基于改进隐马尔科夫模型的非侵入式家居负荷识别

针对低频采样识别精确度较低,系统稳定性较差的问题,文章提出了一种基于改进隐马尔科夫模型(hidden M arkov model,HM M)的非侵入式负荷监测方法(non-intrusive load monitoring,NILM)。该模型运用人工免疫算法和增量学习对传统HMM模型进行双重优化,通过人工免疫算法解决HMM模型容易陷入局部最优的问题,提升了模型的识别精确度。再通过增量学习实现了模型参数的自主更新,使得模型能够适应新的环境,提高了模型的鲁棒性。最后通过低频数据集建立了两个实验场景,对改进的HMM模型进行了实验验证,结果证明了该模型在识别精确度和鲁棒性等方面具有一定优越性。     

基于DPSO-MKELM算法的风机齿轮箱轴承故障诊断

基于离散粒子群优化算法(DPSO)与基于多尺度小波核函数的核极限学习机(MKELM),提出了一种新型的DPSOMKELM算法用于风机齿轮箱故障诊断。首先,针对PSO算法过早收敛,易陷入局部最优的缺点,提出改进DPSO算法,在迭代过程中,通过调节权重因子和学习因子,降低算法过早收敛概率,减少优化结果陷入局部最优状态的可能。其次,提出一种基于多尺度小波核函数的核极限学习机(MKELM),利用不同尺度小波核函数叠加构造核极限学习机。最后将两种算法有机结合,提出一种新型的DPSO-MKELM算法,用于风力轴承的故障诊断。通过实际数据的算例验证,新算法具有更高的分类精度和较快的收敛速度。     

基于自回归-连续隐马尔可夫模型的离心泵故障诊断

根据振动与语音信号的相似性和离心泵故障信号的特点,将连续隐马尔可夫模型引入了离心泵的故障诊断中。利用自回归谱不受数据长度的限制,及自回归模型参数对状态变化规律反映敏感的特点,以信号的12阶自回归谱系数为特征矢量,将其输入到各个状态连续隐马尔可夫进行训练,来实现离心泵的故障诊断。为防止数据下溢,引入前向-后向比例因子算法求其对数似然概率,并且采用K-means算法对连续隐马尔可夫进行参数初始化。在给定的观测序列中每一种模型的优化路径通过Viterbi算法实现,用Baum- Welch算法实现参数重估。最后通过2BA-6A离心泵试验系统验证了该方法的有效性。     

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。     

基于小波包和改进核最近邻算法的风机齿轮箱故障诊断方法

齿轮箱作为风力机组的核心部件,故障频发,研究风机齿轮箱的故障诊断方法意义重大。针对最近邻(KNN)诊断方法对离群噪声不敏感和诊断精度较低的缺陷,提出了基于小波包和改进核最近邻算法的风机齿轮箱故障诊断方法。该方法应用小波包分析技术对故障特征进行提取,利用互近邻准则将故障数据集中的离群噪声点剔除,构建出基于核空间的改进型最近邻分类决策规则来识别齿轮箱的故障类型。试验表明:该方法可以有效地提升故障诊断精度和鲁棒性,为智能诊断技术的研究提供新思路。     

基于离散隐马尔科夫模型的变压器励磁涌流鉴别新算法

将语音信号处理领域的隐马尔科夫模型（ＨＭＭ）引入变压器保护,在简要介绍ＨＭＭ及其优点的基础上,提出了一种基于离散ＨＭＭ的励磁涌流和故障电流的识别方法,利用离散ＨＭＭ为ＰＳＣＡＤ仿真的励磁涌流和故障电流数据建立了模型。计算结果表明该方法能可靠识别内部故障和励磁涌流,效果明显。     

基于离散隐式马尔科夫模型的局部放电模式识别

利用绝缘试品在升、降压过程中的视在放电量-施加电压序列作为局部放电特征量,并将离散隐式马尔科夫模型分类器引入局部放电模式识别的研究中。该算法首先利用矢量量化方法通过对码本生成样本集进行LBG编码构造码本,并分别对各类放电的训练和测试样本分配码本索引序列。在分类器的训练阶段,输入训练样本序列训练得到每类放电的离散隐式马尔科夫模型。在测试阶段,计算每类离散隐式马尔科夫模型输出测试样本序列的概率,取最大概率对应的模型序号作为识别结果。对5类放电的150个样本的识别结果表明,离散隐式马尔科夫模型具有识别率高、易扩展的优点。     

改进的EMD方法在齿轮箱故障诊断中的应用

本文提出一种改进的基于经验模态分解（EMD）的降噪方法,由小波包降噪、相关系数原理及选择不同消失矩的db系小波降噪与EMD分解结合在一起的改进方法,这种改进方法增强了对原始信号的降噪效果。并以齿轮箱为研究对象,对轴承外圈裂纹故障信号进行了诊断,获得很好的诊断效果。     

