发电厂电气设备故障分析及管理

电厂电气设备的可靠运行对整个电厂的安全生产具有重要作用。本文对电厂电气设备故障进行了分析,构建了知识库,提出了基于BP网络电气设备设备故障诊断方法和管理措施,实践表明,该方法能够有效对电厂电气设备进行故障诊断,实现电气设备故障的安全管理。     

变压器油中溶解气体含量分析在变压器故障诊断上的应用

阐述了利用变压器油中溶解气体含量对油浸式电气设备潜伏性故障进行诊断分析的过程,分析了电气设备故障判断过程中的难点和注意事项,对应用变压器油中溶解气体含量进行电气设备故障诊断的方法提出了技术要求.     

绝缘油中溶解气体分析在电气设备故障诊断中的应用

阐述利用绝缘油中溶解气体对油浸式电气设备潜伏性故障进行诊断分析的过程,分析了电气设备故障判断过程中的注意事项,对应用变压器油中溶解气体进行电气设备故障诊断的方法提出了技术要求。     

SF6分解产物体积分数检测在SF6电气设备故障诊断中的应用

根据多年积累的SF6分解产物检测数据和对多起SF6电气设备故障的分析结论,笔者阐述了通过SF6分解产物体积分数检测判断SF6电气设备是否存在故障的理论依据和实际可行性,分析了SF6电气设备故障诊断的实际案例和故障诊断过程,为SF6电气设备的监督检测和故障诊断提供参考.     

人工蜂群优化支持向量机的电气故障诊断方法研究

电气故障诊断具有重要的实际应用价值,针对电气故障诊断中的支持向量机(SVM)参数选择问题,提出了人工蜂群优化SVM的电气故障诊断模型。首先采用小波分析去除信号中的噪声,并提取特征,然后采用人工蜂群优化算法确定SVM的最优参数,建立电气故障诊断模型,最后通过与其他电气故障诊断模型进行对比实验。结果表明,WA-ABC-SVM可以描述电气设备状态与特征间的变化关系,提高了电气故障的诊断正确率,诊断结果要高于对比模型。     

红外诊断高压设备相对温差的应用研究

随着红外诊断技术的普及应用,红外诊断技术在变电站高压电气设备的故障诊断中发挥着越来越重要的作用。本文介绍了红外成像仪的成像原理,研究了利用红外热成像仪对高压电气设备的故障进行诊断,说明了判断电气设备缺陷使用相对温差判断方法的必要性,并对主变和高压电气设备的红外成像进行实例分析,证实了红外诊断相对温差判断方法的实用性。     

基于STFT的高压电气设备局放信号时频分析

为了分析高压电气设备的局部放电信号,介绍了基于短时傅里叶变换(STFT)的时频分析方法及其重要性,并使用2种基于Matlab的方法仿真分析了局放信号。结果显示,基于trfstft方法的STFT时频分析可很好的给出局放信号的时频变化规律及其强度并从噪声中分离出局放信号。这提供了一种对含噪的模拟局放信号去噪处理的方法,可帮助有针对性地减少其危害,并进行目标识别和故障诊断。     

基于声波信号分析的电气设备故障诊断新方法

针对电气设备运行环境复杂这一特点,提出将声波分析技术应用到其故障诊断中,可克服高电压和强电磁场给故障检测带来的诸多难题.设计了基于声波识别的电气设备故障诊断专家系统的总体方案,故障诊断系统由信号采集、特征提取、状态识别和诊断决策4个部分组成,简要介绍了各部分的工作原理:阐述了一种使用分层阈值处理声音信号的消噪算法,将该方法与传统消噪方法作对比,证明了该算法在对非平稳信号分析中具有较高的精确性.给出小波包提取电气设备实测声波信号特征向量的算法,以此作为知识获取和推理的依据,为电气设备运行状态诊断专家系统的实现奠定了基础.     

红外热像故障诊断技术在高压电气设备中的运用

主要介绍高压变电设备红外故障诊断技术以及电气设备试验人员如何较了地利用这一先进技术进行电气设备的红外热像故障诊断工作;如何根据热像图正确分析发热原因、故障部位。     

一种基于EMD和形态滤波的抗电磁干扰方法

导航载体上电气设备产生的电磁噪声是影响地磁测量精度的主要因素之一。针对电路设备产生的磁场噪声,提出了采用EMD-形态滤波降噪算法,较好地消除了高频交变和脉冲类磁场噪声;针对载体上多种电气设备产生的综合磁场噪声,论文采用上述提出的EMD-形态滤波降噪方法进行了降噪处理,有效地抑制了载体多种电气设备产生的交变磁场噪声及其中包含的脉冲类噪声,提高了地磁测量的精度。     

多传感器信息融合技术及其在旋转机械振动故障诊断中的应用

对多传感器信息融合技术作了简要介绍，并结合旋转机械振动故障诊断系统的要求与特点，探讨了信息融合技术用于故障诊断系统的基本层次结构。将信息融合的层次与故障诊断的功能相对应，提出了旋转机械振动故障诊断的信息融合模型，进而对旋转机械振动故障诊断系统中信息融合在不同层次上的实现方法进行了讨论。     

A fault diagnosis method for three-phase rectifiers

In this article, we proposed a novel method based on principal component analysis and support vector machines was presented for fault diagnosis of three-phase rectifiers, in which the principal component analysis of fault signal is used to extract the features corresponding to various fault, then fault types are identified through the pattern recognition classifier based on support vector machines. The simulation result of fault diagnosis of a thyristor in a three-phase full-bridge controlled rectifier shows that the method can make an accurate identification of fault types as well as the location of the fault elements for power electronics circuits, and it has an excellent performance for noise robustness and calculation complexity. Therefore, it is quite practically valuable in the solution to the fault problems for power electronics rectifiers.     

