基于SSA-PNN的电力变压器故障诊断

为了提高变压器故障诊断的准确率,在改良三比值法的基础上,采用麻雀搜索算法优化概率神经网络构建一种新型变压器故障诊断网络模型,并设计相应的故障诊断方法。分析表明,与基于概率神经网络的变压器故障诊断方法相比,基于该网络模型的诊断方法提高了变压器故障识别与故障分类的准确率,在电力变压器的故障诊断中具有一定的实际工程意义。     

基于ISSA-VMD的滚动轴承早期故障诊断方法

针对滚动轴承早期信号微弱导致故障特征难以提取和故障诊断准确率不高的问题,提出了一种基于改进麻雀搜索算法-变分模态分解(ISSA-VMD)和样本熵(SE)的滚动轴承早期故障特征提取方法。首先,在轴承早期故障诊断过程中,模态分解个数和惩罚因子的选择对变分模态分解(VMD)的分解效果有着很大的影响,为消除人为选择参数的影响,将麻雀搜索算法(SSA)优化为改进麻雀搜索算法(ISSA),利用ISSA参数优化后的VMD方法对信号进行了分解;然后,计算了敏感固有模态函数(IMF)分量的样本熵,构成了特征向量;最后,将特征向量作为支持向量机(SVM)的输入,进行了滚动轴承早期故障类型的识别。研究结果表明：ISSA-VMD+样本熵特征提取模型的故障诊断准确率为98.3%,与SSA-VMD+样本熵、灰狼优化算法(GWO)-VMD+样本熵、鲸鱼优化算法(WOA)-VMD+样本熵、传统VMD+样本熵、经验模态分解(EMD)+样本熵等特征提取模型相比,故障诊断准确率分别提高了3.3%、6.6%、5%、3.3%、5%;该模型可以准确地提取故障特征,提高故障诊断准确率。     

基于IMIE、MCFS和SSA-ELM的离心泵故障诊断方法

采用多尺度排列熵对离心泵振动信号进行分析时，存在忽略信号幅值信息以及粗粒化处理存在不足的问题，从而导致离心泵的故障识别准确率不高，为此，提出了一种基于改进多尺度增长熵(IMIE)、多聚类特征选择(MCFS)和麻雀搜索算法优化极限学习机(SSA-ELM)的离心泵故障诊断方法。首先，基于改进粗粒化处理，提出了改进多尺度增长熵(IMIE)方法，将其用于提取故障特征，构造了反映离心泵损伤属性的特征矩阵；随后，采用多聚类特征选择(MCFS),对原始故障特征进行了重要性排序，获得了对分类识别贡献度更高的故障特征，提高了故障特征的质量；最后，将低维的敏感特征输入至基于麻雀搜索算法(SSA)的极限学习机(ELM)中，进行了离心泵故障分类，完成了离心泵不同故障类型的识别任务；并采用离心泵故障数据集，对基于IMIE、MCFS和SSA-ELM的故障诊断方法的有效性进行了实验验证。研究结果表明：所提故障诊断方法的故障识别准确率达到了100%,多次实验的平均准确率和标准差也优于其他对比的故障诊断方法，即IMIE能够准确地提取信号中的故障信息，进而表征离心泵的健康状态；SSA-ELM能够准确地识别离心泵的故障类型...     

基于动态PCA与改进SVM的航空发动机故障诊断

为了对航空发动机进行高效地故障诊断,确保飞机的飞行安全,提出了一种基于动态主元分析和改进支持向量机的航空发动机智能故障诊断方法。该方法结合了动态主元分析(principal component analysis,简称PCA)在特征提取方面和改进支持向量机(support vector machine,简称SVM)在故障诊断方面的优势。动态PCA方法对所涉及的过程变量进行去噪、降维、消除相关性等预处理和特征提取,采用改进SVM方法将所得的特征向量进行故障诊断诊断。所提出的方法可解决航空发动机模型精度和传感器测量参数有限情况下的滑油系统故障诊断精度差、效率低和易误诊、漏诊等问题。以某型真实航空发动机滑油系统为例,对提出方法的有效性进行试验验证。结果表明,采用的动态PCA和改进SVM故障诊断方法能有效提高故障诊断正确率,实现航空发动机滑油系统故障诊断的效能,具有较好的应用价值与前景。     

