基于贝叶斯网络的风力发电机故障诊断方法

贝叶斯网络是概率统计学的重要分支,具有强大的不确定性问题处理能力,适用于复杂系统的故障诊断。风力发电机系统维护成本较高,为减少维修成本,需要进行准确的故障定位;文章对基于贝叶斯网络的故障诊断方法进行了研究,介绍了贝叶斯网络故障诊断模型的建立过程,并着重介绍了诊断算法推导和计算过程;利用历史故障统计数据建立了风力发电机系统贝叶斯网络Matlab模型,主要包括网络结构有向无环图和条件概率分布参数等内容;最后,模拟了两种故障,分别采用贝叶斯网络方法和相关性矩阵方法进行故障诊断,通过对两种方法诊断结果的比较,前者具有更好的故障分辨率,可有力支持复杂系统的维护保障、降低维修成本。     

声振信号分离提纯的风力发电机故障诊断方法研究

由于风力发电机振动信号中掺杂大量声音信号,信号频带受到噪声干扰,致使风力发电机故障诊断效果不佳。为此,提出基于声振信号分离提纯的风力发电机在线故障诊断方法。分析导致风力发电机组声振信号干扰的因素。采用经验模态,将初始风力发电机在线故障信号分解成高频分量与低频分量两部分。采用小波阈值算法去除高频分量的噪声,并与低频分量作重构处理,得出风力发电机的实际故障振动信号。建立反向传播(BP)神经网络训练模型,使用粒子群优化算法得出该网络最佳的权值矩阵与偏置向量,并凭借网络训练算法诊断出故障数据的位置与类型。试验结果表明,所提方法在线故障诊断精度高,并能保证其训练效率与收敛速度,具有较高的实用价值。     

时频特征联合VGG-16的风力发电机齿轮箱故障诊断方法

针对传统风力发电机齿轮箱故障诊断存在效率低、实时性较差、准确率偏低等问题,本文提出了一种时频特征联合深度学习的风力发电机齿轮箱故障诊断方法。通过实时测取的箱体振动信号,利用离散小波转换提取信号的时频特征,并联合改进的VGG-16模型,完成齿轮组不同类型故障的诊断。实验结果表明,所设计诊断方法的Recall和mAP值较高,分别为93.51%、91.85%;断齿、磨损以及根裂故障的诊断准确率均在90%以上,且检测实时性良好,能较好地满足实际应用需求。     

基于多源信息融合的风力发电机故障诊断研究

根据双馈风力发电机的工作原理和常见故障类型,对其故障诊断难点及常见的故障监测处置方法进行研究,并基于多源信息融合技术建立了风力发电机故障诊断系统,该系统通过加权融合振动信号、电流信号及温度信号,对机组的故障监测及处置工作提供更精确的指导,基于该故障诊断系统还进行了仿真应用研究,实现了故障的快速诊断和处置,具有较好的应用...     

基于LSTM-CNN的双馈风力发电机电刷滑环电弧故障诊断

由于双馈风力发电机(DFIG)的装机地点环境恶劣,DFIG电刷滑环的电弧故障时常发生。鉴于电弧故障严重影响电力设备的稳定运行,提出了一种基于长短期记忆-卷积神经网络(LSTM-CNN)的DFIG电刷滑环故障电弧检测模型。首先,分析了DFIG中电刷滑环产生故障电弧的原因。然后,以电流、电压和磁环三种信号作为输入,滤波后构建基于LSTM-CNN的故障电弧检测模型。最后,搭建滑环装置诊断实验平台,在神经网络结构含有相同层数的情况下,用相同的实验数据训练LSTM神经网络、CNN和LSTM-CNN。实验结果表明,基于LSTM-CNN的故障电弧检测模型的精确率和召回率均保持在99%以上。相较于单一的LSTM神经网络模型和CNN模型,所提出的模型对故障电弧的检测准确率提高了4%以上,具有较强的工程实践意义。     

