检索结果-南通市图书馆

基于格拉姆角场和卷积神经网络的船用发电柴油机故障诊断（英文）

在线全文

学校读者我要写书评

暂无评论

Journal of Zhejiang University-Science A(Applied Physics & Engineering) 2024年第6期25卷 470-482页

作者：李从跃胡以怀蒋佳炜崔德馨上海海事大学商船学院上海电子信息职业技术学院机械与能源工程学院

目的：船用发电柴油机工作环境恶劣，在内外多激励源的干扰下，振动信号呈现非线性非平稳性的特点。本文旨在对船舶发电柴油机的振动信号进行有效特征提取并准确识别故障类型。同时，研究所提方法的有效性，以提高船舶发电柴油机的故障... 详细信息

目的：船用发电柴油机工作环境恶劣，在内外多激励源的干扰下，振动信号呈现非线性非平稳性的特点。本文旨在对船舶发电柴油机的振动信号进行有效特征提取并准确识别故障类型。同时，研究所提方法的有效性，以提高船舶发电柴油机的故障诊断精度。创新点：1.一维振动信号可通过格拉姆角场转换为二维图像；一维振动信号可以映射到二维图像的颜色、点、线和其他特征；为充分利用故障特征信息，将格拉姆角和场和格拉姆角差场获得的图像进行加权平均融合。2.利用多注意力机制来优化卷积神经网络学习机制，使网络有选择地提取信号中的关键特征信息。方法：1.对船舶发电柴油机的气阀间隙进行故障预设，采集柴油机不同健康状态振动信号。2.将振动信号转化为二维图像，并将格拉姆角和场和格拉姆角差场获得的图像进行加权平均融合，以充分利用原信号中的故障特征信息。3.将融合后的图像输入到卷积神经网络中进行自适应特征提取和故障识别。结论：1.所提方法可准确识别故障类型，平均诊断精度可达98.40%；与其他方法相比，所提方法具有更高的故障诊断精度。2.在不同信噪比下，所提方法与无注意力机制方法相比，准确精度可提高14.80%。3.融合后的图像可为神经网络提供更充足的特征信息，因此具有更高的故障识别精度。4.变负荷实验中，所提方法的准确率均保持在89.00%以上，进一步验证了所提方法的稳定性。

关键词：多注意力机制卷积神经网路格拉姆角场图像融合船舶发电柴油机故障诊断

基于格拉姆角场与ResNet的输电线路故障辨识方法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

电力系统保护与控制 2024年第10期52卷 95-104页

作者：赵启王建林丰恺陈军南东亮欧阳金鑫国网新疆电力有限公司电力科学研究院新疆乌鲁木齐830011 新疆电力系统全过程仿真重点实验室新疆乌鲁木齐830011 重庆大学输变电装备技术全国重点实验室重庆400044

针对如何利用实际故障录波数据,提取和放大故障特征差异,开展故障类型与故障原因辨识的问题,提出了基于格拉姆角场与迁移学习-ResNet的输电线路故障辨识方法。首先,统计分析了输电线路故障类型和故障原因的分布特征,用于指导构建适用于... 详细信息

针对如何利用实际故障录波数据,提取和放大故障特征差异,开展故障类型与故障原因辨识的问题,提出了基于格拉姆角场与迁移学习-ResNet的输电线路故障辨识方法。首先,统计分析了输电线路故障类型和故障原因的分布特征,用于指导构建适用于类不平衡问题的故障分类器。然后,利用格拉姆角场变换将采集得到的故障电压、电流时序信号转化为格拉姆角场图像,放大故障特征差异,作为故障分类器的输入。进一步,将生成的图像集输入搭建好的故障分类器进行网络训练和测试,输出输电线路故障类型和故障原因。最后,完全采用真实故障录波数据开展了算例分析。结果表明:所提方法对故障类型的辨识准确率达到了97.51%,对故障原因的辨识准确率达到了94.23%。并且将训练的故障辨识网络迁移至其他地区时,仍然具有较好的故障辨识效果和泛化性能。所提方法为基于暂态波形数据驱动的故障辨识提供了新方法,可以用于实际电网的输电线路故障辨识。

