检索结果-内蒙古大学图书馆

电力系统保护与控制 2022年第10期50卷 1-10页

作者：李东东赵阳赵耀蒋海涛上海电力大学电气工程学院上海200090

行星齿轮箱是风电机组中的重要部件,对风电机组的安全可靠运行具有重要意义。为此,提出一种基于深度特征融合网络的行星齿轮箱故障诊断方法,用于实现变速工况、样本不足和强噪声场景下的故障诊断。首先将原始信号扩展到多个特征域。其... 详细信息

行星齿轮箱是风电机组中的重要部件,对风电机组的安全可靠运行具有重要意义。为此,提出一种基于深度特征融合网络的行星齿轮箱故障诊断方法,用于实现变速工况、样本不足和强噪声场景下的故障诊断。首先将原始信号扩展到多个特征域。其次利用多维堆栈稀疏自编码器提取各域特征。最后针对传统Softmax分类器对融合信息分类能力不足的问题,提出基于竞争粒子群算法优化的回声状态网络进行特征融合并输出诊断结果。经多场景不同故障诊断方法对比实验,所提方法在行星齿轮箱变速工况下分类效果良好,并对训练样本的减少和外界噪声有很强的鲁棒性。

关键词：行星齿轮箱故障诊断多场景深度学习堆栈稀疏自编码器回声状态网络深度特征融合网络

来源：评论

学校读者我要写书评

暂无评论

基于深度神经网络的液压泵泄漏状态识别

引用

仪器仪表学报 2020年第4期41卷 86-94页

作者：陈里里何颖董绍江重庆交通大学机电与车辆工程学院重庆400074 重庆市勘测院重庆401121

针对液压信号的高度复杂性以及难以识别的特点,构建了一种基于堆栈稀疏自编码器和Softmax的深度神经网络来对液压泵泄漏状态进行识别。利用小波变换和希尔伯特-黄变换提取液压信号的低维特征,并输入深度神经网络。通过堆栈稀疏自编码器... 详细信息

针对液压信号的高度复杂性以及难以识别的特点,构建了一种基于堆栈稀疏自编码器和Softmax的深度神经网络来对液压泵泄漏状态进行识别。利用小波变换和希尔伯特-黄变换提取液压信号的低维特征,并输入深度神经网络。通过堆栈稀疏自编码器的逐层学习对特征进行优化并提取出高维特征,然后使用Softmax进行识别。实验结果表明,堆栈稀疏自编码器能够有效地提取液压泵泄漏状态的高维特征,构建的深度神经网络可有效地识别液压泵泄漏状态,识别精度达到了97.6%。此外与支持向量机、极限学习机、卷积神经网络以及长短期记忆网络相比,深度神经网络具有更好的识别效果。

关键词：液压泵泄漏堆栈稀疏自编码器深度神经网络

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的地空导弹发射区拟合算法

引用

航空学报 2019年第9期40卷 232-245页

作者：高晓光李新宇岳勐琪张金辉赵利强吴高峰李飞西北工业大学电子信息学院西安710072 航空工业洛阳电光设备研究所洛阳471000 中国空空导弹研究院洛阳471009

目前地空导弹发射区的拟合算法主要是多项式拟合法和BP神经网络拟合法。多项式拟合法存在函数形式难以确定、函数范围不易分段等问题,且拟合精度较低;传统神经网络方法要想达到较高精度,需要大量的隐层节点,且在隐层节点数增加到一定程... 详细信息

目前地空导弹发射区的拟合算法主要是多项式拟合法和BP神经网络拟合法。多项式拟合法存在函数形式难以确定、函数范围不易分段等问题,且拟合精度较低;传统神经网络方法要想达到较高精度,需要大量的隐层节点,且在隐层节点数增加到一定程度后,训练变得十分困难且精度很难继续提高。同时,传统神经网络需要大量的标签数据,进一步增大了实际应用的难度。为此,基于深度学习理论,设计了一种基于堆栈稀疏自编码器(SSAE)的深度拟合网络(DFN),并给出了相应的训练策略。仿真实验表明其相比传统算法具有更小的拟合误差优势。所设计的深度稀疏自编码器网络可以克服多项式拟合和传统神经网络的不足,不仅可以在大量无标签数据和少量标签数据条件下进行学习训练,而且可以进一步提升地空导弹发射区的拟合精度。

