基于信息融合技术的电机故障诊断

为了从多方面反映电机系统状态，实现对电机故障模式的自动识别和准确诊断，将数据融合技术与神经网络相结合，建立电机故障诊断系统。首先在数据融合级上对故障特征量进行分类处理，然后采用多层神经网络进行故障特征级融合和电机故障的局部诊断，获得彼此独立的证据，再运用D-S（Dempser sha-fer）证据理论融合算法对各证据进行融合，最终实现对电机故障的准确诊断。诊断测试试验证明，该诊断系统提高了电机故障诊断的精度，能够满足诊断的实时性要求。     

基于图注意力网络的输电线路故障诊断

以往基于深度学习的输电线路故障诊断，依赖数字信号处理技术提取故障特征。为了改进前述方法，引入了图深度学习理论，提出了一种基于图注意力网络(GAT)的智能故障诊断方法。将原始三相电流电压信号转化为图数据，利用多个图注意力层自动提取特征信息，从而建立了数据从输入端到输出端之间的映射关系，实现输电线路端到端的故障诊断。在400 kV三相输电线路和IEEE13总线电网系统上验证该方法的准确性和有效性，分别对五种短路故障和无故障情况设置不同初始相角、过渡电阻和故障位置进行仿真分析。结果表明，该方法故障诊断准确率达到9975%以上，与现有几种智能故障诊断算法对比其性能最优。同时，该方法在不同白噪声下依然保持较高的故障识别率，具有良好的鲁棒性和泛化能力，为电力输电线路诊断技术提供了一定的研究思路。     

基于信息融合技术的电机故障诊断

为了从多方面反映电机系统状态,实现对电机故障模式的自动识别和准确诊断,将数据融合技术与神经网络相结合,建立电机故障诊断系统。首先在数据融合级上对故障特征量进行分类处理,然后采用多层神经网络进行故障特征级融合和电机故障的局部诊断,获得彼此独立的证据,再运用DS(DempserShafer)证据理论融合算法对各证据进行融合,最终实现对电机故障的准确诊断。诊断测试试验证明,该诊断系统提高了电机故障诊断的精度,能够满足诊断的实时性要求。     

基于多源信息的继电保护故障信息智能分析系统研发

针对现有继电保护故障信息系统数据来源不足、功能单一等问题,提出了一种基于多源信息融合的继电保护故障信息智能诊断分析方法。该方法融合EMS系统、WAMS系统、继电保护故障信息系统等多源数据。提出了系统的硬软件架构,重点探讨了故障诊断分析方法、二次设备统一模型、故障录波数据处理、开关及保护动作评价等技术。开发的系统有效综合了保护动作信息、SOE开关动作信息、故障录波报文等,可利用多源数据进行故障综合分析,为实现调度辅助决策提供技术支撑。     

三相逆变器功率管故障智能诊断研究

以三相逆变器-电动机驱动系统为例,研究基于神经网络的逆变器故障智能诊断方法.在三相逆变器易发的功率管开路故障、短路故障及短路故障后逆变器工作状态理论分析和仿真实验研究基础上,建立三相逆变器故障仿真模型.通过仿真实验获取逆变器故障状态下的电机定子电流信号数据,利用信号分段方法提取故障特征构造神经网络的学习样本,并以此训练神经网络,确定用于三相逆变器故障诊断的神经网络结构和参数.在感应电机矢量控制系统中进行仿真验证,仿真实验结果表明,该方法相对已有逆变器故障诊断方法,具有诊断迅速、可靠性高的优点,可在20ms内在线完成上述各种功率管故障的诊断.     

粒子群优化融合随机森林的电机故障诊断方法

针对三相电机实际识别准确率较低的问题,研究了一种智能的电机故障诊断方法。以三相电机振动数据为研究对象,结合粒子群优化算法和随机森林算法,建立了优化的随机森林算法模型对电机故障状态进行模式识别。提出一种融合K均值聚类算法和随机森林重要性选择方法的敏感特征提取算法,用以对故障敏感特征进行提取。对电机的八种运行状态进行实验验证,实验结果显示该方法能准确和高效地识别出电机故障状态。     

基于最小二乘支持向量机和信息融合技术的水电机组振动故障诊断

应用最小二乘支持向量机和信息融合技术对水电机组的振动故障进行诊断。采用以水电机组振动信号的频域特征和时域振幅特征作为特征向量的学习样本，通过训练，使最小二乘支持向量机能够反映特征向量和故障类型的映射关系，在完成局部诊断后再实现决策信息融合，从而达到故障诊断的目的。以水电机组振动故障诊断为例，进行了应用检验。研究结果表明，与常规方法相比，最小二乘支持向量机和信息融合技术相结合的方法具有快速有效等优点，适合水电机组振动故障的诊断。     

