两种前向神经网络在变压器故障诊断中的应用

针对依靠变压器油中溶解气体分析的传统故障诊断方法存在的不足以及未来智能诊断算法进一步发展的需要,在研究人工神经网络的基础上,介绍了两种前向神经网络在变压器故障诊断中的应用,并用大量的DGA样本数据做了仿真训练。首先讨论了几种常用变压器故障诊断方法的一些缺陷,通过分析现代智能诊断算法的局限性,得出改进人工神经网络的优势。然后结合两种前向神经网络的原理和结构,对变压器内部故障进行了分类和编码。分别设计了相应的故障诊断模型,在MATLAB中做了仿真测试,并给出了仿真程序。仿真结果表明,两种神经网络用于变压器故障识别较为理想,其中PNN网络在样本数量较多时效果更好,有效提高了变压器故障诊断的正确率。     

提升小波包和改进BP神经网络相融合的新故障诊断算法

针对传统的小波变换和BP神经网络应用于故障诊断中存在自适应性差、效率低等问题,提出一种提升小波包和改进BP神经网络相融合的新故障诊断算法;利用插值细分思想,设计了提升小波包的预测算子和更新算子,结合传统小波包算法和提升模式的原理,完成了提升小波包算法的设计,并将该算法应用于故障信号的消噪和能量特征量的提取;利用遗传算法优化标准BP神经网络的初始权值和阈值,采用L-M算法优化标准BP神经网络的搜索方式;以美国凯斯西储大学提供的滚动轴承实验数据,将新算法应用于实验中,分析结果表明:新故障诊断算法比传统的BP神经网络算法具有收敛速度快、诊断精度高等实效性。     

基于荧光双色比例的变压器绝缘油放电击穿故障诊断模型研究

传统变压器绝缘油品质荧光分析检测方法是利用荧光分光光度计采集油样本全谱段荧光光谱,根据不同老化程度绝缘油的全谱荧光特征变化建立变压器运行状态诊断模型.针对传统荧光方法中光度计体积大、价格昂贵以及因光谱采集时间长无法实现实时监测等问题,提出一种基于荧光双色比例的变压器绝缘油品质检测方法,提取荧光特征双波段信息并建立变压器...     

基于小波包变换的复合材料超声波检测信号特征提取

本文以碳纤维复合材料常见缺陷分层、孔隙、疏松的超声波检测缺陷信号为研究对象，对超声波检测信号进行小波包变换，提取包含信号绝大部分能量的近似系数波形特征及细节系数的统计量作为样本的特征值。应用BP神经网络分类器进行分类识别验证，取得较好的识别效果。该方法能以较小的特征维数表征原始信号特点。     

基于定量小波基选取与改进LDB算法的机械故障诊断

通过研究信息论中的各种测度,提出了一种以信息论中的共信息熵来开展故障信号分析的定量小波基选取的方法;同时针对局域判别基算法(Local Discriminate Bases, LDB)自身存在的一些问题,提出了一种基于改进的局域判别基理论的最优小波基分解算法,构造了以局域判别基空间上的结点能量为元素的特征矢量,并在滚动轴承上进行了实验研究;实验分析表明,该算法可以有效地识别旋转机械系统中不同严重程度的故障,且与原始的LDB算法相比,改进后的LDB算法对提高识别率和降低计算复杂度都有着明显的优势。     

电力变压器绕组振动声纹特性分析*

为更加准确分析变压器绕组的状态特征,本文提出一种基于多物理场耦合仿真的变压器绕组振动声纹特性分析方法。根据实验条件,建立变压器绕组振动噪声模型,考虑变压器绝缘油在噪声传播过程中的作用,对S13-M-200/10型号的油浸式变压器进行短路实验,测量油箱表面的振动加速度以及周围空间的声音信号。仿真结果与实测数据对比分析,油箱表面的振动加速度集中频率为100Hz,空间声音信号集中频率为100Hz和200Hz,验证仿真模型的有效性。最后,建立变压器机械故障的仿真模型,分析得到变压器发生机械故障时,声音信号中100Hz频率分量减少,200Hz频率分量增加,为变压器绕组故障诊断提供依据。     

高温超导混合脉冲变压器的研制与放电测试研究

为了利用脉冲变压器模式有效提升输出电流,介绍了一种在常规脉冲变压器基础上引入超导技术混合应用的方法.通过理论分析和参数计算,研制出了由3个超导双饼绕组和2个单饼式铜绕组组成的实验用高温超导混合脉冲变压器.对研制好的混合变压器进行脉冲放电测试,实验结果表明:在初始电容器充电610V的条件下,变压器副边实现2.6kA的大电...     

