面向状态检修的分布式诊断专家系统

运用分布式系统理论，结合大型电厂设备状态检修的诊断需求，提出了一种多层结构的分布式诊断系统模式，将诊断任务划分为专项诊断、设备诊断、机组综合诊断以及专家会诊等4个层次，采用黑板结构实现诊断层间诊断任务的协调，有效地提高了诊断效率和诊断定位的准确性。对各层的诊断单元的具体实现进行了阐述。     

电网故障最优诊断的查询方法EI北大核心CSCD

针对传统专家系统在电网故障诊断应用中的局限性,提出一种基于模型诊断的电网故障最优诊断的查询方法。该方法按照基于因果关系的诊断思想,得到预设故障输出对应的预备候选诊断,然后根据故障后的电气信息从匹配的预设故障输出中确定候选诊断,最后,运用贝叶斯理论计算候选诊断的故障概率,并查询最大概率的候选诊断作为电网故障的最优诊断。该方法通过离线获得预备候选诊断,在线确认候选诊断的手段,缩减了诊断的时间,在利用贝叶斯定理处理诊断的不确定性时,将告警信息引入到模型诊断逻辑框架内计算元件的实际故障概率,提高了诊断的准确性。算例分析结果验证了所提方法的有效性和可行性。     

基于模型分层的配电网故障诊断方法

针对配电网故障的基于模型诊断方法在发生多重多相故障时存在诊断速度慢、诊断准确率不高、容错能力低的情况,提出一种适用于配电网故障的基于模型分层诊断方法。在诊断算法上,利用新的适应度函数和特征学习搜索策略来提高诊断速度和诊断准确率。在诊断模型上,利用分层的方法,将单层单次高维度运算转变为2层多次低维度运算,进而再次提高诊断速度、诊断准确率;通过定义等效部件的约束关系式提高第1层诊断的容错能力,利用电压约束和电流约束的冗余关系提高第2层诊断的容错能力。算例表明,与其他模型相比,基于模型分层诊断方法的诊断速度有了较大的提高,诊断准确率始终维持在理想值附近,容错能力明显增强;在大规模配电网故障诊断中,其优势明显。     

汽轮机设备故障诊断技术的发展与展望

从信号收集、故障机理、诊断方案几个方面介绍了汽轮机设备故障诊断技术的发展状况和诊断技术的内容,并且对各种诊断方法的特点进行了比较,提出了汽轮机回热系统诊断的难点。根据各类诊断技术的特点,指出了汽轮机回热系统故障诊断的发展趋势:回热系统的故障诊断将继续融合热力诊断、性能诊断、逻辑推理等方法及人工智能、数据挖掘等技术,实现全方位的检测技术和对已有知识体系的深度融合技术。     

以不停电检测状态量为主的变压器故障诊断方法研究

目前被广泛研究和使用的是融合多种状态量的变压器综合诊断方法,该方法提高了诊断的准确性,但同时也带来了一些问题,主要问题在于这种方法需要的状态量多、诊断效率低、导致停电时间过长。因此,文中提出了一种以不停电检测状态量为主的分步诊断方法,其包括初步诊断和精细诊断两个阶段。初步诊断阶段仅以不停电检测状态量为诊断依据,在无需停电的状态下将变压器故障分为热故障、电故障、受潮或脏污、变形4大类;在精细诊断阶段,根据初步诊断结果,选择出多种必要的停电试验信息,并利用故障机理和粗糙集理论进行进一步的故障确认和细分,判断发生的位置。与其他方法相比,该诊断方法可以缩短停电时间、提高诊断效率。最后,诊断实例验证了该方法的有效性。     

基于DGA的变压器故障诊断多专家融合策略

介绍了基于油中溶解气体分析(DGA)的电力变压器故障综合诊断。采用的诊断判据主要包括改良三比值法、大卫三角形法、神经网络和范例推理。在多专家(多诊断判据)的参与下,可能出现诊断结果相互冲突的问题,而如何融合不同诊断判据下的诊断结果仍是一个难点。为解决这一问题,在把各诊断结果分解为放电和过热故障的基础上,引入了多专家加权投票策略(加权多数算法)。权重系数根据各诊断判据的诊断正确率初步确定。实践证明了该方法的可行性。     

