基于信息融合和加权证据理论的故障诊断系统的研究与实践

为了较全面地获得设备的故障状态信息,增加故障诊断的可信度,考虑故障诊断过程中不同故障特征对特定故障的贡献率,提出了加权证据理论的多故障特征信息融合的故障诊断方法,建立了多故障特征信息融合诊断模型。经实验表明,该方法能有效提高故障诊断的准确性并且具有较好的实用性。     

基于潮流变化量特征的电网开断故障诊断方法研究

传统的基于保护、开关动作信息的电网故障诊断方法在实际应用中存在误动和拒动。利用SCADA系统采集的电网支路稳态潮流信息作为诊断依据,提出一种电网支路开断故障诊断的新方法,利用支路开断分布因子建立全网支路开断故障模式集,提取电网发生故障后各支路稳态潮流变化量,并运用模式识别算法对电网故障支路进行匹配识别,实现电网开断故障诊断。对某区域电网实例数据进行仿真分析,结果表明:该方法能够有效地对电网支路开断故障进行快速诊断,具有较好的工程实用价值。     

潜油柱塞泵MMAGA-RBF故障诊断方法

针对潜油柱塞泵无法使用传统地面示功图方法进行故障诊断的问题,提出了一种适用于该抽油机的故障诊断方法.该方法首先利用多变异位自适应遗传算法(MMAGA)对RBF神经网络进行参数寻优,然后从潜油直线电机的运行参数和油井井口的仪表参数等综合数据中,提取出反映油泵运行状态的特征参数,并将其作为故障诊断模型的输入向量,从而实现潜油柱塞泵故障工况的诊断.结果表明:MMAGA-RBF故障诊断方法能够在较少的训练样本下达到较高的综合诊断准确率,在训练样本集达到1 000组以上时,其综合误判率可低于4%,相对于普通遗传算法优化的模型,其泛化能力更强.MMAGA-RBF故障诊断方法符合潜油柱塞泵的工况特点,能够达到其综合诊断准确率的要求.     

基于决策树与脉冲神经膜系统的输电网故障诊断方法

为有效处理电网故障诊断过程的不确定和不完备信息,提出一种基于决策树与模糊推理脉冲神经膜系统的输电网故障诊断方法:首先采用权重网络分割法将电网分割为若干小型子网,再利用决策树算法对原始故障决策表进行训练,并约减故障信息,提取输电网故障产生式规则;然后利用模糊推理脉冲神经膜系统的强大知识并行推理和模糊信息处理能力,建立基于 FRSNPS 的故障诊断模型,实现输电网故障诊断;最后,以 IEEE14 节点标准系统为对象进行仿真实验和分析。实验结果表明,该方法在单类型和多类型故障信息丢失时,依然能够诊断出正确故障元件。     

基于模糊和灰色关联的配电自动化开关柜故障诊断方法

针对配电自动化开关柜故障诊断对配电网安全性和可靠性的影响,提出一种基于模糊C均值聚类和灰色关联的配电自动化开关柜故障诊断方法.首先,该方法通过各类遥测信息分层影响因子,计算隶属度函数并采用AHP-熵权法确定权重完成配电自动化开关柜状态评价的分层模糊运算.然后,针对配电自动化开关柜典型故障信息,应用FCM法聚类后灰色关联分析,完成六类配电自动化开关柜典型故障的诊断,在保证诊断准确度的同时极大地减少了计算量.最后,对北京市某地区配电自动化开关柜故障信息的状态评价及故障诊断结果并与传统灰色关联分析对比表明,所提出方法的故障诊断准确度可达90％,为快速、准确、客观地实现对配电自动化开关柜状态的实时监测及智能电网自动化的进一步发展提供参考.     

基于LM-BP神经网络的机床伺服系统故障诊断

针对故障复杂、传统维修方法较难实现快速、准确的故障定位问题,在克服传统BP神经网络进行故障诊断存在问题的基础上,引入基于LM-BP的神经网络方法,对机床伺服系统进行故障诊断和分析。设计了一种基于LM-BP神经网络的机床故障诊断方案,应用3层BP神经网络,建立机床伺服系统LM-BP神经网络故障诊断模型,实现在一个复杂的非线性动力系统中,根据设备运行参数的变化调整分类过程,准确判断故障及其位置。实验结果表明,LM-BP神经网络较传统BP神经网络能更精确地诊断机床运行中伺服系统的故障和预测机床运行中伺服系统出现的故障类型。     

基于因子分析和灰色关联度分析法的变压器故障诊断

变压器油中溶解气体分析是目前有效的变压器状态诊断方法,应用灰色关联度算法处理变压器油色谱数据时,变压器故障标准模式的选取直接影响诊断结果.采用因子分析方法对大量确诊故障的油色谱数据进行分析计算,将变压器故障分为高温过热、高能放电等11类故障,并通过计算其标准差、方差以及M估计值,确定表征变压器各类故障的标准模式,该标准模式充分考虑了检测数据的分散性,减小了各类故障数据间的相关信息,使诊断具有更高的分辨率.结合灰色关联度分析法进行变压器故障诊断实例分析,结果表明该方法的诊断准确率高于传统的灰色关联度诊断法.     

