基于EEMD的变压器振动与声音信号IMF峭度特征量提取方法

针对变压器振动问题,提出了一种基于集合经验模态分解(EEMD)的本征模函数(IMF)峭度特征量提取方法,并运用相关系数法、快速谱峭度图法提取敏感IMF分量。提取试验变压器正常、铁心松动故障状态下的振动、声音信号的特征量,研究变压器在正常、故障状态下这两种信号特征量分布情况;分析实际运行中出现铁心磁路故障、铁心多点接地故障状态的变压器的IMF峭度特征。结果表明,提出的特征量提取方法可同时反映频域、时域特性;在不同故障条件下,振动与声音信号的特征量变化不同,二者可相互补充,研究两种信号更有利于变压器状态的判定。     

基于变分模态分解与卷积神经网络的轴承故障诊断

为解决滚动轴承在变载荷、大噪声背景下故障诊断困难及所建立智能模型泛化能力不足的问题,基于变分模态分解算法(Variational Mode Decomposition,VMD)及卷积神经网络(Convolutional Neural Network,CNN)技术提出VMD-CNN故障诊断模型.以标准轴承实验数据为研究对...     

基于Drools的变压器故障诊断专家系统

针对现有的变压器故障诊断系统普遍存在知识固化的问题,提出了一种基于Drools的变压器故障诊断专家系统。首先,利用Drools框架搭建变压器故障诊断专家系统的架构,实现规则文件与逻辑文件的分离;然后,结合真实案例与权威专家的经验,从过热、放电、绝缘和绕组变形四大类故障入手,确定故障模式。选取机械性能、电气性能和热性能三个方面中最能反映变压器状态变化的特征量,并与故障模式相关联,构建专家规则库;最后,使用Java代码编写Drools专家系统,利用规则库实现变压器的故障诊断。实践证明,系统具有较快的反应能力和准确的诊断能力,具备较好的工程推广价值。     

基于选择性贝叶斯分类器的变压器故障诊断

电力变压器故障诊断中的测试数据信息不完备、有偏差,而贝叶斯网络处理不确定性问题能力强.提出了一种基于选择性贝叶斯分类器的、溶解气体分析结合其他电气试验结果的变压器故障诊断方法.并建立了变压器选择性贝叶斯故障诊断模型.详细阐述并验证了该方法解决信息不完备问题的优越性.该模型还可以通过不断积累完善训练样本,自动修正网络结构...     

基于工况辨识和变分模态分解的风电机组滚动轴承故障诊断

针对风电机组运行工况变化导致滚动轴承故障分类性能降低的问题,采用模糊C均值聚类进行运行工况识别,在子工况下进行相应的滚动轴承故障诊断.提出了基于变分模态分解(VMD)、AR模型以及奇异值分解的特征提取方法,将滚动轴承振动信号分解成若干个模态,采用每个模态AR模型参数、模型方差以及模态矩阵的奇异值作为特征向量,建立欧氏距离判别函数,来识别滚动轴承状态和故障类型.结果表明:该方法可以成功提取滚动轴承故障特征信息并正确判断出滚动轴承故障类型,对工况变化有更强的适应能力.     

基于改进GSA-SVM模型的电力变压器故障诊断

准确评估输变电设备运行状态是电力企业生产技术工作的核心内容。为提高电力变压器故障诊断精度,避免传统引力搜索算法（GSA）自身收敛速度慢且易陷入局部最优区等不足,提出一种利用混沌序列改进GSA的支持向量机（SVM）模型,用于电力变压器故障诊断中。首先利用混沌序列来增加重力粒子的多样性,目的是避免在其训练时陷入局部最优区;然后利用改进的GSA算法来优化SVM模型自身的参数,从而提升该模型的预测准确率;最后将预测结果与其他3种传统诊断模型的预测结果进行了对比分析,结果表明利用混沌序列改进的GSA-SVM模型有着更好的泛化能力以及更高的分类准确率。     

