模拟电路层次聚类故障分析与马氏距离故障诊断

基于聚类分析与马氏距离,提出了一种模拟电路故障分析与故障诊断的方法。首先简述了层次聚类分析与马氏距离的基本原理。然后通过一个模拟电路故障诊断实例,验证本文的有效性。首先给出一个模拟电路图,对该电路的常见故障状态进行仿真,获取将来进行聚类分析与故障诊断的样本。然后对采集的样本进行聚类分析,验证聚类算法对各种故障分类能力,并且计算各类故障的样本平均值。最后随机仿真一种故障,计算当前电路状态与各类故障之间的马氏距离,实现模拟电路的故障诊断。实例表明,本方法能够准确清晰地辨别模拟电路的各类故障,仅需少量样本即可获得各种状态的典型参数,对模拟电路进行客观有效的故障诊断。     

基于人工免疫系统的电路小样本故障诊断方法

针对常规电路故障诊断方法存在的故障样本需求大的问题,基于免疫系统的阴性选择机理,提出了建立人工免疫系统实现电路小样本故障诊断的新方法。该方法仅需电路正常模式测试数据加一组故障模式测试数据为样本,生成随机检测器,再运用变异实值否定选择算法优化随机检测器,结合基于故障样本生成故障类型检测器构成人工免疫系统的故障检测器,并采用二次匹配方法完成电路的故障诊断。对ITC’97的CTSV滤波器电路的故障诊断表明,该方法可应用于小故障样本场合下的电路故障诊断,具有较高的实际应用前景。     

基于PCA和SVM的模拟电路故障诊断

针对电路故障诊断中存在的样本要求高、推广能力弱、特征提取难等问题,提出了一种基于主成分分析(PCA)与支持向量机(SVM)相结合的模拟电路故障诊断方法.通过对电路输出响应的采样信号进行PCA处理,提取故障特征的主要成分,然后利用多类SVM对各种状态下的故障模式进行分类决策,实现被测电路的故障诊断.实验结果表明:该方法能够实现电路故障的快速检测与故障元件的准确定位,具有速度快、精度高、鲁棒性好的特点.     

基于动态RBF神经网络的模拟电路故障诊断

提出一种基于动态RBF神经网络的模拟电路故障诊断方法.该方法利用小波变换对故障信号进行预处理,提取特征向量建立故障字典,采用最近邻聚类算法构建动态RBF神经网络,利用神经网络对各种状态下的特征向量进行分类识别,实现模拟电路故障诊断.仿真结果表明该方法具有训练速度快,故障准确率高,容错能力强的特点.     

模拟电路的融合智能故障诊断

提出了一种基于遗传算法、神经网络、模糊集理论与数据融合技术相结合的模拟电路故障诊断新方法。该法使用多类电路测试数据来解决由于测试节点不足而带来的故障信息欠缺等问题，采用遗传算法来优化BP网络的结构与初始权值分布。对每类测试信息各用一个独立的所提遗传神经网络进行初步诊断，得到基于各类测试信息的被诊断电路属于不同故障状态的可能性。在充分考虑每个神经网络输出信息重要程度的基础上，采用模糊积分融合方法进行决策融合。文中研究了其故障特征提取、样本选择、诊断系统结构、学习算法及其综合决策方法，并通过电路诊断实例，阐述了该方法的具体实现，验证了所提方法的鲁棒性。诊断结果表明：所提方法对容差模拟电路的多故障与单故障诊断均适用，故障定位准确率高。     

基于双神经网络的模拟电路故障诊断

对模拟电路故障诊断提出了一种双神经网络的诊断方法,该方法通过将电路故障模式分类的预处理,再用双神经网络分别对不同的故障模式类进行诊断.仿真实验表明,该方法能够实现故障检测及定位,具有准确率高的特点.     

基于智能信息融合的模拟电路故障定位方法

针对模拟电路故障诊断中存在的测试信息不足、故障定位准确性较低等问题,提出了一种应用智能信息融合技术的模拟电路故障定位方法.该法首先分别采用可测点工作电压及不同测试频率下的电路增益,各用一个独立的神经网络依据改进的BP算法对电路实施初级诊断;然后根据初级诊断结果,运用模糊融合诊断方法进行故障定位.所提方法能充分利用故障信息,对模拟电路的软故障与多故障均可进行诊断,故障定位准确率高.     