基于IGSA优化的LSSVM制冷系统故障诊断研究

为提高制冷系统故障诊断的准确率,提出一种基于改进引力搜索算法(IGSA)优化的最小二乘支持向量机(LSSVM)的制冷系统故障诊断方法。首先,引入粒子群算法的速度更新机制对引力搜索算法进行改进,增加粒子的记忆性和信息共享能力,提高了算法的收敛速度和搜索精度;其次,利用IGSA对LSSVM的核参数与正则化参数进行优化,得到最优的IGSA-LSSVM故障诊断模型。最后,利用故障模拟实验台模拟制冷系统的四种典型故障,将优化好的LSSVM模型对其进行分类识别,并与标准LSSVM、GSA-LSSVM和PSO-LSSVM模型进行比较。仿真结果表明,基于IGSA优化的LSSVM方法具有良好的辨识能力和泛化能力,能够更好地对制冷系统故障进行诊断。     

小波神经网络对风力发电机齿轮箱的故障诊断

为研究风力发电机组齿轮箱的故障特性,提高其工作的可靠性,提出采用小波神经网络对齿轮箱的故障进行诊断的方案。该方案采用小波包分析与径向基函数(RBF)神经网络相结合组成小波神经网络,以准确地识别风力发电机组中齿轮箱常见的故障。诊断结果证明了方案的可行性。该方案在风力发电机组齿轮箱故障诊断领域具有良好的实用前景。     

一种滚动轴承故障诊断方法

针对基于支持向量机的滚动轴承故障诊断方法中支持向量机的参数优化问题,提出一种改进的果蝇优化算法,即以模式分类准确率作为果蝇味道浓度函数,并采用该算法来优化支持向量机模型的惩罚因子和核函数参数;基于改进果蝇优化算法和支持向量机对滚动轴承的故障模式进行分类诊断,结果表明改进的果蝇优化算法具有较高的收敛速度和寻优效率,基于该算法和支持向量机的滚动轴承故障诊断方法具有较高的分类准确率。     

基于遗传算法的电路故障诊断超参数优化算法框架

针对基于SVM的模拟电路故障诊断中诊断参数的调节是通过试凑法或按照全局最优的原则确定的,没有考虑实际诊断要求,无法进行各诊断环节参数同时调整优化的现状。提出一种适应度模型用于遗传算法参数寻优,把实际电路诊断要求量化成参数指标引入模拟电路故障诊断的优劣评估中;建立了基于遗传算法的电路诊断模型参数闭环寻优框架,对诊断系统的各部分参数优化进行整体度量,并分析了参数搜索算法的收敛性。通过实例诊断分析了闭环故障诊断参数寻优框架下各部分的参数制定对决策的影响,说明了建立的闭环故障诊断模型参数寻优框架和搜索算法的有效性和实用性。     

基于LSSVM的卫星姿态控制系统故障诊断

提出了一种基于最小二乘支持向量机(LSSVM)非线性观测器的卫星姿态控制系统故障诊断方法。与标准的支持向量机回归算法相比,最小二乘支持向量机回归算法收敛速度快,适用于在线训练。该方法利用其回归逼近非线性函数的能力,设计基于最小二乘支持向量机的非线性系统状态观测器,在线训练最小二乘支持向量机回归,并用于估计卫星姿态控制系统故障。最后,通过仿真验证了这种方法可以快速准确地估计出卫星姿态控制系统的故障。     

基于粒子群算法和支持向量机的故障诊断研究

支持向量机是采用结构风险最小化原则代替传统统计学中的基于大样本的经验风险最小化原则的新型机器学习方法,具有出色的学习分类能力和推广能力,广泛地应用于模式识别和函数拟合中;支持向量机中核函数的参数选择非常重要,它决定着故障诊断的精确度;为了提高电气设备故障诊断的精度和效率,将粒子群优化算法和最小二乘支持向量机相结合,提出了一种基于粒子群支持向量机的故障诊断方法,能够实现对核函数的σ参数进行快速动态选取,提高故障诊断的准确率和效率;实验表明,该方法能够有效地找出合适的核参数,并能取得较好的分类效果。     

混沌自适应粒子群算法在故障检测中的应用

针对舰员对装备维修能力不足的情况,论文提出了一种能够应用于便携式故障诊断仪中的故障树诊断算法.首先通过对混沌自适应粒子群算法的参数选择进行优化,使粒子能够在全局范围内进行搜索,克服了其易陷入局部最优的缺点,其次将其应用于故障树诊断算法中,并通过仿真试验证明了该方法的有效性.     

