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TimeGAN数据增强的复杂过程故障分类方法

针对传统基于重构的故障分类方法在故障样本稀疏或失衡情况下效果不佳、故障子空间区分能力弱的问题,提出基于TimeGAN数据增强的复杂过程故障分类方法.针对小子样故障,使用TimeGAN对历史故障数据进行数据增强,生成与历史数据分布相似的虚拟故障样本;采用马氏距离评估虚拟样本的质量,剔除不可信样本,构造平衡的故障样本集.将故障样本映射到高维核空间,并在核空间中提取故障子空间.设计故障分类策略并定义4种故障分类性能评估指标以定量衡量算法的分类性能.Tennessee Eastman应用结果表明,所提数据增强方法可以有效扩充故障样本,进而提高故障重构率.与WGAN-GP和SMOTE方法进行对比,发现基于TimeGAN数据增强的故障分类方法具有更好的分类性能.

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1DCNN-BiLSTM的航空发动机故障分类研究

随着航空发动机运行状态的变化,其故障模式也会发生变化。针对航空发动机的运行退化趋势,提出一种基于1DCNN-BiLSTM的航空发动机故障分类模型。该模型可以直接用于原始监测数据,不需要其他算法提取故障退化特征,并且能充分利用1DCNN提取时间维度局部特征的优势,以及BiLSTM处理非线性时间序列及利用双向上下文信息的特点,最后连接全连接层来学习双向时序依赖的特征信息,并使用softmax函数来诊断故障类别。在美国航空航天局公开的CMAPSS数据集上进行验证,将故障模式分为无故障、HPC故障(单一故障)、HPC&Fan故障(混合故障)三种类型。实验结果表明,与其他模型对比,所提模型具有较高的分类精度,这对提高航空发动机运行可靠性和进一步进行剩余使用寿命预测有一定的实用价值。

基于Bayes-CNN的变压器故障分类方法研究

电力变压器发生故障的表现和根本原因具有一定程度的模糊性和随机性,在复杂情境下,传统方法往往难以准确识别变压器故障,其精度存在一定提升空间。因此,本文提出一种新的变压器故障识别方法。该方法采用结合贝叶斯理论和卷积神经网络(CNN)的算法,具体为利用卷积神经网络处理特征气体数据,并采用贝叶斯算法对模型参数进行寻优,旨在提高故障检测的准确率。研究通过对故障类型进行编码和预处理,构建变压器故障分类模型,应用Bayes-CNN模型对变压器故障进行分类,结合实例验证,并将其与SVM、DBN及CNN模型进行对比实验。结果表明,采用贝叶斯优化的CNN算法显著提升了模型的收敛速度和拟合精度,证明该变压器故障分类方法具有较优性能,为电力变压器故障诊断领域提供了新的方法与思路。

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。

基于对抗训练与Transformer的风力发电机故障分类方法

风力发电机故障分类的复杂性和多样性严重影响风能发电效率,传统的人工方法效率低下,准确率较低,已有的深度学习模型在真实环境中易受数据噪声干扰而表现不佳。为提升风力发电机故障分类模型在真实环境下的分类性能与鲁棒性,提出一种基于对抗训练与Transformer的故障分类方法。首先通过引入一维卷积与门控线性单元(GLU)增强注意力机制对局部特征的学习,保留易被忽略的局部信息,提升模型对于局部特征的敏感度。其次结合限制因子约束对抗样本,提高对抗样本产生的准确性。最后在消除错误样本的同时反馈生成过程,使其具备更好的抗干扰能力。实验结果表明,与5种常用的分类模型相比,所提模型分类性能平均提升7.76%,与真实结果之间的误差最小。局部增强的注意力机制和所提的对抗训练方法分别使模型的分类性能平均提升4.51%、4.95%。所提模型在10%~20%噪声环境中仍保持较好性能,增强了其在真实环境中的稳定性。该方法在提高分类准确率的同时使模型具备更强的泛化能力,对于提升风力发电机故障分类性能与鲁棒性具有重要意义。

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。

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。

计及燃弧频次的配电网单相接地故障分类与辨识

尽管采用小电流接地方式的配电网发生单相接地故障时短路电流较小,但若故障发生后燃弧现象长时间存在,将会显著增加火灾发生风险。为减小火灾隐患,已有多数研究从燃弧现象发生与否角度对故障进行辨识,但并未计及燃弧频次的影响。为此,针对某地配电网实际单相接地故障案例,通过系统分析不同故障场景下零序电流变化特性与燃弧之间的关联规律,从火灾隐患程度角度提出了计及燃弧频次的单相接地故障分类方法;进一步挖掘出不同种类故障发生后零序电流波形分别呈现“平肩畸变”、“瞬态值”等特征,并利用不同频带能量占比、谐波重心和燃弧周期数对波形畸变特征进行了数学描述;以前述数学特征量作为输入,研究建立了基于长短期记忆(long short-term memory, LSTM)网络的故障种类辨识模型,经某电力公司现场收集的223组现场典型故障案例验证,模型识别准确率达96.4%,可有效识别燃弧故障种类,对于减小森林火灾隐患、节约配电网运维成本意义重大。

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。

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。

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。

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。