基于隐Markov模型的齿轮箱故障识别方法研究

针对神经网络的识别一直停留在静态模式识别上的不足,釆用一种近年来发展较快的动态模式识别技术—隐马尔科夫模型分析齿轮箱振动信号。首先提取齿轮箱振动信号在时域、频域和时频域的统计特征,组成34维全特征矢量,训练了一组全特征-隐马尔科夫模型库;再通过主分量分析技术对全特征矢量进行降维处理,取其吸收信息量98%以上的前7个主分量组成主分量特征矢量,训练了另外一组主分量-隐马尔科夫模型库。分别用两组独立的模型库进行齿轮箱故障识别。结果表明,全特征-隐马尔科夫模型库对齿轮正常、齿轮断齿的识别准确率为97.9%,对齿轮点蚀的识别准确率为100%,程序运行耗时22.328 s,主分量-隐马尔科夫模型库对齿轮点蚀的和齿轮断齿识别准确率均达到100%,程序运行耗时4.879 s。振动信号特征的降维处理没有降低故障的识别率,反而提升了故障识别准确率,同时大大提升了程序运行速度,这对机械系统故障诊断具有重要意义。     

基于多小波包系数熵和人工神经网络的输电线路故障类型识别方法

基于多小波包分解系数和信息熵的概念定义了多小波包系数熵的表达式,并提出多小波包系数熵和人工神经网络相结合的输电线路故障类型识别方法：首先对不同故障工况下采集的故障电流信号进行适当的多小波包分解,计算各频带的系数熵;然后构造多小波包特征向量,将这些向量作为训练样本对径向基函数(radial basis function,RBF)神经网络进行训练;当输电线路发生故障时,将提取的故障电流信号的多小波包系数熵特征向量输入训练好的RBF神经网络,即可实现故障类型的识别。仿真结果表明采用多小波包提取的故障电流特征量比采用传统小波包提取的特征量信息更丰富,对人工神经网络的训练效果更好,网络识别精度具有明显优势。     

基于小波-隐马尔可夫的波形异常扰动类型识别研究

针对波形异常扰动的识别问题,提出一种基于小波-隐马尔可夫的分类方法,利用小波变换提取波形异常扰动特征.波形异常扰动利用小波变换被分解成多分辨率小波域,其小波系数由HMM构建模型.基于此模型,结合最大似然实现波形异常扰动的分类识别,并在7200 V配电线上的实际波形异常扰动数据进行分类,并通过后处理对结果进行调整.实验结...     

基于小波近似熵的串联电弧故障识别方法

根据UL1699标准搭建了串联电弧故障发生装置,并针对不同类型负载进行实验,获得了供电线路正常工作状态和发生电弧故障状态时的电流信号实验数据。应用小波变换对电流信号进行分解重构,通过近似熵(Ap En)算法对分解重构后各频段信号的不规则程度进行量化,得到电流信号的特征向量,并将其输入到支持向量机(SVM)。通过SVM对电流信号特征向量进行分类,完成电弧故障的检测识别。结果表明,通过小波近似熵算法得到的电弧故障特征向量能够作为诊断识别电弧故障的有效依据。     

试论电力系统故障类型识别的研究现状

对近几年具有代表的中外文献进行了学习研究,论述了输电线路故障诊断的背景和意义以及故障识别的研究现状,重点介绍了小波分析和熵理论在电力系统暂态处理中的应用。目前的理论研究与应用成果为电力系统暂态信号分析与检测开辟了新的道路,为暂态信号特征提取理论奠定了新的理论基础,建立了适合于电力系统暂态信号分析的小波熵理论。     

基于VMD多尺度模糊熵的HVDC输电线路故障识别方法

针对HVDC输电线路故障识别率低、远端高阻故障识别困难等问题,提出一种基于变分模态分解VMD(variational mode decomposition)多尺度模糊熵的HVDC输电线路智能故障识别方法.首先对暂态电流信号进行VMD分解,利用中心频率法则提取合适的IMF分量计算多尺度模糊熵、VMD能量和比值.分别利用V...     

