基于特征融合与 ResNet 的行星齿轮箱故障诊断

针对行星齿轮箱振动信号相互耦合和故障诊断不准确等问题,提出一种基于特征融合与深度残差网络(ResNet)的行星齿轮箱故障诊断方法。首先,对采集到的行星轮裂纹、磨损,太阳轮断齿及复合故障等模拟故障振动信号应用多维集成经验模态分解(MEEMD)和VMD进行分解,分别筛选确定有效分量。然后,将筛选出的有效特征进行融合,分别应用传统卷积神经网络(CNN)和深度残差网络对其进行分类识别。结果发现,深度残差网络,分类准确度更高,可达95%以上。最后,应用深度残差对特征融合前后数据的分类准确度进行了比较。融合前准确度最高只达91.16%,低于融合的97.18%。可见,该方法对行星齿轮箱耦合振动信号的处理和故障诊断非常有效。     

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+D-S证据理论的多维信息源局部放电故障识别

基于多维信息源融合的局部放电故障识别方法对提高故障识别的准确性和容错性具有重要意义。文中以开关柜中的典型局部放电类型为识别对象,设置4种典型的局部放电模型(电晕放电、沿面放电、悬浮放电和气隙放电),利用超声波(Ultra)法、甚-特高频(V-UHF)法以及脉冲电流法(PCM)采集不同放电类型产生的局放信号。首先利用深度卷积神经网络(CNN)算法对不同传感器测量数据进行训练,之后利用Dempster-Shafer(D-S)证据理论对多维信息源识别结果进行融合,并作出最终决策。结果表明,相比于基于单一信息源的故障识别模式,基于多维信息源的故障识别模式准确率更高,且当多维信息源中某一信息源出现误判时仍能正确识别放电类型,对信息源的容错性更好,识别效果良好。     

基于深度-迁移学习的输电线路故障选相模型及其可迁移性研究

为提高输电线路故障诊断模型的可迁移性,根据迁移学习理论将输电线路分为源线路和目标线路,提出一种基于深度-迁移学习的输电线路故障类型识别方法。通过组合不同故障条件,生成输电线路故障期间的时序数据,并通过对数据的预处理,得到面向卷积神经网络的输入数据样本;利用源域数据对初始卷积神经网络进行预训练,获取适用于源线路故障类型识别的预训练模型;采用最大均值差异法对源线路和目标线路进行相似性检验,筛选出待迁移的源域预训练模型;利用目标域数据对预训练模型进行微调迁移训练,获取最终的目标域故障诊断模型。仿真结果表明,利用源域数据量5 %的目标域数据对预训练模型进行微调迁移训练,得到的目标域模型对目标线路故障诊断的准确率达99 %以上。     

基于深度学习的电力变压器智能故障诊断方法

针对电力变压器的故障诊断问题,提出了一种可用于海量监测数据的智能故障诊断方法。首先设计了无源射频识别(radio frequency identification, RFID)传感器标签用于测量变压器的振动信号,该设计具有结构简单、便利性强和功耗低等优点。针对于测量的变压器振动信号数量大、维度高、成分复杂、信噪比低等特点,利用深度学习技术中堆叠自编码器对测量的信号进行特征提取,提取的特征具有相同状态高度聚集,不同状态明显分离的优点。随后,基于提取的海量特征数据,应用加权贝叶斯分类模型进行故障诊断。为进一步提高故障诊断方法的性能,提出了混沌量子粒子群算法分别对堆叠自编码器和加权贝叶斯分类模型的参数进行优化。通过一个10 kV变压器的故障诊断实验表明,设计的无源RFID传感器标签能可靠地获取变压器振动信号,提出的故障诊断方法具有较高的故障诊断正确率。     

A rough membership neural network approach for fault classification in transmission lines

Objective: This paper presents a new approach for fault classification in extra high voltage (EHV) transmission line using a rough membership neural network (RMNN) classifier.Methods: Wavelet transform is used for the decomposition of measured current signals and for extraction of ten significant time–frequency domain features (TFDF), as well as three distinctive time domain features (TDF) particularly in terms of getting better classification performance. After extracting useful features from the measured signals, a decision of fault type of a transmission line is carried out using ten RMNN classifiers. Furthermore, to reduce the training times of the neural network, the rough neurons are used as input layer neurons, and the fuzzy neurons are utilized in hidden and output layer in each RMNN. And the Back Propagation (BP) algorithm is employed for determining the optimal connection weights between neurons of the different layers in the RMNN.Results and Conclusions: To verify the effectiveness of the proposed scheme, extensive simulations have been carried out under different fault conditions with wide variations in fault type, fault resistance, fault location and fault inception angle. Simulations results show that the proposed scheme is faster and more accurate than the back-propagation neural network (BPNN), and it is proved to be a robust classifier for digital protection.     

