基于模糊粗糙集的变压器油纸绝缘状态评估

回复电压法(RVM)是一种研究电力变压器绝缘老化状态的检测方法,基于大量回复电压测试数据,提出运用模糊粗糙集理论评估变压器油纸绝缘状态,并构建变压器油纸绝缘状态评估系统。首先,基于回复电压特征量建立变压器油纸绝缘状态评估指标;其次,采用模糊C均值聚类算法获得变压器测试数据对于特征量模糊划分的隶属度函数;然后,根据可辨识矩阵对油纸绝缘状态评估表的模糊属性进行约简,并提取油纸绝缘状态评估规则;最后,在历史数据库的基础上构建油纸绝缘状态评估系统。通过实例演绎论证提出的评估系统能有效、准确地评估电力变压器绝缘状态,为变压器油纸绝缘状态评估提供了新思路,且在工程应用中具有实际价值。     

融合改进层次分析与灰色关联法评估油纸绝缘状态

回复电压测试法(RVM)是一种研究电力变压器油纸绝缘老化状态的无损检测方法,通过回复电压法获得大量电力变压器测试数据,提出运用改进层次分析-灰色关联诊断算法综合评估电力变压器油纸绝缘老化状态。首先,基于回复电压法,分析并提取回复电压法测量特征量和基于ED等效电路特征量作为电力变压器油纸绝缘老化评估特征量;其次,提出应用改进层次分析法分配各个特征量的权重,并结合电力变压器绝缘状态可视为典型灰色系统的特点,采用改进层次分析-灰色关联诊断算法综合评估电力变压器油纸绝缘老化状态;最后,收集大量已知绝缘状态的电力变压器数据建立标准状态向量表,并通过实例验证提出的诊断算法能快速、准确地评估电力变压器绝缘状态,为评估电力变压器绝缘状态提供新的思路与方法。     

基于灰色马尔可夫误差反推模型的输电电缆绝缘状态预测

针对单独运用灰色理论或者马尔可夫理论进行状态预测需要大量的数据,且存在精确度不高的问题,提出了基于灰色马尔可夫误差反推模型的绝缘状态参数准确预测的方法,结合模糊隶属函数和证据合成算法计算了电缆的绝缘状态,运用灰色理论预测了电缆绝缘状态在线监测数据的未来数据,计算了该预测值与原始数据之间的相对误差,基于该相对误差,采用马尔可夫误差模型推算了未来某一时刻灰色预测值与原始数据之间的误差,通过误差公式反推得到了准确的绝缘状态预测数据;同时运用证据合成算法和模糊隶属函数对电缆绝缘状态进行了计算;通过某条110 k V交联聚乙烯单芯电缆的绝缘数据验证了所提出模型的有效性,将模型与传统方法进行了对比。研究结果表明:该模型对数据量需求不大,具有比其他方法更加精确的预测结果。     

基于Pearson关联度BP神经网络的时间序列预测

针对BP神经网络存在的过拟合问题,提出了基于Pearson关联度的神经网络预测模型。将传统的基于误差反向传播的BP神经网络中的误差函数替换为Pearson关联度函数,利用梯度上升法对训练过程中神经网络的连接权重和阈值的调整量进行了推导,并为调整量添加了动量项用于提高神经网络收敛速度,然后建立了关联度反向传播预测模型,并对其权重进行了阈值限制以及增加学习率来防止过拟合。对通用数据集进行时间序列预测实验,通过与改进的RBF和BP神经网络对比,表明对于多因素时间序列的预测Pearson关联度BP神经网络的预测误差精度RMSE降低了4.02,收敛次数减少1 690代。实现了将关联分析与BP神经网络的结合,能够在保证效率的同时,解决过拟合问题,提高预测精度。     