耦合隐马尔科夫在模拟电路故障预测中的应用

为了能够更准确地对模拟电路系统中各退化状态进行状态识别和故障预测,针对单一通道的隐马尔可夫模型在模拟电路系统中预测精度不高的特点,提出了一种具有2条Markov链的耦合隐马尔可夫模型故障预测方法。该方法在模拟电路中采用2个测试点通过双通道数据分别对各退化状态和全寿命进行建模,实验结果表明,耦合隐马尔可夫模型与传统的隐马尔可夫模型相比,不但提高了状态识别率,而且能对电路系统的故障发生进行有效地预测,为状态维修提供依据。     

基于小波包Shannon熵的PHM系统故障特征提取

针对同步发电机故障预测与健康管理(Prognostics and Health Management,PHM)系统故障特征提取困难,信号容易受到噪声干扰,诊断结果可靠性低的缺点,本文以故障率较高的轴承故障为例,提出以小波包熵值作为故障特征,提取轴承典型故障的振动信号。通过小波包分析,计算出不同故障、不同故障程度的小波包Shannon熵值。与正常轴承对比进行故障程度预测及故障定位。仿真结果表明小波包Shannon熵值能够清楚地反映出轴承故障程度及故障位置,该方法简单可靠,进行故障预测及诊断效果显著,克服了传统故障特征提取方法的不足。     

基于CatBoost的常用电器负载电弧故障识别方法

电气火灾造成的危害日益受到人们重视,其成因中占比最大的是电弧故障。电弧通常是由电气组件的损坏或过载而导致,进而可能会导致电气设备的损坏并引发火灾。电弧识别是一种重要的电弧故障预防性技术,可以监测电气设备中的电弧事故,以便及时采取应对措施,是智能用电的重要组成部分。文中就电弧故障识别方法展开研究,首先按照国标搭建了实验平台,然后分析不同家用电器负载组合的电弧特征,并进行特征提取;接着提出了一种基于CatBoost分类模型的电弧识别方法,使用CatBoost模型对提取到的特征进行训练,以实现电弧故障的快速识别;经过测试集验证,与现有的SVM、Random Forest等常用识别分类方法相比,提出的基于CatBoost分类模型的电弧识别方法具有更高的准确率和召回率,能够有效提高电弧事故的识别精度。     

基于小波奇异熵和支持向量机的配电网故障类型识别

准确识别故障类型是实现配电网故障定位的前提。应用小波变换技术提取反映接地故障特征的零序电压低频信号能量,应用小波变换和信息熵相结合的方法提取三相电压的小波奇异熵。以零序电压低频能量和三相电压的小波奇异熵为输入特征量,以相别A、B、C和地G为输出量,建立了四输入四输出的SVM故障类型识别网络。应用ATP/EMTP搭建配电网仿真模型模拟了各种故障条件下的各种故障类型。仿真分析表明,该方法能够快速准确地识别各种故障类型,且不受过渡电阻、故障位置等的影响。     

基于噪声分析的电机故障诊断方法研究

本文基于Matlab平台,对电机各种运行状态的噪声进行数字分析和处理,提出了一种基于噪声分析的电机故障类型的诊断方法.首先对电机不同运行状态下的声音信号进行时频域分析和去噪处理;其次分析和提取了信号的能量特征向量.最后利用神经网络分类器对电机故障声音进行了分类识别.此外,为提高智能诊断的准确性,本文在以上一系列过程中均采用了多种方法,并进行了择优.实验表明,本文研究的基于噪声分析的电机故障诊断方法具有较高准确率.     

基于WAMS的电网故障检测新方法

当出现大范围的停电事故时,保护系统自身的故障往往是导致灾难发生的原因之一。为了解决这个问题,提出一种利用PMU数据和母线阻抗矩阵(Zbus)以替代保护系统功能的独立故障检测方法。首先,根据提出的方法确定故障区域,然后确定故障线路。通过广域测量,故障位置随着线路的确定也就被估算出来。IEEE-118节点测试系统验证结果表明,该方法成功的检测出整个电网的故障线路以及故障线路中的故障位置     

基于故障录波数据的电网故障诊断方法分析及改进

在电网调度层面,可以利用SCADA系统、继电保护及故障信息系统等多数据源信息实现故障诊断在线应用,对此,提出了利用故障录波数据进行电网故障诊断的具体方法.首先从整体上对如何使用故障录波数据进行故障诊断的流程进行了分析,在此基础上应用分阶段故障诊断的思想,对原有的模拟故障录波方法在确定故障时间、故障类型、故障方向以及故障设备等方面的不足进行分析并提出改进方法.最后,以某地区电网220 kV盘古石变电站发生的故障为例,通过VC++6.0编程验证改进后的故障诊断方法和流程,故障诊断结果符合实际情况,验证了该诊断方法的正确性和有效性.     