关键词：地空导弹发射区神经网络深度学习堆栈稀疏自编码器深度拟合网络

来源：评论

学校读者我要写书评

暂无评论

深度学习在电机故障诊断中的应用研究

引用

计算机仿真 2019年第10期36卷 423-428页

作者：王惠中贺珂珂房理想兰州理工大学电气工程与信息工程学院甘肃兰州730050 甘肃省工业过程先进控制重点实验室甘肃兰州730050

针对电机故障诊断采用传统神经网络易陷入局部极小值等问题,提出一种新型的特征学习诊断方法.方法通过多个稀疏自编码器的堆叠构建深层次的神经网络,提取故障信号特征,结合Softmax分类器对其进行分类.首先,对故障信号做频域变换,采集频... 详细信息

针对电机故障诊断采用传统神经网络易陷入局部极小值等问题,提出一种新型的特征学习诊断方法.方法通过多个稀疏自编码器的堆叠构建深层次的神经网络,提取故障信号特征,结合Softmax分类器对其进行分类.首先,对故障信号做频域变换,采集频域数据作为输入样本.然后通过逐层贪婪预训练获得神经网络的初始权重,利用反向传播算法进行全局微调,优化神经网络参数.最后,用训练完成的网络识别故障.上述方法提高了诊断的准确率,改善传统方法的不足.通过仿真验证了上述模型的有效性和可行性,且优于传统的支持向量机诊断方法.

关键词：故障诊断深度学习堆栈稀疏自编码器分类器

来源：评论

学校读者我要写书评

暂无评论

基于堆栈稀疏自编码网络的空谱联合高光谱图像分类

基于堆栈稀疏自编码网络的空谱联合高光谱图像分类

引用

作者：万晓青哈尔滨工程大学

学位级别：博士

高光谱遥感技术在包括精细农业、环境监测和军事侦察等众多应用领域都有广泛的应用并占据着重要地位。在应用高光谱数据时,对其分类是图像理解与解译的前提。随着遥感探测技术的发展,光谱分辨率和空间分辨率不断细化,使采集到的高光谱... 详细信息

高光谱遥感技术在包括精细农业、环境监测和军事侦察等众多应用领域都有广泛的应用并占据着重要地位。在应用高光谱数据时,对其分类是图像理解与解译的前提。随着遥感探测技术的发展,光谱分辨率和空间分辨率不断细化,使采集到的高光谱图像包含了丰富的光谱和空间信息,这给高光谱图像分类带来机遇的同时也带来了新的挑战。主要面临的问题包括:数据呈现复杂的非线性特性;标记样本缺乏;噪声干扰;“同谱异物”和“同物异谱”现象。通常,传统的基于光谱信息的分类算法忽略了空间信息的协作作用,在处理这些难题时无法获得较高的分类精度。同时,相比于传统的分类算法,深度学习网络在处理非线性数据和深层信息挖掘等方面展现出巨大的潜力,目前被广泛应用于高光谱图像分类领域。因此,本论文为了降低光谱变异性、自适应挖掘数据的高阶特征以及提取对分类任务具有促进作用的空域特征,分别提出了几种基于堆栈稀疏自编码器的空谱联合高光谱图像分类算法。论文的主要研究内容如下:1、在执行高光谱图像分类任务时,为了解决传统浅层学习模型无法自适应提取高光谱数据的抽象和深层次的有用特征,提出基于堆栈稀疏自编码器和随机森林分类器的高光谱图像分类算法(Stack Sparse Autoencoder and Random Forest,SSARF)。该算法首先利用堆栈稀疏自编码器(Stack Sparse Autoencoder,SSA)自适应从数据中提取抽象和有用的高阶特征,同时利用随机森林(Random Forest,RF)分类器微调整个网络和对获取的高阶特征进行分类。本文将RF引入到SSA模型中,SSA通过刻画数据的内在属性获得了有利于分类任务的高阶特征,同时RF可以很好的折衷模型的泛化能力、预测准确度和操作速度。实验表明,提出的SSARF算法相比于传统的浅层学习模型有能力获得更高的分类精度。2、传统基于光谱信息的分类算法没有考虑空间分辨率对高光谱数据分类精度影响的两面性。事实上,高光谱图像的分类精度取决于类内光谱变异程度和边缘混合像元数目这两个因素的净效应。针对这个问题,本文提出基于尺度扩展和SSARF的空谱分类算法(SU-SSARF)。该算法首先利用立方卷积法获得不同空间分辨率的高光谱图像;然后利用类别可分性准则选取最适宜空间分辨率图像,将获得的每个像元的空间特征和光谱特征进行级联;最后将级联的特征送入到SSARF模型中进行学习和分类。相比初始高光谱图像,获取的最适宜空间分辨率图像中大部分地物之间的类别可分性增强,一定程度上改善了高光谱数据的“同谱异物”和“同物异谱”现象,从而提高了算法的分类精度。3、相比于仅使用单一光谱特征的分类算法,提出的SU-SSARF通过考虑固定窗口内像元的光谱变异性获得了更高的分类精度,但是该算法无法进一步整合邻域窗口内像元的几何邻近性和不能有效解决图像的噪声干扰。针对此问题,提出了一种基于联合双边滤波技术(Joint Bilateral Filtering,JBF)和 SSARF 的空谱分类算法(JBF-SSARF)。该算法首先利用JBF衰减受损图像噪声的同时提取可分性强的空谱特征,然后利用SSARF进行高阶特征学习和分类。实验结果表明JBF-SSARF仅利用单尺度边缘保持滤波特征就能获得比当前一些主流分类算法更高的分类精度。此外,综合考虑多尺度滤波特征对分类任务的积极作用,本文同时提出了基于多尺度自适应引导滤波技术(Multi-scale Adaptive Guided Filtering,MAGF)和 SSARF 的空谱分类算法(MAGF-SSARF)。实验表明多尺度滤波特征的协作作用促进算法获得更高的分类精度。4、在利用反向传播(Backpropagation,BP)算法优化稀疏自编码器(Sparse Autoencoder,SA)的目标函数时,存在收敛速度慢和易于陷入局部极值的不足。此外,现有的一些空谱分类算法忽略了未标记样本的空间结构信息。针对这些问题,本文提出了一种基于改进的SSARF和SUSAN的空谱分类算法(ISSARF-SUSAN)。该算法首先将改进的人工鱼群算法引入到SSARF中,用来解决BP算法对SA的目标函数进行优化时存在的不足;其次利用改进的SSARF模型执行高阶特征学习和分类;然后利用后处理步骤将未标记样本的空间信息整合到初始分类图中,目的是降低初始分类图中的一些错分样本点。最后,本文进一步提出了一种基于多策略融合机制和ISSARF的空谱分类算法(MSF-ISSARF),用来验证提出的ISSARF-SUSAN算法具有很强的可扩展性。结果表明,相比于当前一些主流分类算法,提出的MSF-ISSARF算法在训练样本有限或充足时均获得最高的分类精度。

