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。     

基于深度-迁移学习的输电线路故障选相模型及其可迁移性研究

为提高输电线路故障诊断模型的可迁移性,根据迁移学习理论将输电线路分为源线路和目标线路,提出一种基于深度-迁移学习的输电线路故障类型识别方法。通过组合不同故障条件,生成输电线路故障期间的时序数据,并通过对数据的预处理,得到面向卷积神经网络的输入数据样本;利用源域数据对初始卷积神经网络进行预训练,获取适用于源线路故障类型识别的预训练模型;采用最大均值差异法对源线路和目标线路进行相似性检验,筛选出待迁移的源域预训练模型;利用目标域数据对预训练模型进行微调迁移训练,获取最终的目标域故障诊断模型。仿真结果表明,利用源域数据量5 %的目标域数据对预训练模型进行微调迁移训练,得到的目标域模型对目标线路故障诊断的准确率达99 %以上。     

小样本下滚动轴承故障的多源域迁移诊断方法

为了减小神经网络在机械设备故障预示与健康管理(PHM)过程中对大量完备数据的依赖,针对数据稀少情况下的滚动轴承故障诊断问题,提出了一种多源域迁移学习方法。模型采用一维卷积神经网络(1D-CNN),以原始振动信号作为模型的输入,利用两个不同的源域数据依次对模型进行预训练,使用目标域数据对预训练模型进行微调,提高对目标域的识别精度。采用频询实验台实测数据及西储大学数据集,在目标域故障样本不足的情况下分别对模型的分类精度、训练速度、结果稳定性、多源域有效性进行验证,并与卷积神经网络(CNN)、迁移成分分析(TCA)、联合分布适配(JDA)、支持向量机(SVM)的诊断结果进行对比。实验结果表明,在故障数据稀少时,模型能达到较高的分类精度,在目标域样本数量不同的3种情况下,多源域迁移方法分类精度分别达到了97.71%、96.28%、94.18%,并且模型有着较快的收敛速度,较好的稳定性。     

燃气轮机深度卷积生成对抗故障样本生成研究

针对应用深度学习进行燃气轮机故障诊断时,因故障信号数据不易获取,使得正常运行样本多、故障样本少,影响故障 诊断准确率的问题,提出了一种采用深度卷积生成对抗学习对燃气轮机故障样本进行扩充的方法。 根据燃气轮机振动信号特 点,利用快速傅里叶变换、经验模态分解、解调预处理故障信号,提取故障频域特征并选取特征值指标,将振动信号转为二维灰 度图像,通过正交梯度惩罚算法训练深度卷积生成对抗故障样本生成模型。 实例结果表明,使用所提方法获得 CWRU 轴承数 据集生成样本测试准确率为 98. 01%;某型燃气轮机生成样本测试准确率为 97. 43%,同条件下均优于其他主流故障样本生成方 法,验证了所提故障样本生成方法的有效性和优越性。     

基于改进卷积双向门控循环网络的轴承故障诊断

针对传统深度学习方法没有充分利用轴承信号的时序特点,以及难以处理动态数据的问题,提出一种基于改进卷积双向门控循环神经网络的轴承故障智能诊断方法。采用卷积神经网络从输入信号中提取代表性特征,引入双向门控循环神经网络挖掘故障数据在时间维度上的语义信息,通过注意力机制自适应地对特征图通道赋予不同权值,从而实现高精度的轴承故障诊断。在公开轴承数据集上进行实验,实验结果表明,该方法能够正确地将轴承故障分类,分类精度可达996%。     

一种用于轴承故障诊断的二维卷积神经网络优化方法

轴承智能故障诊断是机械大数据状态监测的热门研究领域,传统的数据驱动故障诊断方法对基于信号处理的特征提取环节极为耗时,并且对专家经验要求高,为消除其带来的参数预定义影响,实现快速特征提取的同时提高识别率,在研究一维卷积神经网络故障诊断方法的基础上,提出一种用于轴承故障诊断的二维卷积神经网络优化方法。该方法引入了一种新的数据预处理方式,将原始时域信号数据转换成二维灰度图像来提取转换后的图像特征,消除手工特征的影响;同时,在验证分类前对实验采集故障数据集添加了降噪处理,并对卷积神经网络梯度下降算法进行参数自适应学习率优化。仿真与实验结果表明,所提出的二维优化卷积神经网络故障诊断方法在选取64×64的信号–图片转换格式下,AMSGrad算法能将故障预测模型的准确度提升至98%,训练速度更快,同时具有更高的分类准确性和抗噪性能,使其在实际转速范围内能达到损失小于5%的识别准确率。     

