改进的基于互测PMC模型的系统级故障诊断集团算法

该文改进了基于互测PMC模型的系统级故障诊断集团算法的理论 ,通过定义集团测试边和绝对故障集 ,简化了集团诊断图 ,由此能较易地找到所有的基于互测PMC模型的相容故障模式 (即使不满足t-可诊断性 ) ,从而大大减少了系统级故障诊断的复杂度 ,尤其是对强t-可诊断系统。

一种面向网格结构的系统级故障诊断集团算法

网格是一种高性能分布式计算环境，它是构筑在Internet之上的一种新型的信息技术基础设施。为保证网格可靠高效地运行，利用系统级故障诊断的方法研究网格的可靠性是很有意义的。文章提出了网格结构中的系统级故障诊断方法，并给出了一种面向网格结构的系统级故障诊断集团算法.

基于互测BGM的系统级故障诊断集团算法

本文提出了基于互测BGM故障模型的系统级故障诊断集团算法的理论,定义了绝对故障和最终诊断图,由此能找到所有基于互测BGM故障模型的相容故障模式,即使不满足t 可诊断性,也大大减少了系统级故障诊断的复杂度,尤其是对强t 可诊断系统。

基于蝴蝶优化算法的电力系统故障诊断应用研究

针对电力系统故障诊断的不确定性,以及保护开关和断路器动作信息中常出现的误动、拒动等问题,笔者提出一种基于蝴蝶优化算法的电力系统故障诊断方法,重点分析了该方法在解析大数据模型中对目标问题快速求解的特点,给出了数据引入时的预处理过程,充分利用蝴蝶优化算法在寻迹方面的推理能力,根据报警信息搜索电网数据库,提出故障假设及诊断结果。采用IEEE-39节点进行验证,并与人工神经网络方法进行比较。结果表明,该方法目标更加明确,且收敛速度更快,适用于网络规模大的电力系统故障诊断。

基于GA改进ANN算法的车载网控系统故障诊断

车载网控系统是保证运行安全的一类重要控制设备,也是确保系统稳定运行的核心部件。为了提高车载网控系统故障诊断效率,通过遗传算法(GA)具有的全局寻优功能来实现对神经网络初始阈值与权值的优化,把寻优结果代到神经网络内完成训练过程;使ANN泛化方法具有的映射性能获得充分利用可以防止产生局部极小值情况,获得更高的分类精度;利用实例分析方式测试车载故障诊断过程的有效性。研究结果表明:采用GA改进ANN算法可以有效优化平均误差及数据正确率,有效降低迭代次数,表明可以通过GA改进ANN方法来提升神经网络运算性能。经过遗传算法优化处理的ANN在训练过程中可以获得比初始ANN更快时收敛速率。

基于改进蚁群算法的电力集控系统故障诊断方法

针对提高供电连续性和可靠性,保证电能质量的目的,采用基于改进蚁群算法,提出了电力集控系统故障诊断方法。通过传感器和数据传输接口形式获取电力集控系统实时运行信息,将其作为输入,建立电力集控系统故障诊断模型。运用改进蚁群算法对电力集控系统故障诊断模型进行求解,通过蚂蚁迭代方式得到电力集控系统故障诊断模型的最优解,实现电力集控系统故障诊断模型求解。实验表明,该方法具备较好的电力集控系统故障特征提取能力和故障诊断能力,同时其故障诊断时的容错率数值较低,数值在0.2%上下波动,求解电力集控系统故障诊断模型的迭代能力较强。

基于改进BPSO算法的配电网故障诊断监控系统设计与应用

为了提高分布式配电网的安全与稳定性,实现配电网故障的快速定位和处置,构建基于B/S架构的配电网故障诊断监控系统。系统自上而下分为系统评估层、数据分析层和监测执行层。为了满足分布式配电网故障定位要求,在传统BPSO算法基础上,给出3种改进BPSO算法,并通过在分布式配电网中的应用结果,比较3种改进算法的准确度、寻优效率和容错率。结果表明,引入混合蛙跳算法的改进BPSO算法在故障定位准确度和定位效率上明显优于原BPSO算法。

输变电设备在线监测系统中故障诊断算法研究与比较

本文全面探讨了输变电设备在线监测系统中的故障诊断算法,介绍了在线监测系统的组成,包括传感器、数据采集与传输单元、监测中心、数据存储与处理模块以及用户界面,接着详细讨论了各种故障诊断算法,包括基于信号处理的算法、机器学习算法以及深度学习算法,每种算法都有其特点和适用场景,在实际应用中需要根据具体的故障诊断需求和数据情况进行综合考虑。