基于SVM的多传感器信息融合故障诊断

本文简述了一种基于支持向量机的多传感器信息融合的方法,并构造了其数学模型。利用轴流柱塞泵的常见故障预测,对数学模型进行验证,实验数据显示基于SVM的多传感器信息融合故障诊断方法,要比单一传感器故障诊断有更高的准确性。     

Fault Detection and Diagnosis of Pneumatic Control Valve Based on a Hybrid Deep Learning Model

As the growing requirements for the stability and safety of process industries, the fault detection and diagnosis of pneumatic control valves have crucial practical significance. Many of the approaches were presented in the literature to diagnose faults through the comparison of residual sequences with thresholds. In this study, a novel hybrid neural network model has been developed to address the issue of pneumatic control valve fault diag-nosis. First, the feature extractor automatically extracts in-depth features of the signals through multi-scale convolutional neural networks with different kernel sizes, which not only adequately explores the local dis-tinguishable features, but also takes into account the global features. The extracted features are then fused by the feature fusion layer to reduce redundant features. Finally, the long short-term memory for fault identification and the dense layer for fault classification. Experimental results demonstrate that the average test accuracy is above 94% and 16 out of the 19 conditions can be successfully detected in the simulated actual industrial en-vironment. The effectiveness and practicability of the proposed method have been verified through a com-parative analysis with existing intelligent fault diagnosis methods, and the results suggest that the developed model has better robustness.     

基于信息融合与深度残差收缩网络的DAB变换器开路故障诊断方法

针对双有源桥(DAB)变换器开路故障诊断存在的多信号诊断和诊断阈值设置问题,提出了一种基于信息融合和深度残差收缩网络(DRSN)的DAB变换器开路故障诊断方法。首先,将DAB变换器的开路故障诊断信号减少至3个,减少了信号传感器的数量;其次,采用递归图法和脉冲耦合神经网络将3个诊断信号的时间序列转化为图像进行信息融合,生成的融合图像可以反映不同故障状态下的故障特征且便于深度学习网络进行分类;最后,将融合图像输入构建的DRSN进行故障诊断,可以避免设置诊断阈值。使用RT-LAB搭建DAB变换器半实物系统进行实验。实验结果表明选择的3个诊断信号能够有效区分DAB变换器各IGBT开路故障状态。对比分析表明所提出的方法具有较高的故障诊断精度,平均诊断精度可达98.44%。     

基于 tSNE-ASC 特征选择和 DSmT 融合决策的 滚动轴承声振信号故障诊断

针对滚动轴承早期故障特征微弱且难以有效辨识的问题,提出一种基于tSNE-ASC特征选择和DSmT融合决策的滚动轴承声振信号故障诊断方法。利用多个传感器采集轴承在不同故障模式下的声振信号,将每个信号通过VMD分解得到K个IMF分量;对各个IMF分量进行特征提取,构建各个特征的数据集矩阵;利用tSNE将各特征数据集矩阵降维至二维,计算平均轮廓系数(ASC);根据ASC大于临界值提取出声振故障信号的敏感特征;基于诊断模型实现轴承故障的初级诊断;利用DSmT将声振信号初级诊断结果进行融合决策,得出最终的诊断结论。实验结果表明：基于tSNE-ASC的特征选择方法能有效提取混合域特征中的敏感特征,在不同工况、不同诊断模型中均具有很高的诊断精度;DSmT决策融合有效降低了单一信号诊断的不确定性,在变载荷和升降速非平稳工况下均有很高的诊断精度。     

基于关联规则的火电厂传感器故障检测

为了克服建模误差对诊断结果的影响，充分利用火电厂的运行数据，提出一种基于关联规则的传感器故障检测的新方法。针对火电厂多传感器系统的特点和火电厂不同的运行工况，充分利用火电厂运行过程中存在的大量的冗余信息，对数据挖掘中的关联规则算法进行了改进。通过对生成的关联规则的评估和仿真，表明此关联规则能够很好地用于传感器故障检测，而且提高了计算速度。     

旋转机械故障诊断的量子神经网络算法

针对故障模式之间存在交叉数据的诊断不确定问题，将多层激励函数的量子神经网络引入多传感器信息融合之中，提出一种基于量子神经网络的多传感器信息融合故障诊断算法。并将其应用到旋转机械故障诊断中，通过测试被诊断设备的振动速度和加速度信号，求出两传感器对各故障模式的故障隶属度，利用多层激励函数的量子神经网络进行信息融合，得到融合的各故障模式隶属度值，确定真正的故障模式，提高了故障诊断的准确率。     

