基于胶囊网络的电力变压器故障诊断

传统的变压器故障诊断方法难以准确地拟合溶解气体和故障类型之间复杂的非线性关系,其诊断精度有限.为了提高变压器故障诊断的精度,提出了一种基于胶囊网络(capsule network,CapsNet)的变压器故障诊断方法.利用卷积层强大的特征提取能力,将溶解气体数据映射到特征空间,实现关键特征的自动提取.进一步,通过主胶囊...     

级联H桥七电平逆变器故障的SKSNN-LPP特征提取方法

针对级联H桥七电平逆变器结构复杂,故障特征属性相互交叉,相似故障类间区分度低的问题,提出一种监督核共享近邻(SKSNN)相似性度量方法,并运用于局部保持投影(LPP)算法中,形成一种新的基于监督核共享近邻的局部保持投影(SKSNN-LPP)特征提取算法,用于提取七电平逆变器IGBT开路故障低维敏感特征。首先,采集各故障状态下逆变器交流侧三相电流原始信号数据;其次,利用SKSNN-LPP算法提取嵌入于原始数据中的低维敏感特征;然后,将提取的特征作为支持向量机(SVM)的输入建立故障诊断模型;最后,与传统信号处理及统计分析方法进行了仿真对比分析。结果表明,所提出的特征提取方法能有效减低相似故障类误诊率,诊断精度高达96.4%,明显高于其他方法。     

基于PCA-SVM模型的多电平逆变系统故障诊断

多电平逆变系统由许多开关器件组成,具有非线性因素,很难建立数学模型来识别故障。针对多电平逆变系统故障的特点,为了实现级联H-桥多电平逆变系统的故障诊断,提高诊断的精确度和运算速度,提出了一种基于PCA-SVM模型的故障诊断策略。分析了故障信号,采用快速傅里叶变换（FFT）实现对故障信号的预处理,主元分析（PCA）提取起主要作用的特征向量,降低噪声,减少训练和测试时间,通过SVM进行训练和测试。实验结果表明,该方法具有很好的故障诊断能力、整体的诊断精度高达98%、计算效率高,满足了级联H-桥多电平系统诊断故障要求。     

基于深度神经网络的多电平逆变器故障诊断

为解决多电平逆变器的故障诊断问题,文中提出了一种基于深度神经网络的多电平级联H桥逆变器的故障诊断方法。首先,介绍了多电平级联H桥逆变器的故障模型;然后,采用基于堆栈自编码器的深度神经网络直接从故障原始数据中进行故障特征提取;最后,运用SOFTMAX分类器对故障特征数据进行分类从而实现多电平逆变器的故障检测与诊断。基于MATLAB/Simulink对本文提出的方法进行了仿真实验,该方法与传统的智能诊断算法相比具有更高的准确率和更好的鲁棒性。     

基于多元高斯分布异常检测模型的MMC子模块开路故障诊断方法

模块化多电平换流器（MMC）的子模块开路故障隐蔽性强,可以及时有效地识别故障位置,防止故障蔓延影响其他组件,提高换流系统的可靠性。为了诊断子模块开路故障,该文提出一种基于多元高斯分布异常检测模型的故障检测方法。首先,分析子模块开路故障特性,选择子模块电容电压作为故障检测的关键指标,并提取子模块电容电压的12个特征量组成特征向量用于故障诊断。然后,根据多元高斯分布特性,提出基于多元高斯分布的异常检测模型构建方法,并基于此模型提出子模块开路故障诊断策略,可在故障样本偏少致使样本不均衡时,实现高准确率、高效率的故障诊断。最后,通过仿真和实验验证了所提出的MMC子模块开路故障诊断方法的有效性。     

基于深度学习的模拟电路软故障诊断

为降低模拟电路软故障特征提取与分类的人工成本,提高软故障诊断的通用性,提出一种基于深度学习的软故障特征提取方法.利用通道注意力机制对深度学习中的卷积神经网络进行改进,将时域电压波形数据输入至改进的卷积神经网络中进行卷积池化,实现数据降维和故障特征提取,并利用注意力机制对所得的故障特征进行深度选择,突出通道内关键的故障特征,抑制不重要的特征,最终使用Softmax分类器对故障特征分类.针对四运放双二次高通滤波器进行故障诊断,故障诊断平均准确率为98％.实验结果表明改进的卷积神经网络模型可以实现对模拟电路的故障诊断,并避免了传统故障识别耗费大量人工的故障提取和选择.     

