汽轮发电机振动故障诊断的一种新方法——概率因果模型与遗传算法相结合

介绍了一种将概率因果模型和遗传算法相结合的汽轮发电机组振动故障诊断方法 ,它将概率因果模型的似然函数作为遗传算法的适值函数 ,从而将故障诊断转化为最优化问题。该方法有利于对汽轮发电机组的振动多故障进行诊断 ,具有较高的诊断可靠性和实用性     

免疫遗传法结合概率因果模型诊断变压器故障

为了对电力变压器的绝缘故障进行诊断,提出了一种免疫遗传算法结合概率因果模型的故障诊断方法。该法先用概率因果模型将电力变压器的故障诊断问题转化为最优化求解问题,再将概率因果模型的似然值函数作为免疫遗传算法的抗原,故障诊断的解作为其抗体,对电力变压器进行故障诊断。基于生物系统的免疫遗传算法既保留了遗传算法随机全局并行搜索的特点,又在相当大程度上避免未成熟收敛,确保快速收敛于全局最优解。实例分析证明,该方法能有效诊断电力变压器的故障,具有较高的诊断准确率。     

一种基于模糊规则和遗传算法的凝汽器故障诊断方法的研究

该文总结了汽轮机组凝汽器低真空常见故障，建立了凝汽器典型故障集。介绍了基于信息熵的故障征兆提取方法，建立了凝汽器故障征兆集。在利用模糊规则的故障诊断方法基础上，提出了一种基于模糊规则和遗传算法的凝汽器故障诊断方法。通过遗传算法对用于故障诊断的模糊规则进行精简，消除了低置信度规则的影响，从而提高了故障诊断效率。最后，将该文提出的方法用于某汽轮机组凝汽器故障诊断中，结果表明该方法行之有效，且易于工程实现。     

汽轮发电机组振动故障诊断的粗糙集模型

在机械故障诊断中,从包含冗余和不一致信息的数据中获取简单有效的诊断决策规则是一个难题。文中提出了一种基于粗糙集理论的汽轮发电机组振动故障诊断模型。该模型从包含冗余和不一致信息的原始数据出发,利用遗传算法实现了故障征兆属性约简;然后通过给出的值约简算法进一步产生了带有置信度和覆盖度的最大广义决策规则集,建立了用于故障诊断的规则库。在应用该模型进行故障诊断时,用待诊断实例的离散化了的故障征兆属性与规则库中的诊断决策规则进行匹配,对返回的诊断决策规则依据提出的规则进行综合评价,并得出诊断结论。最后给出了该诊断模型的一般结构。     

融合集对分析和关联规则的变压器故障诊断方法

结合集对分析和关联规则各自的特点,提出了一种电力变压器故障诊断的新方法。该方法通过分析变压器运行中各故障征兆参数之间的关联性,建立了故障类型集合;通过对比计算关联规则的支持度与置信度,同时引入变权公式,得到故障类型和故障征兆的权重系数,有效避免专家意见或经验的主观性的问题;根据集对分析的可扩展性,采用5元联系度提高变压器故障诊断中处理不确定性因素的精度。实例对比分析表明,与关联规则、集对分析方法相比,该方法具有较好的诊断效果,在多故障问题处理中也表现优异。     

基于模糊数学和概率论的变压器故障诊断

为克服现有专家系统人工神经网络和模糊数学等诸多不足,基于前人对变压器故障诊断理论的研究,综合考虑变压器电气试验、油中溶解气体检测分析及观测信息,并引入模糊数学、概率推理和节约覆盖集理论,建立了一个新的变压器故障综合诊断模型。模糊隶属函数利用各专家的语义强度和经验,建立变压器故障性质与故障征兆之间的因果强度关系,再将概率统计和模糊数学相结合,利用节约覆盖集的理论重新筛选故障征兆集,重构相对似然函数。形成的模型能最大限度融入专家的知识,充分考虑了变压器的历史检修记录,使诊断结论更准确、可信。案例分析表明,该模型即使在只有部分征兆的情况下亦能准确诊断,对综合诊断变压器故障性质具有明显的优越性。     

基于专家系统开发工具的汽轮机振动故障多征兆模糊诊断方法

提出一种基于专家系统开发工具(CLIPS)的汽轮机振动故障多征兆模糊诊断方法,研究了多征兆模糊规则的诊断知识表示及规则结论的可信度组合,使用Visual C 和CUPS开发了火电厂汽轮机振动故障诊断专家系统.该系统能根据汽轮机振动现象进行故障诊断,先通过频谱振幅信息进行初步诊断,再利用多征兆自动诊断和人工模糊诊断相结合的方法,选择出现的故障征兆,确定各征兆的发生程度,进一步缩小故障范围.诊断实例验证了该系统的可靠性.     

