基于深度卷积神经网络的轴承故障诊断方法

针对传统浅层轴承故障诊断方法依赖于人工特征提取和诊断专业知识从而缺乏自适应性问题,结合卷积神经网络善于识别二维形状的特点,提出一种基于深度卷积神经网络的故障诊断方法(DCNN)。首先,为充分展现滚动轴承故障特征信息,利用短时傅里叶变换得到滚动轴承振动时间序列的二维时频谱;其次,通过卷积神经网络自适应提取时频谱中不同故障特征;最后,将提取的轴承故障特征利用Softmax分类器输出诊断结果,实现轴承故障诊断。通过实测故障轴承数据对该方法进行验证,结果表明DCNN在多故障、变负载的轴承故障诊断准确率高达99.9%,证明了所提方法具有良好的泛化性能和可行性。     

基于CNN的轴承变工况故障识别系统

为了保证工业机械设备运行安全,避免轴承损伤引起的设备严重损害,实现对机械设备上滚动轴承的变工况故障诊断,设计了基于卷积神经网络的变工况滚动轴承故障诊断系统。该系统使用格拉姆矩阵方法将一维时序数据转换为二维特征图,卷积神经网络训练最大化的学习数据中的特征信息,将训练好的模型部署于LabVIEW编写的上位机中实现实时故障诊断,将所提方法在美国凯斯西储大学轴承数据中心数据集进行实验,实验验证：在美国凯斯西储大学轴承数据集上,所使用的方法变工况下无故障运行数据识别准确率达到99.85%,变工况下综合识别准确率达到91.67%,实验结果表明该方法取得了较为准确的识别效果且具有不错的泛化能力,为变工况下滚动轴承的故障诊断积累了应用经验。     

基于深度残差网络的GIS局部放电模式识别技术研究

气体绝缘电器(gas insulated switchgear,GIS)内部绝缘缺陷产生的局部放电(partial discharge,PD)特征表现较复杂,传统局部放电模式识别方法因特征选取具有较强的主观性,其放电类型分类的准确性和鲁棒性均较差。针对这一问题,文中将局部放电的PRPD数据转化为局部放电灰度图,构建深度残差网络对局部放电灰度图进行自适应特征提取,深度挖掘放电灰度图中不同局部放电类型的特征模式,实现局部放电模式的识别,实际实验表明,文中所提方法对局部放电类型的识别同时具有较高的准确率和鲁棒性。     

基于异构基Stacking机制的居民负荷特征图像识别方法

负荷识别技术能将不同电器类型有效区分开,对于用电策略制定、需求响应具有重要意义。针对当前负荷识别技术无法有效实现负荷特征融合以及不同识别器模型结合的问题,提出一种基于异构基Stacking机制的居民用电负荷识别特征图像集成学习方法。该方法通过构建特征图像实现特征融合,利用卷积神经网络充分挖掘特征图像中蕴含的深层次特征,解决传统方法对特征挖掘不够深入的问题。同时引入集成学习Stacking方法将多种异质负荷识别模型结合,综合各种模型的优势,解决传统方法模型单一化的问题。最后使用公开数据集PLAID进行验证并在实验室电器设备上完成工程应用。结果表明,所提方法具有较高的识别准确率和应用价值。     

一种新型无差拍UPQC预测直接控制策略

为解决目前电力设备故障识别系统识别敏感度低的问题，提出基于云计算关联分析的电力设备故障识别模型。利用关联分析法、Model-1故障特征提取法、Copula函数的故障特征分类法，对电力设备故障特征进行提取和分类，将分类后的特征数据随机组成训练集X，并在此基础上获得故障特征优化的二维数据，将Copula函数的输出结果导入优化ID3的井漏类型分类算法中以完成对故障特征的优化，得到电力设备故障特征分类矩阵；利用非对称性卷积层的CNN模型，实现对电力设备多种故障类型的快速识别。实验结果表明：在进行故障准确性检测时，所提方法的故障识别率平均高达87.2%、识别精准率平均高达71.06%；在不同负荷对系统灵敏性影响的测试中，所提方法在任意负荷状态下的故障识别数据计数不低于40次，优于对比方法；在对电力设备匝间短路故障位点的识别性能测试中，所提方法在任意匝间短路故障位点的故障识别数据计数均高于140次，优于对比方法。所提方法的故障识别精确度高、故障位置识别敏感性高，可促进电网安全运行和发展。     

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE（BSMOTE）算法与卷积神经网络（CNN）相结合的输电线路故障分类方法。该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然后将所提取的一维故障电流信号样本重构成二维灰度图像数据形式,并在Pytorch深度学习框架下搭建了CNN网络模型,利用模型的自主学习能力对灰度图像进行特征自提取与辨识,减少传统人工设计特征提取的工序,完成对输电线路故障类型的分类。实验结果表明该模型能够提高对少数类故障样本的识别能力,准确地判断故障类型,并对噪音具有较强的抗干扰能力。     

