基于改进堆叠去噪自编码的接地故障选线方法

针对小电流接地系统单相接地故障时受噪声干扰、故障类型和数据样本数量等影响造成选线精度低的问题,提出一种基于改进堆叠去噪自编码的选线方法。根据故障零序电流分布特征,提出信号-图像转换的预处理方法以在无须预定义参数的情况下提取原始故障信号的二维特征;通过常数项惩罚样本之间度量距离并作为正则化项限制目标函数的方法改进堆叠去噪自编码网络,提高模型特征学习性能并减少模型训练所需样本数量;通过改进模型实现故障特征自动提取与选线。仿真实验验证了该方法在不同单相接地故障条件下的有效性,并且选线精度高于传统的深度学习方法。

基于贝叶斯优化的SWDAE-LSTM滚动轴承早期故障预测方法研究

针对滚动轴承的早期故障特征较弱,在强噪声背景下难以有效提取以致生命周期很难准确预测的问题,提出了一种基于贝叶斯优化(BO)的滑动窗堆叠去噪自编码器(SWDAE)和长短期记忆(LSTM)网络的早期故障预测模型。使用滑动窗算法保留具有非线性特征和时序特征的历史正常数据,输入到模型中进行训练,使模型学习滚动轴承的正常运行状态趋势。将滚动轴承运行的数据输入到训练好的SWDAE-LSTM模型中进行实时在线监控,利用模型的预测值与真实值的残差检测滚动轴承早期故障。针对模型超参数组合选择困难的问题,使用贝叶斯优化算法对模型的超参数进行调优。最后,使用美国辛辛那提大学智能维护中心(IMSCenter)的轴承全生命周期数据以及机械故障综合模拟实验装置获取的数据进行仿真实验验证。结果表明,使用贝叶斯优化算法进行智能调参的模型和基于时域指标的方法对比,可以更早的有效检测出滚动轴承的早期故障并具有很强的鲁棒性。与其余深度学习方法比较,其模型的诊断准确率高于其他方法,进一步证明了其有效性和可靠性。

基于SDAE-SVM的压力机轴承故障诊断方法

针对压力机轴承故障类型多、故障特征难以提取等问题,提出了一种基于堆叠去噪自编码网络(SDAE)与支持向量机(SVM)的压力机轴承故障诊断方法。该方法首先通过堆叠多层去噪自编码器构成深度网络模型,用无监督的方法训练每一层网络并在原始数据中加入噪声以得到更加稳健的特征表达,然后通过反向传播(BP)神经网络进行有监督的学习,对整个网络参数进行微调优化得到更接近样本分布的网络模型,最后利用SVM分类器对故障进行识别分类。实验中所提出的基于SDAE-SVM的故障诊断方法的故障识别准确率高达98%,表明该方法能有效提高压力机轴承的故障识别精度。