基于深度学习的输电线路绝缘子故障检测方法

针对航拍巡检高压输电线路上绝缘子目标易受复杂背景和部分遮挡影响,造成传统算法难以准确检测的问题,建立了一种基于改进YOLOv5的输电线路绝缘子检测模型。首先,利用GA+K的检测框优化算法对选择的模型进行改进,来提高识别精度;然后,在YOLOv5算法框架中融合CBAM模块来提升图像中故障目标区域的显著度;其次,采用高斯函数改进YOLOv5中的非极大值抑制方法,提高对遮挡目标的识别准确率;最后利用辽宁某电网公司提供的无人机巡检图像制作数据集,并将所提算法与4种经典目标检测算法进行比较。试验结果表明,相比于4种对比算法,该算法能够在保证较高检测精度的同时具有较好的实时性,并且平均检测精度可以达到95.1%,每张图片的检测时间为0.04 s,兼具目标检测的准确性和实时性。

基于累积和事件段识别与改进谱聚类的锂离子电池储能系统内短路故障检测方法

锂离子电池系统的内短路故障可能导致严重安全事故,其检测受到在线检测实时性以及故障特征获得性制约,是当下锂离子电池储能系统安全运行亟待解决的问题。该文提出一种基于累积和(cumulative sum,CUSUM)事件段检测与改进谱聚类的锂离子电池储能系统内短路故障检测方法。首先,考虑内短路故障时的电压/温度变化特性,基于累积和事件突变点识别方法,识别疑似内短路故障事件段。其次,构建三维故障特征,刻画检测对象内短路故障特征属性。然后,构建基于Wasserstein测度的内短路故障特征距离矩阵,检测三维空间各点稀疏特性,客观划定故障聚类,实现内短路故障检测。搭建锂离子电池内短路实验平台、建立锂离子电池电–热耦合仿真模型,算例结果表明该文方法能够准确识别疑似内短路故障事件段,在不同串并联形式及故障类型下实现故障检测,证明了该文方法的正确性与可行性。

基于tSNE多特征融合的JTC轨旁设备故障检测

无绝缘轨道电路(Jointless Track Circuit,JTC)的轨旁设备在室外长期运营过程中,其可靠性会逐渐降低,进而给列车行车安全带来严重威胁。以轨道电路读取器(Track Circuit Reader,TCR)感应电压为基础,针对JTC故障诊断研究中轨旁设备故障类型复杂和故障特征提取不充分等问题,提出一种基于t分布随机邻域嵌入(t-distribution Stochastic Neighbor Embedding,tSNE)多特征融合的JTC轨旁设备故障检测模型。首先,根据不同轨旁设备故障对TCR感应电压信号的影响,分析各轨旁设备的故障特性。其次,提取TCR感应电压信号的方差、有效值、峰值因子等幅值域特征,以及排列熵、散布熵特征构成原始故障特征集。为了去除其中的冗余信息,得到具有较高判别性的融合流形特征,利用tSNE算法进行特征融合。最后输入深度残差网络(Deep Residual Network,DRN)得到故障检测混淆矩阵,实现轨旁设备故障定位。实验结果表明:tSNE算法融合后的特征在异类和同类故障样本之间分别有较大的类间间距和较小的类内间距,相比主成分分析(Principal Component Analysis, PCA)、随机相似性嵌入(Stochastic Proximity Embedding, SPE)、随机邻域嵌入(Stochastic Neighbor Embedding,SNE)算法具有更优的融合特征提取效果。此外,结合DRN可以有效识别多种轨旁设备故障,达到98.28%的故障检测准确率。通过现场信号进行实例验证,结果表明该故障检测模型能满足铁路现场对室外设备进行故障定位的实际需求。

