融合格拉姆角场的深度特征学习在痕量气体浓度识别中的应用研究

针对气体绝缘金属封闭式组合电器(gas insulated switchgear, GIS)设备中痕量气体紫外分析光谱信号易出现吸收峰重叠的问题,提出了一种结合格拉姆角场(Gram’s angle field, GAF)和VGG16改进模型的多组分痕量气体的定量检测方法。首先利用GAF将一维紫外光谱信号转换为时序图像,将光谱信号映射为具有丰富特征信息的图像形式,从而提升原始光谱信号的特征表达能力。其次将GAF特征图输入到VGG16改进模型中,实现痕量气体浓度的特征识别。最后通过不同浓度下采集到的CS2、SO2和H2S的单组分气体和混合气体,与卷积神经网络(convolutional neural network, CNN)、VGG16和SDP＿VGG16等模型进行对比实验,并结合受试者工作特征曲线下面积(area under the curve, AUC)进行验证。结果表明,该方法可以有效地检测出SF6分解所产生的CS2、SO2和H2S痕量气体,是一种行之有效的特征提取方法。     

基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法

绕组松动故障是变压器最主要的机械故障之一，尚缺乏有效的智能化诊断方法。为此提出基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法。变压器稳态运行时的振动信号存在周期性的特点，导致其构建足量具有时间相关性的图像集十分困难，提出了一种样本构建方法用于生成变压器振动信号的格拉姆角场图像集。将生成的图像集送入AlexNet进行迁移学习，获得微调后的神经网络模型。实验结果表明：利用该样本构建方法生成的图像集作为训练集和验证集，建立的卷积神经网络模型训练准确率与验证准确率均达到99%以上；利用变压器周期性振动信号生成的图像集作为测试集，测试准确率达到99%以上，实现了变压器绕组松动故障的准确诊断，并为周期性信号运用具有时间相关性的图像变换方法构建足量样本集提供了一种新思路。     

基于 GAF-CNN 的弓网电弧识别方法研究

由于高速铁路接触网会产生弓网电弧对弓网系统有危害,为了减少弓网损害。提出一种电流时间序列编码技术,即格拉姆角求和/差分场(GASF/GADF)。由于不同受流状态的电流信号不同,其时间序列编码形成的图像也不同,这使得计算机视觉技术可以用于时间序列分类,用来识别弓网电弧。共进行了5组不同条件下的弓网受流实验,测量得到不同条件下弓网系统中的电流数据,并将弓网实验得到的电流数据的状态分为正常受流状态和电弧受流状态。通过构建神经网络,提取电弧电流信号,以格拉姆角场(GAF)图像的形式直观展示了卷积神经网络(CNN)对弓网电弧数据的抽象特征提取情况。实验结果表明,该方法可在不同条件下准确识别弓网电弧避免视频图像背景变化的问题为弓网电弧故障识别提供一种思路。     

基于双通道GAF和深度残差网络的电能质量复合扰动识别

针对传统电能质量扰动(power quality disturbances,PQDs)识别过程中存在的信号特征提取复杂、算法识别能力不足和复合扰动区分困难等问题，提出了一种利用格拉姆角场(Gramain angular fields,GAF)和深度残差网络(residual network,ResNet)进行复合扰动识别的方法。首先对一维时间序列PQDs信号进行标准化与极坐标编码，然后采用双通道GAF方法保留信号时序特征并映射成为二维图像，形成信息充足、特征明显的双通道图像训练集，在此基础上利用ResNet进行深层次的特征提取，构造适用于复合PQDs分类的网络框架。仿真实验表明该方法特征提取能力强，且抗噪性能好，并且对复合扰动识别率高。     

基于格拉姆角场变换和深度压缩模型的变压器故障识别方法

提出了一种基于格拉姆角场和深度压缩模型的变压器故障识别方法。针对故障样本稀缺和VGG(visual geometry group)网络一般不能直接读取一维数据的问题，首先提出了格拉姆角场变换方法将一维故障样本转换为三维特征图像，并使用数据增强方法进行样本扩充，使其满足故障识别方法的输入需求。进一步，针对VGG网络层数深、参数多以及结构复杂的缺点，提出了一种改进深度压缩模型。使用NiNNet(network in network)网络的全局平均池化层替换VGG网络的全连接层，减少VGG末端网络的层数和参数规模；提出了一种结构化剪枝方法对VGG网络的多层卷积核进行剪枝，进一步减少VGG前端网络的参数规模，实现网络的深度压缩。由变压器油色谱故障数据上开展的数值实验和性能评估结果表明，所提方法在不损失变压器故障识别结果精度的前提下实现了VGG网络的深度压缩和结构简化：此外，深度压缩模型能够有效降低模型存储所需的存储空间和运行所需的计算资源，使其能够应用于体积小、功耗低的边缘计算平台。     

