基于Petri网的水电机组故障诊断专家系统研究

针对水电机组故障诊断的多样性、复杂性,提出采用Petri网模型表示水电机组故障诊断专家系统的产生式规则,基于水电机组振动故障征兆信息可快速推理故障源.诊断实例表明,该诊断推理方法快速、准确、有效,可供借鉴.     

基于改进麻雀搜索算法优化RBF神经网络的光伏阵列故障诊断

针对传统BP神经网络在光伏阵列故障诊断时受初始权值阈值的影响,易导致全局搜索过程陷入局部最优这一问题,提出了一种基于改进麻雀搜索算法优化RBF神经网络（ISSA-RBF）的光伏故障诊断方法。首先,利用Matlab建立光伏阵列故障仿真模型,提取出故障诊断模型的特征参数;其次,融入Levy飞行和自适应权重φ对麻雀搜索算法进行改进,用优化后的算法建立ISSA-RBF故障诊断模型;最后,与传统BP和SSA-RBF模型进行对比验证,实验结果表明,ISSA-RBF模型在故障诊断精度上达到94.8%,可以有效诊断光伏阵列的故障类型。     

基于特征选择和加权的电气故障诊断

摘要： 为了获得理想的电气故障诊断结果,提出一种布谷鸟搜索算法选择特征和加权的电气故障诊断模型。首先采用Volterra级数提取电气故障诊断原始特征集,然后采用相关向量机作为分类器,用布谷鸟搜索算法选择最优特征子集,并赋予它们一定权值,最后采用仿真实验测试电气故障诊断性能。结果表明,所提方法的电气故障诊断正确率平均达到97%,可以满足电气故障诊断的实际应用,而且性能要优于其他电气故障诊断模型。     

基于模糊认知贝叶斯网络模型的水电机组故障诊断

为构建更为直观显示水电机组各类型故障之间因果关系的水电机组故障诊断模型,提出一种基于可能性原理的模糊认知贝叶斯网络建模方法,通过专家经验与数据学习构建普通贝叶斯网络与条件概率表,利用条件概率表发现变量间的概率因果关系,并根据不确定性原理将概率因果关系转化为模糊因果关系,最后确定因果关系标志符号,并完成模型的构建。通过构建水电机组故障诊断模型对模糊认知贝叶斯网络模型进行了有效验证,结果表明该模型能直观反映水电机组各类型故障之间的因果关系。     

基于粒子群优化BP神经网络的风电机组齿轮箱故障诊断方法

提出了一种基于粒子群优化BP神经网络风电机组齿轮箱故障诊断方法。粒子群算法不需要计算梯度,可以兼顾全局寻优和局部寻优。利用粒子群算法对BP网络权值和偏置进行优化,减少了BP神经网络算法陷入局部最优解的风险,提高了神经网络的训练效率,加快了网络的收敛速度。考虑风电齿轮箱振动信号的不确定性、非平稳性和复杂性,提取功率谱熵、小波熵、峭度、偏度、关联维数和盒维数作为故障特征。经测试,算法诊断结果正确,表明了PSO优化BP神经网络用于风电机组齿轮箱故障诊断的有效性和实用性。     

基于对比歧化和深度置信网络的配电网故障类型识别

针对配电网数据分支多、设备类型多样、现有故障诊断方法精度低的问题,提出基于深度置信网络的配电网故障诊断方法。该方法建立了4种不同层数的深度置信网络,将配电网的实际监测数据分为训练和测试数据导入到深度置信模型,采用对比歧化算法优化初始参数选择和加速模型训练,测试模型对样本的识别精度,建立改进BP神经网络和Petri网对比故障识别精度。结果表明,深度置信网络可以通过实时分析配电网实时监测数据,准确辨识配电网故障类型,提高了配网故障诊断的准确率和速度。     

