模糊无编码比值在变压器油中气体检测的应用

针对现有变压器油中气体故障诊断"三比值法"对比值分界值绝对化而造成误诊的缺点,本次研究提出把"模糊原理"和"无编码比值法"相结合,从而产生的一种新的变压器故障诊断方法"模糊无编码比值法"。根据大量的实践经验,编写软件实现了"无编码比值法"分界点的模糊处理和比值评判,通过大量的故障数据验证证明,"模糊无编码比值法"比现有的"三比值法"有更高的判断准确度。     

基于级联极限学习机的基站空调在线监测系统

提出一种基于级联极限学习机的基站空调在线监测系统。首先,基于某基站空调公司提供的监测数据集构建多个原子极限学习机分类器,每一个原子极限学习机对应一种故障类别;再将各原子分类器以级联方式组合用于未知样本的故障诊断;最后将级联极限学习机与单独的多类极限学习机算法、SVM算法、BP神经网络算法、C4. 5决策树算法进行比较测试。结果表明,级联极限学习机算法提高了小类样本的故障识别率,具有更高的故障诊断精度和较短的训练时间,且诊断时间达到在线实时的要求。     

应用优化DHKELM的柴油机故障诊断方法

为准确、高效地对柴油机故障进行诊断,提出应用优化深度混合核极限学习机(deep hybrid kernel extreme learning machine, DHKELM)的柴油机故障诊断方法。该方法以各样本的频谱幅值作为故障特征,归一化处理后作为DHKELM模型的输入,从而实现对柴油机各故障状态的识别。相较极限学习机,该模型具有更深层次的结构,引入了混合核函数以及自动编码器,可以准确区分易混淆的故障类型,提高诊断准确率。针对DHKELM模型中各个超参数难以确定的问题,提出利用改进麻雀搜索算法(improved sparrow search algorithm, ISSA)对模型中各超参数进行寻优,充分发挥模型的故障诊断性能。实验结果表明,在实验室实测数据中,所提方法较传统方法具有较好的故障诊断精度,为柴油机故障诊断提供了一种新的思路。     

基于综合关联度分析的电力变压器故障诊断

在电力变压器故障诊断中,针对油中溶解气体分析,传统的三比值法难以包括和反映电力变压器内部故障的所有形态,在实际工作中存在许多变压器故障因查不到故障编码而无法判断的问题.结合油中溶解气体分析技术和灰色关联的相关理论,提出了一种面积关联度和斜率关联度相结合的综合关联度分析方法,给出了变压器故障诊断的算法步骤,并对权重系数的选取进行了探讨.该方法既能表征序列曲线的离散程度,又能反映序列曲线的变化走向相似度,能全面描述序列间联系的紧密程度.实验表明,将该方法用于变压器故障诊断,不仅克服了三比值法存在的问题,而且故障诊断准确率也高于面积关联分析方法和斜率关联分析 方法.在收集到的数据中随机选取350组进行计算,诊断准确率达到93.7%.     

基于EEMD与ELM的单向阀故障诊断

提出了一种基于总体平均经验模态分解和极限学习机的故障诊断方法,该方法利用EEMD将单向阀振动信号分解成若干个不同尺度的本征模函数(IMF),从IMF分量中提取近似熵、能量熵、峭度和均方根4个特征构成特征向量集,用于建立基于极限学习机算法的故障诊断模型。实验结果表明,该方法可以监测高压隔膜泵运行状态,成功诊断出单向阀运行时产生的故障。     

基于CP-ANN对向传播神经网络的变压器故障诊断

变压器油中溶解性气体分析是变压器故障诊断的重要手段,其中改良三比值法是目前被广泛采用的方法。针对当前变压器故障诊断系统存在的不足,建立了变压器故障诊断的对向传播神经网络(CP-ANN)模型,对5种变压器故障类型进行诊断,采用5-折交叉验证对模型性能进行评价。实验结果表明,模型能够对33个故障样本中的32个样本的故障类型进行准确识别,模型在校正集和验证集上的准确率分别为97%和81.8%,模型稳定性较好,说明本文提出的变压器故障诊断方法是可行和有效的。     

