基于FCM-FM算法的光伏阵列故障诊断

工作于自然环境的光伏阵列故障频发,及时对故障进行定位和分类对于提高光伏电站运行水平具有重要意义。针对光伏阵列的常见故障类型（短路、开路、局部遮挡等）,基于运行数据提出无监督模糊C均值（FCM）聚类与模糊隶属（FM）算法相结合的光伏阵列故障诊断方法。论文首先对光伏阵列典型故障的产生机理进行分析并提取故障特征参数;然后,采用FCM聚类方法对光伏阵列典型故障样本数据进行分类,得到不同故障的聚类中心;最后,利用FM算法计算运行数据与聚类中心的隶属度,判定故障类型。基于数字模拟实验和实证测试,验证上述方法的有效性。分析结果表明,本文方法可有效判别光伏阵列的典型故障,诊断结果准确、可靠。     

基于NLMS-WP及BP的风机轴承故障诊断方法

为解决风机轴承故障诊断问题,全面提取轴承运行状态的特征信息,提出了基于NLMS与WP相融合的特征提取及神经网络相适配的故障诊断方法。首先采用自适应滤波器对故障信号进行滤波去噪,再利用小波包对信号进行分解重构并提取其能量特征,将小波包各个频段的能量比系数作为风机轴承的故障特征,并通过改进的神经网络模型分类识别轴承的故障信号,实现不同类型的轴承故障诊断。试验结果表明,该方法弥补了传统故障诊断方法的不足,提高了故障类型识别率和故障诊断准确率,诊断效果良好。     

基于AVMD和WDK的风电齿轮箱轴承复合故障诊断方法研究

针对强背景噪声下轴承微弱复合故障特征提取困难的问题,提出一种基于自适应变分模态分解（AVMD）和优化的Wasserstein距离指标（WDK）的风电齿轮箱轴承复合故障诊断方法。首先,引入自适应学习粒子群优化算法（ALPSO）,以平均包络熵作为ALPSO的适应度函数来搜索变分模态分解的最佳影响参数,从而构造AVMD;其次,结合Wasserstein距离（WD）和峭度优点,提出WDK指标筛选有效模态分量,并对筛选的有效模态分量进行重构;然后,通过对重构信号进行包络谱分析实现轴承复合故障的诊断;最后,将所提AVMD-WDK方法应用于某风场2 MW风电齿轮箱轴承振动信号的故障诊断。结果表明,该方法能有效提取轴承的微弱故障特征,实现轴承复合故障的精确诊断。     

基于AEWT-KELM的风电机组轴承故障诊断策略

针对风力发电机组轴承故障振动信号传递路径复杂多变,且故障信号易受到背景噪声的严重干扰,传统方法对故障特征难以准确提取的问题,提出一种自适应经验小波变换（AEWT）与奇异值分解（SVD）的特征提取方法,并结合核极限学习机（KELM）实现风电机组轴承的故障诊断,该方法同时考虑轴承不同故障类型及不同损伤等级的情况。其中,自适应EWT为两阶段调整过程：基于尺度空间法固有模态函数（IMF）分解-确保EWT分解的有效性、基于相关系数最大的敏感分量提取-实现相关特征最大化和冗余信息的消除。通过相关实验结果可明显发现,所提AEWT的分解效果优于EMD、EEMD、CEEMDAN、LMD等方法。对提取敏感分量利用SVD计算奇异值,构建故障特征向量;最后将特征向量作为KELM的输入,建立KELM轴承状态识别模型。通过西储大学平台轴承振动信号和实际风场采集的轴承振动信号对算法进行验证,结果表明,相比SVM、ELM、KNN等识别模型,该方法能有效识别出不同故障类型及不同损伤等级下的轴承故障,整体识别率达99%。     

基于S-SLLE的风电机组齿轮箱故障诊断方法研究

针对风电机组齿轮箱结构复杂、受交变载荷和恶劣工作环境影响容易出现故障导致停机的问题,提出基于统计学K-均值聚类理论的统计型监督式局部线性嵌入流形学习（S-SLLE）特征维数约简方法,首先通过对齿轮箱振动信号时频域故障特征提取,剔除冗余特征向量,减少诊断模型的复杂度和计算量,再利用RBF核支持向量机分类器建立诊断模型,对S-SLLE提取的特征向量进行分类识别,以提高故障诊断模型的识别率。最后利用MFS机械故障模拟综合实验系统进行齿轮箱多类振动故障实验,通过对其实验故障信号的分析处理,其诊断实例结果验证了提出的S-SLLE RBF-SVM诊断模型能准确有效地进行风电机组齿轮箱故障诊断识别。     

