基于倒谱和决策树的模拟电路故障诊断

针对非线性模拟电路故障诊断中参数型故障元件定位的难题,提出一种结合倒谱和决策树的模拟电路故障诊断的方法。首先对采集到的模拟电路离散电压信号进行倒谱变换;然后对变换后的数据进行小波分解并提取相应子频带的能量谱,将提取的能量谱作为对应模式的故障特征;最后利用决策树的分类功能对电路的模式进行判断。仿真结果表明,有效地提取了模拟电路不同模式的故障特征,提高了模拟电路故障诊断的效果。     

基于灵敏度特性函数的特征提取与故障诊断

为解决电路故障诊断时故障可靠分类以及特征信息有效提取的问题,提出了一种基于灵敏度特性的故障样本分类和故障特征信息提取方法。基本思想是通过电路的特性分析和灵敏度的计算,进行故障样本的分类及优化,再根据灵敏度的计算结果提取相应特征信息。以此构造故障样本特征集,然后作为BP神经网络的输入对网络进行训练与诊断。对滤波器的仿真结果表明,该方法构造的样本集训练出来的神经网络,对模拟电路故障诊断的平均正确率为85%,优于传统方法。     

基于PCA和MPGA优化神经网络的整流器故障诊断

针对电力电子整流电路故障识别方法中的信号提取与模式识别两个核心问题,提出一种基于主元分析(PCA)和改进多种群遗传算法(MPGA)优化BP神经网络的三相整流装置电路故障识别方法。首先采用主元分析提取故障信号中对应的故障特征向量,然后利用移民算子与迁徙算子结合的MPGA优化BP神经网络分类器进行故障类型的识别。仿真结果表明,该方法对三相桥式整流装置进行故障诊断能准确识别与定位各故障类型,而且具有鲁棒性更好,诊断正确率更高的特点。     

基于PCA和粗糙集构建决策树的变电站故障诊断

提出一种基于主元分析（PCA）和粗糙集理论结合继而构建决策树的故障诊断方法。该方法利用PCA对原始故障决策表的条件属性集进行降维处理,得到由主元变量构成的故障决策表,采用等频分割方法对这一决策表的数据离散化,进而采用基于主元属性重要度的粗糙集属性约简算法得到离散后的决策表的最小约简,以约简数据集为样本基于核属性采用一种改进的决策树算法训练学习,构建故障决策树进行诊断决策。测试实例证明了该方法能简化故障诊断系统,提取容错性较强的诊断规则,提高了故障的识别率。     

基于PCA和粗糙集构建决策树的变电站故障诊断

提出一种基于主元分析(PCA)和粗糙集理论结合继而构建决策树的故障诊断方法.该方法利用PCA对原始故障决策表的条件属性集进行降维处理,得到由主元变量构成的故障决策表,采用等频分割方法对这一决策表的数据离散化,进而采用基于主元属性重要度的粗糙集属性约简算法得到离散后的决策表的最小约简,以约简数据集为样本基于核属性采用一种改进的决策树算法训练学习,构建故障决策树进行诊断决策.测试实例证明了该方法能简化故障诊断系统,提取容错性较强的诊断规则,提高了故障的识别率.     

电力电子电路的PNN故障诊断法

以三相桥式整流电路为分析对象,提出了针对直流脉动电压频谱数据的PNN故障诊断法。该故障诊断法以输出电压快速傅立叶变换后产生的幅值频谱和相位频谱为故障特征量,故障识别环节通过概率神经网络(PNN)对测得的数据进行训练和测试,从而对整流电路故障实现精确诊断。通过硬件电路进行试验并对故障特征量进行提取和验证,利用MATLAB仿真对PNN进行编程,完成对标准样本的训练,并用随机测试样本检验PNN诊断效果,基于诊断结果分析了该算法的优缺点及适用范围。     

基于粒子群算法的模拟电路故障诊断方法

提出一种基于小波包分解、主元分析、归一化处理、粒子群算法与神经网络相结合的模拟电路故障诊断新方法。该方法使用小波包分解来对信号进行消噪和小波多尺度分解,再进行正交主元分析和归一化处理来提取故障特征信息,作为神经网络的输入样本。在充分考虑传统BP算法中采用梯度下降法所固有的极易陷入局部极小等缺陷的基础上,提出了采用粒子群算法来优化传统BP网络的方法。文中研究了故障特征信息的提取、样本选择及诊断系统,并通过电路诊断实例,阐述了该方法的具体实现,验证了所提方法的有效性。     

