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。

电动汽车PMSM驱动系统车载诊断技术研究

驱动电机是电动汽车驱动系统的核心,车载诊断和失效保护技术是提高其可靠性的有效技术手段。介绍了汽车随车诊断系统对电驱动系统的各种故障判定方法,并运用案例分析了汽车PMSM驱动控制系统中最常见的故障之一驱动电机抖动故障,呈现出了车载诊断系统判定电机位置传感器不良的典型情况;对电机位置传感器故障进行了simulink仿真并讨论了无位置传感器容错控制方案及发展趋势。

一种POA-VMD和自编码器结合的风电机组轴承劣化指标构建及故障诊断方法

针对目前轴承性能劣化指标的构建及故障诊断高度依赖专家经验,限制条件繁多,实际应用情景单一的问题,提出一种鹈鹕优化算法(POA)优化的变分模态分解(VMD)和自编码器结合的风机轴承劣化指标构建及故障诊断方法。首先利用POA-VMD算法将轴承振动信号采用自适应方法分解为K个固有模态分量(IMF),并针对上述分量分别构建K个自编码器;然后以正常状态振动信号的分解结果为训练样本完成自编码器的训练,并以训练完成后模型的输出结果为基础构建轴承劣化指标,借助劣化指标监测轴承早期微弱故障;最后对故障时刻振动信号的IMF分量重构结果进行包络谱分析,确定故障的类型。经实验验证:该方法不仅可以清晰地展现轴承的劣化过程,对早期微弱故障敏感性高,而且在故障发生后可以准确诊断出故障类型。

一种基于并充串放电变换的新型直流风电机组及其控制技术

直流风电机组(DC wind turbine,DCWT)作为全直流风力发电系统的关键基础设备,其高效的拓扑结构和稳定的控制策略对于全直流风力发电系统的运行有着重要的影响。为解决目前DCWT电能变换环节过多造成的效率较低、自启动控制难度高以及故障穿越时对辅助电路依赖造成的可靠性较低等问题,提出了一种基于并充串放电变换的新型直流风电机组的拓扑结构。基于该拓扑中所采用的新型直流变换器中半桥桥臂与全桥桥臂在低压侧并联、高压侧串联的动态连接方式的特点,设计了该DCWT在不同工况下的运行控制策略;并分析了DCWT在损耗、自启动、直流故障处理等方面的运行特性。通过对比计算,验证了所提新型DCWT拓扑在通过减少电能变换环节,可有效提高能量传输效率;另通过PSCAD/EMTDC搭建了基于新型DCWT的并联型全直流发电系统仿真模型,经风电系统内DCWT在稳态、动态等正常运行工况以及故障DCWT动态切入切出、直流短路等故障运行工况下的仿真,验证了该新型DCWT在具有可行性的前提下,具备较低控制难度的自启动方式以及高可靠性的故障穿越能力。

基于新型BIST的LUT测试方法研究

针对FPGA内部的LUT资源覆盖测试,提出一种新型BIST的测试方法。通过改进的LFSR实现了全地址的伪随机向量输入,利用构造的黄金模块电路与被测模块进行输出比较,实现对被测模块功能的快速测试,并在Vivado 2018.3中完成了仿真测试。通过ATE测试平台,加载设计的BIST测试向量,验证结果与仿真完全一致,仅2次配置即可实现LUT的100%覆盖率测试。此外,还构建了LUT故障注入模拟电路,人为控制被测模块的输入故障,通过新型BIST的测试方法有效诊断出被测模块功能异常,实现了准确识别。以上结果表明,该方法不仅降低了测试配置次数,而且能够准确识别LUT功能故障,适用于大规模量产测试。

故障自诊断技术在煤矿传感设备中的应用研究

矿用传感器是煤矿安全生产过程中最重要的设备之一,其智能化应用已经成为了煤矿行业传感类设备的发展趋势。由于各类矿用传感器的工作环境恶劣和长期运行,关键部件不可避免产生疲劳损坏,导致传感器的故障率相对较高;针对性介绍了故障自诊断技术在煤矿用传感层设备智能化应用中的研究现状和发展趋势,提出一种具有故障自诊断功能的矿用传感器的设计方法。该方法采用实时采集供电电源、模拟信号、数字信号等特征数据,构建了故障诊断的优先级识别模型,设计了故障自诊断技术的矿用传感器,增强了传感器的工作的可靠性,提升了传感器的智能化应用水平。传感器具备智能自诊断功能,对于保障煤矿生产安全和提高生产效率具有重要意义。

