基于WDCNN-SVM深度迁移学习的燃气轮机转子故障诊断方法

针对在使用深度学习对燃气轮机转子故障诊断过程中,因振动信号样本中正常运行数据多、故障数据少而使得模型故障诊断准确率低的问题,提出了一种采用深度迁移学习对燃气轮机转子进行故障诊断的方法。首先,使用典型行业样本数据集预训练第一层宽卷积核深度卷积神经网络（WDCNN）模型,给予模型初始的权重。其次,在源域中,使用某型燃气轮机试车获得的大量正常运行样本更新WDCNN模型的权重;在目标域中,利用源域训练的卷积层提取燃气轮机的正常和故障数据样本特征,然后使用支持向量机（support vector machines, SVM）进行分类识别,从而达到燃气轮机故障识别的目的。试车数据实验结果表明,该方法能够实现96%的识别准确率,验证了将轴承数据集预训练的深度学习模型迁移到燃气轮机转子领域进行故障诊断的可行性。     

基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法

绕组松动故障是变压器最主要的机械故障之一，尚缺乏有效的智能化诊断方法。为此提出基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法。变压器稳态运行时的振动信号存在周期性的特点，导致其构建足量具有时间相关性的图像集十分困难，提出了一种样本构建方法用于生成变压器振动信号的格拉姆角场图像集。将生成的图像集送入AlexNet进行迁移学习，获得微调后的神经网络模型。实验结果表明：利用该样本构建方法生成的图像集作为训练集和验证集，建立的卷积神经网络模型训练准确率与验证准确率均达到99%以上；利用变压器周期性振动信号生成的图像集作为测试集，测试准确率达到99%以上，实现了变压器绕组松动故障的准确诊断，并为周期性信号运用具有时间相关性的图像变换方法构建足量样本集提供了一种新思路。     

不均衡数据集下基于生成对抗网络的改进深度模型故障识别研究

由于传统轴承故障诊断方法依赖于信号处理能力且模型泛化能力差的问题,提出一种不均衡数据集下基于深度对抗网络的故障诊断方法,该方法首先通过构建小样本训练集进行生成对抗网络训练,将生成样本加入到原始小类别样本训练集中,得到样本训练集,降低不同类别样本的不平衡性;然后引入深度学习的模型优化技术,提出适合轴承故障诊断的深度卷积神经网络模型,该模型直接作用于训练样本集,自适应地从原始数据中逐层学习故障特征,实现不同故障的准确识别;为了增强诊断系统最终分类预测的准确性,引入Focal损失函数对分类层进行故障识别。大量的定性定量实验表明,所提的改进网络在检测率与误检率方面均优于现有的其他深度模型,并且拥有较快的收敛速度与泛化能力。     

多通道卷积神经网络和迁移学习的燃气轮机转子故障诊断方法

燃气轮机结构复杂,工况严苛,实际针对运行过程中转子系统故障样本难以获取,样本量少导致故障诊断精度低的问题,提出一种多通道卷积神经网络(multi-channel convolutional neural network, MCCNN)深度迁移学习的燃气轮机转子故障诊断方法。该方法首先以轴承一维原始振动信号为输入,将数据重新排列组合模拟转换二维图像,有效避免实际转换图像的繁琐操作。用西储大学(CWRU)的公开轴承数据和西安交通大学(XJTU)公开轴承数据对MCCNN模型进行训练更新权重并诊断,取得了100%和99.95%的故障分类准确率。以CWRU轴承故障数据集为源域,燃气轮机转子故障数据集为目标域,利用迁移学习将从源域训练得到的模型参数保留,输入目标域数据集进行训练,并对燃气轮机故障数据进行分类,分类准确率达到97.78%,由实验结果可知多通道卷积神经网络和迁移学习适应任务需要,可以在转子系统故障样本量少的情况下解决问题。     

移动端卷积神经网络开关柜局部放电样本生成与检测

局部放电是造成高压电气设备最终发生绝缘击穿的重要原因,也是绝缘劣化的重要标征,针对目前开关柜局部放电常规检测手段存在检测信息量少,时效性性差,诊断准确率低等问题,本文提出了一种可集成在移动端设备的卷积神经网络检测方法,并针对实际情况中存在放电类别样本不均匀的问题,提出了一种故障样本生成方法。将采集到的超声波信号经过去噪和预处理后通过短时傅里叶变换转化为二维时频谱图,输入卷积神经网络中进行局部放电模式识别,针对实际场景中出现故障样本不均匀问题,使用AE-DCGAN生成对抗网络生成故障样本。实例实验表明,本文所提出方法在移动端t710算力条件下,其准确率达到97%以上,算力达到0.27秒,生成数据样本MSE误差均低于0.067。     

