基于稀疏轻量卷积神经网络的管道泄漏检测

针对传统供水管网泄漏检测问题,本文提出了一种基于稀疏轻量卷积神经网络的管道泄漏检测算法。首先通过声音传感器采集管道泄漏的声音信号,经过立体声转换、重采样、长度对齐等预处理操作后,将其转换成梅尔频谱图。然后,构建一种稀疏轻量化的卷积神经网络模型来对梅尔频谱图进行特征抽取和泄漏检测。针对声音特征图的稀疏和时延性质,本文采用Inception网络结构来进行提高模型的特征抽取能力。此外,因为该模型需要被部署到边缘侧,因此设计了一种基于SqueezeNet的轻量化卷积神经网络模型来减少模型的参数,降低模型复杂度。实验结果表明,提出的管道泄漏检测算法在保证复杂度较低的同时具有较高的识别准确率。     

基于Mel时频谱-卷积神经网络的变压器铁芯声纹模式识别方法

为了实现变压器设备声学指纹的不停电检测,提出了一种基于Mel时频谱-卷积神经网络的变压器铁芯声纹识别模型。首先,通过铁芯模型振动与噪声试验平台,研究铁芯在不同工况下的振动声信号,将采集到的振动与声音数据进行了关联性分析和比对,验证了声信号同振动信号一样均能够有效反映铁芯的运行状态;然后,对采集到的声音数据进行Mel时频谱预处理降维,并将降维结果作为深度学习的数据集;最后构建了Mel时频谱-卷积神经网络变压器铁芯声纹模式识别模型,通过超参数调整和网络结构优化设计,实现不同运行工况声信号的准确识别。研究结果表明:该文提出的Mel时频谱-CNN识别模型对3种不同工况的声信号识别率达到了99.71%。论文研究可为电网主设备的数据深度挖掘提供参考。     

基于CNN的平波电抗器声纹模式识别方法

为实现对平波电抗器运行状态的准确识别，引入一种基于CNN（卷积神经网络）的深度学习方法，建立了使用Mel时频谱的电抗器绕组声纹模式识别模型。以干式平波电抗器作为实验对象采集声音信号，使用Mel滤波器方法将采集到的声音信号转化为时频谱图，以不同的工况类型作为数据集的标签，基于CNN算法识别不同信号所对应的工况类型。结果表明，CNN可用于干式平波电抗器声纹模式的准确识别，优化后的神经网络对正弦激励、谐波激励和直流偏磁激励下的声纹信号识别准确率高达98.4%。研究结果为实现电网信号的智能化检测提供了潜在的技术方案。     

基于XGBoost算法的瓷支柱绝缘子振动声学检测信号缺陷识别方法研究

针对瓷支柱绝缘子振动声学检测信号频谱分析存在误判的问题,提出基于XGBoost算法的瓷支柱绝缘子振动声学检测信号缺陷识别方法。从28个时域特征、功率密度谱特征和小波域特征中按照重要性提取了14个特征作为缺陷识别的依据,训练了瓷支柱绝缘子振动声学检测信号缺陷识别模型。结果表明,通过模型对瓷支柱绝缘子振动声学检测信号缺陷进行分类识别,准确率达到95.83%,取得了较好的缺陷识别效果。将XGBoost算法应用于现场检测信号识别,正确率达到96.6%,能够满足工程应用需要。     

基于DTS-ResNet的苹果叶片病害识别方法

针对苹果叶片病害识别中传统卷积神经网络识别精度较低、收敛速度较慢等问题,提出了一种基于DTS-ResNet(ResNet based on dual transfer learning and squeeze-and-excitation block)的苹果叶片病害识别方法。该方法以ResNet为基础模型,将注意力机制与残差模块相结合作为骨干网络以强化网络对重要特征信息的提取能力、提高识别准确率,并采用双迁移学习的训练方式加快模型的收敛速度。实验结果表明,所提出的方法的识别准确率达到98.73%,能够较好地识别苹果叶片病害。相较于一些传统的卷积神经网络,该模型收敛速度更快,拟合效果更好,且具有更高的识别精度。     