基于格拉姆角场和深度残差网络的变压器绕组松动故障诊断模型

针对变压器绕组松动故障诊断中特征量难以选取,依赖人工经验的问题,提出了一种基于自动编码器降噪,格拉姆角场(GAF)和深度残差网络(ResNet)进行识别的变压器绕组松动诊断方法。该方法直接从GAF图像中自动学习有效的故障特征,不需要手动提取特征量。首先,将振动信号经过自动编码器进行降噪,获得信噪比更高的振动信号。然后,采用GAF方法将振动信号转化为二维图像,生成图像数据集,在此基础上训练ResNet,构建适用于变压器绕组松动故障分类识别的网络模型。最后,搭建变压器绕组松动故障试验平台,采集绕组在不同松动和试验电流下的振动信号并进行分析。试验结果表明,所提诊断方法对变压器绕组松动识别准确率达95%以上,能够有效识别松动相和松动程度,适用于变压器绕组松动故障的识别和诊断。     

基于Inception-DLSTM双通道的滚动轴承故障诊断方法

卷积神经网络(CNN)对空间特征具有敏感性，而Inception相比CNN具备多尺度提取特征优势；长短时记忆网络(LSTM)对时间特征具有敏感性，而深层长短时记忆网络(DLSTM)比LSTM具备更深层次提取特征优势。为了多尺度充分提取滚动轴承振动信号在空间和时间上的特征，实现滚动轴承故障诊断，提出了一种Inception通道和DLSTM通道结合的Inception DLSTM双通道滚动轴承故障诊断模型。对于Inception通道，把轴承振动信号经过小波变换生成的时频图作为输入，利用Inception网络多尺度提取时频图的空间特征信息；对于DLSTM通道，直接把轴承振动信号作为输入，利用DLSTM网络充分提取信号的时间特征信息。然后把两个通道输出的特征信息连接成一个时空特征向量，最后利用分类器进行轴承故障诊断识别。对轴承故障数据进行对比实验可得，Inception DLSTM双通道的故障识别准确率可达100%，具备良好的故障诊断和特征提取能力。     

基于二维图像和卷积神经网络的阀冷系统主循环泵故障诊断

特高压直流输电工程中，及时发现并排除换流阀冷却系统的主循环泵的故障，对保障换流阀的稳定运行具有重要意义，为此针对主循环泵在故障时产生的振动信号，提出一种基于二维图像和卷积神经网络的阀冷系统主循环泵故障诊断方法。首先，通过变分模态分解(variational mode decomposition, VMD)联合奇异值分解(singular value decomposition, SVD)对振动信号进行去噪处理：使用VMD分解轴向、竖直径向和水平径向的振动信号，基于相关系数法获取最优本征模态分量；使用SVD对分量信号滤波后，通过分量空间重构获取去噪后的振动信号。然后，通过格拉姆矩阵将时序振动信号转换为振动图像，提取振动信号的时空特征。最后，将轴向、竖直径向和水平径向振动图像多通道并行输入AlexNet深度卷积神经网络，通过卷积层和池化层实现多层次特征融合，提高故障诊断准确率。分析结果表明，该模型故障诊断精度为91%,优于多层感知机算法、一维卷积神经网络和浅层卷积神经网络，可以为阀冷系统主循环泵的故障诊断提供方法基础，为现场人员安排计划检修提供理论依据。     

