变压器油中溶解气体色谱分析与故障诊断

从变压器油中取出油样,对油中气体进行分离和分析,确定溶解在油中气体组分含量,并将其逐一定性和定量分析,判断可能产生的故障及性质,是早期发现充油电气设备内部存在的潜伏性故障的一种有效、灵敏的方法。     

一种基于油中溶解气体分析的变压器绝缘故障诊断新方法

将小波神经网络优良的分类诊断能力和最小二乘加权融合方法相结合,采用油气分析实现电力变压器的故障诊断.用非线性Morlet小波基作为神经网络激励函数,形成神经元,结合双方的优点,建立了紧致型小波神经网络.采用6个同一小波,其隐层单元数目、学习率等相关训练参数不同的单个子网络,对相同变压器故障信号样本进行训练,用最小二乘加权融合法对各个子网络的输出结果进行决策信息融合,通过对融合结果的分析,得到变压器故障的识别结果.测试结果表明,系统具有较好的分类诊断能力和可靠性.     

变压器油中溶解气体的智能诊断

提出一种正-负-零的面积关联度,通过其计算数值,确定待诊断变压器油中溶解气体序列和标准故障模式序列间的相似性与相近性.实例分析表明,正-负-零面积关联度诊断的结果与实际情况完全吻合,与传统的灰色面积关联度相比,能更全面、更准确地诊断变压器的内部故障类型.     

变压器油中溶解气体变化及原因分析

通过对变压器油中溶解气体的变化分析，实现充油设备的不停电检测和早期故障诊断。     

神经网络在变压器故障诊断中的应用

根据变压器故障诊断的特点,采用神经网络的误差逆传播算法,运用气相色谱分析方法,建立故障诊断的神经网络模型．运用人工神经网络的学习能力,通过对训练数据的学习,判断变压器的故障类型．     

油中溶解气体分析方法在变压器故障诊断中的应用

电力变压器是发、输、变、配电系统中的重要设备之一,它的性能、质量直接关系到电力系统运行的可靠性和运营效益。本文结合油中溶解气体分析方法,对变压器正常运行中故障产生原因和提早诊断的重要性进行阐述分析。     

变压器油中溶解气体在线监测

基于变压器在电力系统中的重要性,介绍了一种可分别检测CO和H2等多种气体含量的智能型的在线监测装置,概述了变压器油中溶解气体在线监测的原理及装置要求的研究。     

轴承外圈测量装置中数据采集部分的研究

介绍了两点法在外圈参数测量中的应用及其优点,在阐述测量原理的基础上,分析了采集系统的组成、传感器的选择和同步采集的实现.最后对数据处理、控制流程等进行了说明.     

检测变压器油中溶解气体用仪器的评述

介绍目前检测变压器油中溶解气体的仪器种类并分析各类仪器的具体类型、检测方法和使用特点。为该类仪器选型提供参考。阐述如何根据需要,科学的使用各种类仪器检测,充分发挥各自独特性能。     

基于油中溶解气体分析的电力变压器故障诊断技术的研究

随着各产业技术的快速提升以及综合科技水平的不断进步,我国各项基础设施建设也在逐步完善当中。对于我国电力系统的运转而言,变压器等实体设备的应用是提高电力工业水平的基础。现阶段,在电力企业的长期工作中,电网环境的安全性是整个电力系统管理的重中之重,维护变电站的主变保护对于电网的稳定运行至关重要。该文就基于油中溶解气体分析的电力变压器故障诊断技术及其相关内容做以阐述,探究现阶段技术层面下的故障诊断策略的实际效能,以期为实践工作的顺利推进带来有益的借鉴。     

一种新的模拟电路故障诊断方法研究

针对传统模拟电路检测方法难以发现器件缺陷的问题,提出了一种基于小波分析与人工神经网络的故障检测方法,选取典型滤波器电路。使用MATLAB进行仿真。仿真结果表明,此方法能够有效地识别故障器件,且诊断率高。     

基于ANN及DSP的短路故障早期检测的实时实现

研究了基于人工神经网络(ANN-Artificial Neural Network)及数字信号处理器(DSP-Digital Signal Processor)的电力配电系统短路故障早期检测实时实现的技术.包括基于TI TMS320F2812 DSP及多层前馈神经网络(BP-Back Propagation)的短路故障早期检测实时实现的硬件系统以及软件设计等.实验结果证实了神经网络算法应用于电力配电系统短路故障早期检测并在DSP硬件上实时实现的可行性及实时性.     