关键词：输电线路故障辨识格拉姆角场残差神经网络迁移学习

基于格拉姆角场与深度卷积生成对抗网络的行星齿轮箱故障诊断

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

噪声与振动控制 2024年第1期44卷 111-118页

作者：古莹奎石昌武陈家芳江西理工大学机电工程学院江西赣州341000

针对行星齿轮箱故障诊断中样本分布不均衡所引起的模型泛化能力差及诊断精度低等问题,采用格拉姆角场图像编码技术和深度卷积生成对抗网络相结合进行数据增强,融合AlexNet卷积神经网络进行故障诊断。将采集到的一维振动信号转化为格拉... 详细信息

针对行星齿轮箱故障诊断中样本分布不均衡所引起的模型泛化能力差及诊断精度低等问题,采用格拉姆角场图像编码技术和深度卷积生成对抗网络相结合进行数据增强,融合AlexNet卷积神经网络进行故障诊断。将采集到的一维振动信号转化为格拉姆角场图,按比例划分训练集与测试集,将训练集样本与随机向量输入到深度卷积生成对抗网络模型中,交替训练生成器与判别器,达到纳什平衡,生成与原始样本类似的生成样本,从而实现故障样本的增广。用原始样本与生成的增广样本训练卷积神经网络分类模型,完成行星齿轮箱的故障识别。实验结果表明,所提方法能够有效提升样本不均衡条件下的行星齿轮箱故障诊断精度,使之达到99.15%,且能使收敛速度更快。

关键词：故障诊断格拉姆角场深度卷积生成对抗网络卷积神经网络行星齿轮箱

基于格拉姆角场和PSO-CNN的滚动轴承故障诊断方法

在线全文

学校读者我要写书评

暂无评论

兵器装备工程学报 2024年第4期45卷 301-308页

作者：张国栋尹强羊柳南京理工大学机械工程学院南京210094

针对卷积神经网络的结构对滚动轴承故障诊断精度有较大影响的问题,提出一种基于格拉姆角场和粒子群优化卷积神经网络结构的故障诊断方法。采用格拉姆角场对一维轴承振动数据重构,保留原始数据信息的同时包含了时间相关性;采用粒子群优... 详细信息

针对卷积神经网络的结构对滚动轴承故障诊断精度有较大影响的问题,提出一种基于格拉姆角场和粒子群优化卷积神经网络结构的故障诊断方法。采用格拉姆角场对一维轴承振动数据重构,保留原始数据信息的同时包含了时间相关性;采用粒子群优化算法对编码后的卷积神经网络结构迭代寻优。利用西储大学的轴承数据集进行试验验证,试验结果表明,该方法可自适应生成网络结构,平均诊断精度为99%,相对于其他主流卷积神经网络结构可以获得更好的故障诊断精度。

关键词：格拉姆角场粒子群优化算法卷积神经网络滚动轴承故障诊断

基于图卷积神经网络和格拉姆角场的电能质量扰动分类

在线全文

学校读者我要写书评

暂无评论

电气传动 2024年第3期54卷 84-90页

作者：黄光磊田启东林志贤郑炜楠徐特李冰然深圳供电局有限公司广东深圳310030 国家电网江苏省电力有限公司江苏苏州215000

由于新能源系统的广泛加入,系统中的电能质量扰动数量和种类也相应增加,而传统电能质量扰动(PQD)分类方法存在准确率和效率不高的问题,难以适应现有包含高新能源渗透率的电力系统的电能质量管理。因此,提出了一种基于图卷积神经网络(GCN... 详细信息