基于信息融合和M-RVM的变压器故障诊断方法

针对仅以油中溶解气体数据为主要依据的变压器故障诊断方法信息量不足以及传统证据理论的缺陷问题,研究了基于信息融合和多分类相关向量机(M-RVM)的变压器故障诊断模型。首先,将油中溶解气体分析数据与电气试验数据作为诊断模型的输入特征量向量,更真实地反映变压器的故障信息。然后,采用4个M-RVM作为分类器,对故障进行初步诊断,并将诊断结果分别转化为证据融合所需证据体,同时引入兰式距离函数与光谱角余弦函数对证据体进行修正。最后,采用改进冲突再分配策略进行决策融合,避免融合过程中出现证据互相矛盾的现象。对比分析结果表明,基于多源信息融合的变压器诊断模型相较单一特征参数诊断以及单一诊断算法具有更高的诊断准确率。     

基于多源特征信息融合的油浸式变压器故障智能诊断模型

变压器是电力系统关键设备之一，目前在运行的变压器大多属于油浸式变压器，其发生故障会严重影响系统的安全稳定运行，还可能造成巨大的经济损失，故变压器故障诊断是目前国内外亟待解决的问题。然而，现有研究普遍存在信息来源单一、诊断预测精度不高等问题，为此，本文提出一种基于多源信息融合技术和卷积神经网络的油浸式变压器故障智能诊断模型。首先选择其油色谱分析数据、高压套管的红外图像、放电超声波检测图谱以及特高频局放检测图谱共同作为变压器故障诊断的原始输入信息；其次，针对上述不同类型的原始输入数据，分别采用深度神经网络和卷积神经网络进行特征提取，将提取后的结果进行特征融合；最后综合融合后的特征分析结果进行故障诊断的分类。为避免不均衡样本集造成模型诊断的“倾向性”,本文还提出改进的交叉熵代替传统的损失函数，同时采用kappa系数作为预测结果的评价指标，有效提高了智能诊断模型的预测效果。并通过某电网检修公司提供的实际数据算例进行测试分析，结果验证了本文所提出方法的精准性和有效性。     

多神经网络与证据理论融合的变压器故障综合诊断方法研究

电力变压器发生故障的部位多，故障原因、现象复杂，在故障诊断中，可以通过变压器不同方面的特征信号从不同侧面来反映变压器的故障。因而需要对变压器的多种特征信号进行综合处理和协同分析。该文结合色谱数据和电气试验数据，利用数据融合原理，将神经网络和证据理论进行有机结合，使两者优势互补，提出了多神经网络与证据理论融合的变压器故障综合诊断方法。诊断结果表明，运用提出的融合诊断算法，能充分利用色谱数据和电气试验数据的冗余、互补信息，使基于多种特征信号综合诊断结果的准确性和可靠性比基于单一故障特征的诊断得到有效的提高。     

基于机电信号融合的电励磁双凸极电机绕组匝间短路故障诊断

定子绕组匝间短路是电励磁双凸极电机常见的故障,当匝间短路故障匝数较少时,对电机磁场的影响较小,使得难以通过单一故障特征精确地识别故障。该文通过分析该电机的本体结构和故障特征的提取机理,提出了一种基于振动和相电流信号的多源机电信号融合的电励磁双凸极电机短路故障综合诊断方法——基于多分类支持向量机及改进卷积神经网络的信号融合故障诊断。该文首先根据电励磁双凸极的结构特点研究了短路故障发生时特征信号的变化情况及提取机理;其次根据理论分析结果提出了一种自寻优卷积神经网络结合支持向量机的多源信号融合的故障诊断方法,该方法首先分别利用两种算法计算两个单信号特征下的故障诊断概率,再利用DS证据理论,得出融合后的诊断结果;最后通过实验表明,该文所提出的诊断方法可以更有效地识别电机不同的短路故障,降低了误判率,解决了单一信号源诊断方法精度较低的问题,具有良好的可靠性和互补性。     

基于多传感信息融合的电力变压器绕组故障诊断方法

传统电力变压器绕组故障诊断方法直接对变压器绕组故障进行诊断,未对振动信号进行特征提取,造成诊断精准度低。为此,提出基于多传感信息融合的电力变压器绕组故障诊断方法。在故障诊断之前采集绕组振动信号,在采集绕组振动信号的基础上,重点对变压器绕组振动特征进行提取,通过提取的特征利用多传感信息融合算法对变压器绕组变形故障进行故障诊断。设计对比实验,实验结果证明该方法在不同数据预处理下的故障诊断精准度高于传统方法,有一定的研究价值。     

