电力系统故障诊断的萤火虫和粒子群混合算法研究

电力系统故障诊断主要就是根据保护和断路器的动作信息来判别故障区域,而找出故障元件又是其难点和主要工作,以目标函数描述其模型,则故障诊断问题转化为0-1整数规划问题。适合于智能算法求解。用粒子群算法解决该问题时收敛速快,但容易陷入局部最优值;用萤火虫算法时能够找到全局最优值,但其后期收敛速度较慢。论文融合这两种算法并用之求解故障诊断的目标函数,仿真结果表明：融合后的算法兼备两种算法的优点,能够以较快速度收敛,并找到全局最优解,且收敛精度高,稳定性好。     

改进的QPSO算法在电网故障诊断系统中的应用

电网故障诊断系统通常基于建立的解析模型,通过分析保护和断路器的动作信息来推断可能的故障位置,从而识别保护与断路器的故障元件和误动作;根据保护动作原理,构建了一种改进的解析模型,并采用改进的量子粒子群算法对其目标函数进行优化求解;该模型不仅充分考虑到了保护和断路器的误动与拒动、断路器失灵保护等问题,且能辨识告警信息的误报和漏报;实验结果表明改进的算法不仅使故障诊断结果更精确,并能使故障情况很清晰地表示出来,有利于故障的及时恢复,同时使模型的运算速度和稳定性也进一步得到了提高。     

基于Petri网和故障树的电力系统故障诊断模型

电力系统元件发生故障后,继电保护动作发出信号使相连的断路器断开,有效地保护了元件,但是也为故障的诊断增添了困难。本文针对带有主保护和后备保护的电力系统故障诊断建模困难复杂等问题,提出用故障树分析法对核心故障建模,并将故障树模型转换为对应的Petri网模型,运用Petri网的状态转移方程进行矩阵运算,不仅清晰的表示了故障的发生和形成,也能快速准确的诊断出故障发生元件,降低诊断的复杂性。实例分析说明了该方法准确性和有效性。     

DPSO算法在故障诊断测试集优化中的应用

针对复杂系统的实时故障诊断问题,引入一种多目标离散粒子群优化(DPSO)算法对测试集进行优化,以实现有效的故障监测与隔离.在建立系统相关性模型的基础上,针对系统实时监视和实时诊断中故障检测数、故障隔离数、测试个数和测试成本等指标,分别设计了优化故障检测测试集和故障诊断测试集的多目标适应度函数.应用实例表明,该算法能快速地对测试集进行优化,提高实时诊断的效率,并可作为改进系统测试性设计中的一种测试综合评估方法.     

部分可观Petri网结构信息在故障诊断中的应用

针对离散事件系统的故障诊断问题,本文提出了一种基于部分可观Petri网结构信息的诊断方法.它包括两个部分,第1部分利用故障变迁的可诊断子网确定故障变迁的可诊断性.第2部分在故障可诊断的基础上提出一种在线故障诊断方法:首先,利用Petri网的几种基本子网来分析故障变迁的可诊断子网的结构信息;其次,根据给定的可观测变迁序列和可诊断子网的结构特征来描述子网内部托肯的流动形式;最后,定义故障函数,并结合具体实例来描述故障变迁的发生情况.该故障诊断的方法基于部分可观Petri网结构信息,无需遍历系统状态空间,免去多项式级的计算复杂性,能够满足实时性的要求.     

基于主元子空间故障重构技术的故障诊断研究

针对基于主元分析(PCA)的统计性能监控法,由于不用过程机理模型的信息,因此,对故障诊断问题有难以在理论上作系统分析的缺陷,于是提出了一种基于主元子空间故障重构技术的故障诊断方法。利用故障子空间的概念,在故障重构技术的基础上,研究基于T~2统计量的故障诊断问题,提出故障识别指标和诊断算法。通过对双效蒸发过程的仿真监测,验证该诊断方法的有效性。     

联合选择特征和分类器参数模型的模拟电路故障诊断

为了提高模拟电路故障诊断准确率,提出一种联合选择特征选和分类器参数模型的模拟电路故障诊断方法（Feature-Classifier）。将模拟电路故障特征子集和分类器参数编码成为粒子,然后粒子根据目标函数通过信息交流和互相协作找到最优特征子集和分类器参数,并根据最优特征子集对样本进行约简;分类器根据最优参数对约简后样本进行训练建立模拟电路故障诊断模型,并通过仿真实例对性能进行测试。结果表明,相对于其他模拟电路故障诊断方法,Feature-Classifier能够较快找到最优特征子集与分类器参数,不仅提高了模拟电路故障诊断准确率,并加快了故障诊断速度。     

