基于改进多分类概率SVM模型的变压器故障诊断

针对电力变压器内部结构复杂,故障类型繁多,难以实现故障准确有效诊断的问题。提出k近邻及改进多分类概率支持向量机对电力变压器进行多分类故障诊断的方法。首先,采用有向无环图的形式对变压器各种故障进行归类,进而利用k近邻算法对故障大类进行预分类,缩小故障所属类别,降低了后续多分类模型的构建复杂度。然后,以预分类后的类别样本数据作为输入,训练OVO-SVMs分类器,以概率的形式输出隶属各类的概率矩阵,并用改进OVR-SVMs分类器的概率输出作为概率矩阵中各元素的权重系数,对概率矩阵进行更新、修正,提高故障诊断正确率及可靠性。实际诊断结果显示,所提出的方法与IEC三比值法和传统的多分类支持向量机相比,在故障诊断范围、故障诊断正确率和故障诊断效率上均有所提高。     

改进的布谷鸟算法优化极限学习机的石化轴承故障分类

针对通用的智能故障诊断方法在石化滚动轴承中准确率不理想的问题,提出一种通过改进的布谷鸟算法( CS )优化极限学习机( ELM )使诊断准确率提高的模型。将实测轴承振动信号降噪处理,计算不同嵌入维度下的关联维数作为 ELM 的输入信号;通过改进的布谷鸟算法获取极限学习机最优的隐含层偏置、输入权重,最后输出诊断结果。经过实验证明,该方法可以有效地克服测量信号时的干扰,可以对不同故障下的滚动轴承准确识别,并与多种模型对比,该方法的故障诊断准确率为 97.5% 。     

基于IFOA优化SVM的油浸式变压器故障诊断方法

针对小样本数据的油浸式变压器故障诊断,将修正因子引入果蝇优化算法,提出了一种基于IFOA优化SVM的油浸式变压器故障诊断方法。通过IFOA优化SVM的惩罚因子C和核函数参数g,实现小样本数据的油浸式变压器故障诊断。为了验证该算法的有效性和可靠性,将IFOA-SVM和GridSearch-SVM,FOA-SVM,SVM等算法进行比较。实验结果表明,IFOA-SVM比Grid Search-SVM,FOA-SVM和SVM具有更高的准确率,更加适合油浸式变压器的故障诊断。     

基于LE-ELM的热力参数传感器故障诊断

针对火电机组热力参数传感器中多故障模式识别问题,同时为了克服参数随机性和离群点给ELM隐含层输出矩阵带来的病态现象,提出了一种基于拉普拉斯特征映射(LE)和极限学习机(ELM)的热力参数传感器故障诊断模型。该方法首先利用LE算法提取传感器的故障特征参量,并保持高维数据的距离相似性,减少离群点的出现,接着利用ELM作为故障模式的训练和诊断分类器。最后通过热力参数传感器的故障诊断实例验证了方法的有效性,实验结果表明,采用LE-ELM的组合进行热力参数传感器故障诊断相比其他方法具有更高的诊断准确率。     

基于LMD近似熵和PSO-ELM的齿轮箱故障诊断

针对齿轮箱使用中常见的故障检测与识别问题,考虑到齿轮箱振动响应信号非线性、非平稳的特性,提出基于局域均值分解(LMD)的近似熵和粒子群优化的极限学习机(PSO-ELM)结合的齿轮箱故障诊断方法。首先,使用LMD分解方法对齿轮箱各工况的振动信号进行分解,结合相关系数选取反映主要故障信息的前4个PF分量。利用近似熵进行定量描述,组成特征向量。最后用粒子群算法对ELM的输入权值与隐含层神经元阈值进行优化,建立PSO-ELM模型,并将近似熵特征值输入到ELM和PSO-ELM模型中,对齿轮箱不同工况进行故障识别与分类。结果表明,基于LMD近似熵和粒子群优化的ELM有更高的分类正确率,验证了该方法的可行性。     

油浸式变压器的故障诊断探究

介绍了油浸式变压器常见的故障类型,对油浸式变压器的故障类型进行归类,分析了对其进行故障诊断的意义所在,并针对在线和离线两种情况介绍了常见的故障诊断方法,以期对油浸式变压器故障诊断探究的理论研究有所帮助,为实际工作中遇到此类问题时提供参考依据。     

多策略改进麻雀算法与 BiLSTM 的变压器故障诊断研究

针对变压器故障诊断精度低的问题,提出了一种多策略改进麻雀算法(MISSA)与双向长短时记忆网络(BiLSTM)的变压器故障诊断模型。基于油中溶解气体分析(DGA)技术,结合无编码比值方法提取变压器9维故障特征作为模型输入进行网络训练,输出层采用Softmax函数得到故障诊断类型;采用Logistic混沌映射、均匀分布的动态自适应权重以及动态拉普拉斯算子来对麻雀搜索算法(SSA)进行改进;在初始解集内,利用MISSA对目标超参数进行寻优,使变压器故障诊断精度最优,并结合核主成分分析(KPCA)对故障特征指标降维,加快模型收敛速度。结果表明,提出的模型诊断精度为94%与PSO-BiLSTM、GWO-BiLSTM和SSA-BiLSTM故障诊断模型相比,分别提高了11.33%、8.67%、6%,验证了本文方法能够有效地提高变压器的故障诊断性能。     

