基于关联规则的油田大型机泵设备振动故障数据采集方法

为了在不同工况下获取完整的振动故障数据,设计关联规则的油田大型机泵设备振动故障数据采集方法.提取大型机泵设备振动故障数据特征,在数据标准阈值中设定预警值与报警值,获取故障数据的全频域信息;基于关联规则方法优化振动故障数据采集完整性,通过分解、排序、更新三个步骤在处理噪声的同时保证数据完整性;引入连续采集算法判定振动数据故障阈值,优化完成油田大型机泵设备振动故障数据采集.实验表明,该数据采集方法可以在六种工况下,有效获取机泵设备回旋振动与纵向振动的完整故障数据,具备实际可行性.

改进的U-Net网络小断层识别技术在玛湖凹陷玛中地区三叠系白碱滩组的应用

利用改进的U-Net网络小断层识别技术,对准噶尔盆地玛湖凹陷玛中地区三叠系白碱滩组的小断层进行了识别。研究结果表明:(1)构造导向滤波预处理能有效改善地震资料的品质,提高断层识别的准确率。加入了跳跃连接和中继监督、正态标准化和聚焦均方损失函数的U-Net网络方法,对小断层的精细识别能力有所提升。(2)使用200组训练样本集和20组验证样本集,模型地震数据由反射系数与雷克子波褶积生成,断层由人工标注而成。选取最优的网络模型参数,并在合成的含噪地震数据上分别利用相干属性、常规U-Net网络方法及改进的U-Net网络方法进行测试,构造导向滤波有效突出了断层的边界,且增强了同相轴的横向连续性,改进后的U-Net网络方法对于7 m以上断距的断层可进行有效识别。(3)对于玛湖凹陷玛中地区三叠系白碱滩组高角度走滑断裂和伴生小断距次级断裂的识别,改进后的U-Net网络方法的识别精度明显高于相干属性和常规U-Net网络方法,研究区大侏罗沟断裂北翼的(3)号与(4)号砂体,是拓展MZ4井区三叠系白碱滩组高效勘探的有利区。

基于关联规则与重构误差的二次系统故障检测方法

二次系统是否可靠直接关系整个变电站乃至系统能否安全可靠运行。随着高比例新能源并网,如何有效检测二次系统故障愈发重要。针对现有逻辑回路的故障方法对数据完备性要求较高而难以实际应用,现有二次设备的故障检测方法难以辨识正常数据和故障数据的微小差异导致计算精度无法保障的问题,提出基于关联规则与重构误差的二次系统故障检测方法。首先,利用Apriori算法求出故障报警信息与逻辑回路中故障装置的关联规则,实现逻辑回路故障快速诊断;然后,利用正常二次设备的运行数据训练个体判别器,通过衡量待判别数据的重构误差来判别二次设备运行状态,并利用集成学习模型量化设备当前故障检测概率;最后,对集成学习模型进行集成优化,以提高二次设备异常预警的可信度。利用河南省某变电站实际运行数据集进行仿真测试,验证了所提方法的有效性和准确性。

塔北塔中地区中、下寒武统岩性组合与变形特征及其对油气输导影响

塔里木盆地塔北塔中地区寒武系勘探生产实践揭示,油气分布严格受控于断裂,不同断裂段之间油气差异性显著,断裂带具有重要的垂向输导作用。因此,加强塔北塔中地区中、下寒武统的岩性组合与变形特征研究,对判定整体地层变形情况和厘清影响油气输导效率的因素具有重要意义。本研究以塔里木盆地塔北塔中地区中、下寒武统为研究对象,基于岩心、钻/测井、3D地震及生产动态数据等资料,首先开展岩石类型划分和岩性组合分析,然后通过井震标定及区域地震剖面追踪,明确岩性组合的地震响应特征,最后指明断裂作用下目的层变形特征,揭示岩性组合与构造变形特征对油气输导效率的影响。研究结果表明:(1)研究区共发育白云岩类、含膏岩类和含泥白云岩类等3种岩石类型,根据叠置样式分为上下分段型、对称型和互层型三种岩性组合;(2)不同岩性组合的地震反射特征存在显著差异性,上下分段型岩性组合对应于上部弱振幅、下部强振幅,呈现席状平行亚平行反射特征,对称型岩性组合表现为具有中强振幅且连续性较好的地震反射之间夹持着弱振幅、连续性中等的席状平行反射的特征。互层型岩性组合表现为强振幅、高频率和连续性好的地震反射特征;(3)在不同的应力分段作用下,目的层变形特征分为膏岩层厚度减小、厚度增大及厚度稳定共3种类型。研究揭示出岩性组合与构造变形联合控制着油气输导,顺北区块岩性组合的叠置样式呈现明显的区域差异性,西部以对称型叠置为主,东部以上下分段型对称型为主。对称型岩性组合的变形程度较高有利于油气输导,上下分段型岩性组合在拉分段更为有利。

