基于DACNN的电机滚动轴承故障诊断方法

针对强噪声、跨工况场景下数据分布差异导致传统卷积神经网络(CNN) 模型泛化性能低、诊断能力不足的问题,提出 一种基于并行卷积核和通道注意力机制的滚动轴承故障诊断方法。构造了带有不同尺度卷积核的并行网络结构,可以在抑 制噪声干扰的同时有效提取出数据中的故障特征信息;融合通道注意力机制对卷积层特征提取能力进行增强,提升模型抗噪 性能以及跨工况负载下的自适应诊断能力。利用凯斯西储大学轴承数据集训练并测试诊断效果,将该方法与其他方法进行 了性能对比。结果表明,在跨工况不同负载情况下,所提方法的诊断平均准确率为97.3%,在不同信噪比噪声干扰情况下的 诊断精度平均达93.8%,均高于其他比较方法,所提出的方法在复杂多变工况下具有良好的抗噪性能和泛化能力。     

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so...     

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.     

基于二维图像和卷积神经网络的阀冷系统主循环泵故障诊断

特高压直流输电工程中，及时发现并排除换流阀冷却系统的主循环泵的故障，对保障换流阀的稳定运行具有重要意义，为此针对主循环泵在故障时产生的振动信号，提出一种基于二维图像和卷积神经网络的阀冷系统主循环泵故障诊断方法。首先，通过变分模态分解(variational mode decomposition, VMD)联合奇异值分解(singular value decomposition, SVD)对振动信号进行去噪处理：使用VMD分解轴向、竖直径向和水平径向的振动信号，基于相关系数法获取最优本征模态分量；使用SVD对分量信号滤波后，通过分量空间重构获取去噪后的振动信号。然后，通过格拉姆矩阵将时序振动信号转换为振动图像，提取振动信号的时空特征。最后，将轴向、竖直径向和水平径向振动图像多通道并行输入AlexNet深度卷积神经网络，通过卷积层和池化层实现多层次特征融合，提高故障诊断准确率。分析结果表明，该模型故障诊断精度为91%,优于多层感知机算法、一维卷积神经网络和浅层卷积神经网络，可以为阀冷系统主循环泵的故障诊断提供方法基础，为现场人员安排计划检修提供理论依据。     

基于深度卷积神经网络的轴承故障诊断方法

针对传统浅层轴承故障诊断方法依赖于人工特征提取和诊断专业知识从而缺乏自适应性问题,结合卷积神经网络善于识别二维形状的特点,提出一种基于深度卷积神经网络的故障诊断方法(DCNN)。首先,为充分展现滚动轴承故障特征信息,利用短时傅里叶变换得到滚动轴承振动时间序列的二维时频谱;其次,通过卷积神经网络自适应提取时频谱中不同故障特征;最后,将提取的轴承故障特征利用Softmax分类器输出诊断结果,实现轴承故障诊断。通过实测故障轴承数据对该方法进行验证,结果表明DCNN在多故障、变负载的轴承故障诊断准确率高达99.9%,证明了所提方法具有良好的泛化性能和可行性。     

双通道输入LetNet-5卷积神经网络旋转机械故障诊断模型研究

针对旋转机械运行过程中伴随着诸多噪声，现有单通道网络在旋转机械故障诊断过程中抗噪性较差的问题，提出了一种加入并联机制的双通道输入Let Net-5卷积神经网络模型。模型合理性检验过程采用了凯斯西储大学轴承数据集，在此基础上，添加信噪比为–10 d B的高斯白噪声模拟真实噪声情形；采用短时傅里叶变换将电机风扇端和驱动端振动数据进行处理，获得的时频图像传递至双通道输入的Let Net-5卷积神经网络进行训练学习。研究结果表明：双通道输入Let Net-5卷积神经网络模型能够良好捕捉到强噪声环境下的故障特征；相比于多尺度特征融合残差模型、多模态耦合输入神经网络模型、传统的K近邻与决策树模型及单通道输入Let Net-5卷积神经网络模型，双通道输入Let Net-5卷积神经网络具有更高的效率和精度。     

基于机电信号融合的电励磁双凸极电机绕组匝间短路故障诊断

定子绕组匝间短路是电励磁双凸极电机常见的故障,当匝间短路故障匝数较少时,对电机磁场的影响较小,使得难以通过单一故障特征精确地识别故障。该文通过分析该电机的本体结构和故障特征的提取机理,提出了一种基于振动和相电流信号的多源机电信号融合的电励磁双凸极电机短路故障综合诊断方法——基于多分类支持向量机及改进卷积神经网络的信号融合故障诊断。该文首先根据电励磁双凸极的结构特点研究了短路故障发生时特征信号的变化情况及提取机理;其次根据理论分析结果提出了一种自寻优卷积神经网络结合支持向量机的多源信号融合的故障诊断方法,该方法首先分别利用两种算法计算两个单信号特征下的故障诊断概率,再利用DS证据理论,得出融合后的诊断结果;最后通过实验表明,该文所提出的诊断方法可以更有效地识别电机不同的短路故障,降低了误判率,解决了单一信号源诊断方法精度较低的问题,具有良好的可靠性和互补性。     

