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。     

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。     

高压直流输电线路单端智能故障定位方法

针对当前高压直流输电线路故障定位方法中存在的问题，提出一种基于S变换组合特征能量和改进一维卷积神经网络-门控循环单元混合神经网络模型的单端智能故障定位方法。首先，对直流输电线路故障电压、电流数据分别进行S变换，提取特征频率范围内的能量；然后归一化电压、电流特征能量并构成组合能量特征向量；最后将组合能量特征向量形成的数据集输入改进的一维卷积神经网络-门控循环单元模型进行训练和测试，实现故障定位。结果表明，该模型具有较高的定位精度和较好的鲁棒性。     

基于注意力机制的CNN-BIGRU短期电价预测

针对短期电价预测的复杂性和精确度较差的问题,本文提出一种基于注意力机制的卷积神经网络和双向门控循环单元网络的短期电价预测模型。该模型将历史电价数据经过数据预处理后作为输入,首先利用卷积神经网络提取历史电价序列中的特征;其次,将提取的特征向量构造成时间序列输入到双向门控循环单元网络,充分挖掘特征内部的变化规律进行训练;然后,引入注意力机制来突出重要信息的影响并赋予权重,利用注意力机制对双向门控循环单元网络每个时间步的输出进行加权求和;最后,在全连接层通过激活函数计算输出最终预测值。通过实例验证了本文所提模型的准确性。     

基于多通道卷积双向长短时记忆网络的输电线故障分类

针对单通道故障分类器不能全面表达三相故障特征信息引起分类精度不高的问题,提出了一种基于多通道卷积双向长短时记忆神经网络(MCCNN-BiLSTM)的输电线故障分类方法.该方法可同时输入故障三相信号,并能有效提取故障信号的空间和时间特征,实现了三相故障信号特征的全面提取,有效地提高了神经网络的分类的精度.基于735 kV...     

基于卷积深度网络的高压真空断路器机械故障诊断方法

高压断路器执行机构所产生的振动信号蕴含着丰富的机械状态信息。针对传统基于浅层的振动信号分析法存在特征提取和泛化能力等方面的不足,提出一种基于卷积神经网络和长短期记忆网络的混合深度网络。该网络利用卷积层对原始振动数据进行特征转换,结合门控循环单元的局部时域特征表示能力,对故障敏感特征进行提取。通过对10 kV真空断路器振动信号的分析实验表明,所提出的混合网络模型在ROC曲线和PR曲线上的诊断性能要优于广泛应用的支持向量机诊断法。这种端到端的故障诊断策略通过振动信号特征的深度映射能够有效提高机械状态故障识别精度。     

基于深度卷积和门控循环神经网络的 传感器运动识别

用于可穿戴传感器的人体运动识别任务的传统机器学习方法通常需要手工提取特征,可以自动提取人体运动数据特征的深度神经网络正成为新的研究热点。目前将卷积神经网络(CNN)和长短期记忆(LSTM)循环神经网络组合而成的DeepConvLSTM在识别精度方面有着优于其他识别方法的表现。针对带有长短期记忆循环单元的神经网络的训练较为困难的问题,提出了一种基于卷积神经网络和门控循环单元(GRU)的融和模型,并在3个公开数据集(ACT数据集、UCI数据集和OPPORTUNITY数据集)上与卷积神经网络和DeepConvLSTM进行了性能对比。实验结果显示,该模型在3个公开数据集上的识别精度都高于卷积神经网络,与DeepConvLSTM相当,但是收敛速度比DeepConvLSTM更快。     

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。     

基于多层注意力机制的4DC-BGRU脑电情感识别

为了提高脑电情感识别的准确率，提取更丰富的特征信息，提升网络模型稳定性，提出一种改进的基于多层注意力机制的脑电情感识别模型。在特征提取方面，将原始脑电信号转换成四维空间 频谱 时间结构，提取丰富的脑电信息。在网络模型方面，构建双路卷积神经网络学习空间及频率信息，有效提取多尺度特征，增加网络宽度来学习更丰富的特征信息；在卷积层及池化层后融入批量归一化层，防止过拟合。最后，构建多层注意力机制 双向门控循环单元模块处理时间特征并配合Softmax分类。采用双向门控循环单元学习更全面的上下级特征信息。利用多层注意力机制使四维特征中不同时间切片与整体时间切片之间产生关联。该文在DEAP数据集唤醒度和效价两个维度进行了评估实验，二分类平均准确率分别为96.38%和96.73%，四分类平均准确率为93.78%。实验结果显示，与单路卷积神经网络及其他文献算法相比，该文算法的平均准确率有所提高，表明该算法可以有效提升脑电情感识别性能。     

