基于蜂群算法和半监督极限学习机的光伏系统故障诊断

户外环境中运行的光伏系统容易受到各种因素特别是灰尘的影响，其非正常运行会导致大量的电力损失，严重的短路故障则会导致安全问题和火灾隐患。因此，监测光伏系统的运行状态，及时排除潜在故障，制定有效的处理方案是当前研究的重点。本文分析了光伏电池串在各种故障状态下的I-V特性，特别是在污秽条件下的I-V特性。针对具有特定故障的光伏系统，特别是大规模光伏系统的标记数据难以记录的问题，提出了一种结合人工蜂群算法和半监督极值学习机（ABC-SSELM）的新算法。该算法能够利用少量的模拟标记数据和历史未标记数据对光伏故障进行诊断，大大降低了人工成本和时间消耗。此外，灰尘堆积监测可以提醒电厂业主及时清洗光伏组件，提高发电效益。最后，使用3.51kWp和3.9kWp的光伏系统验证所提出的诊断方法，数值仿真和实验结果证明了所提光伏诊断技术的准确性和可靠性。     

地面驱动螺杆泵井故障诊断方法

为提高地面驱动螺杆泵井的故障诊断效率,提出了一种将小波包与概率神经网络相结合的故障诊断方法.运用小波包技术提取有功功率信号的能量特征,与动液面、瞬时流量、井口回压共同作为特征参数,输入到概率神经网络进行故障诊断.为证明所提诊断方法的优越性,与BP神经网络、径向基神经网络进行对比,结果表明所提方法诊断效率更高、速度更快,更加满足故障诊断实时性的要求;故障诊断实例结果也进一步证明了该方法在地面驱动螺杆泵井故障诊断的可行性.     

洗煤厂振动筛故障诊断系统的设计及应用

针对振动筛工作负荷大、工况环境差、故障率较高且识别诊断难度较大的问题,基于洗煤厂大型直线振动筛的工作原理及故障类型的分析,设计了振动筛故障诊断系统整体方案.应用结果表明,该系统实现了信号采集、故障诊断、数据管理、故障预警等功能,实现了较好的技术及经济效益.     

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。     

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。     

矿用带式输送机智能监测系统研究

针对矿用带式输送机运行过程中存在的托辊、滚筒等关键部件与输送带摩擦发热,钢丝绳芯输送带内部损伤与撕裂,运行功耗大等问题,设计了一种矿用带式输送机智能监测系统。该系统包括基于弱磁检测法的钢丝绳芯输送带损伤监测系统、基于红外热成像温度检测法的带式输送机关键部件故障诊断与预警系统和基于视觉检测法的煤流监测、异物监测、胶带撕裂监测及人员安全监测系统,详细介绍了各系统的实现原理。对钢丝绳芯输送带内部损伤识别及带式输送机关键部件故障诊断预警进行了实验验证,结果表明该系统对钢丝绳芯输送带损伤识别的准确率约为98%,且可准确识别带式输送机关键部件故障并发出预警。     

基于改进奇异值分解滤波和谱峭度的滚动轴承故障诊断

针对含噪信号的有效奇异值个数难以确定的问题，提出了一种改进的奇异值分解降噪方法--奇异值累积法。该方法通过计算奇异值的实际下降值与奇异值平均下降速度累积量的差值，并取该差值最大值点的位置作为有效奇异值的分界点来确定有效奇异值的个数。在此基础上，提出了一种基于奇异值累积法与快速谱峭度的滚动轴承故障诊断方法。采用奇异值累积法对原信号进行降噪处理，然后利用快速谱峭度确定滤波器中心频率及带宽，通过分析频段包络谱中明显的频率成分来诊断故障。该方法可以有效去除信号中的噪声，使得到的峭度值所反映的故障冲击更接近实际情况。对含内圈、外圈故障的滚动轴承实验数据进行分析，实验结果表明，相比快速谱峭度的故障诊断方法，该方法具有更好的故障识别效果。     

云/边缘协同的轴承故障诊断方法

现有轴承故障诊断技术存在以下问题:①传统诊断方法需要人工提取特征,耗时长,诊断结果不稳定;②卷积神经网络诊断方法需要大量的计算资源和较长的训练时间,与故障诊断的实时响应要求存在矛盾。针对以上问题,提出一种云/边缘协同的实时轴承故障诊断方案。经过实验验证,该方案在拥有少量样本情况下与不进行云/边缘协同相比可大幅提高诊断准确率,并节约大量的训练时间。通过改进的轴承故障诊断算法达到了较高的故障诊断准确性,并通过模型的迁移学习与边缘端协同,增强了故障诊断算法对个性化应用的适应性和故障诊断的实时性。