基于特征提取与INGO-SVM的变压器故障诊断方法

针对使用支持向量机(support vector machine,SVM)对变压器进行故障诊断时有效特征提取困难、模型参数难以选择的问题,提出一种基于特征提取与INGO-SVM的变压器故障诊断方法。首先,使用核主成分分析(kernel principal component analysis,KPCA)方法对构建的21维待选特征进行特征融合和低维敏感特征提取。其次,使用佳点集、随机反向学习和维度交叉学习等策略对北方苍鹰优化算法(northern goshawk optimization,NGO)进行改进。通过2个典型测试对改进北方苍鹰优化算法(improved northern goshawk optimization,INGO)进行性能测试,验证了INGO算法的优越性。然后,基于KPCA提取的低维敏感特征,使用INGO对SVM的参数进行组合寻优,建立基于KPCA特征提取与INGO-SVM的变压器故障诊断模型。最后,对不同变压器故障诊断模型进行实例仿真对比实验。结果表明：所提方法故障诊断精度高、稳定性好,更适用于变压器的故障诊断。     

光伏三电平逆变器故障检测和诊断技术研究进展

故障的检测和诊断是光伏三电平逆变器故障诊断的两个重要环节,为了给今后光伏三电平逆变器的故障诊断提供有效的技术参考,建立了光伏三电平逆变器的故障模型,介绍了近年来光伏三电平逆变器故障诊断领域中常见的5种故障特征提取技术和6种故障诊断技术,主要阐述了各种特征提取方法和诊断方法的基本思想、研究进展,并总结了上述方法的优势,存在的问题和它们的适用范围。最后分别探讨了光伏三电平逆变器故障特征提取技术和故障诊断技术今后在方法改进、方法融合以及方法创新3个研究方向上的工作重点。     

三电平逆变器的决策树SVM故障诊断

针对二极管箝位型三电平逆变器的开路故障诊断问题,提出一种基于决策树支持向量机(decision tree support vector machines,DT-SVM)的故障诊断方法。以逆变状态为例,首先分析逆变器主电路的运行情况并进行故障分类,然后以中、上、下三种桥臂电压为测量信号,采用小波多尺度分解法提取特征信号,进而利用粒子群聚类算法(particle swarm clustering algorithm)生成决策树SVM分类模型,最终实现了三电平逆变器的多模式故障诊断。仿真结果表明,本方法在使用了较少分类模型的情况下完成故障诊断任务,相较于BP神经网络、一对一结构的支持向量机和极端学习机等方法,在10%白噪声扰动下对于三电平逆变器多模式开路故障的诊断精度可达98.46%,算法具有更好的准确性和鲁棒性。     

基于时间卷积网络的模拟电路故障诊断方法

对模拟电路故障诊断中的故障特征提取进行了研究,引入了卷积神经网络模型,提出了一种基于时间卷积神经网络的模拟电路故障诊断方法,在四阶Butterworth低通滤波器电路上分别对不同深度的时间卷积网络进行分类对比实验,实验结果证实了深度时间卷积网络在故障特征提取中的有效性。同时设计实验对比了时间卷积神经网络、SAE-SOFTMAX、深度信念网络和长短期记忆网络的特征提取能力,结果表明,时间卷积神经网络模型在模拟电路故障诊断中能够提取出更能反映数据本质的特征,取得更好的诊断准确率。     

基于SE-DSCNN的MMC开关管故障诊断方法

为了实现模块化多电平变换器(MMC)子模块开关管的故障诊断,提出了一种基于挤压-激励模块的深度可分离卷积神经网络(SE-DSCNN).该网络直接利用原始电容电压数据,不需要任何的特征提取算法,能够自动提取隐藏在原始数据中的深层特征,结合挤压-激励模块以突出通道域中具有代表性的特征,利用深度可分离卷积(DSC)来减少网络...     

