基于遗传神经网络和证据理论融合的水电机组振动故障诊断研究

针对水电机组振动故障诊断中的故障误诊、漏诊以及诊断的可靠性低等问题,提出了适用于水电机组的神经网络局部诊断和证据理论融合决策诊断的故障诊断方法。在神经网络中应用遗传算法来提高网络的收敛速度,应用提出的诊断方法对水电机组振动故障进行仿真,诊断结果表明对故障征兆信息的有效组合,充分利用机组各部位的信息,可以减少诊断的误诊、漏诊问题,从而有效地提高诊断的可靠性。应用MATLAB7.0开发出故障诊断系统界面。     

基于信息融合技术的水电机组振动故障诊断

针对传统方法在水电机组振动故障诊断中存在准确度不高的问题,引入了粒子群神经网络和证据理论相结合的故障诊断方法。对水电机组振动故障的不同征兆域,采用2个并行的粒子群神经网络进行局部诊断,以获得彼此独立的证据,再由证据理论对各证据进行融合。结果表明,该方法可有效地提高诊断可信度,减少诊断的不确定性。     

基于熵权理论和信息融合技术的水电机组振动故障诊断

应用熵权、灰色关联分析和信息融合技术对水轮发电机组振动故障进行诊断。以水电机组振动信号的频域特征和时域振幅特征为诊断样本，使用基于熵权的灰色关联分析方法进行水电机组振动故障的初步诊断，然后应用证据融合理论对不同证据进行决策信息融合，从而得出最终的诊断结果。诊断实例表明，基于熵权的灰色关联分析和信息融合技术相结合的方法是有效的，适合于水电机组的振动故障诊断。     

基于水电机组复合特征提取的RBFNN故障诊断

针对传统快速傅里叶变换（FFT）方法在非稳态信号分析上的局限和水电机组稳定性状态分析及故障诊断中过分依赖单一能量特征的不足，提出了集小波分析、模糊理论和径向基函数神经网络（RBFNN）优点于一体的基于复合特征提取的RBFNN故障诊断方法。首先采用小波分析方法对稳定性状态信号进行多频段分解、降噪，提取相对能量特征;运用模糊理论进行稳定性状态对过程参数变化响应的数值分析和量化，提取关系型征兆;然后将这2种特征组合，形成综合反映机组稳定性状态的复合特征向量;最后利用RBFNN诊断出机组的典型故障类型及其严重程度。工程应用结果表明，该方法能够全面准确地提取水电机组稳定性状态特征，在水电机组故障诊断上具有一定的可行性和有效性。     

基于增量约简算法确定电力负荷预测模型输入参数

针对电力系统中有众多因素影响负荷预测精度的问题，文中引入粗糙集理论中的属性约简算法来挖掘与待预测量相关性大的各属性，保证预测模型输入参数的合理性，解决了神经网络模型输入参数的确定问题。针对基于区分矩阵约简算法是NP问题的弱点，提出了基于属性优先级函数的启发式约简算法（RAPHF）；针对负荷预测过程中样本数据是滚动更新的特点，在RAPHF的基础上提出了具有动态挖掘能力的粗糙集增量算法RAPHF-I。通过短期负荷预测的实例研究，证实了文中改进算法的有效性。     

基于诊断联盟的水电机组诊断策略研究

针对水电机组故障复杂、单一诊断方法不能满足诊断精度的状况,构建了一种基于多种诊断方法联盟的诊断策略,分析基于诊断联盟的诊断流程,从而提高了水电机组故障诊断精度,为机组安全运行提供了指导。     

