典型神经网络串联型电弧故障检测及选线方法研究

为解决传统特征分析加机器学习的电弧故障检测方法的准确率和实时性受到特征参数选取的主观性及特征分析过程的影响问题,搭建了三相多负载并联的串联型电弧故障实验系统,对不同支路、不同相发生电弧故障时的干路电流信号时间序列进行分析。将电流信号进行分类、分段、标准化处理并作为检测模型样本;对深度卷积神经网络模型、长短期记忆网络模型、普通神经网络模型进行架构及训练;通过差分处理对网络模型在线分类结果进行优化分析;以准确度和损失函数值、在线测试速度、优化后多分类识别准确率为评价指标,对比分析了3种模型故障检测及选线效果。研究结果表明：基于深度卷积神经网络的串联型电弧故障检测及选线模型对电机类负载故障检测及选线准确率可达96.77%,对变频器类负载故障检测及选线准确率可到98%,准确率高于近几年其他三相回路电弧故障检测模型。     

基于稀疏自编码神经网络的抽油机井故障诊断

针对传统示功图识别方法对抽油机井进行故障诊断存在人工选取示功图几何特征,识别准确度低等问题,提出一种基于稀疏自编码神经网络的示功图智能识别模型。采用无监督学习方式的稀疏自编码器构建特征学习网络自动提取无标签示功图训练集图像特征,然后采用有标签示功图训练集对softmax分类器进行有监督训练,最后通过稀疏自编码神经网络对学习到的有标签示功图测试集特征进行分类并给出故障诊断结果。结果表明,将稀疏自编码神经网络应用于示功图识别,测试准确度能够达到99.44%,优于其它分类模型。稀疏自编码神经网络直接从像素层面提取所需要的特征,不需要人为选定设计特征,为提高示功图识别准确度提供了帮助,进而解决了抽油机井故障难以准确诊断的难题。     

基于功率谱密度与随机配置网络的低压串联电弧故障检测

低压串联电弧电流为非平稳信号,故障特征区分度低且具有随机性,给电弧故障特征提取和准确检测带来困难,提出了基于功率谱密度与随机配置网络的低压串联电弧故障检测方法。首先,搭建了串联电弧故障发生平台,采集不同负载类型的电流数据,构建数据集。其次,采用功率谱密度对电流信号执行随机信号分析,实现对电流信号的定量化频域特征描述,增强故障电流与正常电流特征的区分度。然后,采用随机配置网络构建串联电弧故障检测模型,将功率谱密度特征用于随机配置网络的自适应训练学习,提升网络训练效率和模型故障检测能力。在本文构建的电流数据集上,串联电弧故障检测的平均准确率达到96.156 7%,证明了方法的有效性。     

基于SSA-SVM的航空电弧故障检测

针对航空线路系统电弧故障隐蔽性高和难以检测的问题,提出一种基于麻雀搜索算法优化支持向量机（Sparrow Search Algorithm Optimization Support Vector Machine,SSA-SVM）的航空电弧故障检测方法。首先采用小波分解对电弧故障电流数据进行分解,小波分解能有效克服经验模态分解时存在的模态混叠问题。再从信号无序度的角度对电流分量提取能量熵、模糊熵与近似熵,并构造特征向量。然后,使用麻雀搜索算法对支持向量机的权值进行优化,得到最优的权值,最后用训练好的支持向量机对测试样本进行分类。为了验证所提方法的有效性,搭建电弧实验平台,模拟航空线路系统电弧故障的产生,分别采集交流串联正常和电弧故障电流数据,应用本文提出的SSA-SVM算法进行电弧故障检测,结果表明,该方法能较好地识别出电弧故障,检测准确率达到99.5%,相比于粒子群算法或遗传算法优化的支持向量机对电弧故障的检测准确率分别高出2.5%和2%。     

高精度故障电弧检测多传感器数据融合算法

 由于故障电弧的物理特性复杂, 且电路中存在与故障电弧波形相似的负载, 因此传统 检测故障电弧的方法误判率较高. 提出了一种多传感器数据融合算法, 用于提高故障电弧的检测精度. 该算法包括自适应加权融合算法和神经网络融合算法, 实现了对温度传感器、声音传 感器和弧光强度传感器所获取的传感信号的数据融合. 自适应加权融合算法克服了单个传感 器的不确定性, 实现了同质传感器中故障电弧特征的提取, 为神经网络融合算法提供了精确的测试样本数据; 神经网络融合算法可自行调整各类异质传感器的权重, 使故障电弧的辨识率更高. 实验结果表明, 该算法可有效提取故障电弧的特征, 辨识精度超过98%, 实现了高精度的故障电弧检测.     