基于1DCNN和D-S多信息融合的光伏系统直流母线串联电弧故障检测

直流母线是光伏系统输出能源的主干道,由于长期曝晒、风化等作用,电缆、连接器等组件劣化,光伏系统直流母线中发生电弧的可能性急剧上升,极易引发火灾、触电等事故。在光伏系统中,串联电弧故障将使回路电流下降,传统的过流保护无法识别。因此,本文提出基于深度学习和证据理论(D-S)的方法来识别串联电弧故障,该方法基于并联电容器电流和电压信号,采用一维卷积神经网络(1DCNN)对检测数据进行电弧识别;在此基础上将基于单个传感数据的识别结果作为证据,运用D-S多信息合成法则计算得到信度分配,最后利用决策规则判断是否发生串联电弧故障。搭建多参数可调模型获取数据进行测试,结果表明:使用1DCNN识别方法,基于并联电容器电流和电压信号的串联电弧识别准确率分别为97.19%和94.98%,而基于1DCNN和D-S多信息融合的光伏系统直流串联电弧故障检测的识别准确率可提升至99%以上。

典型神经网络串联型电弧故障检测及选线方法研究

为解决传统特征分析加机器学习的电弧故障检测方法的准确率和实时性受到特征参数选取的主观性及特征分析过程的影响问题,搭建了三相多负载并联的串联型电弧故障实验系统,对不同支路、不同相发生电弧故障时的干路电流信号时间序列进行分析。将电流信号进行分类、分段、标准化处理并作为检测模型样本;对深度卷积神经网络模型、长短期记忆网络模型、普通神经网络模型进行架构及训练;通过差分处理对网络模型在线分类结果进行优化分析;以准确度和损失函数值、在线测试速度、优化后多分类识别准确率为评价指标,对比分析了3种模型故障检测及选线效果。研究结果表明:基于深度卷积神经网络的串联型电弧故障检测及选线模型对电机类负载故障检测及选线准确率可达96.77%,对变频器类负载故障检测及选线准确率可到98%,准确率高于近几年其他三相回路电弧故障检测模型。

基于SSTDR的光伏连接器故障检测

随着运行时间的增长,光伏连接器会出现氧化、老化、松动等现象,易导致接触不良、发热等问题,最终可能引起断路、电弧等故障,对光伏系统的高效、安全运行造成不良影响。由于光伏连接器故障会引起其等效阻抗的变化,该文采用扩频时域反射法(spread spectrum time domain reflectometry,SSTDR)来进行检测:通过向光伏连接器所在的光伏组件串注入正弦高频信号调制的伪随机序列序列测试信号,分析入射信号与反射信号的相关特性,再与健康状态下的特性进行比较,来实现光伏连接器故障在线诊断。对此进行仿真计算并在4块光伏板组成的光伏组串中进行实验,发现开路故障时包络面积最大可达到5×10^(5),而脱离故障时包络面积最小为0.8×10^(5),二者皆远大于健康时的包络面积0.07×10^(5),可有效诊断光伏连接器是否发生故障。

融合灭弧信息的有源串联接地配电网故障检测方法

为了优化有源全补偿消弧设备和挖掘灭弧状态信息包含的故障特征,该文提出基于串联分压的配电网消弧原理及融合灭弧状态信息的接地故障检测方法。提出采用单个H桥变流器与消弧线圈串联的有源降压消弧全补偿方法和灵活接入保护电容的有源消弧装置保护方案,在消弧原理与控制、设备承压与安全、功率输出与过压防护等方面表现出良好性能。提出融合有源降压消弧全补偿“伪正常”状态信息的接地故障检测方法,利用系统正常-故障-灭弧3种状态信息构造故障检测判据,在免受过渡电阻和分布参数不对称影响的基础上优化故障检测方式和提高故障检测效率,无需线路间信息的横向比较即可实现系统全域零序导纳测量、故障馈线独立判别和故障程度跟踪识别。仿真实验证实了方法的有效性,为优化配电网有源消弧和接地故障检测提供创新方案。

基于增量式等距映射同双重局部密度方法的工业过程故障检测

针对工业过程的非线性和动态性问题,提出一种基于流形学习下的增量式等距映射(IISOMAP)与双重局部密度(DLD)相结合的故障检测方法(IISOMAP-DLD).利用IISOMAP将原始数据映射到低维流形特征子空间和剩余子空间;然后,在两个子空间中分别引入双重局部密度方法构建统计量对过程进行监控;最后,将IISOMAP-DLD方法应用到田纳西-伊斯曼(TE)过程.实验结果表明,IISOMAP-DLD对比其他方法有更高的故障检测率.IISOMAP在保留数据内在特征的同时,解决了过程的非线性问题,而双重局部密度方法可消除过程的动态性.