基于不平衡分类的Bagging集成污水处理故障诊断

在污水处理过程故障会导致出水水质下降、运行费用增高甚至造成环境的二次污染,而污水处理故障诊断数据的典型不平衡特性,严重影响了故障诊断的效果,尤其会导致故障分类的正确率偏低.针对此问题,文中提出了一种基于加权极限学习机的改进Bagging集成污水处理故障诊断建模方法;以加权极限学习机为基分类器,以Bagging集成框架建立集成分类器;定义可调整的过采样倍率公式,通过虚拟少数过采样算法(SMOTE)对少数类样本进行过采样,以保证基分类器间的多样性;以不平衡分类性能指标G-mean值为基础,定义新的基分类器输出权值更新公式,以提高故障类别识别率.仿真实验表明,该污水处理故障诊断模型的性能优于其他对比算法,可有效提高G-mean值和整体分类正确率,特别是提高了故障类别的识别正确率.     

基于局部特征尺度分解的汽轮机故障诊断研究

为了提高汽轮机故障诊断的精确性,文章运用转子振动实验台来模拟汽轮机转子的振动信号,对运行中的三种故障振动信号进行采集,然后运用局部特征尺度分解方法对汽轮机振动信号时间序列进行特征提取,组成特征向量。利用极限学习机作为故障诊断分类器,结果表明,局部特征尺度分解特征提取和极限学习机的诊断模型能够准确地对汽轮机故障进行诊断,具有很高的实际应用意义。     

基于精细复合多尺度散布熵的高压断路器机械故障诊断方法

针对高压断路器机械故障识别准确率不高的问题,提出了一种基于精细复合多尺度散布熵(RCMDE)的断路器故障诊断方法。利用实验室10 kV户内真空高压断路器进行合闸动作时正常、螺丝松动、传动机构卡涩、合闸弹簧储能不足4种状态的振动数据采集。对采集到的数据计算RCMDE值,并构成特征向量集,将特征向量集分作训练集及测试集。利用粒子群算法(PSO)优化后的极限学习机(ELM)训练训练集得到智能故障识别模型,将测试集输入模型进行测试,实现断路器机械故障诊断。结果表明,基于RCMDE-PSO-ELM的高压断路器机械故障诊断方法能有效识别不同状态的机械故障,并且在噪声干扰以及数据丢失下仍能对故障进行准确识别,具有很好的抗干扰能力,在背景干扰较强的高压断路器故障检测环境下具备一定的实用性。     

三比值法在变压器故障诊断中的问题分析

指出了《变压器油中溶解气体分析和判断导则》前后两个版本的不同之处,针对变压器故障原因具有复杂性,故障类型多样化的特点,结合实际案例,分析了用三比值法和改良三比值法进行故障诊断时容易出现误判的情况,归纳总结了在具体的变压器故障诊断中应注意的各种问题。     

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.     

基于AVMD与极限学习机的传动箱故障诊断

针对传动箱故障振动信号的非平稳特征,文中提出了一种基于AVMD与极限学习机的传动箱故障诊断方法。针对变分模态分解需要提前设定分解个数K,引入相关系数作为阈值,从而实现自适应变分模态分解(adaptive variational mode decomposition,AVMD)。传动箱振动信号经过AVMD分解之后,会得到若干个独立的模态分量,然后提取这些模态分量所组成矩阵的奇异值,作为故障诊断的特征向量,最后利用极限学习机实现故障识别。实验结果表明,该方法对传动箱大齿轮点蚀、大齿轮断齿、小齿轮磨损、正常四种状态具有识别率高、识别速度快的优点,可有效用于传动箱故障诊断。     

基于极限学习机的小电流接地故障融合选线

针对单一选线无法实现适应各种单相接地故障的情况,提出基于极限学习机的融合选线方法。首先在MATLAB中建立110/35 kV的小电流系统模型,用小波包变换算法提取特征分量。采用零序导纳法、自适应陷波法、改进锁相环的5次谐波法分析在不同接地系统、不同接地电阻等故障类型发生故障时的暂态特征,利用极限学习机方法进行融合选线,并与PNN融合选线方法进行对比。实验证明本算法可实现100%正确选线,且选线时间短。     

