基于卷积神经网络的多层域自适应滚动轴承故障诊断

针对基于卷积神经网络(CNN)的域自适应技术在提取可迁移特征的训练过程中,存在内部协变量移位的问题,提出一种多层域自适应滚动轴承故障诊断方法。首先,利用CNN提取原始振动数据的可迁移特征;其次,提出了多层域自适应和权重正则化项约束CNN参数,进一步减少可迁移特征的分布差异,从而解决域移位问题;最后,利用凯斯西储大学的滚动轴承数据集进行实验验证。结果表明,该方法能够有效地减少源域和目标域之间的特征分布差异,提高CNN模型对目标域数据集的诊断性能,相对于最高层域自适应的故障诊断方法,所提方法能在两个数据集之间的迁移故障诊断中得到较高的分类识别结果。     

基于贝叶斯正则化深度信念网络的电力变压器故障诊断方法

传统的深度信念网络规模大、难度大、训练时间长,导致其故障诊断的时间较长。针对该问题,提出了一种基于贝叶斯正则化深度信念网络的电力变压器故障诊断方法。采用贝叶斯正则化算法改进传统深度信念网络的训练性能函数,在保证网络精度的同时快速提高计算速度,从而提高网络的收敛速度。实验结果表明,经过贝叶斯正则化改进后,深度信念网络训练的泛化能力得到了提高,同时故障诊断的准确率也得到了保证。     

基于贝叶斯和模糊L-M网络的变压器故障诊断

针对现今电力变压器故障诊断方法中存在编码不齐全、准确率不高等一系列问题,研究贝叶斯理论的神经网络算法,提出一种基于贝叶斯正则化优化L-M （Levenberg-Marquardt）算法神经网络的变压器油色谱故障诊断方法.算法采用贝叶斯方法确定超参数,使得神经网络在训练过程中能自适应地调节超参数的大小,得出目标函数的最优化参数.同时,该方法运用模糊理论对改良三比值法的边界模糊化,将得到的特征气体比值编码作为网络模型的输入,有利于去除冗余信息,并且克服了编码边界区间过于绝对的缺点.最后,运用仿真软件对典型变压器运行数据进行仿真,验证了该算法的可行性.结果表明,建立的模型对变压器进行故障诊断时迭代次数为21次,实际值与预测值的误差平方和仅为0.000618.     

基于IGSO优化LM网络的变压器故障诊断方法

针对现今电力变压器故障诊断方法中存在编码边界区间过于绝对、准确率不高等一系列问题,提出了一种自适应搜索萤火虫算法（IGSO）优化列文伯格·马夸尔特（Levenberg Maquardt,LM）网络的变压器故障诊断方法.该方法采用萤火虫个体代表神经网络的权值和阈值、LM网络的均方误差函数作为萤火虫个体的适应度函数,利用改进萤火虫算法迭代寻优得到LM网络的最优权值和阈值.同时,运用模糊理论对改良三比值法的边界模糊化,将得到的特征气体比值编码作为网络模型的输入,不仅有利于去除冗余信息,并且克服了编码边界区间过于绝对的缺点.然后,建立基于自适应搜索萤火虫算法优化的神经网络模型,并将典型变压器故障数据代入仿真,通过与贝叶斯正则化神经网络模型以及粒子群模型的仿真结果对比,表明该方法具有较好的分类效果,准确率达到88.57％.     

基于精英混沌蜂群算法优化小波神经网络的变压器故障诊断

针对变压器故障类型的复杂难辨,结合油中气体分析法,提出了1种基于精英混沌人工蜂群算法的小波神经网络故障诊断模型对变压器故障进行诊断。模型对3层小波神经网络的输入和输出层的权值、小波元的伸缩和平移系数进行修正,改进算法混沌初始化蜜源,建立精英蜂群团体自适应引导采蜜蜂与跟随蜂搜索,同时引入混沌侦查蜂的行为模式,能够有效提高精度,加速收敛,避免局部最优。实验结果表明,该方法比传统BP小波神经网络和标准蜂群算法优化小波神经网络诊断速度更快,准确率更高,可有效运用于变压器故障诊断。     

基于改进的VMD和CNN神经网络的光伏逆变器软故障诊断方法研究

针对光伏发电系统中光伏逆变器电路复杂,出现故障时间短等问题,文中提出一种基于改进的变分模态分解和卷积神经网络相结合的故障诊断方法,可有效地解决故障特征提取困难,特征参数奇异性差,以及由于特征参数差而引起的故障诊断率低等问题.利用SIMULINK建立光伏逆变器软故障模型,并采集相关参数作为样本;使用VMD对参数进行变分模态分解,得到若干分量,并且利用小波变换提取各模态分量的小波能量,获得故障特征值并降维;用卷积神经网络CNN进行故障诊断,并用其结果与传统的VMD-CNN神经网络、VMD-BP神经网络的诊断结果进行比较,验证了此神经网络用于光伏逆变器软故障诊断的正确性和精确性,具有一定的优势.     

