基于多元状态估计的电厂设备状态评估和故障预警研究

针对电厂生产环境复杂,设备故障频发且不易及时发现的特点,为了提高机组运行效率和设备健康度,提出了一种基于多元状态估计的电厂设备状态评估和故障预警方法。首先,分析设备状态监测所需的监测参数,根据参数采集历史运行数据,筛选健康运行状态数据,筛选典型运行状态数据构建记忆矩阵;然后,搭建状态评估和故障预警模型,利用健康运行状态数据对模型进行训练得到成熟模型,利用成熟模型即可对设备实时运行状态进行健康度评估和故障预警。本文以某燃气发电厂燃气轮机为对象开展研究论证,结果表明,该方法能准确地评估设备运行状态,提早发现设备故障,有效实现设备故障早期预警。     

基于继电保护隐性故障的电力系统联锁故障探究

在分析继电保护隐性故障的基础上,介绍了电力系统联锁故障模型,并通过算例探讨了如何评估联锁故障风险。     

基于非线性状态评估的风电场箱式变压器故障预警系统研究

目前,风电场箱式变压器故障预警与状态评价方法,依赖于运维人员经验与专家规则,未能有效利用多源异构的运行数据和历史数据,在客观性与准确性方面存在不足.本文基于非线性状态估计法(nonlinear state estimate technology,NSET),对箱式变压器的在线监测数据进行深入挖掘,实现数据处理、特征提取...     

隐性函数S-压缩贝叶斯故障识别方法

支持矢量机(Support vector machines,SVM)已经在小样本故障识别中得到了广泛应用。与之对比,由于先验知识获取和非线性识别较难实现,基于贝叶斯概率的故障识别方法应用较少。针对上述问题,提出隐性函数S-压缩贝叶斯故障识别方法(LS-BFR)。LS-BFR以高斯随机过程和贝叶斯概率为基础,以高斯回归作为隐性函数,通过S-压缩对回归输出进行变换使其具有概率意义,利用贝叶斯概率实现故障识别。为提高LS-BFR非线性故障识别效果,引入核函数方法在高维空间进行隐性高斯过程回归,并给出基于贝叶斯参数估计的核函数参数选择方法。在转子试验台上模拟了不对中和不平衡故障,并利用LS-BFR进行故障识别。试验结果表明,基于隐性函数和S-压缩的LS-BFR方法能有效地进行小样本故障识别,且识别效果优于SVM。     

继电保护隐性故障辨识技术研究

电网正因继电保护隐性故障面临严峻考验,亟需针对隐性故障提出辨识方法,增强电网故障辨识能力。鉴于此,根据继电保护隐性故障特点,从变电站角度,对变电站采集数据进行分类,利用同源数据比对,进行隐性故障辨识;从系统角度,分析、挖掘所投继电保护装置历史数据,按不同维度将信息分类,进行隐性故障辨识,以加强电网隐性故障辨识能力。     

基于动态特征矩阵的k近邻风电机组故障检测方法

受风的间歇性和随机性影响风电机组运行状态频繁切换,导致设备状态异常检测误报和漏报情况严重,风电企业运维成本居高不下。为此,提出了基于动态特征矩阵的k近邻故障检测方法,该方法采用基于互信息的动态特征矩阵描述风电机组的动态特性,通过加权k近邻同时考虑动态特征矩阵中的特征贡献率与累计互信息的影响,利用动态阈值计算降低运行状态突变造成的误报。分别以美国可再生能源实验室5 MW海上风机基准模型的常见传感器和执行器故障以及SCADA数据中记录的变桨系统故障为例,将所提方法的故障检测结果分别与PCA、KPCA、FD-kNN以及PC-kNN故障检测方法进行对比,结果表明所提方法能够准确进行故障信息的检测,所提方法优于其他对比故障检测方法。     

基于间歇故障信号动态响应特征的电连接器退化状态评估方法研究

电连接器间歇故障是装备中的一种主要故障类型,其信号表现与电连接器的退化状态及环境应力等级具有强关联特 性。 针对装备中电连接器退化状态难以评估这一技术难题,充分利用正弦振动条件下电连接器的间歇故障信号动态响应特征, 结合动力学模型分析其接触界面相对位移的表现规律,提取间歇故障信号的双峰幅值及其时间差作为反映电连接器退化状态 的有效特征参数,并构造特征参数数据集;进一步建立基于深度信念网络和多任务学习的状态评估模型,采用自适应迭代加权 求和的方式对模型的损失函数进行改进,结合间歇故障特征参数数据集,对电连接器开展退化状态评估分析,评估准确率达到 95. 94% ,为开展电连接器退化状态评估研究提供了新思路。     