基于CEEMDAN-IPSO-LSTM的水电机组振动预测研究

针对水电机组振动的非线性、非平稳特点,提出一种完全自适应噪声集合经验模态分解(CEEMDAN)方法和长短期记忆(LSTM)神经网络相结合的振动预测模型,利用改进的粒子群优化算法(IPSO)对调节参数进行优化以提高预测精度,采用CEEMDAN算法将振动数据计算展开为多个固有模态函数(IMF),通过计算相关系数筛选出有效的IMF,最后将筛选结果重构后输入LSTM进行模型预测,并与LSTM、支持向量回归(SVR)、CEEMDAN-IPSO-SVR进行对比。结果表明,提出的CEEMDAN和LSTM相结合的振动预测模型可以有效识别水电机组不同运行工况下的振动信号,为故障预警、水电机组安全高效运行提供依据。     

水力机组振动故障的智能诊断技术研究

概述了智能诊断技术的发展历史与现状,着重介绍了因果分析法、故障树法、模糊控制、专家控制、神经网络控制、粗糙集、支持向量机等人工智能方法的特点及其在水力机组故障诊断中的应用情况,并指出智能技术作为水力机组振动故障的有效诊断方法,必然朝着综合化方向发展。     

融合改进符号动态熵和随机配置网络的水电机组轴系故障诊断方法

现有水电机组轴系故障诊断研究主要建立在单一传感器振动信号数据的基础上,存在故障信息缺失和传感器测点选择困难等问题。为此,提出了一种基于精细复合多元多尺度符号动态熵(RCMMSDE)和随机配置网络(SCN)相结合的水电机组轴系故障诊断方法。首先,将精细复合技术引入RCMMSDE模型中,改进了传统多元多尺度熵粗粒化不足的问题。然后,通过提取水电机组不同传感器振动信号的RCMMSDE值作为故障特征。最终,将故障特征输入SCN网络实现水电机组轴系故障的准确识别。仿真结果表明,RCMMSDE-SCN模型在两个不同数据集上分别取得了97.58%和99.17%的诊断率,验证了所提模型具有良好的诊断性能。同时,对比不同诊断模型在多元传感器信号和单一传感器信号两种不同情景下的诊断情况,表明融合多元振动信号可以有效改善水电机组轴系故障诊断模型的识别性能。本研究为融合水电机组多元传感器振动信号故障诊断提供了一种新的方法,具有良好的借鉴价值。     

基于BP模糊神经网络的水轮发电机组故障诊断方法

运用模糊理论的故障征兆与故障原因之间的模糊关系,确定了BP神经网络的输入层和输出层,并结合水轮发电机组故障诊断具体实例建立神经网络的输入样本集,对神经网络进行训练,输入机组故障征兆向量,得出故障原因,从而验证了模糊神经网络的可行性与优越性.     

改进Elman网络及其在水轮发电机组故障诊断中的应用

针对水轮发电机组故障诊断系统，分析了改进BP网络在故障诊断中的不足，提出了利用改进Elman网络进行水轮发电机组故障诊断的方法。该方法具有精度高、收敛快、可以避免局部最小的优点，从而为水轮发电机组故障诊断提供了一种更有效的方法。     

人工神经网络在水电机组故障诊断中的应用研究

水电设备状态检修的关键是状态监测和故障诊断。人工神经网络具有分布并行，容错性和记忆功能等特点，用人工神经网络方法进行故障诊断具有明显优势，通过对发电机设备故障诊断的具体应用，证明此方法是有效可行的。     

基于PNN的水轮发电机组振动故障诊断

概率神经网络（PNN）是一种训练速度快、结构简洁明了、应用广泛的人工神经网络。它采用贝叶斯分类决策理论建立系统的数学模型，以高斯函数作为激励函数，具有非线性处理和抗干扰能力强等特点。提出基于PNN的水轮发电机组振动故障诊断方法，并在水轮发电机组振动频谱波形特征的基础上，对几种典型故障模式进行了实例研究。理论分析和实例结果验证了基于PNN的水轮发电机组振动故障诊断方法是正确和有效的。     

