CN112834921B - 一种基于残差图注意力网络的电机故障诊断方法 - Google Patents

一种基于残差图注意力网络的电机故障诊断方法 Download PDF

Info

Publication number
CN112834921B
CN112834921B CN202011537414.XA CN202011537414A CN112834921B CN 112834921 B CN112834921 B CN 112834921B CN 202011537414 A CN202011537414 A CN 202011537414A CN 112834921 B CN112834921 B CN 112834921B
Authority
CN
China
Prior art keywords
network
graph
layer
attention
current
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011537414.XA
Other languages
English (en)
Other versions
CN112834921A (zh
Inventor
徐东伟
朱钟华
林臻谦
周磊
杨浩
顾淳涛
宣琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202011537414.XA priority Critical patent/CN112834921B/zh
Publication of CN112834921A publication Critical patent/CN112834921A/zh
Application granted granted Critical
Publication of CN112834921B publication Critical patent/CN112834921B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Electric Motors In General (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

一种基于残差图注意力网络的电机故障诊断方法，包括以下步骤：1)数据样本划分；2)故障特征信号提取；3)以故障特征信号的极值点为图网络的节点，定义节点之间相关性的规则，分别融合10个连续的小样本中的电流图网络作为模型输入样本，每个输入样本包括两个电流图网络；4)通过将残差网络ResNet和GAT进行结合，利用ResNet中的恒等映射思想来保证图信息在特征传递时的完整性；5)对于输入样本中的两个电流图网络，通过一层ResGAT和一层GAT提取特征，然后融合这两个特征图，再利用CNN提取特征并实现故障分类。本发明采用的电流数据获取容易且成本较低，ResGAT可以保证图信息的完整性。

