混杂系统理论及其在三相逆变电路开路故障诊断中的应用

针对基于事件辨识的故障诊断方法难以用于离散事件较多的电力电子电路这一问题,文章建立了电力电子电路的混合逻辑动态模型,将电路运行抽象为离散事件的变迁,并根据电路的故障模式确定电路的故障事件集和故障模型。文章应用了故障事件识别向量的概念,基于电路的故障模型仅通过对电路故障事件的辨识实现故障诊断,具有实现简单、通用性好、诊断效果可靠的优点,以逆变电路故障诊断的仿真和实验验证了所提方法的可行性和有效性。     

基于栈式相关性稀疏自编码的电力通信网故障诊断

针对电力通信网故障的特征自学习提取与诊断问题,提出一种栈式相关性稀疏自编码(StackedRelational SparseAutoencoder,SRAE)深度神经网络的电力通信网故障诊断方法。将电力通信网中MIB(Management Information Base)变量状态数据编码为二进制序列作为训练数据,浅层单一的自编码网络对故障的自学习、特征提取能力不足。因此,首先将稀疏性限制和输入数据相关性限制融入自编码网络,构成相关性稀疏自编码神经网络(Relational Sparse Autoencoder, RAE)。然后将其层层堆栈,并在最后一层隐含层后添加分类器,构成SRAE。最后,以路由器之间的连接故障为例进行仿真实验。实验结果表明所提出的故障诊断方法准确率平均值达到99.625%,具有较高且稳定的诊断准确性。     

飞控液压系统故障诊断方法研究

飞控液压系统作为飞机控制系统的关键装备，一旦其发生故障将对飞机的运行安全造成严重影响。以飞控液压系统——飞机舱门液压驱动系统为研究对象，基于其系统结构和基本原理使用AMESim平台进行仿真建模，并通过故障仿真模拟开展故障诊断研究工作，提出了一种基于多级注意力机制的自编码器-多层感知机故障诊断方法，可以有效指导装备的维护维修工作并提高装备的运行安全性。首先，通过自编码器进行特征提取；然后，基于多级注意力机制进一步挖掘关键特征信息；最后，利用多层感知机作为分类器开展故障诊断工作。实验结果表明，与其他传统的机器学习和深度学习模型相比，所提方法的故障诊断准确率达到了97.5%且假正类率仅为1.1%,充分证明了所提方法的有效性。     

基于时序特征模式识别的列车网侧过流故障实时诊断

为了提升列车的智能化水平与现场检修效率,文中从系统角度出发,针对高速列车牵引传动系统网侧过流的精确故障定位问题,提出一种基于故障时序特征模式识别的实时诊断方法。该方法首先通过机理分析选择故障源集合关联的系统信号,其次,结合案例数据波形与专家经验,挖掘故障源与系统信号的关联规律,提取相关故障特征指标;然后,基于故障特征指标的时序变化特性,利用高斯混合模型与隐层马尔科夫链算法建立列车网侧过流的时序特征辨识的故障诊断模型。最后,应用列车实际运行数据对提出的故障诊断模型进行验证,实验结果表明,所提算法能实现有效的故障检测与隔离功能,具有良好的应用价值。     

考虑特征耦合的Bi-LSTM变压器故障诊断方法

电力变压器是保障电力系统安全稳定运行的关键设备之一,而现有故障诊断方法未能充分挖掘设备内部的特征作用关系,对运行状态变化的敏感性较低,在故障诊断准确性和可靠性提升上具有一定的限制。针对上述问题,提出一种考虑特征耦合的双向长短期记忆网络变压器故障诊断方法。首先,根据变压器运行机理确定初始特征状态转移序列;然后,在此基础上构建考虑复杂依赖关系的深度神经网络故障诊断模型,挖掘特征之间的耦合关系,并进行精细化状态评估;最后,通过算例仿真实验验证先验特征序列对故障诊断模型的支撑作用。所提方法提升了故障诊断效果,为电力设备智能化、精细化的运维需求提供了可参考的方案。     

