基于LS-SVM的制冷系统故障诊断

为了提高制冷系统故障诊断速度及准确性,提出了基于最小二乘支持向量机(LS-SVM)的制冷系统故障诊断模型,并采用ASHRAE制冷系统故障模拟实验数据进行模型训练与验证.对一台90冷吨(约316 kW)的离心式冷水机组的7类制冷循环典型故障进行了实验.研究结果表明,LS-SVM模型对制冷系统七类故障的总体诊断正确率比支持向量机(SVM)诊断模型、误差反向传播(BP)神经网络诊断模型分别提高0.12%和1.32%;尽管对个别局部故障(冷凝器结垢、冷凝器水流量不足、制冷剂含不凝性气体)的诊断性能较SVM模型的略有下降,但对系统故障的诊断性能均有较大改善,特别是对制冷剂泄漏/不足故障;诊断耗时比SVM模型减少近一半,快速性亦有所改善.可见,LS-SVM模型在制冷系统故障诊断中具有良好的应用前景.     

基于人工神经网络的回热系统主要故障预测模型

为有效预测回热系统故障,分别基于Traingda、Traincgf和Trainrp算法建立回热系统故障征兆和故障现象的误差反向传播神经网络预测模型,输入层为故障征兆,输出层为故障现象。以某电厂的实测数据对3种预测模型进行训练和测试,训练和测试结果表明:基于Traincgf算法建立的预测模型测试误差最小、收敛速度较快。其模型网络为9-7-9结构,动量因子为0.6,学习速率为0.8。基于Traincgf算法建立的回热系统故障征兆和故障现象的误差反向传播神经网络预测模型可有效通过故障征兆预测回热系统的故障现象,对回热系统的故障检测有一定的参考价值。     

基于模型的风电机组偏航系统故障检测方法

提出基于模型的风电机组偏航系统故障检测方法。首先以永磁同步电机(permanent magnet synchronous motor,PMSM)作为偏航驱动电机,建立包含电流环、转速环和位置环的三闭环偏航伺服系统的动态模型;然后将实际偏航系统的传感器采集量与所建模型对应状态量的输出进行比较得到残差,并将相应状态变量的残差作为故障检测变量;接着利用过程统计控制理论定义阈值作为偏航系统故障检测的判定准则;最后通过Matlab/Simulink仿真平台模拟3种典型故障:偏航系统传动机构卡死、驱动电机故障和传感器故障。仿真结果验证所提方法的有效性。     

LKJ-93型列车运行监控装置系统故障检测与维修

经过几年的运用,监控装置出现了各种类型的故障,而大部分则是系统故障.     

某电站燃气轮机温控系统故障分析

介绍了某电站燃气轮机温度控制系统经常出现故障的现象,并结合燃气轮机温度控制系统模型对该故障现象进行了仔细分析,通过对燃气轮机温度控制系统模型各个修正参数对控制效果影响的比较,提出了解决该电站燃气轮机温度控制系统故障的应对措施.经过各种工况试验表明,所提出的应对措施有效地解决了该电站的燃气轮机温度控制系统故障的问题,为同类型的燃气轮机电站的调试和运行提供了宝贵的经验.     

根据喷油压力波形特征判断燃油喷射装置故障部位

通过ZB-2型柴油机燃油喷射系统故障诊断仪(即柴油机燃油压力波检测仪)对DF4型机车柴油机燃油压力波的检测,在对大量检测事例进行跟踪、统计、分析的基础上,揭示出燃油压力波的检测波形与该缸喷射装置质量状态的对应关系,并据此确定故障部位,为故障处理提供参考.     

某工业型燃气轮机起动电机系统故障分析

某工业型燃气轮机常出现起动电机系统故障,起动电机系统故障直接导致燃气轮机起动失败。本文针对该型燃气轮机起动电机系统故障问题,从起动电机工作原理出发,并结合燃气轮机运行工作中出现的典型故障进行分析,为该型燃气轮机起动电机系统故障的排查指明了方向。     

燃油压力波检测在机车柴油机故障判断上的应用

指出应用柴油机燃油喷射系统故障诊断仪对柴油机燃烧系统进行压力波检测,对早期预报柴油机喷油泵、喷油器故障是行之有效的,并介绍了几种典型的故障波形.     

继电保护与安全稳定控制系统隐性故障研究综述及展望

隐性故障即潜在故障,这种故障常常会危及系统安全.和显性系统故障相比,系统隐性故障隐蔽特点更为明显,相应的故障防控操作难度较大.基于此,本文就继电保护及安全稳定控制系统隐形故障展开分析,希望通过消除系统隐形故障,促进电力运行有效开展.     

基于经验小波变换和关联维数的风力机齿轮箱故障诊断

针对齿轮箱故障信号的非线性和非平稳性特征,提出基于经验小波变换(Empirical Wave-letTransform,EWT)、关联维数(Correlation Dimension,CD)和支持向量机(Support Vector Ma-chine,SVM)的故障诊断方法.首先通过EWT对风力机齿轮箱信号进行分解,得到若干本征模态函数(Intrinsic Mode Function,IMF)分量,再采用G-P算法求取各组IMF分量的关联维数,并将各组关联维数特征集输入SVM中完成故障识别及分类.结果表明:振动信号关联维数与嵌入维数呈正相关,且正常信号与故障信号的关联维数区分度不明显,通过SVM能对其进行精确识别和分类;该方法能有效提取系统故障非线性特征,故障识别准确率高达100％.