一种蚁群优化小波包基选择的方法

为了研究已有最优基选择算法在微弱故障信号降噪方面效果差以及终端节点不易确定的问题,依据蚁群算法和小波包的相关理论,分析了小波包基选取的影响因素,对选取规则进行了重新定义,并结合蚁群算法的全局优化能力对新定义的终端节点坐标集和分解层数寻优,给出了一种基于蚁群算法的小波包基优选方法。对比传统最优基选择算法,新方法的收敛性能及分布性能加强了12.5%,在轴承的微弱故障信号降噪过程中,经处理后的信号信噪比提高了46.7%,均方根误差降低了20.4%,验证了新方法的有效性和优越性。     

不平衡数据集下优化WGAN的风电机组齿轮障诊断方法

针对不平衡数据集下风电机组齿轮箱故障诊断准确率低以及故障特征不明显的问题,提出峭度指标与遗传算法优化Wasserstein距离生成对抗网络（WGAN）的故障诊断方法。首先将峭度指标作为语义标签映射到卷积层规格化故障特征,其次在反卷积网络中对宏基因组二进制编码并权重初始化,然后对不平衡样本集进行多点交叉和高斯近似变异,重点搜索局部故障点,最后将峭度作为有标签的负例输入判别器网络,重构反卷积和VGG神经网络提高权重剪裁,使WGAN网络成为半监督学习模型,正向判断更新权重并输出诊断结果。实验表明：该方法在不平衡数据集下诊断准确率达到98.69%,拥有更高的泛化能力和特征提取能力,实现了故障特征的增强。     

优化GAN的风电机组齿轮箱故障诊断方法

针对风电机组齿轮箱故障诊断准确率低的问题，提出了一种逻辑回归与遗传算法优化生成对抗网络(GAN)的齿轮箱故障诊断方法。该方法采用逻辑回归与遗传算法优化GAN模型，首先，输入信号向量化编码通过轮盘式选择对宏基因等位交叉；然后，用最小二乘变异替换等位编码串重构表征向量，并输入卷积网络进行二次迭代；最后，构建逻辑回归辅助分类器表征决策边界，依据回归曲线实现判别器的分类与诊断。实验结果表明，所提方法的故障诊断准确率达到99.72%,证明该方法实现了样本数据的增强和诊断准确率的提高。     

基于EEMD的ICNN故障诊断方法

针对轴承微弱故障特征提取困难和故障诊断准确率低等问题,提出一种基于集合经验模态分解的改进卷积神经网络的故障诊断方法。首先,利用集合经验模态分解(EEMD)对信号进行降噪等预处理,并将预处理后的信号转换为二维信号;其次,为了解决数据特征不确定性和卷积神经网络(CNN)内部参数爆炸的问题,在CNN的卷积层和池化层之间增加批量归一化层进行标准化处理,得到改进的卷积神经网络(ICNN);最后,以风电机组轴承微弱故障数据集为例,验证了所提方法相较于其他诊断方法更具有优越性,能够有效提取故障特征,具有较高的准确率和诊断效率。     

IPSO-RVM的轴承故障识别方法

针对轴承故障诊断过程中传统粒子群优化支持向量机所存在的分类效果较差以及传统粒子群寻优不准确的问题,提出改进粒子群算法优化相关向量机的方法。利用自适应的惯性权重和加速因子,使粒子前期的搜索速度更快,后期的收敛速度更快;构建改进粒子群优化相关向量机(IPSO-RVM)模型和改进粒子群优化支持向量机(IPSO-SVM)模型,与粒子群优化支持向量机(PSO-SVM)模型进行相互对比实验。经仿真实验验证,IPSO-RVM的分类准确率比IPSO-SVM高5.8%,比PSO-SVM高8.7%;IPSO-RVM的运行时间为比IPSO-SVM与PSO-SVM分别慢0.58 s与4.28 s。综上,与PSO-SVM和IPSO-SVM相比,新方法能够在保证时间运行合理的情况下提高分类准确率。     

码头电力监控系统的通讯设计与实现

介绍了基于组态王的码头电力监控系统的组成框架以及在组态王中开发设备驱动程序的过程.详细阐述了智能仪表与组态王的通讯设计过程,即利用VB编写与智能仪表的通讯驱动程序,然后组态王通过动态数据交换(DDE)技术与通讯驱动程序交换数据,从而实现智能仪表与组态王的通讯.该设计已经成功运用于石化码头的电力监控系统.     

基于关联度与自检验长短期记忆网络的风电机组轴承寿命预测模型

为提高风电机组轴承寿命预测的稳定性，提出基于关联度与自检验长短期记忆网络(self-checkinglong short-term memory,Sc-LSTM)的轴承寿命预测模型。首先，采用长短期记忆网络(long short-term memory,LSTM)对风电机组轴承单一运行状态信号进行预测，分析预测误差与运行状态关系，建立风电机组轴承的寿命时长体系。其次，LSTM对轴承全寿命信号进行预测与分析，选择检验指标σ来构建检验层与Sc-LSTM，引入通过率η对预测效果进行评价。采用关联度(indexedrelation,IR)为轴承全寿命信号的状态评价指标，得到轴承的IR运行曲线。最后，利用Sc-LSTM分别对IR运行曲线、风电机组轴承信号进行预测与分析，结果表明：Sc-LSTM与IR的预测模型能有效地提高轴承寿命预测的稳定性，减少大规模预测试验的时间与成本，弥补预测误差对预测效果评价单一的问题，与其他预测方法相比效果更佳，在风电机组轴承寿命预测上具有一定参考价值。     

并行卷积神经网络的风电机组故障诊断方法

针对风电机组轴承微弱故障信号的特征提取困难和故障诊断模型性能差等问题，提出一种并行卷积神经网络的故障诊断方法。首先，利用连续小波变换将一维信号转换成二维时频特性图；其次，构造一种并行卷积神经网络结构，该结构由大卷积层和并行卷积层组成，大卷积层快速提取输入层所有特征，并行卷积层识别特征中的有效故障信息，且并行卷积层为双层小卷积并行结构；然后，采用特征融合层，融合并行卷积层2次特征提取后的故障特征，实现诊断模型内部的特征增强，降低模型复杂度；最后，经实验验证，该模型诊断轴承故障的准确率为98.25%。