基于关系超图增强Transformer的智能站二次设备故障诊断研究

随着智能变电站二次设备的状态感知与自描述能力不断提升,在提高电网调控细粒度的同时,其海量、驳杂、离散的状态信息也使故障诊断难度倍增。为提高二次设备故障诊断精度与效率,提出基于关系超图增强Transformer的二次设备故障诊断算法。首先利用Apriori算法挖掘故障信号间的关联规则,构建关系超图。然后利用超图卷积神经网络(hypergraph convolutional neural network,HGCN)和微调标准Transformer网络学习故障特征间的高阶关系和上下文表达,再经过误差反向传播、非线性传递函数预测故障类型。最后,以某地区一年的二次设备运行数据作为算例进行分析。结果表明,所提方法能够去除冗余信息干扰,准确定位故障元件和诊断故障类型,为智能运维提供支持。

基于大数据的网络隐患分析系统研究与应用

文章提出了一种基于大数据技术的应用方式,通过挖掘告警强关联规则深入挖掘网络故障隐患,提升故障及隐患处理效率;通过构建季节性时间序列分析模型揭示历史数据中故障隐患发生、发展的规律,对故障隐患进行有效预警,将故障隐患从被动处理的传统模式革新到主动处理的预控层面上。

基于SVDD和改进K-Means的变压器故障诊断模型

变压器状态对于智能配电房的安全稳定运行具有重要意义。为实现对变压器故障的准确诊断,在变压器油中溶解气体分析(DGA)的基础上,提出了一种联合使用支持向量数据描述(SVDD)和改进K-Means聚类的变压器故障诊断方法。首先利用SVDD构造闭合分类曲面实现“正常”和“故障”两类判断,然后对“故障”类样本进行K-Means聚类分析,自动将其划分为低能放电、中低温过热、高能放电、高温过热和局部放电5种故障类型,同时针对K-Means初始聚类中心选取难题,提出局部密度概念自动确定K-Means初始聚类中心,提升聚类性能。最后利用变压器故障真实数据开展实验,结果表明,相较于支持向量机(SVM)和BP神经网络模型,所提方法的故障诊断准确率分别提升9.8%和8%。

一种基于关联规则挖掘的配电终端单元故障分析方法

随着配电网的发展,大量配电终端单元(DTU)应用于电力系统。DTU故障会对电力系统的安全稳定运行构成威胁,因此降低DTU装置的故障发生率、提高故障排除效率具有重要意义。本文提出一种基于关联规则挖掘算法的DTU故障分析方法,首先分析DTU故障的关键因素,然后阐述Eclat算法的相关概念,并利用不同规模的DTU故障数据库对Eclat算法与FP-Growth和Apriori算法的性能进行比较,得到一种基于Eclat算法的DTU故障分析方法。利用真实的DTU故障数据库进行实验,验证了所提方法的有效性。最后,给出所提方法的应用实例,证明了其实用性。

基于关联规则的火电厂热工保护用机电系统故障分析方法

传统火电厂热工保护用机电系统故障分析方法直接对故障信号高维特征进行解析,未对系统故障微弱信号进行高效解耦提取,造成传统方法故障识别率低,因此提出基于关联规则的火电厂热工保护用机电系统故障分析方法。对系统故障微弱信号进行高效解耦提取,并在此基础上基于关联规则进行故障信号高维特征解析,设计火电厂热工保护用机电系统故障自动检测流程,实现系统故障自动检测。实验结果表明,该研究方法故障识别率更高,故障识别效果更好。

基于关联规则算法的铁路供配电系统故障数据自动识别方法

针对现有的故障识别方法识别准确率低,研究基于关联规则算法的铁路供配电系统故障数据自动识别方法。该方法首先运用小波变换的方式提取配电系统中的故障特征,为故障识别提供重要依据。然后采用关联规则算法挖掘与故障数据相关联的参数,并在此过程中采用支持度进行关联规则过滤,优化关联规则的判断程度,以解决关联规则过多和有效性问题。最后根据所提取的故障特征与铁路供配电系统所产生的数据信号的比较,判断是否发生故障,在判断出结果后,依据所挖掘的关联参数实现对故障数据的精准定位,由此完成对铁路供配电系统故障数据的自动识别。实验结果表明,所提方法的故障识别准确率最高可达到96.3,该方法可对故障数据进行有效自动识别,具有较好的应用效果。

