基于WPT和SSA-BP的直流充电桩充电模块故障诊断

充电模块是电动汽车直流充电桩最为关键的部分,针对其功率开关和电解电容等核心器件的开路故障特点,提出了一种基于小波包变换（wavelet packet transform,WPT）和麻雀搜索算法优化反向传播神经网络（sparrow search algorithm-back propagation,SSA-BP）的故障诊断方法。该方法以充电模块输出电压为原始信号,首先通过预处理剔除其直流分量,对处理后的信号进行小波包分解,然后计算出各子频带信号的能量,通过归一化得到初始特征向量,最后将直流分量和归一化后的特征向量作为最终故障特征量输入到SSA-BP神经网络,进而输出分类结果实现故障诊断。为验证方法的可行性和优越性,搭建了输出功率15 kW的两级仿真模型,在不同工况下进行仿真验证。实验结果表明该方法具有较好的诊断效果,诊断率达到93.85%,对电动汽车直流充电桩故障诊断具有现实指导意义。     

基于双通道特征融合并行优化的燃气轮机气路故障诊断方法

为解决当前燃气轮机基于数据驱动的气路故障诊断精度提升的问题,提出了一种基于双通道特征融合并行优化的气路故障诊断方法。该方法首先通过燃气轮机热力模型构建气路故障数据样本集;然后使用卷积神经网络及长短时记忆神经网络双通道并行挖掘数据的空间特征和时序特征,并在两通道中分别引入首层大卷积核及挤压激励网络的优化方法;最后将两通道提取的特征融合为一维张量,输入到全连接层进行气路故障类型识别。实验结果表明,相较于传统机器学习及深度学习的气路故障诊断方法,所提方法具有更优的辨识精度,平均诊断准确率达到了98.24%,具有实用性及可行性。     

基于CEEMDAN和CNN-LSTM的滚动轴承故障诊断

针对滚动轴承工作环境复杂，轴承振动信号受噪声干扰难以提取故障特征以及传统故障诊断算法准确率较低的问题，提出了利用自适应噪声完备集合经验模态分解算法（CEEMDAN）联合卷积神经网络（CNN）内嵌长短期记忆神经网络（LSTM）的滚动轴承故障诊断方法。首先，利用CEEMDAN算法对轴承原始振动信号进行分解得到本征模态函数（IMF）；然后计算重构后的信号的排列熵，归一化后作为特征向量；最后将特征向量输入至CNN-LSTM结合建立的深度学习模型中进行诊断识别。结果表明：所提方法具有更快的拟合速度和更高的准确率，平均故障诊断准确率达到98.63%。     

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。     

基于多元高斯分布异常检测模型的MMC子模块开路故障诊断方法

模块化多电平换流器（MMC）的子模块开路故障隐蔽性强,可以及时有效地识别故障位置,防止故障蔓延影响其他组件,提高换流系统的可靠性。为了诊断子模块开路故障,该文提出一种基于多元高斯分布异常检测模型的故障检测方法。首先,分析子模块开路故障特性,选择子模块电容电压作为故障检测的关键指标,并提取子模块电容电压的12个特征量组成特征向量用于故障诊断。然后,根据多元高斯分布特性,提出基于多元高斯分布的异常检测模型构建方法,并基于此模型提出子模块开路故障诊断策略,可在故障样本偏少致使样本不均衡时,实现高准确率、高效率的故障诊断。最后,通过仿真和实验验证了所提出的MMC子模块开路故障诊断方法的有效性。     

基于小波包变换和SVM的三电平逆变器故障诊断

针对中性点箝位型(NPC)三电平逆变器开路故障诊断计算复杂、准确率低等问题,提出一种基于小波包变换和支持向量机(SVM)的故障诊断方法。采用小波包变换将具有各自时频特征的故障信号分解为若干个频段,并重构提取小波包能量作为故障特征向量;将该故障特征向量作为SVM的输入量,运用交叉验证径向基核函数,通过训练数据集得到多类SVM模型,将随机选取的测试集输入训练好的模型中。仿真试验结果表明,该方法可对IGBT开路故障进行诊断并具有更高的故障识别准确率。     

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EMD-GAF和改进的SERE-DenseNet的滚动轴承故障诊断方法

为了解决滚动轴承一维振动信号中故障特征微弱难以提取和深度学习模型层数加深容易导致梯度消失或梯度爆炸从而引起模型恶化、导致故障诊断准确率低和鲁棒性差的问题,本文提出一种基于EMD-GAF和改进的SERE-DenseNet的滚动轴承故障诊断方法。将滚动轴承一维振动信号通过滚动采样后利用EMD对其进行分解并重构,再使用GAF将重构的一维信号转换为二维图像作为模型输入,模型方面选取DenseNet121为主干,引入了SERE模块,并将2层卷积的Dense Layer改进为3层稀疏的、基数为8的模块;将二维图像作为输入通过该模型进行特征提取和故障分类。采用凯斯西储大学的轴承数据集进行仿真实验,实验结果表明,本文方法能够准确地完成滚动轴承故障诊断,故障诊断最大准确率100%,10次实验平均准确率99.91%,与常见的深度学习模型进行比较,本文方法具有较大的优越性;在信噪比为10 dB的环境下故障诊断准确率为96.48%,本文方法具有较强的鲁棒性。     

