基于根本原因法的数字化变电站故障诊断

根据数字化变电站的结构与特征及数据和信息流等的技术特点,引入根本原因分析（RCA）法,构建了基于原因型鱼骨图的数字化变电站输变电设备故障诊断模型。根据所建立的故障诊断模型中的父节点、变压器/断路器/输电线路等子节点及子原因、根原因之间的逻辑关系,采用Dempster-Shafer（D-S）证据理论中的合成法则融合多种故...     

基于D-S证据理论的感应电动机转子故障诊断方法研究

提出运用D-S(Dempster-Shafer)证据理论对感应电动机转子断条故障进行识别的故障诊断方法.基于小波包变换的频率划分特性,对定子电流信号进行小波包分解,建立了转子断条故障的特征矢量,提取转子断条故障的特征信息,利用BP神经网络对其识别的结果形成彼此独立的证据,并根据D-S证据融合规则进行融合处理,以实现对电动机转子断条故障的准确识别.实验结果表明,该方法克服了传统基于FFT分析方法难以提取故障特征频率分量的难点,提高了故障诊断的判决精度,可实现转子断条故障的可靠诊断.     

复杂装备的D-S故障诊断研究

D-S证据理论已广泛地应用到故障诊断中,其中的证据合成一般可采用Dempser合成公式.在复杂武器装备中,领域专家可能给出矛盾的证据,此时需采用冲突证据合成公式,但已有研究都有各自的不足.不同性质的证据选用不同的合成公式,首先要求解决衡量证据矛盾性的问题.人们虽然对此已做了一些探讨,但都没有反映D-S故障诊断的需要.文中介绍了D-S故障诊断,包括Dempser合成公式、提出的冲突证据的优化合成公式、粒子群优化算法、提出的衡量证据冲突程度的方法、以及故障决策方法.通过某型装备验证了D-S诊断及所提新方法的有效性.     

D-S证据理论在断路器故障诊断中的应用

在一个使用了电流与振动双传感器的断路器实时监测系统上,运用D-S证据理论、Dempster合成法则,对断路器故障进行了判断,以考察D-S证据理论用于状态监测中信息融合的可靠度。     

中压真空断路器的模糊—证据理论在线状态评估模型

中压真空断路器在线状态评估是实施状态维修的基础。笔者提出一种中压真空断路器的模糊-DS证据理论在线状态评估模型,在分析真空断路器构造和常见故障基础上建立评估指标体系;依据模糊隶属度函数原理确定断路器各指标证据的基本信任分配;运用DS证据理论中的规则合成原理融合各指标证据,采用改进的Levre合成规则弥补DS规则合成存在的缺陷;然后基于置信度准则决策规则给出断路器的状态评估结论。实例证明该模型是正确和有效的。     

基于QPSO-BP和改进D-S的水电机组振动故障诊断

为提高水电机组振动故障诊断的准确性,提出了一种基于改进D-S证据理论融合量子粒子群优化BP神经网络(QPSO-BP)的诊断方法。根据水电机组常见的振动故障类型,采用3个惯性权值随机调整的QPSO-BP网络分别对其进行初级诊断,并作为独立证据体应用于D-S理论的合成之中,实现了基本概率赋值的客观化。针对标准D-S无法合成高度冲突证据的缺陷,通过计算权值矩阵对其进行修正。实例分析表明,和3个初级诊断模型及标准D-S合成法相比,所提方法可以有效识别机组的振动故障,具有较高的诊断准确率。     

基于概率神经网络的高压断路器故障诊断

高压断路器是最重要的电力设备之一,在电力系统中起控制和保护作用。为了提高高压断路器故障诊断的准确率,提出了一种基于概率神经网络(PNN)的高压断路器故障诊断方法。该方法在分析高压断路器的故障特性来确定特征信号的基础上建立了PNN故障诊断模型,该模型将采集的特征数据作为网络的输入,通过Parzen窗估计法得到类条件概率密度,进而按Bayes决策规则对特征数据进行分类。经仿真表明,概率神经网络故障诊断模型具有收敛速度快、故障诊断准确率高、容易训练等特点。因此,该方法是一种有效的故障诊断方法,具有良好的应用前景。     

一种最优冲突证据组合方法

Dempster-Shafer证据理论广泛应用于信息融合中,但是在证据高度冲突情况下基于经典D-S组合规则的融合结果存在问题.针对这一问题,提出了一种最优的证据组合方法.新方法首先引入了一个加权证据间距离函数,提出了一个全局距离的概念,依据全局距离最小的最优化准则求出各证据的权重,之后对系统中的证据加权平均,最后再利用D-S组合规则实现信息融合.目标识别算例仿真的结果表明,该方法性能优于现有的加权组合方法,在处理冲突数据时能够有效快速地识别出目标.     

