基于CEEMD-TCN模型的变压器油中溶解气体浓度预测方法

变压器油中溶解气体浓度是了解变压器运行状态、判断变压器是否发生故障的重要指标。针对油中溶解气体浓度序列非线性、非平稳性的特点,数据直接训练模型会明显降低预测精度,因而提出了一种基于互补集合经验模态分解和时间卷积网络相结合的预测方法。首先,将原始序列分解成不同尺度的子序列分量,经过预处理后训练时间卷积网络,并优化网络超参数,各分量的预测结果叠加重构从而获得最终预测结果。通过实验验证表明,该模型预测误差小,预测精度高。     

基于深度学习的量子信号大气衰减系数预测

针对空间量子通信系统中大气信道环境随气象条件实时改变的特性,提出了基于深度学习的量子信号大气衰减系数预测方法。实验基于西安地区气象数据,分别使用了误差反向传播神经网络(BPNN)、长短期记忆网络(LSTM)、门限循环单元(GRU)三种神经网络模型进行数据预测,并进行了分析比较。结果表明三种神经网络模型均可以有效实现预测,并能达到80%的数据拟合度,其中LSTM和GUR网络的整体预测能力较强,但三种网络模型均在峰值处产生较大误差。该预测方案为空间量子通信中各类针对大气信道的补偿手段和智能参数优化提供了基础。     

电信网络运维分析与故障预测算法研究

文中旨在研究电信网络运维分析与故障预测算法,以提高电信网络的稳定性和可靠性。首先,通过收集大量的网络性能数据和故障记录,建立一个综合性的数据集。然后,提出了一种基于机器学习的故障预测模型,该模型利用了时间序列分析、特征工程和监督学习算法。实验结果表明,该模型在故障预测方面具有显著的优势,能提前识别潜在故障并采取相应的维护措施,从而降低网络故障的影响。最后,强调了故障预测算法在电信网络运维中的重要性,并为网络运维提供了有力的工具和方法。     

基于多渠道融合的智能故障预测技术

近年来，随着大数据和人工智能技术的不断发展，基于日志数据的智能故障预测方法逐渐受到关注。传统的基于日志数据的故障预测方法仅关注单一的需求属性，难以面向多维度预测需求进行适配调整。针对该问题，提出一种多渠道融合的智能故障预测模型Multi-Det，该模型采用机器学习和深度学习相融合的调度方式。通过特征提取和数据融合，面向用户不同属性需求进行系统模型适配，优化特定场景下的故障预测准确性和可靠性。为了验证Multi-Det的有效性，在公开数据集下对多个场景下的需求参数进行了实验对比，结果表明该方法能够有效适配不同故障预测需求，在特定场景下智能调整预测策略，为专业领域设备的维护和管理提供有力支持。     

基于深度学习的模拟电路故障诊断方法

针对模拟电路的故障诊断问题，提出了一种基于深度学习的故障诊断方法。首先测量模拟电路各个故障类别的脉冲响应数据，随后应用深度学习中深度信念网络方法进行特征提取，最后将提取的特征用于建立基于极端学习机的故障诊断模型。从而对模拟电路的各个故障类别进行区分，通过四运放双二阶高通滤波器电路的故障诊断实验对提出的故障诊断方 法进行了验证，通过对比实验表明，提出的基于深度信念网络的故障特征提取方法明显优于传统的基于小波分析的故障特征提取方法，有助于提高模拟电路故障诊断正确率。     

一种基于AI的虚拟化网络故障预测方法

传统的仅依赖监测特定告警标题发现重要故障的方法存在较大的局限性,无法主动监控到所有高危故障并提前预警,容易引发用户批量投诉,严重影响用户感知。同时传统的通信设备故障预测方法无法直接适用于虚拟化网络的故障预测。因此,本文提出一种基于AI的虚拟化网元的故障预测方法,通过采集告警数据、性能指标和工程状态等信息,利用随机森林算法开展故障预测,有效提升了高危故障的预警能力和预测准确率,保障了虚拟化网络的质量。     

基于DBN与健康指数的变压器评估与寿命预测方法

变压器的运行状态对电网能否正常运行至关重要,对变压器运行状态进行准确评估以及寿命预测是保证其变电站安全稳定运行的关键。提出了一种基于深度置信网络(DBN)与健康指数的变压器评估与寿命预测方法。通过无监督训练深度置信网络实现变压器运行状态数据的有效特征提取,进而构建设备运行状态的健康指数,对变压器状态进行评估,将评估结果结合健康指数曲线对其剩余寿命进行预测。以某变压器采集数据为例,结合实际运行情况,证明该方法能科学预测变压器设备有效寿命,为变电站的状态检修工作提供科学指导依据。     

