耦合隐马尔科夫在模拟电路故障预测中的应用

为了能够更准确地对模拟电路系统中各退化状态进行状态识别和故障预测,针对单一通道的隐马尔可夫模型在模拟电路系统中预测精度不高的特点,提出了一种具有2条Markov链的耦合隐马尔可夫模型故障预测方法。该方法在模拟电路中采用2个测试点通过双通道数据分别对各退化状态和全寿命进行建模,实验结果表明,耦合隐马尔可夫模型与传统的隐马尔可夫模型相比,不但提高了状态识别率,而且能对电路系统的故障发生进行有效地预测,为状态维修提供依据。     

考虑多元因素态势演变的配电变压器 迁移学习故障诊断模型

针对配电变压器故障数据有限及数据过期的问题,提出一种考虑多元因素态势演变的配电变压器迁移学习故障诊断模型。首先,构建了配变运行状态评价指标体系,对指标状态量进行模糊二元量化,利用模糊Apriori算法挖掘其与故障之间的关联关系,提取诱导变压器故障的关键状态量。针对配变故障数据有限,引入Tanimoto系数,将有效的辅助故障数据迁移至目标配变,建立了基于信息迁移的配变故障诊断模型;针对配变故障数据过期,引入健康指数描述配变状态,将不同健康等级的辅助故障数据进行迁移,建立了针对数据过期的配变故障诊断模型。在此基础上,利用迁移学习算法TrAdaBoost对上述模型中目标与辅助故障数据的权重进行迭代求解,进而输出配变故障强诊断器。最后,根据配变故障数据进行算例分析,仿真结果表明,该文所建模型故障诊断精度高,具有比传统诊断器更强的泛化能力。     

基于多源数据融合的恶劣气象下10 kV配变实时状态评估

针对配电变压器运行状态表征信息繁杂众多的特点,基于对电力系统多源数据的提取与处理,建立了融合外部气象因素、设备内部健康状况以及当前运行条件的10 kV配变实时状态评估模型。首先采用基于Tomek links欠采样的随机森林法进行恶劣气象下配变故障概率与预计停电时长的预测;然后选取状态参量的监测值,采用威布尔分布与最大似然参数估计来计算配变的实时可靠度,提出了一种通过主客观综合赋权计算得到该台设备内部老化造成的实时故障概率的方法。最后应用该模型对某地区某台10 kV配变24 h内的综合劣化度进行了实时评估,结果表明:采用基于Tomek links欠采样处理能够显著改善停电时长的预测效果,同时配变实际故障情况与所提状态评估模型的预测结果较为符合,验证了模型的有效性。论文研究可为10 kV配变的状态评估提供参考。     

10kV架空导线单相触树接地故障模型及其检测方法

针对现有的高阻故障模型难以描述导线触树故障的过渡电阻缓变特征的问题,在分析导线触树故障物理机理的基础上,建立了基于实际物理过程的等效模型。试验结果表明,该模型能够良好模拟不同尺寸接地树木下过渡电阻的短时非线性特性及长时缓变特性。以模型为基础,提出基于故障分量幅值的长时变化趋势进行故障判断的方法。仿真结果表明,该方法的耐过渡电阻能力可达17k?以上,在实际线路试验中,导线触树故障检出时过渡电阻约51k?。     

基于VMD的超声波电动机退化特征提取研究

压电陶瓷部件开裂是超声波电动机的主要故障模式之一,压电陶瓷片上的孤极信号能够充分反映定子的振动状态,通过监测孤极信号研究超声波电动机的退化状态。利用变分模态分解(VMD)在处理信号时可以将信号分解成多个频段的良好特性,研究一种基于VMD的超声波电动机退化特征提取方法。通过VMD的方法寻找出孤极信号电机工作频率的高频段,提取均方根值、能量、方差和工作频率处幅值等退化特征,通过支持向量机验证了所提取退化特征的有效性。     

基于PCA-KNN融合算法的风力机变桨角度故障诊断方法

针对风力机变桨系统变桨角度4种主要故障类型,基于机组SCADA数据分析,提出一种基于非参数核密度估计和Relief-F特征参数提取数据处理,以及PCA-KNN融合算法故障诊断的风力机变桨角度异常状态识别方法。首先,对风力机SCADA数据进行非参数核密度估计预处理,运用Relief-F算法提取变桨角度故障的7类（13个）特征参数;然后,通过PCA-KNN融合算法对变桨角度故障状态进行识别,结果表明：该方法能够准确识别变桨角度4种主要的故障类型。最后,将改进的PCA-KNN融合算法与常用的KNN算法、PCA-KNN算法和BP神经网络进行对比,结果表明：改进的PCA-KNN融合算法具有更为准确的识别率。     