电力变压器故障诊断的人工免疫网络分类算法

变压器油中溶解气体分析是电力变压器绝缘故障诊断的重要方法.文中将人工免疫网络分类算法应用于电力变压器故障诊断,利用增加抗原、记忆抗体类别信息的人工免疫网络对故障样本进行学习,可以获取更好地表征故障样本特征的记忆抗体集,再用最邻近分类法对故障样本进行分类.经大量实例分析,并将其结果与IEC三比值法和BP神经网络等方法的结果相比较,表明该算法能有效地对电力变压器单故障和多故障样本进行分类,具有较高的诊断准确率.     

基于全速电流测试的模拟电路故障诊断

研究了全速电流测试技术在模拟电路故障诊断中的应用,对待测电路施加一测试序列,使电路交替工作于静置状态和全功能状态以实现全速电流测试,并以电源端在一时间段内的平均电流为故障特征,建立人工免疫系统进行电路诊断。IT^C＇97国际标准电路CTSV滤波电路的故障诊断实验表明,该全速电流测试方法能实现模拟电路的高故障覆盖率的故障检测与定位。     

基于引力搜索核聚类算法的水电机组振动故障诊断

核聚类是一类有效的水力发电机组振动故障诊断方法,为了解决核聚类有效性评价和核参数选择的问题,提出了一种引力搜索核聚类算法。首先建立以核Xie-Beni指标为目标的聚类模型;然后引入引力搜索框架,以聚类中心和核函数参数为优化变量,通过引力搜索求解核聚类模型;最后定义了基于核空间样本相似度的故障诊断模型。利用国际标准样本集对该方法进行分类测试,并将该方法应用于水电机组振动故障诊断。试验结果表明:与传统聚类方法相比,文中方法具有更高分类精度,且能对故障样本准确聚类并提取诊断模型参数,实现故障的准确诊断。     

基于局部区域聚类的电力设备故障区域提取方法

针对电力设备红外图像诊断中热故障区域提取问题,提出了一种局部区域Mediodshift聚类的电力设备红外图像故障区域提取方法。文章根据热故障所表现的灰度特性初始化聚类中心;结合Mediodshift聚类方法,对目标区域邻域像素进行聚类。为了尽可能获取故障区域邻域相似像素,引入了基于邻域灰度的调节策略。同时,为了提高聚类效率,采用了自高向低的聚类阈值分割机制,从而使得Mediodshift算法能快速地将整幅图像中故障区域像素进行聚类,实现红外图像中热故障区域的提取。最后通过典型红外图像实验测试,验证了该方法区域提取的有效性,且对比目前现有的一些方法,进一步表明文中方法具有较好的故障区域提取性能。     

基于最小最大核K均值聚类算法的水电机组 振动故障诊断

基于聚类分析的故障诊断方法能够按照故障样本之间的相似性无监督地将同类故障聚为一簇,当前已成为一类有效的故障诊断策略。为解决传统聚类算法受初始聚类中心的影响,易陷入局部最优解的问题,提出一种最小最大核K均值聚类方法。该方法在聚类过程中为簇内方差赋以与其大小成正比的自动修正的权重,并引入核函数技术以处理低维输入空间的线性不可分问题,大大提高了聚类的精确性。在标准数据上将所提方法与标准K-means及K-means++比较,显示了所提算法的有效性和优越性。基于这一聚类方法提出了一种具有自学习能力的故障诊断模型。     

基于差分进化算法的模糊核聚类算法及其 在故障诊断中的应用

针对模糊核聚类方法中,核函数参数的确定问题以及聚类结果的有效评价问题,提出采用差分进化算法进行核函数参数和聚类中心的同时寻优策略。并将Xie-Beni指标推广至核空间,设计了有效的适应度函数以实现聚类效果的提升。对所提出的方法进行数值试验,同时应用在电机轴承的故障诊断中,取得了不错的效果,验证了方法的可行性。     

基于聚类FSVM的小电流接地系统馈线故障定位系统

提出小电流接地系统实现单相接地故障定位的新方法。该方法应用基于聚类的FSVM和电流注入法分两步实现故障定位。首先阐述了模糊支持向量机（FSVM）的原理,应用分级聚类和决策树思想在两类支持向量机的基础上构造基于聚类的多类FSVM实现故障选线。接着应用电流注入法对故障线路进行定位。     

