基于深度学习的电力变压器智能故障诊断方法

针对电力变压器的故障诊断问题,提出了一种可用于海量监测数据的智能故障诊断方法。首先设计了无源射频识别(radio frequency identification, RFID)传感器标签用于测量变压器的振动信号,该设计具有结构简单、便利性强和功耗低等优点。针对于测量的变压器振动信号数量大、维度高、成分复杂、信噪比低等特点,利用深度学习技术中堆叠自编码器对测量的信号进行特征提取,提取的特征具有相同状态高度聚集,不同状态明显分离的优点。随后,基于提取的海量特征数据,应用加权贝叶斯分类模型进行故障诊断。为进一步提高故障诊断方法的性能,提出了混沌量子粒子群算法分别对堆叠自编码器和加权贝叶斯分类模型的参数进行优化。通过一个10 kV变压器的故障诊断实验表明,设计的无源RFID传感器标签能可靠地获取变压器振动信号,提出的故障诊断方法具有较高的故障诊断正确率。     

感应电机故障诊断研究现状与发展趋势

感应电机在工业中扮演重要角色,它的可靠安全运行至关重要。由于感应电机结构、湿度以及温度的影响,感应电机的故障时有发生。感应电机在线故障诊断的基本步骤包括提取故障信号、提取故障特征信息以及故障状态识别。首先在线提取故障信号,然后通过信号处理技术提取故障特征信息,最后通过算法确定故障类别。文章对当前的感应电机在线故障诊断的研究现状和发展趋势进行探讨。     

基于信息融合分析的感应电机故障检测方法

为了提高感应电机故障检测的准确性,在分析了感应电机定子线圈短路故障时的振动特征信息及定子电流的谱信息的基础上,指出了单一的振动分析方法或定子电流频谱分析（MCSA）诊断定子线圈短路故障,不能得到准确可靠诊断结果的原因,提出了一种基于信息融合分析的感应电机定子故障检测方法,能有效提取电机定子故障时的特征信息,提高了故障识别的准确性。实验结果证实,基于融合分析得到故障特征可以作为感应电机定子线圈短路故障诊断的依据。     

基于机电信号融合的电励磁双凸极电机绕组匝间短路故障诊断

定子绕组匝间短路是电励磁双凸极电机常见的故障,当匝间短路故障匝数较少时,对电机磁场的影响较小,使得难以通过单一故障特征精确地识别故障。该文通过分析该电机的本体结构和故障特征的提取机理,提出了一种基于振动和相电流信号的多源机电信号融合的电励磁双凸极电机短路故障综合诊断方法——基于多分类支持向量机及改进卷积神经网络的信号融合故障诊断。该文首先根据电励磁双凸极的结构特点研究了短路故障发生时特征信号的变化情况及提取机理;其次根据理论分析结果提出了一种自寻优卷积神经网络结合支持向量机的多源信号融合的故障诊断方法,该方法首先分别利用两种算法计算两个单信号特征下的故障诊断概率,再利用DS证据理论,得出融合后的诊断结果;最后通过实验表明,该文所提出的诊断方法可以更有效地识别电机不同的短路故障,降低了误判率,解决了单一信号源诊断方法精度较低的问题,具有良好的可靠性和互补性。     

空调电机振声信号的盲源分离故障特征提取

电机振声信号蕴涵着丰富的电机状态信息,文中提出利用电机振声信号对电机进行故障诊断,实现噪声出厂检测.由于观测信号信噪比较小,难于提取电机振声信号故障特征.应用肓分离技术从观测信号提取独立的声源信号,提出了基于峭度的盲源分离开关算法,可以在源信号概率密度函数未知时提取独立分量,消除相邻部件辐射噪声的干扰.实验证明该算法成功分离电机振声信号,有效提取故障特征.     

