基于模糊聚类算法的变压器故障诊断研究

介绍了模糊C-均值聚类算法和三比值法的原理,并给出了故障实例。     

基于灰色理论与不变性矩的水电机组轴心轨迹自动识别

在水电机组状态监测与诊断系统中,轴心轨迹是诊断机组状态的一个重要特征。文中 运用灰色系统理论的关联度分析方法,利用不变性矩作为特征向量,对水轮发电机组轴心轨 迹的自动识别进行了探讨。详细介绍了方法的原理和实际应用步骤,对3类典型的轴心轨迹 的自动识别进行了仿真试验,结果表明,该法是有效、可行的。     

基于引力搜索核聚类算法的水电机组振动故障诊断

核聚类是一类有效的水力发电机组振动故障诊断方法,为了解决核聚类有效性评价和核参数选择的问题,提出了一种引力搜索核聚类算法。首先建立以核Xie-Beni指标为目标的聚类模型;然后引入引力搜索框架,以聚类中心和核函数参数为优化变量,通过引力搜索求解核聚类模型;最后定义了基于核空间样本相似度的故障诊断模型。利用国际标准样本集对该方法进行分类测试,并将该方法应用于水电机组振动故障诊断。试验结果表明:与传统聚类方法相比,文中方法具有更高分类精度,且能对故障样本准确聚类并提取诊断模型参数,实现故障的准确诊断。     

基于多重分形谱及支持向量机的水电机组轴系故障识别

针对水电机组轴系振动故障诊断,提出多重分形谱和支持向量机相结合的故障分类识别方法。该方法首先利用多重分形谱算法提取振动信号的特征数据,然后将该特征数据作为支持向量机的输入向量来实现故障的分类识别。实验数据表明,该方法能比较准确地识别轴系常见故障,为水电机组轴系故障智能识别提供了一种新的思路。     

基于粒子群算法与改进BP神经网络的水电机组轴心轨迹识别

在水电机组状态检修系统中,轴心轨迹是判断机组状态的一个重要特征.该文提出边缘检测和矩特征提取相结合的方法,利用粒子群寻优算法来获取与待识别样本最接近的已知样本,应用改进的BP神经网络进行识别,将轴心轴迹的不变性矩作为神经网络的特征参数,对几种典型的轴心轨迹进行了辨识.某水电站机组试验表明该方法识别速度快、精度高,具有较高的实用价值.     

基于最小最大核K均值聚类算法的水电机组振动故障诊断

基于聚类分析的故障诊断方法能够按照故障样本之间的相似性无监督地将同类故障聚为一簇,当前已成为一类有效的故障诊断策略。为解决传统聚类算法受初始聚类中心的影响,易陷入局部最优解的问题,提出一种最小最大核K均值聚类方法。该方法在聚类过程中为簇内方差赋以与其大小成正比的自动修正的权重,并引入核函数技术以处理低维输入空间的线性不可分问题,大大提高了聚类的精确性。在标准数据上将所提方法与标准K-means及K-means++比较,显示了所提算法的有效性和优越性。基于这一聚类方法提出了一种具有自学习能力的故障诊断模型。将该诊断模型应用于水电机组振动故障诊断,实例验证了模型的可行性。     

基于最小最大核K均值聚类算法的水电机组 振动故障诊断

基于聚类分析的故障诊断方法能够按照故障样本之间的相似性无监督地将同类故障聚为一簇,当前已成为一类有效的故障诊断策略。为解决传统聚类算法受初始聚类中心的影响,易陷入局部最优解的问题,提出一种最小最大核K均值聚类方法。该方法在聚类过程中为簇内方差赋以与其大小成正比的自动修正的权重,并引入核函数技术以处理低维输入空间的线性不可分问题,大大提高了聚类的精确性。在标准数据上将所提方法与标准K-means及K-means++比较,显示了所提算法的有效性和优越性。基于这一聚类方法提出了一种具有自学习能力的故障诊断模型。     

基于分形和概率神经网络的水电机组故障诊断

水电机组振动信号属于非线性、非平稳信号，在不同尺度下呈现一定的相似性，是典型的分形信号。本文运用多重分形方法分析机组振动信号，提取信号的广义维数谱特征，并应用人工鱼群算法优化的概率神经网络进行故障诊断。诊断实例表明，多重分形和概率神经网络结合，能够准确辨别故障类型。与BP和RBF网络相比，该方法诊断识别率更高，速度更快，为机组运行维护人员提供更为可靠的参考依据。     

基于SVD的水电机组轴心轨迹自动识别

在水电机组状态检修系统中，轴心轨迹是诊断机组状态的一个重要特征。文中采用矩阵的奇异值分解（SVD）方法，利用奇异特征值作为特征向量，采取最邻近法对水轮发电机组轴心轨迹的自动识别进行了研究。介绍了方法的原理，并对几类典型的轴心轨迹的自动识别进行了仿真实验，结果表明该方法是有效、简单和可行的。     

基于模糊c均值算法文档聚类问题的研究

应用模糊c均值算法对文档进行分类，具有不使用语法知识、不使用词法规则、无监督等特点．采用模糊c均值算法对文档进行聚类，实验结果表明：该方法优于普通的聚类算法，聚类结果能充分体现文本的多样性．     

