基于双向生成对抗网络的滚动轴承智能诊断方法

滚动轴承是旋转机械中的关键部件,直接影响设备的可靠性。人工智能的发展在轴承故障诊断领域取得了令人瞩目的成就。然而,滚动轴承数据集的不平衡(正常样本远丰富于故障样本)会导致诊断模型精度较低。为了解决这个问题,本文提出了一种基于双向生成对抗网络(BiGAN)的故障诊断方法。首先,通过集合经验模式分解对信号进行去噪,使其自动分配到一个合适的参考尺度,并避免模态混叠。其次,构建含有梯度惩罚项的BiGAN模型,利用单样本离差标准化方法稳定模型训练过程,实现故障样本扩充。最后,基于增强的训练集建立具有批归一化、最大池化层的卷积神经网络(CNN)诊断模型。实验结果表明,该方法提高了故障诊断的准确性和鲁棒性。

考虑风电出力不确定性的配电网概率潮流计算

在对配电网进行概率潮流计算时,通常采用的风速概率模型存在准确性差、求解参数复杂及多风机出力相关性难以考虑的缺点,为此提出一种采用双向生成对抗网络BIGAN(bidirectional generative adversarial network)刻画风电出力不确定性的配电网概率潮流计算方法。首先,分析BIGAN的基本原理和训练过程,给出了利用BIGAN生成风功率样本的步骤。其次,以实际风功率数据为原始样本,通过BIGAN获得生成样本,然后考察原始样本和生成样本的时间相关性、概率分布特性及空间相关性,验证BIGAN方法的有效性;最后,在IEEE33节点系统中,以BIGAN生成的风功率样本和假定服从正态分布的负荷样本为输入进行潮流计算。结果表明所提方法计算精度高,计算时间短。