基于增强层次对称点图像分析和深度残差网络的水电机组故障诊断

图像转化在水电机组故障诊断领域具有一定的潜力,传统将一维数据转化为图像的方法存在图像特征单一性、一张图像难以表示多种信号且图像识别精度偏低等问题。为此,提出一种基于增强层次对称点图像分析(Enhanced Hierarchical SDP,EHSDP)和深度残差网络(Deep Residual Network,Resnet50)的水电机组故障诊断方法。首先,利用移动差分和移动平均过程代替传统的层次分解,提出EHSDP的图像转化方法,在克服信号特征表现单一性问题的同时图像转化效率提高27.42%;其次,将分解过的振动信号图像化得到水电机组的图像数据库,划分EHSDP图像为训练集和验证集,利用训练集训练Resnet50模型得到最优模型参数;然后,将验证集图像输入训练好的Resnet50模型中,借助TSNE对提取到的特征降维可视化,各状态特征信号无混叠;最后,输出图像特征分类实现水电机组故障诊断,并用某水电站SK-3#真实机组数据进行验证。仿真实验和实例验证结果均表明,所提方法在所有对比模型中优势明显,验证了本文所提方法的有效性和实用性。

基于最优变分模态分解的渭河流域多步径流预报

针对渭河流域月径流序列的非平稳性日益加剧而难以对其进行精准预测的问题,提出了一种基于最优变分模态分解(OVMD)、随机配置网络(SCN)和递归多步预测策略的月径流序列多步预测模型。首先,利用OVMD将径流数据投影到不同频率的子序列中;然后通过SCN对每个分解部分进行预测,叠加得到单步预测结果;最后通过递归多步预测方法对未来较长时间的径流数据进行预测,得到多步预测结果。选取渭河流域华县水文站和咸阳水文站1970~2019年的实测月径流时间序列进行实例分析,并与其他常用模型进行对比,选取均方根误差RMSE、平均绝对误差MAE、平均绝对百分比误差MAPE以及纳什效率系数NSE对预测结果进行评价。研究结果表明:在华县水文站和咸阳水文站的单步预测试验中,OVMD-SCN模型的NSE分别达98.15%和98.52%,显著高于其他流行模型;在两个水文站的多步预测试验中,OVMD-SCN的各项评价指标均优于其他流行模型,表明所提方法可以精准预测5个月后的径流量。研究成果可为渭河流域的月径流精准预测提供技术支持。