A Novel Approach for Fault Diagnosis in Wireless Sensor Networks

The following article has been retracted due to special reason of the author. This paper published in Vol.5 No. 2, 2013, has been removed from this site.

Fractal Characteristic of Pits Distribution on 304 Stainless Steel Corroded Surface and Its Application in Corrosion Diagnosis

Electrochemical techniques and fractal theory were employed to study the corrosion behaviors and pits distribution characteristics on the corroded surfaces of 304 stainless steel exposed in FeCl3 solution. Fractal features of pits distribution over the corroded surfaces were observed and described by the fractal dimension. A 5-8-2 back-propagation （BP） artificial neural network model for the diagnoses of the pitting corrosion rate and pits deepness of 304 stainless steel under various conditions was developed by considering the fractal dimension as a key parameter for describing the pitting corrosion characteristics. The predicted results are well in agreement with the experimental data of pitting corrosion rate and pit deepness. The max relative errors between their experimental and simulation data are 6.69% and 4.62%, respectively.

基于分布鲁棒优化的车-站-网日前能量管理与交易

为考虑上级电网电价、光伏出力等多重多层级不确定性对车-站-网互动博弈模型的影响,且充分体现配电网主动管理技术支撑效果,文中提出了一种基于分布鲁棒优化的车-站-网能量管理与交易方法。首先,针对主动配电网内多元主体能量管理与交易问题,建立了配电网运营商、充电站和电动汽车的日前市场互动框架。其次,融合主动网络管理技术和网络约束,在配电网运营商与聚合了电动汽车的多个充电站之间构建了以多主体各自利益最大为目标的双层Wasserstein分布鲁棒互动博弈模型。然后,提出了结合Karush-Kuhn-Tucker条件、对偶原理和大M法的化简方法以解决多层级不确定性造成的求解难题,将双层Wasserstein分布鲁棒模型转化为单层混合整数二阶锥规划模型,并利用商业求解器YALMIP/GUROBI进行了求解。最后,通过算例仿真验证了所提模型和方法的有效性。

联合收割机滚动轴承故障诊断系统研究--基于声场空间分布特征

首先,介绍了联合收割机滚动轴承振动机理和故障特征,并研究了基于声场空间分布特征的故障诊断流程;然后,对联合收割机滚动轴承的声音信号采集及特征提取进行了深入研究;最后,利用神经网络算法的模式识别对联合收割机滚动轴承的故障进行诊断。验证结果表明:系统对联合收割机滚动轴承故障的综合诊断率为91.67%,系统具有可行性。

基于大数据应用的高职院校高水平专业群建设管理研究

高水平专业群建设是一项复杂的系统性工程,是专业群内部与外部结构要素的深度融合。涉及专业领域众多、数据和资源繁杂,必须采用数字化管理,运用大数据思维构建专业群建设管理体系,以教师发展、学生成长为目标开展专业群的诊改,动态调整专业群组建和优化专业群资源配置,提升专业群建设管理水平和建设质量。

基于5G的配电网智能故障诊断方法

配电网是电网中发生短路故障最多且智能化程度较低的地方。目前主要使用基于零序电流比幅法来进行接地故障的故障诊断,但存在非接地故障识别率低和无法快速识别等问题。采用5G通信技术,提出三序复合电流检测法并结合广义回归神经网络(GRNN,generalized regression neural network)来实现配电网故障诊断的实时传输与快速决策。测试结果表明可提升非接地故障的识别率达20%以上,解决了以往通信不可靠和故障诊断智能化不高等问题。