一种基于卷积神经网络的电涡流金属辨识方法

为实现对主要金相组织同为铁素体和珠光体的3种碳素结构钢的辨识,提出一种基于卷积神经网络的金属辨识方法。卷积神经网络可以很好地处理环境信息复杂、推理规则不明确和样品本身有缺陷情况下的分类,利用涡流无损检测技术和卷积神经网络算法搭建了该金属辨识平台,首先在涡流传感器的工作频率范围内随机选取8个高频点,并通过该传感器分别采集各个频点下金属的信息;然后通过傅里叶变换、坐标变换等数据处理使得每种金属的信息图像化;最终通过卷积神经网络训练来获得辨识模型。结果表明,该方案对比传统方式可在不损伤金属的情况下识别金属;对比现有的BP神经网络算法(86.20%),对3种金属的正确识别率都达到了92.33%。     

基于时频谱图和自适应动态权重PSO-CNN的外破振动信号识别

为避免地下电缆遭受破坏，提高振动监测系统对外力破坏的预警能力，提出一种基于时频谱图和自适应动态权重粒子群算法-卷积神经网络(PSO-CNN)的外破振动信号识别方法。首先，将振动传感系统获取的3 000组外破振动信号转化生成为时频谱图数据集，在图像预处理阶段，采用直方图均衡化和二维主成分分析(2D-PCA)算法来增强灰度图像特征并实现图像数据的降维；然后，将图像数据集的70%作为CNN模型的训练集，并在网络训练过程中引入自适应动态惯性权重PSO对CNN模型的卷积层、池化层相关参数进行迭代寻优，从而获得优化PSO-CNN分类模型；最后，利用测试集图像数据对优化PSO-CNN模型的识别性能进行验证，并与其他分类模型进行了对比。结果表明，所提方法对6种常见外破振动信号的识别准确率达到98.33%,平均每张图像的识别时间仅为0.24 s,与其他分类算法相比具有更高的分类精度和更快速的识别速度，为快速准确地识别外力破坏事件类型提供了一种可行方案。     

基于一维卷积神经网络的低压万能式断路器附件故障诊断

由于低压万能式断路器分合闸附件的线圈回路采用交流供电方式,因此线圈回路合闸相位的随机性会导致同一运行状态下电流信号存在差异。利用传统的智能故障诊断方法可能会造成电流信号故障特征提取不准确,导致故障识别率降低。针对此问题,提出一种基于第一层宽卷积核自适应一维深度卷积神经网络(AW-1DCNN)的故障诊断算法。相较于传统智能诊断方法中存在人工特征提取与故障分类两个阶段,该方法将两者合二为一。首先,考虑到分合闸线圈电流信号的特点,采用一维卷积神经网络模型,并将模型的第一层卷积层的卷积核设为宽卷积核来扩大感受野区域;然后,利用特征提取层对电流信号进行自适应特征提取;最后,利用Softmax分类器输出故障诊断结果。实验结果表明,该算法不仅能对不同相位下同一故障进行有效识别,而且在泛化实验中仍能保持较高的故障识别率,能够有效地克服合闸相位变化对故障诊断结果的影响。     

基于卷积网络的GIS局部放电缺陷诊断方法与应用

局部放电检测信号是判断GIS设备是否存在绝缘缺陷的重要判据,变电站复杂电磁信号干扰增加了现场局部放电模式的识别难度,易造成误报.因此提出了一种基于卷积网络的GIS局部放电缺陷诊断方法,将干扰下的检测图谱作为模型识别中的一种输出类型,研究基于VGG-16结构卷积神经网络的局部放电模式识别算法,利用迁移学习对模型参数进行初...     

考虑水平和竖直方向振动作用的导线疲劳损伤检测方法研究

针对架空导线振动损伤检测方法计算精度不高的问题，提出一种更为精确的导线损伤检测方法。该方法以不同风速和张力下具有水平和竖直动力的不对称双跨导线结构响应特征为基础，研究水平和竖直方向振动作用的导线疲劳损伤程度。通过薛氏模型识别出水平和竖直加速度信号，利用深度孪生神经网络(deep Siamese convolutional network, DSCN)架构将水平和竖直方向加速度信号输入标准化时间窗，然后经过希尔伯特黄变换-支持向量机(Hilbert Huang transform-support vector machine, HHT-SVM)算法求解导线疲劳损伤值，并与主流算法对比验证。不同风速条件下的数据结果显示，HHT-SVM方法较遗传算法、卷积神经网络(convolutional neural network, CNN)算法两种方法更为优异，计算的疲劳损伤值总体精度分别提高了22.77%、8.06%,模态阶数精度提高了23%、4%,迭代次数减少了45%、17%。最后，通过HHT-SVM方法，结合三维颤振稳定性检测图，得出导线振动与疲劳损伤值的关系与推导出的比例关系一致，从而再次验...     

