基于HHT和SVM的供水管网爆管诊断模型研究

针对当前复杂供水管网泄水事故频发的现象,提出以管网发生故障时的瞬态水力数据信息为样本,采用Hilbert-Huang变换将故障样本信息从水压—时间的时域信号转换为压力幅值—频率的频域信号。分析选取频域信号中的主要特征值坐标作为支持向量机(SVM)的输入数据,并采用粒子群算法(PSO)对SVM参数进行优化,建立了基于HHT和SVM的供水管网故障诊断模型。实例应用表明,该模型在供水管网泄漏诊断中效果较好,从而验证了模型的可行性。     

基于优化经验小波变换与改进支持向量机的齿轮箱故障检测策略

针对强噪声背景下风力机齿轮箱振动信号易被掩盖、难以提取的难题,基于频域谱负熵（Frequency-domain Spectral Negentropy,FSN）改进经验小波变换（Empirical Wavelet Transform,EWT）提出优化经验小波变换方法（Improved Empirical Wavelet Transform,IEWT）,并采用改进灰狼算法（Improved Grey Wolf Optimization,IGWO）优化支持向量机（Support Vector Machine,SVM）惩罚系数α及核参数σ。基于NREL GRC风力机齿轮箱数据验证所提方法的有效性。结果表明：IEWT-IGWO-SVM可有效提取故障信息并进行故障识别,分类准确率高达99.66%。     

一种基于FFT变换的供水管网节点压力频域分析方法

供水管网出现漏损点时,由于其隐蔽性不易被察觉,长时间的漏损积累不仅造成水资源浪费,也会出现供水产销差的问题。将频域分析法引入到供水行业,提出一种基于FFT变换的供水管网节点压力频域分析方法,首先通过编写程序调用EPANET对供水管网进行运行优化模拟,然后将求解的最优泵阀调度方案反代入模拟漏损点工况内,借助傅里叶变换将随时间变化的节点压力转换为振幅信号,从频域的角度分析管道节点压力,从而判断漏损点距离管道起始节点的长度范围。通过验证,与以往基于压力分析漏损点相比,该方法可从频域信号视角来判断管道是否正常运行及漏损点位置范围,有利于供水行业智慧化。     

大型风电场超短期风电功率预测

针对大规模风电场风电功率的非线性特性,采用最小二乘支持向量机（LS—SVM）的预测模型。由于LS—SVM的参数选择直接影响着模型的预测精度,于是采用一种基于量子粒子群优化方法来选择模型的超参数。为了弥补模型损失的鲁棒性,通过给每个样本误差不同的权系数,建立了具有良好泛化性能的WLS—SVM回归模型,从而进一步提高了模型预测的精度。本文提出一种基于量子粒子群优化（0uantum—behaved Particle Swarm Optimization,QPSO）参数选择的加权最小二乘支持向量机（Weighted Least Squares Support Vector Machine,WLS—SVM）的超短期风电功率预测模型。应用上述方法对内蒙古地区大型风电场进行了预测,结果证明了该方法的有效性。     

4D和Q检验模型在供水管网水质检验中的应用

鉴于城市供水管网末梢水质检验一直是供水水质监测的难点,以苏州市五个偏远小区供水管网末梢的水质指标数据为样本,应用数学统计模型中的4D检验模型和Q检验模型对所监测的水质数据进行了检验。结果表明,4D检验模型和Q检验模型均能快速、灵敏地检测出离群数据,其中4D检验模型对水中氯气及游离氯制剂、溶解性总固体、浑浊度等水质指标较为敏感;Q检验模型在不同的显著性水平下均能检测出水中溶解性总固体、总β放射性等水质指标的异常。可见应用数学统计模型可对供水管网水质进行检验与分析,从而可提高水质检测的科学性和合理性,亦可为供水管网建立水质模型与进行水质调度奠定良好的理论基础。     

基于PSO-SVM模型的供水管网漏损诊断

为了找到更高精确度的供水管网定位方法,基于支持向量机搭建了PSO-SVM给水管网漏失诊断模型,对影响支持向量机(SVM)性能的两个重要参数c和g使用粒子群优化算法(PSO)做了优化处理,使得支持向量机的运算速率和准确度显著提高,利用单漏点供水管网仿真模拟试验平台测得管网各运行工况下的漏点特征数据,测得数据通过后期归一化处理作为PSO-SVM模型的输入样本数据集,样本数据经PSO-SVM模型运行后证明该模型可有效对管网漏失点做出精准定位,并能对各漏失点的漏失量做出精准预测。     

人工蜂群优化支持向量机的电气故障诊断方法研究

摘要： 电气故障诊断具有重要的实际应用价值,针对电气故障诊断中的支持向量机（SVM）参数选择问题,提出了人工蜂群优化SVM的电气故障诊断模型。首先采用小波分析去除信号中的噪声,并提取特征,然后采用人工蜂群优化算法确定SVM的最优参数,建立电气故障诊断模型,最后通过与其他电气故障诊断模型进行对比实验。结果表明,WA-ABC-SVM可以描述电气设备状态与特征间的变化关系,提高了电气故障的诊断正确率,诊断结果要高于对比模型。     

基于EMD与SVM的柴油机故障诊断

对柴油机气阀间隙变化、断油等故障情况下的缸盖振动信号进行了测试分析.采用经验模式分解EMD方法对振动信号进行分解,得到固有模态函数IMF,对每一个IMF分量分别建立AR模型,以模型的自回归参数和残差的方差作为特征向量,用支持向量机SVM进行分类,判断柴油机的工作状态和故障类型.实验结果分析表明,该方法即使在小样本情况下也能准确有效地诊断柴油机故障,能实现故障的实时自动化诊断.     