基于多模态融合和卷积神经网络的逆变器故障诊断

电压源控制型静止同步补偿系统(Voltage source controlled static synchronous compensator,VSC-STATCOM)故障具有随机性和不可预测性,其原始信号难以完全反映功率开关管的波形特征,导致故障特征提取及诊断困难。针对此问题,提出一种结合多模态融合技术(Multi-modal fusion technology,MFT)、双分支卷积神经网络(Double branch convolution neural network,DBCNN)与自注意力机制(Self-attention mechanism,SA)的逆变器故障诊断的方法。首先,利用快速傅里叶变换实现逆变器故障数据的时域模态信号到频域模态信号的转换;然后,利用DBCNN分别提取时域和频域2个模态的特征并进行特征融合,再将利用SA权重自适应分配能力筛选出的关键特征作为故障分类的依据,解决功率开关管开路故障难以辨别的问题。在逆变器故障诊断过程中,采用MFT和卷积神经网络相结合的方法,建立了一种准确而快速的实现故障分类的体系。以VSC-STATCOM逆变器为对象开展实验,实验结果表明,与单模态时域(Convolutional neural network-self-attention mechanism)CNN-SA和频域CNN-SA方法相比,MFT-DBCNN-SA对故障诊断的准确率均有提高;不同相数的实验结果表明,利用该方法仅靠两相就能很好地诊断出故障类别。相较于同领域的研究,所提故障诊断方法的水平持平或有所提升。

基于自主认知深度时间聚类表示的隔离开关故障诊断方法

为准确识别隔离开关发生的故障,并确定故障类型,保证电网的稳定运行,提出一种基于自主认知的深度时序聚类表示模型(Autonomous-cognition deep temporal clustering representation model,AC-DTCR)对隔离开关的故障进行诊断。在数据量少且类别标签信息不可用的情况下,时间序列聚类是非常好的无监督学习技术,而AC-DTCR模型集成了时间重建和K-means目标,为提高编码器的能力,提出一种假样本生成策略和辅助分类任务,改进集群结构,获得特定于集群的时间表示。根据高压隔离开关故障模拟试验得到的电机电流数据,使用AC-DTCR模型分成四个部分对试验数据进行训练。结果表明,该模型具有良好的分类性能,与传统的分类模型和时间序列聚类模型相比,有更高的准确率,可应用于电力设备故障诊断领域中。

基于5GLAN技术的配网智能分布式馈线自动化系统实用方案

为解决配电网智能分布式馈线自动化系统现有光纤通信方案存在建设成本高、运维困难及可拓展性差等难题,文章利用5G LAN全互联二层通信高可靠低时延网络技术,提出基于5G LAN技术的配电网智能分布式馈线自动化系统快速对等通信和组网实用化方案。文章围绕5G LAN适配应用、网络拓扑、业务通信指标等几个关键方面进行分析,开展实网试验验证,验证结果表明5G LAN通信技术满足智能分布式馈线自动化系统应用要求,可以快速、精确地切除故障,实现故障自愈,对提高配电自动化系统的智能化数字化运行水平和供电的可靠性有较高的实践应用价值。

大规模芯片内嵌存储器的BIST测试方法研究

随着大规模芯片的块存储器(block random access memory,BRAM)数量不断增多,常见的存储器内建自测试(memory build-in-self test,Mbist)方法存在故障覆盖率低、灵活性差等问题。为此,提出了一种新的基于可编程有限状态机的Mbist方法,通过3个计数器驱动的可编程Mbist控制模块和算法模块集成8种测试算法,提高故障覆盖率和灵活性。采用Verilog语言设计了所提出的Mbist电路,通过Modelsim对1 Kbit×36的BRAM进行仿真并在自动化测试系统上进行了实际测试。实验结果表明,该方法对BRAM进行测试能够准确定位故障位置,故障的检测率提高了15.625%,测试效率提高了26.1%,灵活性差的问题也得到了很大改善。

基于SAMNV3的滚动轴承智能故障诊断方法

滚动轴承是机械设备的关键部件,为了对滚动轴承的故障类别进行有效识别,提出了一种融合自注意力机制(Self-Attention,SA)和轻量级网络MobileNetV3的SAMNV3滚动轴承智能故障诊断模型。利用该模型中自注意力机制对特征进行自适应加权的优点以及轻量级网络MobileNetV3体积较小的优点,通过直接将两个不同数据集的原始振动信号输入SAMNV3模型中,进行故障的特征提取与识别分类,从而实现端到端的滚动轴承智能故障诊断。在两种不同的数据集上进行验证,结果表明该模型具有较高的准确率和较低的计算复杂度,可以有效提高滚动轴承故障诊断的准确性和可靠性。

基于故障时刻自同步的波形比较式多端配电网快速保护方案

为打破电气量的同步采集技术壁垒,并合理应对不平衡差流问题,分析了基于故障检测时刻保护数据自同步的实现方法,利用多端电流合成和Tanimoto系数构建了波形相似度比较式保护新判据。基于5G网络数据实时传输功能,形成了一套适用于多端配电网的综合快速保护方案。经PSCAD/EMTDC软件仿真,验证了所提方案能够快速可靠地确定故障区段,能很好地适应配电网复杂故障场景。

计及拓扑结构变化的分布式自适应电流保护方法

针对配电网络重构、线路拓扑关系发生变化导致保护误动或拒动的问题,提出一种自适应电流保护方法,该方法由智能终端实时获取配电线路的拓扑关系,自适应调整保护定值,实现自适应保护和故障自愈功能。该方法可减少配置维护工作量,提高配电网的可靠性。为了实现互操作性,建立了基于IEC 61850标准的分布式自适应电流保护相关的逻辑节点,构建了分布式自适应电流保护应用的信息模型,以期能为现场应用提供一定的参考。