改进的基于霍夫曼编码的故障诊断策略

针对电子系统的可测试性设计和故障诊断中测试排序问题,提出了一种改进的优选测试点和故障诊断树生成算法。在相关性矩阵模型的基础上,以平均测试代价最小和平均测试步骤最少为设计目标,采用基于霍夫曼编码的启发式函数优选测试点,提出了一步回溯的与或树启发式搜索算法生成诊断树,并给出了诊断策略优化方法的具体实现步骤。实例表明该方法可行,能以较小的平均测试代价和较少的平均测试步骤隔离系统的故障状态。     

基于RS与CPN的电力系统输电线路故障诊断

根据电力系统输电线路网络模型结构的特点,建立基于粗糙集（Rough Sets,RS）与有色Petri网（Coloured Petri Net,CPN）相结合的电网故障诊断模型。RS可在保留关键信息的前提下,对提取的故障信息进行约减并求得知识的最小表达,利用CPN对电力线路的结线分析功能建立CPN的电网故障诊断模型。通过实例验证表明本文提出的诊断模型的快速性和简便性,2种方法的结合不仅提高了故障诊断的通用性,而且降低了复杂故障的诊断难度。     

基于支持向量机的旋转机械故障诊断研究

为了解决因缺少大量故障数据样本而制约机械故障智能诊断发展的问题,提出了一种基于支持向量机的故障诊断模型。该模型建立在VC维理论和结构风险最小原理基础上,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷。在选取诊断模型输入向量时,对故障信号功率谱进行小波分解,简化了故障特征向量的提取。仿真结果表明该模型可以有效地对旋转机械设备故障进行诊断。     

复杂机载电子系统故障综合诊断技术研究

故障综合诊断技术一直是复杂机载电子系统研发过程中的关键部分,当前的故障诊断技术同时需要机内测试（BIT）和场外自动化测试设备（ATE）的测试结果才能得出诊断结果,诊断效率低,时间长并且不能在线诊断。针对新一代战斗机将更加依赖航空电子系统的趋势,迫切需要一种诊断时间短,且能够实现在线诊断的故障诊断技术。因此,一种基于模型的故障诊断方法被提出。该方法通过融合多信号模型和整数编码故障字典模型,模块间采用多信号模型,单个模块中采用整数编码故障字典模型,克服了多信号模型对测试信息的浪费和整数编码故障字典模型建模困难的缺点,并提出一种多目标测试优选方法,通过优化检测方案,充分发挥BIT的检测性能。该方法通过充分使用BIT的测试信息,摆脱了对场外ATE的依赖,实现了在线快速定位故障并识别故障模式。     

基于多源信息融合的雷达装备故障诊断决策研究

针对现代雷达故障特征参数较多,一般诊断方法难以解决的问题,文章在分析雷达检测诊断中诊断信息、诊断知识、推理过程不确定性的基础上,结合信息获取、信息融合、故障诊断及趋势预测几个方面建立了基于多元信息融合的雷达故障诊断决策模型,研究了信息融合中不同信息的归一化方法;该方法充分利用信息之间的冗余性和互补性.使故障诊断决策结果更加科学和准确;实例分析证明了所提模型及方法在提高故障检测率、减小Bayes风险、改善故障诊断性能方面具有明显的作用.     

基于神经网络信息融合的机车牵引电机故障诊断

对信息融合的故障诊断进行了研究,提出了一种基于信息时空融合的故障诊断模型,并将其成功应用于电力机车牵引电机的故障诊断;这种方法是在运用神经网络进行局部的故障诊断的基础上,再运用D-S证据理论进行全局决策的融合,从而实现了这两种算法优势的互补,提高诊断的准确率;实例分析结果表明,该故障诊断模型能够准确地检测出故障发生的位置及其故障发生的原因,适合于电力机车牵引电机的故障诊断,并具有推广的价值.     