计及恶劣天气因素的区域后备保护新方案

针对恶劣天气条件下,广域信息同步困难以及信息缺失的情况,提出一种基于线路故障函数的区域后备保护方案。首先,计及天气因素的影响,利用贝叶斯定理量化距离保护动作时的线路故障概率;然后,将量化的故障概率定义为距离保护对线路的可信度,并作为权重建立距离保护动作信息的线路故障函数;最后,利用线路故障函数在正常与故障情况下的取值差异,构造了具备容错性的故障识别判据。新英格兰10机39节点系统和陕西330kV电网的仿真结果表明,该方案在距离保护动作信息缺失或有误的情况下,仍能准确定位,且不受系统数据不同步的影响。     

我院一科技项目获国家自然科学基金项目资助

近日,国家自然科学基金委员会公布了2014年度国家自然科学基金申请项目评审结果。电网检修部培训师王磊博士申请的国家自然科学基金项目“基于大数据平台的输电网故障诊断架构研究”获得国家自然科学基金资助,资助金额23万元。该项目致力于研究开发基于大数据平台的电网故障诊断系统：运用大数据平台在数据收集方面高效、稳定的能力,建立从变电站过程层直接采集故障信息的故障数据收集模型,为上层的故障诊断提供快速、准确且格式统一的数据源;基于该大数据平台,研究实现一种以故障知识的表示形式为基础、按照故障特点择优选取智能方法的新型故障诊断算法,该方法在诊断效率上较传统方法有较大的提升。     

基于改进SE-CNN的风电机组故障诊断方法研究

针对风电机组发生故障时难以有效地提取故障特征并精准地识别故障等问题，提出了一种基于改进SE-CNN的风电机组故障诊断方法。首先，基于数据采集与监视控制(SCADA)系统采集到的故障风机历史运行数据，使用滑动窗口进行数据扩充，其次使用改进后的压缩激励网络(SEnet)对样本数据的权重进行调整，然后引入全局最大池化层对卷积神经网络(CNN)进行改进，最后使用改进后的CNN学习数据中的故障特征进行故障诊断。实验结果表明，改进SE-CNN的故障诊断性能均优于RNN、PCA-DNN、BiLSTM方法，验证了所提方法在风电机组故障诊断上的有效性。     

基于粒子群优化随机森林的变压器故障诊断模型

变压器故障诊断正确率取决于诊断模型的构建、特征参量的选取以及故障类型数据的丰富,模型参数的调整也变得尤为重要.针对依据经验调整参数导致随机森林模型诊断变压器故障正确率不够高的问题,提出了基于粒子群优化随机森林(PSO-RF)的故障诊断方法.以油中溶解气体的无编码比值构成特征参量作为模型输入,通过PSO算法搜索RF模型的两个最优参数(子树棵数和分裂特征数),建立PSO-RF模型诊断故障类别,并与不同特征参量选择方法和不同模型进行对比分析.运用两个具体实例的诊断结果来验证所提诊断模型和特征选取的有效性.结果 表明:以无编码比值作为特征参量能挖掘更多的故障信息,并且PSO-RF模型故障诊断正确率优于SVM、BPNN与RF模型,随着样本空间的增大,故障诊断模型的效果越好.     

非线性系统传感器故障诊断方法

传感器故障诊断的实施能够保证诊断系统获取实时准确信息,避免因错误的或可疑的信息千造成的负效应,保证数据的正确性,提高数据的可信度。因此,传感器的故障诊断是提高整个故障诊断系统可靠性的重要手段。基于强跟踪滤波器提出了非线性系统传感器故障诊断的一类算法,由于强跟踪滤波器方法是基于参数估计为主的一种方法,将系统的各种邦联都归结为一种参数偏差型邦联进行处理,所以,只要非线性系统的状态及参数是可以辨识的,那     

改进人工鱼群优化粗糙集的水电机组故障诊断

针对水电机组大量的现场监测数据信息,基于传统的人工智能方法对故障信息不能及时有效地分析的问题,提出了一种基于改进人工鱼群优化粗糙集的水电机组故障诊断方法．首先,利用鱼群的寻优聚群行为对连续属性进行离散化,然后采用粗糙集理论对离散化后的决策表进行约简,建立故障诊断规则决策表,再用提取的规则对水电机组故障进行诊断．仿真结果表明：与传统方法相比,该算法能够提高水电机组故障诊断的准确率．     