Fault Identification of Power Grid Based on Wide-Area Differential Current and K-Means Clustering

A new method of fault domain identification is proposed based on K-means clustering analysis theories using the wide-area information of power grid. In the method, the node Intelligent Electronic Device (IED) associated domain is defined, and the relationship of positive sequence current fault component for the association domain boundaries is sought, then the conception of positive sequence fault component differential current for node IED association domains is introduced. The information of the positive sequence fault component differential current gathered by node IEDs is selected as the object of K-means clustering. The node IEDs of fault associated domains can be classified into one category, and the node IEDs of non-fault associated domains are classified into another category. With the fault area minimum principle, the group of node IEDs about fault associated domains can be obtained. The overlap of fault associated domains for different nodes is the fault area. A large number of simulations show that the algorithm proposed can identify fault domains with high accuracy and no influence by the operating mode of the system and topological changes.

一种结合谱聚类与关联规则的轴承故障诊断方法

针对现阶段机械设备轴承故障诊断方法难以挖掘隐含特征、诊断精准度低等问题,将谱聚类(spectral clustering, SC)算法与关联规则算法Apriori相结合,提出SC-Apriori算法;首先根据美国西储大学轴承数据中心网站公开发布的轴承故障数据集,选取0负载下的数据,计算得到滚动轴承振动信号的9个时域特征和3个频域特征;其次使用Pearson相关系数进行特征筛选,留下9个有效特征,再利用SC-Apriori算法挖掘出训练数据集中轴承不同特征数据之间的关联关系,并引入提升度来去除冗余的关联规则,进而构建一个规则库;再将测试数据进行处理,并与已建立的规则库进行比对,根据匹配率来判断其故障类型;在测试数据上的实验结果表明,与已有算法相比,文章设计的SC-Apriori算法挖掘出的规则数量大幅减少,匹配速度更快,且匹配效果更好。

状态参量关联规则挖掘及深度学习融合的变压器故障诊断算法

变压器的正常运转是电力系统可靠供电的基础,它的早期故障检测一直是研究的热点方向。随着大数据和人工智能的兴起,变压器的多种日常运行监测数据得以更有效的利用。早期故障检测方法容易误判,对故障部位及故障程度的识别也比较模糊。因此,为了获得更高的故障预测及诊断精度,文中提出了一种关联规则输入的变压器深度学习故障辨识方法。首先应用Apriori算法挖掘特征量集中的高频项,计算其与故障类型的置信度,找到强置信度规则。然后将置信度与油中溶解气体浓度一起作为输入应用到深度神经网络DNN(deep neural networks)模型中,通过正向传播、反向梯度更新进行训练,以确定变压器的故障类型。最终实例证明基于关联规则的故障检测模型具有更高的精度和更快的响应速度,相较于未输入关联规则的模型准确度至少提升了5%。

数据与经验混合驱动下的变压器故障分层诊断方法

变压器故障预警及诊断对电力系统的安全稳定运行具有重要意义。以油浸式变压器为研究对象,基于在线监测、运行维护及离线试验等多维度数据,提出了一种数据与经验混合驱动下的变压器故障分层诊断方法。首先,基于变压器在线及离线油色谱数据,构建了基于深度森林的变压器故障初级诊断模型,用于6种故障性质的预测。然后,结合变压器故障树和相关标准,实现了故障性质和对应故障类型的分类。采用关联规则研究了故障类型和特征量的关联关系,并提取部分特征量排除特定故障类型,从而构建了涵盖21种故障类型的变压器故障精细化诊断模型,实现了变压器故障类型、故障部位及故障可信度的动态评估。最后,分别以500 kV变压器为单体和群体样本,开展了故障诊断算法的有效性验证。单体诊断结果表明:该文所述方法可有效定位主变的故障类型及部位;群体诊断结果表明该方法的准确率达89.0%,且同样适用于诊断多故障并发的变压器。该方法实现了变压器故障诊断结果的具体化和数量化,可为变压器运维检修提供针对性指导建议。

基于关联规则分类的船用柴油机故障诊断

鉴于数据驱动的故障诊断方法诊断过程和结果难以解释,提出了一种基于关联规则分类(CBA)的船用柴油机故障诊断和故障作用机理解释方法.通过GT-Power柴油机故障仿真试验建立了柴油机故障数据库,采用关联规则分类算法构建了故障分类器,并基于可视化方法提取了重要规则,解析故障作用机理和模型的诊断过程.结果表明:基于关联规则分类的柴油机故障诊断方法对测试集的故障识别率高达98.67%,提取的规则较好地吻合相关热力学知识,可用于故障作用机理与诊断的进一步研究.

