BECKMAN WBC分类故障分析与排除

本文阐述了Beckman Coulter血细胞分析仪关于白细胞分类故障的分析与讨论,总结出得到白细胞分类正确结果的四个必要条件:正确的激光位置、干净的FLOWCELL、正常的鞘液压力与样本压力、流入FLOECELL前正常的WBC形态。

拓展“多样化设备分类故障的标准诊断与标准化技术维护”能力之我见

一家具备多样化仪器设备的高校专业型实验室,具有运用这些规格不同、性能各异的装置展开教学实践和科技研发及产业生产的能力。"分类故障的随时产生并高效技术的及时诊断及优佳方案的状态维护"是保障多样化设备"性能稳定化"、实现"可持续运行"的一大能力。标准与标准化是拓展这类能力的利器。

基于Doc2vec-LightGBM的CBTC车载信号设备故障分类诊断方法

车载信号设备是城市轨道交通信号系统的重要组成部分,其运营过程中会产生海量离散化、片段化的日志文本数据。目前,CBTC车载设备故障记录文本仍存在语义不明确、词语冗余的问题,从而造成故障致因溯源难,针对此,提出一种基于Doc2vec-LightGBM的CBTC车载设备故障自动分类诊断方法。首先对故障文本使用Jieba完成文本分词,依据TF-IDF实现分词文本数据的特征提取,并采用Doc2vec训练文本分词向量;其次针对数据不均衡的问题,采用Borderline-SMOTE算法进行少数类文本向量数据的补全泛化;最后,通过训练轻量梯度提升机LightGBM分类器完成故障文本自动分类。采用某信号厂商所记录的1 133条故障文本数据进行分类实验分析,并与支持向量机(SVM)方法对比。实验结果表明,所提方法在分类精确率、召回率上分别为98.2%、97.5%,证明了该故障文本自动分类方法的有效性和优越性。

基于改进SSA-DBN的质子交换膜燃料电池水故障智能分类方法

为了实现质子交换膜燃料电池(PEMFC)系统水故障的高效快速分类,提出了基于改进麻雀搜索算法(SSA)优化深度置信网络(DBN)的PEMFC故障分类方法。采用归一化处理消除故障数据参数之间量纲不同的影响,使用核主成分分析对数据进行故障特征提取,有效地缩减了原始数据维度,降低了运算复杂度,并避免低贡献度数据对故障分类造成干扰。引入柯西-高斯变异策略改进SSA,并利用SSA对DBN进行参数寻优,确定网络结构,通过优化后的DBN实现对PEMFC水故障的快速分类。对3 000组PEMFC水故障数据进行测试,结果表明:所提方法可以快速准确地识别PEMFC的正常状态、膜干故障、水淹故障3种健康状态;总体的分类准确率为98.67%,运算时间为0.89 s,相比支持向量机、概率神经网络方法,所提方法的故障分类精度分别提升了4%、3.34%,运算时间分别减少了15.35、0.35 s。

WEE与GA-SVM在反应堆CRDM电流故障分类中的应用

控制棒驱动机构(CRDM)的可靠性决定了反应堆的安全性,对控制棒驱动机构进行有效监测是极为必要的。针对控制棒驱动机构线圈电流变化能有效反应控制棒驱动机构运行状态的特点,在小波能量值的基础上引入滑动窗和熵值理论构建了基于小波能量熵(WEE)的线圈电流特征向量,并设计了基于支持向量机(SVM)的控制棒驱动机构电流故障分类算法,分别使用遗传算法(GA)与粒子群算法(PSO)对支持向量机的惩罚系数c和核函数参数g进行优化,较为准确地实现了对控制棒驱动机构电流故障的分类。仿真与对比结果表明:(1)相比于基于小波能量值,基于小波能量熵的特征向量更能体现线圈电流的局部特征,也更为准确地实现线圈电流故障的分类;(2)相较于粒子群算法,遗传算法作为支持向量机参数优化算法分类准确的同时,参数寻优效率更高。

