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 bl...
详细信息
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。
现有的WiFi感知方法对数据的采集量及接收器的硬件资源需求较高,同时海量的数据处理也会消耗大量软硬件资源.基于模型的WiFi感知方法通过建立动作模式与信号变化之间的数学模型,一定程度上降低了对数据量的依赖,但是主流方案仍然需要多个接收天线或者天线阵列.本文提出一种使用单天线接收器的感知方案,利用不同子载波的信道状态信息的比值消除硬件及噪声干扰,并提出基于方差和极差的子载波组合选择算法,筛选出优质的子载波组合得到动作特征.进一步提出基于菲涅尔区理论的高可用特征生成算法,巧妙地结合反射路径变化与信道状态信息(Channel State Information,CSI)动态相位旋转之间的关系,通过在复平面上的数据拟合与相位对齐获得高可用特征.理论分析和实验结果表明,本文提出的单天线方案完全符合菲涅尔区理论,同时,可以有效提升不同动作在不同场景下的识别效果.对于七种不同的动作,本文方案的总体识别准确率保持在95%左右,CSI选择和特征强化获得了约2%的准确率提升.
暂无评论