由于新能源系统的广泛加入,系统中的电能质量扰动数量和种类也相应增加,而传统电能质量扰动(PQD)分类方法存在准确率和效率不高的问题,难以适应现有包含高新能源渗透率的电力系统的电能质量管理。因此,提出了一种基于图卷积神经网络(GCNNs)和格拉姆角场(GAF)的电能质量扰动分类方法。首先,对原始的PQD信号进行归一化和极坐标转化处理;然后采用GAF对不同种类的PQD一维信号进行图形化转换,生成包含不同PQD特征的二维图片;最后,采用GCNNs对不同种类的PQD图片进行训练和分类,实现不同PQD的分类。实验部分采用IEEE-39节点系统仿真并模拟不同种类的PQD曲线,对所提方法进行验证。实验结果表明,所提方法可以自动地进行特征的提取和优化,满足PQD识别和分类的高效性和准确性。

关键词：电能质量扰动图卷积神经网络格拉姆角场扰动分类

基于格拉姆角场变换和深度压缩模型的变压器故障识别方法

在线全文

学校读者我要写书评

暂无评论

电网技术 2023年第4期47卷 1478-1489页

作者：刘志坚何蔚刘航谢静陶韵旭张德春昆明理工大学电力工程学院云南省昆明市650000

提出了一种基于格拉姆角场和深度压缩模型的变压器故障识别方法。针对故障样本稀缺和VGG(visual geometry group)网络一般不能直接读取一维数据的问题,首先提出了格拉姆角场变换方法将一维故障样本转换为三维特征图像,并使用数据增强方... 详细信息

提出了一种基于格拉姆角场和深度压缩模型的变压器故障识别方法。针对故障样本稀缺和VGG(visual geometry group)网络一般不能直接读取一维数据的问题,首先提出了格拉姆角场变换方法将一维故障样本转换为三维特征图像,并使用数据增强方法进行样本扩充,使其满足故障识别方法的输入需求。进一步,针对VGG网络层数深、参数多以及结构复杂的缺点,提出了一种改进深度压缩模型。使用NiNNet(network in network)网络的全局平均池化层替换VGG网络的全连接层,减少VGG末端网络的层数和参数规模;提出了一种结构化剪枝方法对VGG网络的多层卷积核进行剪枝,进一步减少VGG前端网络的参数规模,实现网络的深度压缩。由变压器油色谱故障数据上开展的数值实验和性能评估结果表明,所提方法在不损失变压器故障识别结果精度的前提下实现了VGG网络的深度压缩和结构简化:此外,深度压缩模型能够有效降低模型存储所需的存储空间和运行所需的计算资源,使其能够应用于体积小、功耗低的边缘计算平台。

关键词：变压器故障识别格拉姆角场深度学习深度压缩模型

基于格拉姆角场与改进CNN-ResNet的风电功率预测方法

在线全文

学校读者我要写书评

暂无评论

电网技术 2023年第4期47卷 1540-1547页

作者：张淑清杜灵韵王册浩姜安琦徐丽华教育部智能控制系统与智能装备工程研究中心(燕山大学) 河北省秦皇岛市066004 国网冀北电力有限公司唐山供电公司河北省唐山市063000

风电输出功率的不确定性给电力系统的调度带来了较大的困难,因此准确地预测风电功率变化显得尤为重要。受近些年图像处理蓬勃发展的影响,若将时间序列编码为二维图像,能够让神经网络从“视觉上”对数据进行识别和学习,一定程度上能提高... 详细信息

风电输出功率的不确定性给电力系统的调度带来了较大的困难,因此准确地预测风电功率变化显得尤为重要。受近些年图像处理蓬勃发展的影响,若将时间序列编码为二维图像,能够让神经网络从“视觉上”对数据进行识别和学习,一定程度上能提高分类和计算方法的准确度。因此,提出了一种基于格拉姆角场(Gramian angular fields,GAF)与卷积神经网络–残差网络(convolutional neural network-residual neural network,CNN-Res Net)的预测风电功率的方法。首先,利用GAF将一维历史风电功率数据转换为二维图像,经过CNN提取时间序列的相关性和特征,再利用Res Net提取与风电功率相关的其他相关数据的特征,在增加网络深度的同时解决退化问题,以提高预测的准确度。然后,将两种网络融合,构建双输入网络结构。最后,将该方法应用在宁夏麻黄山第一风电场和西班牙加利西亚风电场数据集上,通过与Res Net、CNN-MLP(muti-layer perception)、门控循环单元、反向传播算法、长短期记忆网络和Bi LSTM(bi-directional long-short term memory)网络模型相比,所提出的GAF与改进CNN-Res Net的预测方法误差更小、预测准确度更高,从而为风电功率预测提供了新思路。