基于双边型直线电机的故障信息融合诊断方法的研究

针对双边型直线电机的气隙偏心故障、绕组匝间短路故障,提出了一种基于双边型直线电机的故障信息融合诊断方法,该法通过数据层融合、特征层融合、决策层融合以及两级诊断的方式来实现,其中数据层采用了Park矢量融合方法以及改进的基8FFT算法,特征层采用了模糊人工神经网络法。将改进的基8FFT算法、模糊人工神经网络法结合在一起,提高了双边型直线电机各种故障的诊断能力。     

基于信息融合的变压器故障多级诊断方法

建立了基于信息融合的变压器故障多级诊断模型,该模型融合了在线监测、油中溶解气体、电气试验等多源数据信息。采用自适应遗传算法优化的小波神经网络对变压器故障进行初级诊断,通过改进D-S证据理论对初级诊断结果进行决策级融合,实现对变压器故障的深度诊断与定位。通过应用实例证明,该方法可以有效提高变压器故障诊断的精度和可信度,减小诊断的不确定性。     

基于量子神经网络信息融合的变压器故障诊断

针对电力变压器故障的多样性和故障信息的不确定性、数据量大及无规律性的特点,提出了基于量子神经网络信息融合的故障诊断方法.将多个电力变压器故障参数信息引入到各子量子神经网络进行局部融合诊断,再将各局部诊断信息引入决策融合网络进行全局融合,最终诊断出5种电力变压器故障并给出可信度评价.实验仿真结果表明:量子神经网络信息融合方法有效,诊断结果可靠,能将不确定性的数据合理地分配到各类故障模式中,故障正判率达到97.78％,远高于BP神经网络信息融合及改良IEC三比值法.     

Park矢量方法在电动机故障综合诊断中的应用

本文研究将Park矢量方法与信息融合技术应用于三相交流异步电动机故障综合诊断,对电动机运行的电压、电流、电机温升及轴承振动工况进行在线监测和控制,及时、准确地诊断出电动机故障并采取相应措施,国内尚属首次.     

基于多源信息融合的电网故障诊断方法研究

考虑到电力系统自动化水平及通信、广域测量技术的发展,提出了一种综合SCADA开关量、故障录波器电气量及WAMS系统电气量的多源信息融合电网故障诊断方法。该方法将蕴含故障信息的电气量分析与开关量诊断相结合,对电网故障采集的电气量通过小波能量分析提取故障特征,采用蕴含时序贝叶斯网络对保护、断路器开关量进行故障推理,定义了能量畸变故障度、能量故障度、改进RBF神经网络故障度及时序贝叶斯故障度衡量线路故障程度,并作为证据体采用改进D-S证据理论进行信息融合,进而通过模糊C-均值聚类方法给出故障诊断决策。PSCAD     

基于最小二乘支持向量机和信息融合技术的水电机组振动故障诊断研究

应用最小二乘支持向量机和信息融合技术对水电机组的振动故障进行诊断。采用对水电机组振动信号的频域特征和时域振幅特征作为特征向量的学习样本,通过训练,使最小二乘支持向量机能够反映特征向量和故障类型的映射关系,在完成局部诊断后再实现决策信息融合,从而达到故障诊断的目的。以水电机组振动故障诊断为例,进行了应用检验。结果表明,与常规方法相比,最小二乘支持向量机和信息融合技术相结合的方法具有快速有效等优点,适合水电机组振动故障的诊断。     

基于ZigBee的电机故障诊断系统设计

针对目前集群现场电机故障诊断采用有线传感网络的诸多局限性,提出了一种利用ZigBee无线传感网络构建电机故障诊断系统的设计方案.设计了无线模块的硬件系统和软件系统以及上位机诊断界面,以ZigBee组建的无线传感网络实现电机的电压、电流和温度数据的采集,结合基于数学模型的电机故障诊断算法进行电机故障诊断.结果表明,该系统能准确地采集电机工作电压、电流和温度数据,并可以诊断电机的工作状态以及能对故障电机实施紧急停机操作,为工程应用提供了重要的依据.     

多小波系数增强动态聚合联邦深度网络的多工况故障诊断

针对分布式场景下单节点样本有限、多节点间工况分布不平衡等导致的深度学习故障诊断精度低的问题,提出一种多小波系数增强动态聚合联邦深度网络用于分布式小样本下的多工况机械故障诊断。提出多小波系数增强动态聚合联邦深度网络的诊断框架,单终端节点从本地样本中提取小波系数特征,提出多小波系数深度网络融合的特征增强方法,局部模型从多样性小波系数集合中提取更具判别性故障特征;聚合节点通过对多终端节点局部模型的聚合以构建全局联邦深度网络模型,并用于多工况故障诊断;为降低多节点间数据非独立同分布的影响,提出平衡模型贡献度的联邦动态加权聚合算法。轴承振动数据分析结果表明,所提方法能在分布式小样本条件下实现高精度的多工况故障诊断。