基于高阶谱与支持向量机的电力电子电路故障诊断技术

针对现有电力电子电路故障诊断方法存在的不足，研究了采用高阶谱分析和支持向量机(support vector machine，简称SVM)的电力电子电路故障诊断和定位方法。首先利用高阶谱中的双谱技术分析、处理和提取电路状态的故障信息特征；然后设计和采用多类层次支持向量机分类器作为故障模式的训练和识别器，其中，分类器的结构利用模糊C-均值算法(fuzzy C-means，简称FCM)进行了优化；最后采用一个实际的Buck功率电路进行了建模、仿真和验证。结果表明，采用该方法对电力电子电路故障的诊断和定位率可达99%以上，达到了较为理想的诊断精度。     

基于信息融合技术的旋转机械故障诊断

对多传感器信息融合技术作了简要介绍,并结合旋转机械振动故障诊断系统的要求与特点,探讨了信息融合技术用于故障诊断系统的基本层次结构。将信息融合的层次与故障诊断的功级相对应,提出了旋转机械振动故障诊断的信息融合模型,神经网络和证据理论相结合应用于故障诊断的新方法,提高了故障诊断系统的灵活性,故障诊断的效率和准确性。     

基于混合采样和支持向量机的变压器故障诊断

针对变压器不平衡数据集对变压器故障诊断模型产生的影响,提出了基于混合采样和支持向量机（support vector machines, SVM）的变压器故障诊断方法,利用合成少数类过采样技术（synthetic minority oversampling technique, SMOTE）和基于最近邻规则的欠采样方法,分别对变压器故障数据和正常数据进行采样,再利用混合采样得到的平衡数据训练基于支持向量机变压器故障诊断模型。通过测试集对比不平衡数据和平衡数据下基于SVM的变压器故障诊断模型的性能。最后分析了采样率对于变压器故障诊断模型诊断准确率的影响。实验结果表明,该方法可以有效降低不平衡数据对诊断模型的影响,提高变压器故障诊断模型的准确率。     

基于人工鱼群神经网络的抽油机故障诊断

BP神经网络应用于抽油机的故障诊断时易陷入局部极值,同时收敛速度也无法保证。在此前提下,提出人工鱼群神经网络算法的抽油机故障诊断新方法,充分利用人工鱼群在全局范围的快速寻优特性以克服BP神经网络收敛速度较慢和易陷入局部最优解的缺点,从而提高故障诊断的准确率和速度。以抽油机的管漏、供液不足、杆断脱、泵漏失、气影响五种故障类型为例,利用MATLAB分别搭建了传统BP神经网络和人工鱼群神经网络的模型,并对两种方法的诊断结果进行了比较。仿真结果充分说明了人工鱼群神经网络在抽油机故障诊断中的可行性、准确性和优越性。     

Quad Demodulation: A Time-Domain Diagnostic Method for Induction Machines

Motor Current Signature Analysis is the reference method for the diagnosis of induction machines. However, it features some drawbacks, as it is bound to steady-state conditions, and fault signatures may be created by different overlapping phenomena. This paper presents a full-time domain-based method for the quantitative evaluation of electrical faults in induction machines. It relies on stator current measurements; thus, it is compliant with switching power converter drives, provided that a proper current measurement technique is available. Moreover, it allows an accurate quantification of faults without requiring spectrum analysis; hence, it achieves high resolution even with a low time acquisition period. A fault index is computed as the energy of the signal in a suitable “fault bandwidth,” thus reducing the effects of frequency variations. The aforementioned advantages are perfectly suited to time varying signals and to embedded drive diagnostic systems.      

基于小波奇异值和支持向量机的高压线路故障诊断

提出了基于小波奇异值（WSV）和支持向量机（SVM）的电力系统故障类型识别的新方法。利用WSV来量化故障特征,再与SVM结合进行故障类型识别。对故障线路三相电流信号进行小波包变换分解,获取故障信号的小波细节系数;利用相重构技术将小波细节系数向量形成系数矩阵,并对该矩阵作奇异值分解,获取小波奇异值;将小波奇异值向量输入到SVM分类器进行故障类型识别。仿真表明,对于不同的故障类型,其小波奇异值分布明显不同,而对于同一类型故障,其小波奇异值分布在不同的故障位置、过渡电阻的情况下仍保持很大的相似性。SVM具有训练样本少、训练时间短、识别率高等优点。     

二维bagging集成支持向量机进行网络故障诊断

由于网络故障信息通常表现出不确定、复杂的特点并且对故障特征的描述也多是非完备的,运用支持向量机进行故障诊断经常不能达到其最优性能.本文提出一种新颖的二维bagging集成支持向量机,显著提高了传统支持向量机进行网络故障诊断的精度.实验结果验证了该方法的准确性和有效性.     

一种基于经验模式分解与支持向量机的转子故障诊断方法

转子系统故障诊断的关键是故障特征提取和状态识别,在故障特征提取中,采用自回归(AR)模型参数作为特征向量来分析系统的状态变化是十分有效的,但AR模型只适用于平稳信号的分析,而转子系统的振动信号表现出非平稳特征;同时在状态识别中,支持向量机(SVM)有效地改善了传统分类方法的缺陷。针对这些问题,提出一种基于经验模态分解(empiricalmodedecomposition,EMD)和支持向量机的转子系统故障诊断方法。该方法对转子系统的振动信号进行经验模态分解,将其分解为若干个固有模态函数(intrinsicmodefunction,IMF);对每一个IMF分量建立AR模型,取模型的自回归参数和残差的方差作为故障特征向量,并以此作为输入来建立支持向量机分类器,判断转子系统的工作状态和故障类型。实验结果分析表明,文中提出的方法能有效地应用于转子系统的故障诊断。