基于小波包理论的高压断路器机械状态检测

为有效地检测高压断路器的机械状态,文章基于小波包理论,对高压断路器分合闸过程中的振动信号进行了详细分析。首先选取合理小波基,将测试得到的高压断路器分合闸过程中的振动信号进行3层小波包分解,提取第3层各节点重构信号的能量谱;然后根据能量谱定义并计算不同工况下的能量变化指数并进行比较,从而实现对高压断路器的状态检测。对实验室断路器样机正常和2种典型故障下的振动信号进行分析,结果显示故障情况下的能量分布情况相比于正常情况发生了较为明显的变化,同时每种故障下能量变化指数的变化区间均不相同,从而证明了该方法检测高压断路器机械故障的正确性和有效性,为现场应用提供了理论依据。     

基于抗噪多核卷积神经网络的轴承故障诊断方法

针对噪声环境下滚动轴承故障难以诊断的问题,提出一种基于抗噪多核卷积神经网络（anti-noise multi-core convolutional neural network,AMCNN）的轴承故障识别新方法。首先,对滚动轴承振动信号进行预处理,得到数据样本,分为训练集和测试集;然后建立轴承寿命状态识别模型,将标签化的训练集数据样本输入AMCNN中进行训练;最后,将训练后的AMCNN模型应用于测试集,输出故障识别结果。在训练过程中,为抑制过拟合,对原始训练样本进行加噪处理;为提高模型抗干扰能力,将dropout层作为AMCNN的第一层。运用轴承实验数据对识别模型进行检验,通过对比验证,结果表明所提出的识别方法在高噪声环境下能更准确地实现轴承故障状态识别。     

基于VMD-TEO窗和DBiLSTM的早期轴承故障诊断

针对现代滚动轴承早期故障监测因数据量增大所带来的诊断困难问题,提出了基于变分模态分解(VMD)与TEO窗特征提取的深层双向长短记忆神经网络(DBiLSTM)轴承故障诊断方法。首先,利用改进果蝇算法优化的VMD-TEO窗函数,提取轴承振动信号的瞬时能量特征,构造具有时序特性的特征矩阵;其次,利用训练集对DBiLSTM模型进行学习以确定模型参数;最后,用测试集对模型进行验证,输出轴承状态识别结果。试验采用凯西西楚大学轴承故障数据集,结果表明:该方法在处理数据量较大的滚动轴承故障诊断问题时,能有效地对多种故障类型,不同损伤等级的滚动轴承振动信号进行识别。     

基于图数据深度挖掘的旋转机械故障诊断

针对旋转机械故障诊断过程面临的小样本问题,提出了一种基于图数据深度挖掘的旋转机械故障诊断方法.首先,将利用归一化处理后的监测信号重塑为汉克尔矩阵;然后,将奇异值分解得到的特征向量作为图数据的节点表示,进一步地运用边连接方式构建基于奇异值特征向量的图数据;在此基础上,利用构建的图卷积神经网络充分提取图数据中的高层次故障特征敏感信息;最后,利用softmax分类器辨识监测信号故障类别.实验结果表明:该方法能够以30%的小样本训练集实现99.28%的准确率,具备了良好的故障识别能力.     

基于神经网络的高压断路器机械故障诊断仪及在设备检修中的应用

阐述了一种基于径向神经网络技术，通过检测高压断路器分合闸线圈电流、储能电机电流、线圈两端电压及振动信号并将测得的信号特征值或波形和开放式智能样本库进行比对。在此基础上介绍了对断路器机械故障进行智能诊断的高压断路器机械故障诊断仪产品，并结合该装置在现场进行故障诊断的实例提出了一种高压断路器机械故障诊断的新方法。     