基于变分模态分解和交叉小波变换的柴油机失火故障诊断

针对强噪声干扰下柴油机失火故障难以诊断的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)与交叉小波变换(cross wavelet transform,XWT)的柴油机失火故障诊断方法。该方法首先通过VMD将缸盖振动信号进行分解、自适应消噪及信号重构,再利用XWT对任意两个连续工作循环信号进行时频相关分析,进一步消除振动信号中的干扰噪声以提取柴油机燃烧特征,最后通过计算时频空间各缸能量占比进行柴油机失火故障诊断。通过对仿真信号分析及柴油机失火故障诊断,结果表明:该方法可以消除强噪声干扰,提取柴油机燃烧周期瞬态振动冲击特征,有效地识别柴油机失火故障。     

基于改进的BP神经网络学习算法的变压器故障诊断

电力变压器的故障除了给其自身带来重大损失外,还对电力系统的安全造成很大影响。利用BP神经网络对变压器故障进行诊断,针对BP神经网络学习率的缺点,提出了一种跟踪型自适应学习率的确定方法,该方法仅需整定一个参数,有效地提高了BP神经网络的收敛性和训练时间,进而通过构建变压器故障诊断训练样本集,验证了该方法的可行性,获得了更精确的诊断结果。     

基于灰箱模型的中速磨煤机故障诊断方法

采用数据与机理分析相结合的方法建立了中速磨煤机系统的灰箱模型,该建模方法既克服了纯机理建模过于复杂、耗时较长的问题,同时比纯数据建模具有更好的精确性和鲁棒性。然后利用该灰箱模型得到磨煤机输出量的残差数据,并通过小波变换提取残差的变化趋势,提出了一种基于斜率阈值的故障检测方法,根据随机森林算法的原理对故障数据进行训练,建立了一个用于故障类型识别的故障分类器。结果表明:所提故障诊断方法能够实现对磨煤机故障的早期诊断,并具有较高的故障识别率和识别精度。     

变压器类电力设备的状态监测与故障诊断

通过对现行检修、监测体制、方法优劣势回顾,分析了开拓、应用变压器类电力设备状态监测和故障诊断技术的意义,并对该技术国内外发展现状、存在问题进行了介绍.     

基于变分模态分解与优化支持向量机的滚动轴承故障诊断

基于经验模态分解(EMD)算法的递归特性提出优化变分模态分解(VMD)算法,结合能量熵方法构建多模态特征矩阵,通过鲸鱼算法优化的支持向量机技术(OSVM)实现轴承的故障诊断,并验证所提算法的有效性.结果 表明:基于VMD算法和能量熵构建的多模态特征矩阵对故障的区分度优于EMD算法和能量熵方法;与现有方法相比,所提VMD...     

基于改进生成对抗网络的变压器声纹故障诊断

为了提高小样本条件下变压器声纹故障诊断的准确率,提出了一种基于梅尔声谱图和改进的Wasserstein生成对抗网络（IW-GAN）的变压器声纹诊断模型。提取变压器声信号的梅尔声谱图,将声谱图输入到IW-GAN中进行样本扩充。其中,IW-GAN使用更具表达能力的Transformer网络,判别器采用满足Lipschitz连续性约束的SN-CNN,从而使IW-GAN能够稳定生成多样性和高质量的样本;将扩充后的数据输入不同的分类器中进行故障分类。实验证明,所提方法在有效扩充变压器故障声纹数据的同时,显著提升了小样本情况下变压器声纹故障诊断的整体性能。该方法对不同分类器的识别准确率均有显著提升,特别是对卷积神经网络分类准确率的提升达到了6.9%。     

基于多种理论融合的变压器在线故障诊断模型

为了保障电力变压器的安全稳定运行需大力研究开发电力变压器的在线状态监测与故障诊断系统。提出了利用改良三比值法配合模糊数学、RBF神经网络和D-S证据理论的多种理论融合的变压器在线故障诊断模型,最后通过大量故障案例来验证此故障诊断模型的有效性和准确性。     

