基于LM算法建立风电机组神经网络故障预警诊断模型

基于人工神经网络LM算法,建立了风力发电机组故障预警诊断模型。神经网络LM算法是一种BP的改进算法,但同时也存在易陷入局部极小的问题,对此采用施加动量使其跳出局部极小的方法,取得了良好的效果。应用Matcom工具实现VC++与Matlab软件混合编程的方法,解决了算法程序化过程中遇到的复杂矩阵运算问题,提高了算法性能。将改进后的算法用于结构为15-22-4的风电机组故障预警诊断模型训练和检验,结果证明网络收敛性能良好。该算法模型已嵌入风电机组故障预警诊断软件中。

基于带电报警检测技术的接地线故障诊断与预警研究

接地线故障是影响电力系统安全稳定的重要因素之一。为了快速提示接地线状态,提出一种基于带电报警检测技术的接地线故障诊断与预警研究。首先,依据电压源等效法和线电流测量法对接地线故障进行:modeling,建立接地线故障模型。然后,在此基础上,采用带电报警检测技术,用实时在线监测接地线运行状态。接着在分析、比较接地故障原因基础上,提出相应预防措施。仿真结果表明,本研究方案可以快速、准确的发现接地线故障并作出故障预警,提高了电力线路的运行安全和准确预警能力,为电力线路的安全运行提供了重要的技术支持。

机器算法在电气设备故障预警及诊断中的应用

机器算法应用于电气设备故障预警及诊断已愈来愈广泛。因其能够有效预防设备故障进一步恶化对电网造成严重损伤进而产生不可挽回的后果,所以对于电力系统稳定运行的维护有着显著的作用。目前,应用于该领域的机器算法主要有:误差反向传播(error back propagation, BP)神经网络、支持向量机(support vector machine,SVM)、深度学习[包括:递归神经网络(recurrent neural network,RNN)、卷积神经网络(convolution neural network,CNN)、深度信念网络(deep belief network,DBN)]等。首先,对机器算法的发展及基本理念进行了概述;其次,介绍了各种机器算法的基本原理及在其电气设备故障预警及诊断中的应用;最后,对深度学习在故障预警及诊断中的发展趋势进行了展望。

基于LabVIEW的矿井主通风机状态监测及故障诊断预警软件系统设计

为进一步实时可靠地监控矿井主通风机的运行状态,软件系统采用LabVIEW作为开发平台,具有多参量采集程序、分析和评估程序、储存和显示程序等功能,能实现矿井主通风机电压、电流、温度、振动、局部放电、绝缘电阻的在线监测,同时可编写相关的信号分析、智能诊断程序,可实现电动机绝缘和机械状态的在线评估。该系统经现场试验运行表明,系统运行稳定,参数采集实时、准确,电动机状态评估可靠,符合设计要求。

基于GRA-LSTM-Stacking模型的海上双馈风力发电机早期故障预警与诊断

为防止海上双馈风力发电机(doubly-fedinduction generator,DFIG)故障迅速恶化而导致的重大经济损失,迫切需要尽早给出故障预警信号。针对现有海上SCADA系统面临的预警时间不足以及故障样本获取困难的问题,该文提出一种基于GRA-LSTM-Stacking模型的海上DFIG早期故障预警与诊断方法。首先,对SCADA系统采集的数据进行灰色关联分析(grey relation analysis,GRA),筛选出与DFIG运行温度高度相关的状态变量;然后,通过长短期记忆网络(long short-term memory,LSTM)预测正常工况下DFIG的运行温度,计算实际值与预测值的残差绝对值,并使用概率分布拟合的方法设置告警阈值,据此对风机早期故障进行预警,并提取故障样本;最后,通过Stacking融合算法框架对提取的DFIG故障样本进行精确故障诊断。以某海上风电场3MW双馈式风机SCADA数据为例进行分析,结果表明:该文所提的GRA-LSTM-Stacking诊断模型既能提前29~72h识别海上DFIG早期故障,并能精确诊断出故障类型,还能有效提高海上DFIG的故障诊断精度,为深远海风电开发提供技术储备。

