导读:本文包含了故障识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:故障,神经网络,向量,阻抗,线路,阈值,方法。
故障识别论文文献综述
孙晓明,秦亮,刘涤尘[1]（2019）在《基于GMAPM和SOM-LVQ-ANN的输电线路故障综合识别方法》一文中研究指出现有输电线路故障识别方法大多不能同时识别输电线路的低/高阻抗故障和发展性故障以及电力系统的异常工况(包括低频振荡、铁磁谐振和PT/CT饱和等)和此工况下的故障,故不能满足除继电保护领域外的继电保护测试领域及大电网事故分析和预警防御领域的新的应用需求.因此,提出一种基于广义改进自适应Prony方法(generalized modified adaptive Prony method,GMAPM)和自组织映射-学习向量量化-人工神经网络(self-organizing mapping-learning vector quantization-artificial neural network,SOM-LVQ-ANN)的输电线路故障综合识别方法,以期能同时识别以上输电线路故障和电力系统异常工况及异常工况下的故障.其中,作为信息提取环节的GMAPM实现了多路信号的并行处理和同时分析,作为特征识别环节的SOM-LVQ-ANN继承了SOM-ANN的强自主学习能力和泛化能力以及LVQ-ANN可预先指定故障类型且便于类型编码和拓展的优点.仿真实验结果初步验证了本方法的优良性能.(本文来源于《武汉大学学报(工学版)》期刊2019年12期）
郭文翀,蔡永智,冯小峰,韦晓明,危秋珍[2]（2019）在《基于反向传播神经网络的失流故障智能识别研究》一文中研究指出为解决传统方法识别主网电流失流故障准确率低的问题,本文提出了一种基于反向传播神经网络的失流故障智能识别方法。本文利用反向传播的神经网络算法,通过梯度下降的方式反向修正各层权值,使网络输出误差达到可以接受的程度,从而达到对失流故障识别具有很好的自学习自适应能力的目的。首先根据对主网失流故障特征的研究,将失流故障分为持续失流与断续失流两种,构造对应指标,综合所有指标构建失流故障特征提取体系,最后建立反向神经网络来拟合失流故障提取体系。对数据进行识别,建立专家样本库,利用反向神经网络进行离线训练,训练完成后固定权值用于失流故障识别,从而准确输出失流故障事件。经实例验证,所提方法在识别准确率和识别效率优于一般分类识别方法,可实现失流故障的就地识别。(本文来源于《电力大数据》期刊2019年12期）
叶睿恺,吴浩,董星星[3]（2019）在《基于测量波阻抗的同杆双回输电线路故障识别》一文中研究指出为提高行波保护在同杆双回输电线路上的灵敏性与可靠性,提出一种基于S变换的测量波阻抗比率制动故障识别算法.利用S变换获取母线电压与线路电流的初始行波相量,据此计算线路测量波阻抗,给出和波阻抗与差波阻抗概念,引入综合和波阻抗和综合差波阻抗.理论分析表明:当发生区内故障时,综合和波阻抗小于综合差波阻抗;当发生区外故障时,综合和波阻抗远大于综合差波阻抗.引入比率制动系数,将综合和波阻抗作为制动量,综合差波阻抗作为动作量,建立比率制动保护判据进行区内、外故障识别.大量仿真结果表明,该算法判据简单,性能可靠,动作灵敏、迅速,基本不受故障初始角、故障类型、过渡电阻、噪声干扰等因素影响.(本文来源于《浙江大学学报(工学版)》期刊2019年12期）
宋桂成,李军[4]（2019）在《无人机故障元数据属性分类与识别技术》一文中研究指出传统方法在对无人机故障进行识别时,未对无人机故障进行有效分类,使得无人机故障识别结果差,应用性不高。为此,本文引入诊断分类树状模型对无人机故障元数据进行分类,解决传统方法中存在的问题。分析无人机故障元数据特点,在此基础上完成诊断层分类,获得对象层、故障层、征兆层、测试层、现象层及原因层6种不同的元数据属性类型;建立诊断分类树状模型对上述的元数据属性类型分类,获得统一格式为CML类型数据;依据雷达天线信息采集相关无人机故障元数据,根据左右识别及判断脉冲点方法完成元数据属性瞬时识别过程;获取最终的数据单元,实现无人机故障元数据属性的精确识别。实验结果表明,研究的技术能够精准地识别到故障元数据属性,并对其分类,分类处理所需时间短,该技术具有很高的发展空间,对于保障无人机安全运行有重要意义。(本文来源于《科技通报》期刊2019年11期）
