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。     

基于迁移学习多层级融合的运动想象 EEG 辨识算法

为了准确获取运动想象脑电信号的全局特征和个体间的共性特征,进而提高其分类准确率和模型鲁棒性,提出一种参 数共享迁移学习的融合卷积神经网络算法。 首先把源域上训练完成的网络逐层迁移至目标网络以获取最佳迁移层。 其次,在 迁移层后分别连接不同数量的卷积-池化块构成 4 个不同深度的卷积网络,并将其并行融合后连接分类器得到分类结果。 利用 BCI 竞赛 IV Datasets 2a 对提出方法进行实验分析。 结果显示,使用 100%和 50%样本时所有受试者的平均辨识率分别为 80. 85%和 78. 9%,验证了提出方法在全局特征提取上的有效性小样本问题上的优势。     

多通道卷积神经网络和迁移学习的燃气轮机转子故障诊断方法

燃气轮机结构复杂,工况严苛,实际针对运行过程中转子系统故障样本难以获取,样本量少导致故障诊断精度低的问题,提出一种多通道卷积神经网络(multi-channel convolutional neural network, MCCNN)深度迁移学习的燃气轮机转子故障诊断方法。该方法首先以轴承一维原始振动信号为输入,将数据重新排列组合模拟转换二维图像,有效避免实际转换图像的繁琐操作。用西储大学(CWRU)的公开轴承数据和西安交通大学(XJTU)公开轴承数据对MCCNN模型进行训练更新权重并诊断,取得了100%和99.95%的故障分类准确率。以CWRU轴承故障数据集为源域,燃气轮机转子故障数据集为目标域,利用迁移学习将从源域训练得到的模型参数保留,输入目标域数据集进行训练,并对燃气轮机故障数据进行分类,分类准确率达到97.78%,由实验结果可知多通道卷积神经网络和迁移学习适应任务需要,可以在转子系统故障样本量少的情况下解决问题。     

基于卷积神经网络的脑电信号情绪分类方法

情绪作为人脑的高级功能,对人们的心理健康和个性特征有很大的影响。通过对脑电情绪数据集进行情绪分类,能够为今后实时监控正常人或抑郁病人的情绪提供进一步理论及实践依据。因此文章运用公开的脑电情绪数据集所提取的微分熵特征,并使用传统的滑动平均和线性动态系统方法,采用深度学习中的卷积神经网络作为基本前提,设计了一个卷积神经网络的脑电信号情绪分类模型,其包括4个卷积层、4个最大池化层、2个全连接层和1个Softmax层,并采用批归一化使参数搜索问题变容易,抑制模型过拟合。实验结果表明,利用该模型对SEED数据集的3种情绪识别的平均准确率达到了98.73%,精确率、召回率和F1分数分别为99.69%、98.12%和98.86%,ROC曲线下面积达0.998。与最近的类似工作相比,该文提出的卷积神经网络结构对于脑电信号情绪分类具有一定优越性。     

基于主动迁移学习的电力系统拓扑自适应暂态稳定评估

在基于深度学习的数据驱动型电力系统暂态稳定评估技术中,需要解决的一个关键应用挑战是对系统拓扑结构变化和电网扩展的适用性问题。该文首先提出一种考虑电气属性的互注意力图池化方法,基于注意力机制,按照电网节点的属性和距离执行差异化的特征综合,提升图深度学习特征聚合对拓扑结构变化的适用性。在此基础上,提出一种基于主动迁移学习的暂态稳定评估方案,在电网结构大幅变化或扩展时可以利用少量新系统标注样本完成模型的学习。提出梯度加权距离评价样本相似性,从原系统中获取新系统样本伪标签以实现新系统模型的初始训练。设计考虑不确定性和多样性的主动采样策略从新系统中持续挑选高价值样本进行标注,大幅减少样本标注成本。在IEEE 39、300节点系统上的测试结果验证了该文方案的优越性。     

小样本下滚动轴承故障的多源域迁移诊断方法

为了减小神经网络在机械设备故障预示与健康管理(PHM)过程中对大量完备数据的依赖,针对数据稀少情况下的滚动轴承故障诊断问题,提出了一种多源域迁移学习方法。模型采用一维卷积神经网络(1D-CNN),以原始振动信号作为模型的输入,利用两个不同的源域数据依次对模型进行预训练,使用目标域数据对预训练模型进行微调,提高对目标域的识别精度。采用频询实验台实测数据及西储大学数据集,在目标域故障样本不足的情况下分别对模型的分类精度、训练速度、结果稳定性、多源域有效性进行验证,并与卷积神经网络(CNN)、迁移成分分析(TCA)、联合分布适配(JDA)、支持向量机(SVM)的诊断结果进行对比。实验结果表明,在故障数据稀少时,模型能达到较高的分类精度,在目标域样本数量不同的3种情况下,多源域迁移方法分类精度分别达到了97.71%、96.28%、94.18%,并且模型有着较快的收敛速度,较好的稳定性。     