基于模糊-灰色聚类的油纸绝缘状态综合诊断

变压器油纸绝缘系统在不同测试方法下会得出不同老化特征量,复杂的绝缘状态全面评估存在着一些模糊与不确定问题。因此,建立基于模糊-灰色聚类和组合赋权法的变压器油纸绝缘状态评估模型。首先,建立了多个测试方法下的老化指标评估综合层次图,以层次图为基础,由收集到的变压器绝缘老化指标数据,借助于模糊C-均值聚类(FCM)算法,确定了4级油纸绝缘状态评估老化指标标准状态向量表,同时确定了白化函数阀值;接着,通过主客观意义的组合赋权法给老化特征量赋权,合理地计算出灰色聚类系数;然后,以一级灰色聚类系数作为二级模糊综合评价的隶属度矩阵,搭建出油纸绝缘状态全面评估模型;最后,通过实例验证了新评估方法的有效性与准确性,具有良好的应用前景。     

自适应因子神经网络的变压器故障诊断研究

电力变压器是是电力系统的核心设备。为预防并降低电力变压器发生故障概率,设计了小波神经网络对电力变压器进行故障诊断。为提高迭代计算速度及计算精度,提出一种基于自适应修正因子的模型优化方法,通过自适应修正因子可以忽略模型中的局部极值,进而消除微小变化特性,排除杂波干扰。基于自适应修正因子设计变压器故障诊断小波神经网络模型训练方法,从而提高迭代计算效率及精度。通过与传统的神经网络模型及粒子群小波神经网络的故障分析结果及误差对比分析,验证所设计的电力变压器故障诊断模型具有较高的可用性。研究结果为电力变压器故障诊断分析提供理论基础。     

基于BP网络的机床主轴故障诊断研究

针对机床主轴在运转过程中由于高速、热变形和应力集中等原因而发生平移、旋转、压缩和伸展等,提出了一种基于BP神经网络和误差标定拟合对机床主轴轴心轨迹误差预测的方法。该方法首先通过实验测量出机床主轴轴心轨迹的偏心数据形成样本,运用BP神经网络对样本进行训练,然后根据样本训练结果预测机床主轴轴心偏转的将来值,最后通过三维张量空间分布函数分析将来值与理论值拟合情况得出机床运转状态。实验结果显示,当迭代次数epoch=2,训练误差为Validation=0.0052442时,训练后的拟合曲线拟合效果较好,此时BP训练状态最佳,训练后的主轴偏转结果能够反映和预测机床运转状态。本方法对于生产过程中的机床定期维修保养具有重要的指导意义。     

电力电气设备状态检修技术

基于电力电气设备状态检修技术的重要性,重点介绍了状态检修技术内容,包括变压器局部放电监测技术、变压器油气色谱分析技术、变压器绝缘状态监测技术、红外检测技术、超声波探测技术和综合巡视技术,并介绍了该技术的相关使用原则,探讨了状态检修技术的具体应用情况,以期不断优化其应用效果。     

基于遗传算法优化的BP网络变压器可靠度计算

针对在进行变压器可靠度评估时可靠度计算用时较长的问题,进行了理论和仿真研究.首先对基于FTA计算变压器可靠度的原理进行了分析,其中专家经验起很大作用,分析了部分变压器可靠度较低的原因;在所得到的138台变压器可靠度值的基础上,提出了运用BP神经网络拟合单台变压器可靠度的方法,确定了神经网络架构和训练样本,在此基础上,运用GA对BP网络的权值和阈值进行了优化,用10组数据验证了其准确性.研究结果表明,通报BP神经网络可以有效地拟合出变压器的可靠度,误差在可以接受范围之内,提高了计算速率,运用GA优化后提高了可靠度拟合的准确度.     