关键词：高光谱图像分类空谱信息尺度转换边缘保持滤波堆栈稀疏自编码器随机森林分类器

来源：评论

学校读者我要写书评

暂无评论

基于小波分解与深度学习的液压泵泄漏状态识别

引用

组合机床与自动化加工技术 2021年第4期 23-27页

作者：陈军江陈里里王朝宇重庆交通大学机电与车辆工程学院重庆400074 重庆市勘测院重庆400074

针对液压信号高度复杂且难以识别的特点,提出了一种基于堆栈稀疏自编码器(SSAE)与Softmax的深度神经网络(DNN)来对液压泵泄漏状态信号的特征进行优化与识别。对液压泵的压力与流量信号进行5层小波分解,计算5个高频系数与一个低频系数的... 详细信息

针对液压信号高度复杂且难以识别的特点,提出了一种基于堆栈稀疏自编码器(SSAE)与Softmax的深度神经网络(DNN)来对液压泵泄漏状态信号的特征进行优化与识别。对液压泵的压力与流量信号进行5层小波分解,计算5个高频系数与一个低频系数的样本熵值作为小波特征;融合信号的小波特征与时域特征作为低阶特征,输入构建的深度神经网络进行特征优化,学习输出高阶特征,并使用连接的Softmax层完成识别任务。实验结果表明,基于堆栈稀疏自编码器与Softmax构建的深度神经网络能够学习到液压信号的高阶特征,有效完成液压泵不同泄漏状态的识别,识别精度达到99.3%。此外与随机森林与支持向量机相比,该深度神经网络具有更好的识别精度。

关键词：堆栈稀疏自编码器小波变换液压泵泄漏深度神经网络

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的铣刀磨损状态监测方法研究

基于深度学习的铣刀磨损状态监测方法研究

引用

作者：郝佰田大连理工大学

学位级别：硕士

叶轮作为水电、核泵等众多大型设备的关键部件,其加工质量直接影响设备的运行状态和使用寿命,而加工过程中的铣刀磨损直接影响叶轮的加工精度,因此研究加工过程的铣刀磨损状态监测方法具有重大意义。本文提出利用主轴电机电流信号作为... 详细信息

