航天器遥测数据可信度分析与研究

航天器遥测数据由于误码的原因,具有不准确性。为了解决故障诊断时遥测数据导致推理结果的不准确性,提出在遥测数据上加可信度后再发送给推理机。本文研究分析了航天器缓变遥测参数值的特性并给出其可信度定义,依据其特性提出了计算缓变遥测数据的可信度算法,并进行了结果验证。     

基于数据驱动的汽轮发电机组非线性振动故障诊断技术研究进展

汽轮发电机组的精准、快速地故障诊断对提高其安全性、经济性具有重要意义。随着汽轮发电机组运行数据的积累与数据驱动技术的发展,基于数据驱动的汽轮发电机组非线性振动故障诊断技术成为了该领域内的研究重点。首先统计了汽轮发电机组振动故障的概率分布,阐述了主要的非线性振动故障机理;其次综述了振动故障的非线性特征提取技术、基于数据驱动的非线性振动故障诊断方法的研究进展;最后展望了汽轮发电机组非线性振动故障诊断技术的发展方向：将虚拟现实、数字孪生、人工智能、数据挖掘深度融合,实现汽轮发电机组非线性振动故障诊断。     

基于时空自注意力的航天器电源系统故障诊断

航天器电源系统是航天器关键子系统之一,其运行状态直接影响整个航天器系统的寿命和性能,因此采用先进的技术对电源系统进行故障诊断,以此提高航天器在轨可靠性和安全性成为目前故障诊断领域的研究重点。基于深度学习的方法具有拟合能力强、特征提取丰富等优势,成为故障诊断领域的主流方法。然而,在航天器电源系统故障诊断领域,主流的故障诊断方法无法捕获序列的长期依赖关系且局限于时间维度建模,严重影响故障诊断方法的性能。因此,本文提出一种基于时空自注意力机制的方法,对航天器电源系统进行高效准确的故障诊断。方法采用基于Transformer的编码器结构提取空间航天器遥测数据中的高维特征,并对其中的自注意力机制进行优化,采用时间卷积提取处理时序特征信息,并采用时间、空间双向自注意力机制提取数据中的时空特征,然后对模型提取的特征进行映射得到空间航天器故障诊断结果。最后在航空电源系统数据集上开展相关实验。实验结果表明与目前故障诊断领域常用的方法进行相比,所提方法具有更强的故障表征提取能力,可有效提高航天器电源系统故障诊断能力。     

不同型号滚动轴承故障诊断方法

滚动轴承多数时间处于正常运行状态,且其型号多样,存在某种型号滚动轴承带有标签的故障数据稀缺甚至无法获取,导致故障诊断准确率不高甚至无法诊断。针对该问题,提出一种不同型号滚动轴承深层特征迁移的故障诊断方法。该方法首先对不同型号滚动轴承振动信号进行短时傅里叶变换,并构建二维图像数据集,选择某种型号数据作为源域,其他型号数据作为目标域;其次构建领域共享的改进AlexNet深度卷积网络,并引入条件对抗机制,将特征与标签联合分布的优化方法改进为随机线性组合,提取深层特征,实现源域和目标域特征及标签的同时自适应,达到迁移的目的;最后,在训练过程中采用涅斯捷罗夫加速梯度下降优化算法加快梯度收敛,建立不同型号滚动轴承的故障诊断模型。经实验验证,所提方法可实现不同型号滚动轴承正常、不同损伤位置及程度的多状态分类,并获得较高的准确率。     

基于数据驱动的风电机组状态监测与故障诊断技术综述

随着大规模风电场的建设,风电机组的状态监测和故障诊断成为一个重要的研究课题。早期的风电机组状态监测和故障诊断依靠人工巡检,而随着风电机组装机容量的不断增长,人工巡检的成本和难度也随之增加。近年来,基于数据驱动方法的风电机组状态监测和故障诊断逐渐成为热点。文中从运行数据类型出发,对相关研究内容进行综述。首先,针对风电机组数据采集与监控（SCADA）系统,从监测对象角度出发,剖析基于SCADA数据的状态监测与故障诊断方法的研究现状;其次,针对风电机组组件振动数据,分析对比各类振动故障特征提取方法的优点和局限性;然后,针对新兴基于图像数据或数据-图像转换数据的状态监测与故障诊断方法,从单一图像诊断和数据-图像转换评估两方面对现有研究进行论述与总结;最后,对未来状态监测和故障诊断的研究方向进行了展望。     

