关键词： 桩板式挡土墙   土压力   河道整治工程   有限元  

摘要： 桩板式挡土墙因结构简单、安全可靠、施工便捷、工程造价较低,适用于临河建筑多、沿河市政管线密集、施工与用地矛盾突出的河道整治工程。很多河道整治工程中将桩板式挡土墙布置在软黏土地基中,桩土间力学特性复杂。目前通常采用以库伦主动土压力理论为基础的计算方法,得到的土压力与实际存在一定的误差。文章采用三维有限元方法,模拟土体的非线性、土体与结构之间的接触与摩擦、以及复杂加载的过程,研究桩板式挡土墙后的土压力分布。结果表明,桩板式挡土墙的土压力分布与朗肯土压力分布接近,回填土按一次性加载与分级加载计算的拉裂缝深度及总土压力基本相同,但分级加载计算的土压力呈非线性分布。成果可为桩板式挡土墙的设计提供技术支撑。

关键词： 电力电缆   长短期神经网络   梯度提升机器算法   故障定位准确率  

摘要： 针对传统的电力电缆故障诊断系统会出现故障识别准确率不足以及故障信号采集效率低等问题,设计了一种结合梯度提升机器算法和卷积双向长短期记忆神经网络算法相结合的改进梯度提升机器算法。设计梯度提升机器算法的三层结构,将周围环境信号与故障信号作为该算法的输入信号,并设计隐藏层对各类信号进行处理,经输出层进行输出。引入卷积双向长短期记忆神经网络算法,对梯度提升机器算法的梯度优化因子进行实时优化,形成改进梯度提升机器算法,提升了故障信号采集的效率和故障定位准确率。将电力电缆故障信号采集平台的各类数据作为公开测试集,并与其他算法进行横向对比。结果表明:所提算法的故障识别准确率可达95.3%,故障信号采集效率可达93.1%,均高于同类算法,为电力系统的正常运行奠定了重要基础。

关键词： 并网逆变器   格拉姆角场   Swim Transformer  

摘要： 逆变器故障会降低电站的发电效率和稳定性。针对逆变器的故障诊断,以带LCL型滤波器的并网逆变器为研究对象,详细介绍了逆变器的结构和数学模型,归纳和整理了光伏逆变器常见的故障种类及其特点;使用仿真平台搭建光伏并网逆变器模型,对逆变器故障中最易发生的逆变器开关管(IGBT)开路故障进行仿真模拟,采集一维故障电流信号;利用格拉姆角场(GAF)将一维时间序列故障数据进行变换,得到二维图像。基于卷积神经网络在图像处理上的优势,提出了基于格拉姆角场与Swin Transformer的故障诊断模型。该故障诊断模型经过迭代训练优化模型参数后,在不同噪声比的样本上进行测试。结果表明,故障诊断准确率达到96.81%,证明了故障诊断模型的有效性和抗噪能力。

关键词： 故障诊断   齿轮箱   融合特征   无量纲指标   随机森林   LSTM神经网络  

摘要： 齿轮箱故障的振动信号具有非线性、非平稳性,再加上齿轮箱运行工况复杂的特点,导致传统的信号处理方法难以有效提取齿轮箱故障特征,严重影响传动精度和设备运行安全。基于此,本文研究振动信号无量纲指标与经验模态分解(Empirical Mode Decomposition, EMD)信息熵进行特征融合的方法,并利用随机森林(Random Forest, RF)对不同特征之间的重要性进行比较、排序,有效克服信息冗余,同时将新构建的样本集作为输入,对LSTM(Long Short-Term Memory)神经网络进行训练,实现对齿轮箱不同局部故障的有效识别。并利用东南大学实验数据验证所提方法的有效性,通过与其他方法对比证明本文所提方法具有计算效率高和识别精度高的特点,可为齿轮箱的智能诊断提供新的实践和方法基础。

