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。     

基于粗糙集理论和贝叶斯网络的断路器故障诊断方法

为了快速准确地诊断出断路器的故障原因,笔者提出了一种断路器的故障诊断方法。该方法以粗糙集理论为基础,建立故障征兆属性集和故障诊断决策表,并通过约简决策表形成最小故障诊断规则。基于最小故障诊断规则建立贝叶斯网络模型,利用贝叶斯网络实现断路器故障诊断的快速概率推断。经真空断路器故障的实例分析表明,该方法是可行有效的。     

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.     

基于神经网络的汽轮机故障智能诊断系统的设计

介绍了BP神经网络的结构和算法,分析了如何将BP神经网络用于机械设备的故障诊断.结合汽轮发电机组的故障特性,建立了汽轮发电机组故障诊断的神经网络模型,并利用该神经网络模型对汽轮发电机组的故障进行了诊断,诊断结果是正确和有效的.     

基于改进时间模糊Petri网配电网故障诊断方法

配电网设备可靠性地区差异大,故障诊断自动化程度低.为保证能够快速精确地做出故障诊断,提出了一种基于改进时间模糊Petri网配电网故障诊断新方法.首先利用保护断路器信息、报警信息、状态信息和电气量来纠正断路器动作信息,确定停电区域;然后根据动作的断路器能够保护的范围确定可疑故障元件,利用带时标的保护断路器信息,针对可疑故障元件建立时间模糊Petri网模型进行故障诊断.模拟测试表明,此方法提高了配电网故障诊断速度和准确度,具有良好的实用价值.     

基于改进角分类神经网络的变风量空调系统故障诊断

针对变风量空调系统的故障诊断问题及其特点,提出了一种基于改进角分类神经网络--FDCC的故障诊断模型.该模型克服了CC4角分类神经网络输出结果为二进制的局限,根据故障模式所落入的k最近邻的样本泛化空间来进行故障诊断,并输出结果向量,其各分量为各故障原因可能出现的概率.     

一种改进的电网故障诊断解析模型

电网故障过程中保护和断路器动作及告警信息的不确定性,使原有的电网故障诊断完全解析模型存在多解和误诊,因此本文通过解析保护和断路器动作以及告警信息的不确定性,构建一种电网故障诊断的改进解析模型.该模型利用保护和断路器的误动与拒动概率以及告警信息的漏报与误报概率,赋予保护和断路器不同权值,使模型更加合理.此外,通过解析故障过程中保护和断路器的动作状态,降低模型中待求变量的维数.算例仿真结果表明本文方法有效,诊断结果唯一.     

基于停电区域和灰色理论的电力系统故障诊断新方法

为了给电力系统故障诊断提供决策依据,提出了一种基于停电区域和灰色理论的故障元件识别模型.在停电区域中,详细分析了保护和断路器工作原理,推导出故障状态时保护和断路器状态信息,并构造了元件故障模式状态向量及待检模式状态向量,给出了向量元素赋值规则,通过计算关联度,进而利用故障元件识别规则实现故障诊断的目的.最后,用算例验证了所提出模型和算法的有效性.     

基于小波奇异性和神经网络的高压断路器机械故障诊断

将小波奇异性检测理论与模糊神经网络相结合应用到高压断路器机械故障诊断中,这是一种新的方法.实验结果表明,该方法较之小波奇异性检测有更好的效果,提高了诊断的准确性和精度.     

模拟电路故障诊断中故障重分类方法的研究

分析了模拟电路故障诊断中故障类重叠.针对在该情况下神经网络训练困难与故障诊断正确率低的问题,提出了一种适于模拟电路的、基于神经网络故障诊断的故障重分类方法,给出了该方法的数学模型.通过诊断示例表明,该方法在故障类存在重叠时,降低了神经网络的训练难度,故障诊断的正确率达到99%以上.     

应用于直流电网的直流断路器参数选取研究

混合式高压直流断路器所能承受的电流水平不仅反映了整个网络向故障点的馈能情况,同时也是其内部各开关器件承受能力的外在体现。直流电网的稳态潮流分布及故障时的电流变化情况则是高压直流断路器载流支路及主断路器支路参数选取的重要依据。本文以直流电网潮流分布为基础,考虑了直流电网可能存在的多种运行方式,分析了高压直流断路器承受的稳态电流水平,进而为其载流支路参数选取提供参考。同时,在基于半桥子模块结构的换流器故障机理分析的基础上,进一步研究了直流电网线路发生故障时的网络电流、换流器出口电流及换流器桥臂电流的变化情况,为高压直流断路器所需开断故障电流水平提供理论依据,并为高压直流断路器的主断路器支路参数及限流电感参数整定及其与换流站闭锁保护相互配合提供一定的参考。最后,在PSCAD/EMTDC仿真平台搭建的四端环网模型上验证了所提方法的正确性。     

