基于多类电量测试数据融合的模拟电路故障诊断

提出了一种利用多类电量测试数据、基于神经网络与模糊集理论的模拟电路故障诊断新方法.检测可及节点电压并测量电路在选定的各测试频率下输出对输入的增益,分别利用此两类测试数据,各用一个独立的BP网络对电路进行初步诊断,再运用所提出的模糊融合诊断算法及其故障定位规则进行故障定位.模拟实验结果表明:所提方法克服了基于单一信息诊断方法的不足,对硬故障与元件参数偏移较小的软故障均适用,故障定位准确率高.     

基于智能信息融合的模拟电路故障定位方法

针对模拟电路故障诊断中存在的测试信息不足、故障定位准确性较低等问题,提出了一种应用智能信息融合技术的模拟电路故障定位方法.该法首先分别采用可测点工作电压及不同测试频率下的电路增益,各用一个独立的神经网络依据改进的BP算法对电路实施初级诊断;然后根据初级诊断结果,运用模糊融合诊断方法进行故障定位.所提方法能充分利用故障信息,对模拟电路的软故障与多故障均可进行诊断,故障定位准确率高.     

基于改进Petri网和Hilbert变换的多源信息融合电网故障诊断方法

针对采用单一开关量信息来判断电网故障而存在的可靠性差和精度低等问题,提出了一种基于改进Petri网和Hil-bert变换的多源信息融合电网故障诊断方法.对电网的故障信息数据进行特征提取,通过改进的层次化加权模糊Petri网实现开关量到元件模糊故障度的转化,利用改进Hilbert变换对录波电气信息进行分析而得到元件所对应的故障度;采用改进的D-S证据理论进行开关信息和电气信息的融合;采用的改进的C-均值法来对电网元件故障进行决策.实际电网测试表明,所提方法在复杂的电网故障场景下能够精确地实现故障元件的诊断,在实际工程中具有较好的应用前景.     

证据理论在电机故障诊断中的应用

D-S证据理论作为一种非精确推理算法具有独特的优势,非常适用于存在大量不确定性因素的电机故障诊断工作.提取故障电机的状态特征量,并将其按时域、频域、奇异值分解为多个子参数空间.在此基础上,采用并行BP神经网络及模糊聚类系统对电机故障进行局部诊断.将每个局部诊断结果作为独立的证据体,构造相应的信度分配函数.结合电机故障的信息融合诊断模型,将基于D-S证据理论的决策融合的方法应用于电机故障诊断.通过对案例进行分析,实现了利用多证据体的融合信息对电机故障状态进行诊断,其诊断结果验证了D-S证据理论在提高电机故障诊断的准确性和灵敏性方面的作用.     

模拟电路的融合智能故障诊断

提出了一种基于遗传算法、神经网络、模糊集理论与数据融合技术相结合的模拟电路故障诊断新方法。该法使用多类电路测试数据来解决由于测试节点不足而带来的故障信息欠缺等问题，采用遗传算法来优化BP网络的结构与初始权值分布。对每类测试信息各用一个独立的所提遗传神经网络进行初步诊断，得到基于各类测试信息的被诊断电路属于不同故障状态的可能性。在充分考虑每个神经网络输出信息重要程度的基础上，采用模糊积分融合方法进行决策融合。文中研究了其故障特征提取、样本选择、诊断系统结构、学习算法及其综合决策方法，并通过电路诊断实例，阐述了该方法的具体实现，验证了所提方法的鲁棒性。诊断结果表明：所提方法对容差模拟电路的多故障与单故障诊断均适用，故障定位准确率高。     

容差电路软故障检测与定位

提出了一种基于统计理论与神经网络数据融合、可用于容差模拟电路软故障检测与定位的诊断方法.该方法将故障诊断分两个阶段进行,即故障检测与故障定位.通过监测可测点工作电压,利用所构建的故障阈值函数与故障判据来实现容差电路的故障在线检测.再通过离线测量电路在不同测试频率下输出对输入的增益,利用可测点工作电压与电路增益,运用所提出的数据融合方法及改进的BP算法对电路进行故障定位.模拟诊断结果表明,所提方法不仅可用于硬故障诊断,而且还能实现容差电路的软故障诊断,所需测试节点少,故障检测与定位准确率高.     