数据驱动创新 场景引领未来

当今社会正处在数据爆炸、知识爆炸的信息化时代,大数据(Big Data)发展日新月异,新技术、新应用层出不穷。为认识大数据、理解大数据,使大数据在各项工作中发挥更大作用,借助通俗的语言和应用场景来揭秘大数据,阐述大数据的基本概念、基本要素和核心技术。     

基于数据驱动的配电网规划投资决策方法

随着电力系统智能化和互动化的发展,配电网规划要素不断增加,以配电网投资效益机理分析为基础的规划投资决策模型构建越发困难。针对这一问题,提出了一种基于数据驱动的配电网规划投资决策方法。首先结合配电网规划目标及区域情况,构建规划投资指标体系。其次以与效益指标相关的各因素指标为输入,利用深度学习构建配电网投资效益模型,并通过迁移学习解决深度学习难以在小样本情况下有效应用的问题。在上述基础上,将投资效益模型替代配电网规划投资模型中的目标函数,并利用遗传算法对规划投资模型进行求解,获取规划投资方案。最后,通过算例分析验证了该方法的可行性与有效性。     

数据驱动的锂离子电池健康状态估计

为契合纯电动汽车实车电池数据特点,提出一种数据驱动的锂离子电池健康状态(SOH)估计方法。基于前馈神经网络和循环神经网络模型,通过电池动态放电数据学习其动态特性,并参考锂离子电池电化学模型中电池端电压的组成公式,设计电池系统辨识神经网络的结构。该神经网络能较精确地学习电池的端电压响应和预测电池的恒流放电电压曲线,平均误差小于20 mV。基于曲线相似度计算法,利用模型预测的恒流放电电压曲线,对电池的容量和SOH进行估计。所提出的方法可对电池SOH进行精确估计,误差小于2.5%。     

基于迁移VPMCD的滚动轴承故障诊断方法

针对滚动轴承诊断中难以获得大量故障样本的问题,拟结合迁移学习的思想,提出了一种基于迁移学习的多变量预测模型(TVPMCD)方法。该方法首先采用已知样本库建立基础变量预测模型(BVPM);然后利用少量的目标域已知样本更新基础变量预测模型,使得更新的基础变量预测模型能兼顾目标域已知样本的信息;同时,以目标域已知样本的判别误差最小为目标,剔除已知样本库中误识样本,建立迁移变量预测模型(简称TVPM);最后利用迁移变量预测模型对待测样本进行识别,从而可以有效地解决小样本的故障诊断问题。对滚动轴承数据的分析结果表明,适合于小样本的TVPMCD模式识别方法可以更快更准确地识别滚动轴承故障类型。     

A fault diagnosis method for three-phase rectifiers

In this article, we proposed a novel method based on principal component analysis and support vector machines was presented for fault diagnosis of three-phase rectifiers, in which the principal component analysis of fault signal is used to extract the features corresponding to various fault, then fault types are identified through the pattern recognition classifier based on support vector machines. The simulation result of fault diagnosis of a thyristor in a three-phase full-bridge controlled rectifier shows that the method can make an accurate identification of fault types as well as the location of the fault elements for power electronics circuits, and it has an excellent performance for noise robustness and calculation complexity. Therefore, it is quite practically valuable in the solution to the fault problems for power electronics rectifiers.     

动力学小波字典驱动的轴承故障个性化稀疏诊断

针对轴承信号稀疏分解方法中因轴承个性化振动行为导致稀疏分解字典与故障信号适配性差,以及因字典参数设置、选取不当而使其在实际应用中稀疏分解效果不佳的问题,提出一种基于动力学小波字典的个性化稀疏诊断方法。该方法基于有限元技术和稀疏分解的思想,根据轴承所处运行工况的不同,建立个性化动力学仿真模型,仿真出振动信号,并从中提取出单个瞬态冲击作为字典原子,将原子进行拓普利兹(Toeplitz)延拓生成动力学小波分析字典,结合正交匹配追踪算法(OMP)对信号进行稀疏分解并重构,提取轴承故障特征频率。动力学模型仿真信号和试验台信号的分析结果表明,相比常用的相关滤波算法(CFA)构造的参数字典、K-SVD自学习字典和快速谱峭度方法,所提出的方法可以更加准确有效地提取故障特征成分,且具有较好的的稳定性和可拓展性。     