基于自适应CYCBD和DARTS的滚动轴承故障诊断方法

针对强噪声导致滚动轴承振动信号故障特征不明显的问题,提出一种结合自适应最大2阶循环平稳盲解卷积(Maximum Second-order Cyclostationary Blind Deconvolution,CYCBD)与可微架构自搜索(Differentiable Architecture Search,DARTS)的故障诊断方法。首先将模糊熵作为鲸鱼优化算法的适应度函数进行CYCBD滤波器长度寻优,并以峭度-包络谱峰值为综合指标对循环频率进行步长寻优,从而实现自适应CYCBD降噪;然后引入DARTS算法实现滚动轴承故障识别模型的自构建;最后通过滚动轴承公开数据与实验数据验证多域强噪声环境下自适应CYCBD-DARTS故障诊断方法的有效性。

一种用于信息处理微系统DDR互连故障的自测试算法

为解决信息处理微系统中双倍速率同步动态随机存储器(Double Data Rate,DDR)复杂互连故障的检出效率和测试成本问题,通过分析DDR典型互连故障模式,将单个存储器件的自动测试设备(Auto Test Equipment,ATE)测试算法与板级系统的系统级测试(System Level Test,SLT)模式相结合,提出面向DDR类存储器的测试算法和实现技术途径。并基于现场可编程门阵列(Field Programmable Gate Array,FPGA)器件实现微系统内DDR互连故障的自测试,完成了典型算法的仿真模拟和实物测试验证。相较于使用ATE测试机台的存储器测试或通过用户层测试软件的测试方案,本文所采用的FPGA嵌入特定自测试算法方案可以实现典型DDR互连故障的高效覆盖,测试效率和测试成本均得到明显改善。

基于卷积自注意力网络的机械设备故障诊断方法

基于深度学习的机械设备故障智能诊断方法依赖于大量有标签的样本数据。然而,工程应用中通常难以获取足够的样本数据,这使得深度学习方法难以充分挖掘故障特征,严重影响故障诊断模型的泛化性和鲁棒性。基于此,论文提出一种基于卷积自注意力网络和先验知识的机械设备小样本故障诊断方法。所设计的卷积自注意力网络能够自动学习样本特征,并在训练过程中融合样本多维度特征先验知识,从而减少诊断模型训练所需的样本量,提高小样本情况下机械设备故障诊断精度。最后,以液压螺杆泵为对象,对论文所提出的方法进行实验验证。实验结果表明,所提出的方法在小样本情况下故障诊断精度可达97.5%,性能优于目前常用的深度学习方法。

自动协调加载控制及数据采集系统的自检技术研究

自动协调加载控制及数据采集系统是用于结构静强度试验载荷施加的重要设备,其准确程度是保证验证试验准确可靠、成功有效的重要因素。通过对加载系统自检技术的研究,分析并梳理出造成系统故障的原因,并设计了系统自检方案,形成了系统级→组件级的逐级排除故障方法,并将该自检方法应用于现场,证明该自检方法的正确性和适应性,能满足系统的自检要求,可以有效保障试验加载质量和安全。

空时模型融合自注意力机制的航空管路故障诊断新方法

航空发动机外部液压管路结构复杂且管路故障信号中伴随着强大的噪声干扰,导致航空管路故障特征提取十分困难,同时目前诊断模型参数和计算量比较庞大,不适合高效地移植到移动和嵌入式设备。面对上述挑战,提出一种轻量化空时模型融合注意力机制的航空发动机液压管路故障诊断新方法,并命名为S-Bi-ATM-Net模型,首先,设计轻量化管路空间特征提取模块,从而融合管路故障数据的空间特征,抽取数据的细粒度特征;然后,设计轻量化管路时间特征提取模块,从细粒度特征中继续融合管路粗粒度特征,实现粗细粒度特征融合;此外在空时模型中融合自注意力机制进行优化,使得最后的决策更加的聚焦,进一步提高所提模型的诊断精度。基于同一数据集,将所提方法与目前主流方法对比分析发现,所提方法能更准确地识别航空管路不同的故障状态,证明了所提方法的优越性和稳定性。

宽卷积局部特征扩展的Transformer网络故障诊断模型

视觉Transformer网络的高精度诊断性能依赖于充分的训练数据,利用卷积网络在提取局部特征上的优势,构造能同时描述故障局部和全局特征的提取层,提高诊断模型的抗噪声干扰能力。首先,引入卷积网络模块将原始振动信号转换为Transformer网络可以直接接收的特征向量,提取故障局部特征,并通过增加卷积网络的感受野。然后,结合Transformer网络多头自注意力机制生成的全局信息,构建能同时描述故障局部和全局特征的特征向量。最后,在Transformer网络的预测层,利用高效通道注意力机制对特征向量的贡献度进行自动筛选。在西储大学(CWRU)轴承数据集上的故障诊断结果表明,在信噪比-4 dB的噪声干扰下,改进后的Transformer网络轴承故障诊断模型的准确率达90.21%,与原始Transformer模型相比,准确率提高了13.2%,在噪声环境下表现出优异的诊断性能。