基于多维特征量的航空串联故障电弧检测

航空交流系统工作环境复杂、故障电弧检测可靠性要求较高,而单一特征的检测方法适应能力相对较差。开展了航空交流电源条件下串联型故障电弧模拟试验,分别对电源频率为360 Hz、400 Hz、450 Hz时的线性负载线路电流进行数据采集。根据电弧电流的特点,提出了一种融合波形畸变特征、间谐波特征和能量分布不确定性特征的多维特征量检测方法。引入支持向量机和粒子群优化算法进行参数寻优,用训练得到的分类模型对测试集进行分类预测。结果表明,该串联故障电弧分类模型最高分类准确率可达到98.83%。     

基于集成降噪自编码的网络入侵多模式匹配算法设计

针对高维网络入侵受到层次限制,入侵识别易出现局部极值化,导致入侵匹配时间延长的问题,提出并设计基于集成降噪自编码的网络入侵多模式匹配算法。引入降噪自编码网络,将深度学习法运用于在网络入侵检测中,构建深层网络模型,根据逐层贪婪编码模式实现预训练,完成高维深层网络入侵特征的自适应性提取及挖掘,通过监督式微调解决机器学习中局部极值问题,增强网络入侵检测效果与泛化性能,实现网络入侵初步检测。利用多模式匹配实现初步识别结果的最终匹配,完成网络入侵模式诊断。搭建实验平台对所提算法进行验证,将网络中用户行为日志数据当作实验数据样本,实验结果表明,负载均衡方差保持在0.85～1.0,匹配时间最短,访问文本串中字符的数目增长幅度很小,证明了算法鲁棒性和可实践性很强。     

三相串联故障电弧检测方法

为进一步研究煤矿井下供配电系统中串联故障电弧的特性及检测方法,采用三相电动机及变频器负载开展了串联故障电弧实验,提出了一种基于单相电流的三相串联故障电弧的检测方法.对单相电流进行中值滤波和一阶差分预处理后,提取一阶差分信号的波峰因子、峭度、分段动态时间弯曲距离和路径长度构建故障电弧特征向量,结合改进的网格搜索优化的支持向量机建立故障电弧识别模型,并测试故障电弧检测准确率,结果表明:该方法通过分析单相电流实现三相电动机及变频器回路中故障电弧的检测,对研制低成本故障电弧断路器具有一定的参考价值.     

一种基于深度融合模型的滚动轴承故障诊断方法

针对噪声环境下滚动轴承故障难以诊断的问题,提出一种基于深度学习融合网络的轴承故障识别新方法。该方法首先对轴承振动信号进行一定程度的随机损坏,并将加噪后的数据输入卷积降噪自编码器(convolutional denoising autoencoder,CDAE)中对网络进行训练,目的是降低信号中的噪声干扰并提取浅层特征;然后,利用深度信念网络(deep belief network,DBN)学习深层特征并建立轴承状态识别模型,输出故障识别结果。在融合模型中,将卷积降噪自编码器作为网络的第一层以增强网络的抗干扰能力,提高故障的识别精度。使用凯斯西储大学(CWRU)滚动轴承数据对所提模型进行验证,结果表明提出的融合模型在噪声环境下能够较好地实现轴承的故障状态识别。     

一种基于深度融合模型的滚动轴承故障诊断方法

针对噪声环境下滚动轴承故障难以诊断的问题,提出一种基于深度学习融合网络的轴承故障识别新方法。该方法首先对轴承振动信号进行一定程度的随机损坏,并将加噪后的数据输入卷积降噪自编码器(convolutional denoising autoencoder,CDAE)中对网络进行训练,目的是降低信号中的噪声干扰并提取浅层特征;然后,利用深度信念网络(deep belief network,DBN)学习深层特征并建立轴承状态识别模型,输出故障识别结果。在融合模型中,将卷积降噪自编码器作为网络的第一层以增强网络的抗干扰能力,提高故障的识别精度。使用凯斯西储大学(CWRU)滚动轴承数据对所提模型进行验证,结果表明提出的融合模型在噪声环境下能够较好地实现轴承的故障状态识别。     

