关键词： 高压并联电抗器   故障诊断   特征选择   递归特征消除算法   遗传算法  

摘要： 针对当前特征选择算法只适用于单元振动序列的限制,提出了结合基于支持向量机递归特征消除算法(support vector machine recursive feature elimination algorithm,SVM-RFE)和遗传算法(genetic algorithm,GA)的多元振动序列特征选择算法SVM-RFE-GA。以某220 kV高压并联电抗器为研究对象搭建了机械故障模拟平台,设置了5种不同设备状态,在其表面24个采样位置采集不同设备状态的多元振动序列。实验从时域、频域和时频域出发构建特征池,利用SVM-RFE对单元振动序列中各个特征进行重要性排序和初步筛选,并记录每个位置的最高故障诊断准确率。再对初步筛选出的特征利用GA算法进一步优化选择,选出多元振动序列中具有最高准确率且数量最少的特征组合。实验结果表明,该方法可以选出多元振动序列的共性特征组合,同时该组合可以确保电抗器故障诊断准确率最高且特征数目最少。

关键词： 故障诊断   t-SNE降维算法   组合核函数   支持向量机  

摘要： 在工业滚动轴承故障诊断领域中,故障信号的特征提取与故障信号的分类一直作为轴承故障诊断的主要问题,而目前存在的问题,一是轴承故障数据降维方法仍采用传统的数据降维方法;二是在轴承故障诊断领域中仍采用单一核函数的SVM对故障结果进行预测。鉴于以上分析进行了两点创新:一是提出了一种基于t-SNE的数据降维的数据预处理方法;二是将组合核函数支持向量机代替传统的单一核函数支持向量机对故障信号进行分类。通过与传统实验方法相比,表明了在参数最优组合的情况下,t-SNE线性降维法与组合核函数在测试集上的结果优于传统的降维方法。

关键词： 深度学习   设备故障诊断   故障预测   工业生产   特种设备  

摘要： 设备故障诊断与预测是工业生产中的关键环节,直接影响设备的可靠性和生产效率。传统的故障诊断与预测方法存在一定局限性,难以满足日益复杂的工业设备需求。深度学习作为人工智能的重要分支,以其强大的特征提取和建模能力,为设备故障诊断与预测提供了新的解决方案。本文综述了深度学习在设备故障诊断与预测中的应用现状,分析了其优势和挑战,并对未来研究方向进行了展望。通过采用深度学习技术,可以提高设备故障诊断与预测的准确性和效率,减少设备停机时间,保障工业生产的安全与稳定运行。

关键词： 改进SVM   自动识别   约束变分问题   二次惩罚项   拉格朗日乘法算子   1-a-1支持向量机  

摘要： 电力贯通线的信号具有非线性和非平稳的特性,导致对短路故障的识别效果难以得到保障,为此,提出基于改进SVM的高速铁路10 kV电力贯通线短路故障自动识别研究。借助VMD构建原始的高速铁路10 kV电力贯通线信号的约束变分问题,并通过引入二次惩罚项和拉格朗日乘法算子求解,将复杂信号分解为多个具有特定中心频率和带宽限制的IMF;识别其短路故障状态时,采用了基于一对一(1-a-1)的支持向量机(SVM)算法,综合各分类器的输出,确定最终故障状态。测试结果表明,设计方法有效识别了设置的6种不同短路故障,具有良好的应用效果。

关键词： 滚动轴承   故障诊断   多传感器   互异网络   数据融合   特征互补  

摘要： 为了解决单传感器单一分支网络的输入容易受到外界干扰以及在不同域信号转换过程中丢失特征信息,导致故障诊断效果不佳的问题,提出了基于多传感器数据融合的互异网络轴承故障诊断方法。设计了数据预处理模块,以数据级的融合方式实现来自多传感器的多角度故障特征互补,充分考虑了轴承设备多传感器之间的相关性。同时,将经过快速傅里叶变换(FFT)和频率切片小波变换(FSWT)处理后的信号融合为多域信号作为模型的输入,以多域信号独立作为模型输入的形式确保不同域信号在转换过程中关键的特征信息不会丢失。该方法针对不同的域信号设计了相对应的互异网络结构对多传感器数据高维非线性空间中的低维特征关键提取,这也为设备维修人员提供了更加可靠方便的维修手段。当其中一个分支网络的输入受到外界干扰时,另外两个分支网络会起到纠错的作用,不仅增强了网络的容错能力,同时也会增加网络的特征互补能力。利用记忆单元将特征视为不同的时间步,以此建立不同故障特征之间的依赖关系。为了防止模型陷入局部最优,使用适配于所提模型的学习率余弦退火算法优化模型训练。在两个轴承数据集上进行实验,结果表明,该方法拥有好的故障诊断效果和泛化能力,可以满足基于多传感器数据融合的轴承故障诊断任务。