Data driven approach for fault detection and diagnosis of turbine in thermal power plant using Independent Component Analysis (ICA)

In this paper, a statistical signal processing technique, known as Independent Component Analysis (ICA) for fault detection and diagnosis in the real Turbine system (V94.2 model) is suggested. The information of one of MAPNA’s power plants turbine system is utilized at first. In order to reduce the dimensionality of the data set, to identify the essential variables and to choose the most useful variables, PCA approach is applied. Then, the fault sources are diagnosed by ICA technique. The results indicate that suggested approach can distinguish main factors of abnormality, among many diverse parts of a typical turbine system. The presented results will show that suggested approach can avoid false alarms and fault misdiagnosis due to changes in operation conditions and model uncertainty. The presented results show the validity and effectiveness of ICA approach for faults detection and diagnosis in noisy states.     

基于最大概率的故障指示器故障判定方法

为解决配电网故障指示器信号错报及漏报情况下的故障判定问题,分析了故障指示器的特点,提出了配电网最小故障判定区域的概念。基于配电网最小故障判定区域建立了故障指示器故障判定数学模型。分析了故障指示器信号特点,以“三选二”原则提出了一种基于概率的故障指示器组合信号处理方法。结合最小故障判定区域模型和故障指示器组合信号,以故障指示器之间的相互依赖关系为依托,提出了一种基于最大概率的故障指示器故障判定方法。该方法以各区域假设故障后的模拟故障信号与实际情况下的故障信号之间的相似度表征故障发生的最大可能区域,并给出了详细公式。该方法在故障信号漏报和错报较少情况下具有很好的容错性,能够较为准确地确定故障区域。并且给出各个区域的可能概率,提供了故障备选方案,方便调度与运检人员干预排查故障,具有较好的现场应用价值。     

电力变压器故障诊断的可拓集法

基于可拓理论,在传统油中溶解气体分析DGA(Dissolved Gas Analysis)三比值法基础上,提出一种可拓集变压器故障诊断方法。首先,建立三比值法的物元模型,然后给出点对区间的可拓相关函数,利用该函数计算进行变压器故障诊断。仿真计算证明该方法能克服传统三比值法的编码不全,不能诊断多重故障的缺陷,提高了诊断精度。     

A novel extension method for transformer fault diagnosis

Dissolved gas analysis (DGA) is one of the most useful techniques to detect incipient faults in power transformers. However, the identification of the faulted location by the traditional method is not always an easy task due to the variability of gas data and operational variables. In this paper, a novel extension method is presented for fault diagnosis of power transformers, which is based on the matter-element model and extended relation functions. Thus, incipient faults in power transformers can be directly identified by the degree of relation. The application of this new method to some transformers has yielded promising results.     

The relaxation pseudocircuit method for analogue fault diagnosis

An efficient frequency domain relaxation frequency pseudocircuit (RPC) approach is proposed and the associated solvability conditions are derived for analogue fault diagnosis. In this approach all the elements in the circuit are described by the associated relaxation models and the solution of the RPC is obtained iteratively by the phaseor technique. Consequently the diagnostic process is unified in the frequency domain and both the development of the theory and the implementation for practical application are made easier via this unified approach. Besides, both the order of the RPC and the measurement cost are reduced. This is useful especially when a high-Q network is involved or the solution is hard to obtain in the time domain. Two examples are illustrated to show the efficacy of the proposed method.     

基于改进卷积双向门控循环网络的轴承故障诊断

针对传统深度学习方法没有充分利用轴承信号的时序特点,以及难以处理动态数据的问题,提出一种基于改进卷积双向门控循环神经网络的轴承故障智能诊断方法.采用卷积神经网络从输入信号中提取代表性特征,引人双向门控循环神经网络挖掘故障数据在时间维度上的语义信息,通过注意力机制自适应地对特征图通道赋予不同权值,从而实现高精度的轴承故障...     

一种轴承故障诊断的多任务深度学习方法

提出一种基于多任务深度学习的故障诊断方法,将故障诊断任务分为故障分类和损伤程度识别.共享层采用卷积神经网络提取监测振动信号中蕴含的故障特征信息,两个子任务模块使用门控循环单元从共享层的输出中进一步提取特征,进行故障分类和损伤程度识别.在多任务深度学习方法中两个子任务模块可以通过共享层相互影响,提高模型的特征提取能力,获...