故障识别
故障识别的相关文献在1989年到2022年内共计1462篇,主要集中在电工技术、自动化技术、计算机技术、机械、仪表工业
等领域,其中期刊论文887篇、会议论文113篇、专利文献343004篇;相关期刊431种,包括城市建设理论研究(电子版)、机械设计与制造、中国机械工程等;
相关会议95种,包括2016年全国设备监测诊断与维护学术会议、第十五届全国设备故障诊断学术会议、第十七届全国设备监测与诊断学术会议、2016年全国设备诊断工程会议、2016年中国电机工程学会年会、铁路车辆轮轴技术交流会等;故障识别的相关文献由4010位作者贡献,包括吴浩、束洪春、杨杰等。
故障识别—发文量
专利文献>
论文:343004篇
占比:99.71%
总计:344004篇
故障识别
-研究学者
- 吴浩
- 束洪春
- 杨杰
- 刘益岑
- 王波
- 张龙
- 戴志辉
- 李明
- 李栋
- 李永刚
- 王华庆
- 王超
- 余忠建
- 宋锡强
- 张华
- 李群湛
- 毕天姝
- 王凯
- 王尧
- 王旭
- 王明
- 王欣
- 王江涛
- 王珍
- 田学民
- 田鑫萃
- 贾科
- 饶烜攀
- 鲍向荣
- A.沃洛诺
- F.米科利斯
- M.通多
- T.普菲斯特
- 丁超
- 何正友
- 俞春生
- 刘伟
- 卡斯滕·克卢特
- 吕勇
- 周元钧
- 周泽昕
- 奥斯卡·托尔诺
- 姜万录
- 常啸鸣
- 庄杰
- 张东海
- 张俊玮
- 张强
- 张敏
- 张晓林
-
-
许婷苇;
张海强;
林圣;
郑涛
-
-
摘要:
针对现有高压直流输电(HVDC)系统换流站保护在区外交流系统故障时误动作的问题,提出了基于特征谐波电流积分比值的HVDC整流站保护优化方案。此方案利用换流变压器一次侧与送端交流线路的特征谐波电流积分比值来识别整流站区内外故障。当发生整流站区内故障时,该比值大于1;当发生整流站区外故障时,该比值小于1。进而考虑整流站保护与区外交流系统保护在时间上的协调配合,设计了防止整流站保护在区外交流系统故障时的误动作策略。仿真结果表明,所提保护优化方案可以准确识别区内外故障,且不受故障类型、故障距离、过渡电阻、故障初始角以及噪声干扰的影响。
-
-
罗鸿宇
-
-
摘要:
医疗建筑施工轴承出现故障,会影响设备正常运行,导致施工速度降低,为此提出基于受限玻尔兹曼机的医疗建筑施工轴承故障定位技术,利用受限玻尔兹曼机中隐含层单元以及可视单元,计算轴承的观察数据和观测轴承变量之间依赖的特性,确认轴承是否出现故障,再计算滚道和滚动体的局部缺陷位置,得出整体故障的频率,同时分别计算外圈、内圈以及滚动体故障的特征频率,最后采用自相关的函数区分故障信号种类,完成故障区域精准定位。实验结果表明,所提方法定位精度高、计算量小,不会随着定位数据增加导致定位精度降低。
-
-
刘伟;
单雪垠;
李双喜;
王旭;
姚思雨
-
-
摘要:
针对噪声环境下滚动轴承故障难以诊断的问题,提出一种基于深度学习融合网络的轴承故障识别新方法。该方法首先对轴承振动信号进行一定程度的随机损坏,并将加噪后的数据输入卷积降噪自编码器(convolutional denoising autoencoder, CDAE)中对网络进行训练,目的是降低信号中的噪声干扰并提取浅层特征;然后,利用深度信念网络(deep belief network, DBN)学习深层特征并建立轴承状态识别模型,输出故障识别结果。在融合模型中,将卷积降噪自编码器作为网络的第一层以增强网络的抗干扰能力,提高故障的识别精度。使用凯斯西储大学(CWRU)滚动轴承数据对所提模型进行验证,结果表明提出的融合模型在噪声环境下能够较好地实现轴承的故障状态识别。
