基于改进机器学习的输电线路弧垂温度估计方法

针对采空区地质塌陷造成的杆塔倾斜、构件断裂等问题,以及现有输电线路弧垂和温度估计方法抗干扰性较低且准确度不高,为此,提出了一种基于LoRa通信与神经网络的输电线路弧垂温度非接触式监测,以保障输电线路的安全运行。首先,利用安装在线路上的智能摄影机和传感器获得线路的弧垂与温度数据。然后,提出了基于LoRa的远程无线通信系统传输监测数据,并发送至数据采集与监视控制系统进行分析以估计线路状态。最后,基于遗传-支持向量机算法估计输电线路的弧垂,以及采用GA-Elman神经网络算法估计输电线路的温度,提高了线路状态估计的准确率。采用搭建的实验平台对所提方法进行论证,结果表明所提方法能够快速获取复杂环境下的监测数据,并且弧垂温度估计准确率优于其他对比方法。     

风力发电机组状态监测和故障诊断系统的设计与实现

为实时监测风力发电机组的运行状态,提高故障诊断系统的智能化程度,设计了一套基于硬件数据采集系统结合Matlab、组态软件WinCC的风力发电机组实时在线监测和故障诊断系统。通过数据采集系统的硬件选择和连接,建立了数据采集器与Matlab、WinCC之间的实时通讯,并在Matlab中应用小波包和神经网络智能算法完成齿轮箱和发电机轴承数据处理,实现了故障诊断结果的实时显示。     

智能监控在数字钻机中的应用

智能监控在对现场人员的安全监控和关键设备的集中监控以及故障分析、预警自控能力、信息处理等方面具有重要作用。在传统监控基础上通过应用卷积神经网络的深度学习算法训练模型,主要针对钻机现场人员进行智能防护,建立起基于智能视频分析技术的钻机监控信息管理系统。实践应用表明,该智能监控系统可在数字钻机控制中取得良好效果,具有很高的实际应用价值,在一定程度上可节约人力成本,对提高数字钻机现场运行安全具有十分重要的意义。     

蚁群算法在电机故障诊断中的应用

蚁群算法是近几年优化领域中新出现的一种启发式仿生类并行智能进化算法,有正反馈、分布式计算、启发性收敛等特点.本文介绍了蚁群算法的基本原理和算法模型,建立了以电机为对象的神经网络故障诊断系统,应用蚁群算法训练了神经网络并进行了故障诊断,与BP算法的诊断结果进行了比较.网络训练的对比结果表明,基于蚁群算法的神经网络故障诊断系统,对多故障征兆有较好的故障识别率,且算法收敛快,诊断精度高,具有较高的搜索效率.     

基于神经网络的水电机组智能故障诊断系统

针对现有水电机组状态监测系统功能不完善、不够智能化的缺点,开发了基于神经网络的水电机组智能故障诊断系统,该系统由状态监测和故障诊断两个模块构成,包括数据采集、数据分析、通信和智能故障诊断4部分。与传统故障诊断系统相比具有BP神经网络组成的专家系统,因此具有自学习、自适应和智能化等特点。实验结果表明,此系统的诊断结果准确可靠,具有良好的实用价值。     

改进BP神经网络的SVM变压器故障诊断

油中溶解气体是变压器故障诊断的重要依据,为了融合以及扩充变压器油中溶解气体含量的特征信息,提高变压器故障诊断准确率,本文提出了改进BP神经网络的SVM（Support Vector Machine）变压器故障诊断方法。首先,通过改进的BP神经网络将5维的气体特征信息进行融合并扩充到128维;然后,在改进的BP神经网络中使用每层提取的特征向量作为SVM的输入对变压器故障进行诊断,增加改进的BP神经网络中诊断准确率较高的特征向量的权重;最后,选择累积权重最大的特征向量作为输入,使用SVM进行变压器的故障诊断。该方法经过多层神经网络的映射使提取的气体特征信息融合及扩充后具有更加明显的特征区别,从而可以有效的提高SVM的诊断准确率。实验结果表明,本文所提出的算法与BP神经网络和SVM的变压器故障诊断方法相比诊断准确率有较大的提升。同时,随着训练数据样本的增加,模型的诊断准确率具有一定的提升。     

