基于MEEMD-KF-散布熵的油气管道工况识别

针对油气管道泄漏检测过程中,泄漏信号包含大量噪音、特征提取困难等问题,提出一种改进的总体平均经验模态分解联合卡尔曼滤波算法的管道信号去噪方法。首先采用改进的总体平均经验模态算法对采集到的管道负压波信号进行分解,其中利用排列熵和卡尔曼滤波算法对分解后的固有模态分量进行筛选和处理,最后得到重构后的削噪信号。并且提出基于散布熵和峭度的特征提取法,将提取的特征参数作为支持向量机的输入来对输油管道的工况进行分类识别。经采集到的数据验证,改进的总体平均经验模态分解、卡尔曼滤波、散布熵与峭度结合的组合识别方法可以较准确的对管道信号进行分类识别,结果显示其总平均识别准确率达到98.89%,为管道的工况识别研究提供了一种新的途径。     

基于CNN的供热管道泄漏识别方法研究

为了快速识别出供热管道泄漏故障,以管道泄漏时产生的负压波特征,研究提出了利用卷积神经网络（CNN）识别压力数据的管道漏损诊断方法。通过搭建供热管道实验平台,采集了正常、泄漏、调阀三种工况下的压力数据作为卷积神经网络的训练集和测试集。对原始数据进行小波降噪处理,应用硬阈值的处理方法有效消除了噪声信号,同时在调阀工况中出现了强化特征,增强了卷积神经网络的分类能力。针对一维数据特征采用改进的AlexNet卷积网络模型对采集的数据进行学习及识别。结果发现,在对实验室数据测试中,CNN模型的平均识别正确率达98.39%。在对实际管网的验证中,三个热力站的泄漏数据均被正确识别,表明CNN模型具备良好的故障诊断能力。     

基于DMD和改进胶囊网络的变工况轴承故障诊断方法

针对轴承单一传感器所测数据存在不全面性和简单利用多传感器数据造成数据过多的问题，引入动态模态分解(DMD)的信号分解方法，将多传感器信号分解为多个模态，并提出利用能量值最大的模态对原始信号进行重构；针对变工况的问题，首先引入含有矢量神经元的胶囊网络(CN),然后提出在胶囊网络中加入转置卷积，构建改进的胶囊网络模型(ICN)充分提取输入数据的空间信息，对故障特征进行智能识别。基于DMD和ICN的轴承故障诊断方法既可以利用多传感器信号，同时也不会造成数据冗余；此外，ICN可以充分提取不同数据的空间信息，并通过动态路由算法计算胶囊层的相关度，实现在变工况下对轴承故障的精确诊断。实验结果表明，基于DMD和ICN模型的轴承智能故障诊断方法，比传统卷积神经网络(CNN)和未改进的胶囊网络具备更强的变工况故障诊断能力。     

基于VMD去噪及多尺度模糊熵的管道小泄漏研究

针对天然气管道微小泄漏信号的特征在单一尺度上难以全面提取的问题,提出一种基于变分模态分解(VMD)与多尺度模糊熵(MFE)结合的管道小泄漏信号识别方法.首先使用VMD算法对管道负压波信号进行降噪处理,通过欧氏距离(ED)法评估确定VMD分解的有效模态并对其进行重构,以重构信号信噪比最高原则确定VMD分解的模态个数;将多尺度模糊熵作为故障特征值向量,最后用支持向量机对特征值向量进行分类识别.实验结果表明:该方法对管道信号状态整体识别率达99.33％,证明了该方法总体识别效果较好,可实现对管道小泄漏信号的准确识别.     

基于CBAM-ResNet和多域特征融合的配电网故障选线方法

传统配电网故障选线模型大多采用零序电流时频特征作为选线判据，单一信息域特征无法全面反映故障信息差异、适用范围存在局限性。为了提高模型复杂工况下选线准确率，提出一种基于卷积注意力机制优化双分支残差网络(CBAM-ResNet)和多域特征融合的配电网故障选线方法。首先，利用变分模态分解-希尔伯特变换和格拉姆角场将采集的零序电流信号分别映射为二维时频域和空间域图像，构建能够全面的反映故障信息的多域图像训练集；其次，通过CBAM-ResNet网络深层次挖掘并融合多域特征信息，卷积注意力机制能对多域特征的重要性进行区分，加快网络训练速度，提高分类准确性；最后，将融合特征输入全连接层实现对配电网故障线路的选取。仿真结果表明，该方法相比传统选线方法具有更高的选线精度和噪声鲁棒性。     

复杂工况下基于时频图像和CNN-SVM的管道堵塞识别研究

针对复杂工况下管道系统堵塞状态识别模型精度出现偏差的问题,提出一种基于时频图像和卷积神经网络(CNN)对管道内的堵塞物和三通件个体识别方法。首先,利用声波检测管道得到不同工况的低频声压信号,滤波处理后进行平滑伪Wigner-Ville时频分析得到声信号时频分布图;然后,采用大津阈值分割法对单一和复杂工况时频分布图像进行自适应分割,得到堵塞物和三通件时频图像;最后,将单一工况下轻度堵塞、重度堵塞、三通件和管道尾端4种物体的时频图像输入至卷积神经网络-支持向量机(CNN-SVM)模型进行训练,将训练好参数的模型应用于复杂工况下不同程度堵塞物和三通件的自动识别。实验结果表明,所提出的方法对4类目标在复杂工况下的识别率均达到96%以上,识别精度高于传统人工特征提取的模型。验证了堵塞物在不同工况下对声波的影响具有共性,与三通件具有差异性;对复杂工况下管道中不同程度堵塞物和三通件个体进行分析,可以有效克服工况分布差异对模型识别精度造成的偏差。     

