关键词： 视音频系统   故障定位   故障分析  

摘要： 视音频系统能为用户提供实时的图像与语音交互信息,具有广泛的应用。该系统包含众多的设备及线缆,会不可避免地出现各种故障。文中以某次单位之间的视音频系统通信不畅现象为例,在实验室环境下重新复现了该故障现象,然后对故障进行定位、分析,在完成故障原因分析的基础上,给出了针对性的故障处置方法,为基于网络的视音频通信不畅故障排查提供了参考和借鉴。

关键词： 断路器   液压机构   机构压力低闭锁  

摘要： 断路器液压操作机构的可靠性对于电网的安全稳定运行至关重要,对其进行故障分析必不可少。对某1000 kV断路器分闸后报操作机构压力低闭锁的故障情况以及HMB-4/8型断路器二次回路特殊点进行介绍,对操作机构相关二次回路进行逐一排查、逐步分析,最终得到故障原因为打压继电器卡涩。但在故障排查过程中压力闭锁指示灯显示与现场不符,对排查工作起到误导。最后提出了操作机构压力闭锁指示回路改进方案,使得压力闭锁告警提示更加有指向性,有助于工作人员定位故障位置,缩短故障排查时间,为1000 kV断路器检修试验故障排查相关工作提供参考,对提高电网运行可靠性具有积极意义。

关键词： 高压电源   风机故障   故障分析   处理措施  

摘要： 本文分析高压电源运行过程中风机故障问题。通过对故障现象进行排查分析,列出故障可能原因,定位并分析故障机理,提出解决措施并开展试验验证。通过跟踪技术状态完善后产品的工作及性能指标实现情况,证明故障原因定位准确,处理措施有效,故障彻底消除。

关键词： 离散量采集   自测试   闩锁  

摘要： 对离散量采集模块上电自测试电路故障进行了分析定位,该故障仅导致离散量输入信号自测试错误,不影响正常采集电路功能。通过数据采集分析,将故障定位为干扰触发了自测试电路中开关器件的闩锁,造成故障。对自测试电路进行改进,通过试验验证,改进后的措施有效,可解决故障问题。

关键词： 航空发动机   主轴承   故障诊断   敏感参数特征识别   粒子群优化算法   最大相关峭度反卷积  

摘要： 针对航空发动机主轴承故障特征信息提取困难的问题,提出了一种基于声发射特征参数与多参数筛选的小波包变换(MFSWPD)-粒子群优化算法(PSO)-最大相关峭度反卷积(MCKD)融合的轴承故障诊断方法。该方法通过声发射参数判断轴承状态并通过小波包变换获得节点分量,针对分量进行筛选重构,再通过粒子群迭代优化的自适应最大相关峭度反卷积进行故障诊断。为验证该方法的有效性,开展某型双转子航空发动机主轴承故障模拟试验及某型涡扇发动机主轴承真实剥落故障试验,并在试验正式开始前进行断铅试验,检验轴承损伤点到测试点之间的声发射幅值衰减特性。结果表明:声发射断铅信号从轴承损伤位置到测试点位置幅值衰减约为55 dB。基于声发射与振动敏感参数的轴承故障诊断方法可有效提高故障信息的特征提取能力,精准判别主轴承的典型故障类型。

关键词： 间歇式   故障预测   序列采样   神经网络   多尺度  

摘要： 故障预测可以指示变量的异常变化,提前预测故障情况。现有故障预测方法仅考虑完整序列的全局时间依赖关系,忽略了变量间依赖关系及采样子序列中不同的局部时间依赖关系。针对上述问题,提出了一种基于多采样序列特征提取网络(multi-sampled sequence feature extraction network,MSFEN)的故障预测架构。首先设计了一种批次联合嵌入机制,在考虑批次周期性的同时更好地表达变量间依赖关系。然后,开发了一种序列采样机制划分完整时间序列与不同尺度的采样子序列。之后,分别设计了翻转平滑Transformer与卷积交互提取模块,以全面地提取多尺度时间依赖关系与变量间依赖关系。最后,融合多采样序列特征获得最终的编码特征,通过前馈层实现故障预测。利用青霉素发酵过程进行实验,结果表明该方法具有良好的故障预测性能。

