航空交流电弧特性及检测算法研究

介绍了航空交流电弧电流和电压的基本特性.对电弧电流在频域和时域条件下异于正常情况的特性进行了研究,并将电弧电流的非平稳特性作为电弧检测判据的重要特征,设计了一种基于多种判据的电弧故障断路器(AFCI).它将电弧的一些较为显著的特征转化为CPU可识别的电信号,并通过CPU软件算法实现航空交流电弧检测,为航空电气系统的安全性提供了保证.     

电压信号多特征融合检测串联故障电弧

串联故障电弧具有产生的随机性以及发生时电路电流减小等特点,传统保护装置难以识别。当前对串联故障电弧的检测大多对电流信号进行分析,但其容易受负载影响,识别时容易误判。因此,提出一种基于电压信号多特征识别电弧故障的方法,对实验采集的电压数据进行深入分析,利用余弦相似度、Pearson相关系数和Hausdorff距离对采集到的电源端电压和负载端电压波形相似度进行分析,并通过两电压差计算出线路电压,利用时域分析提取特征。对不同采集频率进行实验分析,选取最优采集频率。最后,通过学习向量化（Learning Vector Quantization,LVQ）神经网络对上述多特征融合进行检测。不同类型的负载试验表明,该方法对故障识别准确率可达96%以上。     

基于磁通不对称分布的串联电弧故障检测研究

目前串联电弧故障检测以主线路电流为判断对象,该方法容易受非线性负载正常工作电流奇异性的影响而造成误判;而且小功率支路的电弧故障特征容易被干路电流"淹没"而造成漏判。为了解决该问题,根据电弧高频电流电磁耦合机理,提出一种基于L-N线不对称分布和高阶累积量识别的检测方法。通过分析电弧熄灭重燃时高频剩余磁通的耦合信号,利用高阶统计量工具计算出耦合信号的峭度值。对单一负载电弧故障、综合负载干路电弧故障和综合负载支路电弧故障等不同情况进行判断,得出统一峭度阈值。结果表明,该方法可有效检测和识别串联电弧故障。     

光伏发电系统直流串联微弱故障电弧检测方法研究

光伏发电系统直流故障电弧因随机性强、信号微弱、容易受负载突变影响而难以准确检测.根据光伏电池U-I输出特性,文中分析光伏发电系统直流串联微弱故障电弧产生机理,通过搭建光伏发电系统故障电弧模拟实验平台,分析了微弱直流串联故障电弧信号特性;进而提出了一种基于电流小波能量熵特征的检测直流串联微弱故障电弧的方法.该方法先计算电...     

基于相关理论及零休特征融合的串联故障电弧检测方法

针对串联故障电弧发生时隐蔽性和随机性强、电流幅值相对较小易被负载电流湮没、与负载性质关联性大而导致的难以准确检测问题,提出一种基于相关理论及零休特征融合的串联故障电弧检测方法。以参照UL1699标准搭建的低压单相交流串联故障电弧实验平台为基础,通过采集用电回路的两个周期电流并计算其零休时间比例系数、滤除低频成份后的归一化绝对值最大互相关系数,然后用模糊逻辑器将两系数进行融合处理得到串联故障电弧综合特征识别系数,进一步结合零休时间比例系数并分别与经验阈值比较,从而判别是否有串联故障电弧发生。结果表明,该法对低压单相交流用电回路中使用GB14287.4推荐负载时产生的串联故障电弧辨识率高达100%,无误判漏判现象发生。     

基于自组织映射神经网络的低压故障电弧聚类分析

故障电弧是引发电气火灾事故的主要原因之一。本文将自组织映射神经网络引入故障电弧研究领域,进行不同负荷情况下的故障电弧聚类分析。首先参照美国UL1699标准进行实验采集电流数据,然后利用自组织映射神经网络实现可视化聚类,并结合k均值法确定聚类结果。根据聚类结果分析故障电弧,对比故障与正常时的差异所在,提取故障电弧的典型特征。最后总结出故障电弧电流通常具有电流短时为零、正负半周差异大、幅值变化大等特征,为故障电弧保护技术提供参考。     

基于SVD-SVM的低压交流故障电弧检测算法研究

当供电线路发生电弧故障时,电弧电流往往不容易使过流保护装置迅速动作,因此电路无法及时切断电弧故障,最终形成电气火灾。为解决低压交流故障电弧的特征提取与准确检测等问题,提出了一种基于奇异值分解（SVD）和支持向量机（SVM）的新技术,所提算法采用LabView开发平台进行上位机程序的设计与分析。实验表明,该电弧故障检测方法能够准确、有效地检测出低压交流电路中的电弧故障,对故障电弧检测具有普遍意义。     

降低微波炉供电线路中AFCI误动作的研究

介绍电弧故障的特征及国外有关电弧故障分断器(AFCI)的检测和判别方法,深入解析了变频微波炉导致AFCI发生误动作的根本原因。同时根据微波炉工作时的电流过零点的波形及接收的信号强度指示(RSSI)波形的特点,对微波炉的滤波电路的参数进行改善,有效地消除了电流过零点附近的纹波噪音,降低了过零点的RSSI值,从而降低AFCI误动作的发生,对微波炉的设计提供了参考价值。     