基于数据分析的设备故障预警与诊断技术在燃气电厂的应用

大数据、人工智能、边缘计算等先进技术不断进步,在燃气电厂利用基于数据分析的设备故障预警与诊断模型辅助检维修的优势逐步显现。AI设备故障预警与诊断模型依托统一的云平台搭建,覆盖燃气电厂燃机、汽机、锅炉和电气系统等多类主辅机设备,利用大数据分析技术和人工智能算法,主要算法包括分段函数、多元回归、深度神经网络等。模型以燃气电厂各系统设备的实时和历史数据为基础,将业务关联较强的数据与电厂内部专家经验相结合,实现设备参数劣化预警。文章结合燃气电厂AI模型应用实例,对建模过程、输入输出参数设定、训练样本选择、预警信息及故障诊断等进行说明与分析。利用AI设备故障预警与诊断模型可实时监督机组设备运行情况,在设备出现异常或故障的早期阶段进行智能预警和诊断,为机组设备运行安全提供保障。

火电厂引风机故障预警与诊断综述

随着国内对节能减排的要求进一步严格,火电厂引风机系统的自调节能力要求也越来越高,运行工况更加复杂多变。传统的巡检、点检不能够满足现场风机故障预警与实时诊断要求,而利用计算机进行智能故障预警与诊断技术可以较好地结合历史数据,进行故障信息特征提取工作。为此,本文在总结大量文献的基础上,归纳分析了引风机系统故障诊断方法的研究现状以及发展方向,同时结合系统特征与国情进行总结展望。

基于人工智能的风电机组运行状态监测和故障诊断预警研究

为实时掌握风电机组的运行状态,保证风机发电的正常运行,提出基于人工智能的风电机组运行状态监测和故障诊断预警方法。该方法以风电机组的历史运行数据和实时运行数据为基础,采用小波包分解算法进行数据冗余处理后,将其输入栈式稀疏加噪自编码深度神经网络模型中,通过模型的学习和训练。提取数据中的故障特征,完成风电机组故障分类诊断;同时设定故障预警阈值,完成故障预警,实现风电机组运行状态的全面监测。测试结果显示:该方法具有较好的应用效果。

数据处理技术在风电机组故障诊断及预警中的应用研究

基于Storm集群数据处理架构、Spark内存批处理技术,建立风电机组传动系统、齿轮箱的故障诊断与预警模型,运用Spark并行计算的RDD-NB(分布式数据集)算法、RDD-BP(反向传播)算法,分别对风电机组系统的执行做出故障诊断和故障预警,实验结果得出,该方案可自动计算机组运行状态的特征值,将多种特征值进行逻辑组合,以保证故障诊断与预测精度。

火电厂设备智能化故障预警与诊断系统研究

随着基于计算机技术、大数据技术、物联网技术、可视化技术、云计算与服务等技术的可视化智能电厂的建设和应用,为开展以设备状态监测分析为基础的预知性检修提供了非常好的条件,同时为开展设备寿命预测评估和以可靠性为中心的设备状态检修提供了可能。

风机齿轮箱故障诊断与预警方法的研究进展

风机运行环境恶劣,工况复杂多变,造成风电机组故障频发。齿轮箱作为风机的关键性部件,故障率达到40%~50%。因此,风机齿轮箱的故障诊断与预警一直是国内外专家学者研究的重点及热点。综述了现阶段风机齿轮箱的故障诊断与预警的三大主要方法,包括振动分析、仿真模拟以及油品性能检测(包括在线监测与离线检测)。详细地阐述了这三种方法的优缺点以及相关改进建议。最后,对齿轮箱故障诊断及预警方法进行了总结及展望。

具有故障诊断功能的智能电气阀门定位器设计

阐述智能电气阀门定位器中的气动调节阀控制特点,它具备故障诊断功能。为此,研制的智能电气阀门定位器,通过增加微低功耗压力传感器、自诊断电路,以及多变量的融合算法,使其不但具有故障自诊断功能,而且具有阀门故障的诊断与预警功能。

柴油机应急故障诊断预警系统的应用研究

柴油机是一种重要的动力机械,因此对其运行故障进行诊断与预警十分重要。但柴油机的构成十分复杂,涉及诸多子系统与多个领域,导致针对其进行的故障诊断预警工作难度高且准确性不足。针对上述困难,设计了一种定转速信号采集系统,并将采集到的振动信号使用EMD-AR方法提取出特征信号,最后再采用模糊神经网络算法对特征信号进行分析,从而实现故障的判定。将前述算法作为一个模块嵌入到设备的故障诊断预警系统中,实现了柴油机应急故障诊断预警系统的应用。