-
-
余阿东
-
-
摘要:
针对传统滚动轴承故障识别算法存在的特征提取与选择困难的问题,提出了一种基于深度字典学习(DDL)的滚动轴承故障诊断方法。首先,利用传感器采集了不同工况下的滚动轴承故障振动数据,并利用字典学习的稀疏性约束逐层学习了轴承故障数据中的典型结构特征;然后,借鉴深度学习的“逐层特征提取”思想,根据故障样本结构构造了深度故障字典,将故障样本输入深度故障字典,根据样本的重建误差确定了故障类别;最后,以滚动轴承试验台为对象测试了DDL模型的有效性。研究结果表明:采用该方法得到的滚动轴承故障识别准确率达到99.28%,训练时间仅为765 s;相比于卷积神经网络、循环神经网络等深度学习方法,该方法在故障识别准确率方面和训练速度方面具有较大优势;DDL方法利用驱动字典,可以自动提取出轴承振动信号样本中的故障特征,同时,深度字典结构使所提取的故障特征具有较好的层次性,符合人们对故障的直观认识。
-
-
张博强
-
-
摘要:
为实现离心压缩机组振动故障的有效消除,文章特对离心机组的主要振动故障及其处理进行了分析。文章首先对离心压缩机组进行概述;然后分析了离心压缩机组运行中的主要振动故障机理;接下来对其振动故障的辨识进行分析;再将上述分析作为基础,提出了机组振动故障的处理措施;最后提出了几项主要的震动防控措施。希望通过研究与分析,可以为离心压缩机组的震动故障消除及其运行效果保障提供科学参考。
-
-
李辉;
吴海;
胡国;
鲍柏舟
-
-
摘要:
针对多端柔性直流配电网的故障快速识别、定位及隔离这一关键技术难题,利用配电网中相邻直流配电终端节点的故障识别特征信息,提出一种基于面向通用对象的变电站事件(GOOSE)等通信方式的直流配电网分布式区域保护方法,能够实现故障快速定位及隔离功能。首先将复杂的直流配电网通过网格化分解成若干个有限区域单元,每个区域单元就是一个独立的故障预判区,然后提出一种依靠直流配电终端的GOOSE通信,在故障预判区内通过比较中心节点和边界节点配电终端的带方向电流状态值来实现故障定位,并通过直流断路器来隔离故障的保护策略。最后,在实时数字仿真系统中搭建三端柔性直流电网模型,仿真结果验证了该保护方案在不同直流故障和运行情况下的有效性和准确性。
-
-
韩慧苗;
许昕;
潘宏侠;
李磊磊
-
-
摘要:
针对供输弹系统早期采集的信号中成分复杂,故障特征难以提取和识别的问题,提出一种基于模糊熵与布谷鸟改进的极限学习机(CS-ELM)的供输弹系统早期故障预示方法。运用改进的可调品质因子小波变换对信号进行滤波降噪,提取各子带信号的模糊熵特征;选取模糊熵值较大的5个子带进行重构,完成降噪并将其模糊熵组成特征向量;运用CS-ELM对所提取的特征向量进行早期故障预示并与ELM的诊断结果进行对比。试验结果验证了该方法的有效性,其预示准确率达90.7%。
-
-
马宏忠;
侯鹏飞;
严岩;
吴金利;
陈轩;
朱超
-
-
摘要:
首先,根据Kolmogorov熵判断高压并联电抗器振动信号的混沌特性,在证明其具有混沌特性的基础上重构振动信号,分析不同电压等级、不同故障类型和故障程度下振动信号相轨迹的变化规律。然后,将最大Lyapunov指数、Kolmogorov熵、关联维数作为一组混沌指标定量计算和表征高压并联电抗器绕组和铁芯发生机械故障前、后振动信号混沌特性。最后,利用多混沌指标构建特征空间进行故障识别,并与已有的高压并联电抗器故障识别方法进行对比验证多混沌特征空间识别故障的优越性。分析结果表明,多混沌特征空间能够准确实现无监督在线故障识别,其准确率比已有方法至少高5%。