基于D-S证据理论的直流电机故障诊断研究

通过分析直流电机的故障机理,得到在不同信号（如电流、转速、转矩等）中所表现的故障特征,提出了一种神经网络和D-S证据理论的多传感器数据融合技术的直流电机故障诊断方法。利用多源信息间的冗余性和互补性,有效提取故障特征信息,提高了诊断的可靠性和灵敏度。     

一种利用融合相关谱的异步电机故障诊断方法

为提高异步电机故障诊断的可靠性,针对故障特征频谱分量小信号、多成分、难识别的问题,提出一种异步电机融合相关谱故障诊断方法.该方法基于多源信息融合的思想,采用电机定子电流和振动信号的融合相关谱特征作为转子断条及定子匝间短路故障的诊断依据.通过将含有相同故障频率分量的特征信号作融合相关分析,建立不同信号间的相关关系,能够有效抑制单一信号频谱中与故障识别不相关的频谱分量,使得电机故障特征频率分量更加突出,降低故障识别难度.通过仿真分析,揭示了融合相关谱特征频率与电机故障类型的对应关系,实现了转子断条及定子匝间短路故障的快速诊断,并与单一信号频谱分析进行对比,验证了该方法的有效性和实用性,对于异步电机运行状态的准确监测具有重要意义.     

基于D-S证据理论的直流电机故障诊断研究

通过分析直流电机的故障机理,得到在不同信号(如电流、转速、转矩等)中所表现的故障特征,提出了一种神经网络和D-S证据理论的多传感器数据融合技术的直流电机故障诊断方法。利用多源信息间的冗余性和互补性,有效提取故障特征信息,提高了诊断的可靠性和灵敏度。     

基于堆叠稀疏自编码器和深度森林的窃电检测模型

为了提高窃电检测模型的检出率和准确率，提出一种基于堆叠稀疏自编码器和深度森林的窃电检测模型。通过使用用户用电量数据训练堆叠稀疏自编码器，以降低总体重建误差为目标，确定堆叠稀疏自编码器的层数及隐藏层输出向量维度，实现对用户用电特征更有效的提取。将最后一层稀疏编码器隐藏层的输出向量作为深度森林的输入特征向量，对输入特征向量进行多粒度扫描，使用级联森林实现特征深度融合与窃电检测。基于某市6 000个用户用电量数据对该模型的性能进行验证，实验结果表明，对比其他经典窃电检测模型，所提窃电检测模型具有更高的检出率和准确率。     

基于相关分析的感应电机定子故障诊断方法研究

分析了感应电机定子线圈短路故障时的振动特征及定子电流的谱特性，指出由于受电机固有不对称等因素的影响，单纯利用振动谱分析或定子电流信号频谱分析(MCSA)诊断定子线圈短路故障，不能得到准确可靠的诊断结果；提出了一种基于相关分析的感应电机定子故障诊断方法，能有效提取电机定子故障时的特征信息，利用该方法可提高故障识别的精度；实验结果证实，基于相关分析得到的谱特征可以作为感应电机定子线圈短路故障诊断的依据。     

基于降噪自动编码器与一维卷积网络的风机故障诊断方法

针对风力发电机在发生不同故障时相应的传感器数据会发生变化的特点,提出了一种基于自动降噪编码器与一维卷积网络的故障诊断模型。通过构建在时序上能同时识别多个特征的一维卷积层,实现对所有传感器时序数据的特征提取,提取的特征在全连接层的作用下,通过合理设置网络结构与参数,实现对故障的准确识别。同时,针对在复杂生产环境中,传感器的数据会含有噪声的情况,提出了基于自动降噪编码器的降噪方法,通过降噪编码器的降噪作用,将噪声信号重构成原始信号,从而提高在噪声环境下的故障识别效果。仿真算例表明,与基于模型的方法和其他基于数据驱动方法……相比,所提出的方法在精度、鲁棒性上都有明显优势……。     