一种基于深度融合模型的滚动轴承故障诊断方法

针对噪声环境下滚动轴承故障难以诊断的问题,提出一种基于深度学习融合网络的轴承故障识别新方法。该方法首先对轴承振动信号进行一定程度的随机损坏,并将加噪后的数据输入卷积降噪自编码器(convolutional denoising autoencoder,CDAE)中对网络进行训练,目的是降低信号中的噪声干扰并提取浅层特征;然后,利用深度信念网络(deep belief network,DBN)学习深层特征并建立轴承状态识别模型,输出故障识别结果。在融合模型中,将卷积降噪自编码器作为网络的第一层以增强网络的抗干扰能力,提高故障的识别精度。使用凯斯西储大学(CWRU)滚动轴承数据对所提模型进行验证,结果表明提出的融合模型在噪声环境下能够较好地实现轴承的故障状态识别。     

一种基于深度融合模型的滚动轴承故障诊断方法

针对噪声环境下滚动轴承故障难以诊断的问题,提出一种基于深度学习融合网络的轴承故障识别新方法。该方法首先对轴承振动信号进行一定程度的随机损坏,并将加噪后的数据输入卷积降噪自编码器(convolutional denoising autoencoder,CDAE)中对网络进行训练,目的是降低信号中的噪声干扰并提取浅层特征;然后,利用深度信念网络(deep belief network,DBN)学习深层特征并建立轴承状态识别模型,输出故障识别结果。在融合模型中,将卷积降噪自编码器作为网络的第一层以增强网络的抗干扰能力,提高故障的识别精度。使用凯斯西储大学(CWRU)滚动轴承数据对所提模型进行验证,结果表明提出的融合模型在噪声环境下能够较好地实现轴承的故障状态识别。     

利用改进EEMD的高压断路器声波故障诊断方法

高压断路器是电力系统中重要的一次设备,其安全直接关系到电力系统的稳定运行。近年来,高压断路器的健康状况已成为业界关注的焦点,及时、准确地诊断出断路器故障、快速地查出故障原因,从而有依据的进行检修,具有非常重要的意义。利用分数阶微分对原始声波信号进行滤波,继而应用盲源分离方法分离信号,然后利用EEMD方法进行特征向量的提取,最后将提取出的特征向量作为基本参数应用支持向量机进行故障诊断。试验结果表明,该文方法能够有效的诊断高压断路器的状态。     

高压断路器合(分)闸线圈电流在线监测系统的研制

针对目前高压断路器在线监测系统的研究现状与不足,为及时发现运行中的高压断路器故障,提高运行可靠性,提出了一种基于DSP的高压断路器合(分)闸线圈电流在线监测系统的设计方案.该方案以TMS320C28346为系统控制核心,利用AD7606实时采集断路器合(分)闸线圈电流信号,采用包络均值法去除波形中的噪声和干扰,提取线圈电流波形中的关键时间点和电流最大值,计算合(分)闸时间,根据电流最大值与合(分)闸时间是否在正常范围内进行故障判断,并将电流最大值、合(分)闸时间、日期和运行状态显示在LCD上.实验结果证明,该方案可实现断路器合(分)闸线圈电流的实时监测,可及时发现故障,具有实时性能好、精度高等优点,合闸线圈电流最大值误差在1.29%,合闸时间误差在0.26%;分闸线圈电流最大值误差在1.61%,分闸时间误差在0.7%.     

基于支持向量机的机械故障诊断方法研究

针对因缺少大量故障数据样本而制约机械故障智能诊断发展的问题，提出了一种基于支持向量机的机械故障诊断新方法，介绍了该方法的原理和算法，并利用模拟故障数据建立了多故障分类器。这种诊断方法只需要少量的时域故障数据样本来训练故障分类器，不必进行信号预处理以提取特征量，便可实现多故障的识别和诊断。测试结果表明，当数据样本中含有26％的噪声时，故障分类器仍然能正确分类多种故障。这种诊断方法具有算法简单、可对故障在张分类和故障分类能力强的优点。     