基于多传感器融合卷积神经网络的航空发动机轴承故障诊断

航空发动机作为航空飞行器关键的动力组成部分,在内外多激励干扰情况下产生的机械故障采取传统的基于物理机理和信号分析的方法难以准确识别且耗时耗力。为此,该文提出基于多传感器信息融合的轴承故障诊断模型,对航空发动机轴承进行故障诊断。该模型采用一维卷积神经网络(one dimensional convolutional neural network,1D-CNN)对实验获取的某航空发动机的轴承故障振动数据进行特征提取与分类,直接将不同传感器采集的波形信号作为输入,通过卷积、池化等一系列操作,输出最后的分类结果,舍弃传统的基于信号分析故障诊断的繁琐步骤。实验验证表明,采用4个加速度传感器输入该模型对轴承故障进行分类与识别,其准确率可达100%,相较于采用支持向量机(support vector machine,SVM)和前馈神经网络对故障进行分类识别相比,该方法准确率分别提高了36.92%和18.9%,为航空发动机轴承故障诊断提供一种可行方法。     

基于深度学习的模拟电路软故障诊断

为降低模拟电路软故障特征提取与分类的人工成本,提高软故障诊断的通用性,提出一种基于深度学习的软故障特征提取方法.利用通道注意力机制对深度学习中的卷积神经网络进行改进,将时域电压波形数据输入至改进的卷积神经网络中进行卷积池化,实现数据降维和故障特征提取,并利用注意力机制对所得的故障特征进行深度选择,突出通道内关键的故障特征,抑制不重要的特征,最终使用Softmax分类器对故障特征分类.针对四运放双二次高通滤波器进行故障诊断,故障诊断平均准确率为98％.实验结果表明改进的卷积神经网络模型可以实现对模拟电路的故障诊断,并避免了传统故障识别耗费大量人工的故障提取和选择.     

基于自适应概率学习的配电网故障辨识技术

为了提升配电网故障辨识准确率,提出了一种基于自适应概率学习的早期故障诊断方法。该方法通过波形分解和最大化特征相似性找到最佳线性映射,将仿真数据和真实数据映射至同一特征空间,且在此空间中两者分布差异最小,之后即可使用仿真数据训练模型并对真实数据进行分类,从而解决配电网故障辨识中样本量不足这一重要问题。基于系统仿真数据和现场实际数据表明：所提方法对于自适应学习条件下早期故障诊断的可靠性和准确率,远优于同等条件下的卷积神经网络、支持向量机和K邻近算法等常用分类模型;为自适应学习条件下的配电网故障辨识技术提供了一种新的思路。     

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。     

220 kV变电站10 kV直供负荷的改善措施及其经济分析

为了协调220 kV与110 kV变电站布点关系,结合某省220 kV变电站三卷变压器10 kV低压侧直接向负荷供电（简称直供）的实际情况,对全省220 kV变电站进行统计分析,研究其直接供电的现状及运行中反映的问题,并有针对性地从技术和经济层面提出解决办法：对10 kV直供负荷供电时,将配电网规划和10 kV直供负荷相结合,优化配电网的结构,合理利用220 kV变电站的容量,由220 kV变电站向周边10 kV负荷系统直接供电,在确保供电可靠性的情况下,控制10 kV线路的送电距离。以上措施可挖掘现有电网的供电潜能,降低线路损耗,使电网布局更趋合理。     

大规模储能系统发展现状及示范应用

随着储能技术的飞速发展,大规模储能系统已经成为保证电力系统可靠供电的一个重要手段。介绍了储能技术的类别及其在电力系统中的作用,并阐述了其在电力系统中的应用研究现状和目前的主要示范应用实例,论述了储能技术未来发展趋势。     