关键词： 电力设备识别   发热故障诊断   红外图像   传统图像处理   深度学习   视觉检测  

摘要： 在电力大数据背景下,依托机器视觉和深度学习技术,从海量的红外图像数据中实现电力设备识别及发热故障诊断,已经成为该领域运维工作亟待解决的问题。该文以红外图像为研究对象,综述了基于传统图像处理和基于深度学习两类方法的红外图像中电力设备识别及发热故障诊断研究进展。首先,概述电力设备红外图像识别及发热故障诊断的发展历程及技术流程;然后,阐明基于传统图像处理的电力设备识别及发热故障诊断方法,从图像预处理、图像配准、图像分割、特征提取与分类、发热故障诊断5个方面进行归纳总结;阐述基于深度学习的变电站设备和输电线路设备识别及发热故障诊断方法,与传统图像处理方法相比,深度学习方法能够快速准确地识别电力设备发热故障;最后,指出基于深度学习的视觉技术在电力设备识别及发热故障诊断应用中存在的问题,基于现有的深度学习技术和最近的研究思路,对未来研究工作进行展望。

关键词： 铝电解天车   变频器故障   IGBT模块  

摘要： 在电解铝生产线上,多功能天车承担着阳极更换、电解质清理等核心任务,其吊运系统依赖变频器实现精准调速。铝电解车间内多功能天车变频系统频繁出现异常停机现象,直接影响电解槽物料输送效率。通过实地跟踪某铝厂天车运行数据发现,变频器故障占设备总停机时间的62%。研究聚焦电压波动引发IGBT模块击穿、电解车间强腐蚀气体渗透电路板、散热系统积尘导致温升异常等核心问题,提出针对性解决方案并验证实施效果。

关键词： 滚动轴承   自适应残差卷积自编码网络   自适应参数化修正线性单元   自适应残差模块   无监督故障诊断   特征提取  

摘要： 针对传统卷积自编码器(CAE)会将不同故障产生的相似信号进行相同的非线性变换,导致故障诊断准确率下降的问题,提出了一种自适应残差卷积自编码网络(ARCAE),并将其应用于滚动轴承故障诊断中。首先,在残差模块的基础上,引入了自适应参数化修正线性单元(APReLU),建立了自适应残差模块(ARM),ARM可以对相似的输入特征进行自适应非线性变换,避免了特征的错误识别;其次,在CAE中嵌入多级ARM,构建了ARCAE,增加了CAE的深度,提取了更具鉴别性的深层次特征,同时有效防止了网络加深而造成的性能退化;最后,基于ARCAE建立了针对一维信号的故障诊断新方法,将其应用于无监督滚动轴承故障诊断中,并通过两个不同类型的实验,对上述方法的有效性进行了验证。研究结果表明:在恒定转速工况下,ARCAE的诊断准确率最高,平均准确率达到了97.05%,且标准差仅为0.007,远低于其他几种传统CAE网络;在变转速工况下,ARCAE模型诊断准确率仍然是最高的,平均准确率达到了93.25%,由此说明ARCAE具有较高的特征提取能力和分类准确率;此外,变转速工况下,由于转速变化导致不同状态的振动信号特征差异变大,诊断难度加大,但与其他几种传统CAE网络相比,ARCAE诊断准确率下降最少,仅为5.37%,说明ARCAE具有更强的鲁棒性和稳定性。

关键词： 水电站   隐藏故障   电气系统  

摘要： 现代化社会经济水平快速发展,水电站快速发展,人们的生活水平有所提升,但是在水电站建设和应用过程中,继电保护的安全风险问题日益明显,已经成为社会大众所关注的重点。水电站运行期间,继电保护发挥着关键性的作用,不仅能够确保水电站的稳定性,还可以延长水电站电气设备的使用寿命,对此,本文首先详细分析水电站继电保护标准,在此基础上结合水电站继电保护隐藏故障问题,详细探索故障的诊断方法。

关键词： 凝结水泵   滚动轴承   信号处理   特征提取   故障诊断  

摘要： 火力发电厂凝结水泵滚动轴承工况恶劣,其振动信号通常呈现非平稳和非线性。针对此问题,提出一种利用时频分析方法,即经验模态分解(EMD)和信号能量矩的特征提取方法,以及结合极限学习机(ELM)进行凝结水泵轴承故障智能诊断的方法。以凝结水泵实际运行中采集的轴承4种状态数据进行验证,智能诊断结果说明,该方法可以成功识别轴承不同运行状态,整体准确率为96.3%。