配电网故障诊断方法综述

随着配电网的日趋复杂,对配电网故障诊断的要求也日益增强。作者以配电网为研究对象,简要介绍国内外目前配电网故障诊断的几种常用方法(专家系统、模糊理论、遗传算法、Petri网、人工神经网络、多代理系统、粗糙集理论、混合整数规划法、优化算法),比较了各种方法的优缺点并评价了这些算法的可行性及实际应用中存在的问题。     

水电机组故障诊断系统信号预处理

随着水电站对水电机组安全稳定运行要求的不断提高，相应的对故障诊断系统中故障诊断的准确性提出了更高的要求。而信号处理是故障诊断成功与否的关键。监测得到的故障信号不可避免的受到水电机组运行中的各种噪声的干扰与影响，从而得到的故障信号中含有随机噪声、白噪声等，为得到真实的故障特征信息有必要进行除噪处理。自相关和小波分析可以很好地去除噪声。本文对自相关和小波分析除噪作了详细论述，并用实例做了分析。     

基于IPSO优化LSSVM的水轮发电机组振动故障诊断

提出改进的粒子群(IPSO)算法，并与最小二乘支持向量机(LSSVM)相结合，得到基于IPSO-LSSVM的水轮发电机组故障诊断方法。改进后的粒子群算法能较好地调整算法在全局与局部搜索能力之间的平衡，将其应用于LSSVM的参数优化，可以提高故障诊断的精度和效率。实例分析结果证明，IPSO-LSSVM模型不仅能够取得良好的分类效果，而且诊断速度与精度均高于采用BP神经网络、LSSVM以及PSO-LSSVM等方法，适合在实际工程中应用。     

确定大坝效应量分量比例的神经网络方法

为了评价水位、温度等环境量对大坝观测效应量的综合影响程度，并由此定量分析评价大坝的运行状态，提出了确定大坝观测效应量的各分量比例的神经网络方法。根据大坝的观测资料，利用误差反向传播的神经网络(BP网络)建立效应量与环境量关系的神经网络模型，BP网络的输入变量为水位、温度、时效等环境量因子，网络的输出变量为效应量。利用网络的权值来表示网络的输入变量对网络的输出变量的影响程度，从而确定水位、温度等分量占效应量的比例。文章通过工程实例验证了该方法的有效性。结果表明，该方法简便实用，可定量分析水位、温度等环境对效应量的影响程度，有助于进一步分析大坝的安全性态。     

基于随机共振和经验模态分解的水力发电机组振动故障诊断

针对实际水力发电机组故障诊断中微弱信号难以检测引起故障诊断准确率低的难题,提出了一种基于随机共振(stochastic resonance,SR)和经验模态分解(Empirical Mode Decomposition,EMD)的微弱信号检测方法。首先,采用随机共振对振动信号进行降噪处理,提高信号的信噪比;继而对随机共振的双稳输出信号进行EMD分解,并采用能量法进行故障特征向量的提取,最后将其作为基于遗传算法优化支持向量机(GA-SVM)故障诊断模型的输入,实现故障模式的识别与诊断。仿真结果表明,该方法能够准确识别机组的异常情况,具有较高的故障诊断精度。     

基于互信息与神经网络的天山西部山区融雪径流中长期水文预报

为提高天山西部山区融雪径流的预报精度,更好地指导所在区域的工农业生产发展,针对影响预报精度的关键问题(预报因子的选择),基于互信息法、相关系数法、主成分分析法对研究区的预报因子进行优选,采用RBF神经网络以及组合小波BP神经网络模型进行径流预报研究,并进行不同方案的比较。结果表明:①互信息法优选出的预报因子作为模型输入可以提高预报精度;②采用不同优选预报因子作为RBF神经网络以及组合小波BP神经网络模型的输入变量,结果表明RBF神经网络模型的预测精度要好于组合小波BP神经网络模型;③以相对误差作为评价模型精确度的标准,预测效果最好的是基于互信息方法挑选出的预报因子作为RBF神经模型输入数据的模型预测结果。