基于CEEMDAN和卷积神经网络的配电网故障选线新方法

文中提出一种基于自适应噪声的完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和卷积神经网络(convolutional neural networks,CNN)的配电网故障选线方法。利用CEEMDAN算法分解各线路零序电流信号,得到各线路零序电流的内禀函数;将各线路内禀函数按顺序拼接到一起得到一个时频数据矩阵。时频数据矩阵囊括丰富的故障特征,可以反映当前系统工况;通过卷积神经网络自主地挖掘时频数据矩阵的故障特征向量,通过softmax函数输出故障线路编号,实现配电网故障选线。通过仿真实验表明,该方法不受过渡电阻、检测时延等因素影响,可准确、有效地识别故障线路。

基于高阶累积量的煤矿主通风机振动故障检测研究

受煤矿主通风机运行过程中自身转子等多种因素的影响,在设计煤矿主通风机振动故障检测方法时,经常会出现振动故障类别检测不准确的情况,导致方法的检测精度差。对此,现提出基于高阶累积量的煤矿主通风机振动故障检测方法。对采集到的振动信号进行降噪处理,再计算其多尺度函数,对振动信号进行时频域分析,通过计算振动信号的协方差,计算其振动信号的高阶累积量,由此提取出振动信号的偏度特征和峰度特征,构建振动信号的特征向量。通过计算振动信号特征向量的熵值,识别出其中的故障特征,再计算信号的故障值,检测出不同类型的振动故障。实验结果表明,设计的检测方法在实际应用中误报率均值为5.6%,检测精度高。

基于基尼的深度解卷积方法在机械装备故障诊断中的应用研究

解卷积方法是机械装备故障诊断的有力工具,但传统研究仍属于浅层特征提取,难以处理极低信噪比情况。针对此问题,在传统解卷积理论的基础上引入特征学习思想,提出一种基于基尼指数(Gini index,GI)的稀疏特征深度解卷积方法(GI-based sparse deep deconvolution,GI-SDD)进行机械装备早期故障诊断。采用频带均分策略初始化输入层滤波器,为后续解卷提供方向。以能够表征机械故障稀疏特征的GI作为损失函数,指导深度网络进行训练。基于广义的特征向量法(eigenvector algorithm,EVA)执行权重优化,进而对微弱故障特征进行逐层学习。利用相关系数和包络谱峭度(envelope kurtosis,EK)准则联合评价故障信息,降维输出最为显著的故障分量。经仿真分析及试验验证,所提方法对背景噪声具有强鲁棒性,故障特征得到显著加强,其EK值相较于传统MED和MGID结果分别提升163.43%和187.11%。

矿用电连接器串联型故障电弧诊断方法研究

为提高煤矿井下供电系统的可靠性,在不同电压、电流、功率因数、环境相对湿度条件下,开展了因机械振动引发的串联型故障电弧模拟实验。分析了不同实验参数对故障电弧的影响;提取串联型故障电弧相邻五周期电流信号中的过零点数、归一化后的方差、协方差构成特征向量;建立了基于随机森林分类算法的串联型故障电弧诊断模型,以正常运行及故障电弧电流信号的特征向量构成训练样本和测试样本作为随机森林模型的输入,对样本进行分类,进而诊断是否发生串联型故障电弧。结果表明,该方法能够有效地实现矿用电连接器串联型故障电弧的诊断。

基于最小二乘支持向量机的故障诊断方法

提出了一种小波包分析与最小二乘支持向量机相结合的机械设备故障诊断模型。首先对故障信号功率谱进行小波分解,简化了故障特征向量的提取,然后采用最小二乘支持向量机进行故障诊断。在该模型中,用二次损失函数取代支持向量机中的不敏感损失函数,将不等式约束条件变为等式约束,从而将二次规划问题转换为线性方程组的求解,并提出对核函数的σ参数进行动态选取。仿真结果表明:该模型可以取得较高的故障诊断准确率。

基于GA和LM组合优化BP神经网络的滚动轴承故障诊断方法

针对传统BP神经网络在滚动轴承故障诊断中存在收敛速度慢且易陷入局部极小等问题,提出一种GA和LM组合优化BP神经网络的故障诊断方法。利用小波包变换对不同故障类型的振动信号进行软阈值消噪处理,然后进行三层小波包分解及重构,并成功提取了8个频带构建的故障能量特征向量。利用GA优化了BP神经网络的隐含层层数及节点数、初始权值和阈值的网络参数,采用LM算法改进网络的搜索空间。以美国凯斯西储大学提供的滚动轴承实验数据进行诊断,结果表明,与GA优化的诊断结果相比,组合优化后的BP神经网络具有更高的诊断效率和精度。