证据理论在电机故障诊断中的应用

D-S证据理论作为一种非精确推理算法具有独特的优势,非常适用于存在大量不确定性因素的电机故障诊断工作。提取故障电机的状态特征量,并将其按时域、频域、奇异值分解为多个子参数空间。在此基础上,采用并行BP神经网络及模糊聚类系统对电机故障进行局部诊断。将每个局部诊断结果作为独立的证据体,构造相应的信度分配函数。结合电机故障的信息融合诊断模型,将基于D-S证据理论的决策融合的方法应用于电机故障诊断。通过对案例进行分析,实现了利用多证据体的融合信息对电机故障状态进行诊断,其诊断结果验证了D-S证据理论在提高电机故障诊断的准确性和灵敏性方面的作用。     

故障录波信息和D_S证据理论用于电网故障诊断

当电网发生故障时,传统的故障诊断方法仅仅利用了开关量信息而没有充分利用故障录波信息,而故障录波信息在准确性、完备性和容错性等方面有开关量信息无法比拟的优势。为了充分利用故障录波信息进行电网故障诊断,通过小波变换对发生故障前后电流波形进行分析,采用小波奇异度和小波故障度分别表征电网元件的故障概率,但是由于故障的不确定性和复杂性,这两种故障表征方法都不能独自准确地诊断故障元件,因此提出采用D-S证据理论对多种故障表征方法进行信息融合,能够准确诊断故障线路。基于PSCAD仿真实例证明,该方法能提高对故障诊断结果的支持度及故障诊断的准确性,在电网故障诊断中有良好的应用前景。     

CNP神经网络在非线性电路故障诊断中的应用

本文通过对耦传播神经网络电路故障诊断方法的研究和分析。通过CPN神经网络建立起信息融合中心,并通过算法对多传感器采集的数据进行信息融合,从而减少了电路故障诊断的不确定性。本文通过改进CPN网络算法的初始权重的设置方法,克服了输入向量限制的局限性;通过优化CNP算法提高了算法的运行效果;实验结果表明,CPN神经网络的多传感器信息融合电路故障诊断的方法,可使实际故障元件的隶属度值大为增加,待诊断对象的可分析性也得到增强。该方法可准确定位故障元件,具有适应范围广、诊断率高、响应速度快等优点。     

融合遥信报警和电气量分析的电网故障诊断方法

随着广域测量系统和故障录波信息网的广泛应用,系统的电气量信息获取也越来越方便可靠。利用融合开关量和电气量信息的综合故障诊断方法,首先通过分析报警信息中的开关量信息、搜索停电区域,得到可疑故障设备集;然后对可疑设备进行模糊解析模型求解分析以及相关电气量的希尔伯特黄变换分析;最后,定义元件的解析故障度、频率畸变度和能量变化度三个故障测度,并将这三者作为证据体采用改进的D-S证据理论进行融合得到最终诊断结果。算例表明,该方法能有效降低保护和断路器拒动、误动的影响,提高故障诊断结果的准确度。     

模拟电路故障检测与定位新方法

提出了一种基于统计理论与智能信息处理技术的容差模拟电路故障检测与定位新方法。在充分考虑容差效应的基础上,构建了故障阈值函数与故障判据,从而可通过监测可测点工作电压实现电路的故障在线检测。再通过离线测量电路在不同测试频率下输出对输入的增益,将可测点工作电压与电路增益两类测试信息经特征层融合,运用所提出的遗传神经网络方法对电路进行故障定位。仿真结果表明:所提方法对模拟电路的硬故障与元件参数偏移较小的软故障均适用,故障检测与定位准确率高。     