基于PCA-DT的多联机制冷剂充注量故障诊断

针对多联机制冷剂充注量故障,提出了一种基于主成分分析-决策树(PCA-DT)算法的制冷剂充注量故障检测与诊断方法.该方法先通过数据预处理进行数据清理,然后利用PCA对原始数据做降维处理,最后将新的数据划分为训练集与测试集,以训练集建立决策树模型进行故障检测与诊断.实验数据测试集的检测与诊断结果验证了该模型的可行性.采集了某多联机在3个地区的实际运行数据,对建立的决策树模型进行进一步的验证,结果表明:该方法对于多联机的制冷剂充注量故障有良好的检测与诊断效果,且检测与诊断效果整体上要优于DT算法.     

基于GLCM-SDAE的滚动轴承故障诊断方法

目的针对传统信号分析方法在滚动轴承故障特征提取和故障分类等方面的不足,结合堆栈去噪自编码(Stacked De-noising Auto-Encoders,SDAE)算法在提取特征和特征分类等方面的优势,提出一种基于灰度共生矩阵(Grey-Level Co-occurrence Matrix,GLCM)和SDAE的滚动轴承智能故障诊断方法.方法首先通过短时傅里叶变换(Short-Time Fourier Transform,STFT)将滚动轴承振动信号转化为灰度时频图,然后利用灰度共生矩阵提取灰度时频图中的故障特征参数,构建滚动轴承故障类别的特征向量空间,最后将其输入到构建的SDAE网络模型中,以实现滚动轴承的智能故障诊断.结果在轴承数据集上进行了故障特征提取和故障类型识别实验,结果表明笔者所提方法在训练集和测试集上平均分类精度均达到了95%以上.结论相较于从原始信号中提取特征的支持向量机(Support Vector Machine,SVM)、深度信念网络(Deep Belief Network,DBN)等方法,笔者所提出的方法能够提高故障识别率,可有效地对滚动轴承故障状态进行智能诊断.     

高压断路器电磁铁动作特性的实验研究

针对关于高压断路器电磁铁动作特性研究较少的现状,为深入了解电磁铁运动过程,得到其运动特性相关参数,为状态监测提供依据,对一弹簧操动机构的12 kV真空断路器进行实验和分析。主要基于振动信号,并结合合闸线圈电流,从振动时间、频谱特性和小波包分解能量分布来分析断路器的电磁铁动特性;并模拟铁心卡涩故障,对比正常和故障两种状态,找出相应的特征量。研究结果表明,振动信号反映断路器脱扣过程的运行特性,通过振动信号的分析,可以诊断出电磁铁的状态,能提高现有的高压断路器状态监测系统的水平。     

基于时序-BP网络的齿轮故障诊断方法及应用

提出了一种基于时序和反向传播网络(Back-Propagation Network,BP)相结合的诊断方法.通过对齿轮箱正常和故障运行状态的振动信号进行时序分析,利用时序模型提取齿轮不同状态的特征,并以其自回归参数组成特征向量作为BP网络分类器的输入进行网络训练,从而实现了对齿轮正常、裂纹和局部点蚀的状态识别与诊断.结果表明,基于时序-BP网络结合的方法对于多故障分类和检测是一种非常有效的诊断手段.     

基于LSTM的智能手机3D手写识别

针对传统传感器需要在特定的空间区域内才能进行人机交互,极易受到外部环境因素干扰的问题,提出一种新的基于长短时记忆神经网络(LSTM)的智能手机3D空间手写识别方法,用于非特定三维空间中实现的人机交互.首先,利用智能手机内置三轴加速度传感器,采集手部运动数据,并将采集的数据进行预处理操作,构建3D手写识别数据集;然后,基于LSTM构建3D手写识别模型,并利用构建的数据集进行训练;最后,利用训练后的模型实现智能手机的3D手写分类识别.通过在本文自建的非依赖用户数据集上进行测试,实验结果表明,该识别方法可以实现86.4%的准确率,88.1%的召回率,88.4%的精准率和88.0%的F₁分数.     