改进VMD融合深度学习在滚动轴承故障诊断中的应用

针对滚动轴承早期振动信号微弱且难以提取的问题,结合灰狼算法与变分模态分解（Variational mode decomposition,VMD）提出改进变分模态分解（Improved variational mode decomposition,IVMD）方法分解轴承故障信号,并基于快速谱峭度图（Fast kurtogram,FK）提取特征分量进行信号重构,采用深度学习与混沌理论对各故障轴承重构信号进行非线性分析,完成故障识别。在保留原故障信息整体几何结构的同时降低了特征数据复杂度,增强了故障状态分类能力。基于损伤轴承实验数据验证所提方法的有效性。结果表明：IVMD较VMD能更好地分解故障信号,快速谱峭度图可有效提取特征分量;采用IVMD FK进行信号前处理后,经卷积神经网络（Convolutional neural network,CNN）进行故障分类,准确率高达99.99%,远高于传统故障诊断方法;在强噪声环境下此方法仍可较好地进行故障分类,在-8dB噪声下准确率达到75.75%,具有良好的鲁棒性;同时,结合混沌相图与Lyapunov指数反映故障信号的混沌特性,随卷积层数增加Lyapunov指数逐渐减小,表明深度学习模型和混沌理论可从混沌序列中提取纯净特征信息,准确进行故障识别。     

基于EEMD和模糊C均值聚类算法诊断发动机曲轴轴承故障

针对发动机振动信号的非平稳性以及特征参数的模糊性特点,提出了一种基于集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）和模糊C均值聚类（Fuzzy Center Mean,FCM）的故障诊断方法,通过对已知故障样本信号进行EEMD分解,形成初始特征向量矩阵;对该矩阵...     

基于高斯核模糊C均值聚类的光伏阵列故障诊断方法

光伏阵列故障诊断过程中传统的故障特征量难以区分特征相似的单故障和多重故障情况,而实际诊断中外场实验采集到的数据也含有较强的噪声,从而导致故障诊断准确率下降。针对这一问题,提出由一个新的特征向量对不同故障进行表征,该特征向量包含:归一化电压Vnorm、归一化电流Inorm、填充因子FF共3个特征量,并利用这3个特征量采用高斯核模糊C均值聚类(GKFCM)方法对光伏阵列中8种故障进行故障识别的方法。这3种故障特征量的结合可有效减少外界气象条件对故障识别的影响;由于GKFCM对复杂数据集具有良好的聚类性能,在复杂环境下不同故障类的识别过程中可有效提高识别准确率。该算法分为训练和测试阶段,在训练阶段对训练集中故障数据利用3个特征量构成的特征向量进行表征并聚类获取类心,在故障识别阶段新故障数据利用同样的方法获得聚类类心并与训练阶段获得的各类故障类心进行相似度计算,从而实现故障分类和新故障的识别。该方法不仅可诊断单故障情况,也可识别多重故障情况,具有较强的抗干扰能力。最后通过仿真及实验证明该方法可有效诊断光伏阵列中的常见故障。     

基于多尺度深度卷积网络特征融合的滚动轴承故障诊断

针对传统滚动轴承故障诊断模型对工程先验知识依赖性强、提取特征不充分、分类器选取困难等问题,提出一种基于多尺度深度卷积网络特征融合的滚动轴承故障诊断模型。首先,建立集特征提取与模式识别于一体的卷积神经网络模型,利用小波变换将滚动轴承振动信号转换为二维图像作为输入样本集。然后,在网络结构中构建多尺度特征融合模块自适应提取故障样本不同层级特征,以实现样本不同尺度特征的充分提取。最后,将故障样本输入到网络中实现轴承信号特征自适应提取及端到端诊断。实验结果表明,所提基于多尺度深度卷积网络特征融合的故障诊断模型能充分提取信号各层级特征,在不同噪声干扰下具有较高的诊断精度和鲁棒性,可为滚动轴承故障诊断提供理论基础和实现途径。     