一个基于并行集团的系统级故障概率诊断算法

概率诊断算法是系统级故障诊断研究的一个重要方面 ,本文提出了一种基于并行集团的概率诊断算法 PGSFPD算法 ,并设计了一个系统级故障诊断软件仿真系统 ,对诊断算法进行仿真 ,分析比较各算法的性能 ,仿真结果表明PGSFPD算法性能优于经典的概率诊断算法 Somani&Agrawal算法 ,可在只需较少测试数的情况下 ,在保持很高诊断正确率的同时 。

基于遗传算法优化BP神经网络的液压系统故障诊断

液压系统作为控制和动力传输设备的核心部件,在现代工业生产机械中被广泛应用,准确诊断其故障具有提高生产效率和保障工作安全性等重要的工程意义。液压系统一旦发生故障往往是多故障同时出现,传统BP神经网络故障诊断算法往往不能满足多故障诊断准确率,提出一种基于遗传算法改进BP神经网络(GA-BP)的液压系统故障诊断方法,针对不同采样频率下多传感器信息融合的液压系统3种典型的故障模式进行对比分析。结果表明:GA-BP故障诊断算法相对于传统的BP神经网络具有更好的诊断性能。

基于优化决策树算法的变电站故障诊断系统研究

为有效提升变电站运行期间故障自动化诊断效率和准确率,采用阈值近邻迭代法对样本数量进行优化,同时引入平衡系数对测试属性选择进行优化,然后再采用优化二分离散算法对连续属性离散性进行优化,构建基于优化决策树算法的变电站故障诊断系统。通过优化决策树、ID3以及C4.5三种算法的应用效果对比分析,得出基于优化决策树算法分类准确性更高、决策树构建速度更快、决策树规模更小这一结论,能够显著提升监控系统在变电站运行期间的应用效果,对于变电站长期运行稳定与安全具有重要意义。

基于数字孪生的高速列车辅助供电系统故障诊断方法研究

随着铁路技术的蓬勃发展,高速列车已经成为人们中长途出行的首要选择。同时,其伴随的安全性、舒适性问题也逐渐受到重视。辅助供电系统是高速列车能够正常运行的重要保障,系统故障将导致乘客舒适感下降,列车行驶受阻,铁路班次调整等一系列问题。为了避免此类情况的发生,本文主要对高速列车辅助供电系统故障诊断方法进行研究,基于数字孪生技术,建立辅助变流器仿真模型,模拟真实电路运行情况。然后以获取的故障数据集为分析对象,在MATLAB R2018a平台上训练多种机器学习模型。同时结合优化方法建立混合模型,比较诊断性能。实验结果表明,数字孪生技术能够大大降低收集数据的难度,可以快速获取数量多,类别丰富的故障数据;基于遗传算法的BP(back propagation)神经网络混合模型对类故障的诊断分类效果最好,平均精确率和准确率分别为86.7%和95.6%。基于数字孪生的机器学习模型诊断效率和精度高,可以运用在高速列车辅助供电系统的故障诊断过程中,保证列车安全行驶。

电动拖拉机驱动电机系统故障诊断模型研究

驱动电机系统的故障可能导致电动拖拉机失控或发生意外情况,从而危及驾驶员和周围环境的安全,准确诊断故障可以帮助驾驶员及时采取措施,避免潜在的危险。为了进一步提高电动拖拉机驱动电机系统的故障诊断准确率,基于驱动电机系统的数据特征及故障类型,以BP人工神经网络模型为基础,通过PSO-BP优化后的人工神经网络模型构建电动拖拉机电机驱动电机系统故障诊断模型,并对传统BP神经网络模型的阈值和权重进行优化,以更快地收敛到全局最优解。通过采集驱动电机系统的数据,对基于PSO-BP故障诊断模型进行试验验证,结果表明:模型对5种故障状态诊断准确率较高,特别是退磁故障和IGBT故障这两种复杂的故障类型。研究内容能够为电动拖拉机驱动电机系统的故障诊断提供一种有效的方法和技术支持,可提高诊断准确率、保障驾驶员和周围环境的安全,提高了工作效率,降低了维修成本。

基于PNN神经网络的凿岩台车电液控制系统故障诊断研究

针对凿岩台车电液控制系统故障诊断效率低的问题,该文提出一种结合故障树分析法和概率神经网络(probabilistic neural network,PNN)的故障诊断方法。首先,基于电液控制系统的结构和工作原理构建其故障树模型;然后通过对故障树模型进行定性分析,确定其最小割集和典型故障种类,以选取的典型故障种类的关键参数构建故障征兆矩阵,通过PNN神经网络对该矩阵进行训练和计算,实现对系统典型故障状态的自动识别。实验结果表明,该文方法的平均诊断时间为1.2 s,平均诊断准确率为80%,能够快速准确地定位系统故障,可满足凿岩台车电液控制系统故障诊断的工程实际需求。