基于改进MVU的非线性动态过程故障检测方法

针对化工过程数据的非线性和动态性分布特征,引入Laplacian特征映射(LE),提出了一种基于改进最大方差展开(MVU)的特征提取算法.在改进算法中,局部以欧式距离、全局以测地线距离为尺度度量数据间差异性,以更好反映数据内在几何性质;此外,借鉴LE算法思路,通过最小化近邻点间距离实现流形结构保持.改进算法兼具全局特性保持和局部流形学习能力,计算效率也有较大提高.将其用于提取非线性动态过程高维数据子流形特征,利用SVDD在特征空间建立故障检测模型,构造统计量并确定其控制限.TE过程仿真及丙烯聚合过程实验研究表明改进方法能有效挖掘过程特征信息、监控过程变化并及时检测故障发生,故障检测率较传统方法有显著提高.     

基于雷达运行状态信息的雷达故障预警方法初探

针对目前新一代天气雷达运行保障监控现状,分析了基于雷达运行状态信息的雷达故障预警方法的可行性,给出了建立雷达故障预警模型和搭建雷达故障预警平台所需的技术依据和详细流程,为研究与实现基于雷达运行状态信息的雷达故障预警平台提供了技术思路。     

基于动态SSL的航空发动机突发故障检测

针对航空发动机转子系统的突发故障检测,提出了一种适用于动态过程检测的半监督学习(semi-supervised learning,简称SSL)方法——动态半监督学习方法(dynamic semi-supervised learning,简称DSSL).首先,用已经有类标的数据对学习器模糊KNN(fuzzy k-nearest neighbour,简称FKNN)进行初始化训练,训练完成后,当新的数据到达时,对新的数据进行分类;然后,计算类的演化指标来检测系统的演化程度,检测阶段完成后,学习器根据检测结果实时的修正自身参数,以自适应最终的动态分类任务;最后,用转子试验台模拟航空发动机突发性扇叶断裂故障来获取数据,该实验结果验证了提出方法在突发性故障检测中的可行性、有效性.     

分层隐Markov模型在设备状态识别中的应用研究

与传统的隐Markov模型（HMM）相比较而言,应用分层隐Markov模型（HHMM）对设备进行状态识别有诸多优点,而且能以概率的形式更为精确地计算识别结果。针对模型参数随着设备状态的增加呈指数倍增这一问题,引入动态贝叶斯网络这一新的方法,由于该方法可以有效地降低模型的计算复杂度并缩短推理时间,所以将HHMM表达为动态贝叶斯网络,利用预处理的振动信号对设备的健康状态进行识别;针对现有状态分类方法的局限性,提出了基于K均值算法和交叉验证方法相结合的状态数优化方法;以齿轮箱全寿命实验为依据,对该模型实现状态识别的基本框架和计算过程进行了研究,研究结果为复杂设备的状态识别提供了新的思路。     

基于IEKF-APF算法的汽车状态估计

行驶汽车状态变量质心侧偏角和横摆角速度是汽车稳定性控制系统中重要控制变量,准确获取行驶过程中的状态信息是汽车控制系统研究的关键问题。应用估计理论由传感器测出易测变量来估计难以测量的关键状态变量是一种常用的估计方法。提出一种新的粒子滤波算法通过所建立的包含定常平稳随机噪声和非线性轮胎的汽车动力学7自由度整车模型对汽车状态进行估计。针对粒子滤波过程中出现的退化问题,应用迭代扩展卡尔曼滤波融入最新观测信息产生更加接近真实状态的重要性密度函数,辅助粒子滤波算法通过所产生的重要性密度函数结合观测量进行重采样,结合这两种算法提出迭代扩展卡尔曼-辅助粒子滤波算法(Iterative extended Kalman filtering-auxiliary particle filtering algorithm, IEKF-APF)以改善粒子采样和估计精度的提高。为验证所提出的IEKF-APF算法估计性能,将其结果与实车试验结果和无迹卡尔曼滤波算法(Unscented Kalman filtering, UKF)估计结果进行比较,结果表明其估计性能优于UKF,更接近于试验结果。     