改进D-S证据理论在振动故障诊断中的应用

针对传统D-S证据理论对燃气轮机进行振动故障诊断时会出现一些悖论问题,提出D-S理论改进算法。首先,对采集的燃机振动信号分别从时域和频域进行特征提取,再利用三种不同类型的神经网络模型进行初步诊断,将初步诊断的结果经归一化构建原生证据,然后通过引入证据间的支持矩阵对原生证据进行修正,最后根据改进D-S规则进行决策融合。通过燃气轮机的振动故障诊断实验,证明了该算法能够充分利用各种信息,避免了传统方法出现的悖论现象,提高了燃气轮机振动故障诊断结果的准确性。     

基于云模型和改进D-S证据理论的变压器故障诊断

为了进一步提高变压器故障诊断精度,提出基于云模型与改进D-S证据理论的变压器故障诊断方法。首先,利用油中溶解气故障样本建立各类型故障的标准云模型,并计算待测样本与故障标准云间的隶属度值;其次,根据隶属度确定不同故障下的基本概率分配;然后,利用Pignistic概率距离构建相似度并对基本概率分配进行修正,再引入平均支持度加权优化证据融合规则;最后,使用基于云模型和改进证据理论建立的诊断模型对实际案例进行测试与诊断分析。实验结果表明：基于云模型和改进D-S证据理论建立的模型故障诊断精度达88.4±2.8%,较支持向量机、K最近邻分类算法和灰色关联分析法的识别率分别提高了7.8%、3.8%、15.7%,验证了所建模型具有更优越的故障诊断性能。     

基于D-S证据理论的变压器故障诊断

针对电力变压器故障征兆与原因之间错综复杂的关系,以及单一变压器故障诊断算法精度有限的问题,本文提出一种在D-S证据理论的基础上,结合灰关联熵法和加权K邻近算法的变压器故障诊断新方法。该算法以油中溶解气体分析方法(Dissolved Gases Analysis,简称DGA)为基础,通过灰关联熵法和加权K邻近算法构建证据理论的基本可信度赋值函数,然后利用证据组合规则产生更为可靠的证据信息;最后根据基本可信数最大值确定变压器故障类型。变压器故障诊断实例结果表明该算法能够准确判断出变压器的故障类型,证明了该算法的可行性和有效性。     

基于信息融合技术的并发故障诊断的研究

为了诊断并发故障，文中扩展了证据理论：将并发故障状态作为设备的运行状态引入分辨框Θ中，视其为独立的运行状态，并根据不同证据体的差异程度，提出了两种不同的证据组合算法。然后，应用此两种不同的证据组合算法于并发故障诊断：第一种融合算法用来处理有相同焦点元素的证据体；第二种融合算法用来处理有不同焦点元素的证据体。该算法有利于充分利用各种证据体的有用信息，具有较强处理不确定性、不一致性证据体的能力。通过实验台转子轴承系统并发故障的诊断事例，证实了该算法的有效性。     

基于分形理论的高压断路器机械振动信号处理

提出了基于分形理论的处理高压断路器机械振动信号的新方法,它研究小波变换提取的机械振动信号具有分形特征的参数用来评估高压断路器机械操动机构的性能及其工作状态。通过与人为机械故障下的分形特征参数对比论证了该法的有效性。数据处理结果表明该方法具有应用前景。     

基于RBFNN的高压断路器机械故障诊断系统

高压断路器是电力系统中最重要的控制和保护设备,其故障检修和诊断一直是电力运行部门高度重视的问题。为了提高高压断路器故障诊断的效率和准确率,提出了高压断路器机械故障诊断的径向基函数神经网络(RBFNN)方法;并根据其基本原理建立了高压断路器操动机构故障诊断的RBFNN模型;利用Matlab工具,使用来自现场的实际数据,通过故障诊断仿真实例,分析、验证RBFNN模型的性能,并对不同方法进行了对比分析。结果显示RBFNN训练速度快、逼近误差小,对输入输出关系比较复杂的高压断路器操动机构的故障诊断有很高的判断效率和准确率。     

