用每个类别的决策边界对样本进行正确分类;此外,在对抗网络中引入局部最大平均差异,考虑每个类别的细粒度信息,以此来对齐源域和目标域相应的类空间,减小网络模型在决策边界附近的分类误差,从而提高模型对故障类别的识别精度。最终,通过两个数据集对所提出的方法进行试验验证,结果表明模型在变工况条件下具有较强的泛化性能与良好的故障识别精度。     

基于数据挖掘的风电机组叶片结冰故障诊断

针对风电机组叶片结冰故障无法精确预测的问题,提出基于数据挖掘的故障诊断方法。该方法首先采用特征筛选算法从SCADA高维数据种提取故障模式最相关的特征,然后结合类别不平衡学习算法处理高度不平衡的SCADA数据集,最后利用四种分类算法建立风电机组叶片结冰故障诊断模型。结果表明,基于随机森林算法的故障诊断模型具有最好的诊断性能和泛化性能,该方法能够实现风电机组叶片结冰故障的有效诊断,对风电机组的维护具有参考指导意义。     

基于多元图可视化分析和人机交互的设备故障诊断方法研究

针对面向数据的故障诊断方法的局限性,根据多元图表示基本理论,提出了基于多元图表达的经验样本故障模式可视化分析和人机交互(HCI)的故障诊断技术,该技术通过专家参与机器自动识别诊断过程实现了面向对象领域的故障诊断方法和面向数据的故障诊断方法的有效结合,克服了单一机器学习的局限性.采用国际标准UCI数据库中的故障数据库进行...     

基于标准正交判别投影的转子故障数据集降维方法

针对旋转机械智能决策技术的故障数据分类问题,提出一种基于标准正交判别投影(SODP)的转子故障数据集降维算法。该方法从时域、频域及时频域构造原始故障特征集,将振动信号转化为高维特征数据集;运用SODP选择出其中最能反映故障本质的敏感特征子集;将得到的低维特征子集输入到KNN分类器中进行故障模式辨识。用一个双跨度转子系统的振动信号集合进行验证,证明了该方法能够有效地提取出全局与局部判别信息,使故障类别之间的差异性变得更清晰,相应地提高了故障模式识别准确率。研究表明该算法可为实际转子智能故障诊断提供参考。     

基于DS–PCA模型的包装设备滚动轴承故障诊断方法研究

目的 针对包装设备长期连续工作的工作特性,对其滚动轴承的常见失效故障进行分析,提出一种基于DS–PCA模型的滚动轴承故障诊断方法,构建滚动轴承DS–PCA故障诊断模型,实现包装设备中滚动轴承的在线故障诊断。方法 先运用DS证据理论对采集到的滚动轴承径向振动数据和轴向振动数据进行融合,使得信息具有整体完备性,同时对采集信号进行决策规则下的去噪处理,剔除干扰噪声信息;然后利用主成分分析法(PCA)将融合后的振动信号数据进行Q与T²的统计量计算,并通过对故障轴承振动信号的Q与T²统计量计算,确立故障时的经验阈值;最后,依据实时统计量与经验阈值对比,判断滚动轴承是否发生故障。结果 通过对西储大学公开的滚动轴承试验数据分析计算,得到滚动轴承故障诊断准确率达到94%。结论 该方法满足包装设备故障诊断的要求,其应用将有利于提升包装企业的生产质量和效率。     

基于EMD近似熵和DAGSVM的机械故障诊断

故障特征提取的精确性和分类识别的高效率是提高故障诊断准确率和速度的关键.针对此问题,提出一种基于经验模式分解近似熵和决策导向循环图支持向量机的机械故障诊断新方法.首先,对故障振动信号进行经验模式分解, 得到若干个反映故障信息的本征模函数;其次,选取前4个本征模函数的近似熵值作为信号的特征向量;最后,将构造的特征向量输入到决策导向循环图支持向量机分类器进行故障类型识别.仿真表明,该方法能有效地提取故障特征,与"一对一"支持向量机及传统的BP网络相比,具有训练样本少、训练速度快、识别精度高等优点.     

基于PMS的输变电设备故障诊断系统设计

为提高输变电设备故障诊断能力,研究了基于PMS的输变电设备故障诊断系统设计方法.首先,构建系统总体设计构架,采用便携式设备,对故障信息进行采集;再利用传感器技术进行故障信息采集和热成像处理,进而构建输变电设备故障信息PMS特征提取模型,根据振动波形分析和红外图谱分析,实现故障特征的提取和诊断,并构建输变电设备故障诊断的PMS数据信息融合模型,实现输变电设备的多参量自诊断智能巡视方法设计;最后,利用高集成传感信息处理和实时在线检测方法,对输变电设备的健康状态评估及运行趋势进行预测,实现故障实时诊断.仿真结果表明,采用该方法进行输变电设备故障诊断的效率较高,最短可在3 s时间内检测完毕,故障诊断的精准度水平最高可达到89%,具有一定的应用价值.     

