基于改进Co-Forest的主机故障预警方法

针对数据中心中主机故障数据的标记稀缺的问题,提出一种改进的Co-Forest方法,结合少量标记和大量未标记的IT运维数据,实现硬件的故障预警。方法使用评估函数对Co-Forest算法的每轮训练需要加入的未标记数据进行过滤,避免半监督学习的性能恶化问题。对比实验结果表明,相比只使用了标记数据的分类模型和传统Co-Forest,方法能显著提高分类器的准确度。

基于IHHT‑RF的配电网单相接地故障选线方法

小电流系统发生单相接地故障时故障特征易受高接地过渡电阻、小初相角等弱故障条件影响而导致选线准确率低。为此,提出一种基于改进希尔伯特黄变换—随机森林(improved Hilbert⁃Huang transform⁃random forest,IHHT⁃RF)的配电网单相接地故障选线方法。首先,提取每条线路在故障发生时的电流暂态信号,通过IHHT提取纯净的暂态电气量,构造标准差、能量熵和幅值畸变度3类特征向量;然后,将特征向量输入RF分类器建立故障选线模型,把故障选线问题转化为二分类问题;最后,将测量数据输入RF分类器中得出分类结果,实现故障线路的自动识别。仿真结果表明,该选线方法综合利用暂态信号的幅值、频率和能量等特征信息,不受弱故障条件、馈线结构等因素的影响,能有效提高故障选线的准确率,具有较强的适应性和可靠性。

用SSA优化CNN-LSTM-SEnet预测模型实现风电机组故障预警

风电机组数据采集与监控系统的原始高维数据存在大量异常点和噪声点,且故障预警对性能预测模型的精度要求很高。为此,建立了一种基于混合神经网络预测模型的风电机组故障预警方法。为获取高质量的建模数据,采用快速密度峰值聚类和孤立森林算法对原始数据进行多步清洗。利用麻雀搜索算法优化的卷积神经网络–长短期记忆网络–压缩激励网络混合模型,建立了能够有效提取潜在特征信息、高精度的风机正常工况性能预测模型。为实现故障可靠预警、降低误报率,通过滑动窗口法构建预警指标并结合核密度估计法计算其阈值。采用真实故障历史数据进行实验,验证了方法的有效性。

基于广域信息分析的智能配电网故障自愈技术研究

针对传统电网接地故障检测和自愈方法存在识别速度慢且精确度较低的问题,文中结合信号广域信息提出了一种配电网故障自愈方法。该方法构建了单相接地故障模型,并将零序电流作为分析的对象。将零序电流信号分解为时域、频域以及小波域分量来作为广域特征向量,并采用随机森林算法对其权重进行分类,利用LightGBM算法对分类后的广域特征向量加以训练,进而得到故障预测结果。在仿真测试中,所提算法能够抵抗过渡电阻与初始相位角变化对预测结果的影响,且其故障分析准确率的平均值为98.9%,在对比算法中为最优,表明该算法可为配电网故障自愈提供有效的技术支撑。

基于EMD-gcForest模型的变压器油中溶解气体浓度预测方法

首先,考虑到气体浓度序列的波动性,利用经验模态分解(Empiricalmode decomposition,EMD)方法,将油中溶解气体浓度序列分解为不同特征尺度的本征模态函数(Intrinsic mode function,IMF)分量和1个剩余分量;然后,采用多粒度级联森林(Multi-grained cascadeforest,gcForest)模型对分解得到各子序列分量分别进行预测;最后,叠加所有各子序列分量的预测值作为最终结果。算例分析结果表明,相较传统预测方法,所提的EMD-gcForest方法具有较高的预测精度和泛化能力。

基于RF与D-S证据理论融合的多通道齿轮箱复合故障诊断

针对齿轮箱复合故障特征难于提取,诊断缺乏自动识别性,且单通道往往无法全面表征故障信息等问题,提出一种基于随机森林与证据理论相融合的多通道齿轮箱复合故障诊断方法。首先通过小波包变换对各通道复合故障信号进行分解,得到故障信号的特征向量;之后引入一种新的特征集组合框架构建针对不同故障的特征数据集,通过随机森林算法划分单个分类模型;接着综合考虑各分类模型,合成每个通道下的集成分类器,并提出一种新的迭代自更新策略不断完善分类器的性能;最后设计一种基于Lance距离的改进D-S证据理论算法,该算法采用Lance距离来度量各空间证据间的证据距离,并构造Lance矩阵,由此获得相似度矩阵来衡量各证据体间的相似程度和支持度,通过计算各通道的敏感度权重系数进行BPA修正,获得最终的诊断融合结果。通过齿轮箱试验平台进行算法验证,结果表明该方法能有效识别出复合故障中包含的每类故障,并能全面融合不同通道的故障冗余信息,实现齿轮箱复合故障的精确诊断。

