基于信息融合技术的旋转机械故障诊断

对多传感器信息融合技术作了简要介绍,并结合旋转机械振动故障诊断系统的要求与特点,探讨了信息融合技术用于故障诊断系统的基本层次结构。将信息融合的层次与故障诊断的功级相对应,提出了旋转机械振动故障诊断的信息融合模型,神经网络和证据理论相结合应用于故障诊断的新方法,提高了故障诊断系统的灵活性,故障诊断的效率和准确性。     

基于旋转机械振动参数图形融合灰度共生矩阵的故障诊断方法

旋转机械振动多维图形信息一直没有得到充分利用,在一定程度上影响了诊断技术的推广和应用,针对这一问题,该文研究了直接提取和挖掘旋转机械振动状态参数图形中的纹理特征信息的方法,提出利用描述图形灰度空间分布特性和空间相关性的灰度共生矩阵分析图形纹理特征,解决了灰度共生矩阵受所选取的方向影响的问题,最后利用人工免疫算法实现旋转机械故障诊断。在600 MW模化汽轮机转子试验台上进行了转子正常、转子不平衡故障、转子不对中故障及轴承松动故障的试验并应用上述方法进行了故障诊断,诊断结果表明可以获得较高的诊断精度,为旋转机械故障诊断探索了一条新途径。     

基于参数优化SVM的旋转机械故障诊断

介绍了支持向量机(SVM)分类算法,针对常用的C-支持向量分类机(C-SVM)中参数没有确切意义、选取困难的缺点,将ν-支持向量机(ν-SVM)用于对旋转机械振动故障的诊断,通过对实验台模拟数据进行训练、分类和测试,取得了良好的诊断效果。并通过现场故障实例证明了这种方法的准确性。     

旋转机械摩擦故障特征的多重性分析

动静摩擦是旋转机械经常发生的故障。摩擦故障发生时,转子上会同时受到力冲击和热冲击的作用。不同机组、不同部位上发生的不同程度的摩擦故障,因为力冲击和热冲击影响程度的不同,所表现出来的故障特征也是不同的,有的甚至是完全不同的。文章结合实际案例,分析、总结了摩擦故障的多重特征,可为大型旋转机械的故障诊断和治理提供帮助。     

频谱特征自动提取方法在旋转机械故障诊断中的应用

提出用Ｈｏｕｇｈ变换技术自动提取频谱特征参数,将特征圆的概念用于旋转机械故障诊断中,提高了神经网络性能和判别准确率,实现全自动特征提取。     

基于优先级诊断树的旋转机械故障诊断专家系统

针对旋转机械故障知识的膨胀导致的专家系统诊断效率低下以及知识库难以维护的问题,提出了一种新的、基于优先级诊断树的专家系统框架。将诊断设备分解建立诊断树并划分领域知识库,再利用模糊群组多属性决策方法排序诊断树导出元知识,并在弹性匹配模式基础上改进了规则的匹配方式。诊断时,推理机从优先级最高的节点开始,按照元知识进行规则的搜索、匹配,以此建立某设备动力与传动装置的故障诊断系统。研究表明,与传统专家系统相比,新系统具有更高的效率、并且诊断结论更可靠、可维护性也更好。     

基于改进的D-S证据理论的旋转整流器故障诊断研究

D-S融合规则是证据理论的重要部分,广泛应用于多信息融合算法中。由于该组合规则本身存在一些不足之处,应用到旋转整流器的故障诊断中,效果不理想。建立了发电机的系统模型,利用小波能量法提取故障特征,并提出了一种改进融合算法——冲突证据融合规则,其有效克服了D-S融合规则的不足,对一组实测故障数据的融合诊断表明,能够对故障做出准确判断。     

基于神经网络的变压器故障诊断研究

电力变压器是电网的核心设备之一。变压器故障一直是危及电网安全的主要因素。因此研究有效的故障诊断方法具有十分重大的现实意义。以BP网络为例。介绍了基于油中溶解气体分析的变压器神经网络故障诊断方法。试验结果表明。该方法是有效可行的,具有一定的实际应用价值。     

基于小波神经网络的电网故障诊断研究

分析了小波神经网络的基本原理,将小波神经网络引入到电网故障诊断并在4母线系统进行了测试.仿真结果表明,该方法具有很好的故障诊断能力,与基于BP神经网络的电网故障诊断方法相比,基于小波神经网络的电网故障诊断方法原理简单、诊断效果更为理想.     