超立方体在对称PMC模型下的g-好邻条件诊断度和g-额外条件诊断度

故障诊断在维持多处理器系统的可靠性中起到了至关重要的作用,而诊断度是系统诊断能力的一个重要度量参数。除经典诊断度外还有条件诊断度,如g-好邻条件诊断度、g-额外条件诊断度等。其中g-好邻条件诊断度是在每个无故障顶点至少有g个无故障邻点的条件下定义的一种条件诊断度,g-额外条件诊断度是在每个无故障分支包含超过g个顶点的条件下定义的一种条件诊断度。故障诊断需要在特定的诊断模型下进行,如PMC模型、对称PMC模型等。对称PMC模型是在PMC模型的基础上通过添加两个假设而提出的一种新的诊断模型。n维超立方体因具有多种优越性质而被研究者们广泛研究。目前有不少在PMC模型下的诊断度研究,但缺乏在对称PMC模型下的诊断度研究。文中首先证明了超立方体在对称PMC模型下的g-好邻条件诊断度的上界和下界,当n≥4且0≤g≤n-4时上界为2^(g+1)(n-g-1)+2^(g)-1,当g≥0且n≥max{g+4,2^(g+1)-2^(-g)-g-1}时下界为(2n-2^(g+1)+1)2^(g-1)+(n-g)2^(g-1)-1。还证明了超立方体在对称PMC模型下的g-额外条件诊断度的上界和下界,当n≥4且0≤g≤n-4时上界为2n(g+1)-5g-2C_(g)^(2)-2,当n≥4且0≤g≤min n-4,23 n时下界为3/2n(g+1)-g-5/2C_(g+1)^(2)-1。最后通过模拟实验验证了相关理论结果的正确性。

基于并行融合深度残差收缩网络的有源配电网故障诊断

针对含分布式电源的配电网故障呈现方式多样化以及故障诊断易受分布式电源类型、输出功率等非线性因素影响等问题,提出一种基于并行融合深度残差收缩网络(P-FDRSN)的故障诊断模型。首先,构建具有故障识别支路和故障定位支路的并行网络结构——P-FDRSN,在残差模块中引入收缩机制,减少网络中噪声或冗余信息的影响,提高网络对噪声的鲁棒性;其次,将故障录波信号波形幅值变化转换为灰度图和时频图,送入深度残差收缩网络进行深度特征提取并在汇聚层中将获取的特征进行融合,以增强故障录波信号的特征学习能力。仿真结果表明:在不同分布式电源类型和不同输出功率下,模型故障定位与识别精度均能保持在98.75%和97.25%以上,即使在噪声干扰的情况下,诊断准确率仍可保持在96.75%以上,模型具有较高的精度和较好的自适应性。

不平衡数据下基于改进门控卷积网络的轴承故障诊断

深度学习在滚动轴承故障诊断中具有广泛的应用,然而,现实中的监测数据往往具有不平衡性,这就会对模型的诊断性能产生很大影响。因此,提出一种基于改进门控卷积神经网络(Improved Gated Convolutional Neural Network,IGCNN)的故障诊断方法,用于数据不平衡条件下的故障诊断。首先,提出改进门控卷积层以增强特征提取能力,通过批量归一化技术提高模型的泛化能力。然后,使用标签分布感知边界(Label-distribution-aware Margin,LDAM)损失函数提高模型对少数类的敏感度,减小数据不平衡对模型的影响。将所提算法应用在两组故障轴承数据上,在数据不平衡率为20:1的情况下,所提算法仍然可达到92.71%和94.47%的故障识别率,而对比的其他主流深度学习模型在该情况下只有60%~72%的准确率,表明所提方法在数据集严重不平衡情况下具有很强的诊断能力和鲁棒性。

基于贝叶斯网络信息融合的直流配电网故障诊断方法

新型直流配电系统故障期间暂态特征复杂多变,继电保护存在拒动和误动情况。为了避免继电保护的不正确动作对故障诊断产生影响,提出一种基于贝叶斯网络信息融合的直流配电网故障诊断方法。首先,对传统继电保护贝叶斯网络模型进行改进,同时考虑直流配电网故障限流策略,分别构建保护动作信息、断路器动作信息和限流策略信息3种贝叶斯网络模型,对故障区域内各元件的故障概率进行初步评估。其次,利用D-S证据理论将各元件对应的故障概率信息进行融合,完成故障元件的判别。然后,应用故障元件对应的贝叶斯网络模型识别误动或拒动的保护装置与断路器,实现对直流配电网的故障诊断。最后,通过算例验证了所提故障诊断方法的可靠性以及准确性。