基于随机森林的硬盘故障率预测研究

为了避免硬盘出现故障而造成大量数据丢失,文章提出一种基于随机森林的方法对硬盘的故障进行预测,降低其丢失数据的风险。首先,在数据预处理方面,对所采用的数据做特征映射预处理;其次,通过对决策树进行构建及选取等,构建随机森林预测模型,根据所选取的特征属性预测硬盘故障率所在的区间,并且特征属性的变化能反映出硬盘故障率的变化趋势;最后,对构建的随机森林模型参数进行调优,选取不同的n_estimators参数值进行测试和优化。实验结果表明,与XGBoost(Extreme Gradient Boosting)、LSTM(Long Short-Term Memory)等方法相比,本文方法的F1值(F-Measure)分别提高了0.93%和1.84%,并且对随机森林预测模型的参数值进行不同取值测试,最终准确率达到98.18%,比默认值提高了1.23%,证明该方法能更精确地预测硬盘故障率,反映出硬盘故障率基于特征属性的变化趋势。

基于OVMD-RF方法的风力发电机滚动轴承故障诊断

风电机组运行时轴承受到交变应力和冲击载荷,振动信号非线性、不平稳且具有噪声,特征提取不充分.针对风力发电机轴承故障信号处理和特征提取的固有缺陷,提出了基于优化变分模态分解与随机森林算法结合的故障诊断方法.首先,利用乌燕鸥优化算法对变分模态分解的参数进行搜索寻优;然后,利用优化参数的变分模态分解对滚动轴承振动信号进行分解,获得模态分量;最后,以峰值、峭度和包络熵构建融合特征训练集,并输入至随机森林分类器进行模型训练,实现故障识别.实例分析的结果表明,该方法识别风力发电机轴承故障的准确率高达100%,可实现故障的准确判别.

基于随机森林模型的藏东南地区滑坡易发性评价及主控因素分析

为了获取藏东南地区的滑坡易发性分区、深入探究研究区滑坡发育的主控因素。本文采用随机森林模型对藏东南地区的滑坡易发性进行研究。首先通过现场调查、遥感解译和文献查询等手段,共发现研究区滑坡306处,其次使用频率比模型(FR)对研究区易发性做快速评判,在其低易发区进行非滑坡样本的选取,使得随机森林模型得到较好的原始数据集,并通过计算权重来制作研究区易发性图,分析滑坡发生的主控因素,最后绘制ROC曲线和计算线下曲线的面积(AUC)对模型的准确性进行验证。模型预测结果显示,研究区高易发区主要集中在易贡藏布、帕隆藏布交汇处和雅鲁藏布江大拐弯的地方。在对特征重要性因素排序中,前三分别是断层密度、高程和坡度,模型的AUC=0.940,因此有较好的准确性。根据结果分析,研究区因长期受到构造作用影响,地质构造复杂,东西两侧均是巨型断层,南侧为喜马拉雅前缘断裂带,断裂带发育,尤其在高易发区断层纵横交错,多重挤压造成岩石破碎,节理发育。因此,易贡藏布、帕隆藏布交汇处和雅鲁藏布江大拐弯区域为滑坡灾害高易发区具有合理性。该模型对藏东南地区滑坡的发生和灾害的治理提供了理论依据,对该地区防灾减灾提供了理论支撑。

柱塞泵滑靴磨损信号随机森林算法故障诊断

为了提高低负载下柱塞泵滑靴磨损故障状态诊断精度,提出基于随机森林算法的柱塞泵滑靴磨损故障状态识别方法。重点分析了低负载条件下各类柱塞泵滑靴故障信号的频域特征值,构建了特征数据库。验证了上述方法的适应性,并测试了柱塞泵不同程度松靴故障的诊断情况。研究结果表明:滑靴磨损后频域表现出明显的波动性,袋外错误率和决策树数量呈现反比变化规律,基本都在0.05附近,将决策树最优棵数n设定在400。以随机森林算法诊断特征数据库时,在250组样本中只发生了1组误识别情况,达到了98.75%的识别准确度。随机森林方法训练时间、训练准确度与测试准确度都比其它各算法更优。松靴故障诊断结果获得了高于99.5%的总体诊断准确度。采用随机森林方法柱塞泵磨损故障状态诊断表现出优异适应性,能够对柱塞泵各故障状态进行准确诊断。

