基于改进卷积神经网络的风电轴承故障诊断策略

针对风电机组滚动轴承故障特征微弱、提取困难、诊断效率低下等问题,提出一种基于改进卷积神经网络(Convolution Neural Network,CNN)的故障诊断算法。改进CNN模型结构,在全连接层前增加新的卷积层,挖掘信号的深层特征以提高模型的泛化能力。对卷积层数据进行批归一化处理,采用带有动量的随机梯度下降训练算法来加速训练速度。详细介绍了改进CNN的工作原理,给出了采用改进CNN进行故障诊断的流程。最后利用凯斯西储大学滚动轴承数据库的数据进行验证。证明该方法不需要预先提取信号的故障特征,可直接实现对轴承的故障特征提取以及故障识别,诊断率高。     

基于深度学习断路器储能机构故障诊断方法研究北大核心CSCD

断路器正常分、合闸动作直接影响电力系统控制的可靠性,储能环节一旦出现问题将直接影响断路器正常工作。提出了一种基于深度学习的断路器振动信号辨识储能过程故障类型新方法。首先,将加速传感器采集到的时域振动信号进行数据扩充,再将扩充后振动信号二次采样作为训练样本,采用改进后的卷积神经网络(convolutional neural network,CNN)与长短时记忆网络(long-short term memory,LSTM)并行结构,将卷积神经网络的第1层大卷积核和多层小卷积核,均进行批量归一化(batch normalized,BN),以提高网络训练效率。实验结果表明:基于CNN与LSTM并行的网络结构不需要人工提取特征,具有较好的分类性,为高压断路器弹簧操作机构故障诊断提供一种通用方法。     

基于改进卷积神经网络的输电线路故障诊断方法

针对电网输电线路发生故障较多、告警系统误报率较高且依赖运维人员事后分析的问题,提出了基于改进卷积神经网络(CNN)的电网输电线路故障诊断模型.首先对电网输电线路的电流时序数据进行预处理,然后通过双通道融合和多层卷积、池化改进卷积神经网络,并在卷积层中结合批归一化方法,对故障数据和正常调停数据分别进行特征提取,再通过soft-max分类器进行分类识别,构建了智能高效的故障诊断模型,有效地降低了误报率.最后利用国家电网调度中心实际数据,验证了所提方法的有效性.     

基于深度学习的模拟电路软故障诊断

为降低模拟电路软故障特征提取与分类的人工成本,提高软故障诊断的通用性,提出一种基于深度学习的软故障特征提取方法.利用通道注意力机制对深度学习中的卷积神经网络进行改进,将时域电压波形数据输入至改进的卷积神经网络中进行卷积池化,实现数据降维和故障特征提取,并利用注意力机制对所得的故障特征进行深度选择,突出通道内关键的故障特征,抑制不重要的特征,最终使用Softmax分类器对故障特征分类.针对四运放双二次高通滤波器进行故障诊断,故障诊断平均准确率为98％.实验结果表明改进的卷积神经网络模型可以实现对模拟电路的故障诊断,并避免了传统故障识别耗费大量人工的故障提取和选择.     

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...     

基于改进YOLVOv5s的X射线图像粘接缺陷实时检测

为了兼顾火箭弹非金属粘贴结构缺陷的检测速度和准确率,提出一种基于改进YOLOv5s的X射线图像火箭弹缺陷检测算法。该算法在YOLOv5s的基础上使用深度分离卷积重新设计特征提取网络中Bottleneck结构,以此改进C3模块,通过减少模型参数数量,提高运行速度。然后分别在特征提取网络的Focus结构后和Neck层的卷积和上采样之前加入卷积模块的注意力机制模块(CBAM),用来提高模型对有效特征提取,使模型更加关注小目标,力图保持运行速度的同时提高检测精度。实验结果表明,该算法在自制的火箭弹粘贴缺陷数据集上测试的平均精度均值(mAP)达到86.40%,比原始模型提高6.44%,帧率为32 fps;相比SSD、YOLOX-Tiny网络算法,该模型在检测速度和检测精度上有着出色的综合表现,能够针对火箭弹非金属粘接结构缺陷进行高效的检测。     

一种基于CAEs-LSTM融合模型的窃电检测方法

为解决现有的智能电网电力盗窃行为检测方法中准确性不足、检测效率低下等问题,提出了一种由卷积自编码器网络(convolutional auto-encoders,?CAEs)和长短期记忆网络(long short term memory,?LSTM)相结合的CAEs-LSTM检测模型。该模型通过分析数据集的特点对电力数据进行二维转换,设计卷积自编码器结构,采用池化、下采样和上采样重构电力数据的二维空间特征,加入高斯噪声提高模型鲁棒性,并构建长短期记忆网络以学习全局时序特征。最后,对提取的时空特征进行融合从而检测能源窃贼,并进行了参数调优。在由国家电网公布的真实数据集上,通过将CAEs-LSTM模型与支持向量机、LSTM以及宽深度卷积神经网络进行对比,CAEs-LSTM模型的平均精度均值和曲线下面积值均最优。仿真实验表明,基于CAEs-LSTM模型的窃电检测方法具有更高的窃电检测效率和精度。     