基于高阶空间交互网络的光伏组件热斑故障检测

针对传统红外热斑故障检测算法由于特征表达能力不佳造成算法易受复杂背景干扰以及对密集目标、小目标故障检测精度低的问题,提出一种基于高阶空间交互的光伏组件热斑故障检测网络。首先,设计高阶空间交互模块,并将其引入YOLOv5主干网络进行全局交互建模,提升网络对密集目标的检测精度;其次,为突出复杂背景下故障目标的关键特征,设计基于协同注意力的特征提取模块重构颈部网络;然后,在颈部网络设计多尺度特征增强融合模块以提高检测网络对不同尺度特征的充分利用;最后,设计自适应特征融合检测头以提高模型对小目标的感知能力。实验结果表明,相较于7种经典检测算法,所提出的算法检测精度最高,精度可达84.3%。

基于贝叶斯优化ResNet-BiLSTM的多电飞行器故障检测技术

针对多电飞行器在复杂运行模式下故障检测的精确性与实时性问题,开发了基于贝叶斯优化ResNet-BiLSTM模型的故障检测技术。首先设计以残差网络为核心的多层次特征提取模块,实现故障特征的多层次表达,以提升故障检测的实时性;接着构建以双向长短期记忆网络为核心的多尺度特征提取模块,获取长期依赖的故障特征信息,以提升故障检测的准确性;进而提出基于贝叶斯优化的超参数寻优方法,进一步提升故障特征的学习效果;最后,设计多电飞行器故障检测实验方案,并开展不同故障模式下的性能分析。结果表明,所提方法可有效实现多种故障模式下的故障诊断,并且检测准确率和实时性均优于现有方法,有助于提升多电飞行器故障检测性能,为飞行安全提供有力的技术保障。

一种面向复杂非平稳工业过程的质量相关分布式故障检测方法

由于复杂工业过程通常受到生产条件的变化,未知的外部干扰及其他因素的影响,其过程数据时间序列的统计特征随时间变化,呈现出非平稳特性。而工业过程的故障可能会被过程的非平稳特性所掩盖,这给复杂工业过程的质量相关故障检测带来巨大挑战。本文提出了一种基于动静特征融合且面向复杂非平稳工业过程的分布式质量相关故障检测方法。首先,利用最小冗余最大相关算法揭示和量化过程变量与质量变量之间的线性和非线性关系,并选择最具代表性的过程变量,消除所选过程变量之间的冗余性。其次,利用增广迪基–富勒检验(ADF)检验方法将所选的过程变量划分为平稳变量和非平稳变量。再次,利用工业过程的机理知识将复杂工业过程划分为多个有物理意义的子块,子块之间的信息交互通过公共变量实现,构建局部子块模型,该模型包括来自其邻居子块的信息。然后,通过偏最小二乘和长短期记忆网络方法分别提取子块中平稳变量及非平稳变量的静态特征和动态特征,并进行特征融合;利用规范变量分析算法来最大化融合后的动静态特征与质量变量之间的相关性,构建局部质量异常检测的统计量和控制限。最后,通过贝叶斯推理将局部检测结果进行融合,实现全局质量相关的故障检测。为了验证所提方法的有效性,采用河北某公司浮法玻璃生产过程的实际数据进行了实验。实验结果表明:本文所提质量相关分布式故障检测方法能够准确检测复杂非平稳过程的故障,故障检测率为100%,误报率为4%,比规范变量分析方法等具有更好的故障检测性能。综上所述,所提方法有效融合了动静特征以充分利用过程信息,在提高故障检测率同时显著降低了误报率,能够为复杂非平稳工业过程提供可靠技术支持。

新能源汽车动力电池故障检测与维修案例分析

近年来,随着我国新能源汽车技术不断发展,我国新能源汽车的生产效率与性能得到很大的提升,而当新能源汽车开始日渐普及之际,新能源汽车动力电池故障率也逐渐增加,给广大车主出行带来很大的困难与影响。导致新能源汽车动力电池故障因素有很多,在排除故障的过程中应找出新能源汽车动力电池故障原因,并合理分析故障因素,然后才能制定出合理的解决对策。本文探讨了新能源汽车动力电池故障检测与维修案例,结合动力电池故障检测与问题制定出合理的解决对策。