基于LSTM-RF的电动钻机绞车齿轮箱故障诊断

针对提高石油电动钻机绞车齿轮箱故障诊断的准确性和效率,提出了一种基于长短期记忆网络(long short-term memory,LSTM)和随机森林(random forest,RF)融合模型。首先,运用LSTM能够从大规模数据中学习复杂特征,将这些特征作为随机森林的输入。然后,通过随机森林处理非线性和高维数据以及对特征的分类,以实现对齿轮不同故障状态的识别。最后,利用电动钻机绞车齿轮箱运行过程中的实时数据,建立了一个包含多种齿轮故障类型的综合数据集。试验结果表明,LSTM齿轮故障诊断准确率为94.67%,RF齿轮故障诊断准确率为94.34%,支持向量机齿轮故障诊断准确率为82.00%,K近邻齿轮故障诊断准确率88.33%,而融合模型LSTM-RF在齿轮故障诊断准确率方面达到了98.33%,克服了单一模型的局限性,提高了诊断准确性。研究表明了融合模型具有更优的电动钻机绞车齿轮箱故障诊断能力。

基于LSTM和随机森林的避雷器故障预警算法

针对传统实验方法无法准确预测避雷器状态及当前在线监测方法易受环境因素干扰的问题,提出了一种基于长短期记忆(LSTM)网络与随机森林(RF)算法的避雷器故障预警模型。该模型利用LSTM算法通过避雷器的关键特征量,对其未来状态做出预测,并将LSTM的预测数据输入到预训练好的改进随机森林模型进行故障类型分析,实现提前告警。多组对比实验结果表明,所提方法对避雷器故障预测的平均绝对百分比误差(MAPE)范围为4.16%~5.62%,均方根误差(RMSE)范围为0.136~0.154,而针对避雷器故障分类的总体准确率为92.6%,有效实现了避雷器的状态预测和故障分类,可以为工程应用提供更为精准的决策依据。

基于故障相电压与零序电流相位比较的中性点不接地系统高阻接地故障保护方法

为降低电力线路故障引发森林火灾的风险,中压配电网接地保护须可靠检测过渡电阻为12kΩ的接地故障。穿越林区的10 kV中压配电系统主要采用中性点不接地方式,现有保护方法依赖零序电压检测故障方向,耐过渡电阻能力不超过6 kΩ,无法满足防治森林火灾的要求。为此,提出了一种基于相电压与零序电流相位比较的中性点不接地系统高阻接地故障保护方法,作为高阻接地故障的后备保护。通过中性点不接地系统高阻接地故障等值电路分析,发现在现有保护的动作死区内,故障相电压与故障线路零序电流近似同相,与健全线路零序电流近似反相的规律,使用故障相电压作为极化量,构造了通过故障相电压与零序电流的相位关系来判断故障方向的高阻接地故障保护方法。相较于现有保护方法,所提方法的耐过渡电阻能力从6 kΩ提升至12 kΩ。所提方法能可靠检测导线触树故障,将保护能力边界提升至防范森林火灾的安全范围内。数字仿真与现场人工试验均验证了所提方法的有效性。

基于多指标综合评价的配电网接地故障山火风险等级划分

近年来由电力故障引发的森林火灾时有发生,配电网接地故障若未被及时切除,故障电弧可能引燃周边植被,进而引发森林火灾。为开展差异化的防山火措施,提出一种基于多指标综合评价的配电网接地故障山火风险等级划分方法。结合无人机巡线数据、配电线路历史故障数据、气象数据及自主设计的植被电弧燃烧性实验,分析相关山火风险因子。利用德尔菲-网络分析法确定各山火风险因子权重及风险得分,加权求和得到山火风险综合得分,从而确定配电线路山火风险等级。对湖南电网某10 kV配电线路进行实际案例分析,验证了该方法能较为准确地划分配电线路山火风险等级,明确线路山火防治重要区段,为面向山火防治的配电线路接地故障处置装置运行机理提供有力辅助参考。

基于变分模态分解能量熵混合时域特征和随机森林的故障电弧检测方法

在家庭生活用电器中,非线性负载电器逐渐增多。这一趋势使基于电弧“零休”特性的传统故障电流检测方法无法准确识别故障现象,因此本文提出一种基于信号时域特征结合变分模态分解固有模态能量熵的随机森林故障电弧识别方法。以线路电流为分析对象,先提取其时频特征量,再采用变分模态分解算法对故障电弧电流进行分解得到模态分量并计算其能量熵。以时域、能量熵特征构成多维特征向量,输入随机森林模型中对信号类型进行分类决策,进而识别故障电弧。实验发现,相比于其他方法,本文所提方法的故障电弧识别准确率可达99%,且适用于多种典型负载和非线性负载工作的低压配电故障电弧识别。