Description

一种基于残差图注意力网络的电机故障诊断方法
技术领域
本发明涉及一种基于残差图注意力网络(ResGAT)的电机故障诊断方法，属于电机故障诊断领域。
背景技术
如今，随着经济的快速发展，电机被广泛应用于日常生活及工业生产中，它的主要功能是驱动各种机械和设备，为大规模、智能化作业提供了便利。但是电机在运行过程中难免会出现故障，一旦电机的某一部分出现了异常，可能会引起一系列连锁反应，导致整个工作系统停止运行，轻则影响生产效率，造成经济损失，重则可能造成重大安全事故，威胁人身安全。因此，对电机运行状态进行实时监测并进行故障诊断，可以及时发现问题并开展维护工作，不仅可以保证电机的正常运行，而且避免了重大损失产生。
电机故障主要可以分为轴承故障，定子故障，转子故障和其他故障，其中轴承故障发生的可能性最高。在电机故障诊断研究中，一般通过分析电机的振动信号、电流信号、声发信号和红外信号等来实现故障诊断。其中，基于振动信号的研究是最流行的，技术也很成熟。但是安装振动传感器会增加成本，而电机相位电流的获取则容易得多，很多研究也是基于电流信号的。
传统的信号处理和特征提取技术要求技术人员掌握信号处理技术等先验知识并具备丰富的故障诊断经验，而且存在人为误差。深度学习可以代替人工特征的提取与选择，将深度学习应用于电机故障诊断中，可以避免人工选择特征时特征提取不全面的问题，同时特征可以更抽象，并使得电机故障诊断更智能、便捷。
发明内容
为了克服现有技术的不足，本发明提供一种基于残差图注意力网络的电机故障诊断方法，该方法首先对电流的两相电流进行预处理，进行样本划分并通过带通滤波器除去电信号中的主要波动和高频噪声，提取电信号中的状态特征信号，然后把此信号中的每个数据点作为节点，根据其极值点创建节点之间的关系，从而构建电信号图网络，再通过图网络融合提高模型的泛化性，最后利用ResGAT和图注意力网络(GAT)提取图网络的特征并结合卷积神经网络(CNN)进行故障诊断。
本发明解决其技术问题所采用的技术方案是：
一种基于残差图注意力网络的电机故障诊断方法，包括以下步骤：
1)数据样本划分：以第一相电流信号的波峰为划分依据，将电流信号划分成单周期小样本，每个小样本包含了两相电流的单周期数据；
2)故障特征信号提取：对小样本中的两相电流分别进行带通滤波，滤除信号中都存在的正弦分量和高频噪声，获得信号中的波动分量，即故障特征电信号；
3)构建电流图网络：以故障特征信号的极值点为图网络的节点，并定义节点之间相关性的规则，从而完成电流图网络构建，然后分别融合10个连续的小样本中的电流图网络作为模型输入样本，每个输入样本包括两个电流图网络，分别对应两相电流；
4)构建ResGAT：通过将残差网络(ResNet)和GAT进行结合，利用ResNet中的恒等映射思想来保证图信息在特征传递时的完整性；
5)构建基于ResGAT的分类模型：对于输入样本中的两个电流图网络，都通过一层ResGAT和一层GAT提取特征，然后融合这两个特征图，再利用CNN提取特征并实现故障分类。
本发明的有益效果：本发明中采用的电流数据获取容易且成本较低，并提出了ResGAT，ResGAT可以保证图信息的完整性，在构建模型时可以直接进行嵌入，提出的基于ResGAT的故障诊断模型实现了令人满意的结果。
附图说明
图1GAT结构图；
图2ResGAT结构图；
图3基于ResGAT的分类模型整体框架图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1～图3，一种基于残差图注意力网络的电机故障诊断方法，包括以下步骤：
1)数据样本划分：以第一相电流信号的波峰为划分依据，将电流信号划分成单周期小样本
Figure GDA0002992388850000031
n＝1,2,…,M，其中p∈{1,2}表示电流相位，M表示小样本总数，则每个小样本包含了两个周期电流信号
Figure GDA0002992388850000032
2)故障特征信号提取：对小样本中的两相电流分别进行带通滤波，首先对其进行快速傅里叶变换：
Figure GDA0002992388850000033
其中，FFT表示傅里叶变换，
Figure GDA0002992388850000034
表示电信号
Figure GDA0002992388850000035
在频域的结果。原始电流信号中的采样频率为f，设置带通滤波范围为0.01f～0.3f：
Figure GDA0002992388850000041
其中，w表示频率，即只保留频率在0.01f～0.3f之间的数据，频率低于0.01f的部分为正弦分量，频率高于0.3f的部分为高频噪声。然后对该结果进行快速傅里叶逆变换(IFFT)，获得故障特征信号
Figure GDA0002992388850000042
Figure GDA0002992388850000043
3)构建电流图网络：以故障特征信号的极值点为图网络的节点，并定义节点之间相关性的规则，从而完成电流图网络构建：
Figure GDA0002992388850000044
Figure GDA0002992388850000045
Figure GDA0002992388850000046
Figure GDA0002992388850000047
Figure GDA0002992388850000048
Figure GDA0002992388850000049
其中，
Figure GDA00029923888500000410
是故障特征信号中每个数据点的数值映射，N表示数据点数量，
Figure GDA00029923888500000411
和
Figure GDA00029923888500000412
表示故障特征信号中的极大、极小值点的集合，这两个集合中的点就是图网络中的节点
Figure GDA00029923888500000413
分别在这两个集合中寻找相邻距离不超过d且电信号数值符号相同的两个点，并在图网络中为其添加连边关系，
Figure GDA00029923888500000414
表示图网络中第m个连边，
Figure GDA00029923888500000415
表示图网络中所有的连边集合，
Figure GDA00029923888500000416
表示根据第n个故障特征信号的极值点建立的图网络；
然后分别融合10个连续的小样本中的电流图网络作为模型输入样本：
Figure GDA0002992388850000051
令
Figure GDA0002992388850000052
Figure GDA0002992388850000053
其中，
Figure GDA0002992388850000054
表示输入样本中由两相电流构建而来的图网络；
Figure GDA0002992388850000055
表示图网络