基于广域录波数据和FCM聚类的电网故障诊断方法

断路器和保护设备存在误动和拒动的可能性,不正确的动作会引入错误的故障信息干扰电网故障诊断。针对上述问题提出了一种基于广域故障录波数据和模糊C均值(FCM)聚类的电网故障诊断方法。对母线、输电线路和变压器这3种电网元件的故障录波数据进行挖掘分析,从中提取能够有效区分故障元件的特征;建立基于模糊C均值聚类的电网故障元件诊断模型。对故障后的元件进行聚类分析,并计算各元件的故障可信度,最终确定故障元件。新英格兰39节点系统的仿真和实际算例表明所提方法能够快速准确定位故障元件且不受故障类型和位置的影响。     

基于改进量子粒子群优化模糊聚类的变压器故障诊断方法

对电力变压器进行高效准确的故障诊断可有效保障电力系统安全、稳定运行。为提高变压器故障诊断正确率,提出了一种基于改进量子粒子群优化模糊聚类的变压器故障诊断方法。采用遗传算法杂交概率的思想改进量子粒子群算法提高算法收敛速度、防止陷入局部极值,克服模糊聚类算法易受初始值影响的不足,进而实现对变压器高效、准确的故障诊断。以变压器油中典型气体作为故障特征量,选取68组数据建立故障集,采用改进量子粒子群算法寻找最佳初始聚类中心,并将其应用于3种不同数据组进行验证,实验结果表明文中所提方法的有效性。     

基于模糊聚类和最短路径的关键输电断面确定新方法

针对因支路故障或过载被切除之后的潮流转移关键输电断面如何正确快速确定问题,提出了基于模糊聚类和最短路径的潮流转移关键输电断面快速搜索新方法。该方法首先采用具有自适应选择最佳分类数的随机聚类方法,对所有线路功率构成进行分类,获得故障或过载支路的并行支路集构成初始输电断面,以避免由于人为给定分类数的不恰当所产生的多选及漏选问题;然后对初始输电断面中的每一支路,依次从故障或过载支路的一端开始搜索包括相应支路的到故障或过载支路另一端的最短路径,在该路径上所有与故障或过载支路潮流方向相同的支路,均为关键输电断面中的候选支路,以补充单纯由聚类方法确定的候选支路可能的漏选;候选支路再经简单的分布因子校核即可确定是否为关键输电断面中的支路。该方法实现了基于支路功率聚类关键输电断面选择方法和最短路径关键输电断面选择方法的有机融合和优势互补,提高了辨识精度。多个算例证实了文中方法的有效性。     

潜油电泵机组及井下传感器状态监测技术研究

建立了基于电力线载波通信的井下多参数状态监测系统结构,提了基于RBF网络时序预测的传感器状态监测方法,引入最近邻聚类算法的思想,提出了一种K-均值聚类算法初始中心选取方法.该方法能够根据样本序列的变化,自动调整初始聚类中心半径的大小,保证精确度的同时可提高计算速度,提出了一种根据故障传感器输出特性参数的变化对井下传感器故障类型进行分类的新方法,对提出的状态监测系统及传感器监测方法及技术的有效性进行了实验研究.实验结果验证了所提出方法的有效性.     

基于振荡波多特征融合的变压器绕组故障诊断方法

为了获取更多变压器绕组的状态信息,提高绕组故障诊断的准确性,提出了一种基于振荡波多特征融合的变压器绕组故障诊断方法,该方法联合波形特征和小波包时频图的颜色特征判断故障类型、故障程度和故障位置,结合粒子群优化-支持向量机(PSO-SVM)算法实现变压器绕组状态的智能识别。最后搭建变压器故障模拟试验平台验证方法可行性。结果表明：波形特征、颜色矩、颜色聚合向量特征分别针对故障类型、故障程度及故障位置的空间分布具有分离和聚类特性,且通过PSO-SVM识别的准确率高达95 % 以上,故所提方法能够准确辨识变压器绕组的状态,为现场变压器绕组状态检测提供参考。     

基于VMD和相关性聚类的谐振接地系统单相接地故障选线

通过分析谐振接地系统的故障暂态零序电流组成及特性,提出了一种基于暂态非工频分量相关性聚类的故障选线方法。首先,将变分模态分解和快速傅里叶变换相结合,准确分离暂态零序电流中的工频分量和噪声信号,得到暂态非工频分量。然后,采用局部加权回归算法对各出线的非工频分量进行平滑处理,获得线路非工频分量的整体趋势,计算各出线的相关系数矩阵。最后,通过免阈值设定的K-means聚类算法实现故障选线。仿真结果表明,所提出的选线方法能够准确选取故障线路,选线结果不受故障电阻、故障初相角等因素的影响,且具有较好的抗噪能力。