基于动态PCA与改进SVM的航空发动机故障诊断

为了对航空发动机进行高效地故障诊断,确保飞机的飞行安全,提出了一种基于动态主元分析和改进支持向量机的航空发动机智能故障诊断方法。该方法结合了动态主元分析(principal component analysis,简称PCA)在特征提取方面和改进支持向量机（support vector machine,简称SVM）在故障诊断方面的优势。动态PCA方法对所涉及的过程变量进行去噪、降维、消除相关性等预处理和特征提取,采用改进SVM方法将所得的特征向量进行故障诊断诊断。所提出的方法可解决航空发动机模型精度和传感器测量参数有限情况下的滑油系统故障诊断精度差、效率低和易误诊、漏诊等问题。以某型真实航空发动机滑油系统为例,对提出方法的有效性进行试验验证。结果表明,采用的动态PCA和改进SVM故障诊断方法能有效提高故障诊断正确率,实现航空发动机滑油系统故障诊断的效能,具有较好的应用价值与前景。     

基于改进特征选择方法的齿轮故障SVM诊断

为提高齿轮故障诊断的精度,对常用的共享特征选择方法(Share feature selection,SFS)进行改进,提出了改进的特征选择方法(Improved feature selection,IFS)。改进的特征选择方法结合齿轮两两故障类型之间的特点,在齿轮两两故障之间建立独立的故障特征集,用以取代所有故障类型的共享特征集;而后,通过建立多个二分类的支持向量机,对独立的故障特征集进行识别,得到诊断结果。齿轮故障诊断实例表明,改进的特征选择方法排除了无用特征的干扰,提高了诊断精度,具有一定的优势。     

神经网络技术在变压器故障诊断中的应用

本文针对变压器传统故障诊断的缺点,提出将神经网络技术用于变压器故障诊断。本文对BP算法改进,使网络收敛速度和误差精度进一步提高。收集部分油中溶解气体故障数据样本,对变压器故障类型进行了分析,并确定网络的输入和输出向量,建立诊断网络模型,实现对各项网络参数的比较确定,在Mtalab里面仿真使误差满足要求。     

基于改进PSO优化BP神经网络的变压器故障诊断

变压器故障诊断是非线性模式识别过程,单一的BP(Back Propagation)神经网络收敛速度慢、容易陷入局部最小值,提出用改进粒子群算法(Particle Swarm Optimization,缩写为PSO)进行优化。使神经网络的学习速率动态减小,保证前期充分搜索,后期网络稳定;动态调整PSO的惯性权重和学习因子适应不同阶段的搜索要求,同时引入变异思想,重新初始化某些变量跳出局部最小值。绝缘油中5种特征气体为判断依据,划分高能放电、低能放电、高温过热、中低温过热四种故障,运用新改进的算法建立故障诊断模型,100多个样本进行实际故障诊断,准确率达到83%以上。结果表明,改进PSO-BP更加准确、可靠。     

基于堆栈稀疏自编码器的齿轮箱故障诊断

针对当前齿轮箱故障诊断需要进行复杂的特征提取以及识别准确率不高等问题,提出了一种基于堆栈稀疏自编码器(SSAE)的齿轮箱故障诊断方法,采用时域分析对故障信号进行特征预处理,然后将其输入稀疏自编码器网络中进行特征优化以及降维,提取出表征信号本质信息的特征,最后将其输入到Softmax分类器中实现齿轮箱故障的分类。实验结果表明,该方法在相同工况和混合工况下的均能达到较高的识别精度,在混合工况下,其识别精度达到99.5%,高于文中提出的其他模型,因此该方法能有效地用于齿轮箱故障诊断。     