基于支持向量机的传输线故障类型识别算法

针对电力传输路由线路故障类参数多识别率不高等问题,利用提取故障特征向量和支持向量机结合的算法识别线路故障类型.提取故障线路特征向量,采集变化量的有效值,计算突变量所占三相突变量有效值总和的比例系数,将比例系数与零序电流判别系数结合构造故障特征向量.训练支持向量机以测试集特征向量作为输入,利用训练好的支持向量机判别分类,实现故障类型识别.实验表明,提出算法可克服多重困难针对输电线路十种类型故障进行学习并识别,并保证精度和效率.     

基于WMM-HMM的轮毂电机机械故障诊断方法

为有效监控电动汽车用轮毂电机的运行状态,保障整车的运行安全,提出了一种基于混合Weibull分布模型(WMM)与隐马尔科夫模型(HMM)的轮毂电机机械故障诊断方法(WMM-HMM诊断法).首先,利用轮毂电机振动信号提取敏感特征参数,用以表征其运行状态,建立观测序列.其次,利用WMM对轮毂电机各种运行状态下有限的观测序列进行拓展,获取足量的观测序列作为HMM的训练样本集,确立HMM参数,进而在低、中速工况下分别构建轮毂电机运行状态的WMM-HMM诊断模型.最后,定制相应的故障轮毂电机,搭建试验台,对所提出的方法进行验证.结果表明:所提出的方法能够在低、中速工况下精确识别出轮毂电机的机械故障状态,较传统方法识别精度至少提高了9.3%.     

主分量分析和隐马尔科夫模型结合的轴承监测诊断方法

为了快速识别轴承的故障模式以及性能退化状态,提出了一种基于主分量分析和隐马尔科夫模型的轴承监测诊断方法。该方法首先提取了轴承振动信号的混合域故障特征集,使用主分量分析对混合域故障特征集降维,然后使用降维后的特征训练隐马尔科夫模型,最后用降维后的测试样本测试模型的性能,根据隐马尔科夫模型输出的对数似然概率,确定轴承故障模式以及轴承的性能退化状态。开展了不同状态滚动轴承振动测试实验,数据分析结果表明,提出的方法诊断准确率均能达到100%,相比基于补偿距离选择特征降维及隐马尔科夫模型诊断方法,最高将分类离散度提高123.74%,并且在轴承的性能退化实验中,提出的方法能在故障早期给出故障预警,证明了该方法的有效性和准确性。     

基于PSO-SVM的光伏阵列故障检测与分类

光伏阵列故障的精确检测是提高光伏电站运行可靠性和安全性的重要因素之一。本文提出了粒子群优化支持向量机(Particle Swarm Optimization-Support Vector Machine, PSO-SVM)的光伏阵列故障检测与分类的方法。分析了光伏阵列输出特性和故障类型,选择合适的特征向量及归一化方式。选用径向基核函数优化模型结构,并利用PSO算法对参数进行寻优,提高模型精确度。结合实验平台,获取光伏阵列正常工作和8种故障状态的实测数据,随机划分为训练集和测试集,并建立PSO-SVM故障检测与分类模型。实验表明应用本文模型进行故障检测准确率达99.89%,分类准确率达98.68%,优于BP (Back Propagation)神经网络以及决策树的检测和分类结果。     

基于NFI直推式学习算法的故障诊断方法

在故障特征数据空间中,搜索输入数据最相邻的训练数据作为子训练数据集,用最速下降法对模型模糊规则参数进行优化。用Fisher's iris数据集仿真并同自适应神经模糊推理系统(ANFIS)比较,平均试验误差降低了15%,运算速度提高了约30%。将一组采自航空发动机实际试车故障特征数据输入到诊断模型中,模型能准确识别发动机存在的三类故障状态,说明了此算法对解决一些故障诊断问题的有效性。