基于LSSVM概率输出与证据理论融合的变压器故障诊断

为了利用相对较少的故障数据样本对变压器主要故障类型进行较准确的判断,基于智能互补和数据融合的思想,提出基于最小二乘支持向量机LSSVM( least square support vector machine)概率输出与证据理论融合的故障诊断方法。该诊断方法具有以下特点：可融合蕴含变压器运行状态的多种特征信息,输出变压器各种故障的概率,为变压器检修提供更多的可用信息;充分发挥了LSSVM在小样本情况下具有较强泛化能力的优势。算例结果表明,该诊断方法的故障诊断准确率达到91.1%,优于传统的IEC三比值法(故障诊断准确率75.6%)及LSSVM分类法(故障诊断准确率82.2%),有效降低了诊断误判的风险。     

基于油中溶解气体的变压器内部故障分析

变压器油中溶解气体分析技术,是用气相色谱分析变压器油样中溶解气体的成分和含量,判定变压器有无内部故障,诊断故障类型,并推定故障点的温度、故障能量等。介绍了变压器故障时产气特征,分析了基于三比值法的变压器故障类型判断方法,并结合三个实际案例分析了此方法的故障诊断效果。     

基于去噪自编码器的镜像极限学习机设计

针对极限学习机在高维度、含噪声数据集中需要大量隐含层节点来保证分类性能的问题,设计了镜像极限学习机.该算法使用伪逆法确定输入权值,随机生成输出权值和偏置,在对数据进行分类时,它仅需极少的隐含层节点.为了提升镜像极限学习机的分类性能和抗噪性,将它与去噪自编码器相结合.利用去噪自编码器对输入数据进行特征提取,并将提取到的特征作为镜像极限学习机的输入数据,再进行网络训练.在无噪和含噪声的MNIST,Fashion MNIST,Rectangles和Convex数据集中,将基于去噪自编码器的镜像极限学习机与ELM,PCA-ELM,SAA-2和DAE-ELM作对比实验,结果表明,基于去噪自编码器的镜像极限学习机的综合性能最优,用于分类的网络隐含层节点数最少.     

基于SOFM神经网络的变压器故障诊断研究

SOFM神经网络具有强大的非线性映射能力和高度的自组织和自学习能力,将SOFM神经网络应用于变压器的故障诊断.利用改进的罗杰斯三比值法获取变压器故障诊断的特征向量,建立了SOFM网络故障诊断模型,并对模型进行训练.为了检验模型的实际诊断能力,以变压器的4种典型故障诊断为例进行仿真实验.仿真结果表明:SOFM神经网络能够根据获胜神经元在竞争层的位置对变压器故障进行判断,诊断准确率高,收敛速度快,泛化能力强,表明基于SOFM网络的变压器的故障诊断是一种行之有效的方法.     

基于去噪自编码器的镜像极限学习机设计

针对极限学习机在高维度、含噪声数据集中需要大量隐含层节点来保证分类性能的问题，设计了镜像极限学习机.该算法使用伪逆法确定输入权值，随机生成输出权值和偏置，在对数据进行分类时，它仅需极少的隐含层节点.为了提升镜像极限学习机的分类性能和抗噪性，将它与去噪自编码器相结合.利用去噪自编码器对输入数据进行特征提取，并将提取到的特征作为镜像极限学习机的输入数据，再进行网络训练.在无噪和含噪声的MNIST，Fashion MNIST，Rectangles和Convex数据集中，将基于去噪自编码器的镜像极限学习机与ELM，PCA-ELM，SAA-2和DAE-ELM作对比实验，结果表明，基于去噪自编码器的镜像极限学习机的综合性能最优，用于分类的网络隐含层节点数最少.     

基于BP网络模式识别的变压器故障诊断

针对传统的离线色谱分析法在变压器故障诊断中的不足，提出了一种基于BP网络模式识别的变压器在线故障诊断方法。阐述了模式识别的原理。建立了诊断模型，给出训练精度。通过将BP网络诊断结果与传统三比值法诊断结果的对比，验证了该诊断方法的准确性与有效性。     

基于多级神经网络的指挥仪电路故障诊断

针对某指挥仪电路故障诊断专家系统的不足之处，用层次结构的多级人工神经网络进行电路的故障诊断，用专家知识对学习样本进行筛选，通过对该电路中差分电路模块的诊断实验表明，可以克服专家系统对某些故障无法诊断的不足，而且还可以实现多故障的诊断。