关键词： 变压器   特征气体   拉曼光谱   改进一维卷积神经网络   定量分析  

摘要： 激光拉曼光谱技术在变压器故障特征气体检测方面具有明显优势,随变压器状态监测智能化的发展,研究混合故障特征气体的快速、准确定量分析方法具有重要意义。传统拉曼光谱分析需要预处理过程,极大程度依赖人为经验,光谱特征提取虽可降低信号维度,但也会造成其特征部分缺失或改变。针对上述问题,提出基于改进一维卷积神经网络与最小二乘支持向量回归相融合的拉曼光谱定量分析方法,即引入全局均值池化与最小二乘支持向量回归改进传统卷积神经网络,并运用Dropout方法提高模型泛化性能,防止过拟合。设计并搭建变压器故障特征气体拉曼光谱检测平台,采集7种故障特征气体及N_(2)、O_(2)混合气体的拉曼信号,在谱图2900 cm^(-1)频移附近,CH_(4)、C_(2)H_(6)气体呈现谱峰重叠,且变压器过热或局部放电故障发生时,会产生主要故障特征气体CH_(4),选择不同含量比例下的CH_(4)、C_(2)H_(6)混合气体作为研究对象具有代表性,按不同比例配制146组不同含量的CH_(4)、C_(2)H_(6)混合气体样本,检测时选用氮气作为标气,采集不同含量比例下混合气体样本的拉曼光谱数据,利用光谱数据增强方法,构建适用于深度神经网络的气体样本数据集。通过不断实验,优化网络结构参数与网络权重,完成模型训练并测试其预测效果,与多种定量模型进行对比分析,并研究光谱预处理对不同定量模型的影响,进而评估模型性能。结果表明,使用原始数据集建模时,改进卷积神经网络模型的预测精确度与回归拟合优度最佳,决定系数可达0.9998,均方根误差仅为0.0005 MPa;使用预处理后数据集建模时,改进卷积神经网络模型均方根误差为0.0023 MPa,相比使用原始数据集建模误差上升了0.0018,而传统方法误差均有所下降。该研究结果表明,所提方法与传统拉曼光谱定量方法相比,集成光谱预处理、特征提取和定量分析过程,在确保预测精确度的基础上,简化光谱分析流程,为快速、准确分析变压器混合故障特征气体提供了新的思路与参考。

关键词： 掘进机   通信   485   操作站  

摘要： 针对综掘机操作站,对使用过程中出现故障的操作站模块,从芯片手册到示波器检测,进行了详细的分析,对分析的问题进行了改进。改进后的操作站模块在多个煤矿进行设计应用,得到了有效的验证。

关键词： 负荷恢复策略   可靠性评估   网络重构   孤岛划分   线性化  

摘要： 源网荷协同调度背景下,为实现配电网可靠性的准确评估,提出一种考虑负荷恢复策略的有源配电网可靠性评估方法。首先,基于马尔可夫过程构建元件时变故障率模型以及分布式电源(distributed generator,DG)多状态模型,并基于此提出一种适用于故障重构以及孤岛划分的改进Distflow潮流模型,利用大M法对其进行线性化处理,并引入线性辐射状约束方法,将负荷恢复策略策略建模为混合整数线性规划问题(mixed-integer linear programming,MILP)。其次,对各种故障场景进行停电后果分析,实现有源配电网的可靠性评估。最后,通过IEEE标准算例分析负荷恢复策略对可靠性的影响,结果表明考虑负荷恢复策略能够有效挖掘有源配电网恢复供电能力,进一步提升供电可靠性。

关键词： 实时机器学习   SAC   ARIMA   LoRA  

摘要： 针对当前湿法冶金设备控制和智能检测模型较为简单、泛化能力较弱等问题,提出了一种基于深度学习的湿法冶金设备智能控制和故障检测算法模型,首先利用基于SAC深度强化学习算法对湿法冶金设备进行智能控制,再根据智能控制的近期历史数据,采用改进ARIMA算法对设备进行故障检测。为了进一步提升算法的实时性,引入LoRA微调网络对模型进行低参数微调和加速,LoRA微调网络对模型进行低参数微调和加速。该模型对设备智能化控制精度达93.24%,故障检测准确率达91.34%,实际应用效果较好。

关键词： 配网检修   故障诊断   精准化技术  

摘要： 配电网作为电力系统的重要组成部分,其稳定运行对于保障电力供应的可靠性和安全性至关重要。然而,在实际运行过程中,配电网常常面临各种故障,如线路短路、设备故障和接地故障等。这些故障不仅会导致停电,还可能引发设备损坏和安全事故,对电网的正常运行和用户的用电质量造成严重影响。随着电力系统规模的不断扩大和电力需求的增加,配电网故障研判的重要性日益凸显。传统的故障诊断方法,如现场勘察法、数据分析法和专家经验法,在面对复杂的故障情况时往往显得力不从心。因此,提高故障诊断的精准化水平,成为当前配电网检修领域亟待解决的问题。

关键词： 故障诊断   卷积神经网络   双向长短期记忆网络   注意力机制   CatBoost   轴承  

摘要： 针对现有的轴承故障诊断模型存在的分类精度差、运算效率不高的问题,提出一种基于注意力机制-卷积神经网络-双向长短期记忆网络-CatBoost(AMCNN-BiLSTM-CatBoost)的滚动轴承故障诊断模型。首先,对原始振动信号进行下采样技术处理,然后将经过下采样后的振动信号作为模型输入,通过3个不同的卷积模块提取特征,并使用通道注意力模块对提取的特征进行加权融合,然后将经过加权融合后的数据输入到双向长短期记忆网络中进一步地提取时序特征信息,最后输入到CatBoost中进行故障分类。经过实验表明,该模型不仅能够保证故障诊断的高准确率,还可以大大缩短网络的训练时间。