基于隐马尔科夫模型的牵引变压器油纸绝缘剩余寿命预测

为考虑动车组车载牵引变压器油纸绝缘老化状态对剩余寿命的影响,本文采用油中溶解气体含量作为反映油纸绝缘老化的特征参量,由于油纸绝缘老化过程中具有动态特性,依据油纸绝缘老化状态与特征参量之间对应的隐藏状态与观测状态建立隐马尔科夫模型。首先通过贝叶斯信息准则确定隐藏状态数目,利用k-Means算法对观测序列进行聚类处理。在此基础上,利用Viterbi算法对观测序列进行状态识别进而确定油纸绝缘老化状态,最后结合比例风险模型确定可靠度函数。通过CRH2型动车组车载牵引变压器油中溶解气体在线监测数据验证模型的准确性,最终得到油纸绝缘的剩余寿命与实际寿命基本相符,从而可为后续制定牵引变压器维修策略提供理论参考。     

基于ANHGA-VMD和耦合隐马尔可夫模型的有载分接开关机械故障诊断

机械故障是有载分接开关(on-load tap-changer,OLTC)的主要故障类型.为解决变分模态分解(variational mode decomposition,VMD)参数设置对分解质量的影响难以确定的问题,并进一步提高OLTC机械故障诊断准确度,提出了一种基于多通道振动信号的有载分接开关机械故障诊断方法....     

基于变分模态分解的齿轮箱故障诊断

为有效提取齿轮轻微故障特征,提出一种基于变分模态分解的齿轮箱故障诊断新方法。首先,采用多分量仿真信号,与经验模态分解进行对比分析,然后将该方法应用于齿轮轻微磨损故障诊断。结果表明,相对于经验模态分解,能够将多分量信号成功分离,有利于高效提取齿轮轻微故障特征,为齿轮箱故障诊断提供参考。     

基于风电故障机组筛选的齿轮箱故障诊断研究

利用改进粒子群优化模糊C均值聚类算法对双馈风力发电机组群进行故障机组分类,并提出基于改进粒子群优化的模糊核聚类算法对双馈风力发电机组齿轮箱的已知以及未知故障进行诊断分类。通过分析实际风电场采集得来的齿轮箱振动数据,验证所提方法不仅可以准确快速地判断出故障机组,而且还可以进一步对发生的已知故障以及未知故障进行一个很好的诊断。     

基于改进GSA-SVM模型的电力变压器故障诊断

准确评估输变电设备运行状态是电力企业生产技术工作的核心内容。为提高电力变压器故障诊断精度,避免传统引力搜索算法（GSA）自身收敛速度慢且易陷入局部最优区等不足,提出一种利用混沌序列改进GSA的支持向量机（SVM）模型,用于电力变压器故障诊断中。首先利用混沌序列来增加重力粒子的多样性,目的是避免在其训练时陷入局部最优区;然后利用改进的GSA算法来优化SVM模型自身的参数,从而提升该模型的预测准确率;最后将预测结果与其他3种传统诊断模型的预测结果进行了对比分析,结果表明利用混沌序列改进的GSA-SVM模型有着更好的泛化能力以及更高的分类准确率。     

基于正态云模型&改进贝叶斯分类器的变压器故障诊断

在基于油色谱数据的变压器故障诊断中,一般数据挖掘方法存在数值区域划分过硬,且未考虑边界元素隶属的随机性和模糊性的问题。针对该问题,文章应用正态云模型对油色谱数据集进行预处理,同时云模型对数据集的精简也提高了关联规则挖掘的效率。为了解决朴素贝叶斯分类器中对各属性独立的假设不符合实际情况这一问题,文章引入关联规则森林表示法和属性联合概率算法,改进了朴素贝叶斯分类器,建立了基于正态云模型与改进贝叶斯分类器的变压器故障诊断模型,通过与其他模型的对比及实例验证,证明了该方法的有效性。     

基于SincNet网络结合注意力机制齿轮箱故障诊断

针对传统卷积神经网络(CNN)在齿轮箱中故障诊断准确率不高、特征提取方面表现欠佳的问题,提出了SincNet网络结合注意力机制齿轮箱故障诊断方法。首先,采用参数化的Sinc函数设计滤波器作为卷积层来代替传统CNN的第1个卷积层,得到SincNet网络结构,提取输入数据的特征信息;其次,结合具有Softmax的注意力机制(Att)增强特征信息。最后,采用齿轮箱故障数据集对所提出的方法进行实验验证,结果表明,所提方法平均诊断准确率达到99.68%,均高于对比方法。此外,通过特征图可视化分析,该方法能够准确定位输入数据中的识别信息,能更好地理解神经网络的特征提取过程,为机械振动信号的特征提取过程提供了参考。