Figure GDA0002992388850000056
中的节点，由多个小样本中的图网络节点融合而来，
Figure GDA0002992388850000057
表示图网络
Figure GDA0002992388850000058
中的连边关系，由多个小样本中的图网络连边融合而来，节点和连边在融合时分别取并集；
Figure GDA0002992388850000059
表示图网络
Figure GDA00029923888500000510
中节点的特征，由故障特征信号经过融合并转置得到，
Figure GDA00029923888500000511
表示N个节点的特征向量，每个节点特征大小为1×10；Xn表示模型输入样本。
4)构建ResGAT：首先，构建图注意力网络，对于图网络G＝(V,E),它含有一系列节点特征
Figure GDA00029923888500000512
其中N是节点数量，Fl是当前层每个节点特征的数量，为了获得更高级的特征，GAT利用一个共享权重矩阵
Figure GDA00029923888500000513
将输入特征转换到维度为Fl+1的特征空间，Fl+1是新特征的数量，然后在所有连边上执行注意力机制
Figure GDA00029923888500000514
来计算注意力系数：
Figure GDA00029923888500000515
其中，
Figure GDA00029923888500000516
表示第l层节点j对节点i的重要性，且注意力机制a只应用于节点i相邻的节点集Ni上，即j∈Ni。在实验中，注意力机制a是一个单层前馈神经网络，由权重向量
Figure GDA00029923888500000517
参与计算。为了规范化注意力系数，先对注意力系数使用LeakyReLU激活函数，其小于零斜率设为0.2，再引入softmax对所有相关的注意力系数进行归一化：
Figure GDA0002992388850000061
其中，
Figure GDA0002992388850000062
是归一化后的注意力系数，·T表示矩阵转置，||表示矩阵拼接操作。将归一化的注意力系数用于节点特征的更新过程中，并经过非线性激活函数σ，得到新的节点特征：
Figure GDA0002992388850000063
为了保证注意力机制的稳定性，扩展使用了多层注意力机制，每层注意力机制独立，然后将所有特征进行拼接：
Figure GDA0002992388850000064
其中，K表示独立注意力机制的层数，
Figure GDA0002992388850000065
是第l层中通过第k个注意力机制计算的归一化注意力系数，Wl,k是对应的权重矩阵，且新的节点特征
Figure GDA0002992388850000066
的长度为KFl+1。
此外，还可以采用K平均来代替拼接操作，则新的节点特征
Figure GDA0002992388850000067
的长度为Fl+1：
Figure GDA0002992388850000068
那么，经过GAT提取特征后得到新的节点特征
Figure GDA0002992388850000069
Figure GDA00029923888500000610
ResGAT主要是结合了ResNet和GAT，利用ResNet中的恒等映射思想来保证图信息在特征传递时的完整性，过程如下：
Hr+1＝h2+Hr (18)
其中，Hr是第r层ResGAT的输入节点特征，h2是该输入经过两层GAT提取特征的结果，且这两层GAT中多层注意力机制采用平均的方式进行融合，因此ResGAT的输出特征尺寸于输入相同。
5)构建基于ResGAT的分类模型：对于输入样本Xn中的两个电流图网络，都通过一层ResGAT和一层GAT提取特征，ResGAT的输入为
Figure GDA0002992388850000071
即H0，ResGAT的输出为
Figure GDA0002992388850000072
即GAT的输入，令GAT的输出为Z(p)。然后将得到的两个特征图Z(1)和Z(2)在新的维度拼接起来：
Z0＝Z(1)|||Z(2) (19)
其中，
Figure GDA0002992388850000073
是拼接后的结果，F是经过GAT后的特征长度，|||表示在新的维度将特征图进行拼接。最后经过CNN提取特征并进行分类：
Figure GDA0002992388850000074
其中，符号*表示二维卷积，Zt-1是第t层卷积层的输入，每一层卷积层都包含若干个卷积核，
Figure GDA0002992388850000075
和
Figure GDA0002992388850000076
分别是第t层卷积层的第s个卷积核的权重矩阵和偏置，并且每次卷积后使用ReLU激活函数和池化操作。
最后，将卷积后的特征进行一维展开得到一维特征Z，并通过全连接神经网络和SoftMax激活函数进行故障分类：
y＝SoftMax(W*Z+b) (21)
其中，y表示最终的分类结果，W和b分别是全连接神经网络的权重矩阵和偏置。
实例2：实际实验中的数据
(1)选取实验数据
实验数据集为德国帕德博恩大学提供的电机轴承数据集，其轴承故障由加速损耗寿命测试而获得，且轴承状态可分为轴承外圈故障、轴承内圈故障和健康三种状态。表1显示了三种电机运行工况，包括电机转速S、负载扭矩M和径向力F，表2显示了不同轴承状态的细分类编号，每个编号的数据包括20次重复测量，每次得到时间为4秒的连续两相电流数据。其中，电机电流是通过LEM CKSR 15-NP型电流互感器测量的，该电流首先通过25kHz低通滤波器，再经过采样从而得到64kHz的数字信号。
表1电机运行工况
工况 S(rpm) M(Nm) F(N)
A 1500 0.1 1000
B 900 0.7 1000
C 1500 0.7 400
表2轴承状态分类
Figure GDA0002992388850000081
(2)参数确定
在数据样本划分中，小样本的数据长度N为一个周期内的数据长度，当电机转速为1500时，N＝640，当电机转速为900时，N＝1067；在构建图网络中，确定节点之间的连边时，其相邻距离最大为d＝20；在构建基于ResGAT的分类模型中，GAT的新节点特征数量为16，注意力机制数量为4，融合方式为拼接；CNN包括3层卷积层，每层卷积层的卷积核数量分别为16，32，64，卷积核大小分别为7，5，3，全连接层的输出大小为3，表示3种轴承状态。
(3)实验结果
Figure GDA0002992388850000091
表3
实验对比了一种基于深度学习与信息融合的方法，并且比较了只使用GAT的结果，表3显示了在3种工况下的实验结果对比，这些方法都是基于电流信号进行电机故障诊断的。结果显示，本专利提出的方法在3种工况下的预测准确度最高，且通过与只使用GAT的方法比较，证明了ResGAT的有效性。

