基于迁移QCNN的孪生网络轴承故障诊断方法

轴承故障诊断对于降低旋转机械的损坏风险,进一步提高经济效益具有重要意义;深度学习在轴承故障诊断中应用广泛,但是深度学习模型在训练与测试时容易受到噪声的干扰导致性能下降;并且轴承的工况变化频繁,不同工况下的数据采集困难;对此,提出了一种基于迁移QCNN的孪生网络轴承故障诊断方法,先预训练QCNN获取具有较强判别性的模型参数,将预训练的参数迁移到QCNN作为子网络的孪生网络中,然后正常训练孪生网络获取模型,最后将测试数据与故障数据组成数据对输入模型,即可得到测试数据的故障类型;该方法将QCNN与孪生网络相结合,QCNN中的Quadratic神经元具有强大的特征提取能力,孪生网络共享权重和相对关系的训练方式,使得模型可以缓解噪声和工况数据不平衡问题的影响;实验结果显示,相较与传统机器学习模型和QCNN等模型,所提出方法在面对噪声和工况数据不平衡问题表现更好。

基于模糊贝叶斯网络的引水隧洞安全评价模型分析

为准确预测黄河引水隧洞安全隐患,提出基于模糊集理论和主观贝叶斯方法的模糊贝叶斯安全评价模型。结合实际巡检数据,模型使用贝叶斯网络处理模糊信息与不确定信息,将巡检数据中给出的多态性故障事件模糊化;再通过贝叶斯网络的条件概率表找出不同故障事件之间的逻辑关系;最后获得对引水隧洞安全模型的整体评价。通过开展引水隧洞安全评价模型实例分析,验证了该方法的可行性。

基于多目标异权重回归的冷水机组故障诊断显式模型

针对冷水机组中常见的7种故障,本文基于交叉熵损失函数和随机梯度下降算法建立了多目标异权重回归模型,进行故障诊断。该模型较常规的机器学习分类模型简单,无需迭代,计算速度快,且为显式模型(非黑箱),可直观分析各参数对每类故障的重要程度。与传统的单目标回归模型相比,故障诊断性能优势显著,在不同特征集合下,性能最低提升40.50%。对比不同文献中特征集合在本模型中的效果,并提出了新的特征集合,正常运行及7类故障的总体诊断准确率可达89.83%,局部故障的诊断准确率达到98%以上。通过可视化诊断模型中的参数权重,发现过冷度和供油温度参数对诊断制冷剂泄漏、制冷剂过充和润滑油过量3种系统性故障最为重要;供油压力、冷凝器趋近温度、蒸发器与冷凝器的水流量参数对诊断4种局部故障最为重要。

一种基于多特征的日志事件异常检测方法研究

随着计算机系统规模增大、系统复杂性增加和用户服务质量要求提高,日志系统的重要性日益提高。日志用于记录计算机系统运行过程中产生的数据或事件,日志记录中的异常数据往往表明系统存在性能波动、异常或故障。针对现有的日志异常检测研究多采用单一特征进行异常检测,存在低效、不完备和误判率高等问题,提出基于多特征的日志事件异常检测方法。首先,定义了日志的多元特征,包括序列、定量、语义和时间特征。其次,采用BERT结合TF-IDF获取语义特征向量,并通过特征融合获取模型的输入特征。最后,建立基于注意力机制的Bi-LSTM异常检测模型。实验表明该异常检测模型在精确度上有一定提升,对于辅助发现日志异常具有一定参考作用。

冷水机组数字孪生模型及故障诊断研究

本文采用了基于数字孪生的冷水机组故障诊断方法,研究了冷水机组制冷剂泄漏、冷凝器水流量减少、蒸发器水流量减少故障的诊断策略,分析了物理建模、经验建模和数据驱动建模的联合建模方式生成数据的可靠性和对故障诊断的提升效果,并通过实验验证了所提出方法的可靠性。结果表明:数字孪生方法可以有效解决故障诊断模型在新工况点下诊断能力下降的问题,利用数字孪生方法后系统仿真模型的所有热力参数最大相对误差均不超过4%,且故障诊断模型的准确率、查全率、平衡F分数分别提升9.7%、29.4%和16.6%。