基于贝叶斯网络的雷达故障远程诊断系统研究

为了提高高密度航天发射任务条件下的雷达维修能力,缩短维修时间,研究了一种基于贝叶斯网络的雷达故障远程诊断系统。设计了该故障诊断系统的硬件总体结构和软件功能架构,介绍了雷达故障数据的采集和加密传输过程。利用贝叶斯网络建立雷达故障模型,并通过期望最大算法确定了故障模型的参数;采用联合树算法,实现故障定位推理。故障诊断实例表明:与传统的故障诊断方法相比,基于贝叶斯网络的故障诊断方法能够有效识别雷达的故障类型,具有故障定位准确、运行时间短等优点。     

基于声纹特征识别的电力变压器运维检测技术研究

针对现有方法对电力变压器状态监测不够全面的问题,基于声纹特征识别技术进行了电力变压器运维检测方法研究。构建了电力变压器声纹信号的梅尔倒频谱系数（MFCC）特征,并提出了基于深度置信网络（DBN）与支持向量数据状态描述（SVDD）的电力变压器缺陷状态识别算法。同时利用DBN模型对MFCC特征进行学习训练,完成对深度声纹特征的提取。通过SVDD算法对声纹特征与缺陷类型进行关联分析,以实现缺陷类型的精准识别。在实际数据样本集上进行的测试结果表明,DBN-SVDD算法对于缺陷类型识别具有较高的准确性,且在实际应用中能够准确识别常见缺陷,并为电力变压器运维检测提供有效的辅助。     

主元分析优化量子神经网络的变压器故障诊断

针对变压器故障检测速率较慢的问题,通过对基于量子神经网络的变压器故障诊断方法的分析,发现该方法有较高的精度,但是速率较慢,不能达到实时性、快速性的要求。因此提出基于主元分析优化量子神经网络的变压器故障诊断方法。利用主元分析进行故障数据降维,选取主成分累计贡献率高于85%的主元代替原有的7个故障气体含量数据,用降维后的数据作为网络的输入,应用量子优势消除数据相关性,最终对变压器的故障做出判断。利用变压器故障实验数据信息库中的故障数据分别对量子神经网络、主元分析优化量子神经网络进行仿真研究,结果表明在故障识别率不变的情况下,所提方法使得诊断速率得到大幅提升。     

基于简单递归神经网络的引信故障预测算法

针对现有基于前馈式神经网络的引信故障预测算法存在自适应能力差、故障预测误差大等缺点,提出了一种基于简单递归神经网络的引信故障预测算法。该算法把经验和简单递归网络在故障预测方面的优势结合在了一起,大大缩短了网络训练时间,提高了引信的故障预测精度,而且有很强的适应能力和良好的稳定性。用此算法对引信工作参数进行预测,仿真、计算结果表明当Elman网络中隐含层神经元节点个数为50个时,引信各个工作参数的预测结果值与实测值之间的误差不到±1％,预测误差最小,而且每次的预测结果之间波动很小,证明了此算法的合理性。     

基于改进深度置信网络的变压器诊断模型

电力变压器作为电网运行中具有重要影响的电器设备,具有输送电能和改变电压的重要作用。为提高变压器诊断方法的准确率,文中提出了基于麻雀搜索算法的深度置信网络的变压器诊断方法。该方法应用深度置信网络对故障进行分类,再应用麻雀搜索算法对深度置信网络的结构参数进行优化。仿真结果表明,与优化前的DBN网络相比,该方法的准确率更高,具有一定的可行性。     

一种新型的基于深度学习的时变信道预测方法

针对高速移动正交频分复用系统,提出了一种新型的基于深度学习的时变信道预测方法。为了避免网络参数随机初始化造成的影响,本文方法首先基于数据与导频信息获取较理想的信道估计,利用其对BP神经网络进行预训练处理,以获取理想的网络初始参数;然后,基于预训练获取网络初始值,利用基于导频获取的信道估计对BP神经网络进行再次训练,以获取最终的信道预测网络模型;最后,本文方法基于该预测网络模型通过线上预测实现了时变信道的单时刻与多时刻预测。仿真结果表明,本文方法可以显著地提高时变信道预测精度,且具有较低的计算复杂度。     

