基于RF特征优选和WOA-ELM的风电齿轮箱故障诊断

针对风电机组齿轮箱故障特征提取不足，故障诊断率低问题，提出了一种基于RF特征优选，结合WOA-ELM特征识别的风电齿轮箱故障诊断方法。首先，提取风电齿轮箱时域、频域、时频域特征，构建多域高维特征集；其次，利用RF进行特征重要度排序并提取10维优选特征；最后，利用WOA优化调整ELM模型的输入权值和隐含层阈值，实现风电齿轮箱故障分类识别。将本文方法应用于风电齿轮箱故障诊断，实验结果表明，本文方法平均诊断率能达到99.81%，诊断准确率均高于对比方法且诊断用时最少，能够有效地进行风电齿轮箱故障诊断。     

往复压缩机故障的残差网络诊断方法

往复压缩机结构复杂、激励源众多,极易发生故障。由于故障特征设计困难,且多依靠经验,导致传统方法诊断能力不强。基于卷积神经网络(convolutional neural networks, CNN)的智能诊断方法无需提取特征,可实现端到端的故障诊断,但存在提取故障特征不准确、模型参数量大、训练时间长等难题。为此,提出基于PyTorch深度学习框架的往复压缩机故障诊断方法MPMRNet(multiple-processes-mini-ResNet)。该方法采用多进程加载数据,以残差网络ResNet50为基础网络框架进行深度和宽度的缩减,Adam优化网络、StepLR策略调整学习率,自动处理振动信号时频图像并进行敏感特征深度挖掘和评估。通过多组实验对比,该方法明显缩短了模型训练时间,权重参数量由94.1缩小到0.58 M,模型复杂度由4.11下降到0.21 G,显存占用率由37.08%下降到10.92%,故障诊断的准确率达到98.28%,模型的诊断能力得到了明显提高。     

基于油中溶解气体分析的DBN-SSAELM变压器故障诊断方法

为了保证油浸式变压器故障诊断精度的同时,提高诊断方法的收敛速度以及泛化能力,提出一种基于DBN-SSAELM的变压器故障诊断方法。首先,利用深度置信网络(deep belief networks, DBN)对油中溶解气体浓度比值数据进行特征提取。其次,利用具有较强学习能力的极限学习机(extreme learning machine, ELM)替换传统DBN分类模型中的Softmax分类器,深入分析特征值与故障类型之间的关联性,提高模型的收敛速度。然后,利用麻雀搜索算法(sparrow search algorithm, SSA)优化ELM模型的输入权值和隐藏层节点偏置,以提高模型诊断结果的准确率和稳定性。最后,选用准确率、查全率、查准率和收敛速度对优化前后的模型进行性能评估。最终实验结果表明：所提出的DBN-SSAELM变压器故障诊断方法,故障诊断准确率高、泛化能力强、稳定性好,平均准确率达到96.50%,适用于变压器故障诊断。     

基于DGA的粒子群极限学习机电力变压器故障诊断

传统单一人工智能方法对变压器故障诊断中采用的大量不完备信息不能够有效处理,导致故障诊断准确率不高。为弥补这一不足,在全面分析粒子群算法(particle swarm optimization,PSO)和极限学习机(extreme learning machine,ELM)各自优势的基础上,构建了一种基于粒子群优化极限学习机的变压器故障诊断方法。该方法以DGA作为特征输入,利用粒子群算法对极限学习机的输入层权值和隐含层阈值进行优化,从而提高变压器故障诊断的精度。实例对比分析表明,与BP神经网络和极限学习机方法相比,粒子群极限学习(PSO-ELM)方法有更高的诊断准确率。     

基于多尺度图Transformer的滚动轴承故障诊断

针对传统图神经网络在故障诊断中使用单一尺度进行特征提取且难以在复杂工况下提取信号的弱特征问题,提出了一种基于多尺度图Transformer的滚动轴承故障诊断方法。该方法提出了一种新的图节点多尺度特征聚合模块,扩大特征提取的感受野以增强特征表示;构建了图节点的中心性编码和空间性编码,以获得图结构信息;利用多头自注意力对故障节点进行特征提取和学习,提高方法捕捉重要特征的能力。在凯斯西储大学轴承数据集和滚动轴承实验平台上分别进行实验验证,诊断准确率最高为99.86%,平均准确率也在98%以上。结果表明,提出的多尺度图Transformer网络模型在多种工况下均能准确的进行故障分类。     