基于故障群组合优化的变电站故障诊断

为处理好变电站故障诊断问题中故障源和故障征兆间因果关系的不确定性，提出了基于故障群组合优化的故障诊断方法。依据变电站运行方式和保护配置建立保护配合的Petri网模型，用该模型的状态转移方程获取所有的故障群-征兆群对子，创建故障群组合作为已知故障征兆诊断解的适应度函数，并用遗传算法搜索出最优诊断解。实验证明：该方法不仅能有效地辨识出故障源，而且能提供保护装置拒动、断路器拒动、信号传输错误等信息，对现场人员迅速确认故障设备非常有利。     

汽轮机通流部分故障诊断模型的研究

本文提出了汽轮机通流部分的故障诊断模型。文中介绍了汽轮机调节闹闹杆断落、喷咀磨损、叶片断阻塞静叶、通流部分结垢、通流部分团体颗粒磨损、汽缸进水、大轴弯曲、动静元件轴向碰摩、蒸汽振荡和真空恶化等10种故障的特征信号、征兆和诊断规则。文中给出了基于可靠性理论的故障诊断模型，以及这10种故障发生概率的计算公式和一些应用实例。     

基于故障群-征兆群对子的变电站故障诊断

为处理好变电站故障诊断问题中故障源和故障征兆间因果关系的不确定性,本文提出了基于故障群组合优化的故障诊断方法.在建立保护配合的Petri网模型的基础上,用状态转移方程分析模型的动态特性,从中获取所有故障群-征兆群对子.创建故障群组合匹配已知故障征兆的适应度函数,并用遗传算法搜索出最优诊断解.实验证明:该方法不仅能有效地辨识出故障源,而且能提供保护装置拒动、断路器装置拒动、信号传输错误等信息,对现场人员迅速确认故障设备非常有利.     

基于旋转机械振动参数图形融合灰度共生矩阵的故障诊断方法

旋转机械振动多维图形信息一直没有得到充分利用,在一定程度上影响了诊断技术的推广和应用,针对这一问题,该文研究了直接提取和挖掘旋转机械振动状态参数图形中的纹理特征信息的方法,提出利用描述图形灰度空间分布特性和空间相关性的灰度共生矩阵分析图形纹理特征,解决了灰度共生矩阵受所选取的方向影响的问题,最后利用人工免疫算法实现旋转机械故障诊断。在600 MW模化汽轮机转子试验台上进行了转子正常、转子不平衡故障、转子不对中故障及轴承松动故障的试验并应用上述方法进行了故障诊断,诊断结果表明可以获得较高的诊断精度,为旋转机械故障诊断探索了一条新途径。     

小波变换在横向裂纹转子升速过程状态监测中的应用

起停机过程中振动特征的提取及其识别对于旋转机械故障诊断是极其重要的。该文用数值积分方法求解含有横向裂纹的Jeffcott转子模型在转子升速过程中的动态响应，并对其进行小波变换，最后用时频等高图来表示小波变换系数。结果表明小波时频等高图不仅能表示升速过程中横向振动各振动分量的能量组成情况，而且也显示了各振动分量的变化趋势，完整而直观地展现了整个升速过程，充分地提取了裂纹转子在升速过程中的特征，为实际旋转机械的振动故障诊断提供了依据。     

量子遗传算法优化的最小二乘支持向量机的风机故障诊断

针对最小二乘支持向量机（LSSVM）在故障诊断过程中的模型参数选择问题,提出了利用全局寻优能力强、收敛速度快的量子遗传算法（QGA）对模型参数进行参数寻优,把LSSVM参数选择问题转化为优化问题。该算法克服了遗传算法优化过程中陷入局部极值的问题,提高了优化性能。利用UCI数据库的数据进行分类验证,相比遗传优化的LSSVM和交叉验证的LSSVM,基于QGA优化的LSSVM模型提高了分类精度。最后,把该模型应用于风力发电机齿轮箱故障诊断中,取得了良好的效果。     

