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%。     

小波包分析在汽轮机转子振动故障诊断中的应用

针对汽轮发电机组振动的频谱特点,提出了基于小波包变换的汽轮机转子振动故障诊断方法,它较一般的小波变换更能反映振动信号所包含的频谱成分及能量。根据Bently实验台所采集的4种典型汽轮机转子振动故障信号,运用小波包分析方法对其进行能量分析并提取故障特征。实验分析表明,基于小波包分析与信号能量分解的故障特征提取方法,可以获得汽轮机转子振动的故障状况;根据不同故障发生时的频谱特征,识别出不同的故障,从而进行汽轮机转子振动故障诊断。该方法比基于Fourier变换的故障特征提取方法更有效,适合于机械故障诊断。     

基于EEMD排列组合熵的SVM转子振动故障诊断研究

对汽轮机转子故障状态进行准确判别一直是工程领域研究的重点。在使用支持向量机作为模式识别方法进行故障诊断的过程中,提取能明显区别不同故障的信号特征参数,构建高质量的样本可以较大提高支持向量机（support vector machine,SVM）模型的分类正确率。针对此问题,提出一种总体平均经验模态分解(ensemble empirical mode decomposition, EEMD)、排列组合熵和SVM相结合的汽轮机转子振动多故障诊断方法。方法首先引入有向无环图建立了多故障诊断模型,利用EEMD将振动信号分解成单一无混叠的内禀模态函数（intrinsic mode function,IMF）分量,然后计算对振动信号变化非常敏感的IMF排列组合熵作为特征向量,并应用到有向无环图SVM进行多故障状态识别。实验结果表明,该方法实现了汽轮机转子的振动多故障诊断,同时与基于EEMD能量法提取的特征向量进行对比,通过实验证明,该方法具有更加准确的识别率。     

基于D-S证据理论的感应电动机转子故障诊断方法研究

提出运用D-S(Dempster-Shafer)证据理论对感应电动机转子断条故障进行识别的故障诊断方法.基于小波包变换的频率划分特性,对定子电流信号进行小波包分解,建立了转子断条故障的特征矢量,提取转子断条故障的特征信息,利用BP神经网络对其识别的结果形成彼此独立的证据,并根据D-S证据融合规则进行融合处理,以实现对电动机转子断条故障的准确识别.实验结果表明,该方法克服了传统基于FFT分析方法难以提取故障特征频率分量的难点,提高了故障诊断的判决精度,可实现转子断条故障的可靠诊断.     

基于EEMD云模型与SVM的汽轮机转子故障诊断方法

提出了一种基于集合经验模态分解(EEMD)、云模型与支持向量机(SVM)相结合的汽轮机转子多故障诊断方法。该方法首先采用EEMD将振动信号分解成若干个IMF分量,利用相关系数法对IMF分量进行筛选,然后对筛选后的IMF分量进行逆向云发生器计算,得到云模型的数字特征并构建为特征向量,将其应用到有向无环图SVM中进行转子多故障状态识别,并与传统的EEMD能量法进行对比。结果表明,该方法能够准确地完成转子多故障诊断,具有更高的识别率。     

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。     

基于改进BP神经网络的充电模块故障状态识别

为提高充电桩运行质量,研究了基于改进BP神经网络的充电模块故障状态识别方法。利用充电模块振动信号包络峭度检测充电模块振动信号包络线的尖峰度,确定充电模块振动信号起始点,通过KS检验方法提取充电模块故障特征。选取BP神经网络作为充电模块故障状态识别方法,利用遗传算法的寻优性能对BP神经网络进行改进,将所提取充电模块故障特征输入到改进的BP神经网络之中,以获得充电模块故障状态识别结果。实验结果表明,该方法可精准识别充电模块故障状态,改善充电桩接入配电网的网侧电流谐波含量过高问题。     

基于Iradon-CNN的变压器局部放电状态识别方法

为解决变压器局部放电故障所带来的安全隐患,提出了一种基于逆拉冬变换(Inverse Radon transform,Iradon)-卷积神经网络(Convolutional Neural Networks,CNN)的变压器局部放电信号图像识别方法。针对三种故障进行了局部放电实验,首先通过共振稀疏分解对局部放电信号进行分解,获取低共振分量,然后将其转换成Iradon图像,最后利用CNN自适应地提取Iradon图像的特征信息。结果表明,该方法能够准确提取信号特征,具有强大的数据处理和识别功能,并为变压器局部放电状态的识别提供了丰富的信息,提高了学习效果和识别精度。     

基于改进变分模态分解排列熵和极限学习机的汽轮发电机转子故障诊断方法

针对实际转子振动信号的非线性、非平稳性引起的故障类型难以准确识别的问题,提出了一种基于改进变分模态分解(VMD)排列熵和极限学习机的转子故障诊断方法。首先,为克服VMD中惩罚因子和分解个数按经验选择的问题,提出一种基于人工化学反应算法的改进VMD方法,将其用于振动信号分解,得到若干个不同尺度的固有模态分量(IMF);随后计算蕴含主要故障特征信息的前几个IMF的排列熵值;最后将得到的前几个排列熵值作为特征矢量,输入到建立的极限学习机中实现不同状态下转子振动信号的模式识别。将提出方法应用于汽轮发电机转子试验台采集的数据,结果表明:提出的方法能有效实现不同运行状态下的转子振动信号的辨识,提高了模式识别精度。     