基于长短时记忆神经网络的风电机组滚动轴承故障诊断方法

风能作为一种绿色能源在我国能源结构中发挥着越来越重要的作用。风电机组的滚动轴承作为传动系统的重要组成部分,是其主要故障部件之一。随着风电规模的不断增长,及时地发现风电机组滚动轴承的故障对风电场安全稳定运行具有重要意义。针对传统回归神经网络存在的梯度消失问题,提出了利用长短时记忆神经网络对风电机组滚动轴承进行故障诊断的模型。首先,利用小波包变换对风电机组滚动轴承振动信号进行处理,提取其特征向量,将其作为长短时神经网络的输入,从而诊断出风电机组滚动轴承的三种常见故障。通过算例分析,结果表明所提出的方法能够有效地对风电机组的滚动轴承进行故障诊断,并且在故障特征量差异不明显的情况下长短时记忆神经网络仍具有良好的故障诊断性能,说明了该方法的可行性和有效性。     

基于BP神经网络的卫星故障诊断方法

为了有效地利用卫星下传的海量遥测数据,在测试过程中对卫星进行实时的故障诊断,提出了一种基于BP神经网络的卫星故障诊断方法;该方法包括离线自主学习和实时在线故障诊断两部分;离线自主学习部分基于历史数据库和更新样本进行自主学习,学习获得神经网络模型存储于知识库;实时在线故障诊断部分依据相应的神经网络模型,对遥测数据进行实时在线的诊断;为了验证基于BP神经网络的卫星故障诊断方法的有效性和优越性,以现有型号三轴稳定近地卫星控制分系统为实验对象,利用该方法对具有代表性的红外地球敏感器和动量轮的相关遥测数据进行分析;通过将该方法的实验结果与基于Kalman滤波的方法的实验结果进行对比分析,表明该方法能够有效地对卫星的故障进行诊断。     

脉冲功率系统储能型超导脉冲变压器放电研究

为了研究储能型超导脉冲变压器的电气参数对输出电流脉冲和效率的影响,介绍了储能型超导脉冲变压器的工作机理,运用MATLAB/Simulink软件对放电过程进行丁建模仿真.主要研究了储能型超导脉冲变压器放电电路的电阻参数(包括释能电阻与负载电阻)和电感参数(包括脉冲变压器原边电感和副边电感)对输出的电流脉冲和效率的影响.仿...     

神经网络的声场景自动分类方法*

声场景探察和自动分类能帮助人类制定应对特定环境的正确策略,具有重要的研究价值。随着卷积神经网络的发展,出现了许多基于卷积神经网络的声场景分类方法。其中时频卷积神经网络(TS-CNN)采用了时频注意力模块,是目前声场景分类效果最好的网络之一。为了在保持网络复杂度不变的前提下进一步提高网络的声场景分类性能,该文提出了一种基于协同学习的时频卷积神经网络模型(TSCNN-CL)。具体地说,该文首先建立了基于同构结构的辅助分支参与网络的训练。其次,提出了一种基于KL散度的协同损失函数,实现了分支与主干的知识协同,最后,在测试过程中,为了不增加推理计算量,该文提出的模型只使用主干网络预测结果。在ESC-10、ESC-50和UrbanSound8k数据集的综合实验表明,该模型分类效果要优于TS-CNN模型以及当前大部分的主流方法。     

基于遗传粒子群算法的模拟电路故障诊断方法研究

提出一种基于小波包分解、归一化处理、遗传粒子群优化算法(GAPSO)和BP神经网络相结合的模拟电路故障诊断新方法。该方法使用小波包分解获取各尺度函数空间上的能量特征信息作为特征向量输入神经网络。利用遗传粒子群算法优化BP神经网络的权值和阀值,有效克服BP神经网络极易陷入局部极小等缺陷。通过Multisim仿真电路实例,比较GAPSO-BP和BP神经网络的诊断结果,验证了该方法的有效性。     

一种基于2D-CNN的激光超声表面缺陷检测方法

激光超声表面缺陷检测的过程中,缺陷的定量表征通常依赖于操作者的判断,易受到人为因素干扰,致使检测结果不稳定.针对这一问题,提出一种基于图像识别的二维卷积神经网络(2D-CNN)的缺陷自动分类检测方法.利用有限元方法模拟激光超声检测过程,并采集超声信号数据用于训练分类模型;使用连续小变换(CWT)处理超声信号得到小波时频...     