基于思维进化优化极限学习机的滚动轴承故障的智能诊断

为了解决传统极限学习机随机产生的输入权值和阈值对故障诊断的准确率有较大影响的问题,提出了一种利用思维进化算法(mind evolutionary algorithm,MEA)来优化极限学习机(extreme learning machine,ELM)的智能诊断方法。MEA-ELM方法首先将ELM的权值w和阈值b编码成MEA算法个体,产生初始种群,然后通过趋同和异化操作完成种群间的竞争产生优胜种群,整个迭代过程中不断优化极限学习机的初始权值和阈值,最后获得最优个体,对最优个体解码获得隐含层的最优输入权值w和阈值b。将建立的MEA-ELM故障诊断模型应用于滚动轴承的故障诊断中,并分别与传统极限学习机故障诊断模型以及BP神经网络模型的实验结果进行对比,结果表明,经过MEA优化后的ELM不但保持了分类速度快的特点,而且有效提高了诊断的准确率,证明所提出的方法具有良好的可行性和有效性。     

基于随机向量泛函连接网络的油浸式变压器故障诊断

针对常用机器学习算法收敛速度慢、容易陷入局部最优等不足,提出一种基于随机向量泛函连接(Random Vector Functional Link,RVFL)网络的油浸式电力变压器故障诊断方法。该方法以变压器油中五种主要特征气体作为输入,以七种变压器运行状态作为输出,构建了基于RVFL网络的故障诊断模型。算例分析的结果验证了该方法的有效性和优越性。     

H-K-ELM在滚动轴承故障诊断中的应用

针对滚动轴承振动信号的不规则性和复杂性,导致轴承状态难以有效识别的问题,提出基于分层核极限学习机(Hierarchical Kernel Extreme Learning Machine,H-K-ELM)的滚动轴承故障诊断方法。首先,将测得信号经集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)处理后得到一系列IMF本征模态分量,并提取各分量的排列熵PE值组成高维特征向量集;其次,利用高斯核函数的内积来表达ELM算法的隐含层输出函数,然后使用自动编码器对其分层,从而隐含层节点数自适应确定和隐含层阈值与输入权值满足正交条件;最后,将所得高维特征向量集作为H-KELM算法的输入,通过训练建立核函数极限学习机滚动轴承故障分类模型,进行滚动轴承不同故障状态的分类辨识。实验结果表明:H-K-ELM滚动轴承故障分类模型比ELM、K-ELM故障分类模型具有更高的精度、更强的稳定性。     

基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法

针对表征齿轮故障特征信息难提取与极限学习机输入权值与隐含层节点阈值随机选取,致使齿轮故障分类模型泛化能力弱、精度差的问题,提出一种基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法。该方法首先将齿轮振动信号经过小波包分解,再利用分解所得各节点信号与原信号的相关系数选取出最优节点并计算其能量特征;其次,利用蝙蝠算法优化极限学习机的输入权值与隐含层节点阈值,建立BA-ELM的齿轮故障分类模型;最后,将所得小波包最优节点能量特征向量作为模型输入进行齿轮不同故障状态的分类识别。实验结果表明,与基于SVM和ELM的故障分类方法相比,基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法具有更高的分类精度,更强的泛化能力。     

分层极限学习机在滚动轴承故障诊断中的应用

针对滚动轴承信号的非线性、非平稳特性,致使轴承状态难识别的问题,提出分层极限学习机(HELM)故障诊断模型。首先采用集合经验模式分解(EEMD)将轴承信号分解为若干个本征模式分量(IMFs),并提取其能量熵值构建特征向量;其次利用自动编码器(AE)对极限学习机的隐含层进行分层,且使隐含层节点的输入权值和阈值满足正交条件;最后将构建的特征向量作为H-ELM算法的输入,通过训练建立H-ELM滚动轴承故障分类模型。实验结果表明:H-ELM滚动轴承故障分类模型比SVM、ELM故障分类模型具有更高的精度、更强的稳定性。     

基于DGA和HMM的小样本变压器故障诊断算法

针对基于油中溶解气体分析(DGA)的变压器故障诊断方法需要大量训练样本,而实际应用中缺乏样本的问题,提出在小样本情况下一种应用基于DGA和隐马尔科夫模型(HMM)的变压器故障诊断算法。该算法利用DGA提取变压器的故障特征,使用HMM作为变压器故障诊断分类器,并对HMM模型的训练算法进行改进,引入比例因子和多观测序列。试验结果表明：使用公开数据集IEC TC 10作为变压器故障数据集,将本算法与常用于小样本情况的SVM、决策树算法相比较,本算法的变压器故障诊断正确率更高。     