基于voting集成的智能电能表故障多分类方法

为提升智能电能表故障准确分类能力,助力维护人员迅速排除故障,提出基于投票法voting集成的智能电能表故障多分类方法。针对实际智能电能表故障数据进行编码预处理,基于皮尔逊系数法筛选智能电能表故障分类关键影响因素,结合合成少数类过采样技术(synthetic minority oversampling technique, SMOTE)算法解决数据类别不平衡问题,由此建立模型所需数据集,再通过投票法进行模型融合,结合粒子群PSO(particle swarm optimization)确定各基模型的权重,据此构建基于极限梯度提升树(extreme gradient boosting trees, XGBT)、K近邻(k-nearest neighbor, KNN)和朴素贝叶斯(naive bayes, NB)模型的智能电能表故障多分类方法。实测实验结果表明:所提出方法能有效实现智能电能表的故障快速准确分类,与现有方法相比,在智能电能表的故障分类精确率、召回率及F1-Score均有明显提升。

贫数据条件下燃料电池汽车故障分类方法

燃料电池汽车是未来汽车工业可持续发展的重要方向,但现存燃料电池整车相关的测试评价标准尚未对燃料电池汽车存在的故障类型及其分类进行深入研究,缺乏统一故障分级分类方案。为改善该问题,提出一套完善的燃料电池汽车故障模式的分级分类评价指标以统一相关故障等级,重点研究在缺乏数据条件下的燃料电池汽车故障分类方法。基于因子分析法和模糊集理论,提出一种针对燃料电池汽车在贫数据条件下的故障模式分类评价方法,为燃料电池汽车故障等级的分类提供指导意见。

不平衡数据集下基于多粒度近邻图的智能电表故障分类方法

智能电表故障的准确预测对实现计量设备精准主动运维、保障电网稳定运行具有重要意义。电表各故障类型样本的出现频次不同,且不同故障类型样本在高维特征空间中的分布存在重叠,这极大增加了故障预测的难度。现有不平衡分类方法通过构建单一样本信息与其对应类别标签的映射关系来划分样本类型,导致对具有相似表征信息的重叠区样本难以准确判别,降低了整体分类精度。该文提出一种基于多粒度近邻图的智能电表故障分类方法。首先,选择原始数据集中样本作为目标样本,以目标样本及其近邻样本作为节点、目标样本与其近邻样本连线作为边构建近邻图。根据选择的近邻样本数量不同构建多粒度近邻图,实现目标样本的信息扩充和训练样本的数量扩增,更有利于模型稳定训练。构建编码器挖掘近邻图节点特征,利用图注意力机制,根据近邻图节点编码特征和节点邻接关系将近邻样本信息自适应地聚合到目标样本,实现对相似样本差异的有效挖掘。对于给定测试样本,通过集成测试样本多粒度近邻图的分类结果,得到更精准、更鲁棒的智能电表故障预测结果。在20个KEEL(knowledge extraction based on evolutionary learning)和UCI(UC Irvine machine learning repository)不平衡分类公开数据集和智能电表实际故障数据集上的大量实验结果表明,与17种典型方法相比,该文所提算法在处理智能电表故障分类问题上具有显著优势。

一种配网停电故障分类和源定位的深度学习方法

配网停电故障时产生的高斯噪声造成数据失稳,影响故障源头定位的精度,为此,提出基于深度学习的配网停电故障分类和源定位方法。构建配网停电故障二元模型,分析配网停电故障数据失稳特征。将所得到的规格化数据用矩阵格式输入到深度神经网络中,获取负载率、三相不平衡度分类指标。分析停电事件信息池和停电故障研判之间的关系,获取故障分类结果。使用深度学习的有监督训练算法,结合S注入法寻找源故障位置。由实验结果可知,该方法故障电流实部在0~0.5 A范围内变化,故障电流虚部在0~1.0 A范围内变化,与实际变化范围一致,说明使用所研究方法能够获取精准的故障定位信号。