基于注意力机制-卷积神经网络的配电网单相接地故障选线方法

针对配电网发生单相接地故障的电气量特征难以提取，故障选线准确性与鲁棒性难以保证，给电网安全稳定运行带来巨大隐患问题，提出一种基于注意力(attention)机制-卷积神经网络(convolutional neural networks, CNN)的配电网单相接地故障选线方法。首先，采用S变换将故障各线路时序零序电流数据转化为CNN可识别的二维输入矩阵；其次，在传统CNN分类算法进行故障选线的基础上引入注意力机制，建立了基于Attention-CNN的故障选线新模型；最后，通过仿真数据与工程实际数据验证模型的选线结果，并将所提Attention-CNN模型与同类CNN优化方法在不同干扰条件下的性能进行对比。结果表明，所提Attention-CNN模型能够大幅提高选线效率，减少迭代次数，实现更高效、准确的故障选线，具有较强的实际应用价值。     

基于时频谱图和自适应动态权重PSO-CNN的外破振动信号识别

为避免地下电缆遭受破坏，提高振动监测系统对外力破坏的预警能力，提出一种基于时频谱图和自适应动态权重粒子群算法-卷积神经网络(PSO-CNN)的外破振动信号识别方法。首先，将振动传感系统获取的3 000组外破振动信号转化生成为时频谱图数据集，在图像预处理阶段，采用直方图均衡化和二维主成分分析(2D-PCA)算法来增强灰度图像特征并实现图像数据的降维；然后，将图像数据集的70%作为CNN模型的训练集，并在网络训练过程中引入自适应动态惯性权重PSO对CNN模型的卷积层、池化层相关参数进行迭代寻优，从而获得优化PSO-CNN分类模型；最后，利用测试集图像数据对优化PSO-CNN模型的识别性能进行验证，并与其他分类模型进行了对比。结果表明，所提方法对6种常见外破振动信号的识别准确率达到98.33%,平均每张图像的识别时间仅为0.24 s,与其他分类算法相比具有更高的分类精度和更快速的识别速度，为快速准确地识别外力破坏事件类型提供了一种可行方案。     

小电流接地故障多层次分类及其识别模型

小电流接地系统的单相接地故障类型识别对提升配网运行的安全性和可靠性具有重要意义。首先,根据故障的稳态和暂态特征,对单相接地故障进行了多层次递进式分类和定义;其次,提取不同类型故障的电气量特征,建立小电流接地故障类型识别模型;最后,以现场的录波数据对文中提出的故障类型识别模型进行验证。验证结果表明,所提方法能够有效地识别接地故障类型,有利于提高小电流接地故障处理的针对性。     

基于统计特征与概率神经网络的变压器局部放电类型识别

针对变压器局部放电类型识别问题,提出了基于统计特征参数与概率神经网络的局部放电模式分类方法。所提方法首先在局部放电类型三维谱图中构建二维分布图谱,然后在二维分布谱图上提取统计特征参数,接着将统计特征参数以特征向量的形式作为概率神经网络的输入量,最后利用概率神经网络对放电类型进行识别。在试验中,利用电晕放电、沿面放电、气隙放电三种放电类型的数据,将所提分类方法与典型局部放电类型分类方法进行比较。实验结果表明,所提分类方法的识别准确率较高、识别时间开销较少。     

基于改进卷积神经网络的风电轴承故障诊断策略

针对风电机组滚动轴承故障特征微弱、提取困难、诊断效率低下等问题,提出一种基于改进卷积神经网络(Convolution Neural Network,CNN)的故障诊断算法。改进CNN模型结构,在全连接层前增加新的卷积层,挖掘信号的深层特征以提高模型的泛化能力。对卷积层数据进行批归一化处理,采用带有动量的随机梯度下降训练算法来加速训练速度。详细介绍了改进CNN的工作原理,给出了采用改进CNN进行故障诊断的流程。最后利用凯斯西储大学滚动轴承数据库的数据进行验证。证明该方法不需要预先提取信号的故障特征,可直接实现对轴承的故障特征提取以及故障识别,诊断率高。     

基于改进降噪自编码器的风机轴承故障诊断方法

滚动轴承是风电机组中故障最为频繁的部件之一,准确有效的轴承故障诊断方法有助于保障风电机组安全稳定运行。针对轴承振动信号特征微弱、难以诊断的问题,提出了一种基于改进降噪自编码器的风电机组轴承故障检测方法。首先引入了一维信号的图像化预处理,将原始的时域信号转化为二维特征灰度图。然后利用卷积神经网络在图像特征提取上的强大优势,构建了堆叠降噪自编码器与卷积神经网络的集成模型,去除了传统卷积神经网络中的池化层,进一步提升提取特征的鲁棒性和泛化性。整体诊断流程由数据驱动,减少了对于经验的依赖。最后的实验结果表明,该方法能够精确诊断不同类型的轴承故障。此外,通过与其他方法的对比实验进一步验证了该方法在故障诊断方面的优越性。     