基于知识库与规则库的电力系统暂态故障事件诊断方法

为了减少暂态故障诊断误差，扩大诊断范围的同时提升诊断精度，基于知识库与规则库提出一种电力系统暂态故障事件诊断方法。利用小生境遗传算法约简电力系统暂态故障事件决策表图，获取暂态故障事件故障规则集，依据该规则集建立暂态故障事件知识库；通过证据融合理论确定目标暂态故障事件的权重系数，结合关联度得到目标案例和知识库内案例的灰色相似度，获取两个案例间的匹配结果，完成暂态故障事件诊断。实验证明该方法可精准诊断暂态故障事件。当分辨系数取值范围为0.4至1.0时，均方根误差为0;在不同信息缺失比例时，暂态故障事件诊断的精度依旧较高。     

基于改进图卷积神经网络的配网线路故障诊断

随着电网的不断扩容,系统结构越来越复杂,多故障频发,而多故障是故障诊断的关键和难点。为解决故障处理数据量大,需要快速、准确地诊断电网故障的问题,本文提出了一种基于模糊优化图卷积神经网络的配网故障诊断模型。首先处理采集的配网故障线路的特征数据;其次,搭建基于图卷积神经网络的故障诊断模型,利用模糊理论建立配电网故障的隶属函数;最后利用训练好的模型进行配网故障诊断。仿真结果表明,模糊优化图卷积神经网络对多故障诊断的准确率高于卷积神经网络以及其他方法,本文方法做出的诊断结果更加精确,综合诊断效果最好。     

基于粗糙集和图论的电力系统故障诊断方法

将粗糙集与图论相结合处理电力系统故障诊断,提出了故障决策表图的新概念,得到一种基于粗糙集和图论的电力系统故障诊断方法,并进一步提出了故障信息覆盖度和故障诊断规则分级的概念.利用故障决策表图及其邻接矩阵,得到了快速识别决策表核属性和属性约简的方法,并将规则分级应用于故障规则提取.利用所提出的方法对具体实例进行处理,仿真结果表明,该方法能有效地减少时间和空间复杂度,可根据设定的阈值提取诊断规则.     

基于随机森林方法的地铁车门故障诊断

针对现有地铁车门故障诊断方法存在的诊断速度慢以及大量故障检修数据未得到合理利用等问题,提出一种基于信息增益率的随机森林故障诊断方法.该方法将地铁车门历史故障数据集转化成决策表,通过Bootstrap重抽样,建立多棵基于信息增益率的决策树,形成随机森林故障诊断模型,实现地铁车门故障的快速诊断.且随着故障数据的增加,其故障诊断模型可以自动更新完善.通过地铁车门实际故障数据,验证了该方法的有效性.同时,通过对随机森林模型中决策树的数目讨论分析,确定了该方法模型的最优设计结构.     

基于数字孪生和卷积神经网络的变压器故障诊断

为了满足电力系统中变压器对故障诊断的实时性、高精度、误差小等要求,提出了一种基于数字孪生的CNN变压器故障诊断方法。论文根据变压器的机理模型和数据模型建立基于数字孪生的故障诊断模型,将特征气体作为1D-CNN网络中的输入,经过卷积层和池化层训练、优化模型,进行故障诊断。实验结果表明,论文提出的故障诊断模型的正确率和效率表现更优,结合数字孪生技术,能够保障电力系统的安全可靠运转。     

基于多征兆系统的模糊Petri网在风机故障诊断中的应用

针对风机系统故障征兆的不确定性和故障规则的冗余性,结合信息量和熵函数的概念,提出了一种基于多征兆系统的故障监测对象组的获取方法,利用监测对象的多征兆对故障知识库进行化简和分类,得到涵盖故障系统全部信息的简化故障规则,建立模糊Petri网模型用于风机的故障诊断.诊断仿真结果表明,基于故障监测对象组提取方法的模糊Petri网模型能够充分表征风机系统的故障,其推理过程接近人的思维活动,是一种有效的故障诊断方法.     

基于图卷积网络的迁移学习轴承服役故障诊断

深度学习方法被广泛应用于轴承故障诊断,但在实际工程应用中,轴承服役期间的真实服役故障数据不易收集,缺乏数据标签,难以进行充分的训练。针对轴承服役故障诊断困难的问题,提出了一种基于图卷积网络（GCN）的迁移学习轴承服役故障诊断模型。该模型从数据充足的人工模拟损伤故障数据中学习故障知识,并迁移到真实的服役故障上,以提高服役故障的诊断准确率。具体来说,通过将人工模拟损伤故障数据和服役故障数据的原始振动信号由小波变换转换为同时具有时间和频率信息的时频图,并将得到的时频图输入到图卷积层中进行学习,从而有效地提取源域和目标域的故障特征表示;然后计算源域和目标域的数据分布之间的Wasserstein距离来度量两个数据分布之间的差异,通过最小化数据分布差异,构建了一个能诊断轴承服役故障的故障诊断模型。在不同的轴承故障数据集和不同工作条件下设计了多种不同的任务进行实验,实验结果表明,该模型具有诊断轴承服役故障的能力,同时也能从一个工作条件迁移到另一工作条件,在不同组件类型和不同工作条件之间进行故障诊断。