融合粗糙集与神经网络的燃气轮发电机组振动故障诊断方法

针对燃气轮发电机组振动故障诊断中可测参数难以直接反映机组故障状态的问题,提出一种融合粗糙集理论和神经网络的燃气轮发电机组振动故障诊断方法。结合粗糙集对燃气轮发电机组振动信号原始特征数据进行约简,减少冗余信息。将粗糙集与神经网络有机结合,用优化了的神经网络诊断燃气轮发电机组振动故障。试验结果表明了所述方法的有效性,为燃气轮发电机组振动故障的快速诊断提供了可参考的新思路。     

基于改进主成分分析法的水轮发电机组振动故障诊断研究

针对水轮发电机组振动故障原因复杂、故障特征参数多的特点,提出了改进的主成分分析模型。利用模糊理论中隶属度函数归一化初始数据矩阵中各不同量纲的数据,并将其标准化。选取全部的主成分,统一了主成分个数的选取标准,也减少了对原始变量信息丢失。引入熵效用值理论确定各主成分的权重,可以显示出主成分含有原始变量信息的大小,采用主成分的加权灰关联度作为综合评判模型,解决了对主成分容量和规律性要求严格的问题。最后,以某水轮发电机组振动故障诊断为例,计算结果表明,该方法可以用于解决具有不同物理量振动故障特征参数的故障诊断。     

采用核主元残差空间分析方法诊断传感器故障

将核主元的高维特征空间分为主元空间和残差空间,提出了1种基于残差空间的故障分离算法,其约简了反映主元空间的分项,使计算量大幅降低.应用该方法诊断传感器故障具有不受残差污染,易于实现等优点.对某600 MW机组回热系统测量数据进行分析结果表明,基于核主元残差空间分析传感器的故障诊断方法能够及时诊断出不同类型传感器的故障,即使在多个传感器同时出现故障时,也能够准确诊断出故障,并能够及时地分离出故障传感器.     

基于核主成分分析-SoftMax的高压断路器机械故障诊断技术研究

高压断路器是保证电力系统安全、可靠运行的重要设备,对于高压断路器机械故障定位和诊断成为近年来重要的研究课题。本文针对高压断路器典型工况的振动信号,提出了一种基于核主成分分析(KPCA)的SoftMax故障诊断模型。首先,通过小波包分解计算振动信息的时频能量比,定义高压断路器六种典型机械工况下的特征描述。然后,利用KPCA对原始特征空间进行压缩,重构低维、高识别度的特征空间,采用SoftMax分类算法对高压断路器典型工况进行诊断定位。最后,对比原始特征空间下、主成分分析特征空间下和KPCA特征空间下的SoftMax分类结果以及KPCA特征下多种典型分类诊断算法,诊断结果表明结合KPCA特征空间重构的SoftMax诊断模型的优越性,为高压断路器机械故障诊断与定位提供新思路。     

基于PCA和粗糙集构建决策树的变电站故障诊断

提出一种基于主元分析（PCA）和粗糙集理论结合继而构建决策树的故障诊断方法。该方法利用PCA对原始故障决策表的条件属性集进行降维处理,得到由主元变量构成的故障决策表,采用等频分割方法对这一决策表的数据离散化,进而采用基于主元属性重要度的粗糙集属性约简算法得到离散后的决策表的最小约简,以约简数据集为样本基于核属性采用一种改进的决策树算法训练学习,构建故障决策树进行诊断决策。测试实例证明了该方法能简化故障诊断系统,提取容错性较强的诊断规则,提高了故障的识别率。     

基于PCA和粗糙集构建决策树的变电站故障诊断

提出一种基于主元分析(PCA)和粗糙集理论结合继而构建决策树的故障诊断方法.该方法利用PCA对原始故障决策表的条件属性集进行降维处理,得到由主元变量构成的故障决策表,采用等频分割方法对这一决策表的数据离散化,进而采用基于主元属性重要度的粗糙集属性约简算法得到离散后的决策表的最小约简,以约简数据集为样本基于核属性采用一种改进的决策树算法训练学习,构建故障决策树进行诊断决策.测试实例证明了该方法能简化故障诊断系统,提取容错性较强的诊断规则,提高了故障的识别率.     