粗集理论及其在旋转机械故障诊断中的应用 (二)旋转机械故障诊断知识库的形成

旋转机械故障诊断知识库形成的主要环节是信号的采集和信号的分析、整理 ;在所有的机械故障信号中 ,振动诊断技术是故障诊断的常用手段 ,对振动信号实现连续、在线诊断的最重要的数学工具是快速傅里叶变换(FFT)和小波理论。通过对实验的观察 ,建立转子故障特征向量和故障类型之间对应关系的数据库 。

变压器故障诊断中信息融合技术的应用

电力变压器的可靠性直接影响供电的稳定,为此结合电力变压器故障诊断的具体情况,从信息融合的角度提出了基于信号类型及不同特征向量组合的集成诊断模型。该模型利用基于故障机理内在因素的专家系统,采用匹配知识规则,通过模糊推理,得特征向量与变压器故障信息间的关联性质,完成故障诊断,且诊断完成后,利用数据挖掘技术将诊断过程中的特征量、推理过程、结果以编码形式存入专家系统规则库。该模型将油中溶解气体、电气参数等特征量结合作为故障判据,评估变压器状态,并利用评估结果丰富专家系统的规则库。在讨论了多传感器信息融合技术用于变压器在线故障诊断时的具体实现方法后通过实例进行分析说明:利用来自传感器的各种故障信息进行融合,作为变压器故障诊断的判据,提高了诊断的可靠性和准确性,这将对提高电网安全性能及电气设备的诊断自动化与智能化水平起到推动作用。

小波包分析技术在大型电机转子故障诊断系统中的应用

通过精密离心机电机驱动系统和机械系统的故障机理的分析,提出了两种故障信号基于小波包分析的特征提取方法。一个是渐进性故障信号的特征提取方法,控制器误差信号通过小波包分解与重构,最后在最低频段的节点得到了已经去噪的故障信号。另一个是振动信号频带能量的特征向量提取方法,动平衡系统的振动信号被分解到独立的频段,不同频带内的信号能量变化反映了系统机械运行状态的改变,每个能量成分被提取形成特征向量用于故障诊断。试验与仿真结果表明这种基于小波包分析的故障方法具有算法简单、可行的优点。

基于支持向量机的滚动轴承故障诊断研究

在分析支持向量机多分类算法和滚动轴承故障诊断特征向量的基础上,建立了基于支持向量机的滚动轴承故障诊断模型,并对模型进行了鲁棒性研究。对建立的数学模型进行了试验验证,结果表明,建立的诊断模型对轴承故障诊断具有良好的诊断效果。

基于神经网络方法的模拟电路故障诊断研究

小波变换是一种时频分析方法,具有多分辨率特性,被誉为数学显微镜;而BP神经网络具有较好的泛化能力,很适合判断电路状态属于哪种故障类型的分类问题。将二者结合起来,采用基于小波神经网络的模拟电路故障诊断方法,应用小波变换对模拟电路幅频响应的采样信号进行故障特征提取,然后利用BP神经网络对各种状态下的特征向量进行分类决策,实现模拟电路的故障诊断。通过对电路进行仿真,证明该方法能够实现故障检测及定位,具有准确率高的特点。

基于EEMD云模型与SVM的汽轮机转子故障诊断方法

提出了一种基于集合经验模态分解(EEMD)、云模型与支持向量机(SVM)相结合的汽轮机转子多故障诊断方法。该方法首先采用EEMD将振动信号分解成若干个IMF分量,利用相关系数法对IMF分量进行筛选,然后对筛选后的IMF分量进行逆向云发生器计算,得到云模型的数字特征并构建为特征向量,将其应用到有向无环图SVM中进行转子多故障状态识别,并与传统的EEMD能量法进行对比。结果表明,该方法能够准确地完成转子多故障诊断,具有更高的识别率。

基于最小二乘支持向量机和机电综合特征的发电机故障诊断

提出了1种最小二乘支持向量机和机电综合特征相结合的发电机故障诊断模型.用二次损失函数代替传统支持向量机中的不敏感损失函数,将不等式约束条件变为等式约束,从而将二次规划问题转变为线性方程组求解,降低了计算的复杂性.提取发电机故障中的综合特征,即振动信号和电流信号,整理后作为诊断模型的特征值,从而得到了故障的典型特征,提高了诊断的准确率.最后从SDF 9型模拟发电机中实测数据进行分析,结果表明,与常规的方法相比,该模型具有较高的分类速度和较好的故障诊断准确率.