超声波换能器在次声波合成过程中失真补偿算法的研究

本文介绍了一种次声波的合成原理,并对次声波的发射装置进行了研究,主要分析了超声波换能器输出波形对次声波频率精度的影响.采用基于换能器解卷积的方法对回波信号进行处理,应用FIR数字滤波器及LMS自适应算法,来构造解卷积滤波器.经MATLAB 6.5计算机仿真实验结果证明,采用该方法对换能器进行解卷积后,得到的回波信号的带宽明显变宽,提高了次声波信号合成精度,进而改善了次声波的频谱精度.     

基于SSD算法优化的风机叶片缺陷检测研究与应用

风机叶片在运行过程中,由于环境和高速旋转等原因会产生各种缺陷,这些缺陷直接影响风机发电量,严重者甚至导致叶片产生不可逆的损伤,带来巨大的经济损失。针对风机叶片的缺陷识别和检测,采用优化后的SSD(单步多框目标检测)算法,该算法从采集的缺陷样本中自主学习叶片缺陷特征,实现风机叶片缺陷的自动检测、定位和分类。最终在测试数据集上达成mAP(平均精度均值)为82.1%,召回率为90.3%。该算法已应用于企业级项目中,实践证明深度学习算法在企业级项目中具有很好的鲁棒性和商业价值。     

基于迁移学习卷积神经网络的电缆隧道锈蚀识别算法

随着电力行业的不断发展,高压电缆的铺排以及地下电缆隧道的建设与维护逐渐成为该领域中的热点问题之一。将迁移学习的核心思想与经典的卷积神经网络（LeNet5）相结合,提出了一种基于迁移学习卷积神经网络的电缆隧道锈蚀识别算法,实现了电缆隧道内部电源箱、风机等设备的锈蚀识别。该算法基于Tensorflow框架,能够有效地解决训练样本不足、训练时间冗长以及识别精度不高的问题。通过引入4种经典的目标识别算法进行对比实验,进一步验证了所提方案在网络训练时间以及识别精确度上的优势,为后续电缆隧道巡检机器人系统的构建提供了坚实的理论基础与实验支撑。     

YOLOv3及模板跟踪在电力AR远程作业指导中的应用

为提高电力AR远程作业指导工作效率,优化工作质量,提出一种优化的YOLOv3算法。利用多个卷积层构造的卷积神经网络加快目标检测速度和精度,引入多特征融合的跟踪算法,优化目标跟踪准确度,构建一种基于优化YOLOv3及模板跟踪的模型用于电力AR远程作业目标检测,使用目标置信度验证AR远程作业的目标是否准确识别。试验结果表明加载卷积神经网络的优化YOLOv3算法检测速度更快、精度更高。     

基于深度学习的风机叶片边缘检测

利用传统视觉算法提取叶片边缘易受地平线或非目标风机的干扰对提取结果造成误差。针对这一问题，提出一种基于显著性及改进双向级联网络的检测算法，该算法可排除地平线及背景影响，获取完整边缘信息。其中，显著性检测网络模拟人的注意机制，提取视场重要信息，将目标风机与背景分离；改进双向级联网络在原有结构新增尺度选择模块，优化不同层之间特征共享，精确检测不同尺度的边缘，完整获取目标轮廓。利用某风电场无人机采集的实验数据，对识别性能评估得出该方法具有足够的精度，可在不同环境中准确识别叶片轮廓。     