关键词： 永磁同步电机   逆变器   开路故障   故障诊断  

摘要： 针对永磁同步电机驱动系统在功率开关元件发生开路故障时会出现系统性能下降的问题,提出一种逆变器开路故障快速诊断方法,以提高永磁同步电机驱动系统的安全性与稳定性。首先,计算逆变器输出的三相电流在静止坐标系α-β下电流的矢量模值。其次,利用矢量模值对三相电流进行归一化处理。然后,以归一化后三相电流的平均值和绝对平均值作为故障特征量并对故障特征量进行运算得到故障检测变量。最后,根据故障检测变量与阈值制定故障诊断规则。此方法暂不考虑电流突变等问题,通过MATLAB/Simulink仿真分析验证了该方法能够在故障发生后2 ms时快速诊断并定位出逆变器的21种开路故障类型。

关键词： 知识图谱   建筑设备   故障诊断   多任务学习   运维优化  

摘要： 针对建筑设备运维过程中的智能分析与自主决策能力不足、故障诊断效率低等问题,提出一种基于知识图谱和多任务学习的设备故障诊断方法。首先,构建面向运维的知识图谱,利用自然语言处理和实体链接技术提取建筑设备系统的多源异构数据,从而获取丰富的知识表示。其次,在小样本标注的情况下,探索多源症状关联识别,并把未标注数据通过自训练和协同训练策略迭代优化模型参数,提高模型泛化能力。最后,在设计基于深度知识推理的故障根因定位技术时,借助概率图模型追溯复杂设备系统的故障传播路径,提高故障分析的准确性和可解释性。同时,引入多任务学习框架融合机制,提升所提方法在故障诊断任务上的性能。实验结果显示,所提方法的故障诊断准确率达92%,平均每条记录诊断时间达6.5 s,在准确率、精确率和召回率等评估指标上均优于对比模型。

关键词： 故障诊断   滚动轴承   图注意力网络   多头注意力机制   马尔科夫转移场  

摘要： 针对实际工程环境复杂多变而导致模型识别准确率不高的问题,提出了一种融合马尔科夫转移场和图注意力网络(Markov transition field and graph attention networks,MTF-GAT)的滚动轴承故障诊断模型。利用MTF保留信号时间相关性的优点,将一维信号转换为二维特征图并定义图的节点和边;利用图注意力层可自适应地对邻近节点分配不同权重的特点,提高模型捕获有用故障特征的能力,并采用深层卷积模块进一步提取图的抽象信息;通过模拟实际工程环境,将各类故障信号输入到训练好的MTF-GAT模型进行故障诊断,并在两个数据集上进行试验验证。结果表明,本文所提出的模型在多种环境下均能准确地完成故障分类任务,相较于其他常用的深度学习模型,MTF-GAT模型具有更好的识别精度和泛化性能。

关键词： 故障诊断   根因分析   故障相关变量   可解释相关性分析  

摘要： 提出了一种数据驱动的故障根因分析方法,旨在通过数据处理和可解释相关性分析,准确识别系统故障的根本原因。首先,采用基于神经网络的变量挑选方法,通过深度学习技术自动挑选出与故障相关的关键变量,以提高数据的有效性。随后,运用沙普利加法解释模型对挑选出的变量进行可解释相关性分析,分析各个变量对故障发生时系统的贡献度。接着,引入偏交叉映射方法进行因果关系分析,探索变量之间的因果关系,找出导致故障的关键因素,定位和识别导致故障发生的根本原因变量。最后在两个案例应用中证明了该方法的适用性。