基于电弧模型仿真的电气火灾智能算法研究

针对近年来电气火灾居高不下的形势及火灾预警系统不够完善的问题,对故障电弧的电压电流波形进行了分析,提出了一种基于电弧Cassie模型的电气火灾智能算法,应用神经网络智能算法分析了故障电流波形,建立了故障电弧电流波形与故障电弧发热量之间的关系。在智慧式安全用电管理平台上读取了电弧电流波形,分析计算得到了相应的电弧发热量,根据电弧发热量判断是否会引发电气火灾。最后进行了故障电弧模型的仿真实验。研究结果表明,1 000组数据中只有2组出现误判,说明该算法可以通过故障电弧电流波形来预测电气火灾。     

基于自适应变异差分进化算法的电弧时域模型

随着电弧炉功率不断增大,电弧炉对供电网络的负面影响越来越受到关注.主要的负面影响是引起谐波、电网电压波动和闪变.因此,建立精确的电弧模型,对于研究上述问题有着重要的意义.新的电弧时域模型以能量守恒定律为基础,用非线性微分方程描述电弧电导与电流之间的函数关系,并且利用现场检测到的数据,采用自适应变异差分进化算法对参数进行辨识.通过调整参数,模型完全可以模拟电弧炉冶炼过程的电弧特性.仿真结果表明,模型输出的电压、电流与现场实测数据一致,验证了模型的正确性.     

基于格拉姆角场和CNN-RNN的滚动轴承故障诊断方法

针对卷积神经网络难以处理时间序列数据和循环神经网络难以提取数据深层特征的问题,提出了一种基于深度卷积网络和循环神经网络相结合的滚动轴承故障诊断方法.首先,使用格拉姆角场(GAF)编码将一维轴承振动信号构造为时序图像并划分为训练集、验证集和测试集;然后,将训练集和验证集输入VGG16模型进行特征提取,将提取到的特征输入R...     

改进一维卷积神经网络与双向门控循环单元的轴承故障诊断研究

针对传统智能故障诊断依赖于人工经验进行特征提取和传统卷积神经网络(Convolutional neural networks, CNN)参数过多、训练量过大且无法充分利用时间序列信息的缺点,提出一种基于改进一维卷积神经网络与双向门控循环单元的深度学习新算法。首先,该方法利用一维卷积神经网络自提取能力进行特征提取,同时设计了一个全局均值池化层替换传统卷积神经网络的全连接层,减少参数数量;其次,引入双向门控循环单元学习特征信号中的时间序列关系;最后,通过支持向量机替换传统CNN中的Softmax层进行故障分类,进一步提高诊断的准确率。实验表明,该方法将诊断的准确率提升至99.8%,并且加快了诊断的速度。通过与其他方法的对比,证明了该方法有着更高的准确率,更快的诊断速度,更好的鲁棒性。     

A fault diagnosis scheme for rotating machinery using hierarchical symbolic analysis and convolutional neural network

Fault diagnosis of rotating machinery is crucial to improve safety, enhance reliability and reduce maintenance cost. The manual feature extraction and selection of traditional fault diagnosis methods depend on signal processing skills and expert experience, which is labor-intensive and time-consuming. As a typical intelligent fault diagnosis method, the convolutional neural network automatically learns features from original data, but it is extremely difficult to design and train a deep network architecture. This paper proposes a fault diagnosis scheme combined of hierarchical symbolic analysis (HSA) and convolutional neural network (CNN), which achieves laborsaving and timesaving preliminary feature extraction and accomplishes automatically feature learning with simplified network architecture. Firstly, hierarchical symbolic analysis is employed to extract features from original signals. The extracted features are able to identify different health conditions under various operating conditions. Then, convolutional neural network instead of human labor is used to learn the complex non-linear relationship between features and health conditions automatically. The architecture of CNN diagnosis model is simple and convenient to implement. Finally, a centrifugal pump dataset and a motor bearing dataset are adopted to validate the effectiveness of the proposed method. The diagnosis results show that the proposed method exhibits superior performance compared with shallow methods and deep learning methods.     

一种无监督的轴承健康指标及早期故障检测方法

提出了一种无监督的轴承健康指标及早期故障检测方法。设计了一种可以有效提取轴承状态特征的深度可分离卷积自编码器模型,以编码器的输出作为轴承状态特征表示,使用Bray-Curtis距离计算退化状态特征和健康状态特征之间的距离作为轴承状态的健康指标（BC-HI）。基于健康指标BC-HI提出了一种结合Savitzky-Golay滤波的早期故障检测方法,根据健康指标的趋势获取异常阈值,判断早期故障的发生。为验证所提方法的有效性及泛化能力,在轴承加速寿命试验数据集上进行试验,试验结果表明提出的健康指标可以反映轴承的退化趋势,并且对早期故障较为敏感,具有较强的泛化能力,与孤立森林、支持向量机等方法相比,首次故障检测时间更加提前,误报警率更低,具有一定的应用价值。     

