基于GRU网络的配电网故障数量等级预测方法

配电网故障数量的多少直接影响配电网的运行维护与用户的用电体验,目前业界关于配电网故障数量等级预测的研究较少.给出了一种基于GRU网络的配电网故障数据分析与故障数量等级预测方法.通过条件熵来衡量配电网故障数量等级的历史依赖性,采用距离相关系数对诸多气象特征因素进行相关性强弱考察,筛选出最优特征子集,最后通过训练GRU网络实现了配电网故障数量等级的预测.算例结果证明了预测方法的有效性.

基于LSTM的轨道电路补偿电容故障数量预测

针对铁路现场的补偿电容故障记录,提出一种基于长短时记忆(LSTM)的轨道电路补偿电容故障数量预测方法。首先基于补偿电容故障记录,按一定的间隔时间统计构建补偿电容故障数量随时间变化的序列;然后基于LSTM构建故障数量预测模型,利用AdaDelta算法训练模型参数;再针对LSTM初始化超参数对预测模型性能有较大影响的问题,利用萤火虫算法对超参数进行优化,从而挖掘补偿电容故障数量随时间的变化规律,并实现对补偿电容未来一段时间内故障数量的预测。实验表明,该方法能够良好地拟合补偿电容故障数量随时间的变化规律,并能够较准确地预测补偿电容的故障数量,从而可以指导铁路部门提前协调设备、资金和维修人员等资源,提高补偿电容运维效率,为补偿电容故障预测的研究提供了新思路。

基于GM(1,1)模型的飞机故障数量预测方法

基于某型飞机年度故障数量的历史数据,运用灰色系统理论建立了GM(1,1)模型,对该飞机年度故障数量进行预测,并对模型精确度进行了验证。结果表明,所建的模型准确、有效,可以为飞机未来几年的故障数量预测提高有效的参考。

基于改进联合分布适应的轴承智能故障诊断方法

在轴承故障诊断过程中,存在缺乏足量故障样本、变工况下信号分布差异等问题。虽然基于机器学习和深度学习方法的智能故障诊断方法的运用取得了许多成果,但该方法在应用过程中仍面临一些挑战,阻碍了智能故障诊断方法在实际工业场景下的应用。为此,提出了一种基于改进联合分布适应的轴承智能故障诊断方法(BIFD-IJDA)。首先,利用小波包变换对振动信号进行了分解与重构,再计算了重构信号的统计参数,构成了原始特征集;然后,设计了基于特征重要度与KL散度的迁移特征选取方法,对各统计参数特征进行了量化评估;采用了改进联合分布适应方法,对源域和目标域特征集进行了分布适应处理,降低了域间分布差异;最后,利用源域特征样本训练的故障诊断模型预测了目标域样本故障类别,采用美国凯斯西储大学实验台和机械故障模拟(MFS)实验台的轴承故障数据,开展了不同工况下的故障诊断实验。实验结果表明:该故障诊断方法在2种轴承故障数据下取得的最大故障诊断准确率分别为100%和96.29%,明显优于其他对比模型。研究结果表明:该故障诊断方法具有应用于实际工业场景的潜力。

基于离散程度分析的雷达系统测试性试验方案设计方法

随着装备测试性验证的开展,雷达系统的测试性指标验证越来越受到重视。相较简单产品,雷达系统的故障样本空间具有两大特点:故障模式数量庞大和天线部分的故障模式重复性强。庞大的故障模式数量大,极大地延长了实施周期,试验费效比极低。是否可以减少试验方案中样本数量和如何降低试验样本数量变成雷达系统测试性试验方案设计亟待解决的问题。为此,以离散程度(极差)分析为基础,基于蒙特卡罗模拟和低差异性序列算法,论证大样本小抽样的可行性与合理性,并详细仿真分析截尾数的制定方法,实现试验样本量的缩小,同时保证评估结果精度。最终形成雷达系统测试性试验方案设计方法,为雷达系统测试性指标验证提供依据。

基于空间故障树理论的系统故障定位方法研究

为了系统发生不同类型故障后快速定位可能引起该故障的系统元件,通过分析系统结构和元件故障概率分布,以及系统在不同工作环境中发生各类型故障的统计数量,提出基于空间故障树（Space Fault Tree,SFT）理论的系统故障定位方法。该方法使用SFT概念得到系统内部结构及元件的故障概率矩阵P（Xi）,分析元件X_i故障对于所在割集S_j及系统T故障的贡献度,结合系统故障次数统计矩阵Γ（mq）,最终得到元件X（1～I）与故障m（1～Q）的相关度矩阵。这个矩阵可反映出对于任意系统故障m_q与故障元件X（1～I）的相关性排序、对应的割集、及保证结论正确的可能性,还可优化系统故障分类。实例研究表明：方法可确定各故障的至因故障元件,并根据可能性进行排序,排序靠前的元件组合正是系统的割集,这从侧面也说明了方法正确性。