基于改进CEEMD和RF的低压串联故障电弧识别方法

了解决完整集合经验模态分解(complete ensemble empirical mode decomposition, CEEMD)得到的固有模态函数分量数目及其频段不固定,以及故障电弧特征难以准确提取导致故障识别准确率低的不足,引入T检验和方差贡献率形成了一种改进CEEMD方法,进一步提出一种基于改进CEEMD和随机森林(random forest, RF)的串联故障电弧识别方法。首先,依托串联电弧故障试验平台,采集不同负载的电流信号。然后,采用改进CEEMD对信号进行分析并提取故障特征量,以TreeBagger函数进行特征降维,形成特征向量样本集。最后,结合RF构建故障电弧诊断模型,对样本集进行分类识别。结果表明：改进CEEMD能有效地提取不同负载电流的故障特征,所提故障电弧识别方法的识别准确率达到97.50%。通过进行不同特征提取方法和不同分类模型对诊断结果影响的消融实验,进一步证明了所提方法的可行性。     

基于RF特征优选和WOA-ELM的风电齿轮箱故障诊断

针对风电机组齿轮箱故障特征提取不足，故障诊断率低问题，提出了一种基于RF特征优选，结合WOA-ELM特征识别的风电齿轮箱故障诊断方法。首先，提取风电齿轮箱时域、频域、时频域特征，构建多域高维特征集；其次，利用RF进行特征重要度排序并提取10维优选特征；最后，利用WOA优化调整ELM模型的输入权值和隐含层阈值，实现风电齿轮箱故障分类识别。将本文方法应用于风电齿轮箱故障诊断，实验结果表明，本文方法平均诊断率能达到99.81%，诊断准确率均高于对比方法且诊断用时最少，能够有效地进行风电齿轮箱故障诊断。     

基于Volterra核的MIMO非线性电路建模及智能特征提取

为了解决模拟乘法器等多输入测量电路的智能故障诊断准确率低的问题,文中研究了多输入多输出(MIMO)电路的基于Volterra级数的建模方法,为电路的故障诊断提供模型,提出了整体退火遗传特征提取方法,利用整体退火遗传算法的全局寻优能力优化故障诊断特征参数的提取,以选出各种故障状态之间特征差异最大的特征,以提高故障诊断的准确率,以模拟乘法器电路为例进行了建模及故障特征智能优化提取实验.实验表明,文中方法可以有效建模并提高智能故障诊断的准确率.     

基于时空自注意力的航天器电源系统故障诊断

航天器电源系统是航天器关键子系统之一,其运行状态直接影响整个航天器系统的寿命和性能,因此采用先进的技术对电源系统进行故障诊断,以此提高航天器在轨可靠性和安全性成为目前故障诊断领域的研究重点。基于深度学习的方法具有拟合能力强、特征提取丰富等优势,成为故障诊断领域的主流方法。然而,在航天器电源系统故障诊断领域,主流的故障诊断方法无法捕获序列的长期依赖关系且局限于时间维度建模,严重影响故障诊断方法的性能。因此,本文提出一种基于时空自注意力机制的方法,对航天器电源系统进行高效准确的故障诊断。方法采用基于Transformer的编码器结构提取空间航天器遥测数据中的高维特征,并对其中的自注意力机制进行优化,采用时间卷积提取处理时序特征信息,并采用时间、空间双向自注意力机制提取数据中的时空特征,然后对模型提取的特征进行映射得到空间航天器故障诊断结果。最后在航空电源系统数据集上开展相关实验。实验结果表明与目前故障诊断领域常用的方法进行相比,所提方法具有更强的故障表征提取能力,可有效提高航天器电源系统故障诊断能力。     