基于卷积神经网络的变压器振动信号分析

为研究变压器振动与运行状态之间的关系,在小波分析方法的基础上,结合卷积神经网络的方法进行变压器振动信号分析。首先对1台油浸式变压器模拟绕组松动和铁心松动两种故障状态并分别测量其振动信号,然后对测试所得的振动信号进行小波变换,生成小波灰度图,并进行卷积神经网络训练分析。根据卷积神经训练的结果,该方法准确率在84.03%,说明卷积神经网络结合小波灰度图的分析方法可以有效识别振动信号中故障信息。比较2类故障验证样本中错误结果的分布情况可以发现,错误结果受变压器振动测点位置影响较大,在改善测点和增加训练数据的前提下,准确率还能有所提升。     

基于生成对抗网络和混合时空神经网络的入侵检测

针对网络入侵检测领域存在检测准确率低的问题,研究异常流量样本少和分类器性能不佳时的入侵检测模型,提出一种基于改进生成对抗网络和混合时空神经网络的入侵检测模型。改进生成对抗网络通过学习异常流量样本的分布特性,生成具有特定标签的人工异常流量样本;融合卷积神经网络和双向长短时记忆神经网络提取攻击流量的时空融合特征,利用注意力机制对时空融合特征进行加权,构建混合时空神经网络对网络流量进行分类预测。在UNSW-NB15数据集上对所提模型进行仿真实验,准确率和F1分数分别为92.93%和94.81%,表明所提模型能够有效改善原始数据集中的类别不平衡性问题,提高对异常流量样本的检测能力和网络入侵的检测准确率。     

基于双通道特征融合并行优化的燃气轮机气路故障诊断方法

为解决当前燃气轮机基于数据驱动的气路故障诊断精度提升的问题,提出了一种基于双通道特征融合并行优化的气路故障诊断方法。该方法首先通过燃气轮机热力模型构建气路故障数据样本集;然后使用卷积神经网络及长短时记忆神经网络双通道并行挖掘数据的空间特征和时序特征,并在两通道中分别引入首层大卷积核及挤压激励网络的优化方法;最后将两通道提取的特征融合为一维张量,输入到全连接层进行气路故障类型识别。实验结果表明,相较于传统机器学习及深度学习的气路故障诊断方法,所提方法具有更优的辨识精度,平均诊断准确率达到了98.24%,具有实用性及可行性。     

基于生成对抗网络的隔离开关分合位置判别方法研究及应用

针对隔离开关状态需要双确认的问题,提出一种基于深度卷积生成对抗网络(DCGAN)的开关状态图像识别方法。该方法首先建立对抗学习模型,提取隔离开关样本特征,确定初始参数值;然后基于识别误差率最小的目标函数,采用反向传播算法更新模型层间连接权值;最后通过网络逐层计算得到隔离开关分合位置判别结果。以某地区变电站内的隔离开关图像为例进行测试,结果表明该方法对大规模图像样本具有较高的辨识准确率。     

基于生成对抗网络的电能质量扰动数据增强方法

针对当前电能质量扰动自动识别受样本集的规模和质量影响较大及扰动数据匮乏的问题，提出一种在二维尺度上结合深度卷积生成对抗网络(deep convolutional generative adversarail networks, DCGAN)对电能质量扰动数据进行增强的方法。将典型扰动二维图像数据作为输入，以提高数据特征提取能力，再通过深度卷积生成对抗网络不断生成优化扰动数据，并选择验证集上取得最高AUC值的增强数据集进行电能质量扰动的识别测试。在某电网公司提供的真实数据集上进行测试，结果表明：基于DCGAN数据增强方法能生成较大规模、高质量的数据，在网络训练速度及电能质量扰动识别的准确率上有明显提升。     

高压电力电缆线路事故统计与分析

对一定数量典型电力电缆事故资料的统计分析,所得到的规律性经验对预防事故发生和正确处理事故有借鉴意义。通过对我国近年来多个城市48起高压电力电缆线路事故进行的统计和分析,归纳了故障类型,讨论了不同城市电缆事故的原因,并归纳出其区域性的特点,提出了预防电缆故障的措施及建议。     