王康,贺敬良,耿开贺,陈勇,韩福宁[5]（2019）在《基于改进小波阈值-SVM的齿轮故障信号识别》一文中研究指出针对在齿轮疲劳试验中需要多次停机拍照的问题,提出基于改进的小波域阈值降噪方法,对采集的齿轮啮合的声发射信号分析,并提取特征矢量作为支持向量机的输入特征向量,识别出故障信号,根据齿轮旋转周期,确定缺陷轮齿。与开箱拍照的记录进行对比,计算得出的问题轮齿和照片记录吻合。该方法减少了因停机拍照造成的齿轮工作数据采集不准确的问题,同时也减少了工作人员的工作量,在后续的实验中该方法得到了有效的应用。(本文来源于《机床与液压》期刊2019年22期）
白洁音,赵瑞,谷丰强,王姣[6]（2019）在《多目标检测和故障识别图像处理方法》一文中研究指出为了利用深度学习实现对输电线路的多目标识别以及多种故障的检测,以Faster RCNN(faster regions with convolutional neural networks features)网络为算法框架进行无人机图像的数据挖掘,针对输电线路的6种目标检测任务,提出了3种改进策略,分别为自适应图像预处理算法,基于面积的非极大值抑制算法,以及切分检测方案。研究结果表明:所提改进算法能够利用挖掘的数据对故障进行准确定位与识别,实现对复杂背景下航拍图像中多目标的故障检测,也可类推至其他类似多目标应用场景。论文研究可为多目标的检测和识别提供参考。(本文来源于《高电压技术》期刊2019年11期）
田彦彦,吴晓蕊[7]（2019）在《基于激光传感器的电动机故障识别系统研究》一文中研究指出受多种因素的综合影响,电动机故障的类型多、变化十分复杂,使得电动机故障识别面临巨大挑战,为了提高电动机故障识别正确率,针对电动机故障信号采集问题,设计了一种基于激光传感器的电动机故障识别系统。首先分析了电动机故障识别系统工作原理,并找到引起电动机故障识别效果差的原因,然后引入激光传感器对电动机工作状态信号进行采集,并从电动机工作状态信号中提取故障识别特征,组成电动机故障识别系统的输入,最后特征与电动机工作状态的类型组成训练样本,采用模式识别技术建立电动机故障识别系统。在相同条件下,与其它电动机故障识别系统进行了对照实验,分析了它们电动机故障识别正确率和识别效率,系统的电动机故障识别正确率为95%左右,高于对比电动机故障识别系统,电动机故障识别效率也显着得以提升,为解决电动机故障识别提供了一种新的研究思路。(本文来源于《激光杂志》期刊2019年11期）
王振祥,邵宗翰[8]（2019）在《基于无线射频的高速公路机电设备运行故障智能识别方法》一文中研究指出为了提高对高速公路机电设备的智能状态监测和故障诊断能力,提出一种基于无线射频的高速公路机电设备运行故障智能识别方法。采用多维传感器无线射频技术进行高速公路机电设备的运行状态信息采集,对采集的高速公路机电设备的状态特征信息进行信号建模,拟合高速公路机电设备运行故障信号,对故障信号进行频谱加窗处理,结合频谱分析和智能信息检测方法实现对高速公路机电设备故障信号的特征检测和滤波分析,对高速公路机电设备故障信号检测到的特征量进行分类识别,采用BP神经网络分类器,实现对高速公路机电设备运行故障特征的智能分类和辨识,提高对高速公路机电设备的故障智能识别能力。仿真结果表明,采用该方法进行高速公路机电设备运行故障智能诊断的智能识别性能较好,故障检测的抗干扰性和精度较高。(本文来源于《自动化与仪器仪表》期刊2019年11期）