基于GPR的变工况下闭环SEPIC的故障预测

变工况下闭环单端初级电感变换器(SEPIC)系统级的故障预测,不仅受故障模式的影响,还受工况变化的影响。针对此问题,采用了一种新颖的变工况下闭环SEPIC变换器系统级故障特征参数(S-FCP)的提取方法,并提出了一种基于高斯过程回归(GPR)对S-FCP退化状态预测的方法。首先,研究了在不同工况下闭环SEPIC变换器关键元件的退化对系统级参数的影响。其次,选取对关键元件退化敏感且退化趋势有规律的系统级参数作为闭环SEPIC变换器的S-FCP,并利用多元最小二乘回归得到额定工况下的S-FCP。最后,基于GPR对S-FCP进行故障预测,实现变工况下闭环SEPIC变换器的故障预测。实验结果证明了该S-FCP提取方法和预测框架的可行性。     

自适应 VMD 及其在状态跟踪及故障检测中的应用

针对变分模态分解(variational modal decomposition, VMD)的特征提取性能受到参数影响的问题,以及故障状态跟踪的 实时性较差的问题,提出一种状态预警线构造方法和自适应 VMD 方法并将其用于机械零件的故障检测。 首先,提取机械零件 全寿命振动信号的退化特征,基于 2σ 准则构造状态预警线来跟踪机械零件的退化状态并检测故障预警点。 然后,引入能量熵 和互信息构造适应度函数,通过蚱蜢优化算法(grasshopper optimization algorithm, GOA)构造自适应 VMD 模型来检测预警点附 近机械零件的故障状态。 结果表明,提出的状态预警线能更及时有效地检测出故障预警点,自适应 VMD 能更准确地检测出机 械零件故障,具有良好的应用价值。     

计及含光伏发电配电网故障的特征提取方法

基于信息熵理论和变分模态分解理论,提出一种熵-变分模态分量相结合(Entropy-VariationalModeDecom- position,E-VMD)的故障特征提取方法.首先通过含光伏发电的配电网仿真模型获取故障数据,挖掘数据的时域频 域特征,利用VMD对原始信号分解重建出K 个不同的频带分量,将采集到的故障信号通过分解重构放大故障特征, 然后在不同频带上基于信息熵等其他特征进行故障特征提取并构建矩阵.通过分析不同故障类型下的信号分解图,证 明该方法能够有效地进行特征提取.     

一种直流输电线路故障测距新原理

提出了一种新的直流输电线路双端故障测距方法。该方法建立在分布参数模型基础上,利用两端电压、电流量分别从两端计算沿线电压分布,并根据所计算的沿线电压分布在故障点处相等进行故障定位。该定位方法在时域中进行,所需数据窗短,计算简单,定位精度高。在输电线路仿真模型的选择上考虑了线路参数的频变特性,PSCAD和换流站录波数据的仿真结果表明,该方法能够对直流输电线路实现快速准确的故障定位。     

基于混沌特征的航空发动机故障诊断研究

为有效利用航空发动机故障状态下振动系统的非线性特征,把混沌引入到航空发动机故障诊断中.采用了一种集相空间重构技术和关联维数估计为一体的特征提取方案,确定混沌时间序列相空间重构两个重要参数,给出了关联维数的计算方法,准确估计出实测数据的结果.对3种典型故障振动数据的关联维做了计算仿真,仿真结果表明该方法提取的混沌特征量具...     

基于BP神经网络的光伏阵列故障诊断研究

光伏阵列多安装在较恶劣的室外环境中,因此在运行过程中常会发生故障。为辨别光伏阵列故障类型,提出了基于L-M算法的BP神经网络的故障诊断方法。在深入分析不同故障状态下光伏阵列输出量变化规律的基础上,确定了故障诊断模型的输入变量。本方法无需额外的设备支持,具有简便、成本低的优点;可以在线实时地进行故障诊断。仿真和初步实验结果验证了基于BP神经网络的故障诊断方法可以有效地检测出光伏阵列短路、断路、异常老化及局部阴影等四种故障。     

基于主成分分析的串联电池组故障诊断实用方法

为了保证电动汽车和储能系统的安全运行,电池组的故障诊断研究备受关注。针对目前面向电池组故障诊断方法相对匮乏且实用性不佳的问题,提出了一种基于主成分分析(PCA)的故障诊断实用方法,以准确地区分组内的电池单体故障和连接故障。首先,提出了非硬件冗余的交叉测量拓扑,分别用不同数量的传感器测量电池和连接板;然后,分析组内测量电压的变化特点,引入PCA对故障特征进行提取,为了保证PCA模型适配,提出了PCA实时建模与故障诊断一体化的思路,并基于此设计了完整的故障诊断方案;最后,利用实验对所提方法进行验证,结果表明所提方法能够可靠区分电池单体故障和连接故障,准确检测阈值法无法检测的电池单体故障,且强鲁棒于荷电状态、健康状态和温度差异的影响。现场运行数据也证实了所提方法能够有效避免发生虚警。     