基于VMD模糊熵与GG聚类的直流配电网故障检测方法

针对直流配电网存在的故障信号难以提取、不易对各类故障进行诊断等问题,提出一种基于变分模态分解(VMD)模糊熵与Gath-Geva(GG)聚类的故障检测方法。首先,提取出暂态电流,采用VMD算法将故障暂态电流分解成若干个固有模态分量(IMF)。然后,分别计算分解得到的若干个IMF的模糊熵,将其作为特征向量。最后,采用GG聚类算法对故障特征的特征向量进行聚类识别。GG聚类的主要算法为将聚类样本划分为c类,设出隶属度矩阵,通过设定迭代来计算聚类中心与最大似然估计距离,更新隶属度矩阵,当隶属度矩阵满足条件矩阵时终止迭代,从而实现对单极故障、极间故障以及区外交流侧接地故障的聚类识别。仿真结果表明,所提保护方案可靠性强、准确率高,在不同故障类型、故障位置和过渡电阻等工况下均能可靠检测直流线路故障并准确识别故障类型,且具备一定的抗干扰能力。

基于二阶段目标增强网络的低照度复杂环境下绝缘子故障检测方法

从低照度户外环境中航拍采集的绝缘子影像,存在照度低、背景复杂、绝缘子故障目标小等缺陷,严重影响低照度环境下绝缘子故障检测准确性。为解决上述问题,文章提出一种基于TOE-Net的低照度复杂环境下绝缘子故障检测方法,提出TOE-Net进行图像预处理方法,再使用YOLOv7-OL作为故障检测模块检测小目标绝缘子故障。在二阶段目标增强网络(two-stage object enhancement network,TOE-Net)中,设计零目标图像增强损失函数实现预增强网络(preparation enhancement network,PreEnNet)和深度增强网络(deep enhancement network,DeepEnNet)的无监督学习;使用信道级注意力模块跳跃式通道注意力机制(skip squeeze excitation networt,Skip_SENet)和跳跃式通道注意力机制(skip convolutional block attention module,Skip_CBAM)模块改进原始小目标特征增强单次多框检测算法(small object detection enhancement single shot multiBox detector,SDE-SSD),从而提升定位网络的小目标检测能力;设计弱监督机制使预增强网络根据小目标特征增强SSD的要求来提升图像增强能力,直到小目标特征增强SSD能够从增强图像中准确定位绝缘子串位置;使用深度增强网络深度增强绝缘子串区域,提升各类故障的特征显著性。故障检测模块中,将YOLOv7目标检测算法改进为面向小目标YOLOv7,在原模型中添加结合多尺度特征自适应融合网络的小目标检测通道,并将原始损失函数的CIOU改进为BIOU,从而提高模型的小目标检测性能。在低照度环境绝缘子故障检测实验中,该算法与5种目前常用目标检测算法相比具有较大优势,并且相较于低光目标检测算法IA-YOLO、GenISP with RetinaNet,m AP提升9.77%、10.35%,检测速度提升7.23%、10.16%,证明该算法适用于低照度复杂环境下小目标绝缘子故障检测任务;在正常光照绝缘子故障检测实验中该算法仍保持出色性能,证明该算法能够实现常规光照条件下绝缘子小目标故障检测。

基于置信规则库气象站故障检测专家系统

针对气象站故障检测的需求,研制了基于置信规则库的气象站故障检测专家系统。专家系统利用前期建立起来的气象站的气象数据库,根据当前实时气象数据,通过改进的置信规则库模型结合专家经验知识自动完成数据分析和处理、是否有故障判断并对故障程度进行等级划分。工作人员在进行现场故障检测之前,只需通过气象站传感器故障专家系统对异常传感器进行辅助诊断,确定故障等级后依据故障等级携带相应检修设备或需更换的零部件进入现场实施检查和维修。实验测试表明系统对各个设备的总体平均检测准确率从69.8%提高到85.7%,极大提升了检测的效率和准确性。