-
-
宋香涛;
綦浩楠
-
-
摘要:
在不同的测试训练集范围内,对比于传统的重叠特征故障识别方法,本文所设计的方法具有更强的稳定性和系统性,最终得出的故障识别训练误差也相对较低,表明对电力设备的实际故障识别效果更佳。
-
-
马鑫;
尚毅梓;
胡昊;
徐杨
-
-
摘要:
为增强深度残差收缩网络对变压器故障特征的学习能力从而提高故障识别精度,文中研究构建了故障特征气体向量配合改进的深度残差收缩网络来识别变压器故障。首先,构建可变软阈值函数消除恒定偏差的影响,利用快速回溯算法加快阈值确定速度的同时确保输出结果的完整性。然后,提出带可变权重的交叉熵函数降低误识别对网络精度的影响,并将构建的特征气体向量作为网络输入,保证网络学习并识别更多故障因素的特征。最后,以过热故障和电弧放电故障为样本的实验结果验证了该方法的有效性。与传统方法相比,所提方法的识别精度高,而且适用于电力系统多特征故障识别。
-
-
蔡先锋
- 《2019年全国选煤学术交流会》
| 2019年
-
摘要:
在分析破碎机典型故障原理及其基本特征的基础上,利用小波包分析将振动信号分解到不同波段,采用能量归一化处理后形成特征向量输入bp神经网络,将通过网络训练后bp神经网络用于实际故障识别,结果证明该方案具有较高的正确率,可有效识别和预警破碎机各类故障.
-
-
刘绍华;
王曦;
孙靖凯
- 《第六届中国风电后市场交流合作大会》
| 2019年
-
摘要:
在风电行业中,功率曲线是衡量风电机组性能优劣的重要工具之一,因此合理正确的分析功率曲线有着重要的意义与价值.本文介绍了一种功率曲线拟合方法,并在此基础上提出了一种功率曲线与机理模型及机器学习模型相结合的方法,帮助识别故障发生的根本原因,同时利用知识图谱更高效地挖掘故障关系、更方便地训练故障识别模型.
-
-
-
ZHANG Wang;
张望;
LIU Shuoyan;
刘硕研;
CHAI Jinchuan;
柴金川
- 《智能高铁发展暨京津城际铁路开通十周年年论坛》
| 2018年
-
摘要:
动车组运行状态智能检测装备设置于动车段入库线上,主要针对动车组走行部、车顶和受电弓在运用中出现内部缺陷、磨损、损坏及尺寸超限的故障比率问题.实时采集运行列车的底部、侧部和顶部图像,采用故障自动识别策略,对列车的车底走行部、闸瓦、转向架、接触网等与列车有关的各个部件进行动态监控.根据实验和现场使用情况,本检测设备满足铁路机车运行时对走行部和受电弓进行在线测量检测的要求,其中,走行部检测精度可达1mm,滑板磨耗值测量精度可达0.2mm.鉴于此,该动车组智能检测装备能及时发现故障隐患,为检修和更换提供依据,保证动车组运行安全.
-
-
ZHANG Wang;
张望;
LIU Shuoyan;
刘硕研;
CHAI Jinchuan;
柴金川
- 《智能高铁发展暨京津城际铁路开通十周年年论坛》
| 2018年
-
摘要:
动车组运行状态智能检测装备设置于动车段入库线上,主要针对动车组走行部、车顶和受电弓在运用中出现内部缺陷、磨损、损坏及尺寸超限的故障比率问题.实时采集运行列车的底部、侧部和顶部图像,采用故障自动识别策略,对列车的车底走行部、闸瓦、转向架、接触网等与列车有关的各个部件进行动态监控.根据实验和现场使用情况,本检测设备满足铁路机车运行时对走行部和受电弓进行在线测量检测的要求,其中,走行部检测精度可达1mm,滑板磨耗值测量精度可达0.2mm.鉴于此,该动车组智能检测装备能及时发现故障隐患,为检修和更换提供依据,保证动车组运行安全.
