传感器信息融合技术在变压器短路故障在线监测中的应用

本文基于传感器信息融合技术的容错性、互补性、实时性、高精度、低费用等众多优点,提出将其应用到变压器短路故障在线监测中.分析了变压器发生短路故障时的物理表现.研究了一种基于曲面拟合技术的多传感器信息融合方法,并利用压力传感器对某变压器顶层油压和油温的监测数据进行了融合处理分析.分析结果表明,利用传感器信息融合技术对变压器短路故障的在线监测比传统的在线监测能力有了明显的提高.     

基于ARM嵌入式系统的数据融合监测系统设计

针对高危场所人工不方便现场监测、环境变化复杂、影响因素较多的问题,设计了一套基于ARM嵌入式控制台的多传感器网络节点的数据融合技术监测设备运行状况的系统。在高危场所组建监测节点传感器网络,融合多传感器网络数据,描述监测对象状态。在ARM嵌入式控制平台上通过MiniGui软件设计监测系统界面,开发监控系统软件以及研究数据融合算法完成监测系统设计。     

基于WSN和数据融合技术的电力变压器故障诊断系统的研究

探讨一种基于数据融合和可拓理论的电力变压器故障诊断方法,基于此方法,应用无线传感器网络技术和.NET开发平台构建和开发出一套电力变压器故障诊断系统。该系统将WSN技术用于电力变压器油中溶解气体的无线数据采集,实现变压器油中溶解气体的实时数据采集和传送;同时运用信息融合技术对数据进行优化处理,既可以降低网络能耗又保证了数据的准确和客观;在变压器进行故障诊断时,针对现有电力变压器故障诊断的气体比值法存在的编码规则不完整、诊断故障类型单一等缺陷,使用可拓诊断方法,定量与定性相结合,使变压器故障诊断方法更为精细化。在线故障诊断可视化系统可以实现变压器油中溶解气体参数的采集、显示、分析、存储和回放等功能,实现对变压器故障信息的实时分析与自动诊断,既解决了作业人员远程实时监测变压器运行状态问题,又大大提高了变压器故障诊断的性能,为变压器在线监测和故障诊断技术提供新的发展方向。     

基于网络的大型装备在线监测与智能诊断

在大型武器装备的故障诊断中,运用无线网络技术,组建了基于多级分布式无线监测网络的智能诊断平台,设计了现场监测中心、设备在线监测诊断中心及无线智能检测单元。系统采用基于小波包能量分布与奇异值分解相结合的特征提取方法,运用混合型集成神经网络来完成这些特征信号的局部故障诊断,然后采用D-S证据理论将多个传感器的故障诊断结果进行融合,实现了准确的故障诊断;并采用基于竞争网络集成的在线监测方法,从而构建了某大型武器装备的在线监测与智能诊断系统。     

嵌入式在无线传感器网络中的应用研究

无线传感器网络作为一门多技术交叉融合的新研究领域,已经在网络管理与查询以及数据分发等方面取得了相当大的进展。围绕传感器网络与外部网络互连问题,重点研究基于32位ARM微处理器与嵌入式实时操作系统的嵌入式无线传感器网络架构以及无线传感器网络数据管理与查询模式,设计了基于Web的嵌入式传感器网络系统,在所构建的嵌入传感器网络平台上,通过应用CGI技术成功实现了嵌入式Web与浏览器之间页面的动态交互。     

嵌入式系统在军用电子设备故障诊断中的应用

电子装备现有的故障诊断系统一般无法完成装备工作过程中的实时在线状态监测。利用多种非接触式的传感器信息融合技术、以太网网络通信技术,设计了现场级嵌入式状态监测系统,采用嵌入式微处理器S3C44B0X构建最小系统实现实时地对系统各个重要部分进行信号采集和在线状态监测,为在线智能故障诊断系统提供诊断信息。     

基于嵌入式智能结点的信息融合模型研究

针对目前煤炭企业生产安全监控系统的结构特点,分析了单一传感器信息采集信息存在的问题,提出了基于嵌入式智能结点的多传感器信息融合的方法来提高系统信息的精确性和可靠性.在嵌入式智能技术的基础上,确定了煤矿生产多传感器信息融合的结构模式,建立了多级信息融合的软件模型,形成了一个智能化的分布式监控系统.     