基于卷积神经网络的交直流输电系统故障诊断

随着交直流输电系统规模的不断扩大,电网结构和故障特征愈加复杂,现有故障诊断方法面对复杂电网和超大数据量时难以精准提取故障特征,急需适应性强且准确率高的电网故障诊断方法。为此提出一种基于卷积神经网络（CNN）的电网故障诊断方法。首先,通过逐层筛选、逐层增叠的网络构造方式逐步测试,其目的是为了构建充分适应于电网故障诊断的网络结构;然后,利用网络层级优化策略调整训练参数,并以交叉熵最小为目标对深层故障特征进行挖掘;最后,在MATLAB/Simulink平台上搭建交直流输电系统模型,结合t分布随机邻域嵌入（t-SNE）可解释性技术展示诊断效果,通过与传统方法对比证明所提方法能够深度挖掘故障特征且具备很高的诊断准确率。     

基于字词融合的高铁道岔多级故障诊断组合模型

为有效提升高速铁路道岔维护效率和故障定位准确率,面向其故障文本数据,提出了一种基于字词融合的高速铁路道岔多级故障诊断组合模型。首先,建立高速铁路道岔专业词库,将文本表示为字向量与词向量并进行深度融合。其次,考虑到故障文本存在类别不均衡问题,采用Borderline-SMOTE算法对不均衡文本数据进行处理,优化故障文本数据分布。接着使用BiLSTM(Bi-directional long short-term memory)-CNN(convolutional neural network)的组合神经网络提取故障文本深度特征,最后通过分类器实现智能故障诊断。采用我国高速铁路道岔故障文本数据进行模型性能验证,结果显示所提模型的一级故障诊断准确率达到95.62%,二级故障诊断准确率达到93.81%,证明多级故障诊断精度可达到理想效果。     

一种轴承故障诊断的多任务深度学习方法

提出一种基于多任务深度学习的故障诊断方法,将故障诊断任务分为故障分类和损伤程度识别。 共享层采用卷积神经 网络提取监测振动信号中蕴含的故障特征信息,两个子任务模块使用门控循环单元从共享层的输出中进一步提取特征,进行故 障分类和损伤程度识别。 在多任务深度学习方法中两个子任务模块可以通过共享层相互影响,提高模型的特征提取能力,获得 更好的故障诊断性能。 在轴承数据集上进行故障诊断实验,同时与故障分类单任务模型和损伤程度识别单任务模型进行对比, 以检验多任务深度学习方法的故障诊断性能,实验结果显示多任务深度学习模型在测试集上两个任务同时正确的准确率为 99. 79%。 为进一步验证多任务深度学习方法的特征提取能力,在测试集中添加不同程度的高斯噪声进行故障诊断实验,在较 强噪声情况下,多任务深度学习模型的准确率明显高于单任务深度学习模型。 研究结果表明,多任务深度学习模型与单任务深 度学习模型相比故障诊断准确率更高,同时抗噪性能更好,具有一定的实用价值。     

基于小波特征提取与深度学习的微电网故障诊断与分类方法

针对现有微电网（MG）故障诊断准确率不高,分类精度不理想等问题,提出了一种基于小波特征提取与深度学习的微电网故障诊断与分类方法。首先,采用最大重叠离散小波变换（MODWT）和母小波提取MG电力信号特征,并进行三级分解,以获得高精度的信号特征提取。然后,利用长短期记忆网络优化深度Q网络,构建深度循环Q网络（DRQN）,更好地分析复杂数据且克服噪声的干扰。最后,将MODWT每个分解层次上的信号分量能量输入DRQN,实现故障的诊断和分类。基于MATLAB环境搭建MG系统仿真模型对所提方法进行实验论证,结果表明使用高采样频率和电流、电压信号时,诊断性能最佳,分类准确率超过91%。同时,所提方法在11种故障类型和4种场景下的分类准确率均超过90%,优于其他对比方法。     

基于图注意力网络的输电线路故障诊断

以往基于深度学习的输电线路故障诊断，依赖数字信号处理技术提取故障特征。为了改进前述方法，引入了图深度学习理论，提出了一种基于图注意力网络(GAT)的智能故障诊断方法。将原始三相电流电压信号转化为图数据，利用多个图注意力层自动提取特征信息，从而建立了数据从输入端到输出端之间的映射关系，实现输电线路端到端的故障诊断。在400 kV三相输电线路和IEEE13总线电网系统上验证该方法的准确性和有效性，分别对五种短路故障和无故障情况设置不同初始相角、过渡电阻和故障位置进行仿真分析。结果表明，该方法故障诊断准确率达到9975%以上，与现有几种智能故障诊断算法对比其性能最优。同时，该方法在不同白噪声下依然保持较高的故障识别率，具有良好的鲁棒性和泛化能力，为电力输电线路诊断技术提供了一定的研究思路。     

