Fault monitoring based on mutual information feature engineering modeling in chemical process

A large amount of information is frequently encountered when characterizing the sample model in chemical process.A fault diagnosis method based on dynamic modeling of feature engineering is proposed to effectively remove the nonlinear correlation redundancy of chemical process in this paper.From the whole process point of view,the method makes use of the characteristic of mutual information to select the optimal variable subset.It extracts the correlation among variables in the whitening process without limiting to only linear correlations.Further,PCA(Principal Component Analysis)dimension reduction is used to extract feature subset before fault diagnosis.The application results of the TE(Tennessee Eastman)simulation process show that the dynamic modeling process of MIFE(Mutual Information Feature Engineering)can accurately extract the nonlinear correlation relationship among process variables and can effectively reduce the dimension of feature detection in process monitoring.

基于布谷鸟搜索优化特征选择的轴承故障诊断

针对高维特征导致的滚动轴承故障诊断精度低问题,提出一种基于改进二进制布谷鸟搜索的特征选择方法。首先,采用Hilbert-Huang变换技术提取电机信号的时频域信息,建立高维特征集合。其次,基于布谷鸟搜索算法提出一种基于互信息的特征加权初始化方法,通过计算特征互信息对原始特征集合进行相关性评估,达到快速去除无关特征的目的。同时,引入局部螺旋开发策略,并采用动态切换概率算子实现全局探索和局部开发的平衡,加快算法收敛。最后,采用KNN分类器对轴承状态进行诊断,实验研究表明,上述方法能有效提取更具价值的特征信息,识别精度高达99.05%,相比于其它同类方法诊断准确率高,性能更稳定。

融合 OCEEMDAN的多模态互量纲一化与宽度学习改进的智能故障诊断

滚动轴承作为旋转机械的重要组成部分,在恶劣环境运行导致振动信号具有非线性和非平稳的特点,使得区分故障信号和正常信号变得困难。针对此,提出一种结合多模态互量纲一化(MMDI)与宽度学习系统(BLS)的智能故障诊断方法。通过优化完全自适应噪声集合经验模态(OCEEMDAN)与小波阈值对轴承观测信号进行分解处理,对有效的本征模态函数(IMF)重构并提取MDI,构建了一批MMDI;采用反向传播算法(BP)与堆叠模块方式优化BLS,改进的BLS算法能够快速识别不同的故障类型;最后通过凯斯西储大学轴承数据中心与某实验室提供的轴承数据集对所提方法进行验证,平均准确率分别为99.8%与100%,验证了方法的有效性。

基于互无量纲特征与迁移学习的变工况滚动轴承故障诊断

滚动轴承的可靠性是工业生产连续性与安全性的重要保证之一,但由于其运行环境的高温、高压、高时长特性,振动信号表现出一定的非平稳性与非线性,并且由于故障样本的缺失,基于数据驱动的诊断方法很难进行应用。文中提出一种基于互无量纲特征与迁移学习的变工况滚动轴承故障诊断方法,提取轴承振动互无量纲特征用于解决轴承信息非线性问题;针对故障样本缺失问题,提出一种改进的卷积神经网络迁移模型,将大数据模型迁移到小样本模型中来。通过美国西储大学轴承实验平台的验证所提出的方法平均诊断准确率达到95.9%,为滚动轴承的故障诊断提供一定的理论参考。

具有故障概率分析功能的故障注入攻击平台的设计与应用

针对故障攻击中数据需求量大、方法可移植性不强、抗噪性不强、计算复杂度高等问题,设计了一套具有故障概率分析功能的故障注入攻击平台。该平台由攻击目标、故障注入控制器、示波器监控模块和数据采集处理模块构成。利用该平台以MCU密码靶为攻击对象,开展了故障注入攻击教学与探索性实验。借助该平台展示各型故障注入攻击的密钥恢复过程,可以使学生更好地掌握故障攻击、泄漏测量和评估技术,培养学生的实践动手能力及知识综合运用能力。

直供方式下复线电气化铁路电抗测距法修正方案研究

介绍电抗测距法的基本原理,分析直供方式下复线电气化铁路电抗测距法存在的误差,结合行车组织要求和故障应急处置流程的规定,分析电抗测距法在实际应用中存在的问题,引入互感因子,计算得出考虑互感因子的电抗测距修正计算式,并提出基于判断并联供电或解列供电运行方式的电抗测距法的修正方案。经实例验证,该修正方案具有一定的可行性。

基于互信息-主成分分析-贝叶斯网络的化工过程故障诊断方法

为了解决复杂工业过程中存在变量众多、特征提取困难等问题,提出一种基于互信息(mutual information, MI)、主成分分析(principal component analysis, PCA)和贝叶斯网络(Bayesian network, BN)相结合的诊断方法。利用互信息与PCA在故障特征信息提取的优势,并结合BN在建模中强大的学习能力,建立互信息-主成分分析-贝叶斯网络(mutual information-PCA-Bayesian network, MPBN)故障诊断模型,最后根据联合树推理算法完成推理实验,并在田纳西-伊斯曼(Tennessee Eastman, TE)过程进行仿真验证。实验结果表明,该方法有效提高了化工过程诊断的准确效率和稳定性,尤其可在传感器存在证据缺失等不确定性环境因素情况下,依然具有一定的故障诊断效果。