考虑配电线路参数误差的相间故障测距方法

针对配电线路参数误差对相间故障测距结果的影响,提出了一种基于随机森林算法的相间故障测距方法。首先,选取并介绍了4种典型的双端测距基础算法,通过分析建立了参数误差、测量误差与测距结果的关联关系,结果发现该关联关系具有非线性且难于显性解析表达的特点。然后,通过建立随机森林模型,构建了以基础算法测距结果为输入,以精确故障位置为输出的非线性模型,表征参数误差、测量误差与测距结果的非线性关系,实现相间故障测距。最后,数字仿真验证了所建模型测距精度高,不受线路参数误差、故障位置、故障起始角等因素的影响,且适用于含高渗透分布式电源的配电网,具有泛化能力和实用价值。

基于随机森林算法拖拉机齿轮箱故障诊断研究

准确检测机械部件的故障是减少维修成本、生产损失和延长机器使用寿命的重要基础条件。在农业生产环境中,由于作业环境较差、干扰信号较多,导致传统故障传感器灵敏度降低,不能及时对故障进行判断与处理,故障频发。为此,选取拖拉机为研究目标,对其辅助齿轮箱进行智能故障诊断。在3种不同的转速(600、1350、2000r/min)条件下,收集了健康和故障小齿轮的振动信号,基于离散小波变换(DWT)作为信号处理,通过相关性特征选择(CFS)方法被用来进行特征选取,并采用随机森林(RF)和多层感知器(MLP)神经网络来对数据进行分类。研究结果表明:不使用特征选择的情况下,RF故障预测准确率为86.25%;在600r/min时,不使用特征选择的RF故障预测准确率为86.25%,使用CFS的最佳6个特征通过训练的RF的相应值,在600r/min时,RF故障预测准确率为92.5%;在1350r/min时,RF故障预测准确率为95.0%。

基于随机森林的钻机泵控推进系统故障诊断方法

针对煤矿井下水平定向钻机恒压泵控推进系统故障复杂多变、监测变量繁多而导致的诊断效率低和诊断精度不高的问题,提出基于随机森林的钻机恒压泵控液压推进系统故障诊断方法。首先,采用AMESim软件建立钻机推进系统模型,结合系统常见故障模式和故障机理,在不同工况下通过改变液压元件关键参数完成了常见故障模拟;然后,用预处理后的仿真样本验证故障诊断模型的有效性。结果表明:随机森林(RF)故障诊断模型,可以实现钻机泵控推进系统故障的有效分类,与决策树(CART)、支持向量机(SVM)、十折交叉验证SVM(10-CV-SVM)相比有着更高的准确率,为定向钻机智能运维发展奠定了基础。

基于ERF和BO-SVC的交流接触器触头故障识别方法

针对交流接触器各状态样本不均衡导致故障状态识别精度低和特征冗余度高的问题,文中提出一种基于嵌入式随机森林(embedded random forest,ERF)和贝叶斯优化非线性支持向量机(Bayesian optimization-support vector classification,BO-SVC)的复合识别方法。首先,通过交流接触器全寿命试验平台提取接触器状态特征,并针对各状态样本间不均衡导致识别精度低现象,提出一种基于权重法的样本均衡处理策略。然后,使用ERF对均衡后样本进行特征选择和降维,提取最能表征触头状态变化规律的最优特征。最后,将最优特征输入到BO-SVC识别模型,与另外2种代表性模型作为对比,以精确率、召回率和F1-分数3个指标对各模型性能进行评估。在3个指标上,文中方法的结果分别达到95.22%、98.91%和97.01%,均高于对比模型。以F1-分数为指标,在4组样本上对各模型性能进行测试,结果表明文中方法的F1-分数平均高出对比模型0.56%和27.28%,验证文中研究有效解决了交流接触器特征冗余和故障识别精度低的问题。

基于GJO特征量优选的AO-RF的变压器故障诊断模型

在变压器故障诊断过程中,进行合理的特征优选,将有助于提高诊断模型的诊断精度,为此,文中提出了一种基于金豺优化算法(golden Jackal optimization,GJO)特征量优选与AO-RF的变压器故障诊断模型。首先,采用GJO对构建的21维变压器油中溶解气体特征量进行优选;然后,根据GJO得到的特征优选结果,采用天鹰算法(aquila optimizer,AO)优化随机森林(random forest,RF)的变压器故障诊断模型对变压器故障进行诊断,并与不同特征量、不同故障诊断模型的诊断结果进行了对比。实验结果表明:GJO优选特征量相比21维原始特征、三比值法、无编码比值法以及AO优选特征量的故障诊断准确率可提高1.12%~25.78%,kappa系数可提高0.02~0.24;AO-RF故障诊断模型较RF、SVM、ELM、SSA-RF、WOA-RF、GJO-RF模型的诊断准确率可提高1.84%~15.86%,kappa系数可提高0.02~0.16,验证了所提方法的有效性和准确性。