基于深度置信网络和多维信息融合的变压器故障诊断方法

为了综合多维度信息,快速准确判断变压器缺陷,同时解决多维度信息融合权重难以确定的问题,文中基于深度学习理论,采用稀疏受限玻尔兹曼机搭建了用于故障诊断的深度学习故障分类模型,结合大型变压器的多维度监测量,提出了一种基于深度置信网络和多维度信息融合的变压器故障诊断方法。该方法能够利用变压器海量的无标签多维监测数据作为学习样本,只需对少量带标签数据进行辅助优化,根据变压器实时在线多维监测数据,被训练后的模型能够对变压器本体状态做出准确的故障诊断。对某市220 k V主变进行诊断测试,结果表明,文中提出方法的故障诊断准确率较现有方法高约4%,验证了该方法的可行性和有效性。     

基于广域录波数据和FCM聚类的电网故障诊断方法

断路器和保护设备存在误动和拒动的可能性,不正确的动作会引入错误的故障信息干扰电网故障诊断。针对上述问题提出了一种基于广域故障录波数据和模糊C均值(FCM)聚类的电网故障诊断方法。对母线、输电线路和变压器这3种电网元件的故障录波数据进行挖掘分析,从中提取能够有效区分故障元件的特征;建立基于模糊C均值聚类的电网故障元件诊断模型。对故障后的元件进行聚类分析,并计算各元件的故障可信度,最终确定故障元件。新英格兰39节点系统的仿真和实际算例表明所提方法能够快速准确定位故障元件且不受故障类型和位置的影响。     

考虑复杂时序关联特性的Bi-LSTM变压器DGA故障诊断方法

当前基于油中溶解气体分析(DGA)的变压器故障诊断方法往往仅考虑单一时刻数据点,容错性差,难以充分挖掘在线监测数据的时序信息。提出一种考虑变压器油特征参量序列间复杂关系的基于双向长短时记忆(Bi-LSTM)网络的变压器故障诊断方法。首先构建了变压器油特征参量序列,基于序列数据构建了Bi-LSTM变压器故障诊断模型。工程实际中不同变压器油特征参量序列长短不一,需通过排序、分组填充对模型输入进行重构改进,然后对超参数进行优化。基于同一自建数据库对比所提方法与其他方法,结果表明:经过数据重构后所提方法的准确率可达91.9%;当特征指标数量减少约2/3时,所提方法的准确率仅下降约1%,而其他方法的准确率平均下降约6%;当采样数据存在10%的随机错误时,所提方法诊断准确率仅下降2%～6%,且通过改变隐藏层的数量可得到改善。     

改进一维卷积神经网络的航空发动机故障诊断方法

针对现有航空发动机故障诊断的1DCNN方法缺乏故障频率多尺度特征提取能力以及对原始振动信号时域特征提取不足的问题,通过融合内嵌多尺度层到双通道1DCNN提出了改进1DCNN的航空发动故障诊断方法。提出了幅值变化速率的方法对振动信号进行时域特征增强,在单通道1DCNN基础上增加幅值变化通道作为第二通道,构建双通道1DCNN,加强1DCNN的时域特征提取能力,再改进多尺度模块为内嵌多尺度层并应用于1DCNN的第一通道,针对航空发动机故障频率域的多尺度特征进行提取。最后将改进1DCNN应用于航空发动机转静碰摩、叶片断裂等故障的诊断,通过对比实验证明了改进1DCNN检测的优越性、抗噪性、泛化性以及改进点的可行性。     

基于状态观测器的三电平逆变器故障检测与识别

针对NPC三电平逆变器单相桥臂半导体器件的开路故障,在建立三电平逆变器状态空间模型的基础上,通过分析各类故障特征提出了相应的故障后逆变器状态空间模型,由此构建状态观测器,并基于此对相应的故障检测与识别算法进行研究,最终通过仿真建模对故障诊断策略的有效性进行了验证。仿真结果表明,基于状态观测器的方法可以快速检测故障发生,并能准确识别故障器件和类型,达到了预期目标。     

基于高阶累积量的AR参数-模糊聚类法及应用

自回归模型（autoregressive model,AR模型）是常用时序分析方法,包含了重要的系统状态信息,但一般适用于平稳过程,而真实信号多为非平稳非高斯信号,采用特别适用于非高斯信号分析的高阶累计量进行AR参数估计,以所得AR参数作为特征向量,以模糊聚类分析方法进行模式识别。将该方法应用于滚动轴承故障诊断,成功实现了滚动轴承故障类型判别与性能退化评估。     

基于遥信数据故障编码技术及DHNN校正的电网故障诊断方法

提出采用故障编码技术形成故障空间最优编码集,然后通过模板匹配的方式进行电网故障诊断的方法。针对由于缺少前端故障遥信数据处理的清洗算法,造成故障诊断算法诊断正确率不高的问题,提出了建立离散Hopfield神经网络模型用于故障遥信数据的前端数据清洗的算法。利用故障遥信数据之间的相关性对遥信变位数据进行分组,并对各组数据分别采用所提出的算法进行数据清洗,利用穷举输入状态数据的方法求取了算法的修正域,从而建立了DHNN清洗模型。最终形成具有纠错能力的电网故障智能诊断方法,实现在故障诊断空间内对故障元件的诊断。通过实际电网的故障遥信数据的测试,验证了DHNN神经网络信息纠正模型和故障诊断模型对电网故障元件诊断的有效性。