基于改进麻雀搜索算法优化BN的变压器故障诊断研究

针对变压器故障诊断准确率低和稳定性差的问题,文中提出了一种改进麻雀搜索算法优化贝叶斯网络的变压器故障诊断方法。首先,通过计算互信息建立最大支撑树并进行定向处理得到贝叶斯网络初始结构即初始种群。然后,在算法中引入一种新的合作机制和正弦余弦算法,提高算法收敛速度和全局搜索能力,并利用油中溶解气体分析,创建基于改进麻雀搜索算法优化贝叶斯网络的变压器故障诊断模型。最后,为了证明所提方法的优越性,将所提的方法与现有变压器故障诊断方法进行对比。结果表明,文中所提出的方法故障诊断率最高,可以更精准地对变压器进行故障诊断。

基于无监督学习的时序序列故障诊断方法研究

随着信息技术和传感器技术的发展,基于数据驱动的故障诊断技术是保障大型工业设备高效、安全运行的关键技术之一.机器学习由于其具有强大的特征表示能力与基于大数据的特征提取优势,多种深度神经网络模型已成为故障诊断领域中最常用的特征提取方法之一.但监测设备收集到的数据中包括大量的无标签数据,基于监督学习的深度神经网络模型没有办法对其进行充分的利用,造成了部分有用信息的浪费.针对无标签数据,提出基于无监督学习的方法,利用最大化互信息的思想训练特征提取模型,在此基础上,设计一种针对时序序列数据的故障诊断方法,并在公开数据集凯斯西储大学轴承数据集上验证,取得了比以往传统方法更高的诊断精度.在卫星监测数据上进一步验证,提出的特征提取模型能够对故障不同阶段进行区分,很好地捕捉不同阶段的数据特性.结果表明,提出的基于无监督学习的故障诊断方法能够有效、充分地利用大量的无标签数据,提高时序序列数据的故障诊断精度.

基于互信息的异步电动机轴承故障特征选择方法研究

由信息论中互信息的基本概念,针对异步电动机轴承故障的特征类别,提出基于互信息的异步电动机轴承故障特征选择算法。将该方法应用于电动机轴承外圈故障诊断,提取振动信号时域统计特征并进行排序,结果表明,该算法在降维条件下,能够有效筛选数据特征集,提高诊断效率。

基于MI-ECHPO-PNN的高压断路器故障诊断研究

为了提高断路器故障状态诊断的准确性,精准识别故障,提出一种基于互信息特征选择和改进猎食者算法优化概率神经网络的高压断路器故障诊断方法(MI-ECHPO-PNN)。利用变分模态分解振动信号,选择其中频率较高的分量提取故障特征,利用互信息算法进行特征筛选,作为诊断模型的输入;运用改进的猎食者算法优化概率神经网络的平滑因子,将优化后的参数输入概率神经网络搭建ECHPO-PNN故障诊断模型。仿真结果表明:ECHPO-PNN模型相比其他PNN模型,诊断效果更好,准确率可达100%,具有良好的准确性和稳定性。

输配电协同故障预案在线生成及应用

为及时发现和处理输电线路中的故障,防止对配电网造成更加严重的影响,设计了输配电协同故障预案在线生成系统,系统对线路进行全方位监测,计算并定位线路故障,同时生成故障应对预案;利用改进PEARSON方法,避免由于电流曲线不同而发生误判,系统检测到故障后,进行故障隔离和故障定位操作。进行线路故障定位测试,系统的平均定位误差为0.442%,故障定位误差最小为0.32%,进行故障诊断分类测试,系统的故障分类准确率最大为98.78%。

计及系统参数和负荷电流影响的故障测距方法

单端测距由于其独特优势而广泛应用于线路故障测距中。为简化运算,常规单端测距对系统参数等做了近似假设,测距精度会受到一定程度的影响。对常规单端测距算法进行分析,找出影响测距精度的因素,提出一种计及系统参数和负荷电流影响的测距方法。首先根据叠加原理实时计算系统阻抗,并利用系统阻抗和线路阻抗计算故障电流分配系数;再利用故障前后电流变化量计算保护安装处故障电流分量,进而结合电流分配系数计算故障点故障电流;然后根据基尔霍夫电压定律得到关于故障位置系数和过渡电阻两个未知数的复数方程,求方程的解并去除伪根。该方法实时计算系统阻抗,并消除负荷电流的影响,同时考虑了双回线邻线互感的影响。通过MATLAB仿真分析,验证本文提出的改进测距算法能有效提高测距精度。