基于改进EEMD的高压断路器振声联合故障诊断方法

高压断路器是电力系统中关键的控制和保护设备,针对其故障诊断方法的不足之处,将振声数据级融合和特征级融合应用于高压断路器故障诊断方法。振声特征级融合诊断方法首先将采集到的声波信号通过快速核独立分量分析(Fast KICA)实现盲源分离处理,其次利用改进集合经验模式分解(EEMD)提取振动信号和声波信号的特征向量。振声数据级融合诊断方法首先构建振声联合图像,其次利用改进的BEEMD提取特征向量。最后将两种方法提取的特征向量输入支持向量机模型(SVM)进行故障诊断,实验结果表明,所提方法诊断高压断路器故障能取得良好的效果。     

模块化五电平逆变器子模块开路故障的智能诊断方法

基于深度学习理论,提出了一种基于栈式稀疏自动编码器(SSAE)的模块化五电平逆变器(MFLI)子模块开路故障诊断方法。该方法将MFLI子模块开路故障检测与定位问题转化成分类问题,首先将子模块电容电压信号组合成24通道序列信号,然后沿着24通道序列移动大小为24×40滑动窗口获得"数据带"样本,紧接着将"数据带"转化为向量输入到SSAE中进行逐层无监督特征学习,构建原始故障数据集的深层特征简明表达,最后将深层特征简明表达连接到Softmax分类器输出故障诊断结果。此外,为了提高该方法的抗噪性能,利用已添加高斯白噪声的数据对SSAE进行训练,以提高其特征表达的鲁棒性。结果表明,所提出的故障诊断方法平均准确度达到98.09%,故障平均诊断时间为31.47ms,且具有较高的鲁棒性。     

基于IEWT-DELM的行星齿轮箱故障诊断

针对在恶劣情况下行星齿轮箱特征难以提取以及多种故障状态下难以准确分类这种问题，提出在经验小波变换基础上将原有频谱分解替换为在噪声干扰下更为稳定的尺度谱分解的改进经验小波变换与深度极限学习机相结合的故障诊断方法。首先，将行星齿轮箱不同故障工况下的信号利用改进经验小波变换分别进行降噪处理并提取各阶调频-调幅分量，之后选取包络幅值峭度较高的前6个分量多尺度样本熵作为故障特征集，输入到深度极限学习机中进行故障诊断分类，行星齿轮箱故障诊断试验表明：与EWT、EMD与DELM结合的故障诊断准确率相比，该方法故障平均识别率可达97.6%,具有一定的有效性。     

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。     

基于支持向量机的模块化多电平换流器子模块开路故障诊断方法

随着模块化多电平换流器（MMC）应用范围越来越广泛,其子模块的开路故障诊断方法成为研究热点。MMC的故障样本少,正常样本多,冗余子模块过多。针对此问题,本文提出基于支持向量机（SVM）的MMC子模块开路故障诊断方法,判断子模块故障发生在区内还是区外,以实现故障子模块的检测和定位。针对MMC子模块开路故障特征,选取子模块电容电压作为样本特征,分析子模块故障对A、B、C相样本的影响,通过赋予A、B、C相正常样本不同的权重系数,提高故障识别的准确率。最后,搭建MMC仿真模型,证明了所提方法的有效性。     

基于改进残差网络的锂离子电池故障诊断

针对残差网络(ResNet)对特征提取准确率低和拟合度不够的问题，提出一种基于改进残差网络的锂离子电池故障诊断方法。首先，利用Simulink对电池容量变小、内阻变大、充电不足和自放电大等4种故障进行故障模拟，得到故障电压数据，作为输入，将首层提取的特征因式分解，分别加到后面的每一层；然后，引入注意力模块(SELayer)分支轻量化；最后，采用反卷积上采样，使远距离残差特征融合，加深特征提取能力，并降低计算量。改进残差网络故障模拟实验表明，与传统的ResNet50、ResNext、DensNet121和DensNet169等4种模型相比，所提模型的诊断准确率从88.63%提高到99.00%以上，参数量从2 500万减小到了2 470万，收敛速度上也具有一定的优势。     

基于模型预测控制的电动汽车直流充电桩功率器件开路故障诊断方法

针对电动汽车直流充电桩故障中较为常见的功率器件开路故障,提出了一种基于模型预测控制的电动汽车充电桩实时故障诊断方法。采用模型预测电流控制方法替代传统PWM整流器电流环中的PI控制器。在此基础上,将功率器件开路故障情况下整流器实际应用的开关状态与通过模型预测控制得到的最优开关状态相比较,建立故障特征信号,从而实现充电桩功率器件开路故障诊断与定位。由于不同功率器件故障特征信号之间互不影响,因此该方法对于单管、双管及多管同时故障均有显著效果。仿真结果验证了该充电桩故障诊断方法的正确性和有效性。