同杆并架双回线保护选相元件研究

该文对几种常用的故障选相元件在同杆并架双回线故障下的动作行为进行了研究，提出了一种选相新方法。研究表明相电流差突变量、稳态电流序分量等选相元件在发生某些跨线及转换性故障时会误选相。在对跨线及转换性故障特点进行分析的基础上提出了一种新的基于单回线单侧电压电流量的综合选相元件，这种选相元件是在比较故障相电压的基础上判别故障相电流的相位条件来实现的。试验表明这种选相元件与相电流差突变量、稳态序分量选相元件配合可以较好地解决同杆并架双回线故障下特别是跨线及转换性故障下的正确选相问题，保护利用分相式通道在判别两侧选相结果后可实现选相跳闸。     

一种基于模型模拟电路模糊故障诊断方法

文中提出了一种基于模型的模拟电路故障诊断方法。它以节点电压为测试量,将元件故障及节点的故障电压模糊化,根据电路的拓扑结构,以节点为基点,以节点电压传递为纽带建立模拟电路的故障模型,以模拟贴近度为判断依据来进行故障诊断和选择最佳测试点,并将测试得到的新的信息不断吸收进去,从而快速而有效地诊断出故障,它利用了模糊量的冗余性,克服了容差的影响,不仅能对硬故障,而且对软故障都能较好地定位到元件级,同时又可在线或离线诊断,文中给出了一个直流电路故障诊断的实例,所得的结果是令人满意的。     

一种电压型配电网单相接地故障处理方法

针对配电系统架空线路零序电流不易获取，误差较大的特点，提出一种电压型小电流接地故障处理方法；根据三相电压的变化实现故障检测，依靠电站小电流接地选线装置或人工拉路以及断路器，负荷开关的相互配合，实现故障分段，隔离并恢复健全线路供电，该方法属于分布智能模式，适用于无信道系统，可靠性高，该技术已应用于绍兴供电局配电自动化系统，并通过了现场试验进入实际运行，效果良好。     

混压同塔线路跨电压不接地短路时低压系统过电压计算

提出适用于弱电强磁系统发生多回线跨电压不接地故障时的短路电流计算方法,在此基础上计算了跨电压不接地故障时短路点对地电压,分析了该电压与两系统电源电动势相角差和系统阻抗比之间的关系,得到了阻抗比不同时短路点对地电压的最大值,并与正常运行时的对地电压作对比,以评估低电压系统内过电压大小。在PSCAD软件中建模验证了短路电流计算方法和过电压计算的准确性。     

三电平逆变器的决策树SVM故障诊断

针对二极管箝位型三电平逆变器的开路故障诊断问题,提出一种基于决策树支持向量机(decision tree support vector machines,DT-SVM)的故障诊断方法。以逆变状态为例,首先分析逆变器主电路的运行情况并进行故障分类,然后以中、上、下三种桥臂电压为测量信号,采用小波多尺度分解法提取特征信号,进而利用粒子群聚类算法(particle swarm clustering algorithm)生成决策树SVM分类模型,最终实现了三电平逆变器的多模式故障诊断。仿真结果表明,本方法在使用了较少分类模型的情况下完成故障诊断任务,相较于BP神经网络、一对一结构的支持向量机和极端学习机等方法,在10%白噪声扰动下对于三电平逆变器多模式开路故障的诊断精度可达98.46%,算法具有更好的准确性和鲁棒性。     

A method for fault diagnosis in linear electronic circuits

A method for fault location and parameter identification in linear AC and DC circuits with limited accessible terminals for excitation and measurement is developed in this paper. Fault location is based on a derived relationship having a general meaning. It requires analyses of the circuit with nominal parameters and distinct excitations as well as measurements of some node voltages in the circuit with perturbed parameters. The fault parameter is identified using a formula obtained on the basis of the Woodbury expression. A decomposition technique is suggested enabling us to apply the method for multiple fault diagnosis. Several numerical examples illustrate the proposed approach and show its effectiveness. Copyright © 2000 John Wiley & Sons, Ltd.