基于多样性特征和多源信息的分子泵故障诊断北大核心CSCD

为了实现准确可靠的涡轮分子泵故障诊断,提出了一种基于多样性特征和多源信息的分子泵故障诊断方法。在分子泵实验台上采集到分子泵不同故障下多个测点的振动信号,经过预处理后随机分为训练集和测试集。首先通过改变激活函数形成多个去噪自编码器,之后利用生成的深度自编码器对数据集进行多样性特征提取,最后将提取到的特征用于训练支持向量机(SVM)进行故障分类。实验结果表明该方法可以实现分子泵的准确故障诊断,准确率达到98.9%,而且在训练集不平衡或高背景噪声情况下依旧表现良好。     

基于关联规则分类的冷水机组故障诊断研究

鉴于现有基于数据驱动的故障诊断方法多以黑箱模型为主,诊断过程和结果难以解释的问题,本文提出一种基于关联规则分类的冷水机组故障诊断和故障作用机理解释的方法,在保证较好故障诊断精度的前提下,利用故障诊断模型中的规则库对诊断过程进行逆向分析,解析故障作用机理和模型的诊断过程,提升了基于数据驱动的故障诊断方法的可靠性。通过ASHRAE研究项目1043的实验数据对该方法进行验证。结果表明,基于关联规则分类的冷水机组故障诊断方法可以有效地识别7种典型冷水机组故障,平均故障诊断准确率高达90.84％。此外,提取的规则能够较好地吻合制冷原理及热力学相关知识,可用于故障作用机理分析与故障诊断的进一步研究。     

基于多样性特征和多源信息的分子泵故障诊断

为了实现准确可靠的涡轮分子泵故障诊断,提出了一种基于多样性特征和多源信息的分子泵故障诊断方法。在分子泵实验台上采集到分子泵不同故障下多个测点的振动信号,经过预处理后随机分为训练集和测试集。首先通过改变激活函数形成多个去噪自编码器,之后利用生成的深度自编码器对数据集进行多样性特征提取,最后将提取到的特征用于训练支持向量机(SVM)进行故障分类。实验结果表明该方法可以实现分子泵的准确故障诊断,准确率达到98.9%,而且在训练集不平衡或高背景噪声情况下依旧表现良好。     

模式识别在珠宝玉石鉴定中的应用

珠宝玉石计算机辅助鉴定及信息系统是一套集珠宝玉石计算机辅助鉴定和相关信息查询为一体的专家系统软件。系统具有辅助鉴定、直接查询、资料分类存储和鉴定指导等功能。软件利用模式识别等技术，通过对检测数据获取，并经过预处理、特征提取和选择，最后利用线性分类器进行分类决策。从而，实现在珠宝玉石鉴定中的多品种、多参量的综合判断。     

改进dynFWA优化BP神经网络在加工中心主轴故障诊断中的应用

针对目前加工中心(Machining Center,MC)主轴故障诊断多为人工经验完成,且故障诊断精度和识别率低等问题,提出基于改进的动态搜索烟花算法(dynamic search fireworks algorithm,dynFWA)优化BP神经网络(Neural Network,NN)的加工中心主轴故障诊断方法。将改进的动态搜索烟花算法优化BP神经网络的初始权值和阈值,建立改进dynFWA-BP神经网络模式分类方法。将提出的模式分类方法应用于MC主轴故障诊断中,使得提取的主轴故障特征与主轴工作状况有着非线性映射关系。最后,采用VMC650E主轴故障数据进行验证,证明所提出的故障诊断方法在故障诊断精度、故障识别率方面明显优于BP神经网络、GA-BP神经网络和PSO-BP神经网络。     

改进的生成对抗网络在轴承故障诊断中的应用

研究一种基于改进的生成对抗网络的滚动轴承故障诊断方法。针对传统的生成对抗网络模型无法进行故障诊断的问题,对其进行改进,在生成对抗网络基础上加入额外条件信息,并且在输出层添加辅助输出层,将生成对抗网络从无监督学习的生成模型改进为监督学习的分类模型。然后,利用西储大学轴承数据集对改进后的生成对抗网络进行实验验证。结果表明,改进后的生成对抗网络模型能够有效识别滚动轴承故障类型,相比于相同结构的人工神经网络故障诊断准确率提高5.83%,达到99.86%,并且可在训练过程中降低对于样本数据长度的依赖性,有关结论可为生成对抗网络在智能故障诊断中的应用提供理论指导和技术支持。     

基于信息融合的组织型P系统输电网故障诊断方法

输电网故障诊断通常以开关量信息为决策数据,即保护装置的动作信息,但是单一的开关量故障诊断方法过度依赖开关量信息的完整性和准确性,存在一定的不确定性。为了解决上述问题,该文提出基于信息融合的组织型P系统（Tissue-likePsystems,TPS）的电网故障诊断方法。首先,通过结线分析法确定可疑故障元件。其次,通过评估保护装置的动作状态来修正TPS故障诊断模型中的初信向量。最后,通过信息融合推理算法进行故障诊断,从而判断故障元件。该文还采用IEEE14节点系统进行算例分析,证明了该方法的可行性和有效性。