基于改进LRCN的人体运动识别方法

针对人体运动识别中数据特征提取不充分和识别准确率不高的问题，提出了一种改进长期循环卷积网络的人体运动识别模型。首先构建出一种由多层卷积神经网络和门控循环单元组成的LRCN模型。在此基础上构建内部和外部循环层，内部循环层作用是得到所选取时间窗内部时间特征和空间特征，外部循环层作用是从子序列数据中获取其所表征状态信息之间的特征相关性和时间相关性。提出的模型在3种公开数据集上验证，准确率均高于传统的LRCN模型，然后在自建数据集上进行测试验证，识别准确率为99.7%。实验结果表明该模型在识别准确率上高于原始模型，验证了该模型的可行性。     

基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法

绕组松动故障是变压器最主要的机械故障之一，尚缺乏有效的智能化诊断方法。为此提出基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法。变压器稳态运行时的振动信号存在周期性的特点，导致其构建足量具有时间相关性的图像集十分困难，提出了一种样本构建方法用于生成变压器振动信号的格拉姆角场图像集。将生成的图像集送入AlexNet进行迁移学习，获得微调后的神经网络模型。实验结果表明：利用该样本构建方法生成的图像集作为训练集和验证集，建立的卷积神经网络模型训练准确率与验证准确率均达到99%以上；利用变压器周期性振动信号生成的图像集作为测试集，测试准确率达到99%以上，实现了变压器绕组松动故障的准确诊断，并为周期性信号运用具有时间相关性的图像变换方法构建足量样本集提供了一种新思路。     

基于1DCNN-BiLSTM组合模型的S700K转辙机故障诊断

针对S700K转辙机故障诊断有效特征提取困难,信号处理与分类算法难以联合优化的问题,提出了一维卷积神经网络(1DCNN)与双向长短期记忆神经网络(bidirectional long short-term memory, BiLSTM)结合的转辙机故障诊断方法。首先,对微机监测系统采集的转辙机功率曲线进行处理;其次,通过卷积神经网络(convolution neural networks, CNN)的卷积层和池化层对处理后的数据自适应提取故障特征;再经过扁平层(Flatten)把提取的故障特征作为BiLSTM层的输入,进一步挖掘深层次的特征;最后使用Softmax函数实现智能故障诊断。以某铁路局提供的真实数据验证模型,结果显示所提模型的精确率、召回率和F₁值等评价指标分别达到98.99%、98.89%和98.89%,相较于其他经典故障诊断模型,1DCNN-BiLSTM模型在保证训练速度较快的情况下,将故障诊断的准确率至少提升了1.08%。     

面向变化场景的输电断面极限评估主动迁移学习方法EI北大核心CSCD

深度学习由于其强大的非线性建模能力,在输电断面极限传输容量(total transfer capability,TTC)评估问题中具有良好的应用前景。然而,由于电力系统的时变性和不确定性,需要快速更新数据和模型以满足在线应用需求。为充分利用历史场景数据并减少在线更新的计算代价,提出一种基于主动迁移深度学习的输电断面TTC评估方法。该方法包括两个阶段:第一阶段引入迁移学习预训练,推导了迁移泛化误差界以及最优经验误差组合权重,用于指导预训练阶段得到具有最小泛化误差的新场景模型;第二阶段引入主动学习和模型微调,基于TTC评估网络灵敏度进行重要样本主动查询,显著降低了模型更新所需的新样本标注时间,并利用模型微调进一步提升了新场景模型的性能。算例分析表明,所提方法与传统的深度模型训练方法相比,大幅降低了将模型应用于新场景的标注样本需求与时间成本,提升了模型迁移的效率。     

多工况下基于EEMD-ICNN的输油管道泄漏识别

针对多工况下管道泄漏信号预处理繁琐、误报率高的问题，提出了一种集合经验模态分解(EEMD)结合改进卷积神经网络(ICNN)的泄漏识别模型。所用识别方法采用EEMD将泄漏信号分解成若干个具有稳态性能的固有模态分量(IMF),通过相关系数划分出噪声主导向量并予以去除实现信号重构；提取重构信号的一系列指标特征作为ICNN模型的输入进行特征提取，实现管道多工况分类；ICNN在每个卷积层和池化层之间加入批量归一化层，以此加快网络训练速度。结果表明：所提模型能够快速准确识别出停泵、调阀、泄漏、正常工况，且在较少训练数据下平均识别准确率可达98.25%。与未改进的CNN和SVM分类识别模型相比，该方法有效提高了识别准确率。     