化工过程微小故障检测方法研究与应用

在实际化工过程中缺少对微小故障的检测方法,为解决PCA(主元分析)进行特征提取容易丢失非线性信息的问题,使用互信息矩阵代替协方差矩阵进行特征提取,称作MIPCA(互信息主元分析)。为了弥补SVDD(支持向量数据描述)忽略故障数据中重要信息的缺点,将少量故障数据引入模型训练过程中,以提高模型的精度,称作CSVDD(全面支持向量数据描述)。将2种算法相结合提出一种新的故障检测方法MIPCA-CSVDD,用于化工过程微小故障检测。最后借助TE(田纳西-伊斯曼)仿真数据与河南某化工厂的真实数据,与经典PCA和SVDD方法比较检测结果,验证了所提方法的有效性。

基于互信息的分散式动态PCA故障检测方法

对现代大型复杂动态过程来讲,不同测量变量会存在不同的序列相关性,而且变量间的相互影响会体现在不同的采样时刻上。为此,结合利用分散式建模的优势,提出一种基于互信息的分散式动态过程故障检测方法。该方法在对每个测量变量都引入多个延时测量值后,利用互信息为每个变量区分出与其相关的测量值,并建立起相应的变量子块。这种变量分块方式使每个变量子块都能充分地获取与之相对应的自相关性与交叉相关性信息,较好地处理了数据的动态性问题。然后,利用主元分析(PCA)算法对每一变量子块进行统计建模从而建立起适于大规模动态过程的多模块化的故障检测模型。最后,通过实例验证该方法用于动态过程监测的可行性和有效性。

基于分布式降噪正交自编码器的工业过程故障检测

针对基于过程知识进行模块划分的方法,存在知识不足造成模块划分不准确以及数据中的噪声导致的过拟合影响到故障检测率的问题,提出一种变量模块划分并采用降噪正交自编码器建立分布式故障检测的方法(MBIDOAE)。首先利用互信息和最短距离的层次聚类将相关关系强的过程变量聚类,获得多个模块。然后采用降噪正交自编码器提取各模块过程变量的非线性特征构建分布式模型,引入随机噪声来增强自编码器的抗噪性并利用正交矩阵降低特征的冗余性。采用T2和SPE统计量作为故障检测指标,通过对TE过程的仿真,与PCA、AE、MBIPCA和所提MBIDOAE进行对比,验证了该方法的有效性。

基于互信息的PCA方法及其在过程监测中的应用

主元分析(PCA)是一种经典的特征提取方法,已被广泛用于多变量统计过程监测,其算法的本质在于提取过程数据各变量之间的相关性。然而,传统PCA算法中定义的相关性矩阵局限于计算变量间的线性关系,无法衡量两个变量间相互依赖的强弱程度。为此,提出一种新的基于互信息的PCA方法(MIPCA)并将之应用于过程监测。与传统PCA所不同的是,MIPCA通过计算两两变量间的互信息来定义相关性,将原始相关性矩阵取而代之为互信息矩阵,并利用该互信息矩阵的特征向量实现对过程数据的特征提取。在此基础上,可以建立相应的统计监测模型。最后,通过实例验证MIPCA用于过程监测的可行性和有效性。

同杆线路零序互感对纵联距离保护的影响

由于同杆线路故障时电磁耦合的特殊性,其纵联距离保护误动和拒动的情况时有发生,而其距离测量元件在故障位置判断中起着关键的作用。当发生接地故障时,由于零序互感的影响,接地测量阻抗会产生偏差,导致保护的超范围与欠范围动作。文中结合电网运行实际,基于不同系统运行方式、线路运行方式和同杆架设形式,定性和定量地研究了零序互感对接地测量阻抗的影响,并进一步分析了线路的不同运行方式下测量阻抗的偏差和影响的特征,进而提出了采用配置零序电流补偿系数的方式消除接地距离保护的测量误差的方案。

基于等值回路平衡方程的变压器保护原理

利用在正常运行及励磁涌流状态下,由原副边绕组回路方程得到的回路平衡方程值为零,而在内部故障状态下回路平衡方程值不再为零这一特征,构成了基于回路方程的变压器保护原理,并推导出应用于单相变压器、三相Y/Y、 Y/△接法变压器的保护动作方程。由于变压器绕组漏感参数难以求取,且在运行过程中绕组变形将会导致漏感参数发生变化,文中采用最小二乘算法对变压器漏感参数进行实时在线估算,以提高算法灵敏度。动模试验表明:该算法原理清晰,能够不受励磁涌流的影响,快速可靠地识别变压器各种故障,且特征明显,其动作门坎有较大的裕度。

概率分布表插值的离散贝叶斯网络故障诊断算法

针对离散贝叶斯网络(BN)进行故障诊断时概率统计因子不充分的问题,提出了基于JS散度约束的二维插值算法对网络条件概率分布表进行插值。首先,根据故障数据分析故障特征之间的依赖关系,以条件互信息作为节点的连接权重确立贝叶斯网络拓扑结构;其次,将故障特征进行离散化处理,用标记的故障数据学习初始的贝叶斯网络概率分布表;最后,选择插值函数的类型和参数对所得的概率分布表进行二维插值,解决由于故障数据不完备而导致的概率分布表中概率统计因子不连续以及概率值零值较多的问题。通过实验数据仿真对比该方法比没有插值的网络诊断准确率提高11.68%。