关键词：风电功率预测格拉姆角场卷积神经网络残差网络 CNN-ResNet 网络融合

融合格拉姆角场的深度特征学习在痕量气体浓度识别中的应用研究

在线全文

学校读者我要写书评

暂无评论

电力系统保护与控制 2023年第15期51卷 55-65页

作者：齐胜单海鸥罗林曹宇鹏辽宁石油化工大学辽宁抚顺113001 国网冀北电力有限公司北京100054

针对气体绝缘金属封闭式组合电器(gas insulated switchgear,GIS)设备中痕量气体紫外分析光谱信号易出现吸收峰重叠的问题,提出了一种结合格拉姆角场(Gram's angle field,GAF)和VGG16改进模型的多组分痕量气体的定量检测方法。首先利用... 详细信息

针对气体绝缘金属封闭式组合电器(gas insulated switchgear,GIS)设备中痕量气体紫外分析光谱信号易出现吸收峰重叠的问题,提出了一种结合格拉姆角场(Gram's angle field,GAF)和VGG16改进模型的多组分痕量气体的定量检测方法。首先利用GAF将一维紫外光谱信号转换为时序图像,将光谱信号映射为具有丰富特征信息的图像形式,从而提升原始光谱信号的特征表达能力。其次将GAF特征图输入到VGG16改进模型中,实现痕量气体浓度的特征识别。最后通过不同浓度下采集到的CS2、SO2和H2S的单组分气体和混合气体,与卷积神经网络(convolutional neural network,CNN)、VGG16和SDP_VGG16等模型进行对比实验,并结合受试者工作特征曲线下面积(area under the curve,AUC)进行验证。结果表明,该方法可以有效地检测出SF6分解所产生的CS2、SO2和H2S痕量气体,是一种行之有效的特征提取方法。

关键词：气体绝缘金属封闭式组合电器痕量气体格拉姆角场 VGG16改进模型受试者工作特征曲线下面积

基于格拉姆角场和迁移深度残差神经网络的滚动轴承故障诊断

在线全文

学校读者我要写书评

暂无评论

振动与冲击 2022年第21期41卷 228-237页

作者：古莹奎吴宽李成江西理工大学机电工程学院江西赣州341000

针对应用传统卷积神经网络进行故障诊断时存在的过拟合现象及传统灰度图编码存在的时间信息损失等问题,提出一种基于格拉姆角场图像编码和迁移深度残差神经网络相结合的滚动轴承故障诊断方法。依据格拉姆角场图像编码方法对时间序列编... 详细信息

针对应用传统卷积神经网络进行故障诊断时存在的过拟合现象及传统灰度图编码存在的时间信息损失等问题,提出一种基于格拉姆角场图像编码和迁移深度残差神经网络相结合的滚动轴承故障诊断方法。依据格拉姆角场图像编码方法对时间序列编码映射的唯一性,将原始振动信号转化为格拉姆角差场图和格拉姆角和场图,并将在ImageNet上预训练好的ResNet18模型参数,迁移到以格拉姆角场图作为输入的ResNet18中,进行不同故障模式下格拉姆角场图的特征提取和分类,从而达到故障诊断的目的。分析结果表明,所提方法相比于传统灰度图编码,更能突出不同故障模式的内在特征,与传统卷积神经网络模型相比,提出的方法具有更高的识别精度,达到99.30%,且具有更快的收敛速度和更强的鲁棒性。

关键词：格拉姆角场图像编码迁移深度残差神经网络滚动轴承故障诊断