改进DARMmcr模型的输电线路安全运行数据比较分析

针对现有故障预测模型无法兼顾不同类型数据的特性,预测精度和效率较低等问题,提出了一种将计及罕见变量的动态关联规则挖掘模型和模糊推理系统相结合用于输电线路故障预测。使用外部环境数据(连续和离散特征)用作输入数据,连续特征由集成模型处理,离散特征由计及罕见变量的动态关联规则挖掘模型处理。通过算例对预测方法的性能进行比较分析,验证了该方法的优越性。结果表明,与传统的预测方法相比,该预测模型考虑了不同类型输入数据的特征,可以进一步提高预测效果,有一定的参考价值。

基于改进序列模式挖掘算法的告警关联模型

在电力故障发生时,会产生大量的电力故障告警信息数据,如何从电力故障告警信息中挖掘出可靠的关联规则,对后续电力的调度运维有着重要的影响。广义序列模式(Generalized Sequential Pattern,GSP)算法通过增加时间上的约束条件提高算法的效率,适合应用于电力故障告警信息挖掘的场景。针对GSP算法中的关键参数多和不同的参数组合影响算法的准确性和可靠性的问题,将遗传算法与GSP算法相结合,自适应地得到一组较好的参数,将参数代入GSP算法,从而得到更加可靠的关联规则,以此来解决在电力故障告警信息应用中很难为不同的数据集找到合适的参数组合的问题。通过实例验证,电力故障告警信息数据应用遗传算法结合GSP算法能够有效地得到更加准确和可靠的计算结果。

基于人工鱼群优化Apriori算法的配电网故障诊断

在解决电网配网运行过程产生的故障诊断问题时,需要考虑到当前大电网运行过程中产生数据库的规模大、维度高、模态多样及类型复杂等特点,而故障诊断中应用传统关联规则挖掘算法已无法适应处理大数据库数据量的实际需求。与此同时,以人工鱼群算法为代表的新兴智能算法在实际社会生产中得到了广泛的应用,因而提出一种基于人工鱼群算法改进Apriori数据挖掘算法的配电网故障诊断方法,构建出一种新型的改进Apriori算法模型。结合某一实际配网运行产生的数据,通过矩阵实验室(matrix laboratory,MATLAB)仿真软件进行仿真验证所提到的新型算法,并与传统数据挖掘算法进行比较。实验结果表明,改进后算法的准确率较高,响应速度快,更适用于对大规模数据库的处理。

随钻快速成像技术在断块型页岩油勘探中的应用

苏北盆地断层发育,常规的深度偏移成像技术在精度和时效性方面难以满足苏北盆地断块型页岩油勘探需求。为此引进了随钻快速成像技术,首先在导眼井阶段通过井约束求取各向异性参数,其次在水平井阶段通过井控实现局部快速建模,然后在钻后反馈阶段通过井震联合实现精细化建模,最终达到提高叠前深度偏移成像精度和水平井储层钻遇率的目的。苏北盆地水平井实钻数据验证了该技术在成像精度和时效性方面的有效性,为苏北盆地断块型页岩油勘探突破提供了有效技术支撑,也供其他类似探区借鉴。

关于扭力冲击钻轴承故障诊断预测方法的研究

针对扭力冲击钻滚动轴承易多发故障问题提出了一种改进支持向量机的故障特征提取方法,并结合多维时态关联规则来判断轴承是否出现故障。主要借助抽样算法来形成向量集合,并且在此基础上提升识别效率,找到异常信号,并且对其来源进行判定,通过多维时态关联规则找出异常信号与故障类别之间的关系。通过不平衡转子动力学模型与搭建实验平台试验验证关联规则的准确性和可靠性,再根据各信号的实时状态通过已建立的时态关联规则实时预测下一时间段的信号状态,从而达到实时预测的目的。实验表明,本故障诊断预测方法有效,能够识别和预测滚动轴承的90%的故障。