基于深度特征学习的汽轮机转子状态识别方法

复杂汽轮机转子振动信号的非平稳性和非线性等问题,会严重影响到汽轮机转子的状态识别。为了保证汽轮机转子的安全运行,提出一种基于对称点模式(symmetrized dot pattern,SDP)特征融合的卷积神经网络(convolutionneural network,CNN)状态识别方法。该方法通过基于SDP分析方法对汽轮机转子各方向、各位置的信号进行特征融合,获取融合特征的SDP图,最终基于CNN进行融合特征SDP图像识别,实现转子故障状态识别。与其他状态识别方法相比,该方法提高了不同状态特征的表征差异,进而提高了学习效果和识别精度。同时,对比实验结果表明,相较于其他状态识别方法,该方法对转子振动状态识别精度最高,达到了96%。     

基于Blackman自乘-卷积窗的FFT谐波检测算法

电网中存在的大量谐波严重影响着电力系统的安全稳定运行,快速傅里叶变换(Fast Fourier Transform,FFT)算法被广泛应用于电网谐波的检测,由于存在频谱泄漏和栅栏效应导致谐波参数检测的误差较大,通过加窗函数和插值算法可以提高FFT算法的精度。对窗函数进行自乘和卷积运算可以改善旁瓣性能,以Blackman窗作为母窗,进行自乘和卷积运算,提出了Blackman自乘-卷积窗,该窗函数具有较优的主瓣和旁瓣性能。结合三谱线插值算法,推导出频率、幅值、相位的插值修正公式。采用Blackman自乘-卷积窗和其他余弦窗对含弱幅值信号的复杂信号进行对比仿真,验证了Blackman自乘-卷积窗三谱线插值算法在检测弱幅值信号时依然具有很高的精度,对含白噪声的信号进行仿真,验证了该算法对谐波信号参数检测的相对误差较小,抗干扰能力强。     

基于混合卷积窗四谱线插值和改进全相位的谐波检测组合优化算法

由于传统傅里叶算法在实际工程应用中都是非同步采样,存在栏栅效应和频谱泄露,导致谐波检测精度偏低。基于此问题,提出一种组合优化算法。通过分析混合卷积窗特性,提出基于混合卷积窗的四谱线插值算法,利用该算法准确检测谐波幅值和频率参数。从实际情况出发,提出基于混合卷积窗的改进全相位傅里叶算法,利用该算法对谐波相位进行检测,进而检测谐波3大参数。最后,在白噪声和频率波动影响下与传统加窗插值算法做对比分析。仿真结果表明,该组合优化算法可以有效地提高谐波检测参数精确度,抗白噪声和频率波动的能力较强。     

基于声信号特征声谱图的变压器状态监测与故障诊断

为实现基于声信号的变压器状态监测与故障诊断,提出了一种基于改进的瀑布声谱图-卷积神经网络的变压器声信号识别模型。首先采用基于小波变换和独立分量分析的联合去噪方法对声信号进行去噪处理;其次使用主成分分析改进瀑布声谱图,对声信号进行特征提取;然后设计适用于变压器特征声谱图识别的卷积神经网络结构,优化各层网络参数,实现对变压器声信号的特征识别;最后采集三种运行状态下的变压器声信号进行试验分析,变压器声信号识别模型对正常、过负荷以及局部放电故障三种运行状态的声信号均能达到95%以上的识别成功率。结果表明：提出的改进的瀑布声谱图-卷积神经网络模型能够对变压器声信号实现较好的识别效果,可用于变压器的状态监测和故障诊断。     

基于卷积神经网络的非侵入负荷辨识算法EI北大核心CSCD

非侵入式负荷监测因其实施成本低且对用户干扰小,具有广泛的应用前景。负荷辨识方法是非侵入式复合监测的主要技术难点之一。研究了非侵入式负荷监测模式下基于卷积神经网络的非侵入负荷辨识算法。首先利用局部平均分解算法对采集到的混合信号进行负荷分离,并通过智能学习的方法提取独立负荷特征,建立了能够处理二维图像数据的卷积神经网络模型,将大量典型家电的运行电流数据转换成图片的形式,对卷积神经网络模型进行训练,并基于该模型进行负荷特征提取,从而达到辨识的目的。经过实际采集的用电数据进行仿真实验,结果表明,基于卷积神经网络的负荷辨识准确率高、识别速度快,模型具有良好的泛化能力,能够有效的实现负荷辨识。