蝗虫优化神经网络在变压器故障诊断中的应用

针对变压器故障诊断中传统BP神经网络算法准确率低、收敛速度慢、易陷入局部极小值及对初始参数较为敏感等的不足,提出一种基于蝗虫优化（GOA）算法的BP神经网络故障诊断方法。建立以变压器故障特征气体为输入、故障类别为输出的故障诊断模型,利用GOA高效的计算性能和优良的全局搜索能力对BP神经网络的权值和阈值进行参数优化。仿真结果表明,GOA优化后的BP神经网络模型相比于传统BP神经网络和基于遗传算法优化的BP神经网络,能够在保留广泛映射能力的前提下,提升网络的学习速度和全局搜索能力,进而缩短训练所需时间,提高故障诊断精度。     

基于MI-GA-BP和误差统计分析的水电机组健康评估模型研究

针对水电机组运行期间故障样本较少,难以构建故障诊断模型的问题,提出基于MI-GA-BP和误差统计分析的方法构建水电机组健康评估模型。首先通过互信息理论选择相关的多个工况参数,进而采用GA-BP神经网络建立水电机组的振动预测模型,确定健康评估模型的基准值。然后通过对振动相对预测误差进行统计分析,采用非参数核密度估计法和正态分布估计法分别拟合其概率密度函数,计算在一定置信水平下的置信区间,采用熵权法对2种方法得到的区间进行组合得到最优区间,得到健康评估模型的界限值。通过仿真分析表明,所构建的健康评估模型能够实时反映机组的健康状态,判断其是否处于异常状态。     

基于果蝇算法优化BP神经网络的齿轮箱故障诊断

为有效提高风电机组齿轮箱故障诊断的快速性和准确性,采用近几年出现的果蝇算法对BP神经网络进行优化,减少了BP神经网络算法陷入局部最优解的风险,显著增强了BP神经网络的泛化能力和全局寻优能力。对比发现,果蝇算法优化后的BP神经网络模型具有比较好的快速性和准确的诊断能力。测试结果表明,果蝇算法优化BP神经网络对风机齿轮箱故障诊断具有可行性和有效性。     

基于VMD-CNN的水电机组故障诊断

为提高水电机组故障诊断精度,减少在振动信号特征选取过程中对专业经验的依赖,提出了一种融合变分模态分解和卷积神经网络的故障诊断方法。首先对水电机组振动信号进行变分模态分解得到若干分量,并利用这些分量构造时间图,然后搭建深度卷积神经网络对时间图进行特征提取和故障识别,建立分量和故障状态的映射关系。以实测水电机组轴向振动信号进行应用检验,并采用多组对比试验,结果表明该方法与其他方法相比故障识别准确率更高。研究成果为水电机组智能故障诊断提供了新思路。     

模糊布谷鸟算法在风电机组变桨自抗扰控制中的应用

针对自抗扰控制器存在参数众多整定难度大这一明显缺点,提出通过智能算法来实现参数的自动整定。分析布谷鸟算法的原理及步骤,利用模糊逻辑优化布谷鸟算法的种群多样性并改善其收敛速度,为实现自抗挠控制(ADRC)参数的自整定,将优化改善后的模糊布谷鸟算法应用到参数整定过程中。通过仿真试验,验证通过模糊布谷鸟算法自动整定ADRC参数的可行性,并就整定ADRC参数的过程与粒子群算法及常规布谷鸟算法进行对比验证。仿真结果表明,模糊布谷鸟算法整定ADRC参数的过程更加迅速,且整定后的ADRC能较好满足风力发电机变桨距控制要求,可有效维持风电机组输出功率的稳定性。     

基于改进Petri网与希尔伯特黄变换融合的电网故障诊断

为了提高电网故障诊断结果的准确性,提出了基于改进Petri网与希尔伯特黄变换融合的电网故障诊断方法。首先在已有基于开关量的Petri网模型上做了简化与改进,改进模型同时考虑了主保护、后备保护和失灵保护的影响,可充分模拟实际故障中各个保护的优先级别,并引入分步诊断的概念简化了模型推导的复杂程度;然后通过希尔伯特黄变换来分析已获取的可疑故障设备的相关电气量,同时定义并计算得幅值故障度、频率故障度和能量故障度三个故障测度指标;最后在D-S证据理论的基础上融合三个故障测度获取故障元件。算例结果表明,该方法可改善故障诊断的准确度。     

