基于Inception-DLSTM双通道的滚动轴承故障诊断方法

卷积神经网络(CNN)对空间特征具有敏感性，而Inception相比CNN具备多尺度提取特征优势；长短时记忆网络(LSTM)对时间特征具有敏感性，而深层长短时记忆网络(DLSTM)比LSTM具备更深层次提取特征优势。为了多尺度充分提取滚动轴承振动信号在空间和时间上的特征，实现滚动轴承故障诊断，提出了一种Inception通道和DLSTM通道结合的Inception DLSTM双通道滚动轴承故障诊断模型。对于Inception通道，把轴承振动信号经过小波变换生成的时频图作为输入，利用Inception网络多尺度提取时频图的空间特征信息；对于DLSTM通道，直接把轴承振动信号作为输入，利用DLSTM网络充分提取信号的时间特征信息。然后把两个通道输出的特征信息连接成一个时空特征向量，最后利用分类器进行轴承故障诊断识别。对轴承故障数据进行对比实验可得，Inception DLSTM双通道的故障识别准确率可达100%，具备良好的故障诊断和特征提取能力。     

基于小波包分析的双凸极无刷直流发电机系统故障诊断

提出了一种针对电励磁双凸极发电机的整流电路故障诊断方法。根据整流电压波形的畸变规律,将2个以内的二极管故障分为7类共计22种故障元。选用Daubechies小波作为小波基,对实测的整流电压进行小波包分析,利用小波系数,在各个频带上进行小波信号重构。提取全频带能量特征值,并以此构造故障模式向量。以一台840 W、12/8极的电励磁双凸极发电机为实验样机,通过采集大量故障信号并进行信号处理,建立整流电路故障档案,为故障识别提供了对照样本。同时,以故障特征值的容差范围作为误差判别标准,力求诊断误差最小化。实验结果表明,该方法对被分析信号的频率波动和幅值变化均具有良好的鲁棒性,是一种有效的特征值提取方法,具有较高的故障诊断正确率。     

利用Wigner-Ville分布的三相整流装置故障诊断技术

针对电力电子整流装置故障诊断方法中的故障特征提取和故障识别两个关键技术,提出了一种基于Wigner-Ville分布的三相整流装置故障诊断方法,首先建立各种类型故障信号的Wigner-Ville模时频矩阵,然后计算故障信号Wigner-Ville模时频矩阵与标准模时频矩阵的相似度,以相似度最大为判别依据实现故障的诊断。三相桥式可控整流电路晶闸管故障诊断仿真结果表明该方法能准确对电力电子电路故障进行类型的识别和故障元的定位,对噪声具有鲁棒性,且算法简单,在解决电力电子电路故障问题上有着很好的工程实用价值。     

基于PCA和MPGA优化神经网络的整流器故障诊断

针对电力电子整流电路故障识别方法中的信号提取与模式识别两个核心问题,提出一种基于主元分析(PCA)和改进多种群遗传算法(MPGA)优化BP神经网络的三相整流装置电路故障识别方法。首先采用主元分析提取故障信号中对应的故障特征向量,然后利用移民算子与迁徙算子结合的MPGA优化BP神经网络分类器进行故障类型的识别。仿真结果表明,该方法对三相桥式整流装置进行故障诊断能准确识别与定位各故障类型,而且具有鲁棒性更好,诊断正确率更高的特点。     

基于并联CNN-LSTM的弱受端直流输电系统故障诊断

现有的故障诊断手段面对复杂电网时,难以精确提取故障特征,急需适应性强、识别率高的故障诊断方法。鉴于此,提出一种基于压缩感知与并联卷积神经网络(CNN)和长短期记忆网络(LSTM)结合的电网故障诊断方法。搭建永富直流输电系统模型采集原始故障数据,原始故障数据应用压缩感知原理进行压缩采样,获得压缩域故障信号,以提高网络的计算效率。然后搭建了麻雀搜索算法（SSA）优化的并联CNN-LSTM深度学习模型。通过SSA确定并联CNN-LSTM的网络结构及参数,利用并联CNN-LSTM深度学习模型直接在故障的压缩域挖掘故障波形特征和时序特征,并对故障进行识别。仿真结果表明该模型相较于传统方法具有更高的故障诊断精度。     

基于1D-CNN-LSTM混合神经网络模型的风电机组行星齿轮箱故障诊断

风力发电机组行星齿轮箱振动信号是一种非线性非平稳的复杂信号,传统的故障诊断方法面对此类信号时,能够很好处理的范围有限.为提高在强外界干扰条件下故障智能识别的准确率,提出了一种基于一维卷积神经网络(1D-CNN)和长短期记忆网络(LSTM)混合模型的故障智能诊断方法.首先利用自参考自适应噪声消除技术(SANC)将齿轮箱振动信号分离为周期性信号分量成分和随机信号分量成分,再对包含齿轮箱故障特征的周期性信号成分进行智能特征提取和识别.经验证,所提方法较其他不同方法有明显优势,故障识别率达到99.85％,说明能有效抑制干扰信号,提高故障识别的准确率.     

