港口机车故障监测与诊断系统研究

针对港口机车运行现状,介绍了一种基于Visual Basic语言和Microsoft SQL Server2000数据库的机车故障监测与诊断系统的研究。该系统通过传感器采集数据信息,经预处理后,通过无线网络将整合数据传送给计算机,最后利用知识库对数据进行处理分析以及显示。该系统具有设计简单、操作方便、界面友好及可靠性好等特点。     

故障硬盘的数据备份与销毁

硬盘承载着重要数据,它的精密度很高,而且它内部的机械运动快速而准确。一旦这个精密装置的某一部分出现了故障,存储在里面的数据就无法访问,甚至有可能会永久丢失。修复硬盘,找回数据,是数据恢复工程师的神圣使命。一般来说,经修复的硬盘稳定性已大为下降,所以不建议继续使用。但硬盘不用后也不能随意丢弃,因为里面还存储有机密数据,应当将其数据销毁。本文就针对带有坏扇区故障硬盘的数据如何实现数据备份与销毁,以便用户能读出(或销毁)其中重要的数据。     

信息融合技术在变压器油气识别故障诊断中的研究

变压器故障分为放电性故障和过热性故障两大类别,它们均会在变压器油中有所反映。本文通过对变压器油中主要气体的分析,判断变压器的故障类型。具体方法是:利用改进算法的BP网络和信息融合技术,以变压器油中五种主要特征气体作为神经网络的输入,以六种变压器状态作为相应的输出,通过加入动量因子,可以提高学习率系数,充分发挥改进算法的BP网络具有自适应学习能力的优势。仿真测试结果表明,本方法能够在较大范围内准确有效地进行变压器的故障诊断。     

线性系统的H2/H-故障检测优化方法设计

针对一类具有未知扰动的线性系统的故障检测(FD)问题,通过对系统进行重构,设计出了系统的H2/H-优化FD观测器。利用构造的Lyapunov函数和线性矩阵不等式,证明并给出了FD观测器有解的充分条件和优化设计方法。所设计的观测器使系统具有渐近稳定性,抑制干扰能力强,满足所给的范数指标。仿真结果验证了所设计方法的有效性。     

基于MSP430单片机的线路故障数据采集器硬件设计

基于MSP430的线路故障数据采集器整套设备具有超低功耗、高效管理故障指示器,对下与对上均采用无线通信方式且不会相互干扰等优势。文中以MSP430单片机为核心设计了一个专门用来管理挂接于配电线路的故障指示器的数据采集设备的硬件电路,并针对相关需求,给出了详细的硬件电路图。该系统可用于一次侧线路的故障检测,还可通过配合电能智能终端,应用于防窃电等场合。     

BP神经网络在波音737自动刹车故障诊断中的应用

随着人工神经网络研究的兴起,智能故障诊断技术成为近年来人们研究的一个热点问题。自动刹车是飞机起降时的重要装置,需要定期对其进行故障检测,以免形成飞行安全隐患,是飞机故障诊断的一个重要内容。本文从传统的BP神经网络算法出发,通过算法改进建立了波音737自动刹车故障诊断的神经网络模型,通过提取故障样本对网络进行训练和诊断,仿真结果显示这种方法能较理想地对波音737飞机自动刹车系统的故障进行分析和检测,对于建立波音飞机的故障自动诊断系统具有重要意义。     

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE（BSMOTE）算法与卷积神经网络（CNN）相结合的输电线路故障分类方法。该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然后将所提取的一维故障电流信号样本重构成二维灰度图像数据形式,并在Pytorch深度学习框架下搭建了CNN网络模型,利用模型的自主学习能力对灰度图像进行特征自提取与辨识,减少传统人工设计特征提取的工序,完成对输电线路故障类型的分类。实验结果表明该模型能够提高对少数类故障样本的识别能力,准确地判断故障类型,并对噪音具有较强的抗干扰能力。     

考虑客户画像和能量枢纽的配电网多目标抢修重构模型

随着大规模风电以及能量枢纽接入配电网,配电网故障后抢修重构面临新挑战,提出一种考虑客户画像和能量枢纽的配电网多目标多故障抢修重构模型。通过对配电网用电客户多因素精准画像,确定权重,建立兼顾客户画像和能量枢纽的配电网多目标抢修重构模型,提出一种改进NSGA-II算法以适应对模型求解,从而获得Pareto解集,并利用模糊最大满意度进行决策。算例仿真表明所提模型正确有效,与传统模型相比更加精细而客观。     

GIL机械故障诊断与预警技术研究

为了有效诊断气体绝缘金属封闭输电线路(GIL)的机械故障,搭建了110 kV GIL试验平台并设计了3种典型机械故障,通过互补集合经验模态分解(CEEMD)模糊熵值与鲸鱼优化极限学习机(WOA-ELM)模型联合方法对GIL机械故障模式进行识别与诊断。首先,利用CEEMD方法对振动信号进行分解,引入正负白噪声组对信号进行处理,得到含有故障信息的模态分量(IMF)。其次,利用模糊熵计算模态分量特征值,得到能表征故障特征的模糊熵值。最后,结合WOA-ELM模型对特征向量集进行模式识别,根据聚类结果与自适应阈值对GIL设备机械故障进行诊断和预警。结果表明,利用CEEMD与模糊熵对GIL振动信号特征进行分析,可以有效避免模态混叠和冗余噪声分量的干扰,得到能够表征故障特征的特征值;利用WOA-ELM模型可以有效实现GIL设备机械故障诊断与预警。     

基于卷积神经网络的直线同步电动机电枢绕组故障诊断

通过绕组函数理论对直线同步电动机进行分析,提出一种基于卷积神经网络(CNN)的直线同步电动机故障诊断方法。从直线同步电动机的数学模型出发,基于绕组函数理论对电动机正常状态和匝间短路故障状态进行仿真,对电流波形图进行快速傅里叶变换(FFT)得到不同状态的数据集。利用CNN中的GoogLeNet网络结构,在保持网络空间维度的同时不增加故障诊断的计算量。将数据集输入到网络模型进行故障诊断,仿真结果表明GoogLeNet网络结构对直线同步电动机电枢绕组的短路故障识别率达到了96.5%以上。