基于DCAE-KSSELM的变压器故障诊断方法

为了充分利用变压器发生故障时产生的大量无标签样本,提高故障诊断精度,提出基于深度收缩自编码器(DCAE)与核半监督极限学习机(KSSELM)相结合的故障诊断方法。首先使用无标签样本对DCAE网络逐层训练,初始化网络参数,然后用有标签样本数据对网络参数进行微调,最后将有标签样本与无标签样本一起作为深度收缩自编码器与核半监督极限学习机(DCAE-KSSELM)混合网络的输入并完成故障诊断。实验结果表明,所提模型稳定性好,故障诊断精度高,鲁棒性强。     

基于贝叶斯网络和故障录波数据的电网故障综合诊断方法

电网故障诊断是保证系统安全运行的基础,故障录波系统提供的信息为电网故障的精确诊断提供了重要依据。为了有效利用故障录波数据,并在信息缺失或不确定条件下精确诊断电网故障,研究了基于贝叶斯网络和故障录波数据的电网故障综合诊断方法。通过在故障录波联网系统的主站建立输电网贝叶斯模型,结合从故障录波系统得到的模拟量和开关量数据,从而构成基于贝叶斯网络的电网故障识别模型。将贝叶斯网络得出的高可信度诊断结果融入专家系统的知识库,形成完备的故障诊断专家系统。实例分析表明,可快速并准确地定位故障元件,提高电网故障处理效率。     

基于灰关联分析的配电线路故障诊断方法

中性点不接地系统的短时接地故障诊断十分困难,本文依据故障特性提出了一种基于最优小波包基特征提取的故障诊断新方法.该方法应用小波奇异性检测功能,确诊故障过程;以最优小波包基提取故障信息,确定特征频段;然后,建立特征频段下各线路灰关联分析的数学模型,运用灰关联分析确诊故障线路.通过对4条10kV线路的仿真分析,验证了本方法的可行性及适应性.     

基于BP神经网络的电路故障诊断方法

介绍了BP神经网络的电路故障诊断方法、故障诊断的原则及BP网络的算法，实验证明所提出的方法是有效可行的。     

基于小波降噪和共振解调法的异步电机故障诊断方法

针对异步电机故障时的振动信号特征,提出了一种基于峭度、小波降噪和共振解调法相结合的异步电机故障诊断方法。通过对正常、离心开关打开不完全、定转子扫膛、后轴承损坏等4种状态的单相交流异步电机进行故障试验,利用NI CompactRIO平台搭载振动信号采集卡,采集电机前端盖侧面和顶端的振动信号,进行峭度统计分析,同时通过小波降噪和共振解调法提取振动信号的频域故障特征。试验结果表明,提出的方法能够良好地实现异步电机故障诊断。     

一种基于鲁棒自联想神经网络的传感器故障诊断方法

提出一种可用于非线性系统建模的鲁棒自联想神经网络,将该网络映射层和解映射层分别作为2个子网络进行训练,提高了收敛速率。在网络训练目标函数中加入网络权值限制项,抑制了训练过程中网络权值的异常调整,提高了模型的准确性和鲁棒性。在解映射子网络训练结果集和原输入数据集中增加了扰动数据,构成映射网络的扩展训练样本集,提高了整个网络的鲁棒性。该文给出基于所提网络模型的传感器故障诊断方法及诊断流程,并以某300 MW机组热力系统为对象进行算例分析,结果表明该文方法应用于传感器故障诊断时能够实现对故障测点的快速准确定位,并对各变量值进行精确重构。     

汽轮发电机组振动故障诊断的Petri网模型

Petir网理论是以网络理论、代数理论等为数学基础的,可利用图形语言对故障诊断系统的结构、功能及流程进行系统的分析和描述,是异步并发诊断系统建模与分析的重要工具之一.作者在论述了Petri网矩阵描述方法的基础上,根据汽轮发电机组故障征兆与常见故障类型之间的关系,建立了一种基于Petri网的汽轮发电机组振动故障诊断模型.与传统的汽轮发电机组振动故障诊断方法相比,该模型仅使用简单的矩阵运算,诊断过程简单直观,速度快.实例分析表明,利用该模型可对汽轮发电机组的振动故障作出正确判断.