基于GA-BP算法的水电机组故障诊断模型

将GA-BP算法引入水电机组的故障诊断中,建立了基于GA-BP算法的水电机组故障诊断模型.通过Matlab的相关工具箱进行仿真,结果表明基于GA-BP算法的诊断模型的正确性高于基于BP算法的诊断模型.     

改进人工鱼群优化粗糙集的水电机组故障诊断

针对水电机组大量的现场监测数据信息,基于传统的人工智能方法对故障信息不能及时有效地分析的问题,提出了一种基于改进人工鱼群优化粗糙集的水电机组故障诊断方法．首先,利用鱼群的寻优聚群行为对连续属性进行离散化,然后采用粗糙集理论对离散化后的决策表进行约简,建立故障诊断规则决策表,再用提取的规则对水电机组故障进行诊断．仿真结果表明：与传统方法相比,该算法能够提高水电机组故障诊断的准确率．     

基于VMD-HHT方法的水电机组启动过渡过程振动信号分析研究

为了解决水电机组启动过渡过程振动信号特征频率提取困难问题,采用一种较新的处理非线性非平稳信号自适应方法---变分模态分解（VMD）,并用于葛洲坝某台机组启动过渡过程振动信号分析。通过Hilbert-Huang（HHT）变换对VMD分解得到的各固有模态函数（IMF）进行瞬时频率计算,得出相应Hilbert谱图,并将结果与经验模态分解（EMD）方法进行对比。结果表明：经VMD分解后,机组启动过渡过程振动信号各分量频率变化与机组转速时变规律吻合良好,能够有效提取特征频率,较EMD具有更好的自适应性,分析结果更加准确有效,能够更好的揭示水电机组过渡过程信号中的振动规律。     

基于PSO-VMD与贝叶斯网络的滚动轴承故障诊断

为解决电机在变负载运行条件下滚动轴承振动信号故障的特征提取困难、故障诊断准确率低的问题,提出一种基于变步长粒子群的变分模态分解与贝叶斯网络相结合的滚动轴承故障诊断模型。通过变步长粒子群算法优化的变分模态分解与Hilbert变换,提取故障信息并离散化处理,构建贝叶斯网络故障诊断模型,对滚动轴承故障发生概率推理,并利用完备、不完备数据集以及噪声试验验证该方法的准确性。仿真结果表明,该方法能高效提取特征信息,实现对不确定信息的推理估计,提高滚动轴承故障诊断的准确率,在滚动轴承的故障诊断预测中具有较好的理论与应用前景。     

基于小波-VMD-Teager能量算子的滚动轴承微弱故障诊断

针对滚动轴承的单一故障进行诊断,提出了将小波VMD-Teager能量算子相结合和小波CEEMD-Teager能量算子相结合的诊断方法。对于滚动轴承的故障信号首先是进行小波降噪,使用VMD分解得到IMF分量,利用峭度和相关系数的大小选择合适的IMF分量,进行重构。通过对重构的IMF进行Teager能量算子包络解调处理,最后可以得到不同故障程度的轴承故障的特征频率。对比VMD处理和CEEMD处理得到的故障信号包络图,利用实验数据验证表明, VMD处理能更有效提取滚动轴承的单一故障微弱特征。     

基于径向基多小波神经网络的水电机组故障诊断

针对常规神经网络收敛速度慢,难以实现水电机组故障在线学习的不足,提出基于径向基多小波神经网络的水电机组故障诊断方法.采用多小波尺度函数作为径向基多小波神经网络的核函数,建立网络模型.利用水电机组振动信号频谱分量的幅值作为特征向量,对网络进行训练,实现特征样本集到振动故障集的有效映射,达到水电机组故障诊断的目的.实验结果表明:与常规神经网络的诊断方法相比,径向基多小波神经网络水电机组故障诊断方法具有较快的收敛速度和较好的泛化能力,为水电机组故障在线学习和诊断提供了有效的解决途径.     

水电机组智能检测系统研究

随着水电机组运行的自动化程度越来越高,水电机组智能故障诊断系统的应用显得越来越重要。本文从实际角度出发,详细介绍了水电机组智能故障诊断系统应具备的状态监测、数据分析、故障诊断等功能以及各功能的主要技术和实现方法。系统可实时监测机组运行中的振动、摆度等数据,并以曲线和图表的形式反映给用户。当机组运行异常时,利用故障诊断专家系统完成对机组的故障诊断。从而实现水电机组的智能故障诊断的目的。     

基于VMD和样本熵的电磁式电流互感器故障诊断

针对电磁式电流互感器故障诊断效率低、准确率不高问题,提出一种变分模态分解(VMD)和样本熵相结合的故障诊断方法.将原始故障信号通过VMD分解成一系列本征模函数(IMF)并进行优选,计算其样本熵作为新的互感器特征提取对象的特征值,与常见时频域特征指标组合成新的特征向量输入K近邻分类器进行训练.Matlab仿真实验结果表明,该方法中新的特征指标用于低压电流互感器故障诊断是有效可行的,可为电磁式电流互感器故障诊断提供参考.     

基于VMD和样本熵的电磁式电流互感器故障诊断

针对电磁式电流互感器故障诊断效率低、准确率不高问题,提出一种变分模态分解(VMD)和样本熵相结合的故障诊断方法.将原始故障信号通过VMD分解成一系列本征模函数(IMF)并进行优选,计算其样本熵作为新的互感器特征提取对象的特征值,与常见时频域特征指标组合成新的特征向量输入K近邻分类器进行训练.Matlab仿真实验结果表明,该方法中新的特征指标用于低压电流互感器故障诊断是有效可行的,可为电磁式电流互感器故障诊断提供参考.     