不同电极材料条件下改进Catboost算法的直流故障电弧检测算法

为了研究直流系统内不同电极材料对故障电弧检测造成的干扰,针对性地解决多种电极材料下故障电弧检测的误动与拒动问题,提出了改进Catboost算法的直流故障电弧检测算法。搭建直流故障电弧实验平台,以拉弧的方式获取了6种电极材料条件下的直流故障电弧数据,通过构建故障电弧检测特征评价指标,采用小波变换方法在不同电极材料条件下更有效地提取故障电弧时频特征;分析不同电极材料对直流故障电弧检测特征、算法效率的影响,指出检测特征指标与材料熔点、电阻率呈正相关关系;提出的算法相较于现有的阈值比较算法和Adaboost算法提高了电弧检测范围,有效解决了纯铝电极材料下难以准确检测电弧的问题。该算法在6种不同电极材料下均能实现1.5 s内对电弧的快速检测,检测准确率达到100%,满足UL1699B标准要求。     

基于集成卷积小波极限学习的绝缘子故障检测

针对绝缘子因分布位置较远、背景复杂而导致传统方法无法精准并高效识别其故障的问题,提出一种基于集成卷积小波极限学习神经网络(ECWELNN:Ensemble Convolution Wavelet Extreme Learning Neural Network)的绝缘子故障检测方法.首先通过安装在无人机上的工业级摄像机采集现场的绝缘子图像数据并进行预处理;其次将卷积神经网络、自动编码器、极限学习机和小波函数的优势结合,构造集成卷积小波极限学习神经网络,并逐层堆叠建立多个深层神经网络;最后将绝缘子图像样本输入多个深层神经网络进行自动特征学习,将预测结果进行集成并输出最终的故障检测结果.通过实验对比验证了小波函数作为极限学习机网络模型中的激活函数在绝缘子识别领域中的优势.实验结果表明,该方法的平均故障检测准确率达到了98.49％,标准差仅0.20,相比其他方法在图像特征提取和故障检测准确率方面更具优势,适用于绝缘子故障的自动识别.     

基于加权差分电流的直流故障电弧检测方法

为了解决低压直流系统中传统电弧故障检测方法精确度不足及对不同系统通用性较差的问题，本文提出一种新的基于加权差分电流的直流电弧故障检测方法。首先搭建直流源实验平台，开展串联直流电弧高频特性实验，利用快速傅里叶变换提取电弧电流的特征频段为20～30 kHz、40～50 kHz和55～65 kHz。然后，研究电极材料和负载类型对电弧特征频率的影响，实验结果表明直流电弧的特征频段不随电极材料和负载类型改变。将3个特征频段内幅值的最大值I_max、幅值之和I_sum以及幅值的标准差I_std作为特征参量。基于对电弧电流特征频段和特征参量的双重加权差分，利用差分结果是否大于阈值0.5作为直流故障电弧检测判据。最后，在低压直流系统和光伏系统中验证所提出检测方法的有效性。检测方法能够准确区分开关动作与负载突变等系统正常操作。该方法克服了传统单一频段单一指标检测方法的不稳定性，能够有效检测直流电弧故障，提高检测的准确性，并在光伏系统中验证了检测方法的通用性。检测方法对保障低压直流系统的安全稳定运行具有重要的应用价值。     

基于深度聚类的通信辐射源个体识别方法

针对非合作通信条件下缺少标签数据的通信辐射源个体识别问题,提出了一种基于深度聚类的通信辐射源个体识别方法。利用自编码器网络强大的特征提取和数据重构能力对原始I/Q数据进行表征学习,提取个体识别的指纹特征,同时将表征学习过程和特征聚类过程进行联合优化,使表征学习和特征聚类契合度更高,更好地完成无标签条件下的通信辐射源个体识别。通过对5种ZigBee设备采集的信号进行实验,结果表明在信噪比高于0 dB时,可以达到85%以上的识别准确率,证明了本文方法的有效性和稳定性。     

基于非负稀疏表示的标签繁殖算法

提出了一种基于非负稀疏表示(nonnegative sparse representation,NSR)的半监督学习标签传播算法.该算法首先构造一个稀疏概率图(sparse probability graph,SPG),其权重由非负稀疏表示算法计算的非负系数组成,自然地反映了各样本之间的聚类关系,避免了传统半监督学习算法中的邻居选择和参数设置过程;然后通过对未标记样本的标签进行迭代繁殖至收敛而获得所有样本的标签.在人脸识别、物体识别、UCI机器学习和TDT文本数据集上的实验结果表明采用非负稀疏表示的标签传播算法比典型的标签繁殖算法具有更好的分类准确率.     

