基于线性判别分析和分步机器学习的变压器故障诊断

为了改善当前变压器故障诊断在特征量选取和使用单一诊断模型进行故障诊断上的不足,提高变压器故障诊断的准确率和效率,提出基于线性判别分析（LDA）的特征选取方法,建立基于分步机器学习的诊断模型. 该模型选取16组油中溶解气体体积分数比值的多特征参数,运用线性判别分析对参数进行降维作为输入特征向量;运用概率神经网络对变压器故障做出初步诊断,区分出易混淆故障;使用基于灰狼群算法优化的支持向量机对易混淆故障做进一步的区分. 最终实验诊断准确率为97.27%,诊断时间为4.87 s. 与单一机器学习模型相比,所提出的模型不仅具有更高的准确率,还具有更高的效率. 实例分析表明,本研究方法能有效弥补单一机器学习的缺陷,为故障样本有限情况下的电力变压器故障诊断提供参考.     

基于改进的LSTM算法的时间序列流量预测

时间序列流量的预测问题是近年来机器学习的一个热点问题,通过改变长短期记忆网络(LSTM)层数、网络层神经元的个数、网络层之间的连接方式,特殊网络层的应用等网络结构以及优化器和损失函数的选择可以极大地提高预测的精度.本文提出多层LSTM算法,该算法是在传统LSTM算法上进行改进的单一模型,模型设计的复杂度低,可以提高机器学习的效率.模型采用一个输入层、5个隐藏层、1个输出层,同时包含1个全连接层和1个Dropout层,Dropout层的作用是防止机器学习过拟合.选择adam为模型优化器、mlse为模型损失函数、relu作为模型的激活函数.实验结果表明,与传统模型相比,该模型具有较好的泛化能力.     

专家系统在湿式石灰石-石膏法烟气脱硫系统中的应用

探讨专家系统在火电厂湿式石灰石-石膏法烟气脱硫（WFGD）工艺中的应用.该专家系统包括咨询子系统和控制子系统两部分.以知识库为基础,通过推理机调用,实现在湿式石灰石-石膏法烟气脱硫过程中的咨询帮助和故障诊断;通过对脱硫过程的仿真,实现参数监控和故障报警;结合脱硫效率的优化模型,实现系统优化;并实现专家系统的管理、权限和打印等功能.     

火电厂锅炉故障诊断系统分析

火电厂锅炉属于主要的运行设备,能够为电力系统提供充足的能源,本文通过对锅炉故障诊断系统进行研究,分析其在火电厂中的应用。     

SVM模式识别技术及在机械故障诊断中的应用进展

支持向量机(Support Vector Machines,SVM)是一种基于统计学习理论的新型机器学习方法,对小样本决策具有较好的学习推广性.为在机械故障诊断中更好地运用该方法,从基于支持向量机理论的模式识别技术和机械故障诊断中应用两方面,综述了近年来支持向量机国内外研究应用现状,分析了技术特点、存在问题、解决方案及其在机械工程领域应用前景.     

机加零件质量预测与工艺参数优化方法

为了有效利用机加零件工艺信息和检测信息,提出基于机器学习算法的质量预测与工艺参数优化方法. 以集成工艺信息和检测信息的基于模型定义（MBD）模型为输入,通过对三维建模软件的二次开发实现参数提取,并建立结构化数据集. 利用多种机器学习分类器构建基于工艺参数与质量分类标签的质量预测模型. 结合信息增益算法对所有工艺参数进行优先级排序,筛选出对质量影响最大的工艺参数;开发质量预测与工艺参数优化工具集,利用梯度提升树模型优化对质量影响最大的工艺参数. 以某航空企业提供的铣削实验数据验证所提出方法的有效性和可靠性. 验证结果表明,该方法能够较好地实现机加零件的质量预测和工艺参数优化.     