D-S证据理论融合多特征的油菜病害识别方法

针对单一特征在识别油菜病害上存在的局限性,提出一种基于D-S证据理论融合多特征的油菜病害识别方法。首先对预处理后的油菜图片提取颜色矩、颜色共生矩阵两种特征,通过欧氏距离来构建D-S证据理论所必需的基本概率分配(BPA),最后运用D-S证据组合规则进行决策级融合,依据决策条件输出最终分类识别结果。针对存在最终识别结果被误识别为不确定问题,通过引入方差来对决策方法进行改进,避免了这一现象的产生。利用该方法在采集到的油菜样本上进行实验,取得了97.09%的识别率。实验表明,该方法能有效提高油菜病害识别率。     

基于机电信号融合的DFIG定子绕组匝间短路故障诊断

定子绕组匝间短路故障是双馈异步发电机(DFIG)常见的故障形式,发生概率高达30%,直接威胁到发电机的安全运行。发电机在复杂多变的环境下运行时,单一故障特征往往难以精准地反映故障,从而易产生误判、漏判的情况。文中提出一种基于电气、机械信号融合的定子绕组匝间短路故障诊断新方法——负序电流差与定子径向振动信号的二倍频分量联合诊断。首先利用支持向量机分别计算单一故障特征下的匝间短路故障概率;然后将其作为D-S证据理论的基本概率分配,依托证据组合规则,得出定子绕组匝间短路的最终诊断结果。实验结果表明:与基于单一信号的故障诊断方法相比,该方法能够更有效地诊断定子绕组匝间短路故障并可靠识别短路匝数,提高故障诊断的精确度,可推广应用至海上风电等对故障识别精度要求更高的领域。     

使用多参量的变压器故障综合诊断技术

为全面综合诊断电力变压器故障,参考已有变压器故障综合诊断方法,结合变压器油中溶解气体数据和电力试验数据,利用自适应遗传算法优化小波神经网络和证据理论融合技术,提出了一种基于多参量的电力变压器故障综合诊断模型。通过故障特征参数的划分分别构建神经网络从不同侧面反映变压器的故障,同时结合证据的重要性、神经网络的输出改进证据体的基本概率分配赋值,充分体现证据体对单个故障模式识别的可信度。诊断结果表明,基于信息融合技术的变压器多参量故障综合诊断比基于单参量故障诊断的诊断性能较好。     

基于多传感器振动信号融合的真空断路器故障诊断

根据真空断路器故障诊断特点,提出了小波包、RBF神经网络与D-S证据理论相结合的决策层信息融合诊断方法。首先,运用小波包—能量谱分析方法对振动信号进行分解处理,提取特征向量,并以此作为诊断的依据;其次,建立神经网络模型,以特征向量为RBF神经网络的输入,进行断路器初步故障诊断;然后将诊断结果作为对各种故障模式的基本概率分配值,利用D-S证据理论,实现对初步诊断结果的融合,从而得到最终的融合诊断结果。实验结果表明,该方法诊断真空断路器故障能取得良好的效果。     

基于小波神经网络和D-S证据理论的电力变压器故障诊断研究(英文)

>Transformer faults are quite complicated phenomena and can occur due to a variety of reasons.There have been several methods for transformer fault synthetic diagnosis,but each of them has its own limitations in real fault diagnosis applications.In order to overcome those shortcomings in the existing methods,a new transformer fault diagnosis method based on a wavelet neural network optimized by adaptive genetic algorithm(AGA)and an improved D-S evidence theory fusion technique is proposed in this paper.The proposed method combines the oil chromatogram data and the off-line electrical test data of transformers to carry out fault diagnosis.Based on the fusion mechanism of D-S evidence theory,the comprehensive reliability of evidence is constructed by considering the evidence importance,the outputs of the neural network and the expert experience.The new method increases the objectivity of the basic probability assignment(BPA)and reduces the basic probability assigned for uncertain and unimportant information.The case study results of using the proposed method show that it has a good performance of fault diagnosis for transformers.     

基于开机过程信息融合的水电机组故障诊断方法

为保证水电机组运行的可靠性,通常采用基于振动频率分析的故障诊断技术。但是水电机组故障类型间存在重叠的频率特征,仅凭频率分析不易确定故障类型。因此,文中采用信息融合技术,引入开机过程中的时间和空间特征信息,在特征层采用支持向量机作为信息融合手段,在决策层采用D-S证据理论进行信息融合。实验结果表明,信息融合增加了故障诊断的特征信息,提高了故障诊断系统的诊断能力。