输电线路故障层次化变步长Tsallis小波奇异熵诊断方法

为提高熵方法输电线路故障信号时-频域的特征提取能力,提出层次化变步长Tsallis小波奇异熵(Tsallis Wavelet Singular Entropy, TWSE)方法用于电力系统故障诊断。首先,对采集到的电压信号进行小波分解与单支重构,构建时-频矩阵;之后,将奇异值分解与Tsallis熵理论相结合,对该时-频矩阵求滑动步长为1的Tsallis奇异熵,确定故障发生时刻;然后,对故障发生后1周期内的三相电压重构系数求滑动步长为1/4周期的TWSE,构建用于故障诊断的特征向量;最后,将TWSE特征向量输入到极限学习机(Extremly Learning Machine, ELM)分类器中,实现输电线路故障诊断。仿真结果表明,新方法具有更好的故障暂态信号特征表现能力,且分类结果不受故障时间、过渡电阻和故障位置等因素影响,相较基于小波奇异熵的线路故障诊断方法具有更好的诊断效果。     

有载分接开关GLCM纹理特征及改进随机森林算法的故障诊断方法

针对变压器有载分接开关早期故障征兆难以辨识问题,从兼顾信号计算速度和故障诊断准确性出发,提出一种基于图像纹理特征及改进随机森林故障诊断算法。将预处理后振动信号通过小波包分解转换为反映不同运行状态的二维时频灰度图,利用描述区域像素关系的灰度共生矩阵(gray-level co-occurrence matrix, GLCM)对原始信号定量表征,提取出6维特征向量输入到随机森林算法,考虑到传统投票规则忽略了分类器个体强弱差异,构建以受试者工作特征曲线的下方面积(area under the curve, AUC)为判据的改进随机森林分类器,最终实现对分接开关异常状态的准确识别。试验结果表明:GLCM纹理特征及改进随机森林分类器将识别精度提升至97.5%,具有“零漏报率”和更优在线诊断效率。该方法在分接开关现场异常状态识别中具有较高应用价值。     

基于遗传算法改进极限学习机的变压器故障诊断

针对变压器故障的特征,结合变压器油中气体分析法以及三比值法,提出了基于遗传算法改进极限学习机的故障诊断方法。由于输入层与隐含层的权值和阈值是随机产生,传统的极限学习机可能会使隐含层节点过多,训练过程中容易产生过拟合现象。该方法运用遗传算法对极限学习机的输入层与隐含层的权值与阈值进行优化,从而提高模型的稳定性和预测精度。将诊断结果与传统的基于极限学习机故障诊断进行对比,结果表明,基于遗传算法改进极限学习机变压器故障诊断的精度更高。     

基于鲸鱼算法优化极限学习机的微电网故障诊断

提出一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法。首先利用小波包分解对三相故障电压进行分析,计算小波包能量熵组成特征向量作为数据样本;然后通过鲸鱼算法优化极限学习机建立诊断模型对故障类型进行识别和诊断。最后利用鲸鱼算法优化极限学习机的输入权值和隐层神经元阈值,解决了输入权值和隐层神经元阈值随机初始化易影响网络性能的问题,可进一步提高网络的学习速度和泛化能力,有利于进行全局寻优。仿真结果表明,与BP神经网络、RBF神经网络和ELM相比,基于鲸鱼算法优化极限学习机建立的故障诊断模型学习速度更快、泛化能力更强、识别精度更高。     

基于VMD样本熵和KELM的输电线路故障诊断

针对输电线路短路故障危害大,故障识别率较低的情况,提出基于变分模态分解(VMD)样本熵与核极端学习机(KELM)相结合的输电线路故障诊断方法,提高输电线路故障诊断的正确率。首先,采用VMD对故障后的三相电压进行分解,得到一系列三相平稳的模态分量;其次分别计算每组各分量的样本熵值,作为输电线路故障提取特征,组成样本库;以提取的输电线路故障特征输入到核极端学习机进行训练,获取诊断模型,然后比较其与极限学习机(ELM)、支持向量机(SVM)和BP神经网络的诊断效果。仿真结果表明,VMD样本熵+KELM的输电线路故障诊断模型精度高于其他3种算法,且运算速率更快,噪声鲁棒性更好。     

Fault Detection and Diagnosis of Pneumatic Control Valve Based on a Hybrid Deep Learning Model

As the growing requirements for the stability and safety of process industries, the fault detection and diagnosis of pneumatic control valves have crucial practical significance. Many of the approaches were presented in the literature to diagnose faults through the comparison of residual sequences with thresholds. In this study, a novel hybrid neural network model has been developed to address the issue of pneumatic control valve fault diag-nosis. First, the feature extractor automatically extracts in-depth features of the signals through multi-scale convolutional neural networks with different kernel sizes, which not only adequately explores the local dis-tinguishable features, but also takes into account the global features. The extracted features are then fused by the feature fusion layer to reduce redundant features. Finally, the long short-term memory for fault identification and the dense layer for fault classification. Experimental results demonstrate that the average test accuracy is above 94% and 16 out of the 19 conditions can be successfully detected in the simulated actual industrial en-vironment. The effectiveness and practicability of the proposed method have been verified through a com-parative analysis with existing intelligent fault diagnosis methods, and the results suggest that the developed model has better robustness.     

