一种基于动态更新神经网络的无监督雷达退化故障预测方法

为了克服传统雷达故障检测方法对专家经验依赖性强、耗费大量人力物力、容易造成过度检修、无法对退化故障进行提前告警等缺点,提出了一种基于动态更新神经网络的无监督雷达退化故障预测方法。首先通过微波测量设备采集峰值功率和工作频率历史数据,其次利用动态更新神经网络对历史数据进行动态更新并预测后续数据,最后采用孤立森林方法对预测数据进行无监督故障检测,以此实现雷达退化故障预测并提前告警。结果表明,本文提出的方法可至少提前10个时间步(100 min)预测退化故障并实时告警,能够在小样本、无故障样本、无特征提取、无人工阈值的情况下实现雷达退化故障预测。     

基于深度学习的风力发电机组故障预警方法研究综述

风能作为重要的可再生能源,近几十年来,全球风能使用规模迅速增长,陆上和海上风力发电机组发电容量不断增加。由于风力发电机组故障维修成本巨大,因此必须开发有效且可靠的风力发电机组故障预警方法,在风电机组发生故障前进行提前预警,以便降低风电场的运营和维护成本。目前风电机组数据采集与监视控制系统(supervisory control and data acquisition, SCADA)已经在风电场有了广泛的应用,其中蕴含着大量的潜在数据信息,同时深度学习方法在海量数据挖掘方面有比较明显的优势,因此深度学习方法在风力发电机组故障预警领域的应用潜力巨大。综述了近年来相关深度学习方法在风力发电机组故障预警的研究进展,总结了风电机组故障预警的大体步骤,分析了各个步骤的具体处理方法,对每种技术方法的特点进行整理分析。最后阐述了深度学习在风电机组故障预警领域所面临的挑战,并对今后的研究重点进行了展望。     

考虑时变位移激励的轴承圆形故障动力学

建立轴承剥落故障的动力学模型是研究轴承故障机理的常用手段,由于滚动体在经过故障区时的接触情况较为复杂,所以准确地建立轴承剥落故障时变激励函数对轴承故障动力学模型的正确性具有很大影响。但是在解决轴承圆形故障时现有的单一化激励函数难以准确表达滚动体与故障的实际接触情况。因此,主要以深沟球轴承外圈剥落故障为研究对象,构建了考虑圆形剥落故障引起的弹性形变和滚动体经过故障区域瞬时位置的时变位移激励模型。研究了滚动体经过外圈圆形故障区域时的接触间隙变化规律,分析了不同故障尺寸的双冲击信号之间的时间间隔特征并通过仿真和实验进行对比的方法验证建立模型的有效性,为研究轴承剥落故障提供了理论支撑。     

随机故障下单机鲁棒调度算法的遗传编程方法

研究了随机故障环境下具有预测能力的单机鲁棒调度方法.通过插入空闲时段的方法吸收随机故障的扰动,进而对带空闲时段的鲁棒调度启发式,采用基于双子树结构编码的遗传编程体系加以学习.实验表明 所进化的启发式算法的拖期性能明显优于现有启发式,并通过适量插入空闲时段保持了较好的预测性能.这些算法由自适应的组合排序规则和空闲时段计算程序有机构成,并可较好地移植到其他不确定环境中.因此,所提出的遗传编程方法是不确定调度环境下相当有效的机器学习方法.     

一种涡轮泵故障阈值检测算法

涡轮泵是火箭发动机的心脏,是火箭发动机中的高速旋转组件,也是故障率较高的部件之一。涡轮泵的可靠性在整个发动机的可靠性中占有重要地位。传统的故障检测有时会出现虚警或漏警的现象,而且主要用于试车后的状态分析与评估;在实时故障检测中存在很大的不足。涡轮泵发生故障的主要原因是由于振动,因此振动加速信号研究对涡轮泵的故障检测显得尤为重要。通过一种阈值检测算法对振动加速信号进行研究,并结合已有涡轮泵故障信息对该算法进行验证,验证了该算法的准确性、实时性等要求。     

论无功补偿必要性及电容器常见故障分析

随着经济快速发展,电力能源紧张局势不断加剧,电网电源质量对用电设备的经济性、安全有着深远的影响,而功率因素是影响电源质量的重要因素之一,该文在深入研究电力电容器常见故障机理的基础上,分析了电容器常见故障的形成原因,从设备的选型、安装、加强日常巡检、定期进行预防性试验、优化设备运行操作和开发利用在线监测系统等方面提出建议措施,以期为电力电容器的稳定运行提供技术保障。     

一种OTDR信号去噪的新方法

随着光纤传输的高速发展,对光缆线路的维护和管理要求越来越高。特别是在发生光纤故障时,会产生较强的噪声干扰。如何能够准确、快速地进行故障定位,成为保证通信网络畅通运行的关键问题。针对这一问题,提出一种基于通信光缆OTDR信号去噪的新方法。最后通过仿真实验证实,此方法可有效去除OTDR光缆信号中的强噪声,实现光缆断点的准确定位。     

可调节消弧线圈接地系统单相接地故障选线

故障选线问题一直困扰着消弧线圈接地系统。在分析消弧线圈接地系统故障线路和非故障线路的零序导纳与消弧线圈导纳关系基础上,利用新型消弧线圈的在线可调节特性,根据消弧线圈调节前、后系统的状态量,提出线路b参数的计算方法,根据b参数值的相对大小来判断故障线路和非故障线路．从分析过程中可知,无论系统发生金属性接地或是经电阻接地,利用线路b参数值的相对大小都可以准确地判别出故障线路。该选线算法经仿真验证正确,并用于实际系统．从2年多的实际运行可以得出结论,介绍的选线方法具有较高的可靠性．     

基于改进学习矢量量化神经网络输电线路故障识别技术

针对输电线路距离长、覆盖范围广,易受到自然环境和人为因素的影响,对输电线路故障分类和识别非常困难.在输电线路故障分类中将经验小波变换与改进的学习矢量量化神经网络相结合,使用经验小波变换提取输电线路的故障特征,并使用改进的学习矢量量化神经网络识别故障特征.通过对不同故障类型、故障位置、过渡电阻和初始故障角度进行仿真,验证该模型的准确性和有效性.仿真结果表明,该方法在故障分类中具有一定的优势,不受上述因素的影响,具有良好的鲁棒性和故障分类性能.该研究为中国输电线故障识别技术的发展提供一定的参考.     

一种综合考虑暂稳态影响的FACTS选址方法

柔性交流输电系统(flexible AC transmission system, FACTS)的并网位置对电力系统的安全运行具有重要影响。本文综合考虑故障发生后的暂态与稳态过程,提出兼顾暂稳态判据的选址打分方法,在单机等面积定则基础上,推导出FACTS元件等值系统的暂态裕度量化积分,将暂态稳定裕度近似灵敏度和稳态母线电压越限危险度作为选址依据。基于FACTS元件与储能相结合技术,将有功死区控制、电池荷电状态限制和逆变器容量限制考虑进FACTS元件建模中,利用PSASP/UD自定义模块搭建具有储能作用的FACTS模型。通过电力系统分析软件PSASP中CEPRI-36节点系统进行仿真,在得分高的母线处采取FACTS元件以注入电流源形式并网参与系统紧急控制,验证本文所提选址方法的准确性及FACTS元件对抑制电力系统连锁故障扩散的影响。