基于蜣螂优化算法和K近邻算法的轴承特征选择和故障诊断

针对风电机组传动系统滚动轴承在故障诊断中容易受到冗余特征的影响,从而导致故障诊断的准确率和效率不高的问题,本文提出了一种基于蜣螂优化(DBO)算法和K最近邻(KNN)算法的轴承特征选择和故障诊断方法。该方法首先通过时域、频域分析提取了与滚动轴承故障相关的20个特征数据,然后对特征进行包括归一化处理和特征集划分在内的特征处理;接着以DBO算法的适应度为评价参数,利用DBO算法的路径选择能力寻求最优特征子集;最后通过测试验证所选的特征子集对于KNN分类准确率的优化效果。实验结果表明,标准差(SD)和平均绝对差值(MAD)这两个特征参数作为KNN分类器的输入数据时可以达到95.10%的分类准确率。此方法在大幅度减少特征数量的同时,提高了轴承的故障诊断准确率。

基于IDBO-RBF的自适应巡航系统轮速传感器故障诊断

汽车自适应巡航系统发生故障,将会造成巨大的生产经济损失,甚至直接危害人身安全。该文提出一种基于改进蜣螂算法(improved dung beetle optimizer,IDBO)优化RBF神经网络的自适应巡航系统轮速传感器故障诊断方法。首先,利用Matlab建立自适应巡航系统轮速传感器故障仿真模型,提取出故障诊断模型的特征参数;其次,用融合了Levy飞行和自适应权重对蜣螂算法进行优化,用优化后的算法建立IDBO-RBF故障诊断模型;最后,与传统BP和DBO-RBF模型进行对比验证,实验结果表明,IDBO-RBF模型在故障诊断精度上达到96.8%,可以有效诊断自适应巡航系统轮速传感器的故障类型。

基于PSO的公共建筑电气设备绝缘故障诊断系统设计

公共建筑电气设备在能源转换时,设备工作时间长会使设备线路出现绝缘故障,导致设备无法使用。为此,设计了基于PSO的公共建筑电气设备绝缘故障诊断系统。构建公共建筑电气设备绝缘故障诊断系统框架,分析系统各硬件模块功能,完成系统硬件设计。根据B/S结构,确定系统软件结构,结合PSO算法和神经网络,实现公共建筑电气设备绝缘故障诊断。实验结果表明,该系统的平均故障诊断时间仅为7.29 ms,故障位置振动幅值和电压电流变化情况与实际一致,具有较好的故障诊断效果,能够有效提高故障诊断精度和效率。

基于LASSO-RBFNN的采煤机液压系统故障诊断研究

针对采煤机液压系统故障诊断精度不高的问题,提出一种套索(LASSO)算法与径向基函数神经网络(RBFNN)相结合的故障诊断模型。首先利用LASSO算法去除液压系统中冗余特征,筛选关键故障特征,减少模型过拟合风险;故障特征筛选后确定RBFNN拓扑结构,将采煤机液压系统故障数据输入模型中,进行故障诊断;最后将LASSO-RBFNN模型诊断结果与RBFNN模型和BP神经网络模型诊断结果进行对比。试验结果表明,该模型可用更短的网络训练时间得到较高的故障诊断精度。

基于SSA-BPNN的信息化系统故障诊断

为了提高信息化系统故障诊断的精度,避免BP神经网络陷入局部最优并且提高收敛速度,提出一种麻雀搜索算法改进BP神经网络的信息化故障诊断模型。运用麻雀搜索算法优化选择BP神经网络的初始权值和阈值。与PSO-BPNN和GA-BPNN相比,SSA-BPNN进行信息化系统故障诊断具有更强的寻优能力和故障诊断精度,为信息化系统故障诊断提供了新的方法。

基于麻雀算法优化宽度学习系统的轴承故障诊断

对滚动轴承做健康监测和故障诊断可以保证机械设备持续有效地进行工作。利用深度学习对工业大数据背景下的海量复杂数据进行建模时,需要耗费大量的计算资源,出现训练停滞或难以训练等问题。尝试采用宽度学习系统代替深度学习进行轴承故障诊断,同时针对宽度学习系统分类效果受限于自身超参数的选择这一问题,利用元启发算法中的麻雀搜索算法对宽度学习系统的超参数进行优化,提高宽度学习系统的准确率。将优化后的模型应用于西储大学轴承数据集,并与多种神经网络模型进行对比以验证所提方法的故障诊断能力。