12 m跨超声速风洞运行监测系统研究

为改善风洞试验条件和提高试验效率,针对1.2m跨超声速风洞进行了运行监测系统研究.针对风洞环境复杂、监测对象分散的特点,引入无线传感器网络构建了基于多传感器的分布式风洞运行监测平台.重点研究了基于BP神经网络的无线传感器网络数据融合和基于D-S证据理论的多传感器信息融合在风洞运行监测中应用.在实际应用中取得了良好的效果.     

信息融合的故障诊断技术及应用

介绍了信息融合的种类和层次,信息融合的基本特点,融合系统的构成及关键技术;分析了融合技术处理多源信息的能力,将数据融合技术与故障诊断原理融为一体,通过数据层信息融合、特征层信息融合、决策层信息融合,实现了基于数据融合技术的变压器故障诊断;减少了传感器不确定性误差的影响,解决了变压器故障诊断中不确定推理过程,提高了变压器故障诊断的确诊率。     

基于多传感器融合的无线感知状态监测

无线传感网络往往涉及多种传感器的应用,因此对基于多传感器融合的无线感知状态监测方法进行研究.在对D-S理论的基本理论和算法改进进行研究的基础上,针对无线感知状态监测,选用合适的D-S算法将各分离的传感器观测信息进行融合处理,从而提高整个监测系统的可靠性和灵活性.并通过实例分析,证实了算法的可行性以及将多传感器融合方法用...     

信息融合技术在变压器油气识别故障诊断中的研究

变压器故障分为放电性故障和过热性故障两大类别,它们均会在变压器油中有所反映。本文通过对变压器油中主要气体的分析,判断变压器的故障类型。具体方法是:利用改进算法的BP网络和信息融合技术,以变压器油中五种主要特征气体作为神经网络的输入,以六种变压器状态作为相应的输出,通过加入动量因子,可以提高学习率系数,充分发挥改进算法的BP网络具有自适应学习能力的优势。仿真测试结果表明,本方法能够在较大范围内准确有效地进行变压器的故障诊断。     

水电数字仿真在线融合故障诊断专家系统

为了解决丰满水电数字仿真系统的在线故障诊断问题，基于信息与方法融合的思想，提出了分布式集成神经网络建模方法、模糊神经网络专家系统(FNNES)在线故障诊断方法。将模糊神经网络(FNN)嵌入专家系统(ES)中，FNN负责知识获取和逻辑推理，ES负责系统信息的输入和输出、符号推理，并对FNN的结论进行解释。系统的运行验证了方法的有效性和实际应用价值。为现场诊断系统的开发提供了有益的方法和经验。     

基于果蝇算法优化的概率神经网络在变压器故障诊断中的应用

传统的变压器故障诊断方法存在编码不全,容易错判漏判的缺点。随着变压器在线监测技术的发展和产品需求的增加,变压器故障诊断技术朝着智能化的方向发展。为提高故障诊断率,结合油中气体分析法,本文提出了一种基于果蝇算法优化的概率神经网络模型的变压器故障诊断方法。作为一种新型的启发式和进化式算法,果蝇优化算法具有易理解和快速收敛到全局最优解的优点。概率神经网络结构简单、训练简洁,具有强大的非线性分类能力,将样本空间映射到故障模式空间中,从而形成一有较强容错能力和机构自适应能力的诊断网络。采用果蝇算法对模型参数进行优化,减少人为因素对神经网络设计的影响。仿真实验证明这种基于果蝇优化算法的概率神经网络可以有效地运用到变压器故障诊断中,为变压器故障诊断供了一条新途径,具有良好的研究价值和发展前景。     

一起500千伏变压器多维状态监测与故障诊断

为了提升变压器故障诊断水平并有效实现状态检修,本文针对一起500千伏主变压器内部潜伏性故障案例介绍了利用多种在线监测、离线检测等手段与故障诊断方法快速准确查找出变压器故障原因及位置。它通过采用油色谱检测、变压器振动及声音检测、容性设备在线监测、变压器局部放电检测、带电测试等多维状态监测技术开展变压器状态评价及故障诊断,并帮助实现对主变压器内部故障的准确定位和制定状态检修策略。该主变在通过状态监测及故障诊断后实现隐患故障快速准确定位,并通过紧急处理重新恢复正常运行状态,从而避免一起重大设备事故发生。结果表明,应用变压器油溶解气体色谱分析检测技术,可通过排除法准确地判断变压器故障性质和严重程度,它是早期发现变压器潜伏性故障特别有效的方法。同时,采用基于交叉小波的变压器振动信号特征量提取方法分析评价结果表明,变压器铁芯发生接地故障后其振动信号存在大量50赫兹谐波分量。借助振动及声音检测技术,能够有助于变压器故障诊断及准确定位,提高设备状态检修效率。     