基于优化SVM的BUCK电路故障诊断方法

核心功率器作为功率变换器的重要组成部分,一旦发生故障,直接影响电路的安全运行。为此设计核心功率器件的加速退化实验方案,采用加速退化实验中退化程度最为严重的电解电容和SiC MOSFET功率管代表DC-DC变换器的软故障器件。实验设定5种工况条件,分别采集每种工况条件下的4种电路信号。采用ReliefF算法对48维特征进行特征优选,采用粒子群算法优化支持向量机(PSO-SVM)进行故障分类,并与SVM、KNN分类算法进行对比分析,验证了所提方法的优越性。实验结果表明:PSO-SVM故障诊断方法可以获得更高的故障诊断率。

多模型融合的民机环控系统空调组件故障诊断模型开发及验证

针对民机环控系统空调组件故障数据难获取、故障数据不平衡的问题,本文采用动态仿真的方法,研究了民机环控系统空调组件的故障发生情况,通过人工注入故障获取了故障数据集。利用滑动平均和经验模态分解的方法有效抑制了空调组件原始时序信号中的白噪声,降低了将正常信号误判为异常的风险。开发了融合孤立森林、谱残差和自编码器的故障诊断模型,分析了不同算法组合的融合算法精度。结果表明,开发的融合模型可以有效诊断动态仿真数据集中的空调组件故障,诊断精度达到100%;对于机械故障公开数据集,训练的模型结合开发的信号处理方法可以实现91.12%的诊断准确率,召回率达到98.66%,验证了解决方案的有效性和泛用性。

基于故障敏感度学习和集成学习的可诊断性设计方法

对系统进行可诊断性设计,能优化诊断方案、提升诊断方案与系统的契合程度,对于准确检测或隔离系统故障具有重大意义。为此提出一种基于故障敏感度学习和集成学习的可诊断性设计方法。对于采集到的不同状态下的系统测试点信号进行特征提取,结合系统的可诊断性评价结果,提出特征贡献度量化算法,对信号中不同特征对故障诊断的贡献度进行评估,使用改进的D-S证据理论算法对不同信号的特征进行融合,确定适用于故障检测与隔离的故障敏感特征集合;采用集成学习方法对基分类器的诊断效果进行加强,最终获得对当前系统的诊断方案。仿真实验结果表明,采用新的可诊断性设计方法设计出来的针对系统的诊断方案,可以对系统故障进行良好的诊断,其中与未进行故障敏感度学习环节相比,故障诊断的错误率由5.33%下降到2.66%,与未进行集成学习环节相比,故障诊断的错误率由16.22%(基诊断器的平均值)下降到2.66%。在与其他诊断方案的对比实验中,新方法的故障诊断错误率相较于对比方法的平均值下降了3.34%。

基于卷积时空交互融合网络的列车轴承故障诊断

[目的]轴箱轴承运行环境的多元复杂性使得采用单一传感器的轴承故障诊断方法难以取得良好的效果。针对此问题,特开展了基于卷积时空交互融合网络的列车轴承故障诊断的研究。[方法]采用多传感器融合方法,在水平-竖直振动数据集上提出了一种CTS-MFN(基于卷积时空交互融合网络)用于轴承故障诊断。将ECA(高效通道注意力)模块、LSTM(长短期记忆)网络和相似性距离约束引入卷积自编码器,使模型能够提取具有模态间交互信息的时间-空间注意特征;在利用MLP(多层感知机)对各模态时空特征进行融合推断。[结果及结论]通过对比试验、消融研究、泛化性能分析等试验,证明了所提模型的有效性。