叶轮作为水电、核泵等众多大型设备的关键部件,其加工质量直接影响设备的运行状态和使用寿命,而加工过程中的铣刀磨损直接影响叶轮的加工精度,因此研究加工过程的铣刀磨损状态监测方法具有重大意义。本文提出利用主轴电机电流信号作为监测信号,通过深度学习的方法对铣刀磨损状态进行监测,针对时间序列信号自身特点,提出加入压缩感知技术和格兰姆变换对深度学习网络进行改进。论文主要研究内容如下:(1)充分分析国内外研究现状和现有监测方法的利弊,对刀具磨损机理进行分析,确定刀具磨损监测信号和监测方法,通过理论分析确定电流信号可以反映刀具磨损状态,通过搭建信号采集平台保证信号采集的可行性,设计三种不同性质的试验,分别采集了刀具不同磨损阶段状态数据、刀具全寿命数据和现场实验数据,形成了三个数据集,为后续研究打下基础。(2)利用压缩感知和堆栈稀疏自编码器对电流有效值信号中的铣刀磨损状态信息进行提取。首先,利用压缩感知对电流信号的频域数据进行压缩,其中为提高网络的鲁棒性,对观测信号添加高斯白噪音;然后,将压缩后的数据输入堆栈稀疏自编码网络,网络最后一层连接Softmax分类器,通过半监督学习对诊断模型进行训练,提取输入数据中隐含的表征不同磨损状态的特征信息。(3)针对Softmax分类器对特征数据分类能力的不足,提出利用格兰姆变换将特征数据映射到二维空间,利用层数更深的残差神经网络,进一步提取数据中表征刀具磨损状态的特征数据,利用有监督学习的方法对模型参数进行训练,诊断模型最后一层连接径向基函数,实现刀具磨损预测,依据刀具磨损预警值,给出刀具的可靠性评估。(4)基于LabVIEW搭建铣刀磨损状态在线监测平台,实现刀具磨损状态的在线评估,监测平台通过调用训练好的深度学习网络模型,实现刀具磨损状态的在线监测,同时监测平台,具备电流有效值信号波形显示、存储和简单的离线分析功能,该系统具有界面简单,便于操作的特点。

关键词：铣刀磨损压缩感知堆栈稀疏自编码器格兰姆角场卷积神经网络残差神经网络

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的雷达主瓣有源干扰抑制技术

基于深度学习的雷达主瓣有源干扰抑制技术

引用

作者：杨耀祖哈尔滨工程大学

学位级别：硕士

在复杂的电磁环境下,能否在电子对抗中取得优势对于后续的战术行动乃至占据战场的主导地位都有着关键意义。目前层出不穷的主瓣有源干扰类型既能降低干扰方实施干扰措施的难度,又能有效掩盖真实目标并兼具压制和欺骗的干扰效果。例如噪... 详细信息