An Intelligent Fault Diagnosis Method of Multi-Scale Deep Feature Fusion Based on Information Entropy

For a single-structure deep learning fault diagnosis model,its disadvantages are an insufficient feature extraction and weak fault classification capability.This paper proposes a multi-scale deep feature fusion intelligent fault diagnosis method based on information entropy.First,a normal autoencoder,denoising autoencoder,sparse autoencoder,and contractive autoencoder are used in parallel to construct a multi-scale deep neural network feature extrac-tion structure.A deep feature fusion strategy based on information entropy is proposed to obtain low-dimensional features and ensure the robustness of the model and the quality of deep features.Finally,the advantage of the deep belief network probability model is used as the fault classifier to identify the faults.The effectiveness of the proposed method was verified by a gearbox test-bed.Experimental results show that,compared with traditional and existing intelligent fault diagnosis methods,the proposed method can obtain representative information and features from the raw data with higher classification accuracy.     

基于改进卷积神经网络的燃气调压器故障识别研究

针对传统故障识别方法不仅过分依赖专家经验对故障特征进行提取且识别准确率不高的问题,在深度学习理论基础上,提出了一种将一维卷积神经网络与SVM分类器相结合的改进深度卷积神经网络,实现调压器“端到端”的故障识别。首先,介绍了传统卷积神经网络结构;其次,将改进后的一维卷积神经网络与SVM相结合,提出了基于1-MsCNN-SVM算法的调压器故障识别模型,并对模型的组成部分进行了介绍;然后,通过对比实验确定了模型的卷积核长度和卷积层组数;最后,为验证模型的有效性,基于燃气调压器故障数据集,开展了燃气调压器故障识别研究。研究结果表明,改进后的1-MsCNN-SVM算法故障识别准确率高达99.20%,模型具有较好的分类准确率。     

一种残差注意力迁移学习方法及其在滚动轴承故障诊断中的应用

提出了一种基于残差注意力卷积神经网络(CSRA-CNN)的迁移学习算法,用于提高滚动轴承的故障诊断精度。在卷积神经网络模型中加入残差注意力机制,使模型在训练过程中更加注重故障特征的提取,从而有效提高迁移准确率。为了测评基于残差注意力卷积神经网络的性能,将其与传统卷积神经网络在不同迁移学习策略下的结果进行对比。用动力传动故障诊断综合实验台和高速列车综合实验台对所提算法进行了验证,该方法可以完成变转速以及变转速变载荷下轴承不同健康状态的迁移学习,且迁移效果均优于传统的卷积神经网络。     

多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题,提出一种多共振分量融合卷积神经网络（multi-resonance component fusion based convolutional neural network,简称MRCF-CNN）的行星齿轮箱故障诊断方法。首先,对振动信号进行共振稀疏分解,得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量;其次,构建多共振分量融合卷积神经网络,将得到的高、低共振分量和原始振动信号进行自适应的特征级融合,通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明,该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障,成功对行星齿轮箱故障进行诊断,同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。     

基于离散特征的跌倒检测智能方法及应用

随着人口老龄化现象加剧,对老年人跌倒的检测与报警越来越重要。为提高跌倒检测的准确率,提出一种基于离散特征的跌倒检测智能方法。通过对人体运动数据的分析,提出7类人体运动特征;并建立了以BP神经网络为基础的跌倒检测模型,将提取的离散特征作为模型的输入,模型的输出作为跌倒检测结果;通过对模型的学习与训练后,实现跌倒检测。方法验证和产品应用结果表明:采用基于离散特征的跌倒检测智能方法能够有效地区分跌倒与非跌倒,提高了跌倒检测正确率,降低了误报率和漏报率。     

无标签数据下基于特征知识迁移的机械设备智能故障诊断

对于智能故障诊断方法,大量有标签数据是实现智能模型训练的必要条件,但该条件在部分工业应用场景下难以满足。难以采集足够有标签数据,尤其是故障状态下的数据,在一定程度上限制了智能故障诊断方法的工业化应用。为解决该问题,提出基于特征知识迁移的机械设备智能故障诊断方法,将实验设备或其他相关设备所采集的足量有标签数据所蕴含的特征知识迁移至工业现场设备所部署的智能模型中,完成不同机械设备之间监测数据的特征知识迁移,从而实现无标签数据下的机械设备智能故障诊断。提出方法首先构建一维深度卷积神经网络,实现从原始振动信号到机械设备故障类别的深度映射。然后在深度卷积神经网络中加入领域适配正则约束项,实现不同机械设备监测数据间特征知识的深度迁移适配。最后,通过全连接神经网络进行机械设备健康状态的识别。为验证提出算法的有效性,通过两种机械设备的轴承在不同性能状态下所采集的监测数据进行迁移故障诊断实验,实验结果表明:提出方法实现了不同设备间监测数据特征知识的迁移适配;相对于传统智能诊断方法,提出的方法在两个数据集之间的迁移故障诊断识别率提高20%以上。