基于HHT/PNN的故障信息融合诊断方法

为提高动态随机故障诊断能力,提出了基于HHT/PNN的故障信息融合诊断方法.利用HHT提取信号的瞬时频率和瞬时幅值特征,采用过程神经元网络实现对时域幅值、瞬时频率和瞬时幅值3种故障特征的融合诊断.对基于HHT/PNN和基于神经网络的2种故障诊断方法进行了比较.仿真结果表明:对于动态随机故障,基于HHT/PNN的故障信息融合诊断方法比基于神经网络的故障诊断方法的故障诊断准确度高.     

基于改进层次分析法的核电站故障诊断方法

为提高核电站报警触发式故障诊断专家系统的准确性,提出基于最优传递矩阵的改进层次分析法,对报警触发下置信规则的各征兆权重进行综合计算,建立基于征兆加权规则的核电站报警触发式故障诊断方法。在核电模型中人为地引入确定性故障,分别利用基于征兆不加权和征兆加权的不同故障诊断方法进行诊断,实例计算结果表明:2种方法诊断出的故障类型均与在核电模型中引入的故障类型一致,而基于征兆加权的诊断方法得出的结论置信度更高。     

贝叶斯网络在车辆状态远程故障诊断系统中的应用

为了解决车辆状态远程故障诊断系统中的不确定性问题,提出了一种基于贝叶斯网络模型的故障诊断方法．这种故障诊断方法可在输入数据不完备,甚至含噪的情况下,充分利用贝叶斯网络的先验知识以及建模学习能力和概率推理算法来应对不确定性问题的表示和推理,完成系统的故障诊断．实验结果表明,贝叶斯网络方法在车辆故障诊断速度、准确性方面优于传统的基于BP算法或RBF算法的诊断方法,并且提高了故障诊断系统的鲁棒性．     

基于多核非负矩阵分解的机械故障诊断

在机械设备故障诊断研究领域中,系统采集的原始监测数据经过处理得到的结果往往是数据量很大,维数很高的图像数据,因此,从高维图像中获取敏感特征是当前故障诊断领域中面临的一项关键技术。本文提出了基于多核非负矩阵分解的机械设备故障诊断方法,该方法克服了传统故障诊断需对机械设备信号进行特征提取而造成信息丢失,通过应用多核非负矩阵分解方法进行降维,然后结合多核支持向量机实现对降维后的数据直接进行识别。实验证明该方法可降低原始数据特征的维数,提高分类运算的效率以及故障诊断的识别率。     

基于综合关联度分析的电力变压器故障诊断

在电力变压器故障诊断中,针对油中溶解气体分析,传统的三比值法难以包括和反映电力变压器内部故障的所有形态,在实际工作中存在许多变压器故障因查不到故障编码而无法判断的问题。结合油中溶解气体分析技术和灰色关联的相关理论,提出了一种面积关联度和斜率关联度相结合的综合关联度分析方法,给出了变压器故障诊断的算法步骤,并对权重系数的选取进行了探讨。该方法既能表征序列曲线的离散程度,又能反映序列曲线的变化走向相似度,能全面描述序列间联系的紧密程度。实验表明,将该方法用于变压器故障诊断,不仅克服了三比值法存在的问题,而且故障诊断准确率也高于面积关联分析方法和斜率关联分析方法。在收集到的数据中随机选取350组进行计算,诊断准确率达到93．7％。     

某航空装备故障诊断模糊推理与评判方法的改进

装备发生故障时，可采用模糊推理和评判进行诊断．由于航空装备使用的特殊性，对诊断中的模糊推理和评判方法进行了改进．针对基于案例的诊断方法的局限，利用故障树和数据库实时概率统计确定权重的方法来选择哪些症状和权重，解决了故障现象与故障原因之间相互交叉的多故障诊断问题，并且可以不断地扩充案例来增加诊断的可靠性．最后通过一个案例说明了该方法的可行性。     

基于信息融合技术的异步电机故障诊断研究

为了合理利用异步电动机多个方面的故障特征信息,提高故障诊断的准确性,提出了一种采用异步电动机定子电流、径向(轴向)振动信号等多信息融合的故障诊断方法.对测量的各种信号进行小波分析,利用各个频段的信号能量作为故障特征值.采用D-S证据理论融合各个信息,针对证据理论无法融合高冲突证据的缺陷,引入先验知识对其进行了改进,提高了电机故障诊断准确率.实验结果表明,故障诊断结果可信度明显提高,不确定性显著减小,对异步电动机转子断条故障诊断的准确率达到90%以上.