一种针对分段线性模型的改进型CCM故障诊断方法

针对非线性模拟电路的故障诊断,提出了一种改进型CCM诊断方法：先建立电路的分段线性化模型,分别在各分段区域内列写CCM故障诊断方程,再通过去除CCM方程中的不敏感元件的影响,降低诊断方程的维数,最后通过计算所有区域的诊断特征值以得到诊断结果。这种方法结合了分段线性模型和CCM诊断方法的优势,减少了CCM诊断方程的运算代价,提高了CCM诊断方法的应用价值。实验证明采用这种方法后在保证诊断准确率不变的前提下效率有明显提高。     

基于RBF神经网络的风力发电机组故障诊断研究

风力发电机组是一个复杂的机电系统,采用整机诊断模式将使系统非常复杂,诊断效果也不理想;采用两层诊断模式不但实现起来简单,而且可以获得很好的诊断效果。使用RBF神经网络对发电机子系统进行故障诊断,仿真结果表明该诊断方法满足要求。     

西门子工业网络故障诊断综述

介绍了西门子公司工业网络故障的主要原因,包括安装不规范、从站断电或从站模块硬件故障、通信瞬时中断、终端电阻设置错误和干扰信号影响等;给出了网络故障诊断的主要方法,包括使用模块上的LED诊断、使用处理故障的中断组织块的局部变量诊断、用STEP 7诊断、用报告系统错误功能诊断和显示故障、使用计算机和PLC的通信处理器诊断以及调用诊断程序块诊断等。     

电站锅炉燃烧实时诊断应用技术

较全面地介绍了国内外有关锅炉燃烧诊断研究方面的成果,主要包括燃烧火焰检测诊断技术和压力脉动燃烧诊断技术等。讨论了提高燃烧实时诊断可靠性的具体方法。     

基于模糊数学和概率论的变压器故障诊断

为克服现有专家系统人工神经网络和模糊数学等诸多不足,基于前人对变压器故障诊断理论的研究,综合考虑变压器电气试验、油中溶解气体检测分析及观测信息,并引入模糊数学、概率推理和节约覆盖集理论,建立了一个新的变压器故障综合诊断模型。模糊隶属函数利用各专家的语义强度和经验,建立变压器故障性质与故障征兆之间的因果强度关系,再将概率统计和模糊数学相结合,利用节约覆盖集的理论重新筛选故障征兆集,重构相对似然函数。形成的模型能最大限度融入专家的知识,充分考虑了变压器的历史检修记录,使诊断结论更准确、可信。案例分析表明,该模型即使在只有部分征兆的情况下亦能准确诊断,对综合诊断变压器故障性质具有明显的优越性。     

基于序列数据异常趋势识别的故障诊断方法

在专家诊断经验中经常会采用序列数据的变化趋势作为诊断依据。由于重大设备诊断缺乏故障样本,多以专家经验为依据,使一般的定性趋势分析方法不易在智能诊断系统中直接应用。因此,提出了一种融合专家经验的序列数据趋势识别方法。该方法基于专家对趋势特征的描述,以模糊矢量形式描述序列数据的变化趋势。然后通过趋势识别决策树,实时判断数据趋势类型。将该方法应用于汽轮机故障案例中,验证了该方法提取的趋势特征可有效提高汽轮机故障诊断模型的准确度。     

概率因果网络在汽轮机故障诊断中的应用

在分析了汽轮机振动故障特点的基础上,提出了用遗传算法进行汽轮机等旋转机械故障诊断问题,定义了遗传算法求解故障诊断问题的概率因果网络,给出了求解故障诊断的数学表达式和适合汽轮机等旋转机械的故障集、征兆集、因果强度和先验概率表。建立了汽轮机故障诊断模型指出表达式的最小值的集合对应于故障集和征兆集,该模型能有效地识别出汽轮机的多故障,弥补了专家系统和神经网络等诊断方法不能正确诊断多故障的不足。     

基于改进PSO-BP神经网络和D-S证据理论的大型变压器故障综合诊断

阐述了已有变压器故障诊断方法的不足,并将信息融合的基本思想引入变压器故障诊断中。针对电力变压器故障综合诊断的特点和要求,运用改进粒子群优化-反向传播（PSO-BP）算法训练神经网络并结合D-S证据理论,提出了一种基于信息融合技术的变压器故障综合诊断决策模型。该模型以油中溶解气体色谱分析为基础,结合变压器常规电气试验结论与现场运行、维修经验,得出了较为可靠的诊断结果,实例验证也证明了该方法的有效性。     