基于粗糙集和支持向量机的水电机组振动故障诊断

提出应用粗糙集和支持向量机水电机组振动的故障诊断模型.运用粗糙集理论对水电机组振动信号的属性特征进行预处理,在约简去除其冗余属性后得到决策表,将决策表作为支持向量机的学习样本,通过训练,使构建的支持向量机多分类器能够反映属性特征和故障类型的映射关系,从而达到故障诊断的目的.测试结果表明,与常规方法相比,应用粗糙集和支持向量机相结合的方法进行故障诊断具有简单有效、诊断速度快和良好的鲁棒性等优点,是一种有效的诊断方法.     

基于支持向量机与特征降维的直流断路器机械故障诊断技术研究

直流断路器机械故障诊断算法是直流断路器机械状态在线监测系统的核心部分。文中进行了直流断路器机械故障模拟实验,采集不同故障下的线圈电流及振动信号,对其进行特征提取后,将电流特征、振动短时能量特征、小波包频带能量特征排列组合,利用支持向量机构建故障诊断模型。文中使用主成分分析法及Relief-F算法对不同特征组合降维,进一步分析特征组合降维后的诊断效果,并通过K-Fold交叉验证算法评估单一特征和特征组合训练输出的诊断模型选取分类性能最优的诊断模型。     

基于决策表约简的变压器故障诊断Petri网络模型及其应用研究

通过对变压器故障诊断知识中大量的冗余特征进行压缩或约简 ,将粗糙集理论(RST)引入到变压器故障诊断中 ,以提高以往依赖先验知识进行诊断智能方法的效率。根据决策表约简实现故障特征的压缩与规则的简化 ,并利用该结果建立Petri网络模型 ,可获得最优的网络模型以充分发挥其快速的并行推理能力 ,实现高效的变压器故障诊断。对比分析结果表明 :约简后的特征具有与原来相同的分类能力 ,得出的主导特征也与实际相符 ;基于最小诊断规则所建立的故障诊断Petri网络模型 ,结构得到有效地优化 ,分类结果与原有的网络一致。最后通过实例分析验证了方法的准确性     

基于粗糙集和聚类PSO-RBF的水电机组故障诊断

正将聚类PSO优化粗糙集-神经网络算法引入水电机组故障诊断中,利用聚类算法和PSO算法的优点改进粗糙集属性约简方法并对水电机组故障的检测信息进行约简,提取对故障分类起主要作用的信息,并用BP神经网络对粗糙集处理后的故障信息进行诊断。该方法降低了神经网络的输入信息空间维数,简化神经网络结构,有效提高故障诊断的准确性。通过对水电机组振动故障数据进行诊断分析,     

KPCA和改进LSTM在滚动轴承剩余寿命预测中的应用研究

提出了一种基于核主成分分析(KPCA)方法和运用了Dropout策略的长短时记忆神经网络(LSTM)的轴承剩余寿命预测方法。首先,提取了振动信号的有效值、最大值、峰峰值、峭度等14个时域特征指标。然后,利用KPCA方法融合轴承振动信号时域特征指标得到若干的主成分。提取若干主成分之中的第一主成分来评估研究对象的性能退化状态,利用主成分选取标准选择多个主成分作为本文预测模型的输入。接着建立利用Dropout策略进行改进的LSTM预测模型。最后,采用某轴承数据对本文所提方法进行了有效性验证。计算结果表明,对轴承退化程度的预测准确度达到了95.92%,所提方法可以有效地来对轴承的剩余寿命进行预测,预测精度较高。     

小波包分解法与粗糙集神经网络在电机故障诊断中的应用

针对感应电机故障特征复杂、特征提取方法不足,提出了瞬时功率小波包分解的方法。分析电机单相瞬时功率,滤波后进行小波包分解,求取故障特征对应子频带小波包分解系数的均方根值及其变化率,并用以表征故障特征,以此作为电机故障的依据,运用粗糙集理论进行约简,将约简结果作为特征向量输入到RBF网络中,进行故障诊断。结果表明该方法诊断灵敏度高,可用于电机的故障诊断。     

粗糙集理论在水轮发电机组故障诊断中的应用

为了对水轮发电机组故障诊断过程中大量的冗余信息特征进行压缩,提高诊断的效率,本文将粗糙集理论引人到水轮发电机组故障诊断中.并采用基于遗传算法的粗糙集知识约简方法,对水轮发电机组故障信息进行压缩处理.通过对具体诊断实例分析,结果表明:该方法能够在保证故障分类结果不变的情况下,有效剔除具有冗余信息,找出对故障分类起主要作用的特征,减少了对诊断信息的需求,有效地提高了水轮发电机组故障诊断的效率.     

