基于深度卷积网络的多传感器信号故障诊断方法研究

针对传统故障诊断方法中多传感器数据融合技术难度大、特征提取困难等问题,提出了一种基于深度卷积网络的多传感器信号故障诊断方法,通过构建测量数据帧进行卷积计算实现多通道数据的自然融合,利用深度网络结构实现高层特征的自动提取和分类,从而高效地实现了故障分类诊断;经分别采用小规模数据集REF和大规模故障数据集BI02进行实验验证,均取得了较高的故障识别准确率,具有很强的工程应用价值。     

基于MAS和贝叶斯网络的电网故障诊断研究

本文采用贝叶斯网络的故障诊断方法,建立了基于MAS的电网故障诊断体系。该系统具有较好的主动性、自适性和扩展性,有助于提高电力系统的诊断效率。     

基于深度残差网络的采煤机摇臂齿轮故障诊断

针对传统的采煤机摇臂齿轮故障诊断方法不能自主提取特征,导致齿轮故障诊断精度和效率不佳等问题,构建了基于深度残差网络(ResNet)的采煤机摇臂齿轮故障诊断模型。通过预激活残差单元模块降低模型的复杂度,使模型收敛速度更快;通过对振动信号进行数据重组,优化数据输入方式,提高模型对采煤机摇臂齿轮故障的识别能力。在采煤机摇臂加载实验台上进行模型验证实验,采集摇臂直齿轮正常、磨损、断裂、点蚀和裂纹5种状态下的振动信号,得出其特征具有明显差异;对测试集的混淆矩阵进行可视化分析,验证了ResNet模型能够很好地实现采煤机摇臂齿轮故障分类;与DNN模型和LeNet-5模型对比结果表明,ResNet模型具有更高的故障诊断精度和效率,综合识别率和F-score分别达到99.19%和99.05%;采用t-SNE技术对ResNet模型的最大池化层、预激活残差单元模块和全连接层输出的高维特征进行降维和可视化,验证了ResNet模型具有较强的特征提取能力。     

基于深度残差网络的光伏故障诊断模型研究

分布式光伏电站的部署环境较为复杂,在实际运行中难免会产生多种故障.针对上述问题,提出了一种基于深度残差网络结构的分布式光伏电站故障诊断模型,对光伏电站的设备运行时序数据进行分析处理,实现对故障类别的快速准确判断.该模型使用一维卷积核感知时序数据特征,通过多级卷积结构提升模型的诊断能力,并采用残差结构解决模型深度增加造成的梯度消失问题,加速了深度模型的训练.光伏电站的测试数据实验结果表明,提出的模型相较于多种常见的智能模型具有较高的故障诊断准确度.该模型的推广使用不仅可以大幅减少光伏电站故障巡检投入,而且还能够提高光伏电站故障诊断效率.     

基于GRU网络的电网故障诊断方法研究

为了提高电网故障诊断的效率和准确性,提出一种基于GRU(Gated Recurrent Unit,GRU)网络的单相接地故障诊断模型.南方电网数据验证结果表明,基于GRU网络的电网故障诊断模型能够有效诊断单相接地故障,诊断准确率可以达到91.9％.     

基于深度学习的航空传感器故障诊断方法

为解决传统神经网络进行传感器故障诊断时存在的过拟合、泛化能力有限等问题,提出一种基于深度置信网络观测器的航空传感器故障诊断方法。利用深度置信网络替代浅层神经网络,在优化网络结构的基础上,给出深度置信网络隐层节点数选取的递推公式,构建深度置信网络状态观测器。离线训练时,利用飞行数据训练深度置信网络观测器。在线诊断时,通过比较观测器输出值与实际输出值判断故障类型,并给出3种故障隔离与信号重构方法。仿真结果表明,与BP神经网络观测器相比,该方法能够快速准确地进行故障诊断与隔离,并且完成信号重构。     

一种基于模糊积分决策融合方法的故障诊断方法

文中利用系统故障症状的分散性,采用多级模糊积分决策融合思想,给出了一种新的故障诊断方法。用多传感器数据融合来保证量测信号的准确性,针对故障的不同表现症状,采用模糊积分决策融合方法,给出相对应的故障诊断结果。最后以仿真实例,说明所提方法的正确性。     

基于深度学习的集成化装备故障诊断方法综述

集成化装备的结构和功能日益复杂,传统的故障诊断方法难以进行准确的特征提取,而深度学习具有强大的学习能力,能够有效挖掘特征,适合于集成化装备的故障诊断。为此,首先按照应用领域的不同,分别描述了国内外基于深度学习的故障诊断最新研究进展;其次,简要介绍了三种典型的深度学习故障诊断方法（深度置信网络、堆栈自编码机和卷积神经网络）,整理出已经取得的成果和存在的问题并做出总结;而后将基于深度学习实现故障诊断面临的挑战总结为六种类型,并根据前文总结出的研究成果提出了研究思路;最后结合实际应用情况,提出了四种发展方向。     

基于深度置信网络的机械加工故障诊断系统设计

针对机械加工过程中存在故障信息不易识别的问题,提出了一种新的故障诊断方法,构建了基于B/S架构的在线故障诊断系统,实现机械加工数据信息的采集、传递、计算和诊断.通过物联设置,提高了机械加工数据处理的能力;通过构建改进型深度置信网络(DBN),在常规计算基础上加入加速器,提高了深度置信网络计算的速度.通过BP神经网络模型...     