基于Blumlein 脉冲形成网络的直线变压器驱动源设计

设计了基于Blumlein 脉冲形成网络的直线变压器驱动源单元模块。双路阻抗各为20 Ω的Blumlein 脉冲形成网络对称连接于直线变压器驱动源(LTD)的初级绕组上,此种接法降低了脉冲形成网络(PFN)的设计难度,有利于形成更好的脉冲。在LTD次级绕组所接的10 Ω匹配负载上输出高压脉冲,实验结果表明,单个LTD模块输出脉冲半高宽约200 ns,前沿约为55 ns,平顶约为100 ns。     

基于桥接Transformer的小样本优化鸟声识别网络

针对实际鸟类监测环境中,收集鸟声声频数据分布不均匀,导致神经网络训练不充分,分类识别测试准确率低的问题,设计了一种桥接Transformer神经网络模型。该网络首先利用原始鸟声声频信号生成短时傅里叶变换语谱图作为输入特征,之后将语谱图输入到由注意力模块和卷积模块桥接组成的Transformer网络中,完成对语谱图中全局特征和局部特征的信息交互,最后利用单层Transformer编码器实现对每一个批次样本的损失优化,得到最终的分类结果。在Birdsdata和xeno-canto鸟声数据集上进行小样本实验,分别获得了91.34%和82.63%的平均准确率,与其他鸟声识别网络进行了对比实验,验证了该网络的有效性。     

多路初级绕组脉冲变压器固态调制器

介绍了一种输出峰值功率在MW量级,工作频率和脉冲宽度均连续可调的高功率固态脉冲调制器的设计。脉冲调制器的放电回路采用先进的固态开关技术,以实现频率和脉宽的连续可调。调制器输出采用升压型多路初级绕组脉冲变压器,以降低励磁单元的工作电压和工作电流,同时避免了由于固态开关串并联而导致的电路复杂设计问题。系统采用在励磁回路中添加补偿网络的方法提高输出脉冲的平顶度。采取以上这些技术设计的固态调制器工程样机输出脉冲峰值电压为48 kV、宽度1.0~4.5 μs、重复频率20~300 Hz、脉冲顶降小于1%,可以作为磁控管调制器应用在粒子加速器系统中。     

多路初级绕组脉冲变压器固态调制器

介绍了一种输出峰值功率在MW量级,工作频率和脉冲宽度均连续可调的高功率固态脉冲调制器的设计。脉冲调制器的放电回路采用先进的固态开关技术,以实现频率和脉宽的连续可调。调制器输出采用升压型多路初级绕组脉冲变压器,以降低励磁单元的工作电压和工作电流,同时避免了由于固态开关串并联而导致的电路复杂设计问题。系统采用在励磁回路中添加补偿网络的方法提高输出脉冲的平顶度。采取以上这些技术设计的固态调制器工程样机输出脉冲峰值电压为48 kV、宽度1.0~4.5μs、重复频率20~300 Hz、脉冲顶降小于1%,可以作为磁控管调制器应用在粒子加速器系统中。     

基于卷积神经网络的雷达目标航迹识别研究

现代战争中雷达信号日趋复杂,如何快速准确地从种类繁多、数据量庞大的雷达检测数据中,获取目标航迹的类别信息,为战场指挥提供准确有效的信息是当前急需解决的难题。传统基于人的经验认知的雷达目标航迹识别方法已经无法有效应对瞬息万变的战场和海量数据。根据实际雷达数据特点,提出了使用对数的雷达航迹预处理方法,并构建了基于卷积神经网络的深度学习模型,实现了对雷达对抗中的目标航迹的识别与检测。基于模拟生成的雷达目标航迹数据对提出的数据预处理方法和构建的模型进行测试;实验表明,所提出的方法能很好地实现对目标航迹的检测与识别。     

基于一维卷积神经网络的化爆和地震次声分类

次声事件的分类识别方法应用广泛,传统分类方法在很多方面进行了尝试,但由于次声信号具备非线性的特点,致使分类难度较大,分类精度不高,这对次声事件的分类工作提出了挑战.针对次声事件中的化学爆炸与天然地震信号分类问题,文章构建了一种改进的深度卷积神经网络分类模型用于实现两类次声信号的分类.论文采用"全面禁止核试验条约组织"官...     

基于小波神经网络的振动速度传感器幅频特性补偿研究

为了实现超低频振动速度测量, 提出补偿其幅频特性的小波神经网络方法.该方法以振动速度传感器动态实验数据为基础, 通过小波神经网络训练来确定传感器幅频特性补偿网络.介绍振动速度传感器幅频特性补偿原理, 分析网络的拓扑结构, 给出网络参数训练和初始化方法.采用引入动量项的最速下降法训练网络权值、尺度因子和平移因子, 将小波网络参数的初始化与小波类型、小波时频参数和学习样本等联系起来.结果表明, 采用小波神经网络进行振动速度传感器幅频特性补偿具有良好的鲁棒性,并能实现在线补偿,网络训练的速度和精度优于同等规模的BP网络,在测试领域有重要的实用价值. 关键词： 振动速度传感器 小波神经网络 幅频特性 补偿