考虑声-振模态结合的抽水蓄能机组轴承故障诊断

为解决抽水蓄能机组轴承磨损故障难以监测和识别的问题,提出一种结合声振数据的双模态神经网络机组轴承诊断模型。首先分析了抽水蓄能机组声振特性,融合相似软阈值对奇异值分解去噪方法进行改进,有效消除非接触式传感器固有噪声干扰。其次提出逆巴克频谱变换方法,并结合巴克频谱变换和格拉姆角和场变换等特征工程技术,提取机组轴承的声纹和振动特征图。通过融合相对位置编码的自注意力机制和深度可分离卷积,建立特征图传递网络。同时运用多头自注意力机制和双向长短期记忆网络搭建了时序数据传递网络,并以平行网格架构构建了机组轴承故障诊断模型。实验对比分析表明,所提方法具有较高的故障识别准确率,为抽水蓄能电站机组轴承监测问题提供了有效的解决途径。     

基于EMD-GAF和改进的SERE-DenseNet的滚动轴承故障诊断方法

为了解决滚动轴承一维振动信号中故障特征微弱难以提取和深度学习模型层数加深容易导致梯度消失或梯度爆炸从而引起模型恶化、导致故障诊断准确率低和鲁棒性差的问题,本文提出一种基于EMD-GAF和改进的SERE-DenseNet的滚动轴承故障诊断方法。将滚动轴承一维振动信号通过滚动采样后利用EMD对其进行分解并重构,再使用GAF将重构的一维信号转换为二维图像作为模型输入,模型方面选取DenseNet121为主干,引入了SERE模块,并将2层卷积的Dense Layer改进为3层稀疏的、基数为8的模块;将二维图像作为输入通过该模型进行特征提取和故障分类。采用凯斯西储大学的轴承数据集进行仿真实验,实验结果表明,本文方法能够准确地完成滚动轴承故障诊断,故障诊断最大准确率100%,10次实验平均准确率99.91%,与常见的深度学习模型进行比较,本文方法具有较大的优越性;在信噪比为10 dB的环境下故障诊断准确率为96.48%,本文方法具有较强的鲁棒性。     

基于时序信号图像编码和生成对抗网络的配电网台区数据修复

受不可抗力影响,配电网低压台区数据中普遍存在缺失值,整体数据质量较差,限制了台区的精益化管理水平。传统的数据修复方法忽略了数据的周期性和时序性,修复精度较低。提出了一种基于图像编码和生成对抗网络的台区缺失数据修复方法。首先引入了一种一维时序信号编码图像预处理方法,将原始的时序信号转换为格拉姆角场图像,然后利用卷积神经网络在图像特征提取上的强大优势构建了生成对抗网络模型。结合像素损失和相似性损失的双重约束条件增强了生成图像的质量。整体流程由数据驱动,无需先验知识的分布假设与显式物理建模。最后的算例结果表明,该方法能够较为精确地实现台区缺失数据的修复。     

基于Mel-GADF与ConvNeXt-T的变压器铁心松动故障诊断方法

为解决传统梅尔(Mel)时频谱图对变压器铁心松动程度识别率较低的问题,提出一种基于梅尔-格拉姆角差场(Mel-GADF)时频谱图与ConvNeXt-T网络相结合的变压器铁心松动故障诊断模型。将变压器声纹信号生成Mel时频谱图,同时将原始声纹数据经过格拉姆角场(GAF)变换得到格拉姆角和场(GASF)与GADF这2种时频谱图;生成Mel-GASF与Mel-GADF这2种特征融合的时频谱图来弥补Mel时频谱图的低频缺失问题;将3种时频谱图放入ConvNeXt-T网络进行训练对比,选出效果最佳的诊断模型。以型号为S13-M-200/10的变压器为对象进行空载试验,对不同铁心松动程度下的声纹信号进行分析,分析结果表明,将Mel-GADF作为特征时频谱图结合ConvNeXt-T网络,可将测试集准确率从传统Mel时频谱图的98.273 % 提升至99.500%,提升了1.227个百分点。     

基于多传感器融合卷积神经网络的航空发动机轴承故障诊断

航空发动机作为航空飞行器关键的动力组成部分,在内外多激励干扰情况下产生的机械故障采取传统的基于物理机理和信号分析的方法难以准确识别且耗时耗力。为此,该文提出基于多传感器信息融合的轴承故障诊断模型,对航空发动机轴承进行故障诊断。该模型采用一维卷积神经网络(one dimensional convolutional neural network,1D-CNN)对实验获取的某航空发动机的轴承故障振动数据进行特征提取与分类,直接将不同传感器采集的波形信号作为输入,通过卷积、池化等一系列操作,输出最后的分类结果,舍弃传统的基于信号分析故障诊断的繁琐步骤。实验验证表明,采用4个加速度传感器输入该模型对轴承故障进行分类与识别,其准确率可达100%,相较于采用支持向量机(support vector machine,SVM)和前馈神经网络对故障进行分类识别相比,该方法准确率分别提高了36.92%和18.9%,为航空发动机轴承故障诊断提供一种可行方法。     