故障诊断专家系统中机器学习方法的研究

首先介绍了故障诊断专家系统中的三种类型的知识,即经验知识、因果知识和第一定律知识;然后分析了常用的机器学习方法在故障诊断系统的作用,并在此基础上将诊断系统中的学习方法分为三种类型,即简单学习、交互学习和独立学习;最后阐述了故障诊断与机器学习的运行流程及其相互关系。     

集成化智能软体机器人研究进展

从驱动方式、材料与制造、运动方式、传感与控制方面对集成化智能软体机器人进行综述,讨论集成化软体机器人与新型柔性传感器、机器学习之间相辅相成的关系,分析在驱动方式、建模与控制方面存在的问题. 根据驱动方式的不同,可以将集成化智能软体机器人分为流体驱动、智能材料驱动和化学反应驱动,能量来源决定软体机器人的集成方式和运动能力,而驱动方式的选用多是以仿生灵感为指导原则. 柔性传感器和机器学习作为软体机器人提高运动能力、优化控制方式的可靠工具,将推动智能软体机器人进入实际应用阶段. 实现可控和可预测自主运动能力的集成化智能软体机器人是软体机器人未来的发展方向,在运动方式上模仿动物的灵活姿态,在未知环境勘探领域有广阔应用前景.     

基于机器学习的筒仓动态侧压力预测模型及概率分布研究

筒仓卸料时的动态侧压力是导致筒仓结构被破坏的重要原因,但影响筒仓动态侧压力的因素众多,且相互之间存在着复杂的非线性关系.因此,建立一种考虑多因素影响、高效、准确的动态侧压力的预测方法尤为重要.基于机器学习方法,将支持向量机、BP神经网络和随机森林等3种机器学习方法应用到筒仓动态侧压力的预测中.选取影响筒仓动态侧压力的相...     

火电厂化学故障诊断系统研究

通过对火电厂化学故障诊断系统的深入研究 ,阐述了其研究方法、软件设计依据、程序流程及功能实现等 .对诊断标准的建立、智能化综合诊断等模块作了较详细地描述 .软件包功能完善、结构灵活 ,它的研制和应用提高了电厂化学监督自动化水平 ,并为机组安全高效运行奠定了基础     

基于故障树的火电厂脱硝系统故障分析方法

脱硝系统在火电厂运行过程中扮演着重要角色, 系统的正常运行以及故障预防措施的制定对火电厂正常工作具有重要意义。提出了一种基于故障树的火电厂脱硝系统故障分析方法。通过分析脱硝系统的工作原理确定全 部故障事件, 并根据故障事件之间的逻辑关系建立脱硝系统故障树, 通过定性和定量分析确定系统的薄弱环节, 对火电厂脱硝系统的各种故障制定应对方案, 为企业安全生产提供指导意见。     

基于注意力机制的数控机床热误差深度学习预测方法

为提高热误差预测精度和鲁棒性,提出一种基于注意力机制和深度学习网络的数控机床热误差预测模型。采用数据转化策略,将数控机床原始温度数据转化为温度图像,直接作为深度学习网络的输入;提出一种基于注意力机制的温度敏感点识别网络,根据温度测点与热误差关联程度,赋予各温度测点不同的权值,避免了温度测点的人为选取弊端;建立12层深度CNN学习预测网络,利用其强大的图像特征学习能力,挖掘温度图像与热误差的非线性映射关系,无需对温度关键点进行预选择,保留了更多的热误差与机床温度特征关系,显著提高了模型预测精度。为了提高热误差模型的精度与泛化能力,引入Dropout正则化方法和Adam优化算法,对深度卷积神经网络的结构与参数进行了优化。该方法在针对G460L型数控车床的热误差验证中表现出较高的预测精度。通过与BP神经网络和多元回归等传统热误差模型进行对比,深度卷积神经网络框架下的热误差模型在泛化性指标上表现更优。     

基于径向基概率神经网络的高压加热器故障诊断

应用径向基概率神经网络实现高压加热器的故障诊断。介绍了RBPNN网络的结构和学习算法;总结了高加的故障集、征兆集和故障特征数据。在Matlab环境下给出了高加故障诊断的具体实例,表明该方法是一种可行有效的高加故障诊断方法。     

电力变压器故障智能化诊断技术综述

变压器是电力系统的主要设备之一,其故障的提前诊断极其重要。总结并系统剖析了国内外各种传统及现有的变压器故障诊断方式,详细列举了基于油中溶解气体分析技术或电力设备的智能化故障诊断技术的最新进展,阐述了各类深度学习算法在变压器故障诊断中的应用,如深度神经网络、稀疏受限玻尔兹曼机、深度置信网络等,并将各种诊断技术的最终效果进行了对比。     