在复杂的电磁环境下,能否在电子对抗中取得优势对于后续的战术行动乃至占据战场的主导地位都有着关键意义。目前层出不穷的主瓣有源干扰类型既能降低干扰方实施干扰措施的难度,又能有效掩盖真实目标并兼具压制和欺骗的干扰效果。例如噪声卷积干扰将接收雷达信号直接与噪声做卷积调制使其与雷达信号具备高相干性。在脉冲压缩后噪声卷积干扰能获得与雷达信号相同的增益,因此能降低发射功率且无需频率引导即可对准发射信号的频率。且脉压后真实目标已基本被噪声覆盖。因此通过采取有效的干扰抑制措施是维护己方雷达远离各种干扰威胁使其发挥出有效作战效能的必要条件。从雷达体制、波形设计以及信号层面去分选特征差异是常用的三种传统干扰抑制措施。从雷达体制和波形设计对抗干扰的缺陷是干扰在进入雷达接收机后就无法应对。而从信号层面抑制干扰大都首先对接收信号作较为复杂的预处理变换,再通过变换域上的特征差异进行区分并剔除干扰或是对雷达信号进行重建。面对的干扰是复杂多变的,就需要选取不同的特征构造差异。并且在选取特征或在参数计算中出现偏差都会影响抑制干扰的效果,缺乏灵活性和泛化性。为改善上述问题,本文提出了基于深度学习结合射频特征实现有源干扰抑制。一方面深度学习有着优秀的特征提取能力;另一方面射频特征普遍存在于各硬件设备发射的信号中且与不同调制方式的信号都高度耦合,并由于射频特征具备独一无二的特性,将其作为了区分干扰和雷达信号的依据。提取和利用射频特征是本文干扰抑制的两大板块。由于实际信号既包含了信号本身的特征,也包含了来自于硬件的射频特征,因此构建了一种基于堆栈稀疏自编码器(Stacked Sparse Auto Encoder,SSAE)的双SSAE网络,双SSAE包括了SSAE1和SSAE2。SSAE1是提取雷达发射信号的信号特征,再用提取的信号特征作为标签来辅助和优化SSAE2提取射频特征。在此基础上,建立了基于SSAE的干扰抑制自编码器(JSAE),利用已提取的信号特征和射频特征对接收信号输入至JSAE降维后的特征进行约束。根据射频特征的独有性可滤除干扰,信号特征则是为后续重构信号提供基础,同时借助参考雷达信号对解码器重构的雷达信号进行辅助约束。特征层面是作为主要抑制干扰的方式,信号层面是辅助,通过先滤除与干扰相关的特征,再重构信号。实验结果表明该方法对多种干扰均能有效抑制并滤除,有较好的抑制性能和鲁棒性。最后,为使得在更低信噪比的背景下,仍能取得较好的干扰抑制性能,本文提出射频特征结合堆栈卷积自编码器(Stacked Convolutional Autoencoder,SCAE)和堆栈自编码器(Stacked Auto Encoder,SAE)的干扰抑制算法。首先利用CNN强大的局部特征学习、提取能力并结合时域、频域以及频域相位的联合损失函数来获取有效的射频特征及信号特征。再将提取的特征送入干扰抑制的SAE网络,联合参考信号层面的时域、频域信息共同抑制干扰。实验结果表明,该方法能在进一步降低的信噪比环境下取得较好的抑制效果。两种干扰抑制的措施主要是针对的场景有所差别,双SSAE-JSAE采用全连接结构,计算复杂度相对不高,训练时间消耗少,针对低信噪比环境也能有效抑制干扰。而SCAE-SAE主要面对的是噪声进一步增大的更低信噪比环境,但其结构相对复杂,训练时间较长。因此需针对具体应用的信噪比背景并结合计算资源合理选择。

关键词：射频特征干扰类型有源干扰抑制堆栈稀疏自编码器卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于数据驱动的预测控制器性能监控

基于数据驱动的预测控制器性能监控

引用

作者：周沫中国石油大学(华东)

学位级别：硕士

流程工业的大型化和复杂化,以及对产品质量指标的苛刻要求,使得流程工业过程优化和控制变得越来越重要。而控制器性能的好坏直接关系到生产过程的平稳运行和产品质量的合格与否。及时准确的对控制器性能做出评价与诊断,对确保流程工业... 详细信息

流程工业的大型化和复杂化,以及对产品质量指标的苛刻要求,使得流程工业过程优化和控制变得越来越重要。而控制器性能的好坏直接关系到生产过程的平稳运行和产品质量的合格与否。及时准确的对控制器性能做出评价与诊断,对确保流程工业过程安全平稳运行和保证产品质量有着重要意义,因此控制器性能评价与诊断也成为了研究的热点和难点。本文针对目前预测控制器性能评价方法中没有将稳态特性与动态特性分开监控的问题,提出引入慢特征分析方法并设计综合性能指标进行控制器性能评价;在性能评价的基础上,提出了基于Stacked-SAE(Stacked Sparse Auto Encoder,Stacked-SAE)分类器实现性能诊断的控制器性能诊断方法,以提高预测控制器性能诊断结果的准确性;又针对深度学习网络分类器易受不均衡样本影响的问题,提出基于CSDL-KCRC(Class Specific Dictionary Learning Based Kernel Collaborative Representation Classification,CSDL-KCRC)的方法进行控制器性能诊断。论文的主要工作如下:针对目前预测控制器性能评价方法研究中没有将稳态特性与动态特性进行有效剥离而导致评价结果不准确的问题,将慢特征分析方法引入预测控制器的性能评价。综合慢特征分析方法给出稳态动态分开监控的四个评价指标,现场操作人员可以正确的区分可控的过程变化(如输出设定值的改变)与真正不可控的控制器性能下降。为提高监控效率与准确率,提出了进一步整合的综合性能评价指标。仿真研究表明,利用该方法能够正确识别控制器性能恶化,减少了误报警率和漏报警率并提高监控效率,有望大幅度减少因误判而造成的非生产时间。流程工业预测控制系统多是大型安全苛求系统,为了提高控制器性能诊断结果的准确率,考虑引入深度学习网络分类模型进行性能诊断。在对预测控制器性能进行诊断时,针对现有的浅层分类器以及多变量多元统计诊断方法无法提取样本数据深层故障特征信息的问题,提出使用Stacked-SAE构造分类器实现性能诊断。仿真研究表明,基于Stacked-SAE分类器的预测控制器性能诊断方法具有更高的诊断准确率。针对深度学习网络诊断结果会受到不均衡数据样本影响的问题,提出使用CSDL-KCRC方法对预测控制器进行性能诊断。为了提高性能诊断结果的准确率,考虑将协同表示分类器、字典学习与核方法结合进行预测控制器性能诊断。仿真研究表明,基于CSDL-KCRC的性能诊断方法可以对导致控制器性能下降的原因做出准确的诊断,并且在样本数据不均衡的情况下具有更高的诊断准确率。论文所研究的算法在Woodberry精馏塔模型进行了仿真验证,结果表明所提出的算法对于干扰噪声变化、模型失配、控制变量及被控变量约束饱因素导致控制器性能下降的情况,均能及时监控并做出正确的诊断。