基于粗糙集-神经网络系统的电力电子电路故障诊断

基于粗糙集理论RST(Rough Set Theory)与BP神经网络系统,提出了电力电子电路故障诊断的方法：粗糙集-神经网络系统相结合的方法。叙述了粗糙集-神经网络系统诊断电力电子电路的过程。以三相可控整流电路为例,对故障信息中样本的故障征兆进行数据预处理,通过知识约简,形成诊断的确定性规则,实现故障分类;然后将粗糙集的分类结果与故障信息中的输出电压Ud采样值作为神经网络的输入,实现故障元的定位。仿真实例表明,该方法不仅准确可靠,而且提高了系统诊断的速度。     

基于交叉小波变换和主元分析的电力电子电路故障特征提取

针对现有电力电子电路故障特征提取特征量精确度不足、分类差异性不明显以及故障提取过程易受到噪声的影响等缺点,提出一种基于交叉小波变换和主元分析的电力电子电路故障特征提取方法。该方法首先采用交叉小波变换分析故障信号,然后得出表征交叉小波谱图特性的特征量矩阵,最后利用主元分析方法降低特征量矩阵维数,剔除特征向量中的冗余信息。通过BP神经网络进行的故障诊断仿真测试,其诊断准确率达98.2%,证明了该方法的准确性。     

基于LSTM的航空发电机整流电路诊断技术

整流电路是航空发电机的重要组成部分,存在故障频发且维修困难等问题。为对电励磁双凸极发电机(DSEG)的整流电路进行故障诊断,研究了一种基于长短时记忆(LSTM)网络的故障诊断方法。首先,采集多种故障模式下发电机的三相电枢电流信号。其次,利用不同的信号处理方法处理故障信号以获取故障特征信息。然后,将获得的故障特征数据分为训练和测试样本输入LSTM网络进行故障分类。最后,计算并分析诊断结果。仿真与试验结果表明所提方法具有良好的故障诊断效果。     

基于多特征融合与改进QPSO-RVM的万能式断路器故障振声诊断方法

为可靠地进行万能式断路器机械故障诊断,在基于振动信号故障诊断的基础上,提出了一种多特征融合与改进量子粒子群(QPSO)优化的相关向量机(RVM)相结合的万能式断路器分合闸故障振声诊断方法。首先,对振声信号进行小波包软硬阈值结合去噪预处理,并利用互补总体经验模态分解算法对处理后的振声信号进行分解,提取固有模态函数能量系数、样本熵、功率谱熵,并组成多特征参数;然后,通过组合核函数核主元分析对多特征参数降维,并将其特征融合组成特征向量作为RVM的输入,解决单一特征识别断路器分合闸故障的低准确率和低稳定性;最后,利用改进QPSO优化分类模型参数,建立基于RVM的次序二叉树模型对断路器故障进行辨识。实验结果表明,该方法能有效提升不同故障状态下诊断结果的可靠性。     

改进Sammon映射算法在分析暂态稳定评估输入特征有效性中的应用

基于机器学习技术的电力系统暂态稳定评估方法中,输入特征提取的是否合理往往决定了最终的分类效果。然而,目前却缺乏一种工具去评价选择的输入特征是否具有可分性。鉴于此,引入Sammon映射算法将高维样本数据映射到低维空间中,通过观察映射点的分布情况判断提取的特征是否有效,并针对原算法的不足之处进行改进。首先利用主成分分析法(principal component analysis,PCA)求出包含原始数据信息最多的前两维主成分向量,代替原算法随机取值的方法,作为映射点坐标向量的初始值。然后,采用迭代修正法求解最终的映射点坐标向量,加快了求解速度。最后,以改进Sammon映射算法作为工具,分析IEEE 39节点系统的仿真数据和某地区实际在线历史数据提取特征的有效性,证明该算法在指导特征选择中具有良好的应用前景。     

基于独立量分析的NPC光伏逆变器故障诊断

功率开关器件是逆变器的核心部件,功率开关器件的故障诊断对逆变器的可靠运行意义重大,而功率开关器件故障特征提取技术是实现其故障诊断的技术基础。分析三电平逆变器中常见的功率开关器件开路故障,将故障类型分成典型故障与非典型故障两大类。对于非典型故障应用基于独立量分析的稀疏编码算法对逆变器输出相电压信号进行故障特征提取,并采用BP神经网络的分类器对非典型故障进行诊断。通过仿真验证其可行性,故障诊断准确率达到95%,并通过与小波分析及主元分析的特征提取算法的对比试验,说明独立量分析算法的在逆变器开关器件开路故障特征提取应用的合理性和优越性。     

基于负荷特性分析的电力用户用电行为特征研究

通过定义用电特性指标、划分负荷重要性等级,建立了针对精细化需求响应的新型负荷特性分析指标体系。以某企业用电数据为例,应用主成分分析法分析了用电行为影响因素,利用决策树分类法提取了用电行为影响因素特征量。并结合实际算例,研究了用户典型用能模式的特点及其行为原因,为需求响应策略的制订提供理论支持。     