基于循环神经网络的输电线路绝缘子缺陷检测研究

传统输电线路绝缘子缺陷检测方法在应用过程中容易受外界因素干扰,导致缺陷检测速度慢,为此提出基于循环神经网络的输电线路绝缘子缺陷检测方法。对采集的输电线路绝缘子图像预处理,根据处理后的图像利用循环神经网络确定绝缘子缺陷特征,以此对绝缘子缺陷位置进行定位,从而实现输电线路绝缘子缺陷检测。实验结果表明,与实验对比方法相比,基于循环神经网络的输电线路绝缘子缺陷检测方法在绝缘子缺陷检测过程中的速度更快,实际应用效果较好。     

基于弛豫电量的变压器油纸绝缘老化评估

回复电压法是一种研究电力变压器绝缘老化状态的无损检测方法。回复电压含有丰富的反映绝缘状态的介电弛豫响应信息,为充分发挥回复电压法诊断油纸绝缘老化的优点,提出了利用驰豫电量评估变压器绝缘老化状态的新方法,并给出了相对驰豫电量与变压器油中糠醛含量的定量关系。首先,对回复电压曲线进行微分解谱求解回复电压的驰豫响应函数;其次,利用驰豫电量与驰豫响应函数的关系,计算出回复电压测量过程中的相对驰豫电量;最后,分析了相对驰豫电量与绝缘老化状态的关系。分析结果表明,驰豫电量对变压器油纸绝缘的老化非常敏感,相对驰豫电量Q_(1000)和Q_(500)与变压器油中糠醛含量存在较好的线性关系,相对驰豫电量可用于变压器油纸绝缘老化的定量评估。     

EPS助力特性的改进RBF神经网络方法

针对电动助力转向(EPS)助力特性的非线性问题,提出应用径向基(RBF)神经网络强非线性能力进行电动助力转向(EPS)助力特性曲面拟合方法,并做出改进。应用改进均值聚类方法(k-means)对数据进行聚类,获取基函数参数,再用梯度下降法训练网络权值,并利用最优停止法对网络进行了优化。实验结果表明,该改进方法避免了过拟合现象,提高了网络的泛化能力,并且具有网络训练时间短,拟合的曲面精度高,预测能力强等优点。     

超声检测缺陷分类中信号处理方法的探讨

根据检波信号与射频信号所含信息量的不同，针对超声检测缺陷回波中的这两种信号进行了实验分析：用典型的金属缺陷信号来做比较，把同时采集到的两类信号分别进行特征提取，并用“类别可分性判剧”做定量对比；分别用BP网络和RBF网络对检波信号提取的特征值为依据进行缺陷分类，来比较这两种网络的性能差异。最后实验表明；基于射频和检测输出的缺陷信号，其可分性指标之间的差别并不明显；RBF网络比BP网络具有更快的学习速度，同时能够有效的提高分类器的泛化分类准确率。     

变压器极化谱特征量与绝缘状态关系研究

油纸变压器绝缘介质特性复杂,为了研究绝缘介质弛豫响应与油纸绝缘时域极化谱特征量的内在关系,以便将电气特征量法应用于无损诊断变压器绝缘状态,通过建立变压器油纸绝缘等效电路模型,仿真分析了回复电压极化谱特性,并在仿真基础上研究了不同绝缘状态下油纸绝缘时域极化谱特征量变化规律。结论表明,时域响应回复电压极化谱特征量能有效评估油纸变压器绝缘状态的差异,测试结果验证了等效电路模型对绝缘系统极化过程的有效反映,分析出电路参数仿真变化对应的回复电压特征量变化规律,为运用回复电压测试技术无损诊断变压器绝缘状态奠定了理论基础。     

基于神经模糊控制理论的数控机床热误差建模

将基于神经模糊控制理论的建模方法--模糊神经网络建模法应用到数控机床热误差建模当中,讨论了热误差模糊神经网络的结构及建模原理;对大型数控龙门导轨磨床主轴箱系统进行建模试验,采用非接触式红外温度测量仪和千分表分别测量主轴箱系统温度值与主轴热误差,得到两组独立的试验数据,一组用来建立主轴箱系统热误差模糊神经网络预报模型,另一组用来对模型进行验证。试验结果表明,模糊神经网络模型预测精度高,泛化能力强;将模糊神经网络建模方法与径向基函数神经网络建模方法进行综合对比,分析结果表明,模糊神经网络建模方法具有更好的建模效率、建模鲁棒性及预测性能。     