基于博弈映射学习的多传感源信息融合三相电机智能故障诊断方法

利用多传感数据能够全面地诊断三相电机的各类机械或电气故障，然而现有的智能诊断方法缺乏有效的关键故障信息挖掘与跨传感源特征聚合学习机制，导致其诊断效果不佳。针对以上问题，该文提出一种基于博弈映射学习的多传感源信息融合三相电机智能故障诊断方法。首先，使用多个并行的自学习特征映射网络从各传感数据中自动地提取故障特征；然后，构建传感源鉴别器并使其与自学习特征映射网络形成博弈关系，精炼故障特征并引导其跨传感源分类聚合；之后，将样本差异度量损失函数引入到优化目标中，以确保各类故障特征之间的空间可分性；最后，利用故障模式识别器进行多传感故障特征融合诊断。实验结果表明，该方法能够基于振动、电流、声等多传感数据准确地诊断三相电机轴承故障、转子故障及电气故障，且诊断性能优于现有方法。     

基于堆叠自动编码器的汽轮发电机多指标故障诊断模型

大型发电机的故障诊断对电网安全和经济运行具有重大影响,但由于实际操作中的故障数据较少,且预警指标单一无法满足汽轮发电机故障诊断的要求。因此,提出一种基于堆叠自动编码器的汽轮发电机多指标早期故障预警与诊断模型。首先,根据多种相关性方法对数据进行降维处理,采用堆叠自动编码器来学习降维后数据之间的深层映射关系,并提取出重构误差;在此基础上,建立包括参数与测点温度的静态阈值,重构误差的自适应动态阈值,温度波动差值的动态阈值和电流及有功功率上升速率阈值的多指标综合故障预警与诊断模型;然后建立故障征兆–参数关联合集,将超过阈值的数据结合实际值与预测值的残差值,完成故障的具体诊断。最后,以京能集团河北涿州电厂以及山西某热电厂350MW汽轮发电机实际数据为例,验证所提出的基于堆叠自动编码器的汽轮发电机多指标故障诊断模型的有效性,算例分析表明,所提出的基于堆叠自动编码器的汽轮发电机多指标故障诊断模型能够提前2～10h预警故障并诊断出故障类型,为汽轮发电机安全稳定运行提供保障。     

异步电机负序分量融合方法及其在定子匝间短路故障诊断中的应用

为了有效检测交流电机定子绕组匝间短路故障,应用多源信息融合理论将交流电机定子电压、电流负序分量通过李萨如方法进行融合,形成负序李萨如图形,提取并建立图形特征值与多个故障特征量之间的数学关系。通过基于模型的仿真分析及故障电机试验,对负序李萨如图形中可以反映故障的特征值的变化规律进行研究。在此基础之上,论证了负序李萨如图形倾角作为故障特征分量进行电机定子绕组匝间短路故障诊断的鲁棒性及准确性,从而形成图形化识别的故障诊断方法,为电机及其拖动系统的故障诊断提供新的思路和方法。     

基于行波特征量与堆叠自动编码器的电缆早期故障定位方法

电缆由于不易受天气影响及可靠性高等优点,在配电网中的使用越加广泛。但是,随着电缆运行年限的增加,电缆会因局部放电等影响而发生故障。电缆早期故障作为永久性故障的前兆,对其进行识别和定位是提高电网安全性的重要方法。由于过电流扰动信号在时频域下包含丰富的暂态信息,提出了行波特征量与堆叠自动编码器相结合的电缆早期故障定位方法。首先利用S变换对电流信号进行处理,提取行波等特征量,并将其作为输入数据对堆叠自动编码器进行训练,利用训练好的网络,正确定位早期故障发生的区段。通过在PSCAD/EMTDC中搭建仿真模型获得仿真数据,结果表明,所提的方法具有较高的准确率和较好的泛化性能。     

