基于深度置信网络的机械加工故障诊断系统设计

针对机械加工过程中存在故障信息不易识别的问题,提出了一种新的故障诊断方法,构建了基于B/S架构的在线故障诊断系统,实现机械加工数据信息的采集、传递、计算和诊断.通过物联设置,提高了机械加工数据处理的能力;通过构建改进型深度置信网络(DBN),在常规计算基础上加入加速器,提高了深度置信网络计算的速度.通过BP神经网络模型...     

基于胶囊网络的风电机组主轴承故障诊断研究

为了实现对直驱式风电机组发电机轴承的故障诊断,根据传热学理论建立发电机轴承温度动态模型,通过模型获得发电机轴承产热和散热特征参数.结合一定周期内机组多传感器测量数据和轴承产热和散热特征,组成设备状态矩阵.使用胶囊网络,从状态矩阵中提取了轴承故障特征,实现了对风电机组发电机轴承的故障诊断.在针对实际风电机组的故障诊断试验...     

基于T-S型模糊加权的多模软切换的风电机组变桨控制

变桨控制是确保风电机组在额定风速以上恒功率运行的一种有效的控制方式。变桨控制执行机构的动作频繁且幅度较大,增加了风电机组各部分的机械疲劳载荷,影响发电机的输出电能质量和机组的使用寿命;现有的切换控制方法多数只在某一阈值进行切换,导致切换振荡。针对上述问题,提出了基于T-S型模糊加权的多模软切换变桨控制策略,该方法将智能控制与传统控制相结合,根据风电机组发电机的实时转速与其额定转速的偏差及其变化率,利用T-S型模糊推理,完成基于模糊控制、模糊自适应PID控制和PI控制的多模控制器输出的平滑过渡,实现软切换,其优点是兼顾3种控制方法的优势,解决了切换振荡问题。搭建了永磁直驱风力发电机组变桨的多模软切换控制的仿真模型。仿真结果表明,此方法展现了3种控制方法的优点,克服了切换振荡,减缓了执行机构的频繁动作,使桨距角调节更加平滑,输出功率精度更高,脉动更小。     

基于变分模态分解和深度置信网络的短期负荷预测

短期负荷预测作为电力调度中的关键一环,对电网未来的发展具有深远的意义.提出一种基于变分模态分解(VMD)和深度置信网络(DBN)的短期负荷预测模型.首先,采用VMD算法将负荷数据分解成不同的本征模态函数(IMF);然后结合DBN网络对每个IMF进行预测;最后,叠加每个部分的预测结果,得到VMD-DBN模型的预测结果.实...     

基于深度置信网络的Android恶意软件检测

针对采用重打包和代码混淆技术的Android恶意软件检测准确率低的问题,提出了一种基于深度置信网络的Android恶意软件检测算法。通过自动化提取Android应用软件的特征,构建对应的特征向量,训练基于深度置信网络的深度学习模型,实现了一种新的基于深度置信网络的Android恶意软件检测算法。实验结果表明,基于深度置信网络的深度学习模型可以更好地表征Android恶意软件,其检测效果也明显优于传统的机器学习模型。     

基于置信规则库的飞控系统故障诊断

针对传统飞控系统故障诊断中存在的因引入专家知识引起的主观偏差问题和使用数据驱动方法因数据量不足导致的过拟合问题,提出了基于置信规则库推理的飞控系统故障诊断。根据已有故障知识构建飞控系统故障诊断置信规则库,利用测试过程中获得的故障数据,以数值样本优化学习模型对置信规则库参数进行训练。实例表明,经少量样本训练后的置信规则库可以很好地解决初始置信规则库参数存在主观偏差的问题,经实验证明该方法能够实现高效可靠的飞控系统故障诊断。     

基于PSO-DBN的风电机组齿轮箱运行状态识别

为了准确监测到风电机组齿轮箱的运行状态以实现其早期预警,提出了一种基于改进深度置信网络(Deep Belief Networks, DBN)的运行状态识别方法。首先,利用粒子群算法(Particle Swarm Optimization, PSO)优化DBN网络的结构参数,运用最优的DBN网络结构提取样本数据特征。将特征通过多维尺度分析(Multidimensional Scaling, MDS)算法映射到低维空间,在低维空间内依据欧氏距离构建齿轮箱状态指标,结合状态指标实现样本数据标签化。再采用标签化的样本数据训练极限学习机(Extreme Learning Machine, ELM)模型,识别齿轮箱的运行状态。结果表明,该方法的识别准确率达到95.61%,不仅深度挖掘到样本数据的特征信息,还通过构建状态指标为无标签的样本数据处理提供了参考。     