基于VMD和双谱的风电机组滚动轴承故障特征提取

针对背景噪声下风机滚动轴承故障特征提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和双谱的故障特征提取方法。运用VMD方法对信号进行自适应分解,根据峭度-相关系数准则筛选出故障特征明显的2个分量并进行信号重构;对重构信号进行双谱估计分析,仿真结果表明具有良好的噪声抑制能力;根据双谱图分析结果,提取出滚动轴承的故障特征,通过故障仿真验证了所提方法的有效性。将该方法应用于风机滚动轴承故障信号的故障特征提取,可以有效地识别出滚动轴承不同的故障特征,从而准确诊断出滚动轴承存在的故障。     

基于二维变分模态分解和Hilbert变换的局放信号特征提取方法

本文通过对二维Hilbert-Huang变换方法的改进,提出了一种基于二维变分模态分解(VMD)和Hilbert变换的局部放电灰度图像特征提取方法。首先,利用局部放电样本生成相应放电灰度图;其次,以二维VMD算法分解各放电灰度图像,获取各个不同中心频率的模态分量;然后,通过四元数Hilbert变换得到各模态函数对应的特征图,并提取灰度纹理特征,构成各放电样本对应的特征向量;最后,以BP神经网络分类器对提取出的局部放电特征量进行分类和识别。实验结果验证表明,同二维Hilbert-Huang变换和传统放电灰度图特征提取方法相比,基于本文方法所得特征量具有更高的正确识别率,验证了该方法的可行性。另外,本文所采用的二维VMD-Hilbert方法为局部放电信号的频谱分析拓展了新的思路。     

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。     

基于二维灰度图的数据增强方法在电机轴承故障诊断的应用研究

在基于深度学习的电机轴承故障诊断中,一般采用基于生成对抗网络(generative adversarial networks,GANs)的数据增强方法以获取足量故障数据,从而保证模型的性能。一维时序信号下的数据增强会出现生成数据质量差、网络训练速度慢以及训练过程繁琐等问题,该文针对此,提出一种基于二维灰度图及辅助分类生成对抗网络(2D gray pixel images and auxiliary classifier generative adversarial networks,2D-ACGANs)的数据增强方法。首先将原始的一维时序信号转换为二维灰度图,以得到适用于二维卷积神经网络的输入数据;在此基础上结合辅助分类生成对抗网络,将原始数据的标签作为此网络的输入进行数据增强,该方法较一维数据增强方法有效减少网络训练参数量,同时解决传统方法中训练繁琐及标签信息丢失的问题。最后将提出的方法用于电机轴承的故障实验数据中进行对比验证,结果表明改进的2D-ACGANs算法能生成更高质量的数据,有效提高故障识别准确率及网络训练速度,具备良好的工程应用可行性。     

基于Seq2Seq技术的输电线路故障类型识别方法

基于Seq2Seq技术构建了用于输电线路故障类型识别的深度学习模型,通过设置仿真算例验证了所提方法的有效性。首先,利用MATLAB/Simulink生成输电线路故障数据集;然后,基于Seq2Seq技术构建适用于故障数据时序型特征的深度学习模型;最后,以IEEE118节点系统为例对所提方法进行验证。仿真结果表明:所提方法能够适应输电线路故障的时序型特点,故障类型辨识准确率为100%。与其他故障类型识别方法相比,所提方法仅基于海量数据,不考虑电力系统具体结构,具有显著的优越性。     

基于时变自回归模型阶次判定值的滚动轴承特征提取

针对滚动轴承振动信号的非平稳性,提出了一种基于时变自回归模型阶数判定值的特征提取方法。通过用时变自回归模型定阶过程中的判定值构建特征量,并以支持向量机的分类识别率为依据选择最佳的特征向量维数,输入支持向量机进行滚动轴承运行状态的识别。仿真实验表明,所提方法能够有效地提取滚动轴承的故障信息进而实现其故障诊断。     

基于CNN-SVM的配电网故障分类研究

针对CNN 在配电网高阻故障时分类准确率低的问题,提出了一种将CNN和SVM 相结合的配电网故障分类研究方法。首先将故障数据转换为时频谱灰度图,作为训练集输入到CNN中;然后采用SVM代替CNN中的Softmax分类器构建CNN-SVM模型,并通过网格搜索算法对SVM超参数进行寻优;最后进行多工况算例分析验证所提方法优越性。算例分析结果表明,CNN-SVM模型比传统CNN-Softmax模型在高阻故障时具有更高的分类准确率,且在主变压器中性点接地方式变化、网络结构变化、噪声干扰及单相弧光接地等工况下仍具有良好的适应性。     

基于联合神经网络的用户窃电行为识别模型

针对窃电行为识别准确率低的问题,提出了基于联合神经网络的窃电行为识别模型。首先,对获取的用户用电数据进行处理,利用格拉姆角场方法对用户用电数据进行二维化处理。然后,针对不同维度的用电数据,提出了基于联合神经网络的用户窃电行为识别模型,利用卷积神经网络（CNN）和双向长短期记忆（BiLSTM）神经网络提取一维用电数据和二维用电数据特征。通过实例分析表明,提出的联合神经网络模型对窃电行为识别准确率达到90%以上,证明所建立的评估模型为解决窃电问题提供了一种切实可行的方案。