基于邻域自适应LLTSA维数约简的故障诊断方法研究

针对线性局部切空间排列(LLTSA)在进行故障特征降维时邻域大小难以确定的问题,提出了基于邻域自适应线性局部切空间排列(NA-LLTSA)维数约简的故障诊断方法。即首先从机械振动信号中全面提取出高维的混合故障特征集;其次采用基于Parzen窗概率密度的邻域自适应线性局部切空间排列进行维数约简,获得低维特征;最后通过支持向量机(SVM)来建立低维特征与故障类别的对应关系,实现故障诊断。NA-LLTSA维数约简增强了故障特征的辨识能力,而SVM优异的模式识别能力能够进一步提高故障诊断精度。滚动轴承的故障诊断实例验证了所提故障诊断方法的有效性。     

基于X射线图像和激光点云的煤矸识别方法

煤矸高效分选是实现煤炭资源绿色开采的重要手段,其核心技术是煤和矸石的快速精准识别。因此,本文提出了基于X射线图像和激光点云融合的煤矸识别方法。首先,设计了基于局部熵和全局均差加权的改进Otsu分割算法,以此提高X射线图像的分割精度和分割效率;同时,利用直通滤波和体素栅格降采样简化了煤矸激光点云数据,进而提取了X射线图像和激光点云的煤矸组合特征。然后,针对传统麻雀搜索算法(SSA)易陷入局部最优和种群多样性差等问题,提出了多策略改进的SSA算法(ISSA),并用于轻量梯度提升机(LightGBM)参数的寻优,进而设计了基于ISSA-LightGBM的煤矸快速识别模型。最后,搭建了煤矸识别实验平台,开展了相应的实验对比分析,结果表明：ISSA-LightGBM模型的煤矸识别准确达99.00%,综合性能优于其它模型,满足了煤矸高效识别的需求。     

基于动态聚类的电力变压器故障诊断

本文提出了一种新电力变压器故障诊断的动态聚类方法，以人工免疫网络对故障样本进行免疫学习和记忆，提取表征故障样本的有用特征作为核可能性聚类算法的初始聚类中心，再用遗传算法动态选取聚类个数和中心实现故障样本的分类。该诊断方法经大量实例分析，并将其结果与BP神经网络等方法的结果相比，表明该算法具有较高的诊断精度。     

基于SSA算法优化SVM的发动机润滑油信息状态评估

润滑油信息能够有效反映装甲车辆发动机的健康状态,对车辆发动机状态评估十分重要。以某型装甲车辆发动机为研究对象,提出一种基于麻雀搜索算法(Sparrow Search Algorithm, SSA)优化支持向量机(Support Vector Machine, SVM)的发动机状态评估算法。该算法首先对润滑油原始数据进行去噪及归一化处理,然后使用麻雀搜索算法优化支持向量机的核参数与惩罚参数,最后利用寻优后的参数建立评估模型。实验结果表明,采用麻雀搜索算法优化的支持向量机分类准确率高达96.67%,能够有效对发动机状态进行评估,为装甲车辆发动机的换油以及维修提供依据。     

基于SSA-ELM的双层十字梁结构光纤布拉格光栅传感器三维力解耦

针对三维力传感器维间耦合干扰严重的问题,以双层十字梁结构光纤布拉格光栅三维力传感器为研究对象,提出了基于麻雀搜索算法优化极限学习机(Sparrow Search Algorithm–Extreme Learning Machine,SSA-ELM)的解耦算法.首先,研究了光纤布拉格光栅的传感及测力原理,揭示该三维力传感...     

Hybrid modified evolutionary particle swarm optimisation-time varying acceleration coefficient-artificial neural network for power transformer fault diagnosis

In power transformer fault diagnosis, dissolved gas analysis (DGA) has been widely used to identify the type of the fault. The common methods of DGA are IEC 60599 method, Doenenberg’s ratio method and Roger’s ratio method. The accuracy of the DGA diagnosis will determine the cost, duration and workload of the maintenance since it can influence the error in the maintenance. Although DGA methods have been used widely, sometimes they still yield incorrect diagnosis results. Thus, many works on transformer fault diagnosis have been proposed previously, which include artificial intelligence methods, to improve the accuracy of transformer fault diagnosis. However, the accuracy of the previously reported works is believed to have rooms for improvement. Therefore, in this work, hybrid modified evolutionary particle swarm optimisation-time varying acceleration coefficient (MEPSO-TVAC)-artificial neural network (ANN) was proposed for transformer fault diagnosis based on dissolved gas data. This is due to these two methods have never been proposed for transformer fault diagnosis in the past. The performance of the ANN was optimised through the proposed MEPSO-TVAC. The superiority of the proposed method was demonstrated through comparison with the existing DGA methods, unoptimised ANN and previously reported methods in literatures. The comparison shows that the proposed hybrid MEPSO-TVAC-ANN obtained the highest accuracy among all methods, which can then be used for power transformer fault diagnosis.     