结合WGAN GP与CNN SVM的滚动轴承故障红外诊断

针对实际工程应用中由于滚动轴承故障状态出现的时间很短而导致数据集不平衡难以采用深度学习算法进行故障诊断的问题,提出了一种基于Wasserstein距离的梯度惩罚生成对抗网络(WGAN GP)和基于支持向量机分类的卷积神经网络(CNN SVM)相结合的滚动轴承故障红外诊断方法。从红外热像图中构建不平衡数据集,通过采用WGAN GP对不平衡数据扩充以达到数据集均衡,之后将CNN SVM模型应用于数据集,提取样本深度特征完成故障分类。实验表明,WGAN GP与CNN SVM相结合的模型在不平衡数据集下表现良好,相较于其他模型有更好的故障诊断能力,并且在故障分类阶段的用时可减少1689以上。     

基于多深度置信网络融合的航空电子设备故障预测

由于航空电子设备性能退化趋势与工作环境(温度、振动、负载等)存在强耦合关系,历史数据和实时数据分布存在难以量化的差异,因此航空电子设备的故障预测一直是业内难题.针对工程应用中的故障预测需求,提出了一种基于多深度置信网络(Multi-deep Belief Network,DBN)模型融合的故障预测方法,基于历史数据和实...     

应用交叉熵组合预测配电变压器的健康指数

预测各个设备的状态能有效地促进配电网状态检修任务的顺利开展。采用AHP灰色聚类的状态评估模型确定配电变压器的健康指数HI。基于交叉熵理论,通过组合方法预测配电变压器的HI。该组合预测方法利用交叉熵理论动态确定改进神经网络和改进马尔科夫链的权重,有机融合了两个单一预测法的优点。整个预测过程,考虑了影响配电变压器全寿命周期中健康指数的重要因素——故障概率密度形状参数和尺度参数的变化。通过具体案例检验了组合方法的合理性和可靠性,为状态趋势预测提供了一种新方法。     

基于混沌特征量的雷达性能参数可预测性度量

故障预测是雷达健康管理系统的一项重要功能。在对雷达实施故障预测时,应先对性能参数的可预测性进行度量分析。首先,介绍了雷达性能监测传感器网络以及相适用的线性建模预测方法;然后,基于相空间重构理论和混沌特性量,提出一种雷达性能参数可预测性度量方法,并为确定有效时间提前量提供科学依据;最后,结合雷达信噪比参数监测序列进行实验分析,验证了所提出方法的有效性。     

基于LMBP神经网络的惯性器件故障预报方法研究

利用Levenberg-Marquardt(L-M)算法优化计算BP权值调整量,将L-M算法与传统的BP网络相结合开发出一种快速收敛的LMBP网络,并在此基础上提出了基于LMBP神经网络的时间序列预测方法。最后利用该方法对某惯性器件进行故障预报,通过仿真实验证明了该方法的有效性。     

基于深度学习模型的电力变压器故障声音诊断方法研究

利用声音信号对电力变压器进行故障诊断是一种不停机的设备维护方法,可以诊断变压器故障类型或预测故障产生的时间。声音诊断相对于其他诊断方式有许多优点,但是传统的声音自动诊断方法识别率不够理想。为了探索深度学习技术在声音故障诊断方面的可行性,本文采集了真实变压器在正常状态、老化和放电两种故障运行状态下发出的声音信号,对信号分别进行了声谱图转换和梅尔对数谱图的转换,输入一种高效轻量级卷积神经网络--Mobile Net深度学习模型中开展了训练。训练结果表明,将卷积神经网络应用在变压器故障声音诊断上能够得到较高的准确率,尤其是采用梅尔对数谱图对三种状态下识别准确率均能达到99%以上,而采用声谱图进行训练对放电类型的故障识别率较高,老化故障识别率不够理想。     

基于深度学习的公共充电桩故障预测模型

充电桩运行的稳定性直接影响整体充电网络的运行效率,预测充电桩的故障可以为相关的运营管理提供有力的数据支撑,为此提出一种基于深度学习的公共充电桩故障预测模型。给出受限玻尔兹曼机模型,通过Gibbs采样法求得隐层单元的具体数值,归一化处理后将其加入逐层预训练中,得到深度受限玻尔兹曼机模型,以运维处理及时率、充电桩硬件质量、维修及时率、充电区停电时长计算运维影响指数,结合天气因素计算环境影响指数,二者融合实现综合预测模型的构建。仿真实验结果表明,所提模型的预测能力强且准确率高,具有一定的实际应用价值。