基于深度信念网络的模拟电路故障诊断

为及时精准地发现模拟电路故障,保障电子仪表的安全稳定运行,提出了基于深度信念网络的模拟电路故障诊断方法。采用自动编码器模拟电路初始故障信号进行降噪处理,将降噪后信号输入到深度信念网络中提取特征,极限学习机根据特征建立故障诊断模型,结果表明,深度信念网络可以有效提取模拟电路各类故障特征,模拟电路各类故障的整体诊断精确率可达到98.47%,可为模拟电路保障诊断提供了一种新的工具。     

基于深度学习的智能设备故障诊断研究综述

智能设备故障诊断技术(Intelligent Fault Diagnosis, IFD)将深度学习理论应用于设备故障诊断,能自动识别设备的健康状态和故障类型,在设备故障诊断领域引起了广泛关注。智能设备故障诊断通过构建端到端的AI模型和算法将设备监测数据与机器健康状态关联以实现设备故障诊断,但设备故障诊断的模型和算法较多且相互之间并不通用,采用与监测数据不相符的模型进行故障诊断会导致诊断准确率大幅度下滑。为解决这一问题,在全面调查设备故障诊断相关文献的基础上,首先简述深度设备故障诊断的模型框架,再根据具体应用场景和设备监测数据类型对模型算法进行分类介绍、列表对比及总结,最后针对存在的问题分析了未来的发展方向。本综述有望为智能设备故障诊断的研究提供有益的参考。     

基于深度学习的缺失数据故障诊断方法研究

由于不完整观测数据会严重影响故障的诊断结果,针对缺失率增大、观察变量之间相关系数降低及传统插补方法无法有效提取数据潜在特征等问题,本文提出了一种基于深度学习的插补方法来估计缺失数据。实验验证了该方法的有效性。     

基于深度置信网络风电机组变桨系统的故障诊断

针对风电机组变桨系统常见故障,提出一种基于深度置信网络(DBN)的故障诊断方法。设计出基于DBN的变桨系统故障诊断框架;通过堆叠多层受限玻尔兹曼机(RBM),对比重构数据与原始输入数据差异,研究了DBN故障特征自提取能力;将堆叠RBM提取的故障特征输入到顶层分类器中进行训练,得到故障诊断模型;最后采用风场真实故障数据集进行了验证测试。实验结果表明,采用该方法进行风电机组变桨系统故障诊断相比其他方法具有更高的准确率。     

基于深度信念网络的列车故障音频诊断方法

铁路在交通运输行业有着举足轻重的地位,一旦列车发生故障将会导致严重的生命财产损失。由于列车发生故障的概率相对较低,因此难以捕获列车的故障样本。针对上述问题,提出了一种无监督学习的列车故障识别方法,通过检测列车音频信号来识别列车故障。该方法基于深度信念网络(DBN),利用小波包分解提取检测信号的特征向量并将其作为DBN的输入,待网络充分训练后,由训练好的DBN识别当前列车的运行状况。现场监测实验结果表明,该方法能够在无监督的条件下有效识别列车故障,保障了列车的运行安全。     

基于改进免疫遗传算法的电网故障诊断研究

针对电网故障的特点,应用一种改进的免疫遗传算法对电网故障进行研究。该算法能够较好地解决传统遗传算法的不足。通过引入新的交叉和变异率,更多考虑了种群的全局特征,采用动态自适应方式提取疫苗,避免了传统遗传算法收敛速度较慢的缺点。改进的算法本着优胜劣汰的思想,删除适值较低的抗体群,取而代之的是随机生成的部分新抗体,保持种群的多样性。建立一个新的目标函数,通过对一个电网的分析,验证了方法的有效性。     

基于粒子群优化以及深度胶囊网络的轴承故障诊断

针对发动机轴承损坏情况严重以及基于模型方法预测精度不稳定的问题,提出一种基于深度胶囊网络和粒子群优化算法的轴承故障预测方法.通过将观测振动信号自适应降噪后,基于粒子群优化算法进行稀疏盲分离,得到轴承振动信号,通过S变换获取时域图以及轴承振动特征,其次将时域图经由卷积层卷积,输入到胶囊层进行预测.将高低胶囊层之间的算法转...     

基于深度学习的智能电网电力负荷精准预测方法研究

针对因电力系统中短期电力负荷预测不准确,导致智能电网无法有效协调电能生产、运输、分配的问题,为降低因过载或低负荷所造成的资源浪费,减少不必要的二氧化碳排放,本文提出了一种新的深度学习方法来解决此类电网短时电力负荷可靠预测问题.该方法利用卷积神经网络建立能量预测计算模型,利用CNN自适应数据特征挖掘特性、量化电力不确定性...     

基于深度极限学习机的模拟电路故障诊断

针对模拟电路故障诊断中特征提取以及模型训练时间较长的难题,采用了一种基于深度极限学习机的模拟电路故障诊断算法。该算法将深度学习中自编码器的思想引入到极限学习机中,构建深度网络,将底层的故障特征转换更加抽象的高级特征,能自主地学习数据特征,避免了繁琐的特征提取和选择。最终通过Sallen-Key和四运放双二次高通滤波2个模拟电路进行仿真研究,实验结果验证了算法在模拟电路故障诊断上的可行性,也表明模型学习速度快、泛化能力好,具有较强的诊断能力,故障诊断分类准确率可以达到100%,诊断时间在0.3 s左右。