一起发电机定子接地故障的分析与处理

文章介绍了海外某大型火力发电厂发生的一起发电机定子接地故障的分析和处理过程,对发电厂类似故障的处理和海外发电厂的运行和维护提供了参考。     

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.     

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。     

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。     

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.     

改进的噪声总体集合经验模式分解方法在轴承故障诊断中的应用

在复杂的流程工业中,机械设备往往处在高速、重载、高温、高辐射的环境中,轴承作为主要的机械零部件起着重要作用。由于轴承故障振动信号的微弱和不平稳的特性,造成故障特征向量提取和故障诊断存在着困难。提出一种改进的CEEMDAN(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)轴承故障诊断方法。通过对比分析仿真信号和实测信号可以得知:ICEEMDAN方法可以改善信号重构质量,具有良好的自适应性,能够提高故障信号的信噪比,从而可以有效地识别并提取有用的故障特征信息。     

基于支路影响系数分析的接地网分层故障诊断方法研究

现有的基于电磁感应理论的接地网故障诊断方法需要大量的磁场测量数据,为了解决该问题,笔者提出了一种基于支路影响系数分析的分层诊断方法.首先定义了支路影响系数,并根据影响系数建立了支路诊断难易程度的评价体系.在该评价体系的指导下,分层诊断方法的测量点选取更具针对性,并以分层递进的方式实现了高精确度的腐蚀诊断.在诊断模型求解方面,运用改进的鲸鱼优化算法,保证了分层诊断的准确性.最后,进行了分层诊断与普通磁场反演诊断的对比实验.实验结果表明:分层诊断方法可以在保证诊断准确率的情况下大幅减少测量点数量(可做到接地网支路数50％以下),并且能够缩小测量点的分布范围,因此该方法可以减少现场测量工作量,提高接地网故障诊断效率.