基于改进支持向量机的智能电能表故障多分类方法

智能电能表故障多分类对于制定合理及时的智能电能表检修计划具有重要意义。针对智能电能表故障多分类问题,采用支持向量机构建多分类模型,所建立的模型提取智能电能表的输出电压、输出电流、输出功率、功率因数误差等数据作为分类依据构建多维空间,考虑包括误差超差、直流电流开路、直流电压短路、控制回路短线在内的智能电能表模式识别故障分类。通过所建立的模型依据有限的样本信息在复杂性和学习性之间寻求平衡,对智能电能表多维度运行信息在超平面之间进行最佳分类从而进行故障分类,通过引入一类对多类的最优分类平面集进行改进从而适用于多分类模型。采用混沌粒子群算法针对所建立的基于改进支持向量机的智能电能表故障多分类方法进行求解流程设计。再通过对某配电台区智能电能表故障分类问题采用所建立的模型进行仿真,验证了模型的合理性。

网络故障分类措施在广电5G网络运维中的应用

本文主要针对目前广电5G移动网络运维中的网络覆盖、5G终端及相关应用的故障进行统计分类,并对故障产生的现象、原因进行分类梳理,通过科学有效的故障分类及处理建议,提高5G移动网络的运维效率,为5G网优化运维提供支撑。

基于数据挖掘的分布式电网故障检测与分类策略

分布式能源入网规模的日益增大对传统过流继电器的故障检测及分类产生了重大影响。通过新兴的图学习技术构建了能有效检测分布式电网故障的时空递归图神经网络模型。该神经网络结构可以通过检测母线电压单元数据来提取时空特征,并根据数据的时空特征进行故障事件检测、故障类型分类、故障相位识别及故障定位。在IEEE 123节点系统上进行仿真模拟。结果表明,所提的基于电压测量的故障诊断策略与已有的传统方案相比具有较高的精度。所提策略仅需要提取电压信号而非电流信号,不受继电器安装数量的限制,因此所提策略更具有实操性与通用性。

基于卷积神经网络的配网故障分类研究

为了高效准确地实现配网故障分类,提出了一种基于卷积神经网络的配网故障分类方法。这种方法可直接对三相电压和电流信号的原始数据样本进行处理,输出包括无故障在内的所有类型的配网故障类型。应用10倍交叉验证方法的测试结果表明,所提方法的准确度为99.52%。在与基于传统机器学习模型的故障分类方法进行了对比实验中,所提方法在准确性和计算效率方面均表现出更好的分类性能。将所提出方法应用在未集成和集成分布式电源的配电系统中,分别达到了99.92%和99.97%的分类精度。

故障成因分类措施在有线电视固网宽带运维中的应用及思考

在有线电视固网宽带业务的运维实践中,科学合理地总结分析故障成因,是后续采取针对性措施加以应对的基础,为此本文通过实际工作中对故障成因的梳理,总结出能够应用于实际的故障成因分类及界定标准,为持续优化整体固网宽带运维体系提供一定的支撑依据。

基于东莞市某水厂离心水泵故障分类及诊断方法的研究

针对城市供水系统中的关键设备水泵,利用一套系统性的故障分类方法,探讨了相应的故障诊断技术,旨在提高水厂运行效率和供水安全性。首先,概述了水泵的基本结构和工作原理。然后,详细分析了多种故障类型及其成因和表现,为故障诊断奠定了理论基础。并对传统和现代智能诊断技术进行梳理,当东莞市某水厂离心泵发生故障时,为水厂选择合适的诊断方法提供了参考。通过实际故障案例的深入分析,验证了所提出分类方法的有效性,并提供了具体的诊断与解决方案。最后,展望了未来水泵故障诊断技术的发展趋势,指出随着智能化和自动化技术的进步,故障诊断将迎来新的发展机遇。该研究不仅为东莞市某水厂提供了宝贵的经验,也为其他水厂的水泵维护和故障管理提供了参考,有助于提升整个行业的技术水平和服务质量。