基于极端树与堆栈式稀疏自编码算法的电力电子电路故障诊断

针对电力电子电路故障诊断问题,基于极端随机森林(ET)与堆栈式稀疏自编码(SSAE)算法提出了一种适用于开关管故障的信号识别诊断方法。以三相电压型PWM整流电路为例,首先建立电路仿真模型并设计电压/电流双闭环调节器;为了在输出直流侧能收集到有效的故障特征信号,选择在无负载条件下向PWM整流器交流侧电流d轴分量中注入特定频率的交流电流,此时会在DC输出侧产生相同频率的纹波电压/电流;接着选择直流侧输出电流为故障特征量,首先利用经验模态分解(EMD)提取前7阶本征模函数(IMF)分量,然后计算每阶分量的能量、复杂度以及时域特征和频域特征,获得初始故障特征数据样本,对其应用ET-SSAE融合算法进行降维处理,最后输入到分类器中进行识别。实验结果表明,该算法最终的故障识别准确率高达97.62%,其中ET算法降维处理后得到的故障诊断准确率为88.89%,SSEA降维处理后得到的故障诊断准确率为91.27%。     

基于支持向量机的电力电子电路故障诊断技术

提出一种利用小波包分析获取电力电子电路故障特征和基于支持向量机状态分类的电力电子电路故障诊断方法。首先讨论小波包故障信号特征提取和支持向量机(support vector machine,SVM)的多值分类算法,重点研究一种改进的支持向量机的"一对多"故障分类算法,实现对十二脉波可控整流电路中晶闸管断路故障的诊断。实验结果分析表明,该方法能准确对电力电子电路进行诊断和故障元定位、诊断精度高,该方法在解决电力电子电路故障诊断问题上有着很好的实用价值和应用前景。     

基于 RA-LSTM 的轴承故障诊断方法

为解决轴承故障诊断时网络模型不能对一维振动信号中的特征按照重要程度分配不同的权重,导致无法提取具有代表 性意义的特征,进而影响诊断模型的精确度与鲁棒性的问题。 提出基于反向注意力机制( reverse attention mechanism,RA)的特 征突出处理方法,通过将特征进行注意力反向与剪枝,降低非重要特征占比,从而对重要特征进行凸显。 并通过长短期记忆网 络(LSTM)进一步学习特征之间的时间信息后通过全连接层进行故障类型分类。 通过实验选取了最优数据截取长度、剪枝超参 数并对信号添加噪声后模型的稳定性进行了验证。 实验结果表明所提出的 RA-LSTM 轴承故障诊断方法具有优异的故障诊断 性能,故障诊断精度能达到 100%,且在添加噪声后模型的诊断能力仍具有优异的鲁棒性。     

基于PCA和SVM的模拟电路故障诊断

针对电路故障诊断中存在的样本要求高、推广能力弱、特征提取难等问题,提出了一种基于主成分分析(PCA)与支持向量机(SVM)相结合的模拟电路故障诊断方法.通过对电路输出响应的采样信号进行PCA处理,提取故障特征的主要成分,然后利用多类SVM对各种状态下的故障模式进行分类决策,实现被测电路的故障诊断.实验结果表明:该方法能够实现电路故障的快速检测与故障元件的准确定位,具有速度快、精度高、鲁棒性好的特点.     

基于长短期记忆网络的永磁同步风机变换器开路故障诊断研究

永磁同步风机通过全功率背靠背变换器与电网连接,实现风能与电能的转换。风机的运行环境恶劣,变换器的电力电子开关器件容易发生开路故障,影响风力发电系统的正常运行。针对永磁同步风机网侧变换器和机侧变换器常见的开关管开路故障,提出一种基于长短期记忆网络的故障诊断算法。分析变换器开关管故障下的永磁同步风机输出变化,基于风机变换器开路故障样本数据,构造具有多隐藏层的网络结构挖掘信号中的隐藏信息,充分利用长短期记忆网络优异的模式识别能力,深度提取不同工作条件和故障状态下的网侧电流和发电机电流的信号特征,提高故障诊断性能。仿真结果表明,提出的故障诊断方法能够快速、准确地识别出永磁同步风机的变换器开路故障。     

基于长短期记忆网络的继电保护测试故障诊断研究

为提高智能变电站继电保护测试效率,解决数字式继电保护试验装置无法对整个测试过程中出现的故障自动进行诊断的问题,提出基于长短期记忆(Long Short-Term Memory,LSTM)网络的继电保护测试故障诊断方法.梳理了故障断面特征信息和故障类别,建立了多故障诊断模型,构建了故障诊断流程.以典型220 kV继电保护...     