旋转机械未完全启机故障诊断方法的研究

旋转机械在启动过程中由于某种故障无法达到额定转速的情况下,数据采集的不完整造成故障诊断系统无法正常工作。提出用分割截取的方法自动提取旋转机械三维谱图特征形成数据网码,用于神经网络的训练和识别,以使故障诊断在非常状态下得以完成,用于２００ＭＷ汽轮发电机组证明该方法是可行的     

一种改进卷积神经网络的逆变器故障诊断

针对传统二极管钳位式三电平逆变器故障诊断方法存在的诊断效率低且准确率不高的问题,将一种自适应正则化系数引入卷积神经网络CNN(convolutional neural network),对逆变器进行故障诊断。在传统CNN模型引入正则化去拟合中,正则化系数常采用全局统一的常数型参数,训练过程中需不断试错且效果甚微,针对此提出根据目标损失函数梯度变化,自适应调整正则化系数的CNN模型,能够加快其在逆变器故障诊断中的收敛速度,增强模型泛化能力,提高故障识别准确率。实验表明,与传统BP神经网络和原始CNN模型相比,改进的CNN模型能对逆变器复杂故障做出实时准确诊断。     

一种改进型BP网络在汽轮发电机组故障诊断中的应用

在标准BP网络基础上,提出一种加优先权值的改进BP网络模型,给出该网络模型的结构、具体的学习训练算法和反馈算法,并阐述输入层与输出层神经元部分连接的依据及其连接优先权值的确定问题。结合汽轮发电机组故障诊断实例,从单故障识别和多故障识别两个角度证明了该模型具有较强的故障识别能力,其诊断结果也更符合故障实际情况。     

神经网络在电机故障诊断中的应用综述

介绍神经网络在电机故障诊断方面的应用情况,系统地分析所采用的反向传播神经网络、径向基函数神经网络、小波神经网络、集成型智能诊断系统等网络模型及其最新的进展情况,并提出了未来的重点研究方向。     

基于改进BP神经网络的风机故障诊断研究

采用动量法和学习速率自适应的改进BP神经网络进行风机的故障诊断。根据风机的故障诊断特点,确定神经网络的结构与参数。在网络训练过程中同时采用标准训练样本和含有白噪声的训练样本,使网络具有一定的容错性。实例诊断表明,改进的BP神经网络缩短了学习时间,是风机故障诊断的有效方法。     

基于概率神经网络的变压器故障诊断的研究

电力变压器故障诊断对变压器、电力系统的安全运行有着十分重要的意义,本文介绍了基于概率故障神经网络(PNN)在变压器故障诊断中的应用。通过运用所设计的网络针对不同类型故障进行定性诊断并比较实验数据的合理性,仿真结果表明,这种方法应用于工程实际问题具有良好的有效性和实用性。     

基于SOM的变压器故障诊断研究

通过变压器故障诊断能及时发现变压器的故障,以往应用比较广泛的故障分类方法是基于DGA结果的比值法,但其存在比较严重的缺陷。通过采用自组织映射网络对变压器故障进行诊断分类,结果表明自组织映射网络对变压器故障的分类准确且快速,能够降低检测人员的分析难度,提高诊断速度,对于现场变压器故障诊断应用前景广阔。     

旋转机械故障诊断的量子神经网络算法

针对故障模式之间存在交叉数据的诊断不确定问题，将多层激励函数的量子神经网络引入多传感器信息融合之中，提出一种基于量子神经网络的多传感器信息融合故障诊断算法。并将其应用到旋转机械故障诊断中，通过测试被诊断设备的振动速度和加速度信号，求出两传感器对各故障模式的故障隶属度，利用多层激励函数的量子神经网络进行信息融合，得到融合的各故障模式隶属度值，确定真正的故障模式，提高了故障诊断的准确率。     

基于改进辅助分类生成对抗网络的风机主轴承故障诊断

基于振动信号的风电机组故障诊断方法是风电安全运维领域研究的重点之一.风电机组主轴承较少发生故障,给运用数据挖掘方法判断故障类型带来很大困难.针对该问题,文中提出了一种用于风电机组主轴承故障诊断的数据增强方法.通过对辅助分类生成对抗网络(ACGAN)的适应性进行改进,引入梯度惩罚,构建了改进ACGAN框架,以提高其学习稳...     

人工智能用于故障诊断的方法研究

分析了BP算法的缺点,提出了一种变结构神经网络的最大值算法。把该算法应用于高压异步电动机故障的诊断过程。实验表明可实现普通故障的自动诊断和智能保护。     

基于油色谱时频域信息和残差注意网络的变压器故障诊断方法

提出了一种基于油色谱时频域数据和残差注意力的变电站故障分类模型。对收集到的油色谱数据,计算其频域分量和时频域分量的特征比值,将所有数据作为网络的输入来训练网络;残差注意力网络通过跨层连接的方式来堆叠注意力模块,以降低网络的过拟合影响并提升模型训练速度,同时注意力模块能够重点关注对结果影响大的信息,进一步提高对变电站故障分类的准确度。通过实际数据验证了所提方法的有效性和性能的优越性。