基于堆栈降噪自编码网络的电力负荷识别

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%。     

基于改进堆栈自编码的诊断错误标签修正

在基于数据驱动的故障诊断领域,正确的标签样本是诊断准确度的保障,但由于人工标记等原因,训练样本常受到错误标签的干扰.针对错误标签的问题,提出基于改进堆栈自编码的错误标签修正方法.该方法通过堆栈自编码和孤立森林给样本赋予伪标签,调整编码器对样本的注意程度,从而使编码器更注重于正确样本.基于数据分布偏差的考虑,利用基于随机...     

基于深度置信网络与信息融合的齿轮故障诊断方法

针对齿轮在复杂运行工况下故障特征提取困难,传统故障诊断方法的识别精度易受人工提取特征的影响,以及单传感器获取信息不全面等问题,提出基于深度置信网络(DBN)与信息融合的齿轮故障诊断方法.通过多传感器信息融合技术对每个传感器采集的振动信号进行数据层融合;利用DBN进行自适应特征提取从而实现故障分类.为了避免因人为选择DB...     

基于深度自编码网络的轴承故障诊断

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。     

K-SVD小波降噪在齿轮故障诊断中应用

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。     

基于二级信息融合的装备故障诊断方法

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.     

基于EEMD和堆叠稀疏自编码的滚动轴承故障诊断方法

针对现有的智能诊断方法训练时间长、识别率不高的问题,提出一种基于总体平均经验模态分解(EEMD)和堆叠稀疏自编码(SSAE)的滚动轴承故障诊断方法。首先,采用EEMD对滚动轴承振动信号进行分解,得到若干个固有模态函数和一个趋势项之和;其次,计算每个固有模态函数分量的峭度,选取峭度值较大的分量作为敏感故障特征分量;第三,提取敏感故障特征分量的时域及频域特征,构建新的数据集,作为诊断网络的输入。最后,将构建的新数据集作为堆叠稀疏自编码网络的输入,进行训练和测试。与现有方法的对比结果表明,所提方法在准确性、计算耗时方面更具优势。     

基于核主元分析与纠错输出编码SVM的齿轮故障诊断

摘要：为提高齿轮故障诊断的准确率,提出了核主元分析和纠错输出编码支持向量机相结合的方法。首先采用基于核主元分析方法对原始样本向量进行预处理,实现对原始样本向量的降噪及冗余消除。然后采用基于纠错输出编码矩阵构造出若干个互不相关的子支持向量机,以提高分类模型的整体容错能力。最后,把经过核主元处理后的新向量作为纠错输出编码支持向量机的训练及测试样本,实现对不同故障状态齿轮的识别。结果表明,该方法能够提取更有效的分类样本向量,故障诊断效果更好。
     

基于异类信息融合的齿轮健康评估方法

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。     

基于BP网络信息融合技术的电路板故障诊断

对基于BP神经网络的信息融合故障诊断技术进行了研究,将信息融合技术应用到某型反舰导弹俯仰综合放大器电路板的故障诊断中,并利用改进的BP神经网络进行数据融合,得到了较为理想的结果.研究表明,该方法能够较好地解决电路板元件故障诊断的不确定性问题.     

基于信息融合的柴油机缸套磨损故障诊断研究

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.     

基于遗传神经网络信息融合的模拟电路故障诊断

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.     

基于频谱包络曲线的稀疏自编码算法及在齿轮箱故障诊断的应用

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。     

EMD降噪的关联维数在齿轮故障诊断中的应用研究

本文运用分形理论中的关联维数计算方法,对齿轮正常、齿根裂纹和断齿三种不同工况的振动信号进行识别。为了降低噪声对关联维数计算结果的影响,提出EMD滤波方法对采集的信号进行预处理。通过对仿真信号和齿轮箱实测信号的诊断,证明了该方法的可行性和有效性。     

一种基于声阵列信息融合及改进EEMD的信号降噪方法

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。     

基于小波降噪神经网络的旋转机械故障诊断

实测信号往往受到多种因素的干扰,如高频噪声.提出了一种小波降噪神经网络的故障诊断方法,利用小波的多重分辨率分析,有效降低高频噪声干扰,从而简化了有效特征信号的提取.建立了基于小波变换和BP神经网络的混合诊断模型,成功地对故障进行了智能诊断.最后实验验证了此种方法的有效性.     

基于VMD降噪和CNN的轴承故障诊断

针对轴承运行环境复杂且振动信号具有非稳定性,受噪声影响较大,难以提取有效故障特征并准确诊断问题,提出一种改进变分模态分解降噪和卷积神经网络的智能诊断方法。首先利用排列熵阈值法确定VMD分解层数,对分解出的本征模态分量按照峭度准则和互相关准则重构,然后将降噪后的信号作为特征向量输入到CNN模型中训练,利用训练后的模型实现未知故障的诊断。试验结果表明,提出的方法能快速的对轴承进行故障诊断,并具有较高的准确率。     

基于精细复合多尺度熵和自编码的滚动轴承故障诊断方法

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。     

基于精细复合多尺度熵和自编码的滚动轴承故障诊断方法

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。     

基于峭度与IMF能量融合特征和LS-SVM的齿轮故障诊断研究

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。