基于MIC的深度置信网络研究

传统的深度置信网络(DBNs)训练过程采用重构误差作为RBM网络的评价指标,它能在一定程度上反映网络对训练样本的似然度,但它并不是可靠的。而最大信息系数(MIC)能反映两个属性间的相关度,保留相关度较大的属性,且MIC较稳健,不易受异常值的影响,可作为网络评价指标。故提出一种基于最大信息系数(MIC)的深度置信网络方法,一方面用MIC对数据进行降维预处理,提高数据与网络的拟合度,降低网络分类误差;另一方面将MIC作为网络评价标准,改进重构误差的不可靠性。分别利用传统方法与基于MIC的深度置信网络方法对手写数据集MNIST和USPS进行分类实验,结果表明,基于MIC的深度置信网络方法能有效地提高识别率。     

兆瓦级风电机组变桨距过程动态仿真

在分析风电机组变桨距调节原理的基础上,建立了包含风力机、变桨距执行系统、变桨距控制算法、变桨速率、动态尾流、塔架动态、传感器响应的变桨距风电机组整体动态数学模型。以此为基础,运用MATLAB/SIMULINK仿真模拟平台搭建了变桨距风电机组动态仿真模型。以阵风为例,运用该模型对一台1.5 MW的风电机组进行了变桨距过程动态特性仿真。仿真结果与简化模型仿真结果对比表明：建立的模型能很好地描述变桨距过程中的机械转矩过冲、桨距角滞后等动态特性,弥补了现有各种模型过于简化的不足。     

基于胶囊网络与深度置信网络融合模型的手写汉字识别

针对离线手写汉字的特征提取困难、不能准确识别等问题,提出了一种胶囊网络与深度置信网络的融合模型.首先从CASIA-HWDB1数据集中随机选择了一些文本分别训练胶囊网络和深度置信网络,然后采用胶囊网络和深度置信网络的融合策略进行了手写汉字识别实验.实验结果表明,在不确定方向上使用汉字融合模型的错误率降低了5.2％,与单独...     

基于深度信念网络的列车故障音频诊断方法

铁路在交通运输行业有着举足轻重的地位,一旦列车发生故障将会导致严重的生命财产损失。由于列车发生故障的概率相对较低,因此难以捕获列车的故障样本。针对上述问题,提出了一种无监督学习的列车故障识别方法,通过检测列车音频信号来识别列车故障。该方法基于深度信念网络(DBN),利用小波包分解提取检测信号的特征向量并将其作为DBN的输入,待网络充分训练后,由训练好的DBN识别当前列车的运行状况。现场监测实验结果表明,该方法能够在无监督的条件下有效识别列车故障,保障了列车的运行安全。     

基于深度学习的故障检测方法

针对传统故障诊断方法中特征提取技术难度大、故障样本获取困难等问题,在深度学习计算框架下提出了一种半监督训练的故障检测方法,利用深度信念网络中的受限波茨曼机堆栈结构实现了数据高层特征的自动提取,结合支持向量数据描述方法实现了异常数据检测,只需利用正常工况的数据样本进行网络训练和模型拟合,无需故障样本数据,也无需人工干预进行信号特征提取,即能实现对故障数据进行的实时检测和判别;经采用标准轴承实验数据的三组故障数据进行验证,故障识别率达到100%,具有很强的工程应用价值。     

基于改进深度卷积神经网络的轴承故障诊断

轴承为风电机组的重要且故障频发部件,传统基于轴承振动数据的图像转换的卷积神经网络(CNN)的故障诊断技术存在一定局限性。提出了一种基于改进深度卷积神经网络(IDCNN)的直接时间序列特征提取方法,依据采样频率将原始振动数据划分为单个样本,构建诊断模型训练数据集。设计了一种新型的深度卷积神经网络(IDCNN),自动提取复杂样本数据的故障特征,提高DCNN的鲁棒性和泛化性,并将IDCNN提取的高维故障特征输入到分类器中,从而实现轴承故障的智能诊断。对比实验结果表明本方法有效提升了故障诊断精度。     