基于电子舌和 WGAN-CNN 模型的小麦贮存 年限快速检测

为了实现对不同贮存年限陈化小麦的快速检测,提出一种伏安电子舌结合卷积神经网络(convolutional neural network, CNN)和基于Wasserstein距离的生成对抗网络(wasserstein generative adversarial nets, WGAN)组合的模式识别模型。使用伏安电子舌对6种不同贮存时间小麦采集电子舌信号。针对电子舌信号信息量大、特征提取困难等问题,设计了一种基于CNN结构的电子舌信号特征自动提取和分类识别模型。为解决CNN模型因训练样本不足而导致泛化能力差等问题,使用WGAN构建电子舌信号样本集,通过对生成信号集的学习,提高了CNN模型对电子舌信号的识别能力。实验结果表明,与AlexNet、VGG16等深度学习模型和随机森林(RM)、极限学习机(ELM)等传统机器学习模型相比,WGAN-CNN模型对电子舌信号的分辨能力更强,其测试集准确率、精确率、召回率和F1-Score分别达到0.98、0.98、0.977和0.988。研究表明电子舌结合WGAN-CNN模型可实现对小麦贮存年限的快速检测,该研究为基于人工智能的感官识别技术提供了一种新的研究思路。     

基于神经网络的机电作动系统传感器故障分类研究

机电作动系统已经用于民航客机飞控舵面的控制,其中传感器输出的正确性对系统正常工作影响较大,因此对传感器的故障检测非常必要。本文分析了机电作动系统的传感器类型和故障模式,研究设计了BP神经网络对传感器故障进行检测和识别,并对不同训练方式的神经网络方法进行对比,确定了使用莱温伯格-马夸特学习方法的BP神经网络的故障检测分类结果更加准确,最后通过机电作动系统联合仿真实验平台验证了该方法的有效性。该方法可以支持传感器故障检测和系统健康管理。     

模糊数据融合技术在系统故障诊断中的应用

利用系统故障症状的分散性，提出了一种基于模糊数据融合技术的系统故障诊断方法。首先，为保证量测信号的准确性，采用同源多传感器数据层融合以及多传感器信息优化协调技术对量测数据进行初步处理，为系统故障模糊融合诊断奠定基础；然后，针对同一症状的不同表现信息，采用多个模糊神经网络得到对故障的局部决策，利用模糊积分融合方法，识别出该症状所对应的故障。最后针对某液体火箭发动机的泄漏故障进行仿真，并与常规模糊神经网络故障分类器进行对比。研究表明，在对渐变故障的诊断中，本法较常规模糊神经网络故障分类器具有更好的诊断性能。     

基于模糊动态模型的传感器故障诊断方法

提出了解决控制系统全工况运行条件下传感器故障的诊断方法。系统的动态特性用模糊动态模型描述，模糊动态模型由一组反映系统局部动态的线性子模型通过模糊关系连接而成，基于观测器理论进行故障残差的设计，提出了一种衡量故障残差鲁棒性能的指标，然后采用遗传算法优化该鲁棒性指标，得到故障诊断观测器的优化增益阵和加权阵，最后讨论了诊断系统的稳定性，仿真结果表明：该诊断方法能很好地适应系统运行的不同工况，并有效地提高了诊断策略的鲁棒性。     

基于模糊神经网络的信息融合在电网故障诊断中的应用

根据电网分布的特点,将多传感器信息融合技术应用于电网的故障诊断中。在电网的不同区域加装传感器网络,将所测结果首先在子模糊神经网络中进行特征级融合,然后再将此结果送至融合中心进行决策级融合,最后得出诊断结论,包括故障类型和故障区域,大量的实验证明该方法是可行的。     

基于智能信息融合的模拟电路故障定位方法

针对模拟电路故障诊断中存在的测试信息不足、故障定位准确性较低等问题,提出了一种应用智能信息融合技术的模拟电路故障定位方法.该法首先分别采用可测点工作电压及不同测试频率下的电路增益,各用一个独立的神经网络依据改进的BP算法对电路实施初级诊断;然后根据初级诊断结果,运用模糊融合诊断方法进行故障定位.所提方法能充分利用故障信息,对模拟电路的软故障与多故障均可进行诊断,故障定位准确率高.     

基于支持向量机的齿轮箱齿轮故障诊断

通过对风机传动系统中齿轮故障进行模拟试验,构建结构风险最优的支持向量机（SVM）网络,对采集到的电磁速度信号进行快速傅里叶分解,选取高频段的频谱特性作为分量进行样本化学习,完成对齿轮故障样本的训练,使SVM具备分类功能.最后,采用SVM对齿轮箱试验台齿轮故障进行诊断分类识别,取得较好的效果,说明齿轮故障信号高频特性所包含故障信息在整个频谱中的有效性以及SVM作为一种故障诊断方法的实用性.     

基于独立分量分析的传感观测信息融合压缩方法及其在故障诊断中的应用

为消除多通道观测信息冗余，压缩高维故障特征，简化特征提取工作，提出了一种基于独立分量分析和互信息分析的信息融合压缩方法。利用独立分量分析的冗余取消特性和互信息的高阶统计特征，实现了对机器多通道传感观测信息的两级融合压缩。实验结果表明：在尽可能保留原始观测信息的前提下，多通道传感观测实现了信息充分融合，维数显著压缩，并保持了对不同故障模式较好的分类。从而，为构建在线实时的机器故障模式分类器奠定了基础。