基于BIM的智能运维管理监控系统设计与实现

为切实提升生产设备的信息化和智能化水平、提高生产效率和故障诊断能力,设计一套基于BIM的智能运维管理监控系统。系统将多源传感器数据融合,结合BIM技术进行展示,并引入基于专家经验转化的故障诊断技术。该系统已保障某场站安全运行生产200余天,达到很好的预期。同时,系统产生160 GB原始监测数据和专家经验标定结果,为后续引入基于机器学习的故障诊断方法提供原始训练数据支持。

融合信息物理社会因素的配电网可靠性评估方法

为分析重大社会活动中信息系统先进技术和社会系统应急保电措施对配电网可靠性的影响,文中提出融合信息物理社会因素的配电网可靠性评估方法。首先,为分析信息物理社会系统的相互作用,构建了配电网可靠性的信息物理社会交互框架。然后,通过构建设备发展型和破坏型故障状态转移模型,量化了信息系统中缺陷诊断、风险预警技术作用周期以及社会系统中检修人员技术水平与设备故障率的关系。通过构建设备故障恢复时间模型,量化了信息系统中故障定位技术精度以及社会系统中交通路况、应急物资充裕度与设备故障恢复时间的关系。最后,为了验证框架和模型的有效性,文中建立了一个包含信息物理社会系统基本信息的测试系统。结果验证了信息、社会系统对配电物理系统可靠性的提升作用。

基于数据校核与图卷积神经网络的高容错配电网故障诊断方法

目前运用配电网中的多源故障遥信数据对配电网故障进行诊断的技术逐渐火热,但由于信息的误报、漏报使得诊断结果往往不尽如人意。针对配电网多源故障信息不健全的问题,本文提出了一种将数据校核操作与图卷积神经网络相结合的高容错性配电网故障诊断方法,旨在利用不健全故障信息对配电网进行故障诊断。首先,将多源故障遥信数据作归一化处理后再进行数据校核,从源头改善数据的不健全性;接着,根据配电网图模将多源故障数据转化为故障图数据;最后,将故障图数据送入图卷积神经网络进行学习训练,训练完毕的模型在部署后可实现对配电网的故障诊断。在Python 3.7平台进行实验,通过算例分析证明本文所提方法可有效提高配电网故障诊断的容错性。

基于改进图卷积神经网络的配网线路故障诊断

随着电网的不断扩容,系统结构越来越复杂,多故障频发,而多故障是故障诊断的关键和难点。为解决故障处理数据量大,需要快速、准确地诊断电网故障的问题,本文提出了一种基于模糊优化图卷积神经网络的配网故障诊断模型。首先处理采集的配网故障线路的特征数据;其次,搭建基于图卷积神经网络的故障诊断模型,利用模糊理论建立配电网故障的隶属函数;最后利用训练好的模型进行配网故障诊断。仿真结果表明,模糊优化图卷积神经网络对多故障诊断的准确率高于卷积神经网络以及其他方法,本文方法做出的诊断结果更加精确,综合诊断效果最好。

集体产权改革背景下村级财务管理问题研究

深入分析集体产权改革背景下村级财务管理的现状,针对发现的问题提出建设性建议。村集体在财务管理方面存在核算不规范、三资管理制度执行不力、财务队伍建设不完善及经济发展滞后等问题。针对这些问题,提出以下对策:首先,通过发展和扩大村集体经济以拓宽收入来源;其次,建立和完善集体经济的收支预算制度;第三,提升村内财务人员的专业素质和业务能力;第四,强化监督体制,确保其能有效运行;最后,全面推进会计电算化,提高财务管理的效率和透明度。

开关投切过程建模及其在配网故障诊断算法测试中的应用

配电网故障诊断是确定故障位置、提高故障处理效率和降低停电损失的重要手段.目前,在故障诊断算法设计与测试过程中较少考虑开关操作等干扰的影响,造成算法在实际应用中易误动、用户体验差.针对配电网开关分闸的暂态过程进行详细分析,结合Mayr与Helmer模型对开关投切过程建模,并在PSCAD中生成仿真波形与现场操作过程暂态波形进行对比分析.在模型精准性检验基础上,构建了包含开关操作过程的配电网典型故障算例;与现有常用模型相比,所提模型可以仿真生成贴近现场开关投切过程的扰动数据,可用于故障诊断算法的可靠性检验.最后通过结果分析,对优化故障诊断算法和测试流程提出了针对性建议.

