基于灵敏度特性函数的特征提取与故障诊断

为解决电路故障诊断时故障可靠分类以及特征信息有效提取的问题,提出了一种基于灵敏度特性的故障样本分类和故障特征信息提取方法。基本思想是通过电路的特性分析和灵敏度的计算,进行故障样本的分类及优化,再根据灵敏度的计算结果提取相应特征信息。以此构造故障样本特征集,然后作为BP神经网络的输入对网络进行训练与诊断。对滤波器的仿真结果表明,该方法构造的样本集训练出来的神经网络,对模拟电路故障诊断的平均正确率为85%,优于传统方法。     

不完备故障类别下基于Multi-SVDD的高压隔离开关故障诊断方法

针对高压隔离开关故障诊断时特征库中故障类别不完备的问题,提出了基于多重支持向量域描述(Multi-SVDD)的故障诊断方法。首先通过主成分分析将正常和已知故障样本特征量按贡献度进行排序作为新的特征向量,并以特征量贡献度构造加权高斯核函数,提高对类间特征差异的辨识能力。然后利用粒子群算法对核参数进行优化,提高模型的推广能力和对样本类别识别的正确率。其次对正常和已知故障样本集进行训练,建立描述隔离开关不同工作状态的超球体作为预测模型。最后利用Multi-SVDD对样本空间进行划分并计算待测样本点至各超球体中心的距离,确定样本所属的种类。试验结果表明,该方法可以有效处理高压隔离开关故障诊断中故障类别不完备的问题,在诊断出已知故障的同时可对未知故障给出判断。     

不均衡数据集下基于生成对抗网络的改进深度模型故障识别研究

由于传统轴承故障诊断方法依赖于信号处理能力且模型泛化能力差的问题,提出一种不均衡数据集下基于深度对抗网络的故障诊断方法,该方法首先通过构建小样本训练集进行生成对抗网络训练,将生成样本加入到原始小类别样本训练集中,得到样本训练集,降低不同类别样本的不平衡性;然后引入深度学习的模型优化技术,提出适合轴承故障诊断的深度卷积神经网络模型,该模型直接作用于训练样本集,自适应地从原始数据中逐层学习故障特征,实现不同故障的准确识别;为了增强诊断系统最终分类预测的准确性,引入Focal损失函数对分类层进行故障识别。大量的定性定量实验表明,所提的改进网络在检测率与误检率方面均优于现有的其他深度模型,并且拥有较快的收敛速度与泛化能力。     

克隆选择优化的SVM模拟电路故障诊断方法

对基于克隆选择算法的支持向量机(SVM)参数优化、及其在模拟电路故障诊断中的应用进行了深入研究,故障诊断实现步骤为:首先对电路的各种故障模式进行蒙特卡洛仿真分析,利用小波分解提取输出信号的各频段能量,进行归一化处理后得到故障特征样本;然后应用克隆选择算法进行SVM参数优化,并将选定的参数用于SVM的训练;最后采用训练好的SVM对故障样本进行分类,从而实现故障判定。论文以CTSV滤波电路和螺距反馈电路为诊断实例进行了实验验证,结果表明对容差模拟电路的故障定位具有较高的准确率。     

一种变工况下风电机组行星齿轮箱的故障诊断方法

针对现有的大多数深度迁移学习方法只能在目标转速下工作，而且在模型的训练中总是需要目标域样本的问题，研究风电机组行星齿轮箱在变工况下的故障诊断方法，设计了应用于变工况下行星齿轮箱故障诊断的深度残差半监督域泛化网络，将诊断模型推广到未知转速的故障诊断任务中。首先对振动信号进行Fast Kurtogram时频变换，生成图像并构造样本集；其次模拟实际情况，以含标签源域样本集和无标签源域样本集为输入，使用深度残差网络提取深层故障特征，并引入对抗博弈机制和基于伪标签的半监督学习方法对网络进行训练；最后根据训练后的网络搭建了域泛化故障诊断模型，利用行星齿轮箱故障诊断实验进行评估。实验结果表明，所设计的网络可以有效利用定速样本实现对未知转速样本和变速样本的故障识别，对目标域的平均识别率达到95.24%。     

基于样本集成学习和SO-SVM的变压器故障诊断

针对变压器故障样本类别不平衡造成分类模型准确率偏低的问题,提出一种基于样本集成学习和蛇优化算法(SO)优化支持向量机(SVM)的变压器故障诊断模型。该模型先利用EasyEnsemble采样器对样本进行多次欠采样后生成类别平衡的多个子集;然后以Bagging策略训练SO优化关键参数后的SVM模型,综合各个分类器结果得到最终故障类型。通过算例对所提模型有效性进行验证,数据表明,SO-SVM的故障诊断相比于RF、SVM、KNN等模型,诊断准确率分别提高了3.44%、6.89%、10.92%,AUC值分别提高了0.026 4、0.042 5、0.081 2;在同一分类器下,SO-SVM模型相比于SMOTE和ADASYN样本平衡方法,诊断准确率分别提高了4.59%、2.87%,说明SO-SVM模型对不平衡样本的故障诊断能力更优。     