基于AI技术的矿用带式输送机驱动装置故障诊断预警研究

针对矿用带式输送机驱动装置采用传统人工检修方法劳动强度大、准确率低、覆盖面小、监测手段单一等问题,提出一种基于AI智能专家算法的矿用带式输送机驱动装置故障诊断预警系统,通过AI识别和分析驱动装置齿轮不对中,游移、偏心、磨损、游移、破裂或断齿等齿轮组合状态异常工况故障的啮合频率(GMF)特征,经过学习和训练最终建成GMF特征专家库。试验表明,结合AI技术与特征专家库的故障诊断平台识别率为92.3%,准确率为90.4%,响应时间为29 ms,较高的准确率和快速的响应时间能够避免设备故障积累导致事故发生,大幅提高带式输送机各部件故障诊断效率,有力保障了煤矿井下运输安全。

电力设备载流故障智能预警信息系统设计

针对传统监测系统仅根据温度阈值判断,预警时间较短,容易出现误判和漏判的问题,提出了一种智能诊断与预测的新方法,并以此设计开发了电力设备载流故障智能预警信息系统,详细介绍了该系统的原理、结构及功能。

复杂电路系统的可拓故障诊断

对当前复杂电路系统故障诊断中存在的问题进行了分析。运用可拓理论及ＡＨＰ法，建立一种新的可拓故障诊断方法。利用该方法可对系统工作状态作出快速、准确的识别并对系统存在的隐患进行预警及搜索。

数据挖掘技术在风电机组故障诊断中的应用

随着各行业的快速发展,人们对电能的需求进一步增加,风电场的数量和规模也随之扩大。对于风电场的日常运行,应注意其风电机组的故障诊断和预警信息,以便更好地维护电力系统的生产和运行。为了确保风机故障诊断和预警中数据的准确性和正确性,需要正确应用大数据处理技术,从而充分获取风机运行的有效数据和信息,及时获取风机的故障诊断和早期预警,然后对风电机组进行有计划的维护和检修。本文简要分析了大数据处理技术在风机故障诊断与预警中的应用,希望能起到一定的参考作用。

基于自学习SOM和ARMA算法的数控机床滚动轴承健康预警研究

随着我国智能制造技术的发展,预测性设备维护在工业环境中扮演着日益重要的角色.目前大多的健康预警算法针对性较强,自学习能力不足,导致算法的适用性、灵活性存在较大的局限性.为此,本文以滚动轴承为研究对象,基于状态检测的设计策略,完成了滚动轴承健康维护的实施方案;根据以上实施方案,提出并实现了自组织特征映射网络的故障诊断算法及自适应ARMA故障预警算法,提高了滚动轴承故障诊断与预警的智能化水平及对健康预警的处理效率.实验结果表明,所研究的算法对于实现可靠的滚动轴承故障诊断及预警具有良好的应用效果.

大型发电装备全状态故障自主诊断与预警关键技术攻关及推广应用

作为国家能源的动脉,电网的稳定运行关乎国家经济安全与社会稳定.发电机作为电网系统的心脏,其性能优劣直接影响到电网供电的质量和可靠性.发电机的高效稳定运行,不仅保障了电力安全输送,更能促进电力行业的技术革新产业升级.然而,发电机的转子和励磁系统这两个核心部件的故障频发且难以预测,给电网的稳定运行带来了挑战,使得电网系统安全管理任务变得复杂而艰巨.为了应对这一挑战,电网行业迫切需要建立一套先进的故障诊断与预警智能系统,该系统能够实时监测发电机及其转子和励磁系统的运行状态,及时预知、识别、预警故障隐患,为电网的安全稳定运行提供强有力的技术支撑.

针对矿井主通风机喘振的预警策略研究

当通风机出现喘振非工况运行时,不仅会引起整个通风系统的失稳,还会严重的威胁通风机的使用效率。在保证通风运行稳定以及通风系统高效率的双重要求下,引入了喘振边界线以及轴向位移融合的矿井通风机喘振预警方法。通过分析通风机喘振的形成机理以及系统危害,针对通风机喘振后的情况施行有序处理措施,据此提出了喘振边界线和轴向位移融合的矿井主通风机喘振预警策略。