基于GAF与卷积神经网络的电能质量扰动分类

针对在设计电能质量扰动(Power Quality Disturbance, PQD)分类器时人工选取特征过程繁琐并且不够精确的问题,提出一种基于格拉姆角场(Gramian Angular Field, GAF)和卷积神经网络(Convolutional Neural Network, CNN)的PQD分类方法。首先将一维PQD信号映射为二维图像,接着在已有的神经网络基础上构造适用于PQD分类的网络框架。最后将二维图像作为输入,CNN将自动从海量的扰动样本中提取特征并加以分类。仿真结果表明该方法在噪声数据中具有良好的分类性能,是一种行之有效的PQD分类方法。     

基于CEEMDAN和CNN-LSTM的滚动轴承故障诊断

针对滚动轴承工作环境复杂，轴承振动信号受噪声干扰难以提取故障特征以及传统故障诊断算法准确率较低的问题，提出了利用自适应噪声完备集合经验模态分解算法（CEEMDAN）联合卷积神经网络（CNN）内嵌长短期记忆神经网络（LSTM）的滚动轴承故障诊断方法。首先，利用CEEMDAN算法对轴承原始振动信号进行分解得到本征模态函数（IMF）；然后计算重构后的信号的排列熵，归一化后作为特征向量；最后将特征向量输入至CNN-LSTM结合建立的深度学习模型中进行诊断识别。结果表明：所提方法具有更快的拟合速度和更高的准确率，平均故障诊断准确率达到98.63%。     

双通道输入LetNet-5卷积神经网络旋转机械故障诊断模型研究

针对旋转机械运行过程中伴随着诸多噪声，现有单通道网络在旋转机械故障诊断过程中抗噪性较差的问题，提出了一种加入并联机制的双通道输入Let Net-5卷积神经网络模型。模型合理性检验过程采用了凯斯西储大学轴承数据集，在此基础上，添加信噪比为–10 d B的高斯白噪声模拟真实噪声情形；采用短时傅里叶变换将电机风扇端和驱动端振动数据进行处理，获得的时频图像传递至双通道输入的Let Net-5卷积神经网络进行训练学习。研究结果表明：双通道输入Let Net-5卷积神经网络模型能够良好捕捉到强噪声环境下的故障特征；相比于多尺度特征融合残差模型、多模态耦合输入神经网络模型、传统的K近邻与决策树模型及单通道输入Let Net-5卷积神经网络模型，双通道输入Let Net-5卷积神经网络具有更高的效率和精度。     

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。     

基于马尔可夫变迁场和EfficientNet的复合电能质量扰动识别

新型电力系统中电能质量扰动问题愈加复杂和严重,多种电能质量扰动同时出现,导致传统算法识别准确率降低。 提出一种基于马尔可夫变迁场和EfficientNet的复合电能质量扰动识别算法。采用马尔可夫变迁场将电能质量扰动信号可视化映射为二维特征图像;通过EfficientNet卷积神经网络处理图像数据,实现扰动信号的特征提取;利用神经架构搜索自动调节卷积神经网络超参数进行网络训练,建立电能质量扰动分类识别模型。仿真结果表明,所提方法能够准确高效地提取扰动信号特征,对复合电能质量扰动分类效果好且抗噪声能力强。     

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。     

基于放电声音识别的高压电器绝缘监测研究

为了监测开关设备耐压试验过程绝缘状态情况,提取试验过程中异常声音信号的语谱图,导人卷积神经网络识别有无放电信号,并基于得到的准确率优化网络模型.使用卷积神经网络能自动提取输入图像特征,建立相应的识别判据,并且能较大提高识别准确率.试验结果表明,卷积神经网络能较好地完成识别任务,平均识别准确率能达到94％以上.