基于深度学习风力机齿轮箱的故障诊断

风力机齿轮箱因长期处于多噪声、高转速工况下运行,振动信号呈现非线性特性,致故障信息难以准确有效提取。基于此,提出自适应白噪声平均集成经验模态分解（CEEMDAN）与卷积神经网络（CNN）联合故障辨别与诊断方法。利用CEEMDAN较强的非线性特征分解能力将振动信号分解,多重相关系数筛选有效故障特征分量组并剔除冗余分量,再将最佳分量组输入CNN实现故障诊断。结果表明：不同故障状态和信噪比下,较EMD-CNN与EEMD-CNN方法,均突显了所提方法良好的鲁棒性与泛化性。     

基于VMD和卷积深度信念网络的风电机组行星齿轮箱故障检测

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...     

基于深度信念网络的风电机组齿轮箱故障诊断方法

针对风电机组故障诊断中存在的数据量大,提取故障特征困难等问题,结合深度学习理论的强大感知与自我学习能力,提出一种基于深度信念网络的风电机组齿轮箱故障诊断方法。将原始时域信号数据输入深度信念网络进行训练,通过反向微调学习对深度信念网络进行整体微调,提高分类准确性;同时,在训练过程加入Batch Normalization,减少过拟合几率,提高网络的收敛速度。将该方法用于风电机组行星齿轮箱的故障诊断,比DBN和BPNN算法及传统故障诊断方法的准确率更高。     

基于增强型卷积神经网络的风力发电机行星齿轮箱故障诊断方法

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。     

基于深度学习框架的供水管网压力异常实时诊断方法

为有效减少供水管网的漏失,诊断异常压力数据十分必要。在数据采集与监视控制(SCADA)系统中引入异常诊断模型,提出一种基于深度学习框架的异常诊断方法。该方法先利用卷积神经网络模型(CNN)对压力进行预测,再计算压力预测值与实际值的误差并进行离群点诊断,若异常值持续时间较长,则可能发生漏失。以D市供水管网模型为例,利用该模型对16个监测点压力数据进行诊断并与ARIMA诊断模型进行对比。结果表明,CNN模型能够准确地诊断供水管网的压力异常数据。     

基于CNN-LSTM深度学习的燃烧不稳定性检测方法研究

提出了一种基于高速火焰图像序列的深度学习模型来检测燃烧不稳定性．模型以高速火焰图像序列作为输入,结合卷积神经网络(CNN)和长短期记忆网络(LSTM)同时学习图像序列的空间特征和时间相关性,输出燃烧不稳定性检测结果．利用旋流燃烧室多种工况下稳态和非稳态的瞬态火焰图像数据集验证模型的鲁棒性和准确性．该深度学习模型被证明是一种潜在的燃烧不稳定性检测工具,并有望成为一种很有前途的燃烧不稳定性预测工具．     

基于深度学习的变电站继电保护系统故障诊断与预测

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。     

基于深度卷积网络的裂纹转子耦合故障检测方法

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。     

基于卷积神经网络的风电机组齿轮箱状态监测方法

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。     

基于对比歧化和深度置信网络的配电网故障类型识别

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。     

基于双传声器和深度学习的变压器状态识别

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。     

自适应学习率的BP网络算法及其在汽轮发电机组故障模糊诊断中的应用

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。     

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE(BSMOTE)算法与卷积神经网络(CNN)相结合的输电线路故障分类方法.该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然...     

基于模糊神经网络的故障诊断方法的应用

针对大型机组的状态监测与故障诊断问题,为了克服单一故障诊断方法的局限性,对现有的大型设备故障诊断方法作了分析之后,提出一种基于区间值模糊神经网络的诊断方法。该方法根据设备故障诊断的不同阶段,利用基于规则库、区间值模糊集理论、模糊神经网络和模糊模式识别等方法。该方法在某炼油厂重催化机组故障诊断中得到了具体应用。     

一种基于深度强化学习的电网潮流特征提取方法

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。     

基于深度学习的翼型气动弹片流场参数预测

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。     

基于SCADA数据特征提取的风电机组偏航齿轮箱故障诊断方法研究

针对风力发电机组偏航系统故障处理难度大和危害严重等问题,开发出基于数据采集与监视控制(SCADA)数据的偏航齿轮箱神经网络诊断模型.利用ReliefF算法和核密度-均值法提取能反映出偏航齿轮箱运行工况的7个SCADA参数,并提取出6种故障特征指标作为神经网络诊断模型输入量,来诊断偏航齿轮箱的正常状态、磨损故障以及断齿故...     

基于DFCNN的滚动轴承定量诊断方法研究

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%。