基于时频分析的风力发电机轴承剩余寿命预测

轴承作为风力发电机的重要传动机构,工作环境恶劣,存在较高故障率,一旦发生故障将造成巨大经济损失。因此,准确地预测轴承的剩余寿命对于实现轴承的健康在线监测和视情维修具有重要的工程应用价值。采用基于数据驱动的剩余寿命间接预测方法,首先,使用短时傅里叶变换对降噪后的轴承高频振动信号进行时频分析,将时频域特征进行结合并充分考虑振动信号的局部特征和时变性;然后通过多层卷积自编码器网络对获得的时频图进行自动压缩和特征提取,获得轴承退化过程中的一维健康指标曲线;最后构建多层门控循环单元网络模型,将轴承的一维健康指标曲线作为模型的输入,映射到轴承的剩余寿命。使用FEMTO轴承数据集作为实验数据,验证了所提方法的有效性。     

神经网络的柔性改进及其在开关磁阻电机控制中的应用

提出三自由度柔性双极性神经网络的结构、原理以及算法,由于网络多自由度学习的特点,使得其学习能力较传统神经网络大为增强。为了全面研究网络柔性对学习能力及复杂性的影响,将三自由度网络与单自由度网络及两自由度网络进行了比较。在学习逼近开关磁阻电机非线性磁化曲线过程中,基于三自由度的神经网络表现出优良的性能,和传统神经网络及两自由度网络比,其更加柔性的特点可以使网络具有更少的神经元、更快的学习速率。基于所提三自由度神经网络,建立了开关磁阻电机转矩逆模型和磁链模型,构建了电机控制系统,有效补偿了电机的非线性特性。仿真结果表明,基于柔性神经网络的开关磁阻电机控制系统有效降低了转矩脉动,系统运行平滑。     

一种基于多神经网络的组合负荷预测模型

针对BP神经网络、RBF神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。     

基于多分辨正交多小波的神经网络研究

根据多小波空间中函数的多分辨率分解思想,构造了一种基于正交多小波的神经网络.该网络和小波网络结构相似,只是用同时具有紧支撑集、对称性、正交性和高阶消失矩的多尺度函数和多小波函数代替单尺度和单小波函数作为网络的激励函数.从理论上分析可得,多小波网络比单小波网络的收敛速度要快.为了比较这两种网络,对两种网络进行了对比仿真.仿真表明,实验结果和理论相吻合,另外多小波网络比单小波网络有更好的测试能力.     

BP神经网络在弹簧快速设计中的应用

无初拉力圆柱螺旋拉伸弹簧（以下简称弹簧）的没计通常采用试凑法。本文提出的神经网络应用方法，只要对多组已有弹簧设计方案的结果进行学习训练，就能得到同类弹簧快速设计的神经网络模型。通过实例的检验，证实了该设计方法的正确性和有效性。     

神经网络在水轮机建模中的应用

讨论了各种水轮机特性曲线的处理方法,提出了利用神经网络技术建立水轮机非线性数字模型的新方法,所建立的水轮机特性神经网络模型能真实地表达水轮机的特性,解决了插值法的导数不连续问题,改善了水击计算的收敛性.     

基于小波神经网络的电网故障诊断研究

分析了小波神经网络的基本原理,将小波神经网络引入到电网故障诊断并在4母线系统进行了测试.仿真结果表明,该方法具有很好的故障诊断能力,与基于BP神经网络的电网故障诊断方法相比,基于小波神经网络的电网故障诊断方法原理简单、诊断效果更为理想.     

CNN理论应用于连通片检测器研究

本文在细胞神经网络原理的基础上,设计实现单细胞电路,研究了连通片检测器在细胞神经网络中的应用。     

双重BP神经网络组合模型在实时数据预测中的应用

在回归和延时神经网络的基础上，利用非线性组合预测方法的优点，提出一种新的预测模型--双重BP神经网络组合模型模型，选用某660MW机组的主蒸汽流量数据进行学习训练，实例计算结果表明双重BP神经网络组合模型可提高单项预测模型的精度，校核样本的平均相对误差为1.5%，而单独采用回归神经网络和延时神经网络进行预测的平均相对误差分别为2.7%和1.9%，证明双重BP神经网络组合模型具有很高的预测精度，可应用于火电厂实时数据的有效性验证。     

多层SPDS神经网络式电流保护

提出了一种基于SPDS神经网络的全新的电流保护方式。该网络采用的是3层SPDS神经网络模型，由三部分构成：故障类型与相别判断子网络ANN1、故障方向判别子网络ANN2、振荡识别子网络ANN3。通过大量的Matlab和EMTP仿真实验，对该模型进行了各种故障状态的训练和测试，并与BP网络进行比较，发现SPDS网络训练速度快，且证实了基于SPDS网络的电流保护的可行性。     

永磁同步电机的模糊混沌神经网络建模

采用模糊混沌神经网络建立了具有混沌特性的永磁同步电机(PMSM)模型。永磁同步电机在一定工作情况下呈现混沌运动，根据PMSM的数学模型得出其混沌特性曲线。将混沌神经网络与模糊理论相结合设计出协作型模糊混沌神经网络，并据此网络建立了永磁同步电机的模糊混沌神经网络结构模型，该模型在结构上为神经网络，具有混沌特性，在功能上是模糊系统；确定了模型的输出函数，并推导了模型的学习算法，仿真结果表明永磁同步电机的模糊混沌神经网络模型与原系统是等价的。