基于多模型融合集成学习的智能变电站二次设备状态评估

为准确评估智能变电站二次设备运行状态,建立了二次设备状态评估指标体系,并结合多种机器学习算法的差异性,提出了基于多模型融合集成学习的二次设备状态评估法。该方法采用双层结构,上层中利用划分好的数据对数个基学习器进行k折验证,下层中利用全连接级联神经网络融合多个基学习器,并采用改进的列文伯格-马夸尔特算法训练该神经网络加速模型收敛。实例分析表明,所提出的方法可以准确地评估二次设备的运行状态,并为智能变电站系统和二次设备的检修工作提供指导意见。     

空调系统传感器故障诊断方法研究

在探讨智能大厦中空调机组传感器主要故障的基础上,提出了基于Levenberg-Marquardt(LM)算法的神经网络诊断方案.通过楼宇自动化智能大厦空调实验装置的仿真实验证明:在相同的条件下,基于LM算法的神经网络故障诊断系统在解决传感器故障检测问题上优于传统的BP网络.     

基于支持向量机的规则零件检测技术研究

基于机器视觉的零件检测系统由于具有非接触、实时性强、速度快等优点广泛应用于各种工业生产中,提出了一种基于边缘跟踪的零件缺陷边缘智能检测算法,很好的检测到了完整的缺陷边缘,为特征提取提供了高质量的缺陷边缘参数。采用基于支持向量机的分类识别算法,避免了神经网络算法中需要多样本和过度拟合的问题,通过对比分析选择合适于本系统的核函数,并运用基于交叉验证和网格搜索的参数选择方法找到核函数的最佳参数,采用一对一的投票策略进行分类训练和测试,最后对采集到的缺陷零件样本进行了分类测试实验,达到预定的较高的检测精度。     

PID神经网络解耦控制注塑机料筒多段温度系统

本文根据注塑机料筒温度控制的要求，利用PID神经网络构成多变量解耦控制系统。注塑机料筒温度是一类多变量、强耦合、大惯性控制对象，文中分析了注塑机温度控制的特点，给出了PID神经网络的结构和算法，对多段温度系统进行了实时仿真，显示了PID神经网络对注塑机料筒温度控制的良好解耦性能和自学习控制特性。     

LM算法的回热系统故障诊断人工神经网络模型

对火电厂回热系统的故障进行分析，提出了基于Levenberg-Marquardt神经网络算法的回热系统故障诊断模型，其算法是梯度法与高斯一牛顿法的结合。仿真结果表明，该模型显著缩短了训练时间，降低了跟踪误差，具有很高的准确性，优于常规BP神经网络算法模型，适合用于在线学习与监测。     

基于多数据源的电力变压器分层故障诊断系统设计

在现有变压器在线监测条件普遍不足的前提下,介绍了一种基于多数据源的变压器分层故障诊断系统。该系统充分利用在线监测数据和各种电气试验、运行状况以及专家经验等信息,将人工神经网络和基于事例(case)推理的专家系统结合起来,在不同层次的故障诊断模型中采用不同的智能诊断手段,逐步深入、细化诊断结果,并对系统的数据流和知识流进行合理的总体规划。该系统还提供了模拟变电站数据的仿真器,可用于系统的测试,在一定程度上保证了其可靠性。     

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。     

基于二阶BP神经网络的旋转机械故障的智能诊断

针对旋转机械故障的智能诊断问题,提出了结合二阶BP神经网络和模糊网络的集成诊断方法。系统由信号处理子系统和故障诊断子系统两大部分组成。信号子系统负责信号的提取和预处理,诊断子系统则是诊断的核心,不同信号送入不同子神经网络进行诊断,结果通过决策神经网络进行数据融合,做出最后的诊断。该系统具有知识自动获取、识别速度快、鲁棒性及容错能力强等特点。实例证明该系统是有效的。     