基于改进卷积双向门控循环网络的轴承故障诊断

针对传统深度学习方法没有充分利用轴承信号的时序特点,以及难以处理动态数据的问题,提出一种基于改进卷积双向门控循环神经网络的轴承故障智能诊断方法。采用卷积神经网络从输入信号中提取代表性特征,引入双向门控循环神经网络挖掘故障数据在时间维度上的语义信息,通过注意力机制自适应地对特征图通道赋予不同权值,从而实现高精度的轴承故障诊断。在公开轴承数据集上进行实验,实验结果表明,该方法能够正确地将轴承故障分类,分类精度可达996%。     

基于多神经网络融合的短期负荷预测方法

为了利用不同深度神经网络的优势,提高深度学习算法对短期负荷的预测能力,提出一种基于多神经网络融合的短期负荷预测方法。以电力系统历史有功负荷、季节、日期类型和气象数据为输入特征,并行架构的深度神经网络和注意力机制网络为核心网络;以并行架构中的卷积神经网络通道提取静态特征,门控循环单元网络通道挖掘动态时序特征,采用注意力机制网络融合提取的特征并动态调整网络对不同特征的依赖程度;使用Maxout网络增强网络整体的非线性映射能力,通过全连接网络输出预测结果。与支持向量机、长短期记忆网络的算例结果对比表明,所提方法具有更高的预测平稳性和准确性。     

基于WDCNN-SVM深度迁移学习的燃气轮机转子故障诊断方法

针对在使用深度学习对燃气轮机转子故障诊断过程中,因振动信号样本中正常运行数据多、故障数据少而使得模型故障诊断准确率低的问题,提出了一种采用深度迁移学习对燃气轮机转子进行故障诊断的方法。首先,使用典型行业样本数据集预训练第一层宽卷积核深度卷积神经网络（WDCNN）模型,给予模型初始的权重。其次,在源域中,使用某型燃气轮机试车获得的大量正常运行样本更新WDCNN模型的权重;在目标域中,利用源域训练的卷积层提取燃气轮机的正常和故障数据样本特征,然后使用支持向量机（support vector machines, SVM）进行分类识别,从而达到燃气轮机故障识别的目的。试车数据实验结果表明,该方法能够实现96%的识别准确率,验证了将轴承数据集预训练的深度学习模型迁移到燃气轮机转子领域进行故障诊断的可行性。     

湿法脱硫无烟气旁路技术的应用

详细介绍了无烟气旁路、无GGH的湿法脱硫技术全国首批次在景德镇发电厂2×660 MW机组的应用,实际验证并肯定了该技术的工业使用价值,并从设计、安装、运行维护和管理等方面入手,详细阐述了保证系统安全运行的具体措施.     

可燃废气利用技术研究进展(Ⅱ):填埋气、火炬气、伴生天然气和煤矿瓦斯

可燃废气利用是实现我国节能减排的重要途径之一。介绍了目前填埋气、火炬气、伴生天然气和煤矿瓦斯几种可燃废气的利用技术和工业应用现状。其中:填埋气的利用率很低,资源化利用技术不足,需大力推广以渗滤液处理、高效LFG抽排及利用为核心的填埋垃圾处理工艺;火炬气通常引入燃油或燃气锅炉加以利用,也可以将火炬气燃烧后利用余热锅炉回收热量,或者作为中等热值的气体,直接引入燃气轮机燃烧发电;伴生天然气的产量不高时,可以将其回注驱油或就地发电,产量高且稳定时,可以采用管道输送、液化天然气(LNG)和压缩天然气(CNG)船舶运输;对于低浓度瓦斯,燃气-蒸汽联合循环发电是其最好的利用方式,其发电效率高达45%以上;通风瓦斯通常作为助燃空气用于坑口电站,该利用方式的技术要求和成本最低。     

气体传感器阵列混合气体检测算法研究

针对传统模式识别算法对混合气体定性和定量检测准确率较低的问题,提出了一种基于机器学习的新型混合气体定性识别和浓度定量检测算法。算法首先构造传感器阵列数据特征图,然后利用卷积神经网络(CNN)提取特征,根据特征提取后的特征图,使用不同分支网络对不同气体进行定性识别,得到气体种类和相应气体所处浓度区间;根据前面的气体识别结果,使用核主成分分析(KPCA)与梯度提升树(GBDT)对混合气体的组成成分进行定量估计;最后采用加州大学机器学习数据库的动态混合气体气体传感器阵列数据集进行对比验证。实验结果表明,算法在乙烯和甲烷定性识别中准确率达到了98.7%,定量检测平均相对误差小于4.1%。通过与传统模式识别算法对比,所提出的基于机器学习的混合气体检测算法具有更高的精度和泛化能力。     

中压设备中SF6替代气体的试验研究

探索可能在中压设备中替代SF6的气体,已经是国际上的热点问题.通过考虑介电强度、GWP和液化温度等指标得到了数据库中有潜力替代中压设备中的4种气体.通过工频放电试验,研究了4种气体在均匀电场(以板板电极模拟均匀电场)下的工频放电特性,并以SF6气体为对照,得到了绝缘气体的工频击穿电压达到与0.1～0.2 MPa SF6...