基于CEEMDAN和CNN-LSTM的滚动轴承故障诊断

针对滚动轴承工作环境复杂，轴承振动信号受噪声干扰难以提取故障特征以及传统故障诊断算法准确率较低的问题，提出了利用自适应噪声完备集合经验模态分解算法（CEEMDAN）联合卷积神经网络（CNN）内嵌长短期记忆神经网络（LSTM）的滚动轴承故障诊断方法。首先，利用CEEMDAN算法对轴承原始振动信号进行分解得到本征模态函数（IMF）；然后计算重构后的信号的排列熵，归一化后作为特征向量；最后将特征向量输入至CNN-LSTM结合建立的深度学习模型中进行诊断识别。结果表明：所提方法具有更快的拟合速度和更高的准确率，平均故障诊断准确率达到98.63%。     

基于深度神经网络的多电平逆变器故障诊断

为解决多电平逆变器的故障诊断问题,文中提出了一种基于深度神经网络的多电平级联H桥逆变器的故障诊断方法。首先,介绍了多电平级联H桥逆变器的故障模型;然后,采用基于堆栈自编码器的深度神经网络直接从故障原始数据中进行故障特征提取;最后,运用SOFTMAX分类器对故障特征数据进行分类从而实现多电平逆变器的故障检测与诊断。基于MATLAB/Simulink对本文提出的方法进行了仿真实验,该方法与传统的智能诊断算法相比具有更高的准确率和更好的鲁棒性。     

基于ACS-SA文化基因算法的BP神经网络变压器故障诊断

针对BP神经网络在变压器故障诊断上存在的不足,提出基于ACS-SA文化基因算法的BP神经网络变压器故障诊断方法。在实际系统中,针对缺乏准确的变量参数估计,将边界变异策略和自适应步长策略引入标准布谷鸟算法中;提出一种在改进的布谷鸟算法中结合局部搜索策略的文化基因算法;建立BP神经网络变压器故障诊断模型,并用文化基因布谷鸟算法优化BP神经网络的权值和阈值。仿真实验及对比研究结果表明,该算法能准确有效地识别变压器的故障类型,较其他算法(CS-BP神经网络算法和POS-BP神经网络算法)有更高的准确率,为变压器故障诊断提供一种新思路。     

光伏阵列故障类型的改进型RBF神经网络识别算法

光伏阵列是光伏系统中非常重要的组成部分。传统的BP神经网络诊断算法有着精度低、收敛速度慢等缺点,为了精确地诊断出光伏阵列内部的故障位置及其类型,通过分析阵列开路、短路、老化、阴影和电池板裂片5种故障,提出了一种改进型RBF神经网络的故障诊断识别算法。首先,建立RBF神经网络的光伏阵列故障诊断模型,确定基于遗传算法的故障模型隐层中心的确定方法,然后针对基于粒子群优化算法的网络模型进行自适应权重寻优的仿真实验。最后,将优化的算法与传统RBF神经网络算法进行对比。结果表明:该优化算法不仅可以有效地诊断光伏阵列的故障类型,还可以提高故障诊断的准确率。     

基于CNN的供热管道泄漏识别方法研究

为了快速识别出供热管道泄漏故障,以管道泄漏时产生的负压波特征,研究提出了利用卷积神经网络（CNN）识别压力数据的管道漏损诊断方法。通过搭建供热管道实验平台,采集了正常、泄漏、调阀三种工况下的压力数据作为卷积神经网络的训练集和测试集。对原始数据进行小波降噪处理,应用硬阈值的处理方法有效消除了噪声信号,同时在调阀工况中出现了强化特征,增强了卷积神经网络的分类能力。针对一维数据特征采用改进的AlexNet卷积网络模型对采集的数据进行学习及识别。结果发现,在对实验室数据测试中,CNN模型的平均识别正确率达98.39%。在对实际管网的验证中,三个热力站的泄漏数据均被正确识别,表明CNN模型具备良好的故障诊断能力。     

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。     

改进卷积 Lenet-5 神经网络的轴承故障诊断方法

针对滚动轴承微弱信号在强噪声、变工况复杂环境下,难以实现有效的故障诊断问题,提出了一种改进卷积 Lenet-5 神 经网络的轴承故障诊断方法。 首先,对采集的一维时域轴承振动信号进行预处理转化成便于卷积操作的二维灰度图;其次,将 最基本的 Lenet-5 模型中的连续单向的传统卷积层改进为 Block1 模块、Block2 模块、Block3 模块,提取到更完整、更精准的特征 信息;最后,为了防止网络出现过拟合现象,采用 L2 正则化和 Dropout 优化网络。 为了验证本文所提方法在复杂工况环境的鲁 棒和泛化性能,利用滚动轴承数据集和变速箱实验数据集进行实验验证。 轴承数据集实验结果表明,本文所提出的方法在变噪 声实验中准确率平均值都在 99. 3%;在变负荷实验中,故障诊断准确率都高于 90. 26%;在变工况实验中,故障诊断准确率平均 值都高于 89. 01%;在变速箱数据集实验中,抗噪性故障诊断准确率高达 96. 3%。 采用改进的 Lenet-5 方法对滚动轴承 12 种故 障类型具有更好的分辨能力,在变工况下具有更好的抗干扰性和泛化性能。     

基于 1DCNN-BiLSTM 组合模型的 S700K 转辙机故障诊断

针对 S700K 转辙机故障诊断有效特征提取困难,信号处理与分类算法难以联合优化的问题,提出了一维卷积神经网络 (1DCNN)与双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)结合的转辙机故障诊断方法。 首先,对微机 监测系统采集的转辙机功率曲线进行处理;其次,通过卷积神经网络(convolution neural networks,CNN)的卷积层和池化层对处 理后的数据自适应提取故障特征;再经过扁平层(Flatten)把提取的故障特征作为 BiLSTM 层的输入,进一步挖掘深层次的特征; 最后使用 Softmax 函数实现智能故障诊断。 以某铁路局提供的真实数据验证模型,结果显示所提模型的精确率、召回率和 F1 值 等评价指标分别达到 98. 99%、98. 89%和 98. 89%,相较于其他经典故障诊断模型,1DCNN-BiLSTM 模型在保证训练速度较快的 情况下,将故障诊断的准确率至少提升了 1. 08%。