PCA-CLUSTER和EMD-CNN相结合的光伏发电设备故障诊断方法

针对光伏发电设备的输出特性具有时间序列的特征,提出了一种主成分分析-聚类算法(PCACLUSTER)和经验模态分解-卷积神经网络(EMD-CNN)相结合的光伏发电设备故障诊断方法。首先,通过对时间序列进行主成分分析(PCA),从冗余特征中提取主要成分,降低聚类输入维数,再利用K-Means算法对时间序列进行聚类;然后,通过经验模态分解(EMD)方法提取时间序列特征,再利用卷积神经网络(CNN)进行训练和分类,并最终判断出光伏发电设备具体的故障类型。实验结果和应用效果表明,该方法可以有效实现光伏发电设备的故障诊断。     

基于EEMD-LSTM的汽轮机转子碰磨故障诊断模型及其工程应用

汽轮机转子与静子间的碰磨严重影响着机组的安全运行。为了解决汽轮机转子发生在早期和中期的碰磨故障难以通过基于振动信号检测诊断方法进行有效识别的问题，本文提出一种基于EEMD-LSTM的汽轮机转子碰磨故障诊断方法。首先，该方法通过声发射技术监测汽轮机转子的碰磨故障信号；然后，利用EEMD信号分解方法处理获取的声发射信号，并提取能量特征参数和相关的时域特征参数，从而获得碰磨故障特征数据集；最后，利用划分的数据集对LSTM神经网络进行训练与测试，从而获得碰磨故障诊断模型。工程应用结果表明，本文提出的方法能够有效识别机组在不同转速时期的早期碰磨故障，且故障诊断的准确率较高。     

隐马尔科夫模型在滚动轴承故障诊断中的应用

为提高滚动轴承故障诊断的精度,提出了一种能够对其故障位置及严重程度进行诊断的方法:首先利用小波分解得到的不同频段的能量作为监测指标向量,并对所有故障的监测指标向量进行归一化处理,采用K-means方法从监测指标向量中提取特征向量,然后利用隐马尔科夫模型对故障进行建模和诊断,在此基础上建立故障定位矩阵,确定故障位置。以美国凯斯西楚轴承实验室的数据为基础,用上述方法能够识别不同故障严重程度,且对故障位置的判定准确率超过90%。     

基于深度学习与支持向量机的滚动轴承故障诊断研究

针对滚动轴承运行环境复杂,传统故障诊断方法难以从强非线性信号中提取有效故障特征,且无法充分利用信号自身特征的问题,提出CNN-LSTM-SVM故障诊断方法。以滚动轴承加速度寿命实验数据为研究对象,基于卷积神经网络(Convolutional Neural Network, CNN)与长短期记忆网络(Long Short Term Memory, LSTM)技术提取信号特征并结合支持向量机(Support Vector Machine, SVM)完成故障分类。结果显示：该方法具有良好外推性能,在变演变阶段下的平均准确率达到95.92%,与现有方法相比,至少高出11.34%,且在噪声环境下的诊断准确率均高于现有方法,稳定性更佳,体现良好的鲁棒性与泛化性。     

基于CCA-DCNN算法和数字孪生的给水回热系统故障诊断研究

针对核电二次回路中给水回热等复杂热工系统故障诊断存在样本稀缺、数据高维耦合以及数据预处理丢失特征信息导致传统诊断模型准确率受限的问题，提出一种基于相关分析进行深度学习的故障诊断方法。首先，构建给水回热数字孪生系统，建立故障诊断数据仓库；然后，利用综合相关分析(CCA)方法建立系统状态矩阵，搭建深度卷积网络，对系统状态特征进行深入挖掘，并通过可视化(VS)方法将网络的内部过程可视化；最后，建立基于深度卷积网络的故障诊断模型，诊断给水回热系统的典型故障，包括管道泄漏、水室短路、传热恶化、阀门卡涩等。结果表明：该数字孪生系统能够实现对给水再热系统正常和故障工况下的精确仿真，并满足后续深度学习模型的数据要求；基于综合相关分析和深度卷积网络算法的故障诊断模型能够实现时变、多维工业数据的故障诊断；采用T分布随机领域嵌入(TSNE)方法对模型可视化发现，模型的不同故障类型有明显的区别，相似的故障数据有明显的聚合性。     