一种改进池化模型对卷积神经网络性能影响的研究

池化模型作为卷积神经网络模型中至关重要的一部分,具有降维、提高模型泛化能力等作用。为了进一步提高卷积神经网络模型的准确率,优化模型的学习性能,提出了一种基于最大池化和平均池化的改进池化模型,并在全球手写数字数据集MNIST和CIFAR-10上分别对改进池化模型的有效性进行了验证。通过与常见池化模型的对比实验发现,采用改进池化模型的卷积神经网络的学习性能较优,一次迭代情况下,在MNIST和CIFAR-10数据集上,错误率分别下降了4.28%和2.15%。     

基于CNN模型的高分辨率遥感图像目标识别

遥感图像目标识别作为当前遥感图像应用领域中的主要研究内容,具有重要的理论意义和广泛的应用价值。近年来,深度学习成为机器学习领域的一个新兴研究方向,卷积神经网络(convolutional neural networks,CNN)是一种得到广泛研究与应用的深度学习模型。提出一种基于CNN模型的光学遥感图像目标识别方法,在传统LeNet-5网络结构的基础上,引入ReLU激活函数代替传统的Sigmoid函数和tanh函数,使用卷积展开技术将卷积运算转换为矩阵乘法,并对网络结构进行调整优化,提高目标识别的准确性和效率。利用Quick Bird上的0.6 m分辨率的遥感图像进行验证,实验结果表明,基于改进的CNN模型的方法可以取得较高的目标识别准确率和效率。     

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。     

基于卷积神经网络的变压器有载分接开关故障识别

为进一步提高变压器有载分接开关(OLTC)故障识别的精度,从OLTC切换过程中振动信号递归图的纹理特征出发,提出了一种基于卷积神经网络(CNN)的变压器OLTC故障识别方法。首先根据OLTC振动信号的相空间分布,基于相点距离映射构建了OLTC振动信号的距离映射递归图(DMRP),然后通过合理选取CNN的网络层数、卷积核尺寸等结构超参数和对卷积核进行降维处理,提出了基于CNN的OLTC故障识别模型。对某CM型OLTC正常与典型故障下振动信号的计算结果表明,DMRP能自适应地对振动信号的相空间相点分布进行描述,所提出的识别模型对OLTC的典型故障均具有良好的识别性能,尤其在轻微故障的识别上相比于现有方法准确率提升了至少10%。     

基于SA-PSO算法优化CNN的电能质量扰动分类模型

针对传统电能质量扰动分类模型中扰动特征复杂、识别步骤繁琐的问题,提出了一种通过模拟退火(SA)算法与粒子群优化(PSO)算法相结合来优化卷积神经网络(CNN)的电能质量扰动分类模型。将CNN卷积层中的二维卷积核替换成一维卷积核;采用SA算法对PSO算法进行改进,规避PSO算法陷入局部最优的困境;采用改进后的PSO算法对CNN进行参数寻优;利用优化CNN提取和筛选合适的特征,根据这些特征利用分类器得到最终分类结果。通过算例分析得出,使用基于SA-PSO算法优化的CNN的电能质量扰动分类模型能精确地识别出电能质量扰动信号。     

基于小波包和AFSA-SVM的电机故障诊断

针对电机滚动轴承故障诊断准确率问题,提出基于小波包分析结合人工鱼(AFSA)优化支持向量机(SVM)的电机故障诊断方法.利用小波包多分辨率分析法对电机的震动信号进行多层分解及重构,得到不同频段的信号时频图;然后采用AFSA算法对支持向量机中的参数惩罚参数(C)和核参数(σ)进行寻优选择,并最终建立AFSA-SVM故障诊...     

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%。     

小样本下滚动轴承故障的多源域迁移诊断方法

为了减小神经网络在机械设备故障预示与健康管理(PHM)过程中对大量完备数据的依赖,针对数据稀少情况下的滚动轴承故障诊断问题,提出了一种多源域迁移学习方法。模型采用一维卷积神经网络(1D-CNN),以原始振动信号作为模型的输入,利用两个不同的源域数据依次对模型进行预训练,使用目标域数据对预训练模型进行微调,提高对目标域的识别精度。采用频询实验台实测数据及西储大学数据集,在目标域故障样本不足的情况下分别对模型的分类精度、训练速度、结果稳定性、多源域有效性进行验证,并与卷积神经网络(CNN)、迁移成分分析(TCA)、联合分布适配(JDA)、支持向量机(SVM)的诊断结果进行对比。实验结果表明,在故障数据稀少时,模型能达到较高的分类精度,在目标域样本数量不同的3种情况下,多源域迁移方法分类精度分别达到了97.71%、96.28%、94.18%,并且模型有着较快的收敛速度,较好的稳定性。     

基于改进谱峭度图与多维融合CNN的轴承故障诊断方法

针对轴承振动信号中存在与故障特征相关性较低成分的干扰导致故障诊断准确率降低的问题，提出了一种基于改进谱峭度图与多维融合CNN的轴承故障诊断方法。首先，为提高振动信号与故障特征的相关性，减少干扰成分，以双树复小波包变换为基础构建改进谱峭度图模型，增强多分辨率差异性故障特征表达。然后，考虑丰富特征评价维度，构建多维融合CNN模型，将原始信号与改进谱峭度图共同作为多维特征输入实现故障精准诊断。实验结果表明，该方法能够提取各类轴承振动信号中具备差异性的故障特征，在多工况下均能够准确识别轴承故障，具有较好的诊断精度。     

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。