基于门控循环注意力网络的配电网故障识别方法

为了提高小样本条件下配电网故障辨识准确率,提出一种门控循环注意力网络模型.首先,通过注意力机制赋予故障相中关键周期较高权重,通过加权运算使得模型更加关注上述关键信息.其次,利用门控循环网络处理波形序列,该网络利用门控信号控制记忆传递过程,并借由记忆传递建立序列中不同阶段输入波形和故障类别概率间的关系,从而提升识别准确率.基于仿真数据和实际数据的实验均表明：所提方法在小样本条件下的可靠性和准确率远优于同等条件下支持向量机、梯度提升决策树、卷积神经网络等常用分类模型,为配电网故障辨识技术提供了一种新思路.     

一种基于自编码的混凝土裂纹识别方法

混凝土表面图像裂纹识别的传统深度学习模型往往需要大量的裂纹图像训练样本,但是在基础设施检测实际场景中,裂纹图像获取和标注困难,无裂纹图像收集则相对便利.提出了基于无裂纹图像单类样本的半监督学习方法,设计了基于自编码网络的混凝土裂纹图像识别模型CrackNet.该模型的主干网络由自编码网络和对抗网络构成,但是为了进一步扩大裂纹图像的重构误差,CrackNet引入了近邻编码策略.近邻编码模块把输入样本的隐向量用码本中最相近的k个隐向量线性编码,编码后的向量经过解码器重构输入.为了进一步提高CrackNet的识别性能和执行效率,提出了CrackNet-T模型.该模型应用K-Means聚类算法学习紧凑的码本,同时引入阈值策略自动决策输入图像是否进行近邻编码,从而避免无裂纹图像被近邻编码改变在隐空间中的表征.本文方法在公开数据集CCIC上进行实验,结果表明CrackNet-T性能不仅优于经典的异常检测模型,而且与有监督深度学习模型识别性能相当.     

基于改进的稀疏降噪自编码网络的三维模型识别方法

针对海量数据挖掘中三维模型特征识别准确率较低的问题, 提出一种改进的稀疏降噪自编码神经网络模型. 先基于改进的稀疏降噪自编码方法构建深度神经网络模型, 再利用无监督预训练方法及受限的拟牛顿计算方法对自编码神经网络进行训练, 最后采用softmax回归和得到的特征训练最终的分类器. 结果表明: 该方法对有噪声的三维模型特征信息具有较好的鲁棒性; 与栈式自编码神经网络和自学习神经网络相比, 该方法识别率较高.     

基于GHSOM网络的故障识别

提出了一种基于生长型分级自组织映射(GHSOM)网络的故障识别方法,给出了方法的基本原理,并将该方法应用于汽轮机组与齿轮的故障数据分析.研究结果表明,GHSOM能根据数据特征无监督地对故障进行正确聚类和识别,并且具有动态增长及分层特性,能解析出数据内在的层次结构,实现由粗到精的聚类识别,该方法可以扩展应用于机械故障的诊断与识别.     

基于注意力机制BiLSTM的设备智能故障诊断方法

状态监测与故障诊断是保证机械设备安全稳定运行的必要手段.本文提出一种基于注意力机制双向LSTM网络(ABiLSTM)的深度学习框架用于机械设备智能故障诊断.首先,将传感器采集的设备原始数据进行预处理,并划分为训练样本集与测试样本集;其次,训练多个不同尺度的双向LSTM网络对原始时域信号进行特征提取,得到设备故障多尺度特征;再次,通过引入注意力机制,对不同双向LSTM网络提取特征的权重参数进行优化,筛选保留目标特征,滤除冗杂特征,以实现精准提取有效故障特征;最后,在输出端利用Softmax分类器输出故障分类结果.通过利用发动机气缸振动实验数据和凯斯西储大学滚动轴承实验数据进行故障诊断实验,故障识别准确率均达到99%以上.实验结果表明,ABiLSTM模型可以实现对原始时域信号的多尺度特征提取和故障诊断,通过与深度卷积网络(CNN)、深度去噪自编码器(DAE)和支持向量机(SVM)等方法进行对比,ABiLSTM模型的故障识别性能优于各类常见模型.另外,通过利用凯斯西储大学滚动轴承在不同工况条件下的数据,对ABiLSTM模型进行泛化性能实验,变工况样本的故障识别准确率仍然能够达到95%以上.