基于属性约简与参数优化的SVM故障诊断研究

应用数据挖掘的方法从实时数据库中提取相应的故障诊断知识是一种有效途径,也是很有现实意义和研究价值的问题。为提高汽轮机组故障诊断的效率,并考虑其计算成本和复杂性,把关联分析作为数据的前处理器,通过计算属性间的相关系数,结合最大最小聚类方法,删除冗余属性。然后采用支持向量机进行故障诊断,构造SVM多分类器,采用粒子群优化算法对参数寻优并训练样本。并与BP神经网络和线性判别分析做比较,实验表明此故障诊断方法诊断速度快、准确率高,可以很好地应用于设备故障诊断。     

改进粒子群算法优化支持向量机在故障诊断中的应用研究

支持向量机(SVM)作为当前新型的机器学习方式,凭借解决小样本问题、高维问题和局部极值问题等方面的优越性,在当前故障诊断方面有突出的表现;文章根据对支持向量机的研究,发现其在分类模型参数选择上存在困难,为此,提出利用改进粒子群算法优化的办法,解决粒子群前期收敛速度过快导致后期容易优化不均的现象;通过粒子群算法优化与支持向量机分类模型结合,以轴承故障检测和诊断为例,分析次方法的优越性和提高支持向量机在故障诊断过程中的精准度;通过实际检测得出,这种算法优化的方法改进的支持向量机对于聚类性较差的故障分类具有很好的诊断功能。     

智能优化算法在机械故障诊断领域的应用综述

开展机械设备的故障诊断对保障设备的稳定运行和企业的安全生产具有重要意义.故障诊断的准确率在很大程度上受所提取特征质量、诊断模型参数的影响,因此采用优化算法进行特征优选、寻找模型最优参数是提高诊断准确率的关键.介绍了3种经典智能优化算法和3种新型智能优化算法的原理、基本运算过程及应用现状;总结了算法的优缺点,提出了改进算...     

基于SADE的混合核LSSVM在压缩机故障预测中的应用

螺杆式制冷压缩机具有种类的多样性以及故障的复杂性，存在难以获得有效的预测模型的问题。提出了一种基于自适应差分进化算法（SADE）优化的混合核最小二乘支持向量机（LSSVM）的预测模型，该模型的SADE相比其他智能寻优算法理论，其结构简单、参数设置少且搜索能力强。在寻优过程中，SADE分别从差分策略、缩放因子、交叉概率做到了自适应，保证了寻优初期的全局搜索能力和种群多样性，提高了局部搜索能力和收敛速度；利用SADE对核参数、LSSVM参数、混合核调节参数进行寻优，提高了混合核LSSVM预测模型的精度。将该模型运用到压缩机的故障预测实验中，结果表明，该模型能有效的预测出压缩机的故障，验证了该模型的可行性。     

基于工作参数的柴油机故障诊断方法

通过台架试验采集了柴油机不同状态下的多组工作参数,利用Boot-strap统计模拟方法对每种参数的分布区间进行估计,并以此对不同故障下的数据进行分类,建立了BP神经网络模型对典型故障进行识别.经验证,利用柴油机工作参数进行故障诊断是切实可行的,该方法大幅度提高了多参数诊断的准确性和有效性.     

基于故障树的专家系统在雷达电源故障诊断中的应用

故障树是故障诊断专家系统问题求解策略的一种重要方法,为了减小知识表示和获取的难度,可将基于故障树的专家系统应用到雷达电源故障诊断中,通过构建和实现某雷达通用电源故障诊断系统,可达到简化和诊断高效的目的。经实例验证,基于故障树的雷达电源故障诊断专家系统,具有较高的诊断效率和准确性。