基于KPCA-SOM网络的列控RBC系统故障诊断方法

无线闭塞中心(RBC)系统是CTCS-3级列控系统的核心设备,在现场其故障分析主要依靠人工完成,诊断结果不精确、效率低。因此,提出了基于one-hot模型、核主元分析(KPCA)和自组织映射(SOM)网络的RBC系统智能故障诊断方法。首先,通过人工选取的故障特征词库和故障追踪记录表构建基于“one-hot”模型的故障文档矩阵;其次,利用核主元分析方法对故障文档矩阵进行降维降噪处理,避免信息冗余;最后将处理后的数据输入至SOM网络,训练生成KPCA-SOM故障分类模型。通过与BP神经网络算法、SOM网络算法比对分析,KPCA-SOM智能诊断方法可有效地对列控RBC系统常见故障类型进行区分,并且在准确率和处理效率上进一步优化提升。     

改进 DV-Hop 定位算法在钢构建筑健康监测中的应用

针对钢构建筑中故障点定位精度不高的问题,提出了一种改进的DV-Hop定位算法,设计出无线传感网络技术检测故障点的方案。描述了钢构建筑健康监测系统中故障点定位方式,分析传统DV-Hop算法节点定位精度不高的缺陷,并对其进行针对性的3点改进：首先采用四通信半径来细化节点间的跳数;然后利用加权处理平均跳距进行修正;最后通过改进的麻雀搜索算法对故障点进行位置定位。以秦始皇陵兵马俑一号展厅钢构屋盖作为仿真对象,通过MADIS＿GEN软件进行建模和降维化处理,将改进的ISSADV-Hop与传统DV-Hop、IPSODV-Hop和IGWODV-Hop算法应用于钢构建筑中故障点定位进行仿真对比,结果表明归一化定位误差分别降低了19.64%、14.87%、8.96%,验证了本文设计方案能够有效地提高定位精度,更适合于钢构建筑健康监测系统中故障点定位。     

基于数字孪生的电网变压器故障诊断方法

为减少电网安全隐患,保障用户正常用电,提出基于数字孪生的电网变压器故障诊断方法。 利用传感器设备,结合全要素实体基本信息,模拟变压器运行状态,在虚拟空间内建立数字孪生体,包括几何、物理、规则和行为 4 个模型。 在该孪生体中,利用正交全局与局部保持嵌入算法将初始故障特征集合变换到高维核空间内,计算映射矩阵,获得映射向量最大特征值,提取低维敏感特征;结合提取的故障特征,在规则模型中采用概率神经网络算法,建立概率密度函数,使用差分进化方法,确立初始种群,经过反复的变异、交叉操作,丰富种群多样性,确定最佳平滑因子,当达到最佳迭代次数时,输出最佳诊断结果。 仿真实验表明,所提算法能够有效区分不同故障特征,减少诊断时间,可获得更加精确的诊断结果。     

改进的布谷鸟算法优化极限学习机的石化轴承故障分类

针对通用的智能故障诊断方法在石化滚动轴承中准确率不理想的问题,提出一种通过改进的布谷鸟算法( CS )优化极限学习机( ELM )使诊断准确率提高的模型。将实测轴承振动信号降噪处理,计算不同嵌入维度下的关联维数作为 ELM 的输入信号;通过改进的布谷鸟算法获取极限学习机最优的隐含层偏置、输入权重,最后输出诊断结果。经过实验证明,该方法可以有效地克服测量信号时的干扰,可以对不同故障下的滚动轴承准确识别,并与多种模型对比,该方法的故障诊断准确率为 97.5% 。