基于改进布谷鸟算法的电力系统最优潮流计算

针对电力系统最优潮流问题,提出一种融入量子计算和混沌局部搜索策略的改进布谷鸟算法(QCCS),即对布谷鸟算法的个体进行量子位编码,通过叠加态的量子位实现多样化种群,并在算法每次迭代的优化值附近进行混沌局部搜索进而增加布谷鸟算法的局部搜索能力,同时采用量子门变换使每个个体朝最优个体进化,从而提高算法的寻优能力。最后以IEEE 118节点系统的最优潮流计算问题为例,应用QCCS进行仿真计算。通过与其他方法(PSO、GA、CS)计算结果进行对比分析,验证了QCCS算法求解电力系统最优潮流问题的有效性,从而为电力系统最优潮流(OPF)问题的求解提供了一种新方法。     

基于VMD和SVPSO-BP的滚动轴承故障诊断

为了提高旋转机械滚动轴承故障诊断的准确率,提出一种基于变分模态分解（VMD）和缩放变异粒子群算法（SVPSO）优化BP神经网络的旋转机械滚动轴承故障诊断方法。通过在标准粒子群算法中加入缩放因子以及粒子变异操作提升其局部与全局寻优性能,得到一个改进的粒子群算法——缩放变异粒子群算法（SVPSO）,再利用该算法优化BP网络的权值与阈值,提高BP神经网络的故障诊断精度;进一步,为了减少输入特征向量对BP神经网络分类性能的影响,采用VMD分解轴承振动信号,并计算其IMF分量时频熵的方法构建信号特征向量。通过与其他采用相同基准轴承数据集的诊断方法作对比,所提方法的故障诊断精度和算法稳定性均得到有效提升。     

基于自适应变分模态分解的滚动轴承故障特征提取方法研究

针对滚动轴承微弱故障特征易被噪声和强故障成分淹没导致漏诊或误诊问题,基于互信息与信息熵构建多目标适应度函数,形成面向故障诊断的自适应变分模态分解算法(Diagnosis Oriented Adaptive Variational Mode Decomposition, DOA-VMD),有效提取信息以传达故障特征且不产生异常模态干扰;并采用NSGA-II算法对多目标适应度函数搜寻最优Pareto解集;然后考虑峭度是反应冲突的有效指标,以最大峭度值为目标,筛选解集中最优结果实现DOA-VMD参数的确定和特征提取;基于齿轮箱轴承内圈损伤数据验证提出方法的可靠性。结果表明：DOA-VMD可剔除含噪分量并保留具有最显著冲击信号的特征,且该特征较传统VMD方法更能凸显故障特征频率。     

基于模糊Petri网的知识表示方法在燃气轮机故障诊断专家系统中的应用

给出了用模糊Petri网模型来表示燃气轮机故障诊断专家系统中模糊产生式知识库的方法,在此模型的基础上,给出了有效的推理算法,并举例验证其正确性和在燃气轮机专家系统中应用的可行性。图2参5     

基于模糊推理Petri网废旧家电产品拆卸回收

由于家电产品的使用环境条件可能不同,因而使得废旧家电产品都有其自身的特殊性.为了使具有不同特性的废旧家电产品的拆卸回收价值最大化,采用模糊推理Petri网建立模型描述相关的模糊拆卸准则,并使用模糊推理算法,借助MATLAB软件找出某一拆卸方案的最大真实度,从而作出最佳的拆卸回收方案.实例证明,此模型能够实时针对具有不同特性的产品决策作出最佳的拆卸回收方案,从而尽可能使得拆卸回收的价值达到最大化.     

基于EEMD和LSTM的水电机组劣化度预测方法研究

针对水电机组作为低速旋转设备具有复杂的运行机理,在目前缺乏先验知识、故障样本较少的情况下,运用传统故障诊断方法很难对水电机组的运行状况做出正确判断的问题,提出一种基于集合经验模态分解法和长短期记忆神经网络相结合的水电机组劣化度预测方法.利用水电机组非故障运行期间的数据计算不同工况下的特征参数健康值标准,使用劣化度描述机...