基于EEMD和PSO-SVM的滚动轴承故障诊断

为实现滚动轴承故障的精确诊断,提出一种基于集成经验模态分解与粒子群算法优化的支持向量机的故障诊断方法。利用EEMD方法分解振动信号,依据经验选取合适的内禀模态函数进行能量值及包络谱特征幅值比等故障特征参量的计算,构建滚动轴承故障特征向量,然后基于少量不同故障部位及故障程度的样本,利用粒子群算法对支持向量机进行参数优化,进而训练样本并建立故障模型,最后对测试样本进行故障诊断,观察该方法的诊断效果。实验表明,该方法可对多种不同故障状态进行诊断,且分类精度高,证明了振动分析与智能算法结合的方法可有效实现滚动轴承的故障诊断。     

基于粒子群与多分类相关向量机的变压器故障诊断

为有效提高变压器故障诊断准确率,文中将粒子群优化算法与多分类相关向量机方法相结合,构建了一种基于粒子群优化多分类相关向量机的方法用以变压器故障诊断。该方法首先将油中溶解气体与4种特征气体比值相结合作为故障特征量,以进一步丰富故障信息。其次,利用粒子群优化算法并结合训练样本数据对多分类相关向量机的核参数进行优化,以获得能够最优的及能有效提高故障分类效率的参数。最后,将9种特征量作为特征输入,并利用已训练完毕的多分类相关向量机进行故障诊断。经实例分析表明,该方法使故障特征量与故障分类模型得到了有效补充、改进及完善,且其故障诊断效率更具优势。     

基于CSBP的滚动轴承故障智能诊断方法

针对滚动轴承故障诊断问题,结合重采样方法和CSBP神经网络进行滚动轴承的故障诊断研究。首先利用输入轴转速对轴承的振动加速度信号进行重采样,选择振动加速度信号的均方根值、峭度与样本熵作为CSBP神经网络训练输入参量,应用标签数据进行训练得到优化训练模型。然后对正常状态、轴承内圈故障滚动体故障实验数据进行了计算,并对结果进行了集中趋势分析和转速影响分析。结果表明,检测数据分析结果显示利用该方法判断轴承故障类型和故障程度可达到94%,可提高滚动轴承故障诊断中在不同转速条件下的适用性和智能性;同时利用集中趋势分析可实现对模型诊断结果进行评价,进而提高模型的可靠性。研究可以为高速列车及其他设备使用的滚动轴承诊断提供分析方法和技术参考。     

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。     

不平衡样本下基于变分自编码器预处理深度学习和DGA的变压器故障诊断方法

为提高变压器故障诊断效果,并改善训练样本数量不平衡对故障诊断的不利影响,提出了一种基于变分自编码预处理深度学习和油中溶解气体分析(dissolved gas-in-oil analysis,DGA)的变压器故障诊断方法.该方法以各样本DGA特征量为诊断模型输入,以各故障状态概率分布为诊断模型输出.首先通过变分自编码器对...     

基于多分类概率输出模型的变压器故障诊断*

针对传统的SVM方法在辨别故障特征不明确的样本时会导致误诊断的问题,提出一种基于多分类概率输出(MCPO)模型的变压器故障诊断方法。利用Sigmoid函数构建了基于SVM的MCPO模型,模型的输入为DGA数据和变压器故障类型,输出为发生每种类型故障的概率估计,通过制定相关的故障诊断判据利用故障概率信息能够有效的辨识故障特征是否明确。仿真分析结果表明,MCPO模型的诊断结果能够有效识别故障特征不显著的样本,为进一步采取合理的校正措施提供一种参考。     

小样本下时序注意力边界增强原型网络的 齿轮箱故障诊断方法

针对小样本条件下原型网络在提取特征过程中会丢失振动数据的时序特征,且未修正样本在度量空间中的分布导致模 型精度低的问题,提出一种时序注意力边界增强原型网络的齿轮箱故障诊断方法。 首先,通过构建时间序列注意力模块,建立 通道间的时序特征依赖,获得通道时序融合特征;然后,在计算类原型之后,增加邻边界损失以修正度量空间中的故障特征类内 和类间分布,明确类原型的表征边界。 最后,通过计算测试样本与类原型的欧氏距离,输出故障诊断结果。 实验表明,在小样本 条件下本文所提方法相比其他方法具有更高的故障诊断精度。     

