软阈值时序卷积网络在冷水机组传感器故障诊断中的应用

为了提高冷水机组传感器的故障诊断性能,提出了一种基于软阈值时序卷积网络的编码-解码器重构模型(ST-TCN),并建立基于该模型的传感器故障诊断方法。采用时序卷积网络(TCN)充分挖掘冷水机组传感器的时间相关性、热力学物理量间的数据相关性以及动态响应差异性特征。在TCN的残差块中引入软阈值自适应模块剔除冗余信息,降低噪声干扰。依托ST-TCN模型“端到端”的网络结构优势,将绝对重构残差向量与故障阈值向量进行比较,直接定位故障传感器。在实际压缩式冷水机组平台上采集传感器数据进行实验,结果表明,软阈值自适应模块能有效地增强网络模型的重构能力,从而提高故障传感器的诊断性能。以压缩机吸气温度传感器T1为例,ST-TCN的平均偏差故障识别率比改进前提升了45.9%;与其他故障诊断方法相比,所提的最新框架获得了较高的偏差故障识别率。     

基于贝叶斯网络的农村电力网故障诊断研究

鉴于贝叶斯网络灵活的因果推理和诊断推理,运用贝叶斯网络方法研究了因保护装置和断路器误动或拒动、通信装置的故障等原因造成的不完备警报信号模式下的农村电网故障诊断新方法.该方法应用Noisy-Or、NoiSy-And节点模型和类似BP神经网络的误差反向传播算法建立了输电线路故障诊断模型,并应用公式推理得出每个元件的故障信任度,根据故障信任度确定元件有无故障.     

一种基于动态贝叶斯模型的大型IP网络故障诊断方法

为了提高IP业务的服务质量,利用告警等症状和已有知识快速准确地定位根故障十分重要。基于贝叶斯网络的不确定推理方法是近年来广泛应用的一种故障诊断方法。目前,基于静态贝叶斯网络的故障定位只是利用当前信息进行故障诊断,无法处理时间信息;而已有基于动态贝叶斯网络的诊断算法复杂度太高,不适用于大型网络。本文针对大型IP网络,建立用于故障诊断的动态贝叶斯模型,并对基于动态贝叶斯网络的一种通用的精确算法进行改进,实验证明它能够对大型IP网络快速准确的定位故障。本文方法充分利用告警库中的历史数据和当前症状信息,对当前的系统状态进行估计,完成故障诊断。     

用于非线性系统的合成故障诊断方法

鉴于对线性系统的故障诊断方法比较成熟,而对非线性系统的故障诊断还有很大不足的状况,将非线性系统在多个工作点进行分段线性化.在非线性系统中借鉴线性故障诊断方法,对每个工作点的模型进行线性故障诊断设计,取得工作点密度和故障诊断性能的均衡,同时使用动态神经网络对各个工作点的工作参数进行拟合.该方法将一组改进的鲁棒观测器与一个为其确定参数的动态神经网络相结合,对非线性系统进行故障诊断.用典型的3水箱模型验证了这个合成方法,验证结果显示,该方法有很好的全局工作点适应性和对干扰的鲁棒性.     

基于GM-ELM的有杆泵抽油井故障诊断

为了解决有杆泵抽油井故障诊断问题,提出了基于灰度矩阵极限学习机(gray matrix-extreme learning machine,GM-ELM)故障诊断方法.首先用灰度矩阵对有杆泵抽油井进行故障特征提取;然后用数理统计的方法建立灰度矩阵的特征向量,将故障特征向量作为故障诊断模型的输入值;最后建立GM-ELM模型对有杆泵抽油井故障进行诊断.仿真结果表明该方法与GRNN(general regression neural network)方法、LS-SVM(least squares support vector machine)方法、BPNN(back propagation neural network)方法相比具有更高的故障诊断准确率.     

一种基于故障参数与状态联合估计的多故障诊断方法

当需要诊断的故障数目较多、扩展故障参数后状态空间不可观测时 ,用一个故障诊断模型无法实现多故障诊断。为此 ,在分析了基于故障参数与状态联合估计的故障诊断方法原理的基础上 ,根据多个故障诊断模型之间存在的内在关系 ,提出了一种新的多故障检测和诊断方法 ,认为在某一段时间内 ,如有 n- 1(n为总故障数目 )个不同的两故障参数模型发出同一故障报警 ,则该故障报警有效。该故障诊断方法综合多个故障诊断模型的诊断结果 ,从而使一类复杂系统的多故障诊断成为可能。理论分析和仿真实验的结果证明该文所提出的方法是可行的 ,并且在工程上是易于实现的。     

基于RBF神经网络的传感器非线性故障鲁棒诊断

针对一类非线性系统,传感器非线性故障情形,提出了新的故障诊断方法·该方法采用状态变量扩展技术将传感器故障转化为系统故障进行诊断,RBF神经网络对传感器故障的导函数进行估计,网络权值在线调整,进而实现故障的实时估计·对于系统中存在的不确定性,故障诊断方法应用阈值处理技术,使算法具有一定鲁棒性·对于给出的算法,证明了Lyapunov稳定性·最后,给出了仿真实例,结果验证了该方法的正确性·     

M-P人工神经网络用于核电站故障诊断系统

按照实际情况,将人工神经网络M-P模型应用于核电站机组故障诊断系统的部分诊断网络。根据核电站故障诊断信号和故障事件特点,提出在特定诊断网络中使用M-P模型的可能性和具体构建诊断网络的方法,对其优缺点进行了比较。使用M-P模型对核电站重要厂用水系统建立了简单诊断网络,进行了验证。该模型简单直接,可以避免若干使用其他人工神经网络模型时遇到的问题。该模型与其他模型结合使用于核电站故障诊断系统,尤其在处理逻辑判断性较强的诊断任务时,可以达到更好的效果。     

多传感器多模型相互作用的数据关联方法

基于信息融合中的数据关联技术,在卡尔曼滤波基础上,结合相互作用多传感器多模型的概率数据互联算法,建立故障监测报警和现场传感器量测数据关联二者之间的关系,建立更具一般性的分布式传感器系统基础上的多传感器多模型,改进概率数据关联方法,以用于故障监测报警中相互作用的算法．并结合一个时变系统中空间位置传感器的故障诊断问题为例,运用多传感器多模型相互作用的数据关联方法进行仿真分析,研究此类故障判据的数据关联问题和数据关联算法的改进,研究表明相互作用多模型的概率数据互联改进方法不仅与有限维数的特定测量阈值相对应,而且直接针对故障模式,能够体现出动态模型的优点,可以与系统诊断知识相融合,为故障诊断的单步的、多步的、长期的预测预报提供依据．     

基于相关矩阵和动态集合覆盖的配电网故障诊断方法

作为电力网络中直接向用户供电的关键环节,配电网的工作状态直接影响电力用户的用电质量和用电体验。为解决配电网故障线路区段的定位问题,提出了一种基于相关矩阵和动态集合覆盖的配电网故障诊断方法。根据配电网拓扑建立故障电流信息和故障线路区段相关矩阵,引入隐马尔科夫模型刻画每条线路区段随时间变化的状态序列; 基于每个时间周期上馈线终端单元上报的故障电流信息集合,建立动态集合覆盖的配电网故障诊断模型,使用维特比译码求解满足集合覆盖条件的线路区段工作状态序列,实现对配电网的在线故障定位。通过仿真实例验证了基于相关矩阵和动态集合覆盖的配电网故障诊断方法的定位准确性和稳定性。