共查询到20条相似文献,搜索用时 0 毫秒
1.
2.
针对传统的故障诊断方法面对风力发电机组行星齿轮箱振动信号时处理范围有限的问题,提出了一种基于VMD和卷积深度信念网络相结合的智能诊断方法,首先利用VMD对原始信号进行分解,基于峭度准则提取出冲击含量较大的本征模态函数,将特征信息明显的分量融合在一起组成多通道的输入,然后利用卷积深度信念网络进行特征提取,最后将特征输入到... 相似文献
3.
4.
针对风力发电机行星齿轮箱的健康维护和状态检测难以诊断的问题,该文提出一种初始网与膨胀卷积相融合的初始膨胀卷积神经网络(IDCNN)的故障诊断研究方法。该方法首先构建初始膨胀卷积层以扩大感受野来使学习到的故障特征更加丰富。随后为了方便信号输入且确保信息丰富,将采用将一维原始信号序列转化为二维矩阵的预处理方法。最终将生成的二维信号输入到IDCNN中进行模型训练,并用测试数据对模型进行评估。实验结果表明,提出的IDCNN方法在风力发电机行星齿轮箱的故障诊断中精度高,在对比结果中该文提出方法的诊断精度要高于传统的深度学习方法。 相似文献
5.
6.
7.
8.
在电网规模不断扩大、电网越来越复杂化的今天,电网安全管理与监测变得越来越重要。所以在当前情况下确保电网的安全、平稳和可靠运行已经成为各大供电公司工作的焦点。变电站作为电网必不可少的组成部分,承担着供、配中心责任。在科学技术水平不断提高的形势之下,电网技术和设备都发生了翻天覆地的变化,变电运行管理逐步向信息化和智能化方向迈进。对变电所而言,继电保护对变电所的作用日益显著,其重要性逐渐被人们所了解。研究成果能够为确保电网安全、稳定、可靠供电质量提供理论依据。由于继电器系统复杂、工作环境不确定等特点,给其故障诊断与预报带来了很大难度。 相似文献
9.
针对传统裂纹转子故障检测方法精度低、适应能力差、严重依赖人工经验的缺点,提出了一种基于深度卷积神经网络的耦合故障检测方法,实现对转子多种耦合故障的自动端到端检测;结合准确的裂纹转子数值模型对方法进行验证,在算例中同时考虑了裂纹位置、裂纹深度和不平衡量3种故障检测任务,检测精度分别为0.899、0.923、0.997,显著高于其它机器学习方法。同时讨论了转速工况和学习样本对神经网络检测性能的影响。建立的方法摆脱了传统机理方法对信号处理技巧的依赖,可以实现可测振动信号到多种故障特征的直接映射,同时检测精度高,具备自动适应变工况的能力。 相似文献
10.
为了实现对风电机组齿轮箱的状态监测,文章提出了一种基于卷积神经网络的风电机组齿轮箱状态监测方法。首先,提取风电机组数据采集与监视控制(SCADA)数据和振动信号作为参数,组成齿轮箱状态矩阵。其次,建立了一种卷积神经网络模型,该模型针对输入数据设计了特定结构和池化层规则,提高了计算效率,能够从齿轮箱状态信息中提取特征并判断其状态。最后,利用实际运行的风电机组数据对卷积神经网络模型进行了训练和验证,最终取得了96.3%的识别精度。同时,将该模型应用于对同一风场其他机组的状态监测,结果验证了卷积神经网络模型对齿轮箱状态监测的有效性。 相似文献
11.
针对配电网数据分支多、设备类型多样、现有故障诊断方法精度低的问题,提出基于深度置信网络的配电网故障诊断方法。该方法建立了4种不同层数的深度置信网络,将配电网的实际监测数据分为训练和测试数据导入到深度置信模型,采用对比歧化算法优化初始参数选择和加速模型训练,测试模型对样本的识别精度,建立改进BP神经网络和Petri网对比故障识别精度。结果表明,深度置信网络可以通过实时分析配电网实时监测数据,准确辨识配电网故障类型,提高了配网故障诊断的准确率和速度。 相似文献
12.
针对单传感器状态识别算法存在漏检、误检的缺陷,文章提出一种基于双传声器和深度学习的变压器状态识别算法,即基于一维卷积神经网络和双传声器数据融合算法(1D-CNN based dual microphones fusion algorithm,1D-CNN-DMF)。利用2个传声器分别同时采集变压器声信号,通过一维卷积神经网络对2个传声器采集到的声信号分别进行特征提取,并利用全连接层对特征进行融合,最终通过softmax分类器进行分类。通过采集500 kV变压器的声信号构建数据集进行验证,结果表明1D-CNN-DMF算法可以有效地对变压器不同状态进行分类,分类准确率高于1D-CNN-LSTM、1D-CNN、FFT-BP、SVM和FFT-SAE等算法。最后利用t-SNE可视化工具揭示了1D-CNN-DMF算法的内在机制。 相似文献
13.
针对BP网络的不足,提出了自适应学习率的BP网络算法,从根本上解决了BP网络学习率的取值问题和收敛速度慢的问题,并有效地克服了BP网络易陷入局部最小点缺点,采用这种改进算法成功地实现了对汽轮发电机线故障的模糊诊断。 相似文献
14.
15.
16.
17.
为了解决现有特征提取方法存在特征辨识度低的问题,基于深度强化学习设计电网潮流特征提取方法,为了提升潮流特征的辨识度,利用点估计法计算电网潮流,以此为基础,通过模拟退火算法生成电网潮流图,并灰度处理电网潮流图,以灰度处理后的电网潮流图为依据,利用深度强化学习方法提取电网潮流特征,实现了电网潮流特征的提取。实验结果表明:与现有的电网潮流特征提取方法相比,文中电网潮流特征提取方法极大地提升了特征辨识度,证明了基于深度强化学习的电网潮流特征提取方法具备更好的特征提取性能。 相似文献
18.
弹片是解决翼型流动分离的重要技术手段,合理的弹片参数对翼型表面压力分布尤为重要。基于数据驱动的深度学习方法与计算流体力学(Computational Fluid Dynamics, CFD)相结合,可快速有效地完成对复杂流场特征的识别与提取。本文提出一种基于卷积神经网络(Convolutional Neural Network, CNN)的翼型表面压力分布预测方法,通过提取流场的尾流速度、压力等流动特征构建翼型表面压力分布的预测模型。首先,通过数值模拟计算了8种不同抬起角度的NACA 0012弹片翼型的流场;其次,采用提取的流场数据建立CNN预测模型;最后,将预测值和CFD计算值进行对比。结果表明:基于CNN的预测模型对翼型表面压力系数分布有较高的预测精度,其中尾流速度模型在弹片抬起角度为15°时的预测均方根误差仅为0.1,说明尾流速度中包含丰富的流场信息。 相似文献
19.
20.
以滚动轴承作为研究对象,设计了深度可分离模块、残差骨干网络、金字塔池化结构和路径聚合结构等特征融合单元,建立了深度特征融合的卷积神经网络(Deep Feature Convolutional Neural Network,DFCNN),分析了随机梯度下降法对网络参数优化的有效性及数据集传递次数与模型精度的关系,开展了不同样本容量和不同噪声环境下的故障试验。结果表明:提出的DFCNN模型可以有效识别滚动轴承损伤部位以及损伤程度,诊断准确率大于99.5%;该模型对样本容量要求低、抗噪能力出色,当信噪比大于-4时诊断准确率大于98.86%。 相似文献