考虑噪声影响的基于Wasserstein测度的可诊断性评价方法

针对可诊断性评价中区分度不足以及评价结果难以解释等问题,提出了一种基于Wasserstein测度的可诊断性定量评价方法。该方法以系统在不同状态下测点的量测信号为基础,将信号视作随机变量,使用2-Wasserstein测度作为衡量变量之间相似程度的手段,来实现对系统的可诊断性评价,同时分析了量测信号对于可诊断性评价结果的影响。使用双带通滤波电路对所提方法进行验证,结果表明,相较于基于K-L散度和D矩阵的可诊断性评价方法,所提方法在进行评价故障可诊断性方面更具客观性和科学性。

基于流域电力生产数据中心的主设备故障诊断研究

随着智能水电站、集控中心的发展,各流域水电开发公司建设了电力生产数据中心,构建了标准化、规范化的数据模型,打通了底层系统通道。在电力生产数据中心的基础上,构建统一的主设备监测数据模型,并为应对现有设备报警模式的缺陷,分析专家知识和智能诊断方式的优势,建立了电站主设备的综合诊断系统,提供了多层次、多角度地的诊断参考意见,对推进智能水电建设、集控发展有着重要的意义。最后,以某混流式发电机组运行工况数据为例,分析并验证了综合诊断模型的有效性。

基于PA-VME与SPP的机械设备故障诊断方法的研究

针对传统的故障识别方法存在信号质量低和诊断精度差等问题,提出一种参数自适应变分模式提取(PA-VME)和稀疏保持投影(SPP)相结合的数据驱动机械故障诊断新方法。结合相关系数、L-峭度和信息熵构造一个新的指标L_(FCI)并将其作为适应度函数,采用粒子群算法对变分模式提取的内部参数进行优化,从而形成PA-VME模型并将其用于振动信号的模式分解;根据构造的指标能够反映信息有序度的原则,选取有效的模式分量并计算得到高维特征数据集;利用SPP将数据集通过权重矩阵投影到低维空间,实现对高维特征数据的降维和聚类分析。通过对仿真信号和实验台的故障信号进行分析,证明其对不同类型机械故障的识别精度可以达到96.87%。

基于小样本的胶囊网络轴承故障诊断方法

针对滚动轴承故障样本稀疏、卷积神经网络(convolutional neural network, CNN)池化层效率低的问题,提出一种基于胶囊网络的小样本学习方法模型。基于孪生神经网络,通过相同或者不同类别的样本对进行特征学习,根据特征之间的差异进行故障分类。在标准的凯斯西储大学(Case Western Reserve University, CWRU)轴承故障数据集进行的实验结果表明,该模型在有限数据样本下对故障诊断更为有效。通过添加不同幅值能量的高斯白噪声开展实验,其结果表明,所提方法在抗噪性方面具有优势。

基于支持向量机的风力发电机组故障诊断预警模型

当前的风力发电机组故障诊断预警模型设置的矩阵一般为单元式的,预警的范围受到限制,导致预警响应时间延长,为此提出对基于支持向量机的风力发电机组故障诊断预警模型的设计与验证分析。根据当前的测定需求及标准,提取故障诊断预警特征量,采用多目标的方式,打破预警范围的限制,设计多目标诊断预警矩阵,以此为基础,构建支持向量机故障诊断预警结构,采用阶次分析实现故障诊断预警处理。测试结果表明:对比传统机器学习风力发电机组故障诊断预警模型测试组、传统MSK-CNN和多源机电信息融合风力发电机组故障诊断预警模型测试组,此次所设计的支持向量机风力发电机组故障诊断预警模型测试组最终得出的预警响应时间被较好地控制在0.25 s以下,说明在支持向量机的辅助下,所设计模型对故障诊断预警的效率较高,针对性更强,具有实际的应用价值。