基于大数据分析的配电网故障检测和诊断技术研究

随着智能电网的发展,如何深挖配电网大数据价值,提升配电网故障检测和诊断效率变得尤为重要。为充分利用和开发配电网大数据,提升配电网故障检测和诊断效率,减少配电网故障问题,更好地提升供电服务质量,文章采用文献分析研究的方法,并结合工作经验,从配电网自动化系统、配电网大数据、配电网常见异常问题以及大数据分析技术等多个维度出发,探寻配电网故障检测和诊断的实现模式、处理流程、分析方法及策略。文章系统地阐述基于大数据分析技术的配电网状态监测与故障处理流程,并提出相应的故障定位隔离与非故障区域恢复分析方法、故障检测与故障诊断策略。

基于多源数据融合的配电网故障诊断技术

如何充分利用已有信息提高配电网故障诊断准确性,为配电网抢修提供精准研判是亟待解决的问题.针对已有配电网故障诊断信息来源单一的问题,提出融合配电网中、低压信息与变电站出线电流信息的配电网故障研判模型.该模型首先针对已有过电流诊断方法难以适用于大规模配电网的问题,分层缩减配电网求解规模,提高故障区段定位速率;然后针对过电流告警信息准确性问题,提出基于开关继电保护事件顺序记录(SOE)数据和变电站出线负荷骤降数据的配电网故障辅助研判手段;最后,总结实际工程中多方位信息数据融合配电网故障研判步骤,为调度人员故障诊断提供借鉴.工程实践证明:所提方法能有效进行故障诊断,对于大规模配电网适应性极强;结合开关动作SOE和遥测电压信息的辅助诊断模型,能满足过电流诊断模型对遥信信息准确性要求高的特点,两者互补性较高,工程实践中具有较好的故障诊断效果.

基于SMA-VMD和优化神经网络的逆变器开关故障诊断

为解决基于电流的中点箝位式三电平逆变器开路故障诊断易受负载变化影响的问题,本文从提升故障特征区分度入手,首先,基于SMA优化VMD的最佳模态数K及惩罚系数α,改善模态混叠现象,提高了故障特征的独立性。其次,基于小波包能量分布相对平稳,能有效克服负载影响的特点,将各IMF的两层小波包能量最大值作为故障特征量,在克服负载影响的同时,使时频特征信息更集中,进一步提高了故障特征区分度。最后,将上述故障特征应用于神经网络进行训练,并引入SSA对模型的权值和阈值进行优化,解决了模型局部最优问题,提升了故障辨识的准确性。通过NPC三电平逆变电路模拟17种开路故障的仿真实验,结果表明,该方法的诊断准确率达到98.99%,适用于变负载工况下NPC三电平逆变器在线故障诊断。

基于图卷积网络的光伏配电网故障诊断方法

近年来,机器学习技术在电网的故障诊断领域表现出了更显著的性能优势,然而大部分研究仅基于对已有信号进行数据分析,忽略了网络拓扑的分析,具有一定的局限性.鉴于此,提出了一种基于图卷积网络(Graph Convolutional Network,GCN)的光伏配电网故障检测和识别方法,其利用配电网拓扑信息和测量数据来进行故障识别,在标准测试数据和不良数据注入的情况下该方法均具有更优秀的故障特征提取能力.以PSCAD/EMTDC平台中的一个光伏配电网为例,对各种正常和故障电网事件进行了仿真和模型训练,并与其他几种基于机器学习的故障诊断方法进行了对比.结果表明,该故障诊断方法在故障检测和分类方面比其他算法具有更高的准确率,同时在存在不良数据的情况下也具有较好的鲁棒性.