基于改进变分模态分解与流形学习的滚动轴承故障诊断

滚动轴承早期损伤信号特征量缺失且易被环境噪声掩盖,根据分形理论,结合灰狼优化算法(GWO)提出改进变分模态分解方法(Improved Variational Mode Decomposition, IVMD),求解各模态多种非线性特征量,并采用随机近邻嵌入理论(t-distributed Stochastic Neighbor Embedding, t-SNE)进行降维分类,以实现无监督故障诊断。基于轴承损伤实验数据,验证所提方法的可靠性。结果表明：采用IVMD所获模态与多种非线性值构建的特征矩阵更具代表性,可诊断轴承微弱故障;与现有方法相比,所提方法聚类表现更清晰,分类准确率更高,且具有良好的鲁棒性。     

基于优化变分模态分解及分形理论的风力机轴承故障诊断研究

为实现强非线性特征风力机轴承振动信号的故障诊断,基于能量残差及粒子群优化算法提出优化变分模态分解方法(OVMD),通过峭度与相关系数对分解所获各模态进行筛选以剔除无效分量后重塑振动信号。引入分形理论,分别计算滤除无关模态前后轴承不同工作状态随负载变化时分形盒维数。结果表明:经OVMD分解后未滤除无关模态的信号在区分轴承不同工况时,各电机负载下盒维数出现混叠现象,干扰对轴承故障状态的判别与分类;而采用OVMD分解滤除无关模态后重组的信号,其分形盒维数在各种负载下均可实现对轴承工作状态的识别。     

基于GA优化支持向量机的变压器故障诊断

针对变压器故障诊断中出现的多故障分类问题,为提高支持向量机的多故障分类的准确率,利用遗传算法(GA)对支持向量机的相关参数进行了优化。将利用遗传算法优化的支持向量机(GA-SVM)应用于变压器故障诊断中,并与利用粒子群算法优化的支持向量机(PSO-SVM)的识别结果进行比较。对比试验结果可以看出,GA-SVM算法能够更为有效地选择支持向量机的相关参数,在很大程度上提高了变压器多故障分类的准确性。     

基于改进粒子群优化RBF网络的变压器故障诊断

为提高变压器故障诊断精度,提出了一种改进粒子群优化RBF网络算法,用于优化RBF网络的中心参数。首先通过非线性递减权值策略改进粒子群算法,再利用改进粒子群优化RBF网络,最后建立用于变压器故障诊断的RBF网络模型,并在Matlab平台上进行了仿真测试。结果表明,优化后的RBF网络比单一RBF网络故障诊断率有大幅提高。通过诊断国网某公司的5组故障实例,验证了所提算法的可行性。     

基于粒子群优化支持向量机的变压器故障诊断

针对支持向量机(SVM)用于变压器故障诊断中模型参数具有不确定性的问题,采用粒子群优化(PSO)算法对支持向量机参数进行优化,减少了模型参数的不确定性。故障数据测试表明,PSO能快速、准确地优化SVM参数,二者的结合可有效完成变压器故障分类,并取得较为满意的效果。     

改进的VMD方法及其在转子故障诊断中的应用

针对转子系统油膜失稳的诊断问题以及变分模态分解(VMD)的端点效应问题,提出一种利用互信息准则进行波形匹配和端点延拓的改进VMD方法,并通过分析各分量的Hilbert谱诊断油膜失稳状态.结果表明:该方法具有良好的多分量信号分解能力和端点效应抑制效果,能有效诊断出油膜涡动的发生时刻以及发展变化特点;当单盘转子发生1阶油膜振荡时,频谱中转频和振荡频率的幅值突出,同时会出现与两者相关的组合频率成分,对准确、可靠地诊断油膜失稳具有重要意义.     

基于VMD-CNN的水电机组故障诊断

为提高水电机组故障诊断精度,减少在振动信号特征选取过程中对专业经验的依赖,提出了一种融合变分模态分解和卷积神经网络的故障诊断方法。首先对水电机组振动信号进行变分模态分解得到若干分量,并利用这些分量构造时间图,然后搭建深度卷积神经网络对时间图进行特征提取和故障识别,建立分量和故障状态的映射关系。以实测水电机组轴向振动信号进行应用检验,并采用多组对比试验,结果表明该方法与其他方法相比故障识别准确率更高。研究成果为水电机组智能故障诊断提供了新思路。