基于售后保障的航天装备故障分类处置方法

为了提高售后保障阶段军用航天装备使用故障的处置效率,满足用户对装备实战化保障的需求,提出了一种装备使用故障分类处置方法。在对典型型号装备使用故障类型及处置措施类型数据分析的基础上,将装备使用故障按用户需求紧急程度、故障影响等级、系统类型、有无预案、装备类型、故障原因类型等6个要素分成360类。在360种装备故障类型的基础上,针对每类故障提出了基于区域化售后服务保障模式的管理调度措施和故障问题处置技术措施。航天装备使用故障分类处置方法对设计、制造单位规范化开展用户装备故障处置工作起到了指导性作用。伴随着航天装备综合保障信息管理平台的开发与运行,该故障分类处置方法将在未来的装备综合保障业务中发挥更大作用。

基于改进稀疏表示的海上风电场交流海底电缆短路故障分类方法

准确、快速的海底电缆故障分类是海上风电场运维的重要一环。该文提出一种基于改进稀疏表示的海上风电场交流海底电缆短路故障分类方法,该方法综合利用故障发生后半周波电流信号的时域特征作为故障分类依据,采用K次奇异值分解(K singular value decomposition,K-SVD)字典学习算法对各类故障信号的特征信息进行学习,构造出准确匹配各类故障本质特征的过完备字典。在学习字典的基础上,提出一种基于混合交替方向乘子法(mixed alternating direction method of multipliers,M-ADMM)的改进稀疏分解算法将故障信号分解为过完备字典与稀疏向量的乘积,结合基于稀疏表示的分类方法实现对故障重构信号的分类。仿真研究结果表明,该改进稀疏分解算法具有精确的信号重构、降噪效果。所提出的故障分类方法无需人工构造故障信号特征,避免了多工况故障信号特征筛选、时频域变换等繁琐流程。与SVM、CNN、LSTM等智能分类算法的对比结果表明,该方法具有较强自适应性的同时不易受故障时刻、故障位置影响且噪声鲁棒性强,可以准确识别海底电缆场景下低阻短路故障类型。

基于BERT-CNN的城轨列控车载设备故障分类

针对基于通信的城市轨道交通列车控制系统车载设备故障排查困难,故障维修日志由于信息零散、语义模糊及归类混乱等导致的传统文本分布式表示与浅层机器学习算法分类精度低等问题,提出一种基于焦点损失函数BERT-CNN(bidirectional encoder representations from transformers-convolutional neural network)的故障分类方法,建立故障处理及结论、故障现象的关系模型.利用预训练好的BERT模型微调获取故障现象的词向量,充分捕捉融合了上下文的双向语义并关注重点词汇;利用卷积神经网络(convolutional neural network,CNN)进行训练,改进损失函数以缓解数据类别不平衡引起的性能下降问题.通过对某车载信号工区数据进行实验,对比基于交叉熵损失函数的BERT-CNN、单一BERT模型与word2vec-CNN(word to vector-CNN)方法,基于焦点损失函数BERT-CNN方法在分类指标上最优,对某些样本数量少的类别能够更精准分类.研究结果有助于建立更完善的智能运维故障案例库.

面向类不均衡数据的多任务博弈概率分类向量机

在工程实际中获取的故障样本往往会呈现不均衡特点,同时传统的分类模型也会存在局限性。针对这些问题,基于稀疏贝叶斯理论、模糊隶属度等理论,提出了一种多任务博弈概率分类向量机(MGPCVM)分类方法。首先,在MGPCVM的目标函数中,设计了博弈因子,将不同类样本质心间的博弈信息赋予每个样本特定的样本质心敏感值,以解决传统分类器对不平衡数据集分类表现较差的问题;然后,在贝叶斯框架理论下,采用截断高斯先验分布的方法,使样本参数的正负与对应的标签信息相一致,且使样本质心敏感值产生了稀疏估计;最后,将MGPCVM方法应用于两种不同实验平台采集的滚动轴承实验数据处理,进行了故障诊断有效性验证。研究结果表明:在不同的不平衡比(IR)下,MGPCVM方法的准确率均保持在95%以上,相对于支持向量机(SVM)、概率分类向量机(PCVM)等方法提升了4%~8%;与典型向量式分类方法相比,MGPCVM方法可以在不平衡数据条件下表现出优越的分类性能,适用于实际工况中数据失衡的分类问题。