变压器油中气体拉曼光谱检测及信号处理方法

准确检测变压器油中溶解故障特征气体是诊断变压器运行状态的重要技术手段之一。论文基于拉曼光谱和腔长调制频率锁定原理,搭建了变压器故障特征气体频率锁定腔增强拉曼光检测平台,实现了H_2、CH_4、C_2H_2、C_2H_4、C_2H_6、CO、CO_2等七种故障特征气体的同时检测;1atm时,H_2、CH_4、C_2H_2、C_2H_4、C_2H_6、CO、CO_2的最小检测浓度实验值分别达到106、25、45、73、41、170、126(ppm)。频率锁定增强腔技术使最小检测浓度提高了约68倍。运用小波模极大值法对H_2的拉曼光谱检测信号进行了去噪处理,提出了基于包络线迭代法的光谱基线校正方法,校正后的光谱荧光背景残留减少,使气体拉曼光谱检测准确度提高了约2.95%,为变压器油中溶解故障气体同时准确检测提出了一种新方法。     

单片机控制油浸式变压器在线温度监测系统

针对变压器监测系统在实时性、可靠性方面的要求以及油浸式变压器发生故障时会产生不同的热效应,从而产生相应位置的异常温升的问题,讨论了基于嵌入式技术的大型变压器温度监测和故障诊断系统,详细地介绍了基于单片机控制的油浸式变压器温度采集电路的硬件电路设计。实践结果证明,该系统具有实时性强、可靠性高、运行成本低等优点,对大型油浸式变压器运行状态的实时温度监测和故障诊断而言,具有较广阔的应用前景。     

基于XGBoost特征提取的数据驱动故障诊断方法

针对目前用于故障诊断领域的机器学习方法尚不能够充分挖掘数据中隐含故障特征信息,存在逼近精度不足的问题,提出一种基于XGBoost算法的隐含特征信息提取方法。根据故障数据与故障类型自定义XGBoost算法的损失函数,迭代构建故障分裂树;提取样本在故障树中的叶子节点位置索引向量并进行特征编码重构,得到隐含故障信息的智能化表征;基于该表征矩阵,使用SVM等机器学习算法建立故障诊断模型,实现多故障模式的识别诊断;最后,以某驱动器的故障诊断为例对方法进行了验证,结果表明：与原始特征下的故障诊断模型相比,基于XGBoost算法提取隐含特征下的诊断模型准确度更高,鲁棒性更好,同时能给出特征变量的重要性排序。     

基于SAPSO-ELM的纳米铁粉分解炉温度预测

为实现纳米铁粉分解炉温度的精准预测,提出了一种基于自适应粒子群优化算法(SAPSO)和极限学习机(ELM)的分解炉温度预测模型。采用现场数据,选取相关因素,利用ELM建立了对应的模型,并针对ELM输入权值矩阵和隐含层阈值选取的随机性,采用SAPSO对其进行动态寻优。通过仿真分析,分解炉温度预测误差达到0.039 2%,验证了模型的准确性。设置不同SAPSO参数进行试验,验证了模型的稳定性。设置不同神经元数目,与普通ELM的对比试验表明,SAPSO-ELM温度预测模型具有更好的泛化性。     

基于ICPSO优化的极限学习机在故障诊断中的应用

极限学习机(extreme learning machine,ELM)的分类性能受随机产生的输入权值和隐层阈值的影响,为此,提出一种改进的混沌粒子群算法(ICPSO),用以优化输入权值和阈值,得到基于ICPSO优化的ELM故障诊断模型。仿真和实验结果表明,ICPSO算法改善了ELM网络的学习效率和诊断精度,可有效应用于故障诊断。     

基于VMD-SE和DE-ELM的直升机滚动轴承故障诊断方法

针对直升机自动倾斜器滚动轴承转速低、钢球多,故障特征频率难提取的问题,利用VMD-SE和DEELM对直升机滚动轴承进行故障诊断。首先,对振动信号进行变分模态分解,利用中心频率法选择模态数,通过样本熵提取模态分量的特征;其次,利用差分进化算法对ELM进行优化;最后,利用课题组测得的真实数据进行故障诊断试验。结果表明:相比ELM和BA-ELM方法,DE-ELM在隐含层节点数较少情况下对轴承故障识别率达到99%以上,验证了该方法用于直升机自动倾斜器滚动轴承故障诊断的有效性。     

基于双隐含层RWPSO-BP神经网络的齿轮箱故障诊断研究

针对齿轮箱故障诊断过程中采集到的振动信号通常都比较复杂多变,随机性和偶然性也比较强的特点,提出了一种基于随机权重粒子群优化(Random Weight Particle Swarm Optimization,RWPSO)算法的双隐含层反向传播(Back Propa-gation,BBP)神经网络(RWPSO-BP)的齿轮箱故障诊断方法.对江苏千鹏诊断工程有限公司所公布的齿轮箱故障诊断实验中的原始振动数据进行多特征值提取;利用主成分分析法(Principal Component Analysis,PCA)对特征集进行降维处理,将多个变量的数据集转变为较少新变量的数据集(即主成分),把所选主成分归一化处理后利用双隐含层RWPSO-BP 神经网络进行诊断分析;将分析结果与单隐含层RWPSO-BP神经网络对测试样本的识别结果作对比.最后的诊断结果为:双隐含层RWPSO-BP神经网络的误差更小,可以较为准确地对齿轮箱故障类型进行有效的识别.