基于GLCM-HOG和WOA-ELM的往复压缩机气阀故障诊断方法

气阀是往复压缩机在工作过程中极易发生故障的部件。从气阀时频图分析的角度,提出了一种基于GLCM-HOG和WOA-ELM的往复压缩机气阀故障诊断方法。首先,通过小波变换对各运行状态气阀的振动信号进行处理,生成时频图;用GLCM和HOG分别提取气阀时频图特征,融合形成GLCM-HOG特征。然后,利用WOA方法对ELM模型的输入层节点权值和隐藏层节点阈值进行优化,构建气阀故障诊断模型。最后,将GLCM特征和GLCM-HOG特征分别输入到WOA-ELM模型中,来证明本文所提方法的有效性和优越性,从而实现往复压缩机气阀故障的诊断。实验结果表明：与GLCM特征相比,构造的GLCM-HOG特征更能准确全面地反映气阀时频图特征;与ELM模型相比,WOA-ELM模型诊断气阀故障的准确率更高。     

基于油色谱时频域信息和残差注意网络的变压器故障诊断方法

提出了一种基于油色谱时频域数据和残差注意力的变电站故障分类模型。对收集到的油色谱数据,计算其频域分量和时频域分量的特征比值,将所有数据作为网络的输入来训练网络;残差注意力网络通过跨层连接的方式来堆叠注意力模块,以降低网络的过拟合影响并提升模型训练速度,同时注意力模块能够重点关注对结果影响大的信息,进一步提高对变电站故障分类的准确度。通过实际数据验证了所提方法的有效性和性能的优越性。     

往复活塞式冰箱压缩机气流脉动噪音探析

本文对往复活塞式冰箱压缩机气流脉动噪声的形成机理,气流脉动噪声对压缩机及制冷系统的影响进行了剖析,结合目前行业技术水平,对压缩机气流脉动噪声控制进行了实验分析,阐述了压缩机的气流脉动噪声产生的原理及控制办法。     

基于时序卷积残差网络的主动配电系统线路短路故障诊断方案

主动配电系统结构复杂、控制灵活,线路短路故障特征微弱,亟须适应性强、精度高的诊断方法。该文提出一种基于时序卷积残差网络的主动配电系统线路短路故障诊断方案。该方案根据故障前后各特征通道之间在对应时刻的强相关性,利用时序卷积核沿时间轴方向卷积,提升感受野,减少信息损失,并利用残差网络的短接特性、深层挖掘故障特征,构建基于时序卷积（T-Conv）的残差网络模型。所提出的主动配电系统线路短路故障诊断方案融合故障检测、故障选型、故障定位功能,并将输出结果通过AND布尔算子结合,进一步提升故障诊断可信度。利用所搭建10 kV主动配电系统电磁暂态模型进行仿真验证,与现有同类型方法进行对比,结果表明所提故障诊断方案诊断精度高、计算速度快、无需附加信号处理算法,可直接端到端构建诊断模型。     

采用核主元残差空间分析方法诊断传感器故障

将核主元的高维特征空间分为主元空间和残差空间,提出了1种基于残差空间的故障分离算法,其约简了反映主元空间的分项,使计算量大幅降低.应用该方法诊断传感器故障具有不受残差污染,易于实现等优点.对某600 MW机组回热系统测量数据进行分析结果表明,基于核主元残差空间分析传感器的故障诊断方法能够及时诊断出不同类型传感器的故障,即使在多个传感器同时出现故障时,也能够准确诊断出故障,并能够及时地分离出故障传感器.     

基于改进残差网络的电缆终端缺陷识别方法

针对动车组乙丙橡胶电缆终端缺陷局部放电识别准确率低的问题,提出一种基于改进残差网络的车载电缆终端缺陷识别方法。首先制作了含4种典型绝缘缺陷的电缆终端,搭建局部放电检测平台获取不同缺陷状态的局部放电信号、建立数据集;然后利用特征变换将局部放电一维时序信号转换为二维拓扑特征图像,从而增强缺陷类别的可区分性;最后,在残差网络ResNet101模型中加入注意力机制,同时融合Center和Softmax损失函数进行训练和识别分类,进一步提升准确率。测试结果表明,该诊断方法对电缆终端局部放电的识别准确率高达97.3%,相比于其他传统缺陷诊断方法,模型的识别精度更高、均衡性更好。     

K-241/A氨气压缩机电机振动故障的诊断与处理

连续催化重整装置的氨气螺杆压缩机组在大修后电机振动突然加剧,为此,对故障原因进行诊断,提出了解决措施。检修后,经空载及重车试运行,机组运转平稳,相关运行参数正常,振动问题得到了解决。     

基于残差BP神经网络的变压器故障诊断

基于传统BP神经网络的变压器故障诊断方法,当网络模型达到一定的深度时,模型的诊断性能会趋向于饱和,无法进一步提升网络模型的诊断性能,此时加深网络模型的深度反而会导致模型的诊断性能有所下降。此外,在小样本数据下,传统BP神经网络仍无法取得较好的诊断准确率。因此,为了提高变压器故障诊断准确率以及在小样本数据下的诊断性能,提出了基于残差BP神经网络的变压器故障诊断方法。所提方法采用堆叠多个残差网络模块的方式加深BP神经网络的深度,将传统BP神经网络的恒等映射学习转化为残差BP神经网络中的残差学习。同时,在每个残差网络模块中,模块的输入信息可以在模块内跨层传输,使得每个模块的输入信息可以更好地向深层网络传递,从而在小样本数据下仍可以训练得到较好的诊断模型。实验结果表明,相较于传统深层BP神经网络和传统浅层BP神经网络,所提方法具有更高的诊断准确率,同时在小样本数据下也体现出较好的诊断性能。     