基于Labview的变压器故障诊断系统研究

本文首先基于油中溶解气体特征含量构建BP网络结构,采集数据样本,进行网络训练,然后应用信息融合原理搭建分层故障诊断模型,分析判断变压器的故障类型,并在此基础上判断变压器局部放电类型。然后采用虚拟仪器技术,在Labview平台上开发了变压器故障诊断系统,该系统从油气量和局部放电信号两个方面对变压器进行故障诊断和局部放电类型识别。通过油气量判断变压器故障类型,然后应用信息融合原理融合局部放电统计特征参量综合判别变压器局部放电类型。该系统实现了变压器油气含量分析,局部放电信号存储,数据综合处理,数据库的查询、修改以及删除功能,从而实现了对变压器的故障诊断。     

基于深度学习的变压器故障诊断方法研究

油中溶解气体分析方法（DGA）是变压器内部故障诊断的重要方法,广泛应用在变压器在线监测和定期试验检测中,传统的特征气体法和三比值法等诊断方法在实际应用中普遍存在着一定的局限性,导致故障诊断精度偏低。针对这一问题,本文提出了一种基于深度学习技术中的多层感知机的变压器故障综合诊断方法,利用开源的Scikit-learn 机器学习框架及TensorFlow深度学习框架构建了变压器故障诊断模型,并应用实际工程中的故障样本数据,对故障诊断模型进行了训练和测试。试验结果表明,基于多层感知机技术的变压器故障诊断模型能够对变压器故障进行正确诊断,与传统的三比值法及支持向量机技术相比,多层感知机的诊断准确率更高,具有更优的故障诊断性能,能够为变压器的检修提供更为准确的参考信息。     

变压器故障诊断方法的研究

变压器的运行状况直接关系到整个电力系统的安全稳定运行,有效对变压器进行故障诊断具有重要的实际意义。电力变压器油中溶解气体分析（Dissolved Gas Analysis, DGA）已经成为油浸式变压器故障诊断的一种有效支持数据,本文在利用DGA数据的基础上,首先总结了常规IEC比值法的优缺点,并针对其边界问题总结了几种有效改进方法。其次,本文总结了人工神经网络,支持向量机,粗糙集,模糊数学、极限学习机、贝叶斯网络、聚类、人工免疫和petri网络等9种智能算法在变压器故障诊断中的运用,针对其固有问题总结了各自的优化方法。最后,本文介绍了以证据理论为主的综合诊断方法,分析了它优于单一智能算法的方面,并介绍了一些其他方法在变压器故障诊断中的应用。最终得出结论,相比于单一智能方法,信息融合的综合诊断办法能更好地对变压器故障进行诊断。     

基于深度SSD改进模型的传动设备状态在线监测研究

针对现有传动设备在线监测算法存在的检测精度地、效率差等问题,提出一种基于改进SSD网络模型的在线检测算法。先对故障集进行预处理,通过滤波调制、共振解调等环节滤除原始故障集的噪声干扰;以VGG-16为基础设计了SSD网络结构,同时增加了辅助卷积层和预测层;对SSD网络模型进行改进,引入了注意力机制模块和特征增强模块,改善模型各层的数据共享性能同时提高了模型的数据训练效率;基于通道拼合方式对故障数据进行多尺度特征融合,并优化SSD模型的各层金字塔结构,以更好的匹配先验框及选择最佳的损失函数。实验结果显示,提出算法的传动设备故障检测率达到98.8%,同时算法的检测效率也优于现有算法。     

基于深度学习的变压器在线故障检测

针对供配电网络中变压器故障检测和预报的不足,提出基于深度学习的变压器故障检测方法,详细介绍了变压器监测数据预处理方法及步骤,给出了深度学习网络的具体结构和学习过程,深度学习结果表明该故障检测方法的有效性和实用性。