改进VMD融合深度学习在滚动轴承故障诊断中的应用

针对滚动轴承早期振动信号微弱且难以提取的问题,结合灰狼算法与变分模态分解（Variational mode decomposition,VMD）提出改进变分模态分解（Improved variational mode decomposition,IVMD）方法分解轴承故障信号,并基于快速谱峭度图（Fast kurtogram,FK）提取特征分量进行信号重构,采用深度学习与混沌理论对各故障轴承重构信号进行非线性分析,完成故障识别。在保留原故障信息整体几何结构的同时降低了特征数据复杂度,增强了故障状态分类能力。基于损伤轴承实验数据验证所提方法的有效性。结果表明：IVMD较VMD能更好地分解故障信号,快速谱峭度图可有效提取特征分量;采用IVMD FK进行信号前处理后,经卷积神经网络（Convolutional neural network,CNN）进行故障分类,准确率高达99.99%,远高于传统故障诊断方法;在强噪声环境下此方法仍可较好地进行故障分类,在-8dB噪声下准确率达到75.75%,具有良好的鲁棒性;同时,结合混沌相图与Lyapunov指数反映故障信号的混沌特性,随卷积层数增加Lyapunov指数逐渐减小,表明深度学习模型和混沌理论可从混沌序列中提取纯净特征信息,准确进行故障识别。     

基于水力模型的供水管网区块化优化研究

为进一步优化配水系统分区,提出了一种基于多尺度分区算法的供水管网区块化优化方法。该方法考虑了供水管网系统的节点压力信息,改进了分区评价函数,并结合城市供水管网实际情况进行分区。以A市为例,利用EPANET建模器建立供水管网水力模型,在此基础上结合配水系统分区理念,将A市供水管网分为了11个区块。结果表明,分区后的供水管网实现了单独区域水量计量,缩小了查找漏失范围;管网压力更加趋于均衡,降低了漏失水量和产销差,使供水管网运行更加科学化、合理化。研究成果可为供水管网分区优化管理提供参考。     

基于CEEMD样本熵的柴油机故障诊断

针对柴油机振动信号非线性、非平稳的特点,提出一种基于互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)样本熵和支持向量机(Support Vector Machines,SVM)的柴油机故障诊断方法。该方法首先采用CEEMD对柴油机振动信号进行自适应分解,然后计算包含有主要故障信息的固有模态函数(Intrinsic Mode Function,IMFs)分量的样本熵,并结合主元分析对其进行降维处理;最后将提取出的主元特征向量输入SVM以判断柴油机的工作状态和故障类型。对CZ4110柴油机不同工况的分析结果表明,该方法可有效地用于柴油机故障诊断。     

基于LSTM-SVM的燃气轮机压气机故障预警研究

为了能在早期发现压气机叶片积垢、叶片磨损腐蚀、进气口结冰和喘振4种常见故障,提出一种基于长短期记忆网络(LSTM)和支持向量机(SVM)的燃气轮机压气机故障预警方法.首先,利用压气机特征参数正常历史数据建立多个单输入单输出预测模型,并将压气机的特征参数运行数据代入相应的模型,输出各参数预测值与实际值的残差曲线,设定报警阈值,超限报警.然后,利用正负偏离度方法提取报警点报警信息的故障样本,作为SVM的输入参数进行故障识别,对压气机的故障类型进行预警.结果表明:该模型输出预测误差在0.5％以内;该方法能够发现压气机的早期故障趋势,提取故障特征,对压气机故障类型进行预警,为燃气轮机压气机的故障预警提供了参考.     

一种风力发电机自动故障诊断及预测方法

为了获得故障信号精确的时域和频域信息,提出了一种Morlet小波变换补偿方法,首先计算出故障信号的时间和频率信息,然后根据Morlet小波系数中心频率峰值对计算的故障信号的幅值进行补偿,得出故障信号的准确幅值.采用Simulink模型证明该方法的可行性,并将该方法应用到测试风力发电机和实际大型风力发电机的电功率信号分析中.结果表明:该方法可以自动获得故障信号按时序排列的振幅趋势图,显示了部件发生故障后的剩余使用寿命期限;风力发电机特别是海上风力发电机的维护维修计划可根据此时间信息进行制定,降低风电运维成本.     