基于多传感器数据融合技术的自动控制系统状态估计

给出了基于多传感器数据融合技术的自动控制系统状态估计的结构与算法。仿真实验表明，应用多传感器融合技术有利于提高系统状态估计的性能。     

传感器动态非线性的一种补偿方法

针对传感器存在的动态非线性问题，本文提出一种补偿方法，将具有动态非线性的传感器分为非线性静态环境环节和线性动态环节。先对传感器输出信号进行非线性静态校正，再进行线性动态补偿，研制以DSP为处理核心的传感器模拟器和传感器动态非线性补偿系统，实验结果表明，方法是有效的。     

基于递推最小二乘法与模糊自适应扩展卡尔曼滤波相结合的车辆状态估计

针对汽车状态估计中模型参数的变化和观测噪声的时变特性,提出了递推最小二乘法与模糊自适应扩展卡尔曼滤波相结合的汽车状态估计算法。为实现模型参数与观测噪声的实时更新,建立了基于三自由度非线性车辆动力学模型的算法,首先利用递推最小二乘法对汽车的总质量进行估计,其次建立了模糊控制器对扩展卡尔曼滤波的观测噪声进行实时跟踪。在搭建的CarSim与MATLAB/Simulink联合仿真平台中验证了该算法的有效性,结果表明该算法估计精度高于传统扩展卡尔曼滤波算法,研究结果为汽车的主动安全控制提供了理论支持。     

基于UKF算法的汽车状态估计

准确实时获取行驶过程中的状态信息是汽车动态控制系统研究的关键问题。将unscented卡尔曼滤波(UKF)算法应用到汽车的状态估计之中,建立了包含时不变统计特性噪声和非线性轮胎的汽车动力学模型,采用具有对称采样策略和比例修正的UKF算法对汽车估计了多个关键状态量。将UKF估计器与常见的EKF估计器进行了比较分析,基于ADAMS/Car的虚拟试验和实车试验验证了UKF在汽车状态估计中的可行性。     

基于蚁群优化UKF算法的汽车状态估计

针对汽车状态估计中过程噪声和观测噪声的时变特性,提出一种新的自适应滤波算法。该算法基于三自由度非线性汽车动力学模型,在利用UKF对汽车状态量进行估计的同时,引入蚁群优化算法,根据目标函数对过程噪声和观测噪声进行寻优,实现了过程噪声和观测噪声的自适应作用,估计精度的大幅提高。虚拟实验验证了蚁群优化UKF算法的鲁棒性和精度。研究结果对汽车主动控制系统的开发具有重大的理论指导意义。     

基于扩展卡尔曼滤波的信息融合技术在车辆状态估计中的应用

车辆行驶中某些状态参量不易准确测得或测量成本较高,而这些变量的准确获取对车辆底盘控制有着重要的意义。为以较低成本获取重要的车辆运动状态,建立包括横摆、侧向和纵向3自由度的非线性车辆模型,利用扩展Kalman滤波(Extended Kalman filtering, EKF)理论建立了信息融合算法,给出车辆状态变量最小方差意义下的融合结果,利用少量的易测车辆状态信息(转向盘转角、车辆纵、侧向加速度)融合得出所需的难测车辆状态(横摆角速度、质心侧偏角)。并在Matlab/Simulink环境下利用实车场地试验数据进行了离线仿真。多种工况下的场地试验结果表明,该算法在估计汽车横摆角速度、质心侧偏角、纵向速度时具有一定的准确性,特别是对横摆角速度的估计,即使在车辆非线性区也表现出良好性能。同时该融合算法简单、稳定及所需融合输入较少的特点使该算法在实际中的应用成为可能。     

基于谱估计的谐波检测方法

谐波检测技术是电力系统谐波治理中的重要研究内容。分析了现有的谐波检测方法,比较了其优缺点,重点研究了基于最小二乘法的谱估计的谐波检测方法,给出了其基本实现原理,通过仿真案例,验证了方法的有效性。该方法计算较简单,实时性较强,能够实现谐波的分频检测。     

车辆行驶过程中的状态估计问题综述

从传感器配置、估计用物理模型、状态估计算法和估计过程中的模型参数自适应4个方面回顾车辆行驶过程中的状态估计问题.对比分析以纵向车速、横摆角速度、质心侧偏角为估计目标时传感器的常见配置,给出合理的传感器配置方案;比较在不同估计目标下运动学模型和动力学模型的优缺点,提出纵向车速和横摆角速度适合采用运动学模型、质心侧偏角估计适合采用动力学模型的观点;列举并比较车辆状态估计中常用的估计算法,给出各算法在实际应用中所需注意的因素.指出实现估计过程中的参数自适应是提高不同行驶工况下观测器估计精度的有效手段,并介绍递推最小二乘、联合卡尔曼滤波等实现参数自适应的典型方法.