基于轻量化网络和知识蒸馏的回转窑工况识别

回转窑烧成带图像蕴含丰富火焰信息，准确识别燃烧状态是回转窑优化控制的前提，基于卷积神经网络的方法可以快速识别回转窑工况，提高回转窑自动化水平，但存在网络规模大，所需计算资源多的问题，为此提出了一种基于轻量化网络和知识蒸馏的回转窑工况识别方法，在网络卷积层后引入协方差池化层改进教师模型和学生模型，以改进的轻量化网络MobilenetV2作为学生模型的主干网络，以改进的Resnet50作为教师模型的主干网络，通过构建混合蒸馏损失函数，将教师模型蕴含的丰富分类标签信息迁移到学生模型中，并将蒸馏训练得到的学生模型作为回转窑工况识别模型，以提高网络对高相似火焰图像的识别精度。实验结果表明，经蒸馏后的学生模型总体识别准确率相较于原始模型提高了3.33%,对测试集中3种工况的识别率分别达到了93%、99%、90%,准确率和模型规模均优于目前其他主流网络模型，满足实际生产中实时、低成本要求。     

基于稀疏轻量卷积神经网络的管道泄漏检测

针对传统供水管网泄漏检测问题,本文提出了一种基于稀疏轻量卷积神经网络的管道泄漏检测算法。首先通过声音传感器采集管道泄漏的声音信号,经过立体声转换、重采样、长度对齐等预处理操作后,将其转换成梅尔频谱图。然后,构建一种稀疏轻量化的卷积神经网络模型来对梅尔频谱图进行特征抽取和泄漏检测。针对声音特征图的稀疏和时延性质,本文采用Inception网络结构来进行提高模型的特征抽取能力。此外,因为该模型需要被部署到边缘侧,因此设计了一种基于SqueezeNet的轻量化卷积神经网络模型来减少模型的参数,降低模型复杂度。实验结果表明,提出的管道泄漏检测算法在保证复杂度较低的同时具有较高的识别准确率。     

改进CNN的供水管道泄漏声音识别

为了检测供水管道是否出现泄漏,同时针对人工检测精度低、背景噪音难以去除和现有检测设备的实用性低等问题,研究了一种基于卷积神经网络(convolutional neural network, CNN)的供水管道泄漏声音识别方法。首先设计水下机器人的供水管道内部声音实时采集系统,并利用用户数据报协议(user datagram protocol/internet protocol, UDP/IP)通信技术将该系统采集的声音信息上传至上位机,并对供水管道内的声音进行泄漏和不泄漏的划分且制作成数据集,提取泄漏音频和不泄漏音频样本的梅尔谱特征图,根据实时性选用轻量级卷积神经网络ShuffleNet V2进行训练和识别;其次引入卷积注意力模块(convolution block attention module, CBAM)到网络模型中,并对ShuffleNet V2的Unit1单元进行改进,提出了Unit1＿y单元;最后将改进后的网络与MobileNet V3、ResNet18等轻量级网络进行对比。试验结果表明,改进后的网络模型相较于其他的模型对供水管道漏泄声音识别效果最佳且参数量低,占用上位机...     

含光伏电源配电网故障的智能辨识方法研究

在光伏电源接入配电网后，由于光伏发电的不确定性、间歇性、波动性增加了配电网故障的辨识难度。针对此问题，提出一种熵-变分模态分量与神经网络改进ResNet模型相结合的方法。首先搭建含光伏电源配电网PSCAD仿真模型，获取不同复杂故障情景下的批量数据。其次，利用熵-变分模态(E-VMD)方法重构样本的特征矩阵，再采用改进残差网络进一步挖掘故障样本的隐含特征，然后通过模型的训练与测试。与其他文献模型的分类效果对比，改进ResNet模型故障类型识别的准确率平均达到99.95%,故障馈线识别的准确率达到99.75%,且具有良好的鲁棒性，可以有效地实现含光伏电源配电网故障的快速辨识。     

基于 FCN 的阀门内泄漏声发射信号识别方法

针对石化工业中输气管道阀门的内泄漏故障,将声发射检测技术与深度学习技术相结合,提出了一种基于全卷积神经 网络(FCN)的阀门内泄漏声发射信号识别方法。 该方法利用声发射技术采集阀门内泄漏的声发射信号,基于 FCN 搭建阀门内 泄漏分类诊断模型,充分发挥了声发射技术在阀门内泄漏检测领域的优越性,以及 FCN 在时间序列分类任务上的高性能。 该 方法相较于传统的识别方法,无需对原始采集数据进行特征提取或繁重复杂的预处理,而是将特征提取的任务也交于神经网络 模型来学习和完成,可实现端到端的阀门内泄漏声发射信号分类识别。 搭建阀门内泄漏检测实验平台,采集并制作阀门内泄漏 声发射信号数据集,建立了基于 FCN 的阀门内泄漏声发射信号的二分类模型,实验结果表明,该模型的分类识别准确率可达 98. 72%,相比较于其他先进的分类模型在数据集上表现出了更加优越的分类识别性能和训练效率,同时对环境噪声具有良好 的抗干扰性能。     