往复式冰箱压缩机吸气阀片失效过程研究

往复式冰箱压缩机吸气阀片是影响压缩机可靠性的重要部件。基于吸气阀片冲击疲劳的寿命实验,金相观察吸气阀片和阀板在失效过程中表面形貌变化,由此发现阀板的受冲击区域先于吸气阀片出现孔洞、表面剥落等现象,阀板成分中的氧化铁随着冲击继续而凸显出来,从而导致吸气阀片出现孔洞、裂纹、破碎等现象。     

融合深度可分离小卷积核和CBAM的改进CNN故障诊断模型

为了解决最大池化丢失信息和平均池化模糊特征的问题,同时提高模型时频图像识别效率,降低模型复杂度,提出一种采用深度可分离小卷积核进行降采样和CBAM的CNN网络模型对轴承进行故障诊断。首先,在除最后一层的池化层中,使用深度可分离小卷积层代替池化层,实现池化层的降采样功能。其次,在最后一层池化层引入CBAM,对时频图像所表征的故障特征给予更多的关注,以提高模型计算效率。再次,使用全局平均池化代替传统全连接层,进一步减少模型参数数量。最后,利用CWRU轴承振动数据和自制实验平台数据验证所提方法在滚动轴承故障诊断方面的有效性和可行性。实验结果表明,融合深度可分离小卷积核和CBAM改进的CNN模型有效减少了模型需要的训练参数和计算量,且在识别准确率方面取得了更优的性能。     

基于粗糙集理论的故障诊断决策规则提取方法

为了在故障诊断信息不一致的情况下提取简单有效的诊断规则，提出了一种基于粗糙集理论的决策规则提取方法。该方法从定义的故障诊断决策系统出发，将故障诊断问题用一个具有不同简化层次的决策网络表示，在引入诊断决策规则的覆盖度概念后，推导出每个网络节点的诊断决策规则集。在应用网络进行故障诊断时，用待诊实例的信息与网络中相应节点的诊断决策规则集进行匹配，即使在故障诊断信息不完备的情况下，也能得到正确的诊断结果。以某往复机械故障为例验证了该方法的有效性。     

基于油中气体分析与类重叠特征的变压器分层故障诊断模型

油中溶解气体分析可以有效识别变压器放电故障与过热故障,为提高变压器故障诊断准确度,提出一种基于类重叠特征的变压器分层故障诊断方法。首先使用支持向量数据描述（SVDD）划分出变压器故障样本数据空间的重叠区域,选择类重叠率与类重叠度作为重叠特征,分别对类重叠程度和样本点重要性进行描述,然后以类重叠率为分层标准建立分层故障诊断模型,采用分隔训练法将各诊断层的样本集分开训练,针对分类难度较大的重叠区,基于类重叠度构造二分类模糊支持向量机(FSVM)进行故障诊断。实验结果表明,相比于其他模型,所提方法具有更高的准确度。     

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……。     

某天然气增压机振动故障诊断及处理

针对某燃机发电厂天然气增压机在运行过程中出现的严重振动波动问题,详细介绍了机组的振动特征,指出造成机组振动波动的原因为自激振动。通过对运行参数、振动频谱分析及增压机效率计算,进一步明确了振动过大的原因为增压机运行中出现了气流激振,对其结构及运行方式进行研究,精确推断出再循环阀存在严重内漏问题。通过停机检修,发现再循环阀芯与阀体间存在1 cm间隙,占其通流面积的40%。因此,证实了所采用的诊断方法和故障处理措施对同类型机组的振动故障处理有效。     

基于故障波形特征的换流阀短路故障定位分析

基于实际在运特高压直流工程模型的实时数字系统仿真（real time digital simulator,RTDS）模拟整流侧和逆变侧换流阀不同区域故障点,分析阀区不同典型故障点产生故障波形特征并给出8种快速判据,同时重点分析单阀短路故障时三种故障时刻下故障波形特征,最后提出一种基于故障波形特征的换流阀短路故障点快速定位方法,在工程现场故障分析时能够快速分析定位故障阀,具有重要工程实际应用价值。