极端条件下基于改进深度森林的行星齿轮箱故障诊断方法

齿轮箱是风电机组重要且易出现故障的设备,早期故障威胁系统运行安全。在极端条件中高效、准确的齿轮箱故障诊断对风电机组的安全稳定运行至关重要,因此提出了基于改进深度森林的行星齿轮箱故障诊断方法。为了实现不平衡小样本与强噪声的极端条件下行星齿轮箱故障的高效诊断,首先针对旋转机械振动数据样本较少与不平衡的情况,在Wasserstein生成对抗网络中引入梯度惩罚,生成样本补充原始数据集。然后利用多粒度扫描处理振动信号数据点之间的联系,增强数据中的故障特征。最后在级联森林内部引入新的基学习器并运用量子粒子群算法优化参数,获得具有高诊断精度的模型结构进行故障分类,输出诊断结果。经与其他智能诊断方法在多场景下进行的对比实验,证实了所提方法在极端条件下的分类效果较好,能有效提高齿轮箱故障诊断的准确性。     

基于遗传算法与BP神经网的风力发电机齿轮箱故障诊断研究

为研究风力发电机组齿轮箱故障的诊断方法,提高其工作的可靠性,将BP算法寻优具有精确性与遗传算法全局寻优的优点相结合,提出一种新的BP神经网训练算法。通过算法比较和实例分析表明,该算法在风力发电机组齿轮箱故障诊断领域具有良好的实用性。     

基于MISG算法的风力发电机液压变桨系统故障诊断

针对受状态延时影响的风机变桨系统故障诊断,提出了一种基于多新息随机梯度(MISG)的故障诊断方法。该方法将复杂系统转化为状态空间模型,并建立系统辨识模型。将新息标量扩展成新息向量改善算法精度,利用系统发生故障引起参数改变的特征,算法对风机状态延时变桨系统完成参数估计,将系统故障诊断问题转换为系统辨识问题。仿真所得结果验证该方法可以达到诊断风机状态延时变桨系统故障的目的。     

基于模糊粗糙集数据挖掘的汽轮机组故障诊断研究

针对当前专家系统知识获取瓶颈的难题,提出了基于模糊粗糙集数据挖掘的汽轮机组故障诊断方法。模糊粗糙集理论把知识直接与真实或抽象世界有关的不同模式联系在一起,能有效分析处理不精确、不完整等各种不完备信息,并从中发现隐含的知识,揭示潜在的规律。将汽轮机组故障历史数据进行模糊化及离散化处理,构建故障诊断决策表,以决策表作为主要工具,即"知识库",采用模糊粗糙集数据挖掘方法直接从决策表中提取出潜在的诊断规则,为汽轮机组提供有效的故障诊断。提出了基于模糊粗糙集的分类规则学习和约简算法,实现了基于模糊粗糙集数据挖掘的汽轮机组故障诊断系统,其诊断正确率达到了88%。实验表明该方法可行,对汽轮机组故障诊断系统的设计具有借鉴意义和深入研究的价值     

基于加权粗糙集的代价敏感故障诊断方法

在故障诊断领域，粗糙集已成为一种有效的不一致信息处理工具，然而当故障诊断存在明显的诊断代价差异时，经典粗糙集方法由于无法考虑先验知识而不能取得满意的效果。通过引入样本对象的主观加权，该文提出加权粗糙集的学习方法，设计了加权属性约简和加权规则提取算法，为粗糙集学习提供一种引入先验知识的途径。基于提出的加权粗糙集学习方法，开展了代价敏感故障诊断的研究，并进行了汽轮机振动的代价敏感故障诊断实验。实验表明，基于加权粗糙集方法的代价敏感故障诊断能优先选取高代价故障的关键征兆，并且使提取的规则集中高代价故障的规则具有更高的规则支持度和可信度，当诊断存在不一致的情况下，该方法倾向于将故障诊断为高代价故障，从而降低诊断代价。     

旋转机械振动图形征兆的知识获取

对旋转机械故障诊断中的振动趋势图进行了归纳、分类,丰富了旋转机械故障诊断专家系统知识库,为知识自动获取开辟了途径．     

XGBoost算法在风机主轴承故障预测中的应用

针对传统机器学习算法处理海量风机数据采集与监视控制(SCADA)监测数据效率低和准确度差的问题,提出利用极端梯度提升(XGBoost)算法预测风机主轴承故障。首先,对风机主轴承SCADA数据开展特征分析,挖掘和发现特征与故障之间的关联关系,并评估各特征的重要性;然后利用XGBoost算法构建主轴承故障预测模型,进行模型评估;最后,依据SCADA系统收集的实测数据对模型进行训练和测试,并调整XGBoost模型的主要参数,提高预测准确率。通过与经典梯度提升决策树(GBDT)算法诊断结果相对比,结果表明XGBoost在风机主轴承故障预测的效率和准确度方面均优于GBDT算法,是处理SCADA大规模数据集的有效工具。