基于Qt/Embedded的断路器故障诊断专家系统

设计了基于Qt/Embedded多线程机制的断路器故障诊断专家系统,提出一种综合故障仿真、故障模拟、数学模型分析结果及业内专家经验、文献资料等建立断路器故障诊断专家系统知识库的方法。针对断路器知识库的特点,选用产生式规则及框架表达知识,设计了专家系统的推理机制。最后,对专家系统的有效性进行了试验验证。     

改进秃鹰搜索算法优化SVM的变压器故障诊断研究

支持向量机(support vector machine, SVM)用于变压器故障诊断时,其核函数参数g和c的最优值难以根据人工经验选取,故障诊断准确率较低;而秃鹰搜索算法(bald eagle search, BES)存在易陷入局部最优和收敛精度低的缺陷。针对以上问题,提出一种改进秃鹰搜索算法(Ct-GBES)优化SVM参数g和c的变压器故障诊断模型。采用tent混沌映射、自适应t-分布及动态选择、黄金正弦算法对BES的3个阶段进行改进和优化,以提高算法的收敛速度和搜索能力。通过与原始BES、布谷鸟算法(cuckoo search, CS)和萤火虫算法(firefly algorithm, FA)的寻优对比测试,验证了Ct-GBES算法的优越性。将Ct-GBES-SVM模型与SVM、FA-SVM、CS-SVM模型进行故障诊断实验对比,并与BES-SVM模型进行稳定性实验对比。结果表明,所提模型准确率更高、稳定性更好、运行时间更短,其故障诊断效果更好。     

基于多数据源的电力变压器分层故障诊断系统设计

在现有变压器在线监测条件普遍不足的前提下,介绍了一种基于多数据源的变压器分层故障诊断系统。该系统充分利用在线监测数据和各种电气试验、运行状况以及专家经验等信息,将人工神经网络和基于事例(case)推理的专家系统结合起来,在不同层次的故障诊断模型中采用不同的智能诊断手段,逐步深入、细化诊断结果,并对系统的数据流和知识流进行合理的总体规划。该系统还提供了模拟变电站数据的仿真器,可用于系统的测试,在一定程度上保证了其可靠性。     

电网企业信息运维故障诊断模型的研究与应用

电力行业信息化已然成为新时代之大势所趋,对于电力调度运维中心来说,如何确保信息系统各种软硬件资源的正常运行是一个值得研究的重要问题。文章充分利用运维监管方法,提出一种基于FP-Growth关联规则算法的电网企业信息运维故障诊断模型。首先对电网信息系统运维监管模式进行了构建,根据电力企业规程和运维人员的实际经验制定了一系列运维指标。然后在此基础之上详细设计了信息运维故障诊断模型,分析在不同指标违规的情况下诊断推理的过程,并将其应用到实际运行的电网企业信息系统实时监管平台(ISRMP)中。最后介绍了某省电力有限公司信息通信公司ISRMP的初步实践。     

基于局部放电监测的变压器故障诊断系统研究

在分析局部放电的监测和故障诊断研究现状的基础上,针对所存在的问题,提出了基于局部放电监测的变压器分层故障诊断系统,该系统充分利用局部放电电声联合检测获得的在线监测数据、油中溶解气体分析结果以及停电试验数据、SCADA数据、设备故障及检修记录等信息,将径向基人工神经网络（RBF）技术与黑板型专家系统结合起来,对故障的类型、性质、危害程度以及定位进行逐步深入的分析,并根据诊断结果提出相应的检修策略。最后根据系统的设计思想给出实现方案。     

往复压缩机故障的残差网络诊断方法

往复压缩机结构复杂、激励源众多,极易发生故障。由于故障特征设计困难,且多依靠经验,导致传统方法诊断能力不强。基于卷积神经网络(convolutional neural networks, CNN)的智能诊断方法无需提取特征,可实现端到端的故障诊断,但存在提取故障特征不准确、模型参数量大、训练时间长等难题。为此,提出基于PyTorch深度学习框架的往复压缩机故障诊断方法MPMRNet(multiple-processes-mini-ResNet)。该方法采用多进程加载数据,以残差网络ResNet50为基础网络框架进行深度和宽度的缩减,Adam优化网络、StepLR策略调整学习率,自动处理振动信号时频图像并进行敏感特征深度挖掘和评估。通过多组实验对比,该方法明显缩短了模型训练时间,权重参数量由94.1缩小到0.58 M,模型复杂度由4.11下降到0.21 G,显存占用率由37.08%下降到10.92%,故障诊断的准确率达到98.28%,模型的诊断能力得到了明显提高。