基于DBN的立体车库故障诊断系统研究与设计

随着汽车的使用量的增加,传统的平面停车场地已经不能满足人们的停车需求。立体车库通过使用垂直空间多层停放的立体解决方案,能够最大限度利用土地空间资源,它的研发与使用受到越来越多人的关注。设计了立体车库云端可视化故障诊断系统,采集底层立体车库智能控制机无线发送过来的车库运行历史和实时数据,存入相应的数据库中通过对车库运行的历史和实时数据进行研究。提出使用深度置信网络算法对数据进行故障诊断,介绍了该算法的原理及实现,并且通过Python验证了深度置信网络的有效性。     

基于系统辨识算法的风力机桨距系统故障诊断

针对风力机桨距系统故障,提出一种基于观测器的多新息随机梯度辨识算法的故障诊断方法．多新息随机梯度辨识算法通过扩展新息长度能够改进随机梯度辨识算法的估计精度,根据系统的规范状态空间模型,结合状态观测器可以实现系统状态和参数的交互估计．将桨距系统模型转换为可辨识的状态空间模型,依据桨距系统故障会引起系统参数变化的特点,采用所提出的算法对系统状态和参数进行估计,将桨距系统故障诊断问题转化为系统状态和参数估计问题．仿真结果表明,所提出的方法能够有效诊断桨距系统故障．     

基于UIOs的风力机传动系统多故障诊断

风力机故障诊断通过对机组运行数据进行提取、估计,以辨别出故障并获得故障信息.但目前风力机故障检测大多考虑单个故障发生的情况,而实际工程中无法避免多故障同时发生.通过设计未知输入观测器组,解决了风力机传动系统执行器和传感器的多故障诊断及隔离.针对不同故障类型各设计一组未知输入观测器.观测器组中的每个未知输入观测器产生一个残差信号,该残差不敏感于相应故障,但敏感于其他故障.通过对比观测器组中的残差信号可实现单一或多故障诊断.建立风力机传动系统故障模型,仿真分析得出该方法具有可行性.     

变桨距风力机特性模拟

变桨距风力机在不同风速下具有不同的运行状态和输入输出关系.文章根据空气动力学理论研究了风力机静动态特性;探讨了不同风速下,变桨距风力机的控制方案及运行状态;根据变桨距风力机不同的运行状态,设计了发电机特性和桨距角控制方案;在matlab/simulink环境下,建立了适应变桨距风力机全状态的模拟系统;在匀速风、阵风、渐...     

基于改进HHT的风力发电系统轴承故障诊断

轴承是风力发电机组中故障率较高的部件,其故障信号为非线性、非平稳信号,经验模态分解是一种自适应的信号处理方法,可用来分析此类信号,但是模态混叠使得经验模态分解无法准确地将固有模态分离出来。针对此问题,采用总体平均经验模态分解进行改进,利用高斯白噪声的频率均匀分布的统计特性,抑制模态混叠现象,并通过计算固有模态函数与故障信号的互信息来剔除虚假分量,从而得到更准确的Hilbert-Huang谱,由此提取故障信息,判断故障类型。仿真试验及轴承故障诊断实例均证明了该方法的有效性。     

基于神经网络和专家系统的故障诊断

分析了专家系统和神经网络在故障诊断中的应用，针对两种技术各自的优缺点，建立了一个基于神经网络和专家系统的采煤机集成故障诊断系统，介绍了系统的结构，诊断策略及神经网络的学习算法，并给出了仿真结果。     

基于西门子S7-300PLC的风电机组专用变桨距控制系统设计

本文介绍了一种基于西门子S7-300 PLC的风电机组专用变桨距控制系统.详细介绍了系统的硬件设计和软什模块架构,在上位机调试环境上进行了控制精度和低电压穿越功能测试,并在整机试验平台上完成了联机调试.实验结果表明,该控制系统性能稳定,功能可靠,控制精度高,满足风电机组在不同风速下始终保持最佳转换效率、输出功率维持最大...