基于改进谱峭度与电流均值的牵引整流器开路故障诊断方法

针对动车组牵引整流器IGBT的开路故障诊断问题,以CRH3型动车组的牵引工况为例,提出一种基于改进谱峭度与电流均值的新型诊断方法。分析单个IGBT开路和2个IGBT同时开路故障下牵引整流器的网侧电流突变情况,根据网侧电流的突变特征将其分类;计算网侧电流的改进谱峭度(SK)以检测故障发生类别;结合电流均值法定位故障。所提的改进方法不需要复杂分类器,在实际应用中方便可行,仿真结果表明该方法能有效实现动车组牵引整流器的故障诊断。     

基于量子神经网络的电力电子电路故障诊断

针对电力电子电路故障诊断时故障模式间存在交叉数据的模式识别问题,在量子计算和人工神经网络结合的基础上,提出了一种基于量子神经网络的故障诊断方法,并以双桥12相脉波整流电路为例进行故障诊断.实验结果表明:量子神经网络有一种固有的模糊性,它能将不确定性数据合理地分配到各故障模式中,从而使网络具有高性能、更好的鲁棒性和省时的特点,且能正确地识别大部分的样本故障模式,成功地完成电力电子电路的故障诊断.     

基于FFT-LSTM的变速抽蓄机组转子绕组短路故障和偏心故障诊断方法

变速抽水蓄能机组是适应系统功率波动的重要调节手段。转子绕组短路故障和转子偏心故障是其常见的故障类型,两种故障均会在定子侧感应生成特征频带相近的谐波环流,导致两种故障难以被区分。提出了一种基于快速傅里叶变换-长短期记忆(fast Fourier transform-long short-term memory, FFT-LSTM)网络的故障诊断方法,以细化分辨故障特征相近的转子绕组短路故障和转子偏心故障。所提方法以定子分支环流的谐波分量为特征量进行故障诊断,分别推导了两种故障发生时定子侧环流谐波特征,并总结二者间的相似性和差异性。鉴于该差异较为微弱,引入长短期记忆(longshort-termmemory, LSTM)神经网络算法对其进行辨识。利用内部故障仿真模型对可能发生的转子绕组短路故障和偏心故障进行批量仿真,以得到用于LSTM网络训练和测试的数据集。仿真结果表明FFT-LSTM能够准确诊断不同转速下变速抽蓄机组的转子绕组短路故障和转子偏心故障。     

基于深度学习的发电机整流器诊断系统研究

基于深度置信网络技术,使用C++编程语言设计了发电机旋转整流器故障诊断平台,实现了对故障信号特征的提取与分类。选择三级式发电机进行了实验验证,结果表明,该设计具有良好的故障诊断效果。     

一种航空发电机旋转整流器故障在线诊断技术

利用快速傅里叶变换(FFT)研究了一种角度轨迹监测技术,并将其用于航空发电机旋转整流器故障特征提取及在线诊断应用中。首先,连续采集发电机交流励磁机励磁电流信号,每相邻两次数据采集间隔同样的时间。其次,对每次采集的数据均进行FFT处理以获取故障特征信息,该过程在每两次数据采集的间隔内完成。每次处理得到的故障特征信息会形成连续的变化轨迹,通过对该轨迹的研究可以在线监测并诊断旋转整流器的故障模式。最后,通过试验对所提方法进行了验证。     

基于免疫算法的无刷励磁发电机旋转整流器故障诊断

在大型发电机的无刷励磁系统中,旋转整流器承受着强大的离心力和电磁作用,故障发生率相对较高。采用旋转整流器故障时交流励磁机旋转电枢产生的谐波磁场在其定子励磁线圈中感应谐波电势的电磁特性,从中提取旋转整流器故障信号波形。运用傅里叶分解故障信号波形,对故障信号波形的特征值进行编码处理,并用免疫算法中的反向选择算法对傅里叶分解后的故障特征值进行计算,完成旋转整流器的故障诊断。利用人工免疫的反向选择算法,对一台15 kW无刷励磁同步发电机旋转整流器的短路与开路故障进行仿真诊断。仿真结果表明,基于免疫系统反向选择机制的人工免疫算法,与傅里叶分解算法相结合,进一步提高了无刷励磁同步发电机旋转整流器故障诊断的准确率,可达95%以上。     

基于IEMD和GA-WNN的断路器分合闸线圈故障诊断方法

真空断路器二次回路或操动机构运行状态能通过电流曲线特征反映.首先,通过对真空断路器分合闸线圈铁心卡涩、电压异常(过高或过低)和击穿3种常见故障进行实验室模拟,创建了故障电流曲线特征库.其次,利用故障电流信号经过经验模态分解后的经验模态分量中的能量密度乘对应平均周期为恒定常数的性质,提出一种改进经验模态分解方法来提取分合...