基于模糊神经网络的电力变压器故障诊断研究

将模糊控制和神经网络理论相结合,通过遗传算法对其参数进行优化,有效地解决了常规模糊理论不能自学习和神经网络算法易陷入局部极小、收敛速度慢等缺点,并对其应用于电力变压器故障诊断进行了仿真,实例仿真结果表明该算法具有较快的收敛速度和较高的计算精度,故障诊断结果证实了该算法应用于电力变压器故障诊断的有效性。     

Internal leakage rate prediction and failure diagnosis of buried pipeline ball valve based on valve cavity pressure detection

— Ball valve is a key fluid control equipment used extensively in oil and gas pipelines. The online detection and failure diagnosis of the internal leakage of the ball valve is of great significance to ensure the safety operation of natural gas transmission pipelines. This paper proposes a prediction method of the internal leakage rate and a diagnosis method of the failure mode of the buried pipeline ball valve based on valve cavity pressure detection. Firstly, the valve cavity pressure signal generated by the internal leakage of the ball valve is detected by the pressure sensor, and the valve cavity pressure signal is denoised by wavelet threshold denoising. Then, the back propagation (BP) neural network has the disadvantage of unstable learning ability, so the BP neural network is optimized by chaos sparrow search optimization algorithm (CSSOA-BP). Finally, the prediction model of the ball valve internal leakage rate and the diagnosis model of the ball valve failure mode are established by using CSSOA-BP neural network and the characteristic parameters of the valve cavity pressure signal. To verify the performance of the prediction model and the diagnosis model of CSSOA-BP neural network, the predictive results and diagnostic results are compared with those of the sparrow search algorithm optimization BP (SSA-BP) neural network and BP neural network. The experimental results show that the maximum prediction error of CSSOA-BP neural network is the smallest, which is 13.6%. The accuracy of the diagnostic results of CSSOA-BP neural network is the highest, which is 83.3%. It indicates that the proposed method can achieve better predictive results of the ball valve internal leakage rate and more accurate diagnostic results of the ball valve failure mode.     

[成形过程的数据挖掘与深度学习方法]基于机器学习的管材弯曲回弹有效预测与补偿

采用基于优化的误差反向传播(BP)神经网络的机器学习算法建模,提出了考虑材料参数、几何参数等多因素的弯管回弹精确预测和高效控制方法。该方法通过引入非线性惯性权重及遗传算法的杂交算子,改进了粒子群优化(PSO)算法,进而通过改进的PSO算法对BP神经网络进行优化,构建了基于改进的PSO-BP神经网络机器学习回弹预测和补偿模型。以多种规格的铝合金数控弯管构件为对象,将实际生产中不同规格、批次、成形参数下回弹数据作为训练样本,实现了所建机器学习预测模型的应用验证。所建模型获得的预测结果平均相对误差为6.3%,与未优化的BP神经网络等传统模型相比,预测精度最大提高了18.5%,计算时间可从1.5 h缩短至300 s,同时实现了回弹预测与补偿精度以及计算效率的显著提高。     

基于IA-PSO-BP模型的电主轴热误差预测方法

针对电主轴在运作时因为温升而产生热误差的问题,提出一种基于免疫粒子群优化BP神经网络（IA-PSO-BP）的电主轴热误差预测模型。通过测量电主轴在工作过程中的温升以及热位移,获取建立预测模型所需的数据,使用IA-PSO-BP模型在MATLAB中建立热误差预测模型,并与未经过优化的BP神经网络所建立的模型进行测试对比。结果显示,经过优化的BP神经网络对热误差的补偿能力高达98.4%,和当前工程常用的BP神经网络相比,平均预测误差下降了62.6%,预测误差的均方差下降了66.4%,可见其预测精度得到了显著提升。