粗糙集结合Petri网的3/2接线变电站故障诊断研究

500kV及以上的变电站多采用3/2接线方式,其主接线结构和保护配置具有自身的特点.本文在分析了3/2接线系统保护动作策略的基础上,建立了故障诊断的初始决策表,并利用粗糙集的属性优选对该表进行最小约简,构建最优的Petri网模型,从而实现故障诊断.变电站故障诊断实例证明了该方法不仅能够准确诊断出3/2接线系统的故障元件,而且诊断速度快,容错性好.     

基于改进型主成分分析的电力变压器潜伏性故障诊断

基于变压器油中溶解气体分析(DGA),提出采用改进型主成分分析(PCA)法对变压器内部潜伏性故障进行诊断。该方法不采用传统主成分分析的标准化方法,而是采用样本指标绝对值之和对样本指标值进行标准化处理,既消除各指标数值在数量级上的差异,又保持了各个样本间的信息差异特征;根据主成分的累计贡献率选取样本主成分,对样本主成分之间的欧氏距离进行聚类,判断变压器的故障类型。实例诊断表明,该方法能有效地提高变压器内部潜伏性故障诊断的准确率。     

基于粗糙集的变压器故障诊断方法研究综述

介绍了粗糙集理论的基本概念、约简计算方法和约简过程,并对近年来基于单一粗糙集理论及其与其他智能方法组合的变压器故障诊断方法的主要研究成果进行了分析和评述,指出基于粗糙集理论的属性约简能够保证在变压器故障诊断结果一致的情况下选择最少的特征集,是变压器故障诊断的一个较好的途径。     

电力电子电路多源特征层融合故障诊断方法

设计了一种多源信息特征层融合的故障诊断方法,应用在电力电子电路的诊断过程中.选择待测电路的节点电压和重要支路电流作为融合对象,利用小波变换和主成分分析对数据进行预处理和特征提取,采用间隔交叉的方式将电压特征矢量和电流特征矢量联合形成特征矢量,通过神经网络对联合特征矢量进行推理分类,得到故障诊断结果.以Buck-Boost电路为诊断实例,对比分析了选择不同特征融合对象对故障诊断结果的影响,实验结果证明该方法可以明显提高电路诊断率.     

小波包分析在汽轮机转子振动故障诊断中的应用

针对汽轮发电机组振动的频谱特点，提出了基于小波包变换的汽轮机转子振动故障诊断方法，它较一般的小波变换更能反映振动信号所包含的频谱成分及能量。根据Bently实验台所采集的4种典型汽轮机转子振动故障信号，运用小波包分析方法对其进行能量分析并提取故障特征。实验分析表明，基于小波包分析与信号能量分解的故障特征提取方法，可以获得汽轮机转子振动的故障状况；根据不同故障发生时的频谱特征，识别出不同的故障，从而进行汽轮机转子振动故障诊断。该方法比基于Fourier变换的故障特征提取方法更有效，适合于机械故障诊断。     

汽轮发电机振动故障分析与诊断

本文应用层次分析方法对汽轮发电机结构和故障进行了分析,把汽轮发电机划分为系统、子系统和部件三个层次,分别对每个层次进行故障模式及影响分析,结合故障树分析方法得到了导致汽轮发电机振动故障的根本原因及其特征参数.提出了基于多属性特征距离的汽轮发电机振动故障诊断方法,最后给出了多特征属性距离诊断方法在汽轮发电机振动故障诊断中...     

基于主成分分析——支持向量机优化模型的断路器故障诊断方法研究

为了准确实现电磁斥力机构真空断路器的故障诊断,针对电磁斥力机构真空断路器分闸振动信号,在正常状态、单一故障状态、多个故障共存状态下,通过小波包分解、希尔伯特-黄变换(HHT)提取振动信号能量熵向量,结合特征提取方法原理分析了两种方法提取特征量的有效性,提出了主成分分析(PCA)—支持向量机(SVM)优化模型进行故障诊断,并验证了网格搜索算法(GSA)、粒子群算法(PSO)、遗传算法(GA)3种参数寻优算法的性能。经实验测试,PCA-SVM优化模型解决了因样本特征信息存在噪声和冗余而引起的SVM识别准确率下降的问题,有效提升了测试样本的识别准确率和模型效率,具有较好的诊断效果。