小波包能谱熵与神经网络在断路器故障诊断中的应用

提出了一种以振动信号小波包能谱熵为特征量的断路器故障神经网络诊断方法。利用小波包分解原理将高压断路器振动信号分解到不同频段中,计算各频段的能谱熵值,以此构造小波包能谱熵向量作为神经网络的输入向量,并利用遗传算法对网络的连接权值进行了优化。引入置信度的概念,对改进神经网络输出的故障模式识别结果进行评价。通过试验分析结果表明了该方法的有效性,改进后的神经网络具有新故障模式的识别功能。     

电子电路故障诊断的神经网络数据融合算法

针对模拟电路故障元件诊断的不确定性问题,将BP网络引入数据融合之中,结合模糊集合论,构造－模糊神经网络故障分类器,并将其应用于电子电路故障诊断之中。通过测试电子电路中被诊断元件的工作温度和工作电压这2个物理量,求出两传感器对各待诊断元件的故障隶属度,利用模糊BP网络故障分类器进行数据融合,得到融合的各待诊断元件的故障隶属度,从而确定故障元件,并通过单传感器诊断结果与融合诊断结果比较,说明多传感器融合的优越性。     

Combinatorial Optimization Based Analog Circuit Fault Diagnosis with Back Propagation Neural Network

Electronic components＇ reliability has become the key of the complex system mission execution. Analog circuit is an important part of electronic components. Its fault diagnosis is far more challenging than that of digital circuit. Simulations and applications have shown that the methods based on BP neural network are effective in analog circuit fault diagnosis. Aiming at the tolerance of analog circuit,a combinatorial optimization diagnosis scheme was proposed with back propagation（ BP） neural network（ BPNN）.The main contributions of this scheme included two parts：（ 1） the random tolerance samples were added into the nominal training samples to establish new training samples,which were used to train the BP neural network based diagnosis model;（ 2） the initial weights of the BP neural network were optimized by genetic algorithm（ GA） to avoid local minima,and the BP neural network was tuned with Levenberg-Marquardt algorithm（ LMA） in the local solution space to look for the optimum solution or approximate optimal solutions. The experimental results show preliminarily that the scheme substantially improves the whole learning process approximation and generalization ability,and effectively promotes analog circuit fault diagnosis performance based on BPNN.     

基于人工智能的电力电子电路故障诊断

采用基于波形直接分析的神经网络故障诊断方法实现电力电子电路在线故障诊断。以三相整流电路为例,对电路发生故障时输出的波形进行分析,用故障波形的采样数据制作的样本对神经网络进行训练,将训练好的神经网络用于故障诊断。仿真实验表明该方法是有效的。     

基于小波包分析和Elman神经网络的军用电源智能故障诊断

军用电源作为地空导弹系统的供电设备,其可靠运转关系到地空导弹系统作战效能的发挥。为实现地空导弹电源逆变器的故障诊断与容错运行,将小波包分解与Elman神经网络结合进行故障特征提取及故障辨识,并应用于地空导弹静变电源的故障诊断。在准确诊断出故障的基础上,利用故障隔离切换电路,隔离故障桥臂,投入备用桥臂,保证静变电源继续正常运行。故障诊断和故障重构仿真的效果验证了该方法的有效性。     

基于柔性免疫神经树的模拟电路故障诊断方法

模拟电路的非线性特性、连续性和元器件的容差等因素给故障的建模分析造成了诸多不确定因素,因此其智能故障诊断方法的研究至关重要。柔性神经树是一种采用树形结构和一组运算符集合构成的新型神经网络,与传统神经网络相比具有更加灵活的自动优化能力。本文将人工免疫机理融入柔性神经树,提出了一种基于柔性免疫神经树的模拟电路故障诊断方法。通过对一种典型模拟电路的故障诊断仿真试验,证明了该方法的有效性和可行性。     

基于小波-神经网络的电阻性开路故障诊断方法

数字电路中的电阻性开路引起时滞性故障,会使电路的功能失效。针对此故障,本文在分析数字电路的瞬态电流IDDT测试和主成分分析技术的基础上,研究了小波-神经网络诊断电阻性开路故障的方法。结果表明,使用小波-神经网络的数字电路的IDDT方法行之有效。     

基于小波与量子神经网络的容差模拟电路的软故障诊断

量子神经网络（Quantum Neural Network,简称QNN)的隐层神经元采用多层激励函数,具有一种固有的模糊性,能将决策的不确定性数据合理地分配到各模式中,从而减少模式识别的不确定度,提高模式识别的准确性.笔者提出了基于小波与量子神经网络的容差模拟电路的软故障诊断,实验仿真分析表明：该诊断方法正确率可提高2478%,从而提高了故障诊断的正确性.