Fault diagnosis of PEMFC systems based on an auxiliary transfer network

Data-driven fault diagnosis methods require huge amounts of expensive experimental data. Due to the irreversible damage of severe fault embedding experiments to proton exchange membrane fuel cell (PEMFC) systems, rare available data can be obtained. In view of this issue, a fault diagnosis method based on an auxiliary transfer network (ATN) is proposed. This method uses two parallel neural networks (main and auxiliary neural network) and a prediction fusion module to realize fault diagnosis. The auxiliary neural network is a fault diagnosis classifier pretrained based on both slight and severe fault simulative data, and its weights are transmitted into the ATN structure and frozen. After that, the main neural network is trained based on a large number of slight fault experimental data and a small number of severe fault experimental data. Through ATN, the main neural network learns the abstract features of severe faults under the guidance of auxiliary neural network, and realizes the transfer learning from simulation-based fault diagnosis classifier to experiment-based fault diagnosis classifier. Through testing, the accuracy and precision of ATN-based fault diagnosis classifier with LSTM as both main and auxiliary neural network reaches 0.993 and 1.0 respectively, which is higher than the common data-driven methods.     

基于深度学习的汽水分离再热数字孪生系统故障诊断研究

针对汽水分离再热系统等复杂工业系统,为解决传统故障诊断模型准确率受限于故障样本稀缺和故障数据时间维度与变量维度耦合的问题,提出一种基于深度学习的故障诊断方法。首先,构建汽水分离再热数字孪生系统,用以建立故障诊断数据仓库,解决数据样本层面稀缺性的问题。其次,进一步构建基于深度残差网络的故障诊断模型,用以诊断汽水分离再热系统典型故障,包括流量不均、破口、传热恶化和阀门特性变化,从而解决数据变量层面时变、多维度的问题。结果表明：数字孪生系统能够实现汽水分离再热系统稳态、动态和故障工况的精确仿真,满足后续深度学习模型的数据需求;基于深度残差网络的故障诊断模型能够实现时变、多维工业数据的故障诊断;采用T分布随机邻域嵌入(TSNE)方法对模型可视化,可对不同故障类型的数据进行明显区分。     

Data-driven fault diagnosis for PEMFC systems of hybrid tram based on deep learning

The running state of the hybrid tram and the service life of fuel cell stacks are related to the fault diagnosis strategy of the proton exchange membrane fuel cell (PEMFC) system. In order to accurately detect various fault types, a novel method is proposed to classify the different health states, which is composed of simulated annealing genetic algorithm fuzzy c-means clustering (SAGAFCM) and deep belief network (DBN) combined with synthetic minority over-sampling technique (SMOTE). Operation data generated by the tram are clustered by SAGAFCM algorithm, and valid data are selected as fault diagnosis samples which include the training sample and the test sample. However, the fault samples are usually unbalanced data. To reduce the influence of unbalanced data on the fault diagnosis accuracy, SMOTE is employed to form a new training sample by supplementing the data of the small sample. Then DBN is trained by the new training sample to obtain the fault diagnosis model. In this paper, the proposed method can well distinguish the four health states, which are high deionized water inlet temperature fault, hydrogen leakage fault, low air pressure fault and the normal state, with an accuracy of 99.97% for the training sample and 100% for the test sample.     

基于分层结构神经网络的10kV配电网单相接地故障区段定位方法

针对10kV配电网单相接地短路故障发生位置难以确定的问题,提出利用配电网中的多源数据,通过构建分层结构神经网络进行故障区段定位的方法。首先提取各种类型10kV配电网的固有特征,在分层结构神经网络的聚类层根据配电网的这些固有特征,利用自组织映射神经网络进行聚类分析,得到不同类别配电网;然后在分层结构神经网络的训练层对各类配电网分别用广义回归神经网络对故障定位条件特征与结果特征进行训练,得到各类配电网的故障定位模型;最后将发生单相接地短路故障的配电网下属各区段故障定位条件特征输入至所对应的故障定位模型中,判断各区段故障情况,实现故障定位。实际算例分析表明,所提出的方法能快速、准确地找出10kV配电网单相接地故障发生的区段,且具有较好的容错性。     

基于注意力机制的燃气轮机故障诊断方法研究

针对目前燃气轮机基于数据驱动的故障诊断技术诊断精度有待提升的问题,建立某型号燃气轮机的热力学模型并植入故障特征构造训练样本,在此基础上训练一种基于注意力机制的卷积神经网络与长短期记忆网络结合的神经网络模型。卷积层和注意力机制模块提取燃气轮机多维度的故障特征,长短期网络层进行时序动态故障参数处理。研究表明：相比于典型卷积神经网络,这种神经网络模型不仅能够识别多种故障的动态特征,对于各类故障的诊断能力均可达到93%以上,且加入注意力机制模块后对于不同的故障类型诊断准确率最高提升约3%。