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。     

基于多特征融合与改进QPSO-RVM的万能式断路器故障振声诊断方法

为可靠地进行万能式断路器机械故障诊断,在基于振动信号故障诊断的基础上,提出了一种多特征融合与改进量子粒子群(QPSO)优化的相关向量机(RVM)相结合的万能式断路器分合闸故障振声诊断方法。首先,对振声信号进行小波包软硬阈值结合去噪预处理,并利用互补总体经验模态分解算法对处理后的振声信号进行分解,提取固有模态函数能量系数、样本熵、功率谱熵,并组成多特征参数;然后,通过组合核函数核主元分析对多特征参数降维,并将其特征融合组成特征向量作为RVM的输入,解决单一特征识别断路器分合闸故障的低准确率和低稳定性;最后,利用改进QPSO优化分类模型参数,建立基于RVM的次序二叉树模型对断路器故障进行辨识。实验结果表明,该方法能有效提升不同故障状态下诊断结果的可靠性。     

基于D-S证据组合规则的双模型融合局部放电模式识别方法

针对传统的局部放电模式识别存在的特征提取单一、识别准确率低等缺点,提出了一种基于D-S证据组合规则的双模型融合局部放电模式识别方法.根据基于相位信息的局部放电(PRPD)谱图的统计数据特征和图像特征的特点,分别建立了反向传播(BP)识别模型和卷积神经网络(CNN)识别模型.根据2个识别模型的识别结果,提出了基于信息熵改进的D-S证据组合规则以解决常见的悖论问题,基于此建立了判定模型,更好地融合了2个识别模型的输出结果,实现了2种特征识别的优势互补.根据实际数据测试,与单一模型对比,所提方法可以稳定、准确地识别局部放电模式.     

基于深度卷积和门控循环神经网络的传感器运动识别

用于可穿戴传感器的人体运动识别任务的传统机器学习方法通常需要手工提取特征,可以自动提取人体运动数据特征的深度神经网络正成为新的研究热点。目前将卷积神经网络(CNN)和长短期记忆(LSTM)循环神经网络组合而成的DeepConvLSTM在识别精度方面有着优于其他识别方法的表现。针对带有长短期记忆循环单元的神经网络的训练较为困难的问题,提出了一种基于卷积神经网络和门控循环单元(GRU)的融和模型,并在3个公开数据集(ACT数据集、UCI数据集和OPPORTUNITY数据集)上与卷积神经网络和DeepConvLSTM进行了性能对比。实验结果显示,该模型在3个公开数据集上的识别精度都高于卷积神经网络,与DeepConvLSTM相当,但是收敛速度比DeepConvLSTM更快。     

基于CNN时-空卷积优化的EM-EEG识别方法研究

针对当前情绪脑电信号(emotion electroencephalogram, EM-EEG)识别研究中时间域信息的时间尺度难以把握和空间域信息易被忽视致使辨识率停滞不前,以及采集EM-EEG时通道过多导致信息冗余和信息处理成本增加等问题,提出了基于CNN的时-空卷积优化融合网络进行EM-EEG识别研究。该融合网络由提取EM-EEG时域信息的长卷积(long convolution, L-Conv)CNN和提取EM-EEG空域信息的CNN并联组成,在CNN模型时-空优化中使用粒子群算法(particle swarm optimization, PSO)对时域CNN中的L-Conv尺度进行了优化,并使用短时功率谱(short time power spectrum, STPS)的相关分析方法进行空域CNN模型通道数目优化,深层且有效地提取了EEG中的时间域和空间域特征。结果表明,提出的时-空卷积优化融合CNN在SEED IV数据集上对平和、悲伤、恐惧、高兴4种情绪最终准确率可以达到90.13%,相比传统单一CNN的识别准确率提高了4.76%,并且通道数目由62路降低至33路,缩减了46...     

基于CWD及分块SVD的配电开关故障诊断方法

通常,配电开关分合闸操作产生的振动信号中蕴含有体现机械状态的重要信息。提出一种基于振动信号分析的新型配电开关故障诊断方法。首先对振动信号求取乔-威廉斯分布获得二维时频矩阵,然后对时频矩阵作分块奇异值分解,用于表征不同机械状态的时频特性,最后结合极限学习机算法对4类实测振动信号的特征向量进行训练和测试。所提方法的优点是有效提取了配电开关振动信号时频域的特征,并且可以在较少样本的情况下训练诊断模型。基于实测数据的实验表明,该方法具有较高的识别精度和较快的收敛速度。     

注意力机制 CNN 结合肌电特征矩阵的手势识别研究

当前基于卷积神经网络(CNN)的手势识别研究集中于增加网络深度,较少关注改善样本数据分布带来的性能提升。 针对此类问题,提出一种量化表面肌电信号(sEMG)特征相关性的肌电特征矩阵(EFM)样本输入有效通道注意力(ECA)机制 CNN,用于识别 NinaproDB1 中 52 类手势。 首先使用时间窗截取低通滤波后的 sEMG,计算多种信号时域特征;然后利用笛卡尔 积组合并相乘不同特征,对特征相乘值进行归一化后得到 EFM。 同时,引入 ECA 机制使网络关注重要的深层特征,从而提升手 势分类效果。 分别输入 sEMG、肌电时域特征和 EFM 到注意力机制 CNN 进行手势识别,EFM 识别准确率最高,达到了 86. 39%, 高于近年来手势识别研究方法精度。 验证了提出方法的有效性,为多类别手势准确分类提供可行新方案。