基于新型故障树的微控制器系统故障诊断方法

为更好解决以微控制器为主控芯片系统的故障诊断与故障搜寻问题,提出一种输入输出型的故障树模型,应用这种特殊故障树可简化故障推理机制,简便迅速的进行故障诊断与搜寻。该方法从故障树层间引出检测节点,并建立输入输出型最小割集故障树模型,实现了在某新型火炮上的快速自动化检测和精确的故障诊断与故障定位。     

基于故障分量的配电网单端量测距方法

为了消除负荷电流对配电网单相接地故障测距精度的影响,提出了基于故障分量的单端量测距方法。该方法根据横向故障电流的特征构造了测距函数,利用线路单端电压、电流的故障分量来计算故障距离。大量的ATP-EMTP仿真结果表明该方法不受负荷电流的影响,可以有效地搜索到配电网多分支线路的故障点或故障范围。     

故障诊断技术方法综述

故障诊断技术是近年来自动控制领域中的一个重要研究方向.文中在分析故障产生原因的基础上,介绍基于知识的诊断方法、基于解析模型的诊断方法和基于信号处理的诊断方法等3种常用的故障诊断方法.并对上述3种方法的适用范围及选用依据进行分析.     

基于小波分析的电机故障诊断研究

交流异步电机是广泛使用的能量转换装置,对其常见故障进行分析及诊断,提高电机故障的在线诊断水平,具有明显实用价值。文章利用小波包分析算法提取出电机故障特征向量,并针对轴承故障特征,提出峭度值指标计算和小波包分析相结合的算法,分析获得轴承故障特征频率,由此确定故障的类型。仿真结果证明了该方法的有效性。     

单相接地故障指示器的应用

通过研究现有应用的“暂态综合判据法”和“信号源注入法”检测原理,发现这两种方法适用于配电网常见的中性点不接地和经消弧线圈接地系统,且动作准确性高于其他检测原理,应结合故障指示器的原理及网架结构的复杂程度,选择与配网相适应的检测原理及设备。然后通过对故障指示器的应用现状分析,给出了故障指示器系统自身功能扩展及该系统接入配电自动化系统的发展方向的建议。     

行波测距技术在500 kV输电线路上的应用

介绍了目前输电线路故障测距的方法及基于MIS网的华北地区500 kV输电线路的行波测距网络,并通过500 kV输电线路发生故障时的实际故障点位置与行波测距装置测得的数值进行比较,认为行波测距技术在500 kV输电线路上的应用具有广阔应用前景。     

采用故障阻断型换流器的直流配电网故障处理技术综述

故障的快速隔离与恢复是保障直流配电网供电可靠性的关键问题,利用具有故障自清除能力的换流器和隔离开关配合实现故障电流的阻断与隔离是直流配电网的重要发展方向之一。文中从继电保护与故障定位、故障隔离及故障恢复3个方面,针对采用阻断型换流器的直流配电网故障处理技术的研究现状进行了归纳和总结,梳理了采用阻断型换流器的直流配电网故障处理技术存在的问题和难点,并对该研究方向的关键技术发展趋势进行了展望。     

一种基于模型模拟电路模糊故障诊断方法

文中提出了一种基于模型的模拟电路故障诊断方法。它以节点电压为测试量,将元件故障及节点的故障电压模糊化,根据电路的拓扑结构,以节点为基点,以节点电压传递为纽带建立模拟电路的故障模型,以模拟贴近度为判断依据来进行故障诊断和选择最佳测试点,并将测试得到的新的信息不断吸收进去,从而快速而有效地诊断出故障,它利用了模糊量的冗余性,克服了容差的影响,不仅能对硬故障,而且对软故障都能较好地定位到元件级,同时又可在线或离线诊断,文中给出了一个直流电路故障诊断的实例,所得的结果是令人满意的。     

一种基于搜索树的配电网故障处理新算法

针对配电网络结构特点,提出了一种基于树形搜索的配电网故障区域检测、隔离及恢复算法。该算法基于各开关联络关系构造出配电网树形模型结构,利用配电自动化终端采集的故障信息搜索出故障区域,并找出多重供电恢复方案。算例表明,该算法不仅对单重故障有效,而且对多重故障能有效判别,同时对配电自动化终端误信号有一定的抑制能力,具有较高的实用性。