基于深度卷积神经网络的未知复合故障诊断

针对振动信号的非平稳性、非线性以及未知复合故障难以诊断的问题,提出了一种基于深度卷积网络的未知复合故障诊断模型。首先将采集到的时域振动信号通过小波变换生成频谱图像;然后将频谱图输入卷积神经网络(convolutional neural network,CNH),利用卷积网络自适应的特征提取能力对复合故障进行特征学习;最后将深度卷积网络输出的特征通过分类器对故障进行诊断分类。在实验室模拟采集的不同数据集上进行实验,结果表明:基于深度卷积网络的未知复合故障诊断模型与基于改进CDCGAN的复合故障诊断方法相比,对未知复合故障的诊断率提高了44%,达到85.77%;使用不同类型的单一未知复合故障和多种未知复合故障进行实验,验证了所提模型的泛化能力和鲁棒性。     

油浸式电力变压器故障诊断技术

电力变压器的正常工作是电力系统安全稳定运行的重要保证,随着我国对电力系统可靠性要求的不断提高,对电力变压器的稳定性能也提出了新的要求。本文就油浸式电力变压器容易出现的故障做出分析,并对故障诊断技术做出陈述,以促进油浸式电力变压器故障诊断技术的良好发展,提高故障诊断的效率。     

油浸式变压器故障诊断方法综述

电力设备故障检测一直受到国内外专家的关注。电力变压器是电力设备中极其重要的设备,其运行的可靠性直接关系到整个电力系统的安全与稳定。文章分别论述了油浸式变压器的常见故障及其划分,同时介绍了油浸式变压器离线和在线故障综合诊断方法。通过对各种人工智能应用于变压器的故障诊断方法的列举,认为基于人工智能技术的油中溶解气体在线监测及故障诊断技术是未来的发展方向。同时构建了基于模糊核聚类与支持向量机的油浸式变压器故障在线诊断系统。     

基于支持向量机集合的油浸式变压器故障诊断

油浸式变压器故障诊断是多分类问题。为了解决传统油浸式变压器故障诊断需要样本数据量大的问题,提出基于支持向量机集合的变压器故障诊断方法。将多分类问题分解为多个二分类问题的组合,变压器故障分为5个类别,构建10个支持向量机,每个支持向量机对应2个故障类别。样本每经过1个支持向量机都会获得1个可能的所属类别,当经过所有支持向量机后,通过投票法确定样本最终所属类别。通过模型训练,求得核函数的取值,建立模型。模型测试结果正确率达到86.25%,验证了方法的有效性,说明该方法适用于油浸式变压器故障诊断。     

基于小样本数据挖掘的空气处理机组传感器隐形故障诊断方法

针对空气处理机组系统内传感器隐形故障诊断准确率不足及虚警率较高等问题,本文提出了基于集成经验模态分解软阈值去噪法与RBF神经网络(EEMDSTD-RBF)相结合的故障诊断方法,通过集成经验模态分解软阈值去噪法对采集的原始数据进行数据去噪,将去噪后的正常运行数据以及隐形故障数据输入RBF神经网络进行训练,得到EEMDSTD-RBF故障诊断模型,从而提高RBF神经网络对于空气处理机组传感器隐形故障的诊断准确率,同时,实验证明,该方法有效降低了虚警率。在关于空气处理机组六个传感器点位在三种隐形故障等级下的偏置故障的实验中,结果表明,与RBF及EEMDSTD-BP方法相比较,该方法在不同故障状态下,EEMDSTD-RBF的诊断准确率提高了8.7%～64.7%,虚警率降低了12.62%。     

基于油中溶解气体能量强度的变压器故障案例推理技术研究

针对电力变压器故障诊断既缺乏明确因果关系又需要大量经验的情况,基于范例推理方法建立了归一化能量强度模型。该模型先通过事先确定的分类原则确定出待诊变压器的范例检索空间,在该检索空间内依据预先定义的相似度指标进行源范例的检索;再将源范例CH_4,C_2H_6,C_2H_4,C_2H_2的浓度提取出来;最后通过计算得到源范例故障生成气体的能量强度,根据能量强度获得待诊变压器状态的诊断结论。实例分析结果表明:该方法避免了利用每种气体浓度的大小判断故障的繁琐和局限性;对于运行过程中产生的多种结构化及非结构化状态信息进行数据归纳与整理并确定设备状态特征量,建设完备坚强的案例库意义重大。     

基于贝叶斯网络的变风量末端故障诊断方法

针对压力无关再热型变风量末端的15种典型故障,提出了一种基于贝叶斯网络的故障诊断方法。根据某建筑实际运行系统建立了Dymola仿真模型,并基于模拟故障数据对所提出的诊断方法进行了验证。结果表明,该方法对于绝大多数故障都可以成功检测并分离,有着较高的准确性和可靠性,并且可较好地应对实际工程中存在的数据问题,将实时故障诊断的应用场景进一步推广。     

电力变压器状态检修及故障诊断方法简析

电力变压器是电力系统主要设备之一,对于保障人们用电安全有关键性的意义。如果电力变压器存在故障问题,就会为电力企业的发展带来不良影响。基于此,本文针对电力变压器状态检修及故障诊断方法进行简析。     

基于径向基神经网络的变压器故障诊断方法研究

为解决变压器故障诊断难以智能判别问题,提出了一种基于径向基神经网络的变压器故障诊断方法。该方法采用气相色谱检测法,选用高斯函数作为径向基函数,并运用K-means聚类方法求解隐含层节点数据中心初始值,运用伪逆法求解隐含层到输出层权值初始值,运用最小均方误差方法随迭代计算不断自适应更新各个基函数的数据中心及方差、隐含层到输出层权值。仿真结果表明,该方法变压器平均故障诊断准确率为95.6%,并具有较强的容错能力,满足变压器故障诊断要求。     

电力变压器的运行维护及故障处理分析

电力变压器在供电系统有着极其重要的作用,因此,加强变压器的运行检查,定期维护,对电力变压器运行过程中的常见故障进行分析和归纳,提出变压器故障诊断和解决的方法,从而及时发现和解决故障,有效的预防安全事故的发生。