基于改进型ANFIS的矿用空压机故障诊断系统

考虑到矿用空压机在长期运行过程中容易由多种因素复合共同作用而出现各种故障,且产生故障的原因和故障之间表现出非线性关系难以用数学模型表达等问题,建立基于改进型自适应神经模糊推理系统的故障诊断系统。该系统采用附加动量算法不断修正自适应神经模糊推理系统中的前题参数以避免采用梯度下降算法时易陷入局部极小,训练速度较慢等缺点,提高系统的忽略网络中微小变化的能力。为了验证该故障诊断系统的性能,将其与基于BP神经网络的故障诊断系统相比较。分析与实验结果表明,改进型ANFIS模型的诊断输出与实际情况完全相符,最大误差为13.7%,最小误差为0.17%,其诊断准确度达到95.85%,在训练速度、误差精度以及收敛性等方面,其性能优于BP神经网络。     

基于卷积神经网络的变压器故障诊断方法

变压器是电力系统中的重要设备,其安全与稳定直接影响着国民经济的健康发展。油中溶解气体分析(Dissolved Gas Analysis,DGA)是分析变压器故障类别的重要手段。卷积神经网络是深度学习的一种模型,广泛应用于图像识别、语音处理等领域,具有非常好的分类能力。文章选取了变压器的五种油中溶解气体含量作为模型输入量,在借鉴传统浅层BP神经网络油中气体分析方法的基础上,针对BP神经网络表达能力不足以及容易过拟合的缺点,将卷积神经网络应用于变压器故障诊断,并与BP神经网络的分类效果进行了对比,通过算例研究证明了卷积神经网络的效果更优。文章也对卷积神经网络的卷积核个数、卷积核大小以及采样宽度对分类效果的影响进行了探讨。     

基于神经网络的无刷同步电机控制系统的故障诊断研究

设计了一套无刷同步电机控制器的故障诊断系统,利用实际的非线性控制系统训练神经网络状态观测器,根据系统实际输出与神经网络观测器输出之间的残差来判别和检测实际控制系统的故障,针对系统控制器、电流和速度传感器故障进行仿真实验故障诊断研究。仿真结果表明该方法能有效抑制噪声,并快速准确地确定故障发生的时间、位置、大小以及故障的类型,具有很强的鲁棒性,且适用性和应用价值强。     

基于贝叶斯网络的电容型设备故障诊断方法

提出了基于贝叶斯网络的电容型设备故障诊断方法,阐述了贝叶斯网络的构建过程.通过广泛收集有关电容型设备的故障资料,综合其各种检测数据和故障征兆,获得了较为全面的故障集和征兆集.经过对数据的统计分析获得了各故障类型下各征兆量有明显体现的条件概率,在此基础上建立了基于贝叶斯网络的电容型设备故障诊断模型,并根据电容型设备故障诊断的特点改进了贝叶斯网络的推理过程,采用连概率计算过程进行故障类型的概率信息计算,根据概率信息进行故障分类,提高了该方法的实用性.通过电容型设备故障实例分析,诊断结果验证了该方法的正确性和有效性.     

基于贝叶斯网络信息融合的直流配电网故障诊断方法

新型直流配电系统故障期间暂态特征复杂多变,继电保护存在拒动和误动情况。为了避免继电保护的不正确动作对故障诊断产生影响,提出一种基于贝叶斯网络信息融合的直流配电网故障诊断方法。首先,对传统继电保护贝叶斯网络模型进行改进,同时考虑直流配电网故障限流策略,分别构建保护动作信息、断路器动作信息和限流策略信息3种贝叶斯网络模型,对故障区域内各元件的故障概率进行初步评估。其次,利用D-S证据理论将各元件对应的故障概率信息进行融合,完成故障元件的判别。然后,应用故障元件对应的贝叶斯网络模型识别误动或拒动的保护装置与断路器,实现对直流配电网的故障诊断。最后,通过算例验证了所提故障诊断方法的可靠性以及准确性。     

基于遗传神经网络的电力机车主变流器故障诊断

在变流器的故障诊断系统中,针对BP算法存在收敛速度慢、容易陷入局部极小值的问题,采用了遗传算法的选择、基因突变（基因重组）及变异过程代替BP神经网络的反向传播过程的遗传神经网络算法。通过仿真试验证明,该算法具有收敛速度快及推广性强的特点,极大提高了变流器的故障诊断系统的效率和准确性。     

基于分形神经网络的电力电子电路故障诊断

针对电力电子电路的故障,分析了故障产生的特征类型,提出了基于分形理论及BP网络故障诊断的方法。以三相整流桥路为例,利用分形理论建立了故障元与分形维数之间的关系,对故障信息做预处理。通过仿真试验提取出用于BP神经网络训练的学习样本,并构建了用于不同类故障的三层BP神经网络结构,继而确定故障点。     

基于深度置信网络的电网安全稳定控制系统故障诊断方法

安全稳定控制系统（安控系统）控制节点多,控制链条长,若因故障导致拒动或者误动,将给电网的运行造成严重危害。安控系统的故障诊断是电力系统安全稳定运行的基础。现有安控系统的故障诊断主要依赖于技术人员依据通信报文辅助判别异常原因,难以对安控系统各个环节故障进行实时诊断。为此,分析了安控系统故障的存在环节和产生原因,提取了安控系统故障特征量;进而建立了基于深度置信网络的安控系统故障诊断模型,提出了安控系统故障诊断方法;最后选取安控系统运行故障样本,验证了故障诊断方法的正确性。