共查询到20条相似文献,搜索用时 15 毫秒
1.
电力系统中负荷识别需要进行特征选择,而常见的人工方式特征选取比较困难。为解决负荷特征选择困难的问题,采用一种基于堆栈降噪自编码网络(SDAE)的电力负荷识别方法,能有效选取现场真实负荷波形的特征并加以识别,该方法是由一层后向传播的神经网络和多层降噪自编码器(DAE)构成。首先向数据信号中掺杂一定比例的噪声进行“破坏”,然后采用“破坏”后的信号重构原始信号,进而得到数据信号的波形特征,最后采用BP神经网络对整个数据处理网络进行有效监督和微调。经过现场实时采集的电力负荷波形数据验证,相较于BP神经网络算法,该方法的识别效果更佳。实验结果显示,采用SDAE方法在8类电力负荷的识别中辨析识别率超过96%。 相似文献
2.
3.
4.
在故障诊断领域,通常采用信号处理技术提取特征,然后将特征输入到故障分类器中进行故障识别。对于提取特征部分,采用信号处理技术可以使故障诊断取得较好的效果,但是仍然存在不足之处:一是人为提取的特征很大程度上依靠专业的诊断知识;二是绝大多数方法都需要使用标签数据来进行故障特征分类,其中标签数据必须通过大量的实验才可以得到。提出一种基于深度编码网络的轴承故障新型智能诊断方法,可以克服上述故障诊断中存在的缺陷。为了验证该方法的有效性,利用具有不同健康状况的大量滚动轴承测量振动信号数据进行测试,实验结果表明效果良好。 相似文献
5.
针对早期齿轮故障诊断中噪声干扰大,故障特征难以提取的问题提出基于K-SVD稀疏表示小波降噪算法。该算法克服传统小波阈值降噪算法只对小波系数进行逐点处理,而忽略小波系数整体架构的缺点,充分考虑小波系数结构特点,在强噪声下仍具有很好稳健性。通过对模拟信号和实测发动机减速器齿轮毂信号分析,证明小波降噪算法正确性和在实际工程应用中的价值。 相似文献
6.
针对武器装备故障诊断的多故障问题和单一诊断方法推理能力弱、匹配能力差的缺点,采用RBF神经网络数据级融合和DS证据理论特征级融合相结合的方法应用在二级故障诊断模型中,给出了模型实现步骤,并结合某型导弹制导电子箱故障诊断进行了实验验证.该法使诊断不确定性大大减小,克服了单一方法的缺陷与不足,并使武器装备故障诊断的准确度得到提高. 相似文献
7.
8.
9.
针对齿轮传统健康评估方法中特征描述单一,齿轮箱中多种参数信息未能有效利用的问题,为更准确地监测齿轮运行的健康状况,提出一种基于异类特征信息融合的齿轮健康评估方法。对前期正常状态运行的齿轮采集振动、油液、铁谱等多种信号并提取特征指标,建立各类特征的模糊C均值聚类中心;利用模糊理论输出待测信号对于正常状态信号的隶属度作为各类特征的健康评估指标;以隶属度构造基本概率赋值函数,应用D-S证据理论组合规则,在决策层进行异类信息融合,从而完成齿轮的健康评估。通过对齿轮全寿命试验的数据处理与对比分析,证明该方法能够有效地评估齿轮健康状况。 相似文献
10.
11.
针对柴油机缸套磨损故障进行模拟实验,获取了柴油机机体表面振动、铁谱分析故障信息,并对多源多维故障信息进行预处理,解决了模糊神经网络的输入矢量的模糊特性化、输出矢量的隶属函数、学习样本的选择及网络的学习训练等问题;在上述工作的基础上,建立了柴油机缸套磨损故障诊断的模糊神经网络模型.为验证诊断模型的有效性,选取了四组分别来自不同故障类别的数据作为检验样本,运用模糊神经网络模型进行诊断,其诊断结果与实际情况十分吻合.研究表明,基于多信息的模糊神经网络模型能较有效地对柴油机缸套磨损故障进行诊断,此方法能减小故障诊断的不确定性,提高诊断精度. 相似文献
12.