一种考虑车轮多边形的转向架故障诊断深度学习方法

目前转向架故障诊断研究仅仅考虑了较为理想的列车运行状态,未考虑车轮多边形的影响,而车轮多边形激励的存在能显著降低故障诊断的精度。为此,提出了一种基于LSTM网络和卷积神经网络的深度学习方法。该方法由LSTM以及一维卷积神经网络组成,并引入了注意力机制用于强调训练数据特征,提高转向架故障信号识别的准确率。以CRH380动车组转向架为例,引入车轮多边形激励,采用所提方法对不同工况下的关键部件故障进行了分类。通过与已有方法对比发现,所提方法由于引入了注意力机制,较大程度克服了车轮多边形带来的噪声干扰,提高了转向架故障诊断的精度。

泵站离心泵故障状态自动监测方法

为增强泵站离心泵的运行效果,提出泵站离心泵故障状态自动监测方法。首先分析离心泵运行振动信号,从中提取峰值、脉冲、裕度、峭度等特征参数,然后利用SVM对提取的特征参数进行故障模式识别,自动监测泵站离心泵故障状态。结果表明,应用设计方法在不同离心泵故障模式样本特征的类聚效果较好,故障状态监测准确率较高。

基于ZOA与CNN的电梯故障诊断

采用ZOA-CNN方法对电梯轴承故障进行诊断,旨在通过分析电梯运行过程中的轴承振动信号,进一步判断电梯是否存在故障。卷积神经网络(Convolutional Neural Network,CNN)具有出色的数据特征提取能力,为电梯轴承故障诊断提供了有力支持。同时结合斑马优化算法(Zebra Optimization Algorithm,ZOA)对CNN模型参数进行优化,以提升诊断性能。研究结果表明,该方法在轴承电梯故障诊断方面取得了显著的成果,其诊断准确率达到了99.75%,明显高于传统故障诊断方法对电梯故障的正确率。

基于大数据分析的电力系统故障诊断与预测研究

为了探讨基于大数据分析的电力系统故障诊断与预测方法,文章对大数据技术理论基础、电力系统参数监测和数据采集、数据预处理和特征提取等方面进行概述,分析了传统的故障诊断模型,设计了基于大数据分析的电力系统故障诊断模型,同时探讨了深度学习在这一领域的应用。在故障预测方面,针对电力系统故障提出了基于大数据分析的预测分析方法,并将其具体应用效果分析以案例分析的方式展现出来。研究表明,在电力系统故障诊断与预测方面,以大数据分析为基础的方法效果显著,具有重要的理论基础和实践指导作用。

红外测温技术在变电运维中的应用

在我国电力行业不断发展的背景下,我国国民经济也得到了稳定的发展。在电力行业发展中,变电运维工作是电力系统中的一个关键环节,直接关系到电网中各设备的安全、稳定、可靠运行。然而,随着电力事业的不断发展,各种新的设备不断涌现,也为变电运维工作带来了很大的挑战。红外测温技术是目前电力系统中应用最广泛的一种带电探测技术,其无须触碰电器,就能探测到装置发热等不正常的状况,进而可以保证人身、电网、设备的安全。基于此,文章概述了红外测温技术的工作原理、特点及主要优势,分析了红外测温技术在变电运维中应用的重要性,并重点对红外测温技术在变电运维中的应用进行了研究,为提升红外测温技术在变电运维中的应用效果提供了参考。

基于粒子群算法的配电网故障定位分析

随着中国科学技术水平的不断进步,我国的电力系统覆盖规模越来越大,电压等级也越来越高,配电系统结构也日趋复杂,在当今社会经济持续发展的同时科技水平也在逐步提升,分布式电源的接入规模和容量越来越大,造成配电网的结构越来越复杂。为了能够更加方便、及时、准确地对城市配电网络的故障进行定位,国内外科学家将粒子群算法运用到配电网故障定位中。文章基于国内外故障定位方法对粒子群算法原理进行说明,并且对故障定位进行了模拟研究,并展开仿真实验,仿真结果显示粒子群算法有很大的实用价值和优势,对故障定位的效率和精准度有极大的帮助。