基于小波特征提取与深度学习的微电网故障诊断与分类方法

针对现有微电网（MG）故障诊断准确率不高,分类精度不理想等问题,提出了一种基于小波特征提取与深度学习的微电网故障诊断与分类方法。首先,采用最大重叠离散小波变换（MODWT）和母小波提取MG电力信号特征,并进行三级分解,以获得高精度的信号特征提取。然后,利用长短期记忆网络优化深度Q网络,构建深度循环Q网络（DRQN）,更好地分析复杂数据且克服噪声的干扰。最后,将MODWT每个分解层次上的信号分量能量输入DRQN,实现故障的诊断和分类。基于MATLAB环境搭建MG系统仿真模型对所提方法进行实验论证,结果表明使用高采样频率和电流、电压信号时,诊断性能最佳,分类准确率超过91%。同时,所提方法在11种故障类型和4种场景下的分类准确率均超过90%,优于其他对比方法。     

基于核熵成分分析的工业过程多类型故障诊断

核熵成分分析(KECA)特征提取过程中只保留了数据的最大瑞丽熵(Renyi)信息，没有充分利用数据的类别信息。由于监督学习算法线性判别分析(LDA)能够有效提取特征中的类别信息，因此提出KECA-LDA(KEDA)的特征提取方法。首先KECA依据最小Renyi熵损失策略对数据进行维数约简；然后在KECA特征空间使用LDA算法获取具有判别信息的低维特征并输入到支持向量机(SVM)分类器中，利用天牛须优化算法(BAS)得到最佳性能的SVM分类器，从而建立故障诊断模型。将KEDA-BAS-SVM方法应用于田纳西-伊斯曼化工过程(TE)进行仿真实验，结果表明：当采用基于距离测度的矩阵相似性优化确定KEDA中所选用的径向基函数(RBF)核参数时，相比KECA和LDA算法，KEDA特征提取后多类型故障诊断准确率达到99.7%,验证了KEDA-BAS-SVM在多类型故障诊断领域的优越性。     

往复压缩机故障的残差网络诊断方法

往复压缩机结构复杂、激励源众多,极易发生故障。由于故障特征设计困难,且多依靠经验,导致传统方法诊断能力不强。基于卷积神经网络(convolutional neural networks, CNN)的智能诊断方法无需提取特征,可实现端到端的故障诊断,但存在提取故障特征不准确、模型参数量大、训练时间长等难题。为此,提出基于PyTorch深度学习框架的往复压缩机故障诊断方法MPMRNet(multiple-processes-mini-ResNet)。该方法采用多进程加载数据,以残差网络ResNet50为基础网络框架进行深度和宽度的缩减,Adam优化网络、StepLR策略调整学习率,自动处理振动信号时频图像并进行敏感特征深度挖掘和评估。通过多组实验对比,该方法明显缩短了模型训练时间,权重参数量由94.1缩小到0.58 M,模型复杂度由4.11下降到0.21 G,显存占用率由37.08%下降到10.92%,故障诊断的准确率达到98.28%,模型的诊断能力得到了明显提高。     

基于参数自适应VMD和SA-ELM的有载分接开关故障诊断

机械振动信号能反映有载分接开关的运行状态。为提高有载分接开关机械故障的诊断准确率,提出了一种基于参数自适应变分模态分解(VMD)和模拟退火优化极限学习机(SA-ELM)的故障诊断方法。首先对振动信号进行VMD分解,根据能量准则自适应确定模态数的取值,得到一组窄带、区分度较好的模态分量。然后求取各模态的能量值,形成特征向量组,不同故障状态的模态特征区分明显。最后将特征向量组输入SA-ELM,实现振动信号的识别和诊断。在模拟试验平台上进行试验并对采集的信号进行分析,结果表明文中故障诊断方法可有效提高有载分接开关机械故障的诊断准确率。