CDBN‑IKELM的轴承变工况故障诊断方法

针对现有方法在轴承变工况方面存在的诊断精度低、人工提取特征不充分等问题，提出了基于卷积深度置信网络（convolutional deep belief network，简称CDBN）与改进核极限学习机 （improved Kernel?based extreme learning machine，简称IKELM）的滚动轴承故障智能识别方法。首先，由卷积深度置信网络对原始信号内的故障特征进行深层自适应提取；其次，利用等距特征映射对提取的多维特征进行降维，去除冗余特征信息；然后，采用改进的核极限学习机对特征进行分类，使用粒子群（particle swarm optimization， 简称PSO）对模型重要参数进行优化，实现滚动轴承变工况下的故障识别；最后，将所提方法应用于不同工况下多种轴承故障的诊断。实验结果表明，该方法能够智能有效地识别变工况的轴承故障，诊断结果优于已有的智能故障诊断方法。     

流域梯级电站群集控防误操作探索及实践

大渡河集控在四川电网乃至西南电网占据重要地位,本文通过对流域梯级电站群集控误操作风险分析,从技术层面提出设备状态锁定和监控流程化监护相结合的防误操作技术并进行实际应用,应用成果显著,为电网安全稳定以及防洪对象安全提供了有力保障。     

基于模糊多态共因失效因素的矿井提升制动系统故障诊断

使用传统故障树分析矿井提升制动系统,存在共因失效等因素,具有一定的局限性。为此,在现有贝叶斯网络模型基础上,用三角模糊数表示模糊先验概率,通过改变条件概率和各故障状态先验概率反应事件多态性,引入β-因子模型分析共因失效,给出了概率计算公式,并以制动系统液压子系统为例进行了验证。分析结果显示,在故障分析时综合考虑模糊、多态及共因失效等因素,能更好地确定系统故障概率分布。