基于KDLV算法的配电网环网柜故障检测模型

环网柜作为配电系统中的关键连接点,其状态监测数据通常具有非线性、动态性和多变量相关性等特点。为了克服传统环网柜故障检测模型对状态特征信息提取不够充分导致监测效果不佳的问题,提出一种基于核动态潜变量(KDLV)算法的故障检测模型。首先利用KDLV算法将提取的多变量信息划分为动态潜变量部分和静态潜变量部分。然后对动态部分构建VAR模型,并构造特征空间的T^(2)监控统计量;对静态部分构建NPE模型,并分别构造数据特征空间和残差空间的T^(2)和SPE监控统计量。最后综合状态数据的动静态统计限,实现对实时数据的在线监控。通过现场试验数据验证,模型的故障检测率为100%,误报率最高为1.20%,相较于传统的环网柜故障检测模型,提出的模型更具优势。

基于SOM-BP的全自动口罩机传动系统故障检测

针对口罩机在多工序生产中故障特征难以诊断的问题,提出了一种基于自组织映射(SOM)和误差反向传播网络(BP)的故障检测模型。首先针对4种减速机故障类型搭建SOM-BP复合型神经网络模型并完成检测分类,其次通过提取原振动信号的20组时域和频域参数作为SOM网络的输入样本进行初步聚类,并根据仿真结果确定最佳竞争层结构,最后将聚类后结果输入BP网络进行预测并完成分类,实现故障检测。研究结果表明,7×7竞争层结构下的SOM-BP复合型神经网络对于减速机的8种时域和频域参数的检测效果最优,分类准确率可达93.5%,173次迭代即可收敛,数据拟合度最高达0.99876,达到实际检测要求,验证了该方案的有效性和可行性。

基于改进残差神经网络的滚动轴承故障检测

针对在矿井等特殊环境下在面对运算量大的复杂算法时,传统深度学习算法由于运算量大,现场检测设备由于需要消耗大量的资源无法完成现场检测的问题,提出了一种基于改进残差神经网络的滚动轴承故障检测方法。方法通过在卷积残差块和恒等残差块中加入跳跃连接,尽可能地减少了信息的损失,并且将部分残差块中的普通卷积替换成深度可分离卷积,大大降低了运算量。实验表明,改进残差神经网络能够有效地提取数据的特征信息,提高运算的速度,在解决恶劣环境下大数据量难以现场运算的同时对滚动轴承故障检测的准确率有很大提高,准确率可达99.97%。

基于双输入信号驱动的耦合分段对称三稳随机共振的轴承故障检测

为解决传统双输入信号驱动的二维三稳随机共振系统(two-dimensional tri-stable stochastic resonance system driven by dual-input signals, DTDTSR)所存在的输出饱和和信号放大差等问题,独创性地提出了一种全新的系统:双输入信号驱动的耦合分段对称三稳态随机共振系统(coupled piecewise symmetric tri-stable stochastic resonance system driven by dual-input signals, DCPSTSR)。首先深入研究系统输出饱和性的问题,为系统性能的优化提供了关键理论基础。其次,在绝热近似理论的框架下,推导了系统的输出谱放大函数(spectral amplification, SA)。详尽分析了系统参数对其的影响,为更深层次的理解提供了理论支持。进一步,通过数值模拟对DCPSTSR、耦合分段对称三稳态随机共振系统(coupled piecewise symmetric tri-stable stochastic resonance system, CPSTSR)和DTDTSR系统进行了全面比较,结果明确指出DCPSTSR系统在输出谱放大函数方面显著优越于其他系统。最后,通过遗传算法对系统参数进行了精密优化,并将其成功应用于轴承故障检测。实验结果验证了DCPSTSR系统在性能上的卓越表现,为未来理论研究和工程应用提供了有力的理论支持和可行性验证。这一设计以及其在轴承故障检测方面的成功应用,为共振系统领域的进一步研究和实际应用提供了新的方向和范例,具有重要的科学和工程价值。

迈腾B8轿车氧传感器故障检测及分析

汽车氧传感器出现故障,会影响车辆的动力性、经济性和尾气排放特性。本文以迈腾B8轿车为例,从氧传感器的工作原理入手,结合电路图和实际检测数据,形成分析氧传感器的故障诊断思路,总结传感器及其电路的一般故障分析和诊断方法,从而快速排除相关故障。