提出了一种基于动态电源电流和输出电压信息融合,以及遗传算法优化径向基(GA-RBF)神经网络的电路故障诊断方法.对电路采样信号进行了小波包能最特征提取、归一化和特征关联,用遗传算法优化径向基神经网络的训练,建立了一个信息融合和故障诊断系统.通过仿真实验表明,此方法可以有效提高诊断正确率. 相似文献
13.
直接将时域或者频域作为低层输入信息构建深度学习故障诊断模型,可以有效的削弱人为因素的干扰,进一步提高人工智能在故障诊断领域的发展。然而,低层输入的时域信号长度难以划定,而频域信号的数据长度较大,导致模型的计算效率降低。针对该问题,提出预先对低层频域信号提取包络线,得到表征频域变化态势的信息成分,接着再与稀疏自编码结合构建稀疏自编码的故障诊断模型。齿轮箱故障诊断实验证明,与原始频域输入相比,所提方法能够在保证诊断效果的同时,降低计算复杂度和所需要的存储空间。 相似文献
14.
15.
《振动与冲击》2017,(15)
针对声阵列多通道信号的去噪问题,提出一种基于多传声器信息融合辅助的改进总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)的被动声信号去噪方法。对标准EEMD进行改进,通过多通道信号频谱分析,选取多传声器信号最小有效频率作为各通道信号EEMD分解的筛选截止频率,采用改进的EEMD算法将原始信号快速分解为完备的IMF分量,有效抑制了模态混叠现象并提高信号分解效率;引入声阵列时延矢量封闭准则(Time Delay Vector Close Rule,TDVCR)概念,结合多传声器数据一致性融合及信号相关性理论,对各IMF分量进行相应的权重计算,再由已确定权值对各IMF分量进行加权重构得到去噪信号;最终通过半实物仿真试验以及同传统EMD去噪的比较验证了该算法在多通道信号去噪中的有效性和实用性。 相似文献
16.
17.
18.
《噪声与振动控制》2019,(2)
多尺度熵是一种有效衡量机械振动信号复杂度的非线性动力学方法。针对其存在的不足,引入精细复合多尺度熵(Refined composite multiscale entropy, RCMSE),在此基础上,结合自编码降维和遗传优化支持向量机,提出一种滚动轴承故障智能诊断新方法。首先,利用RCMSE提取滚动轴承振动信号多尺度复杂度特征,构建初始特征向量矩阵;其次,采用自编码对初始高维特征数据降维,得到低维流形特征;然后,将低维特征向量输入到基于遗传优化支持向量机的多故障模式分类器中进行训练、识别与诊断。最后,将所提方法应用于实验数据分析,并与多尺度熵方法进行对比,结果表明,该方法不仅能够有效诊断滚动轴承的工作状态和故障类型,而且识别率高于所对比方法。 相似文献
19.
多尺度熵是一种有效的衡量机械振动信号复杂度的非线性动力学方法。针对其存在的不足,引入了精细复合多尺度熵(Refined composite multiscale entropy, RCMSE),在此基础上,结合自编码降维和遗传优化支持向量机,提出了一种滚动轴承故障智能诊断新方法。首先,利用RCMSE提取滚动轴承振动信号多尺度复杂度特征,构建初始特征向量矩阵;其次,采用自编码对初始高维特征数据降维,得到低维流形特征;然后,将低维特征向量输入到基于遗传优化支持向量机的多故障模式分类器中进行训练、识别与诊断。最后,将所提方法应用于实验数据分析,并与多尺度熵方法进行对比,结果表明,论文方法不仅能够有效地诊断滚动轴承的工作状态和故障类型,而且识别率高于所对比方法。 相似文献
20.
针对齿轮振动信号非线性非平稳特性,为避免传统时频方法在表征设备状态时的不足,提出一种基于融合峭度与IMF能量特征和LS-SVM的齿轮故障诊断方法。首先,对齿轮振动信号在EMD分解;然后,提取包含主要故障信息的IMF分量的峭度特征和能量特征,组成融合特征向量;最后,将齿轮正常、齿根裂纹、断齿3种状态下的融合特征向量输入到LS-SVM,通过训练好的LS-SVM对齿轮状态进行分类识别。仿真实验结果表明:该方法能准确识别齿轮的工作状态,且与BP神经网络、SVM相比,有着更高的故障识别效率,可用于齿轮信号的故障诊断。 相似文献