李伟,王军,俞跃[9]（2019）在《基于可见光匹配矩阵的电气部件故障红外自动识别算法》一文中研究指出基于红外图像差分比对法可以高效地检测并发现电气部件老化、接线松动、绝缘失效等问题,但由于红外热图像分辨率低、对比度差,直接特征匹配误点率高、匹配成功率低,提出一种基于可见光匹配矩阵的电气部件故障红外自动识别算法。首先通过固定区域截取法或手动提取特征点配准法处理可见光图像,使处理后的可见光图像与红外图像完全匹配;然后使用SURF及RANSAC算法将匹配好的待测及标准电气部件的可见光图像进行配准,并使用最小二乘法获得最优仿射变换矩阵。最后使用该匹配矩阵将待测及标准电气部件的红外热像图进行配准,进而进行差分故障判断。实验结果表明:该检测算法相较于直接差分比对法,匹配效果好、鲁棒性高,且能够实现异常区域的准确定位。(本文来源于《红外技术》期刊2019年11期）
王润鹏,王树新,孟繁欣,朱紫威,白洁[10]（2019）在《基于叁维不变线矩的发电机组导轴承叁维轴心轨迹故障识别》一文中研究指出现有的基于仿射不变矩的轴心轨迹分类方法仅支持对二维轴心轨迹的形状进行分类,不能对叁维轴心轨迹进行分类。本文首先引入了一种基于特征点之间距离的均值和方差来进行分类性能评价的矩阵,验证了给出的叁维不变线矩对同一形状的轴心轨迹保持仿射变换的不变性,并使用Quadratic SVM实现了对叁维轴心轨迹和二维轴心轨迹的分类。数值实验表明,所提出的叁维不变矩和SVM结合的方法能够有效对不同形状的轴心轨迹故障进行分类。(本文来源于《大电机技术》期刊2019年06期）
故障识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为解决传统方法识别主网电流失流故障准确率低的问题,本文提出了一种基于反向传播神经网络的失流故障智能识别方法。本文利用反向传播的神经网络算法,通过梯度下降的方式反向修正各层权值,使网络输出误差达到可以接受的程度,从而达到对失流故障识别具有很好的自学习自适应能力的目的。首先根据对主网失流故障特征的研究,将失流故障分为持续失流与断续失流两种,构造对应指标,综合所有指标构建失流故障特征提取体系,最后建立反向神经网络来拟合失流故障提取体系。对数据进行识别,建立专家样本库,利用反向神经网络进行离线训练,训练完成后固定权值用于失流故障识别,从而准确输出失流故障事件。经实例验证,所提方法在识别准确率和识别效率优于一般分类识别方法,可实现失流故障的就地识别。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
故障识别论文参考文献
[1].孙晓明,秦亮,刘涤尘.基于GMAPM和SOM-LVQ-ANN的输电线路故障综合识别方法[J].武汉大学学报(工学版).2019
[2].郭文翀,蔡永智,冯小峰,韦晓明,危秋珍.基于反向传播神经网络的失流故障智能识别研究[J].电力大数据.2019
[3].叶睿恺,吴浩,董星星.基于测量波阻抗的同杆双回输电线路故障识别[J].浙江大学学报(工学版).2019
[4].宋桂成,李军.无人机故障元数据属性分类与识别技术[J].科技通报.2019
[5].王康,贺敬良,耿开贺,陈勇,韩福宁.基于改进小波阈值-SVM的齿轮故障信号识别[J].机床与液压.2019
[6].白洁音,赵瑞,谷丰强,王姣.多目标检测和故障识别图像处理方法[J].高电压技术.2019
[7].田彦彦,吴晓蕊.基于激光传感器的电动机故障识别系统研究[J].激光杂志.2019
[8].王振祥,邵宗翰.基于无线射频的高速公路机电设备运行故障智能识别方法[J].自动化与仪器仪表.2019
[9].李伟,王军,俞跃.基于可见光匹配矩阵的电气部件故障红外自动识别算法[J].红外技术.2019
[10].王润鹏,王树新,孟繁欣,朱紫威,白洁.基于叁维不变线矩的发电机组导轴承叁维轴心轨迹故障识别[J].大电机技术.2019
论文知识图