智能变电站中高频开关电源技术应用

高频开关电源因其性能可靠、体积小、效率高等优点,已广泛应用于智能变电站直流系统中,为变电站安全、可靠运行提供保障。首先简单介绍了交直流一体化电源系统,然后分别对直流充电模块、通信电源模块、UPS电源模块作了详细分析,重点研究了高频开关电源的N+1冗余技术和均流技术。通过研究发现,这2种技术的应用提高了高频开关电源模块的可靠性。高频开关电源能够满足智能变电站对直流系统可靠性的要求。     

基于先验方差的发电机惯量辨识数据质量评估

发电机惯量是电力系统频率特性分析与在线应用的重要参数。基于发电机正常运行时机端有功功率和频率的类噪声信号可对发电机惯量进行实时辨识。然而实测数据质量存在的缺陷,导致现有算法对实测数据辨识效果较差。为解决该问题,本文以谱分析与系统辨识理论为基础,通过参考系统估计、模型参数方差估计、惯量方差估计三个步骤,建立惯量辨识结果的先验方差统计量,在进行辨识前对类噪声数据段进行评价和筛选,提升了惯量辨识的准确度。基于仿真数据和实测数据的数据评估筛选结果验证了本文提出方法的有效性。结果表明,先验方差较小的数据段,惯量辨识的准确度较高。     

微电网概率性最优的储能容量研究

针对可再生能源发电受外界环境影响较大、难以控制,接入微电网后对其安全运行带来很大挑战的问题,指出在微电网中接入储能装置可有效地解决此问题;研究了微电网孤岛运行时储能容量的确定方法,提出了一种概率性最优的储能容量确定方法：计算了微电网调度出力与负荷需求的功率差额,并根据其概率函数密度曲线确定储能系统的最大充放电功率;根据储能系统不同时刻其充、放电量累计值的概率函数密度曲线,求出其最优储能容量,使电网能实现经济效益最优和可再生能源利用率最大。采用该方法确定微电网储能容量,具有求解方法简捷、所需储能容量小的特点。     

1 000 kV皖南-浙北特高压线路工频参数测试干扰及结果分析

特高压线路工频参数测试干扰分析是选择适合工频参数测试方法及测试结果分析的重要基础。测试了1 000 kV皖南-浙北特高压线路正序和零序参数测试期间的干扰电压信号,分析了其频谱特征;在此基础上,通过与正序参数仿真计算值的对比分析了正序参数实际测试偏差。结果表明：皖南-浙北特高压同塔双回线路工频参数测试期间,干扰电压存在“三相不平衡性及时变性”的特点;工频法和异频法2种不同方法得到的线路参数测试结果存在一定差异;干扰电压“时变”时,线路工频参数测试宜采用异频法。     

基于暂态相关性分析的小电流接地故障选线方法

小电流接地系统发生单相接地故障时,接地点产生的暂态故障电流包含了整个系统中全部的暂态故障电流特征量。非故障线路的三相暂态电流主要表现为对地电容电流,考虑到系统中存在的电感影响,健全线路中的两相电流差非常小,且波形与自身的暂态零序电流明显不相关,而故障线路的两相电流差与其暂态零序电流表现出明显的相关性。利用这一特征,首先对母线电压进行小波变换,通过三相近似系数比例AR检测配电网是否发生了单相接地故障,并找出故障相;然后,运用相关性分析比较各条线路的两相电流差与零序电流的相关性,能够正确地选出故障线路,文章通过MATLAB/SIMULINK建模,验证了该方法的正确性。     

East China Market in Dire Need of Three Major Breakthroughs

Since started as a pilot project of regional power marketin June, 2003, East China power market has been actively andsteadily progressing, and has promulgated in succession amarket establishing program, market operating rules andspecifications for the functions of technical support systems.The technical support systems have been built up by stagesincluding the master station system in East China region and     

12th International Conference on Electronic Measurement & Instruments(ICEMI'2015)

正Qingdao,China 7.16-19,2015 The International Conference on Electronic MeasurementInstruments(ICEMI)is the world's premier conference dedicated to the electronic measurement and test of devices,boards and systems that is covering the complete cycle from design,verification,test,diagnosis,failure analysis and process of manufactory and products     

ICEMI' 2015征文通知（英文）

正Qingdao,China7.16-19,2015The International Conference on Electronic MeasurementInstruments(ICEMI)is the world’s premier conference dedicated to the electronic measurement and test of devices,boards and systems that is covering the complete cycle from design,verification,test,diagnosis,failure analysis and process of manufactory and products