基于1DCNN-BiLSTM组合模型的S700K转辙机故障诊断

针对S700K转辙机故障诊断有效特征提取困难,信号处理与分类算法难以联合优化的问题,提出了一维卷积神经网络(1DCNN)与双向长短期记忆神经网络(bidirectional long short-term memory, BiLSTM)结合的转辙机故障诊断方法。首先,对微机监测系统采集的转辙机功率曲线进行处理;其次,通过卷积神经网络(convolution neural networks, CNN)的卷积层和池化层对处理后的数据自适应提取故障特征;再经过扁平层(Flatten)把提取的故障特征作为BiLSTM层的输入,进一步挖掘深层次的特征;最后使用Softmax函数实现智能故障诊断。以某铁路局提供的真实数据验证模型,结果显示所提模型的精确率、召回率和F₁值等评价指标分别达到98.99%、98.89%和98.89%,相较于其他经典故障诊断模型,1DCNN-BiLSTM模型在保证训练速度较快的情况下,将故障诊断的准确率至少提升了1.08%。     

基于支持向量机和小波包能量特征的气液两相流流型识别方法

支持向量机（SVM）是一种基于统计学习理论（SLT）的机器学习算法,它能在训练样本很少的情况下得到很好的分类效果,从而为流型识别技术向智能化发展提供了新的途径.该文提出了应用支持向量机和小波包能量特征的流型识别方法.将压差波动信号小波包分解后的频带能量作为支持向量机的输入特征向量,并对水平管内空气-水两相流的流型进行了识别.试验结果表明：与BP神经网络相比,采用支持向量机进行流型识别可以获得更高的识别率,表明该方法是有效、可行的.     

基于振动信号的高压并联电抗器故障诊断方法与监测系统研制

通过研究高压并联电抗器表面振动信号的幅频与分布特性,结合斯皮尔曼相关性分析,寻找并验证能够表征高压并联电抗器机械故障状态的特征参数,将振动信号的分段离散功率谱、主成分系数等参数组成特征向量,综合K-临近算法、支持向量、神经网络等多种机器学习方法实现对高压并联电抗器机械故障的诊断。在此基础上研发了一套在线监测系统,具有信号采集分析、故障诊断预警、数据智能采样存储、特征观察分析等功能。经实验测试表明,该系统诊断准确、性能稳定、方便智能,具有一定的实用价值。     

应用于智能变电站的智能视觉系统

为了进一步提高智能变电站运行的安全性、稳定性和可靠性,研究和开发一套适用于智能变电站日常运行和维护的智能视觉系统,以监控智能变电站的运行环境、智能变电设备的运行状态。该系统包含基于特征匹配和图像融合技术的智能设备监控子系统、基于视觉跟踪技术和机器学习算法的智能环境监控子系统以及基于生物特征识别技术的智能门禁子系统;集成和改进了视频监控、图像处理、机器学习模式识别领域中的最新技术,实现了对智能变电站运行环境以及变电设备运行状态自动进行在线监控。     

人工神经网络技术在电力系统中的应用

电力系统是由发电、输电、变电、配电和用电等多个部分组成的复杂的非线性动态系统。应用传统方法分析电力系统常常存在诸多缺陷,而人工神经网络技术由于具有不可替代的优势,文中介绍了人工神经网络在电力系统故障诊断、智能控制、继电保护、优化运算以及负荷预测等方面的应用情况。     

综合智能型电力系统稳定器的研究

提出了一种综合智能化的控制系统设计思想,并将其应用在发电机的励磁控制上,所设计的综合智能型电力系统器兼顾对发电机端电压动态调节特性和功角稳定的要求,具有良好的顺采用模糊神经元网络的结构形式,而遗传算法和再励学习与设计过程的有机结合使控制器具有更高的智能化水平,较好的控制效果和简便合理的设计过程,在理论和实践两方面都具有应用潜力。