基于神经网络的企业财务危机预警系统的构建

针对目前企业财务危机预警模型存在的问题,提出一种基于神经网络的企业财务危机预警方法．重点阐述了前向三层BP网络企业财务危机预警系统的构建,并选取了30家上市公司作为样本,进行了网络训练和测试,结果表明所设计的预警模式是有效的．     

电力变压器状态监测和故障诊断系统的设计

本文主要研究了电力变压器状态监测与故障诊断的现状以及存在的问题,设计了一个变压器状态监测和故障诊断模型,提出了相应的诊断方法,在此基础上,设计了电力变压器故障在线监测和故障诊断系统。     

粒子群优化模糊聚类算法在煤气鼓风机组振动故障诊断的应用

针对模糊C均值聚类算法容易陷入局部极值和对初始值敏感的缺点,提出了一种粒子群优化模糊聚类算法,该算法利用粒子群优化算法寻找最优聚类中心,运用WFCM进行加权模糊聚类,能较大提高聚类的有效性;将该算法应用于煤气鼓风机组振动故障诊断中进行诊断仿真,结果表明:该算法较大提高了故障诊断的正确率。     

贝叶斯正则化神经网络预测金属热力学性质的研究

采用贝叶斯正则化神经网络(BRNN)对67种金属升华热Ls和升华熵△Ss进行了预测．对网络结构、训练集、预测集以及学习次数进行了优化，并用独立预测样本对贝叶斯正则化神经网络作了检验．预测结果表明，在推广能力方面，贝叶斯正则化神经网络优于熟知的反向传播(BP)神经网络和多元线性回归方法(MLR)．它可望成为元素和化合物构效关系研究的辅助手段．     

遗传支持向量机在电力变压器故障诊断中的应用

针对支持向量机中的参数通常靠交叉试验来确定的状况,提出了遗传支持向量机,即使用遗传算法来优化支持向量机中的参数,并将之进一步应用在基于溶解气体分析的变压器故障诊断中.以变压器油中5种主要特征气体作为支持向量机的输入,以7种变压器状态作为相应的输出,选用径向基核,使用遗传算法得到优化参数,充分发挥了支持向量机具有较高泛化能力的优势.实验表明,本文方法能够在较大范围内准确地找到相应的优化参数,并能有效地进行变压器的故障诊断.     

基于MC9S12DP512的AMT电控单元测试及故障诊断系统设计

为了在产品开发中保证ECU的性能及在使用过程中对其进行故障诊断,基于MC9S12DP512开发了某AMT电控单元ECU的测试及故障诊断系统,该系统能够模拟产生ECU在实际运行过程中的各种输入信号,以及其所需要驱动的执行器,通过反馈值与激励值之间的比较实现对ECU各模块的快速检测.实验结果表明,测试及故障诊断系统运行准确、可靠,实现了对某AMT电控单元ECU的功能验收与故障诊断功能.     

自适应学习速率法在变压器故障诊断中的应用

为了提高电力变压器故障诊断的准确率,针对油中溶解气体分析,提出了一种基于误差自动调节修正因子的自适应学习速率法,使神经网络通过自身的误差变化过程自动调整学习速率修正因子,保证网络总是以最大的可接受学习速率进行训练,从而提高网络收敛速度。针对电力变压器故障气体及故障类型的特点,建立了电力变压器故障诊断BP(Back-Propagation)网络模型,应用该算法和原算法对该故障诊断网络模型进行训练。仿真结果表明,该算法的训练次数减少了35.4%,收敛速度提高了44.9%,有效地改善了网络模型的性能。将该算法应用于电力变压器故障诊断,能较为精确地判断出电力变压器的故障类型,故障诊断准确率达90.8%。     

故障树和人工神经网络在可靠性再分配中的应用

在产品可靠性设计过程中,通常情况下,可靠性指标的分配并不是一次可以完成的,不同的设计阶段有不同的可靠性分配方法。随着设计过程的深入,初步分配的结果可能会存在不合理的情况,所以在设计阶段中后期,还需要对可靠性指标进行再次分配。在进行指标分配之前,用一定的算法将所有最小割集进行筛选,再将筛选出的需要分配的最小割集利用人工神经网络进行指标分配,最终目标是将可靠性指标分配到故障树的最小割集或基本事件上。通过分配前初始可靠性与分配后的可靠性对比,可以找出产品设计中的薄弱环节进而改进设计,并在一定程度上检验了FMECA(failure mode,effects and criticism analysis,故障模式、影响及危害性分析)的结果。