基于改进深度残差网络的GIS局部放电在线监测白噪声干扰抑制

针对GIS局部放电(partial discharge,PD)监测中背景白噪声较多、GIS局部放电信号干扰较大的问题,应用改进深度残差网络设计一种新的GIS局部放电在线监测白噪声干扰抑制方法。进行局部放电在线监测中白噪声、局部放电脉冲信号的多尺度特性分析,在局部放电脉冲染噪信号中提取白噪声信号。加入感知损失,设计由生成图像网络与损失网络构成的改进深度残差网络,对白噪声信号波形图像实施超分辨率重建。通过SN-EMD算法提取白噪声信号波形图像的模态域特征。通过构建复小波滤波器组,对模态域特征实施滤波处理,实现GIS局部放电在线监测中的白噪声干扰抑制。实验测试结果表明,设计方法去噪后的信噪比最高可达97.22 dB,干扰抑制前后信号的幅值相对误差最高可达63.20 dB,干扰抑制前后信号相关系数一直大于0.75,完成GIS局部放电在线监测白噪声干扰抑制。

基于改进深度残差网络的旋转机械故障诊断

针对旋转机械工况复杂多变、有标签样本不足而导致的故障特征提取困难等问题,提出了一种用于旋转机械故障诊断的改进深度残差网络(improved deep residual network,IDRN)。首先,采集旋转机械一维振动信号进行数据预处理;然后,在深度残差网络的基础上引入了长短时记忆(long short-term memory,LSTM)网络,其中,LSTM网络可以有效捕捉故障的时序信息;在残差块中引入Dropout层提高了故障诊断的精度和收敛速度;最后在轴承与齿轮数据集上验证本文提出方法的有效性。实验结果表明,该方法在堆叠多层网络模型时,没有出现明显的网络退化现象,与当前广泛使用的几种诊断方法进行对比实验,表现出了较高的平均诊断精度和良好的适用性。

基于改进深度残差收缩网络的风电机组滚动轴承故障诊断方法

滚动轴承是风电机组关键部件,其运行工况复杂,故障类型难以准确识别。针对传统深度神经网络在强噪声环境下特征学习能力不足的问题,提出一种基于稠密连接模块的改进深度残差收缩网络(Deep residual shrinkage network based on dense block,DB-DRSN),实现强噪声、不同负载工况下滚动轴承故障的高效诊断。首先,将添加不同等级噪声的振动信号间隔采样并矩阵化,构建二维灰度图作为输入样本。然后,基于Dense block构造稠密连接残差收缩模块层(Residual shrinkage block unit based on dense block,DB-RSBU),利用Bottleneck层替代残差收缩模块中的卷积隐层,并加入Concat连接,达到对浅层和深层特征的充分利用。在每次稠密连接后通过1×1卷积进行降维,利用注意力模块和软阈值对逐通道特征赋不同阈值并降噪。最后,输入样本经过卷积池化层和DB-RSBU层堆叠的网络得到分类结果。试验表明,DB-DRSN模型在CWRU与PU滚动轴承数据集上不同噪声等级下的平均诊断准确率分别达到99.80%和96.44%,相比其他模型有更高的准确率、更快的收敛速度和更强的抗干扰能力。引入稠密连接核心思想对网络结构的改进可为基于数据驱动的风电机组滚动轴承故障诊断方法提供新思路。

小波包分解和改进ResNet行星齿轮箱故障诊断方法

针对行星齿轮箱中故障诊断信号存在的类内离散大和类间相似的问题,提出识别技术改进深度残差网络(IResNet)和小波包分解(WPD)模型。行星齿轮箱振动信号进行小波包频段分解后,振动信号的故障类型和各个频段的能量熵分布有一定关联。筛选最优解得结果进行振动信号的重构,作为样本。使用改进深度残差网络,在网络拥有残差结构的基础上,通过使用紧凑卷积(CompConv)模块替换卷积模块,并减少网络深度,使网络模型变得轻量化。在网络中加入自注意力机制,进一步提高网络的准确率。使用WPD-IResNet网络模型进行10次实验,故障诊断准确率平均值为99.1%。

特高压直流换流阀饱和电抗器振动声纹特性与松动程度声纹检测方法

饱和电抗器作为特高压直流换流阀的核心装备,运行中产生的振动声音包含大量的信息,其状态评估对换流阀的安全运行具有重要意义。该文提出一种基于优化S变换和改进深度残差收缩网络的饱和电抗器铁心松动程度声纹识别模型。首先开展了高频脉冲激励下的饱和电抗器振动试验,并测量了不同铁心松动程度下的声纹信号;其次在声信号频谱主值区间内,根据能量聚集性优化高斯窗参数来提高声纹图谱的时频分辨率;然后对松动后的声纹特性进行分析,发现高低频比和低频分量主频占比两个特征指标仅能对松动程度较高的状态做出预警;最后采用五个不同方位测点的铁心松动数据代入基于自适应参数修正线性单元的改进深度残差收缩网络中进行训练,来消除声纹图中的冗余信息,并对不同松动程度下的特征进行独立映射,从而增强共同特征的学习能力。研究结果表明,该文模型对电抗器不同铁心松动程度的平均识别准确率达到95.93%,优于传统深度学习算法,可为饱和电抗器在线监测提供重要依据。

基于FNER性能退化指标及IDRSN的滚动轴承寿命状态识别方法

针对滚动轴承退化性能难以评估、寿命状态难以识别的问题,提出一种基于特征噪声能量比(Feature-to-noise energy ratio,FNER)指标及改进深度残差收缩网络(Improved deep residual shrinkage network,IDRSN)的滚动轴承寿命状态识别新方法。首先,将全寿命轴承信号进行希尔伯特(Hilbert)变换和快速傅里叶变换(Fast fourier transform,FFT)得到包络谱,根据故障特征频率及其倍频计算包络谱幅值的特征能量比(Feature energy ratio,FER);然后,根据自相关函数(Autocorrelation function,AF)得到包络信号的总能量,将故障特征能量和噪声能量的比值作为轴承性能退化指标,之后按照FNER指标曲线划分轴承寿命状态和实现样本标签化;随后,使用标签化样本训练引入了密集连接网络的IDRSN得到轴承寿命状态识别模型。为了提高抗干扰能力,将DropBlock层引入第一个大型卷积内核,在全局平均池化之前引入Dropout技术。最后,运用两个滚动轴承全寿命周期数据集验证FNER指标和IDRSN模型的实用性和有效性,结果表明所提方法能更准确地实现滚动轴承寿命状态识别。