基于模型预测方法的电网故障预测

电网诊断通常都是故障发生后,根据故障后产生的信息来推断故障。为了能在故障发生前进行预防,提出模型预测(ModelPrediction,MP)和溯因推理网络(AbductiveReasoningNetwork,ARN)方法预测电网故障。模型预测利用电力系统中历史数据来预测电网无故障运行时的数据,与电网实际运行时的数据作对比,计算差值,差值作为诊断系统的输入;溯因推理网络能够处理预测数据和相应的候选故障之间的复杂关系,被用来构建故障诊断系统。模型预测和溯因推理网络方法相结合,能在保护装置和断路器动作前进行故障定位,具有故障预警功能。仿真结果表明,溯因推理方法构成的预测系统比神经网络方法构成的预测系统诊断结果更快、更准确。     

基于排列熵算法的电力系统故障信号分析

电网故障的快速准确诊断对加快事故处理和系统恢复进程、保证电力系统的安全运行具有至关重要的作用。分析了目前应用于电力系统故障诊断的数据来源,提出采用广域量测的电气量信息进行电力系统的快速诊断方法。首先将广域量测系统采集的数据进行小波变换,通过相关系数法滤噪处理,以此来重构信号,采用排列熵算法对重构的信号进行排列熵分析。由于排列熵反映了一维时间序列的复杂度,对信号变化具有较高的敏感性,可以应用于电力系统故障信号分析方面。相比传统的小波分析方法,该方法不存在选取小波基问题,且算法简单,编程易实现,能够满足在线故障诊断条件。通过对IEEE10机39节点标准测试系统的故障仿真分析,结果表明了该方法的有效性和实用性。     

振动诊断在水轮机故障诊断与失效分析中的应用

振动故障预测和诊断是保障水轮机安全运行的有效技术手段.根据水轮机常见振动故障特点,提出建立故障诊断专家系统,提高故障诊断的识别和故障部位的判断,结合状态监测检修系统对水轮机运行状态进行实时监测,对机组进行故障诊断和综合状态评估,从而判定是否需要维修、何时维修、维修部件和部位,并给出状态检修建议,为检修计划、失效与否提供依据.     

基于核极限学习机自编码器的转盘轴承寿命状态识别

针对低速重载转盘轴承运行工况恶劣、故障特征微弱的特点,提出基于飞蛾扑火算法优化多层核极限学习机自编码器（MFO-MLKELM-AE）的转盘轴承寿命状态识别方法. 该方法从振动信号的时域和时频域中提取出多个能够表征转盘轴承运行状态的特征向量,并将其组成高维特征集. 采用堆叠多层核极限学习机自编码器（MLKELM-AE）,从高维特征集中提取最能反映转盘轴承的寿命状态信息,输入核极限学习机（KELM）模型进行寿命状态识别. 在MLKELM-AE学习训练中,采用新的飞蛾扑火算法（MFO）优化惩罚系数和核参数,提高MLKELM-AE的特征识别能力. 转盘轴承加速寿命实验表明,MLKELM-AE比多层极限学习机自编码器（MLELM-AE）、单层极限学习机（ELM）、KELM的识别精度高,多传感器、多领域特征能够全面反映转盘轴承的寿命状态.     

Gauss-Newton神经网络的旋转机械故障诊断

BP神经网络具有优良的非线性映射能力,可以很好地描述频率特征和诊断结果之间的关系.针对BP神经网络存在局部极小值和收敛速度慢等问题,提出了一种基于Gauss-Newton的改进的BP网络.论述了Gauss-Newton神经网络的基本原理以及学习、运行过程,通过模拟运算指出了Gauss-Newton神经网络具有较快的学习速度,进而探讨了Gauss-Newton神经网络在旋转机械故障诊断中的应用,将该网络模型应用于旋转机械故障诊断,显示出Gauss-Newton网络具有诊断精度高、容错性和稳定性好的优势.