基于GAF-CNN的机组振动信号特征提取方法研究

随着水电机组运行时间增长,机组运行数据不断增加,在机组健康状态识别过程中存在着健康样本过多、特征参数不明显等问题。本文结合格拉姆角场(GAF)与卷积神经网络(CNN)在特征表达与提取方面的优势,对水电机组健康运行数据进行处理。通过格拉姆角场将机组振动信号进行编码并生成相应特征图像,进而将其输入至卷积神经网络(CNN)模型以达到特征提取及分类的目的。使用仿真数据与机组实测数据,将GAF-CNN模型与传统长短期记忆(LSTM)网络模型进行对比,结果表明,GAF-CNN模型的特征提取方法具有更高的准确度与鲁棒性,在面对更长时间序列数据时依然能保持良好的准确度与抗噪性能,为水电机组健康评估模型性能提升提供数据基础。

基于双通道GAF和深度残差网络的电能质量复合扰动识别

针对传统电能质量扰动(power quality disturbances,PQDs)识别过程中存在的信号特征提取复杂、算法识别能力不足和复合扰动区分困难等问题,提出了一种利用格拉姆角场(Gramain angular fields,GAF)和深度残差网络(residual network,ResNet)进行复合扰动识别的方法。首先对一维时间序列PQDs信号进行标准化与极坐标编码,然后采用双通道GAF方法保留信号时序特征并映射成为二维图像,形成信息充足、特征明显的双通道图像训练集,在此基础上利用ResNet进行深层次的特征提取,构造适用于复合PQDs分类的网络框架。仿真实验表明该方法特征提取能力强,且抗噪性能好,并且对复合扰动识别率高。

基于二维图像和CNN-BiGRU网络的滚动轴承故障模式识别

为确保对滚动轴承故障诊断的有效性,结合卷积神经网络(CNN)在图像特征提取与分类识别的优势,利用格拉姆角场(GAF)将滚动轴承一维振动信号转换为二维图像数据,既保留了信号完整的信息,也保持着信号对于时间的依赖性。并由此提出基于卷积神经网络与双向门控循环单元(BiGRU)的诊断模型。首先将二维图像作为模型的输入数据,通过卷积神经网络提取图像的空间特征,再由双向门控循环单元筛选其时间特征,最终由分类器完成模式识别。通过对滚动轴承不同故障程度以及不同故障位置的诊断试验,准确率分别达到99.63%以及99.28%,其效果均优于其他常用算法,证明了所提方法的可行性。

基于GADF-CNN的滚动轴承故障诊断方法

针对一维信号作为卷积神经网络输入时无法充分利用数据间的相关信息的问题,提出GADF-CNN的轴承故障诊断模型。利用格拉姆角差域(GADF)对采集到的振动信号进行编码,可以很容易地进行角度透视,从而识别出不同时间间隔内的时间相关性并生产相应特征图,之后将其输入卷积神经网络(CNN)自适应的完成滚动轴承故障特征的提取与分类。为了验证模型性能,采用凯斯西储大学轴承数据集进行轴承故障诊断分析,同时引入常见神经网络作为对比,检验不同模型的分类性能。结果表明,相较于其他图像编码方式与神经网络,该模型在载荷变化以及噪声污染时,仍保持了良好的诊断性能。