直流系统单极闭锁下中性母线避雷器故障产生的原因分析

为提高直流系统单极闭锁下中性母线避雷器故障检测能力,提出基于多隐层深度网络学习的中性母线避雷器故障检测方法。通过计算故障样本序列的高阶统计量,采集母线避雷器故障数据,建立输出冲激模型对采集的故障数据进行特征自学习,结合直流系统单极闭锁下中性母线避雷器受扰响应特性,分析其有功功率增量特征,进行母线避雷器聚合微小负荷的故障异常特征检测,采用多隐层的深度网络学习方法分析异常特征量的故障辨识方法和故障原因。仿真结果表明,所提方法的故障检测效率较高,故障的特征辨识能力较好,能够有效分析到直流系统单极闭锁下母线避雷器故障产生的原因,主要由电压扰动、频率扰动和负荷波动等原因产生的故障。     

基于子模块电压估算的UPFC系统故障诊断方法

模块化多电平变换器(MMC)可实现系统结构和输出品质的有效平衡,成为统一潮流控制(UPFC)系统的核心组成。然而,数目众多的子模块均是MMC拓扑的潜在故障点,故障状态迅速判断和故障子模块精准定位是确保UPFC系统安全稳定运行的首要条件。基于上述原因,在建立MMC拓扑数学模型和分析子模块故障后内部状态变化的基础上,提出一种基于子模块端口电压估算(SPVE)的UPFC系统故障诊断方法,参考系统类线性模型建立扩展卡尔曼滤波(EKF)方程,并以此为基础设计故障诊断系统判别机制与定位环节。最后,基于55 kW测试样机进行SPVE故障诊断技术实验,结果表明所提SPVE方法在辨识准确性和快速性上具备优势。     

基于深度自编码网络的电力变压器故障诊断

基于深度自编码网络(DAEN),构建了分类深度自编码网络(CDAEN)模型。结合电力变压器在线监测油中溶解气体分析(DGA)数据,提出了基于CDAEN的变压器故障诊断方法。所提方法利用大量无标签样本进行预训练,优化模型参数,并利用少量有标签样本进行微调。实例分析表明,与基于反向传播神经网络(BPNN)、支持向量机(SVM)的故障诊断方法相比,所提方法的诊断正确率更高。     

基于子模组工况分析的模块化多电平储能系统开路故障诊断方法

储能系统中直流变换器的安全性及可靠性直接关系到系统是否正常运行。通过对模块化多电平直流变换器中半桥子模组故障运行工况的分析,提出一种在超级电容模组宽工作电压范围下的快速开路故障诊断方法。该方法根据正常及故障时半桥子模组下桥臂承受电压的不同,利用简单的硬件检测电路以及基于FPGA的诊断算法实现快速开路故障诊断。硬件检测电路能够实时对半桥子模组运行工况进行检测,FPGA中故障诊断算法则利用检测结果并结合驱动信号在短时间内完成故障诊断。详细给出所提方法的设计原理以及关键参数的选取原则。该方法避免了复杂的数学运算,容易实现。最后,通过搭建小功率模块化多电平储能系统对所提方法进行了验证。     

基于GLCM-HOG和WOA-ELM的往复压缩机气阀故障诊断方法

气阀是往复压缩机在工作过程中极易发生故障的部件。从气阀时频图分析的角度,提出了一种基于GLCM-HOG和WOA-ELM的往复压缩机气阀故障诊断方法。首先,通过小波变换对各运行状态气阀的振动信号进行处理,生成时频图;用GLCM和HOG分别提取气阀时频图特征,融合形成GLCM-HOG特征。然后,利用WOA方法对ELM模型的输入层节点权值和隐藏层节点阈值进行优化,构建气阀故障诊断模型。最后,将GLCM特征和GLCM-HOG特征分别输入到WOA-ELM模型中,来证明本文所提方法的有效性和优越性,从而实现往复压缩机气阀故障的诊断。实验结果表明：与GLCM特征相比,构造的GLCM-HOG特征更能准确全面地反映气阀时频图特征;与ELM模型相比,WOA-ELM模型诊断气阀故障的准确率更高。