基于频谱及轴心轨迹图的汽轮机故障诊断

采用频谱及轴心轨迹图的方法提取仿真台得到的故障振动信号特征,分别建立子BP神经网络,并采用D-S证据理论对子BP神经网络的输出进行融合(多层信息融合)方法,从不同侧面对故障进行诊断。结果表明:采用多层信息融合方法的故障诊断置信度比频谱方法提高约0.03,比轴心轨迹图方法提高0.4,效果显著;对故障类型的识别准确率具有显著提高。     

向家坝左岸电站800 MW级机组轴线调整工艺研究

针对向家坝左岸电站800 MW级机组初次盘车后轴线摆度过大的问题,分析了机组摆度过大的原因,提出了通过机组轴线测量确定机组中心的方法,并以此为基础采用平移轴方法调整机组轴线的工艺方案.试验证明,利用平移轴方法进行轴线调整是可行的,可以有效地减小机组轴线摆度,使其满足水轮发电机安装要求,保障机组运行稳定.     

基于时间序列相似性挖掘的水电机组振动故障诊断研究

时间序列的相似性挖掘是水电机组故障诊断的重要方法,本文提出一种基于频率模糊贴近度的时间序列相似性的数据挖掘方法,用来解决水电机组故障诊断中振摆特征曲线的相似性比较问题。该方法将复杂的时域问题转化为频域问题,通过模糊贴近来度量时间序列之间的距离,刻画出数据时间序列的相似程度。该算法应用到大峡水电站二号机组的故障诊断中,结果表明,该方法能够对故障做出准确判别,分离各种故障类型。由于需要存储的数据比较少,速度快,非常适于水电机组故障诊断中大规模图形序列挖掘。     

基于物联网和模糊聚类的风力发电设备故障诊断系统及方法

为了提高风力发电设备故障诊断的准确性,构建了基于物联网和模糊聚类的风力发电设备的故障诊断系统。首先提出了风力发电设备故障诊断系统的拓扑结构,并介绍了其涉及的关键技术;然后给出了该系统的所采用的数据分析和故障诊断方法,并进行了应用实例分析。结果表明：该风力设备故障诊断系统可监控风力发电设备的运行状态,并能准确地诊断出风力发电设备的故障类型。     

基于SAAFSA优化加权模糊聚类算法的变压器故障诊断

针对加权模糊聚类算法(WFCM)应用于变压器DGA分析时存在收敛速度慢、对初始值敏感的问题,提出了一种改进人工鱼群优化加权模糊聚类算法(SAAFSA-WFCM)的变压器故障诊断方法.该方法利用模拟退火算法(SA)来改进人工鱼群算法(AFSA)以求取最佳初始聚类中心,在发挥AFSA优异的全局寻优能力的同时,利用SA的概率性突跳搜索机制对AFSA实施局部优化,提高了AFSA的搜索精度.WFCM算法以得到的最佳初始聚类中心为初值进行迭代运算,最终求得更接近实际位置的聚类中心,克服了WFCM易受初值影响的缺陷,加快了收敛速度.仿真与实例分析表明,该方法可有效应用于变压器的故障诊断,并有着较高的诊断正确率和诊断效率.     

水电机组轴心轨迹分析与转子动平衡研究

首先对机组进行稳定性测试,通过测试数据分析和查找振动原因,同时对机组进行轴系状态和轴心运行轨迹分析,检测机组的轴线运行情况和导轴瓦间隙调整情况。最后通过对机组导轴瓦间隙进行了调整,并对发电机转予进行现场动平衡处理,较好地解决了发电机组的振动问题。     

小波包能量谱和功率谱分析在水电机组故障诊断中的应用

小波包克服了小波分析在高频空间分辨率差的缺点,能够给信号提供更加精确的分解。因此在小波包分析的基础上,从能量和功率分析的角度出发,阐述了在水电机组故障诊断中采用小波包能量谱和功率谱分析相结合的信号特征提取的方法。通过对实验及电厂振动故障信号的提取与分析,表明小波包能量谱和功率谱分析相结合的信号特征提取方法准确而高效,是一种应用价值较高的信号特征提取方法,并能为机组故障的准确诊断提供依据。     

基于点密度加权核模糊聚类的变压器故障诊断方法

变压器油中溶解气体分析(DGA)是电力变压器绝缘诊断的重要方法。针对模糊C-均值聚类算法(FCM)用于DGA时存在可分性差和等趋势划分等问题,用样本点分布密度大小作为权值,结合核函数的增强可分性,提出点密度加权模糊核C-均值聚类算法,并将其用于变压器DGA数据分析,从而实现变压器的故障诊断。实例分析结果表明该算法能快速、有效地对样本进行聚类,且特别适用于含有噪声样本的环境。     

基于EEMD近似熵的水电机组振动信号特征提取

对于水电机组非平稳非线性振动信号特征提取方法的研究近年来一直是水电机组故障诊断领域研究热点,特征提取的有效性直接关系到故障诊断的准确性。本文提出基于集合经验模态分解(EEMD)和近似熵的水电机组振动信号特征提取方法,将信号经EEMD分解后筛选得到的本征模态分量(IMF)近似熵特征值输入概率神经网络(PNN)进行模式识别。采用经验模态分解(EMD)和近似熵特征提取方法进行对比实验。识别结果表明:采用EEMD和近似熵的特征提取方法,能有效区分机组不同的运行状态,可为实际工程应用提供理论依据。