基于神经网络和小波分析的机组振动故障诊断

对于水轮发电机组而言,尽快实施其故障诊断是十分必要的.小波包分析能有效地提取机组振动信号中的有用成分,采用小波包分解方法提取特殊频段上的能量特征值作为神经网络输入向量,针对南桠河水电厂实测数据采用单隐层BP网络进行训练并对不同故障模式进行识别,取得良好效果.     

基于CEEMDAN样本熵和PSO-SVM的水电机组振动信号特征提取

针对水电机组复杂振动信号特征提取困难的问题,提出了基于自适应噪声完备经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）样本熵和粒子群算法优化支持向量机（particle swarm optimization and support vector machine,PSO-SVM）的水电机组振动信号特征提取方法,对降噪后的水电机组振动信号进行CEEMDAN分解,计算各本征模态函数（intrinsic mode function,IMF）与原信号的标准相关系数,选取标准相关系数大于0.3的IMF分量为有效分量,计算有效分量的样本熵特征值组建高维特征集,采用PSO-SVM对信号模式进行识别。对水电站现场数据进行了分析,验证了所提方法在水电机组振动信号特征提取领域的优势及实际应用价值。     

基于改进SE-CNN的风电机组故障诊断方法研究

针对风电机组发生故障时难以有效地提取故障特征并精准地识别故障等问题,提出了一种基于改进SE-CNN的风电机组故障诊断方法。首先,基于数据采集与监视控制(SCADA)系统采集到的故障风机历史运行数据,使用滑动窗口进行数据扩充,其次使用改进后的压缩激励网络(SEnet)对样本数据的权重进行调整,然后引入全局最大池化层对卷积神经网络(CNN)进行改进,最后使用改进后的CNN学习数据中的故障特征进行故障诊断。实验结果表明,改进SE-CNN的故障诊断性能均优于RNN、PCA-DNN、BiLSTM方法,验证了所提方法在风电机组故障诊断上的有效性。     

基于VMD与SET的滚动轴承故障诊断

在滚动轴承故障诊断研究中,同步提取变换(SET)在分析单分量信号时能显著提高时频可读性,但在分析多分量信号时存在时频模糊问题.为解决这一问题,首先通过变分模态分解(VMD)解调分离出信号的固有模态函数(IMF)分量;再对IMF分量进行希尔伯特变换,凸显故障特征频率;然后对变换后的IMF分量进行SET处理,实现时频聚焦提高时频分辨率,获得信号的时频解调谱,从而识别故障.经试验验证,该方法能准确提取信号的时频解调谱,识别故障频率及其倍频,诊断轴承故障.     

基于集成经验模态分解和峭度准则的滚动轴承故障特征提取方法

滚动轴承是旋转机械的重要零部件,当发生早期故障时,难以有效地提取其微弱的故障特征.针对这一问题,提出了优化参数K取值的变分模态分解（variational mode decomposition,VMD）早期故障诊断方法.首先,通过瞬时频率均值判断法确定模态数K的取值,然后用VMD方法对采集的轴承故障信号进行处理.通过筛选轴承故障信号分解得到本征模态函数分量,对其中的敏感分量进行包络谱分析,从而判断轴承的故障类型与严重程度.最后,分别比较EMD和原VMD算法得到的结果.结果表明：优化后的VMD算法能成功地提取滚动轴承早期故障特征,实现轴承早期故障诊断.

     

基于自适应变分模态分解和集成极限学习机的滚动轴承多故障诊断

针对滚动轴承多故障诊断中特征提取困难和分类准确性低的问题,从有效特征提取和故障分类准确性两方面出发,将变分模态分解(VMD)和极限学习机(ELM)方法结合,提出了一种自适应滚动轴承多故障诊断方法.针对VMD参数需人为事先设定导致信号分解效果差的情况,提出了灰狼算法(GWO)优化VMD实现自适应地获取最佳分解参数k和α....     

基于经验模式分解的直觉模糊网络故障诊断

针对平稳时间序列信号,提出一种基于EMD多模态分量特征提取和直觉模糊网络的故障诊断方法。该方法首先对原始信号进行EMD分解,经EMD分解获得基本模式分量(IMF),选择能量最大的几个IMF并转化为模糊特征向量,对机器故障进行诊断,然后将模糊特征向量输入到直觉模糊网络中,实现对机器工作状态及不同故障类型的识别,该方法应用于柴油机振动信号的故障诊断,实验结果证明了其可行性和有效性。     

基于改进VMD去噪和优化ELM方法的变压器早期故障诊断

变压器内部漏磁场是判断变压器绕组早期故障的重要依据。实际运行中噪声会对漏磁场检测产生干扰从而影响对故障状态的判断。为此,首先使用遗传算法以样本熵作为适应度函数来优化变分模态分解（VMD）参数,然后将VMD分解后的相关模态使用小波阈值法去除残余噪声;其次,选择并提取降噪漏磁场信号的特征向量,将特征向量输入到改进极限学习机（ELM）中进行训练和分类,实现变压器绕组的早期故障诊断。仿真及动模实验表明：该方法去噪效果良好,能有效地还原原漏磁场信号,最终能实现变压器绕组早期故障的准确识别。     

贝叶斯网络在水电机组故障诊断中的应用研究

分析了传统故障诊断方法对于处理实际系统中的不确定性问题时所存在的不足,将贝叶斯网络的理论与方法应用到水电机组故障诊断中,介绍了贝叶斯网络的建模方法与推理机制,并通过一个专家系统的建模过程与诊断结果,证明了基于贝叶斯网络的水电机组故障诊断专家系统所具有的独特优点。