深圳供电局有限公司， 广东 深圳 518000

摘要： 10 kV电缆故障信号具有非平稳性和非线性的特征,当前故障诊断方法无法精细刻画和准确提取电缆故障信号的内在特征信息,导致得到的诊断结果不准确,为此,提出一种基于时频维数的10 kV电缆故障诊断方法,分析了广义维数法,将时域信号扩展至时频域信号对电缆信号进行研究,给出了电缆故障信号在时频平面上的广义维数覆盖方法的数值算法,通过时频域广义维数法对10 kV电缆故障信号进行特征分析,针对任意待诊断电缆信号,通过对其模式特征和已构建的样本数据库的对比,即可识别出该待诊断电缆是否出现故障,确定故障类型。实验结果表明,所提方法适用于10 kV电缆故障的诊断,具有很高的诊断精度。     

基于遗传算法优化支持向量机的船用柴油机气门漏气故障智能诊断方法

针对船用柴油机气阀漏气故障的问题,提出一种结合遗传算法（genetic algorithm,GA）与支持向量机（support vector machine,SVM）的船舶柴油机气阀漏气振动诊断方法,称之为遗传算法优化支持向量机（GA-SVM）。通过分析静态与动态工况下的缸盖振动信号,提取训练SVM特征参数,利用GA-SVM的惩罚因子与核函数参数对故障进行识别。试验结果表明,GA-SVM方法完善了SVM参数选取方法,可有效识别柴油机气门漏气故障。优化后的整体故障诊断准确率为99.333%,相比于未优化前的测试集,故障诊断正确率提高了约2%。     

基于Zigbee无线技术和粒子滤波的风电机组无线监测系统故障定位研究

为满足风电机组处理故障数据准确性和实时性的要求。文章通过采集无线风电机组振动信号,对其进行数学建模,利用小波分析提取振动信号的随机噪声和状态信号叠加,并以此为观测方程。利用小波包分解求取降噪前和降噪后的信号,根据各个频带能量变化提取故障信号,并采用SVM方法进行故障模式识别,从而实现对风电机组的故障定位。实验验证了该算法能有效提高风电机组故障定位的精确性和可靠性。     

基于AEWT-KELM的风电机组轴承故障诊断策略

针对风力发电机组轴承故障振动信号传递路径复杂多变,且故障信号易受到背景噪声的严重干扰,传统方法对故障特征难以准确提取的问题,提出一种自适应经验小波变换（AEWT）与奇异值分解（SVD）的特征提取方法,并结合核极限学习机（KELM）实现风电机组轴承的故障诊断,该方法同时考虑轴承不同故障类型及不同损伤等级的情况。其中,自适应EWT为两阶段调整过程：基于尺度空间法固有模态函数（IMF）分解-确保EWT分解的有效性、基于相关系数最大的敏感分量提取-实现相关特征最大化和冗余信息的消除。通过相关实验结果可明显发现,所提AEWT的分解效果优于EMD、EEMD、CEEMDAN、LMD等方法。对提取敏感分量利用SVD计算奇异值,构建故障特征向量;最后将特征向量作为KELM的输入,建立KELM轴承状态识别模型。通过西储大学平台轴承振动信号和实际风场采集的轴承振动信号对算法进行验证,结果表明,相比SVM、ELM、KNN等识别模型,该方法能有效识别出不同故障类型及不同损伤等级下的轴承故障,整体识别率达99%。     

基于改进粒子群优化支持向量机的汽轮机组故障诊断

基于支持向量机（SVM）在核函数参数和惩罚因子人为选取的盲目性以及传统粒子群算法（PSO）后期易陷于局部最小值的不足,提出了一种改进的粒子群算法（MPSO）,建立了汽轮机组振动故障诊断模型并且利用故障数据进行了模式识别.结果表明：模型能够对SVM相关参数自动寻优,并且能达到较为理想的全局最优解;与PSO-SVM和GA-SVM算法相比,MPSO-SVM算法在收敛速度和准确率方面都有所提高.     

基于深度学习框架的供水管网压力异常实时诊断方法

为有效减少供水管网的漏失,诊断异常压力数据十分必要。在数据采集与监视控制(SCADA)系统中引入异常诊断模型,提出一种基于深度学习框架的异常诊断方法。该方法先利用卷积神经网络模型(CNN)对压力进行预测,再计算压力预测值与实际值的误差并进行离群点诊断,若异常值持续时间较长,则可能发生漏失。以D市供水管网模型为例,利用该模型对16个监测点压力数据进行诊断并与ARIMA诊断模型进行对比。结果表明,CNN模型能够准确地诊断供水管网的压力异常数据。     

基于油色谱时频域信息和残差注意网络的变压器故障诊断方法

提出了一种基于油色谱时频域数据和残差注意力的变电站故障分类模型。对收集到的油色谱数据,计算其频域分量和时频域分量的特征比值,将所有数据作为网络的输入来训练网络;残差注意力网络通过跨层连接的方式来堆叠注意力模块,以降低网络的过拟合影响并提升模型训练速度,同时注意力模块能够重点关注对结果影响大的信息,进一步提高对变电站故障分类的准确度。通过实际数据验证了所提方法的有效性和性能的优越性。