基于改进变分模态分解和优化堆叠降噪自编码器的轴承故障诊断

针对滚动轴承在噪声干扰下故障特征难以提取的问题,提出一种改进变分模态分解(VMD)和复合缩放排列熵(CZPE)的特征提取新方法,并利用优化堆叠降噪自编码器(SDAE)进行故障分类。首先,提出由“余弦相似度—峭度—包络熵”新综合评价指标自适应优化分解参数的改进VMD方法,并通过该指标筛选分解后的本征模态函数(IMF)分量;然后,为提取更全面的故障特征,引入新的复合缩放排列熵对各有效IMF的故障特征进行量化;最后,提出一种基于鼠群优化算法(RSO)与麻雀搜索算法(SSA)的混合算法优化SDAE网络超参数,将故障特征输入优化后SDAE网络中得到分类结果。采用美国CWRU轴承数据集进行验证,实验结果表明该方法能全面稳定地提取背景噪声下的故障特征,且与其他方法相比具有更好的抗噪性能和更高的故障诊断准确率。

基于代价敏感堆叠变分自动编码器的暂态稳定评估方法

机器学习算法在训练过程中,难免会遇到样本不平衡的情况,同时,对于电力系统来说稳定样本与不稳定样本的误分类代价是不同的,因此提出一种基于代价敏感堆叠变分自动编码器(stacked variational auto-encoder,SVAE)的电力系统暂态稳定评估方法。在模型训练过程中,通过改变误分类结果对模型参数调整的权重系数,修正了判别模型在不平衡样本训练过程中的倾向性,并提高了模型全局准确率。在此基础上,进一步提高不稳定样本的权重系数,有效加强了模型对不稳定样本的拟合程度,降低了不稳定样本的误判情况。在IEEE-39节点系统下的仿真结果说明,在不平衡样本情况下,所提方法可以改善判别结果的倾向性;在平衡样本情况下,通过误分类代价的设定可以有效降低不稳定样本的误判情况。

基于堆叠变分自动编码器的电力系统暂态稳定评估方法

通过模型的构建和特征量的提取2个方面,提出了一种具有较好抗噪能力的暂态稳定性判别模型。模型的构建采用堆叠变分自动编码器,并在训练过程中引入L2正则化,加强了稳定性判别模型的泛化能力。同时,特征量的提取时刻与传统方法不同,通过设定所有发电机最大功角差值的阈值,当系统发展至该阈值时,进行特征量的提取。在IEEE 39节点系统中进行仿真验证,仿真结果表明,采用上述特征量提取方法,大幅降低了稳定性判别模型的误判率,同时设定合理的阈值并不会影响实时控制措施的启动,加强了模型的抗噪能力。

基于SDAE-PSOSVM的航空变压整流器故障诊断方法研究

针对不同故障模式下航空变压整流器二极管故障特征相似程度高导致不易区分的问题,提出一种基于堆叠降噪自动编码器(stacked denoising auto encoder,SDAE)与粒子群优化支持向量机(partical swarm optimization support vector machine,PSOSVM)相结合的故障诊断方法.首先搭建航空变压整流器仿真模型,通过对不同故障模式进行仿真,获取故障数据;然后运用SDAE方法对高维故障信号进行故障特征提取,建立故障特征集;最后采用PSOSVM方法进行故障诊断,并且与常用的故障诊断方法进行对比分析.诊断结果表明SDAE-PSOSVM故障诊断方法准确性达到96%,可以对高维故障数据信号进行特征提取,提高不同故障模式之间的区分度.

基于CEEMDAN-HT和SAE的直流故障电弧诊断方法研究

为了解决直流系统中工况变动及负载变更条件下造成的故障电弧识别准确率低的问题,提出了一种基于自适应噪声的完全集合经验模态分解-希尔伯特(complete ensemble empirical mode decomposition with adaptive noise-Hilbert transform,CEEMDAN-HT)包络谱和堆叠自编码器(stacking automatic encoder,SAE)的直流串联故障电弧诊断方法。首先参考雄安高铁站区直流系统典型负载搭建含混合负载的直流串联故障电弧实验平台,采集多工况下的电流信号并建立故障电弧数据库。其次采用CEEMDAN对原始信号进行分解得到多个固有模态函数(intrinsic mode function,IMF),然后进行HT变换(Hilbert transform)分析包络谱,组成首尾相接的高维特征样本,最后将样本输入SAE模型中学习特征,实现变负载下的直流故障电弧识别。实验结果表明:该方法能够很好地发挥CEEMDAN-HT从原始信号中提取故障电弧特征和SAE无监督学习的能力,不需要人工设置阈值即可准确识别故障电弧并进行负载分类,平均准确率可达98.9%。

基于DVMD和SSAE的柴油机混合故障诊断

针对柴油机缸盖振动信号非平稳非线性的特点,提出一种基于散布熵改进的变分模态分解(DVMD)和堆叠稀疏自编码器(SSAE)相结合的柴油机混合故障诊断方法。利用散布熵确定变分模态分解的层数K,并根据散布熵转折点选取有效模态分量。分别对选取的各模态分量提取常用14个时域特征和小波包分解后的能量特征,构建混合多特征向量,输入基于堆叠稀疏自编码器和Softmax层构建的深度神经网络(DNN)中,实现了柴油机7种混合故障模式识别。与其他常见方法进行对比,结果表明该方法能够有效提取故障特征,具有较高的诊断准确率。