-
-
ZHANG Wang;
张望;
LIU Shuoyan;
刘硕研;
CHAI Jinchuan;
柴金川
- 《智能高铁发展暨京津城际铁路开通十周年年论坛》
| 2018年
-
摘要:
动车组运行状态智能检测装备设置于动车段入库线上,主要针对动车组走行部、车顶和受电弓在运用中出现内部缺陷、磨损、损坏及尺寸超限的故障比率问题.实时采集运行列车的底部、侧部和顶部图像,采用故障自动识别策略,对列车的车底走行部、闸瓦、转向架、接触网等与列车有关的各个部件进行动态监控.根据实验和现场使用情况,本检测设备满足铁路机车运行时对走行部和受电弓进行在线测量检测的要求,其中,走行部检测精度可达1mm,滑板磨耗值测量精度可达0.2mm.鉴于此,该动车组智能检测装备能及时发现故障隐患,为检修和更换提供依据,保证动车组运行安全.
-
-
ZHANG Wang;
张望;
LIU Shuoyan;
刘硕研;
CHAI Jinchuan;
柴金川
- 《智能高铁发展暨京津城际铁路开通十周年年论坛》
| 2018年
-
摘要:
动车组运行状态智能检测装备设置于动车段入库线上,主要针对动车组走行部、车顶和受电弓在运用中出现内部缺陷、磨损、损坏及尺寸超限的故障比率问题.实时采集运行列车的底部、侧部和顶部图像,采用故障自动识别策略,对列车的车底走行部、闸瓦、转向架、接触网等与列车有关的各个部件进行动态监控.根据实验和现场使用情况,本检测设备满足铁路机车运行时对走行部和受电弓进行在线测量检测的要求,其中,走行部检测精度可达1mm,滑板磨耗值测量精度可达0.2mm.鉴于此,该动车组智能检测装备能及时发现故障隐患,为检修和更换提供依据,保证动车组运行安全.
-
-
彭炜文;
郑云海;
吴奇宝;
高阿娜;
黄云程
- 《福建省电机工程学会2018年学术年会》
| 2018年
-
摘要:
电力变压器固体绝缘缺陷发展通常会随环境状况的变化而发生改变,而体现缺陷的局部放电信号具有一定的随机性,对局部放电类型进行有效的识别是准确评估电力变压器绝缘状态的前提.针对传统局部放电分类方法的不足,本文提出了一种基于粒子群优化支持向量机(PSO-SVM)的局部放电模式识别方法.该方法采用多分类法中的"一对多"分类原理,借助于粒子群优化算法实现对SVM参数的优化,从而能有效地提高分类准确率.通过实验结果表明,PSO-SVM分类精度明显高于反向传播神经网络(BPNN)及传统的SVM识别方法,说明该方法在电力变压器局部放电模式识别及故障预警系统领域具有良好的应用前景.
-
-
彭炜文;
郑云海;
吴奇宝;
高阿娜;
黄云程
- 《福建省电机工程学会2018年学术年会》
| 2018年
-
摘要:
电力变压器固体绝缘缺陷发展通常会随环境状况的变化而发生改变,而体现缺陷的局部放电信号具有一定的随机性,对局部放电类型进行有效的识别是准确评估电力变压器绝缘状态的前提.针对传统局部放电分类方法的不足,本文提出了一种基于粒子群优化支持向量机(PSO-SVM)的局部放电模式识别方法.该方法采用多分类法中的"一对多"分类原理,借助于粒子群优化算法实现对SVM参数的优化,从而能有效地提高分类准确率.通过实验结果表明,PSO-SVM分类精度明显高于反向传播神经网络(BPNN)及传统的SVM识别方法,说明该方法在电力变压器局部放电模式识别及故障预警系统领域具有良好的应用前景.
-
-
彭炜文;
郑云海;
吴奇宝;
高阿娜;
黄云程
- 《福建省电机工程学会2018年学术年会》
| 2018年
-
摘要:
电力变压器固体绝缘缺陷发展通常会随环境状况的变化而发生改变,而体现缺陷的局部放电信号具有一定的随机性,对局部放电类型进行有效的识别是准确评估电力变压器绝缘状态的前提.针对传统局部放电分类方法的不足,本文提出了一种基于粒子群优化支持向量机(PSO-SVM)的局部放电模式识别方法.该方法采用多分类法中的"一对多"分类原理,借助于粒子群优化算法实现对SVM参数的优化,从而能有效地提高分类准确率.通过实验结果表明,PSO-SVM分类精度明显高于反向传播神经网络(BPNN)及传统的SVM识别方法,说明该方法在电力变压器局部放电模式识别及故障预警系统领域具有良好的应用前景.