MMC五电平逆变器故障的深度小波极限学习机诊断方法研究

针对MMC五电平逆变器不同IGBT故障相似程度高,使得故障诊断困难的问题,提出小波极限学习机-自动编码器WELM-AE(wavelet extreme learning machine-auto encoder)与深度小波极限学习机DWELM(deep wavelet extreme learning machine)的故障诊断方法。所提方法直接利用各故障状态下交流侧三相线电压原始数据对WELM-AE进行逐层预训练,再将训练好的WELM-AE堆叠形成DWELM以提取嵌入于原始数据中的深层次故障特征,并在最后一层实现故障特征与故障类型的映射。对比分析结果表明:所提方法可直接利用原始三相输出线电压信号进行故障诊断,且具有更高的故障诊断准确度。     

基于格拉姆角场和深度残差网络的变压器绕组松动故障诊断模型

针对变压器绕组松动故障诊断中特征量难以选取,依赖人工经验的问题,提出了一种基于自动编码器降噪,格拉姆角场(GAF)和深度残差网络(ResNet)进行识别的变压器绕组松动诊断方法。该方法直接从GAF图像中自动学习有效的故障特征,不需要手动提取特征量。首先,将振动信号经过自动编码器进行降噪,获得信噪比更高的振动信号。然后,采用GAF方法将振动信号转化为二维图像,生成图像数据集,在此基础上训练ResNet,构建适用于变压器绕组松动故障分类识别的网络模型。最后,搭建变压器绕组松动故障试验平台,采集绕组在不同松动和试验电流下的振动信号并进行分析。试验结果表明,所提诊断方法对变压器绕组松动识别准确率达95%以上,能够有效识别松动相和松动程度,适用于变压器绕组松动故障的识别和诊断。     

旋转机械故障诊断的量子神经网络算法

针对故障模式之间存在交叉数据的诊断不确定问题，将多层激励函数的量子神经网络引入多传感器信息融合之中，提出一种基于量子神经网络的多传感器信息融合故障诊断算法。并将其应用到旋转机械故障诊断中，通过测试被诊断设备的振动速度和加速度信号，求出两传感器对各故障模式的故障隶属度，利用多层激励函数的量子神经网络进行信息融合，得到融合的各故障模式隶属度值，确定真正的故障模式，提高了故障诊断的准确率。     

基于深度学习的暂态稳定评估与严重度分级

提出一种安全域概念下的堆叠降噪自动编码器和支持向量机集成模型相结合的暂态稳定评估方法。将故障前的潮流量作为输入,利用堆叠降噪自动编码器对输入量进行多层抽象表达,使用提取的各层特征训练支持向量机;建立支持向量机集成分类模型进行暂态稳定评估,对评估结果进行可信度分析,将输入空间划分为稳定区、边界区和失稳区;利用效用理论结合所提出的暂态稳定裕度指标对运行方式进行严重度分级。算例结果表明,所提暂态稳定评估方法具有更高的评估准确率和一定的泛化能力;所提严重度分级方法能够直观表现不同运行方式的危险程度。     

基于MSK-CNN和多源机电信息融合的同步发电机故障诊断方法

同步发电机结构复杂且运行环境多变，传统的故障诊断方法依赖于专家的先验知识，易受噪声干扰，难以准确识别且耗时耗力。本文提出一种基于多尺度核卷积神经网络(MSK-CNN)和多源机电信息融合的同步发电机故障诊断方法，直接从原始信号中自动学习有效的故障特征，同时在单个框架中对故障类型进行分类，为同步发电机提供端到端的故障诊断系统，无需额外的信号处理和专家经验。首先通过多尺度核算法在不同尺度上并行获取互补且丰富的诊断信息，提高特征学习能力。然后采用多源机电信息融合，选取相电压、转子振动、定子振动信号分别作为输入进行特征融合。最后以一台SDF-9型1对极同步发电机为实验对象进行实验验证，故障诊断准确率为99.64%,与传统故障诊断方法进行对比，显示了该方法的优越性。