一种基于CGAN-CNN的同步电机转子绕组匝间短路故障诊断方法

由于同步电机故障样本数量较少,为解决同步电机故障诊断中普遍存在的样本不平衡问题,提出了一种基于条件生成式对抗网络(CGAN)和卷积神经网络(CNN)的同步电机转子绕组匝间短路故障诊断方法.首先,对传感器收集到的数据进行预处理,对正常样本和故障样本分别添加标签后输入CGAN中生成大量新样本,将生成的新样本与原始样本混合并划分训练集和测试集;然后,利用CNN训练平衡后的数据集,充分、精准地提取有效故障特征;最后,在输出端利用Softmax分类器输出故障分类结果.通过实验证明,与非平衡数据集相比,利用平衡数据集后的故障识别准确率十分稳定且达到99.5％以上,同时与平衡的原始样本数据相比,生成样本避免了噪声和其他干扰,故障诊断的准确率也更高.     

基于样本扩充和特征优选的IGWO优化SVM的变压器故障诊断技术

为了增强变压器故障诊断模型对不平衡样本的学习能力从而提高少数类故障样本的识别精度,提出了一种基于样本扩充和特征优选的融合多策略改进灰狼算法(improved grey wolf optimizer with multi-strategy, IGWO)优化支持向量机(support vector machine, SVM)的变压器故障诊断技术。首先,使用基于K最近邻过采样方法及核密度估计自适应样本合成算法的混合过采样技术对少数类样本进行扩充得到均衡数据集,并在此基础上采用方差分析对变压器候选比值征兆进行特征优选。然后,通过改进灰狼优化算法(grey wolf optimizer, GWO)初始化策略、参数及位置更新公式,并引入差分进化策略调整种群,提出了融合多策略的改进灰狼算法。最后,构建了一种基于混合过采样技术的IGWO优化SVM的变压器故障诊断模型,并通过多组对比实验验证了所提方法能够有效增强模型对少数类故障样本的识别能力,并提升模型的整体分类性能。     

基于遗传算法优化XGBoost的油浸式变压器故障诊断方法

为了提高油浸式变压器故障诊断的精度及可靠性,研究了一种基于遗传算法优化极端梯度提升(XGBoost)的油浸式变压器故障诊断方法.首先,以油中溶解气体分析(DGA)为依据,采用无编码比值方法提取油浸式变压器的9维故障特征,并对数据样本进行归一化处理;以归一化样本为输入建立基于XGBoost的故障诊断模型,并采用遗传算法对模型中的多个超参数同时进行优化.在算例部分,收集547例故障类型确定的DGA数据进行对比实验,结果表明与现有传统方法相比,所提方法的诊断精度和稳定性有显著提升;同时验证了遗传算法对故障诊断模型的优化提升效果.     

基于SE-DSCNN的MMC开关管故障诊断方法

为了实现模块化多电平变换器(MMC)子模块开关管的故障诊断,提出了一种基于挤压-激励模块的深度可分离卷积神经网络(SE-DSCNN).该网络直接利用原始电容电压数据,不需要任何的特征提取算法,能够自动提取隐藏在原始数据中的深层特征,结合挤压-激励模块以突出通道域中具有代表性的特征,利用深度可分离卷积(DSC)来减少网络...     

基于联想记忆神经网络的变流器故障诊断研究

提出将联想记忆神经网络应用于电力变流系统的故障诊断.介绍了基于联想记忆模型的诊断算法,总结出交-直-交变频器的故障模式及故障分析表,然后将该样本向量进行HADAMARD预处理、存储记忆后,可据此模型进行样本和非样本的并行联想回忆,实现诊断功能.最后进行了数字仿真研究,并且还提出利用大规模现场可编程逻辑门阵列器件进行软件硬化实现的基本思路.     

柔性直流系统短路故障网络阻抗建模与时频特性诊断方法研究

针对柔性直流系统直流侧短路故障诊断难题,文章从故障网络精确建模和暂态特征信号分析两个方面展开研究,并提出了阻抗网络暂态响应时频特性关联度的故障诊断方法。该方法通过向柔性直流系统线路入口处注入脉冲电压作为激励,实时提取所产生的暂态电流分量,经不同尺度的Mexican Hat变换得到时频能量序列,并构造反映故障网络暂态响应时频能量谱矩阵。同时,建立柔性直流系统精确模型,模拟不同故障点经不同大小电阻的短路故障,构建完整故障样本及其时频特征库,经相似度计算可选出与实测故障特征最相近的样本,确定故障点位置和估计短路电阻大小。最后,对上述原理方法进行算例分析,并与时域方法比较,结果表明文章所述诊断方法及其判据更为准确有效,相关原理正确可行。