关键词：预测控制器性能监控慢特征分析堆栈稀疏自编码器字典学习核协同表示

来源：评论

学校读者我要写书评

暂无评论

电力变压器机械故障声学诊断方法研究

电力变压器机械故障声学诊断方法研究

引用

作者：王毅斌兰州交通大学

学位级别：硕士

电力变压器作为电网中重要的枢纽设备,其健康状况对电力系统的安全稳定运行至关重要。变压器在运行期间,铁芯和绕组等结构发生振动产生的声音信号包含丰富的机械状态信息,对声音信号进行准确检测及分析可实现变压器机械故障诊断,进而降... 详细信息

电力变压器作为电网中重要的枢纽设备,其健康状况对电力系统的安全稳定运行至关重要。变压器在运行期间,铁芯和绕组等结构发生振动产生的声音信号包含丰富的机械状态信息,对声音信号进行准确检测及分析可实现变压器机械故障诊断,进而降低电网重大事故的发生几率。针对现有声音去噪和故障诊断方法等声学诊断中存在的问题,本文基于变压器振动机理和机械故障模拟试验揭示了变压器声音信号时频特性,提出了基于稀疏分量分析的变压器声音信号盲分离方法,建立了基于堆栈稀疏自编码器和增量式极限学习机的变压器机械故障识别模型。主要研究内容如下:通过分析变压器铁芯和绕组振动机理,揭示了不同机械状态下变压器声音信号的时频特性。设计变压器声音采集系统和机械故障模拟试验平台,对变压器正常运行、铁芯松动和绕组松动等三种机械状态进行了模拟试验。所做工作为后续变压器声音信号去噪和机械故障识别提供了理论基础和数据支撑。针对现场采集的变压器声音信号存在较多干扰噪声的问题,提出了一种基于稀疏分量分析的变压器声音信号盲分离方法。首先,通过短时傅里叶变换将声学传感器采集的变电站混合声信号转换到时频域,并通过检测混合声信号各分量的相角差,获取信号的时频单源点;然后,采用密度空间聚类算法对混合声信号的时频单源点进行聚类分析,获得声源数量和混合矩阵估计;最后,基于压缩感知理论实现变压器声音信号及其干扰噪声的分离。模拟试验和现场试验结果表明,该方法能够在欠定情况下从变电站混合声信号中有效分离出变压器声音信号。建立了基于堆栈稀疏自编码器和增量式极限学习机的变压器机械故障声学诊断模型,用于变压器声纹特征提取和机械故障识别。首先,通过互补集合经验模态分解算法对变压器声音信号进行降维处理,并将得到的时频能量矩阵作为堆栈稀疏自编码器网络的输入,自适应地挖掘声音信号的深层声纹特征,解决了传统特征提取方法主观性强、特征信息易丢失的问题。然后,基于增量式极限学习机的有监督学习机制,建立变压器声纹特征与机械状态之间的映射关系,进而实现变压器机械故障的智能识别。最后,利用变压器声音数据集对声学诊断模型进行超参数优化和训练,结果表明该模型能够准确识别变压器机械故障。

关键词：电力变压器声学诊断盲源分离堆栈稀疏自编码器增量式极限学习机

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：