基于小波包特征向量与神经网络的滚动轴承故障诊断

基于故障轴承的特征提取,提出了将小波包分析与神经网络结合的滚动轴承故障诊断方法。对滚动轴承信号进行3层小波包分解,构造小波包特征向量作为故障样本,用训练好的BP神经网络进行故障诊断,试验结果表明,该方法能够有效地诊断出滚动轴承的故障类型。

拉普拉斯特征向量相关谱及其在滚动轴承故障诊断中的应用

为了将谱方法的模式识别能力应用于机械故障诊断领域,提出了拉普拉斯特征向量相关谱,并应用于滚动轴承故障诊断。拉普拉斯特征向量相关谱定义为拉普拉斯矩阵特征向量之间夹角余弦的绝对值,由特征集的拉普拉斯矩阵进行标准正交分解后得到,具有计算过程简单、运算速度快等特点。基于拉普拉斯特征向量相关谱的滚动轴承故障诊断方法首先在时域、频域和能量熵域对滚动轴承振动信号进行特征提取,组成特征集;然后对特征集的拉普拉斯矩阵进行标准正交分解,计算拉普拉斯特征向量相关谱;最后通过相关谱矩阵实现滚动轴承不同故障类型的识别。应用实例表明,该方法能有效识别滚动轴承故障。

LLSTA和ELM算法在转子故障诊断中的应用

针对转子故障诊断日趋困难的问题,引入一种基于非线性流形学习和极限学习机(ELM)的转子故障诊断模型。基于转子振动信号时域与频域的14个特征参数构建高维矩阵,利用线性局部切空间排列(LLTSA)提取高维矩阵的特征向量,并投影到可视空间中。采用极限学习机作为分类器进行故障诊断。故障诊断实例验证了该模型的有效性和可行性,表明了该模型将成为故障诊断领域的发展方向。

基于递归神经网络的旋转机械故障诊断方法

为实现对旋转机械的在线故障诊断,对10类故障情况下的振动信号进行频谱分析。发现旋转机械振动信号的频谱中含有丰富的故障信息,以此为故障特征向量建立了诊断模型。在现有神经网络故障诊断方法基础上,提出了一种基于带有偏差单元递归神经网络的在线故障诊断方法,设计了相应的故障样本和故障编码。仿真结果表明,该方法在收敛速度、非线性能力及精度方面明显优于一般方法。对故障模式的回想结果及实际运行结果证明,本方法切实可行,适合于旋转机械的在线故障诊断。

基于多小波和PSO-RBF神经网络的水电机组振动故障诊断

【目的】研究水电机组振动故障诊断的方法,为水电机组状态监测提供一种新的信号处理方法。【方法】对水电机组的振动信号进行多小波变换,提取振动信号的特征向量,将此特征向量作为学习样本输入到经过粒子群优化的径向基神经网络,通过训练后建立频谱特征向量和故障类型的映射关系,然后以测试样本和多故障测试样本为例进行应用检验。【结果】优化后的神经网络在第30次迭代时就达到了目标值,而优化前则需要56次迭代才能达到目标值。测试样本的诊断结果和测试样本的多故障诊断结果显示,期望输出与实际输出基本一致,故障识别的正确率达到100%。【结论】多小波-能量和经过粒子群优化的RBF神经网络结合的方法适用于水电机组的振动故障诊断,其诊断精度高,具有工程应用价值。

大系统的故障诊断方法研究

提出一种故障诊断方案。基于配置观测器的左或右特征结构向量实现动态交联项对残差影响的解耦，然后利用这些残差进行故障诊断，文中给出了若干定理及结论，最后举例说明该方法的可行性。

基于小波神经网络的滚动轴承故障诊断

根据滚动轴承振动信号的频域变化特征 ,采用小波包分析对其建立频域能量特征向量 ,利用径向基函数神经网络完成滚动轴承故障状态的识别。