基于多层特征融合注意力网络的电能质量扰动识别方法

针对复杂电网环境下电能质量扰动特征冗余、分类精度低的问题,经过多层卷积神经网络逐层获取电能质量扰动信号低维到高维特征信息,引入特征注意力机制构建多特征融合层消除特征冗余,提升扰动信号关键特征关注度,并加强扰动信号的局部特征与全局特征的提取,提高模型泛化能力进而提高扰动分类精度,据此提出基于多特征融合注意力网络的电能质量扰动识别方法。仿真结果显示,所提方法不仅在单一扰动、复合扰动下能有效辨识电能质量扰动,而且能有效克服噪声干扰对模型的影响,相比主流扰动分类方法提取的特征辨识度更高、模型抗噪性更强。     

基于天气分类和卷积神经网络的短期负荷预测方法

为减少天气因素对短期电力负荷预测效果的影响,提高模型的预测精度,提出了一种基于天气分类和卷积神经网络的短期负荷预测模型。首先通过天气类型初分将原始数据样本集划分为晴天、阴天、多云和雨天4种类型。其次,为了识别相似气象条件,运用相关系数和k均值聚类方法,找到对新型负荷出力影响最大的气象因素,并对其聚类,选取高相似度的数据样本。之后根据特征选择的结果,构造神经网络输入数据集。最后,将该数据集输入至卷积神经网络训练并预测。通过算例验证分析所提模型具有更高的预测精度。     

一种基于CAEs-LSTM融合模型的窃电检测方法

为解决现有的智能电网电力盗窃行为检测方法中准确性不足、检测效率低下等问题,提出了一种由卷积自编码器网络(convolutional auto-encoders,?CAEs)和长短期记忆网络(long short term memory,?LSTM)相结合的CAEs-LSTM检测模型。该模型通过分析数据集的特点对电力数据进行二维转换,设计卷积自编码器结构,采用池化、下采样和上采样重构电力数据的二维空间特征,加入高斯噪声提高模型鲁棒性,并构建长短期记忆网络以学习全局时序特征。最后,对提取的时空特征进行融合从而检测能源窃贼,并进行了参数调优。在由国家电网公布的真实数据集上,通过将CAEs-LSTM模型与支持向量机、LSTM以及宽深度卷积神经网络进行对比,CAEs-LSTM模型的平均精度均值和曲线下面积值均最优。仿真实验表明,基于CAEs-LSTM模型的窃电检测方法具有更高的窃电检测效率和精度。     

基于CNN-LSTM混合神经网络模型的NOx排放预测

为了充分挖掘电站锅炉NO_(x)排放数据中时序性特征联系,提高NO_(x)排放预测精度,提出一种基于卷积神经网络(CNN)和长短期记忆网络(LSTM)的NO_(x)排放预测方法。以某300 MW电站锅炉历史数据为样本,采用K-means聚类方法对NO_(x)排放训练样本集进行分组,再基于CNN网络的卷积层和池化层提取NO_(x)排放变量的高维映射关系,构造高维时序特征向量,将抽象化的特征集输入到LSTM网络,通过训练LSTM网络参数建立基于CNN-LSTM的NO_(x)排放预测模型。通过某电站锅炉实际数据验证,所提预测模型对训练和测试样本的平均相对百分比误差分别为1.76%和3.85%,远低于其他模型。结果表明所提模型在预测精度和泛化能力方面具有显著优势。     

基于改进的QBC和随机森林的管道类别非均衡堵塞故障识别

针对城市埋地排水管道堵塞故障检测过程中有标签故障样本少,管道运行状态样本集存在类别不均衡及样本标注成本高昂的问题,提出一种基于主动学习的排水管道堵塞故障分类识别方法。该方法采用改进后的委员会样本查询策略通过基于一致熵的委员会样本查询策略建立主动学习模型来实现不均衡样本集的学习。经过充分考虑样本的信息度并挖掘信息度高的未标注样本进行标注后,结合多个随机森林分类器组成委员会对未标注样本进行分类识别。在实验室所采集的管道运行数据集上对委员会样本查询策略中的投票熵、一致熵和随机选择样本查询策略进行对比验证。实验结果表明,采用基于一致熵的委员会查询策略在类别分布均衡初始训练集下有更快的收敛速度和更好的稳定性,在类别非均衡分布的初始训练集下同样具有良好的识别效果。