变转速工况下基于角度重采样与PCA-XGBoost 轴承故障诊断方法研究

针对变转速工况下,轴承振动信号容易发生信号特征混叠、频率偏移、信号截断和噪声污染问题,提出了一种结合角度重采样、主成分分析(PCA)和极端梯度提升树(XGBoost)的故障分类模型。首先,采用脉冲信号估计轴承转速的方法对轴承振动信号进行角度重采样并求取时频特征指标;其次,利用主成分分析(PCA)对时频特征参数进行降维核心提取,选取总贡献大于95%的主元作为XGBoost模型的输入样本;最后,利用网格搜索法对XGBoost进行主要参数调优,并划分训练集和测试集对该模型进行训练,验证其故障分类的准确性。结果表明该方法的故障诊断准确率为96.44%,相较于未降维后的数据运行时间缩短了27.24 s,且角度重采样后的诊断效果明显优于未角度重采样的诊断效果,故障识别率提高了7%以上,证明所提方法能够更加快速、准确的做出诊断。     

核主成分分析和粒子群优化算法在牵引电机故障诊断中的应用研究

提出了一种采用核主成分分析和粒子群优化支持向量机的电力机车笼型异步牵引电机故障诊断方法。先利用核主成分分析对故障数据进行特征提取,以获得的故障特征子集作为支持向量机故障分类器的训练样本,然后设计和构建了支持向量机多故障诊断系统,其中,支持向量机的参数通过粒子群优化算法进行了优化,最后实现对笼型异步牵引电机的故障诊断。该方法既发挥了核主成分分析的特征提取能力,又充分利用了支持向量机良好的分类性能和泛化推广能力以及因其算法简单而满足的在线故障诊断的实时性要求。实验结果分析表明,该方法能够有效地应用于电力机车笼型异步牵引电机的故障诊断。     

Power quality disturbance classificationbased on time-frequency domain multifeatureand decision tree

Accurate classification of power quality disturbance is the premise and basis for improving and governing power quality. A method for power quality disturbance classification based on time-frequency domain multi-feature and decision tree is presented. Wavelet transform and S-transform are used to extract the feature quantity of each power quality disturbance signal, and a decision tree with classification rules is then constructed for classification and recognition based on the extracted feature quantity. The classification rules and decision tree classifier are established by combining the energy spectrum feature quantity extracted by wavelet transform and other seven time-frequency domain feature quantities extracted by S-transform. Simulation results show that the proposed method can effectively identify six types of common single disturbance signals and two mixed disturbance signals, with fast classification speed and adequate noise resistance. Its classification accuracy is also higher than those of support vector machine (SVM) and k-nearest neighbor (KNN) algorithms. Compared with the method that only uses S-transform, the proposed feature extraction method has more abundant features and higher classification accuracy for power quality disturbance.     

基于概率神经网络的直流滤波器电容器开路故障定位方法

针对高压直流输电工程中直流滤波器电容器开路故障定位方法效率低、威胁检修人员的安全等问题,提出了一种基于概率神经网络的直流滤波器电容器开路故障定位方法。该方法首先采用主成分分析法过滤冗余的信息,既降低了数据的维度,也得到了能有效反映直流滤波器电容器运行状态的特征向量;然后利用概率神经网络对特征向量进行故障分类,从而实现对电容器开路故障的定位。利用直流滤波器电容器运行状态样本数据对所提定位方法的有效性进行验证,同时考虑电容器有不同的开路故障电容元件数,验证所提定位方法的适应性。实验结果表明,文章所提方法对直流滤波器电容器的开路故障位置具有较好的定位效果。     

参数优化决策树算法的密封继电器 多余物信号识别技术

在航天密封继电器的生产过程中,多余物检测是一个必不可少的过程。微粒碰撞噪声检测(PIND)是我国军标规定的航天电子元器件多余物检测方法。针对传统检测方法中多余物信号和组件信号的误判问题,使用参数优化的决策树算法对检测信号进行分类。通过对比组件信号和多余物信号时域频域波形,提取出最具有代表性的特征作为决策树的分裂属性。采用网格搜索法寻找决策树最优分裂准则和分裂深度,然后采用参数优化的决策树建立分类模型。实验结果表明,采用参数优化的决策树算法进行多余物检测信号分类有效提高了分类准确率、G-means值和F-measure值等各项分类指标值。     

基于主元分析法的高压断路器全寿命周期成本研究

针对断路器故障信息缺失的实际情况,介绍了一种基于主元分析的高压断路器全寿命周期成本计算方法。所述方法中高压断路器全寿命周期成本模型涉及到断路器的投资、运行、维护、检修、退役成本。其中维护成本和检修成本计算采用主元分析算法,提取数据中的主成分代替所有数据。最后对比使用主元分析计算前后的结果,发现主元分析理论提高了计算精度,解决了故障信息不完整的问题。