基于CWD谱图和改进CNN的无线电调制分类

针对频率随时间的变化规律是不同调制信号之间最重要的区别，提出一种结合崔 威廉斯分布和改进卷积神经网络模型的无线电调制分类识别方法。在信号预处理阶段，为了更好保留信号的时频特征，引入崔-威廉斯变换将原始时间序列转换成时频图像，进而将调制信号分类问题转化成图像识别问题。在信号识别阶段，通过在卷积神经网络模型中引入残差密集块和全局平均池化层，以克服卷积神经网络模型泛化能力差和训练时间久等缺点。实验结果表明，所提方法可以有效解决梯度消失问题，具有识别率高、泛化能力强等优点。尤其是在低信噪比情况下，表现更为优异，在信噪比为-4 dB时，8种信号的分类精度便可达到100%。     

基于深度残差网络的SSO模态参数辨识

针对电力系统正常运行中的微弱次同步振荡信号趋势难以辨识,辨识算法抗噪性差、辨识结果可靠性低等问题,提出一种基于深度残差网络的次同步振荡模态参数辨识方法。建立了一种由卷积层、若干残差层和全连接层等构成的深度残差网络模型;模型训练数据集依据SSO信号特点生成,全部采用仿真数据;经参数调整和优化后的模型能够实现对现场实测的低信噪比SSO信号模态参数的盲辨识。利用理想信号、含噪仿真信号和现场实测数据等三种方案对模型性能验证,结果表明该算法能有效地辨识出微弱SSO的频率和阻尼等关键参数,与卷积神经网络(CNN)和随机子空间(SSI)算法相比较,辨识精度更高,受噪声干扰小,具有盲辨识的特点,可用于电力系统次同步振荡风险的预警。     

基于EEMD融合BAS-CNN的高压电缆故障诊断

针对高压电缆故障复杂程度高,实时监测成本过高的问题,提出一种基于集合经验模态分解（EEMD）和天牛须搜索算法优化卷积神经网络（CNN）的组合诊断方法。将电缆护层电流数据经EEMD分解为若干个本征模态分量（IMF）,结合相关系数选取与原信号相关度最大的分量,作为CNN网络的输入。为了提高网络模型的分类精度,使用天牛须算法（BAS）优化CNN诊断模型的超参数。以淮南某煤矿高压电缆电流数据为例,实验结果表明,EEMD有效的将电流信号进行分解,所设计的BAS-CNN网络与2组人为确定CNN超参数的网络对比,BAS-CNN具有最高的分类精度,监测准确率达到96.95%。     

基于WDCNN-SVM深度迁移学习的燃气轮机转子故障诊断方法

针对在使用深度学习对燃气轮机转子故障诊断过程中,因振动信号样本中正常运行数据多、故障数据少而使得模型故障诊断准确率低的问题,提出了一种采用深度迁移学习对燃气轮机转子进行故障诊断的方法。首先,使用典型行业样本数据集预训练第一层宽卷积核深度卷积神经网络（WDCNN）模型,给予模型初始的权重。其次,在源域中,使用某型燃气轮机试车获得的大量正常运行样本更新WDCNN模型的权重;在目标域中,利用源域训练的卷积层提取燃气轮机的正常和故障数据样本特征,然后使用支持向量机（support vector machines, SVM）进行分类识别,从而达到燃气轮机故障识别的目的。试车数据实验结果表明,该方法能够实现96%的识别准确率,验证了将轴承数据集预训练的深度学习模型迁移到燃气轮机转子领域进行故障诊断的可行性。     

基于 AG-CNN 的轻量级调制识别方法

针对传统卷积神经网络在调制方式盲识别过程中,存在模型体积大、运算量高、无法部署至移动端等问题,提出了一种基于双注意力机制与Ghost模块的轻量级CNN模型AG-CNN(attention and Ghost convolution neural network)调制识别方法,该方法首先将调制信号映射至复空间,并根据归一化点密度对映射点进行颜色处理,得到高阶特征密度星座图;将该特征作为AG-CNN模型的输入进行学习训练,最后使用训练好的模型对接收端接收到的未知信号进行识别。实验表明,AG-CNN模型对散点为10 000的密度星座图识别率在99.95%以上,与相同层数的CNN模型相比,卷积层参数量压缩6.01倍,计算量压缩6.76倍,且相较于VGG-16、InceptionV3、ResNet-50、Shufflenet、Efficientnet等卷积网络模型,参数量与浮点数运算数下降明显,且在大幅节省学习参数量、降低模型复杂度的情况下,表现出优秀的分类性能。