Claims (7)

1.一种基于残差图注意力网络的电机故障诊断方法，其特征在于，所述方法包括以下步骤：
1)数据样本划分：以第一相电流信号的波峰为划分依据，将电流信号划分成单周期小样本，每个小样本包含了两相电流的单周期数据；
2)故障特征信号提取：对小样本中的两相电流分别进行带通滤波，滤除信号中都存在的正弦分量和高频噪声，获得信号中的波动分量，即故障特征电信号；
3)构建电流图网络：以故障特征信号的极值点为图网络的节点，并定义节点之间相关性的规则，从而完成电流图网络构建，然后分别融合10个连续的小样本中的电流图网络作为模型输入样本，每个输入样本包括两个电流图网络，分别对应两相电流；
4)构建ResGAT：通过将残差网络ResNet和GAT进行结合，利用ResNet中的恒等映射思想来保证图信息在特征传递时的完整性；
5)构建基于ResGAT的分类模型：对于输入样本中的两个电流图网络，都通过一层ResGAT和一层GAT提取特征，然后融合这两个特征图，再利用CNN提取特征并实现故障分类。
2.如权利要求1所述的基于残差图注意力网络的电机故障诊断方法，其特征在于，所述步骤1)中，以第一相电流信号的波峰为划分依据，将电流信号划分成单周期小样本
Figure FDA0003598860070000011
其中p∈{1,2}表示电流相位，M表示小样本总数，则每个小样本包含了两个周期电流信号
Figure FDA0003598860070000012
3.如权利要求2所述的基于残差图注意力网络的电机故障诊断方法，其特征在于，所述步骤2)中，对小样本中的两相电流分别进行带通滤波，首先对其进行快速傅里叶变换：
Figure FDA0003598860070000021
其中，FFT表示傅里叶变换，
Figure FDA0003598860070000022
表示电信号
Figure FDA0003598860070000023
在频域的结果，原始电流信号中的采样频率为f，设置带通滤波范围为0.01f～0.3f：
Figure FDA0003598860070000024
其中，w表示频率，即只保留频率在0.01f～0.3f之间的数据，频率低于0.01f的部分为正弦分量，频率高于0.3f的部分为高频噪声，然后对该结果进行快速傅里叶逆变换(IFFT)，获得故障特征信号
Figure FDA0003598860070000025
Figure FDA0003598860070000026
4.如权利要求3所述的基于残差图注意力网络的电机故障诊断方法，其特征在于，所述步骤3)中，以故障特征信号的极值点为图网络的节点，并定义节点之间相关性的规则，从而完成电流图网络构建：
令:
Figure FDA0003598860070000027
Figure FDA0003598860070000028
Figure FDA0003598860070000029
Figure FDA00035988600700000210
Figure FDA00035988600700000211
Figure FDA00035988600700000212
其中，
Figure FDA00035988600700000213
是故障特征信号中每个数据点的数值映射，N表示数据点数量，
Figure FDA00035988600700000214
和
Figure FDA00035988600700000215
表示故障特征信号中的极大、极小值点的集合，这两个集合中的点就是图网络中的节点
Figure FDA00035988600700000216
分别在这两个集合中寻找相邻距离不超过d且电信号数值符号相同的两个点，并在图网络中为其添加连边关系，
Figure FDA00035988600700000217
表示图网络中第m个连边，
Figure FDA00035988600700000218
表示图网络中所有的连边集合，
Figure FDA00035988600700000219
表示根据第n个故障特征信号的极值点建立的图网络；
然后分别融合10个连续的小样本中的电流图网络作为模型输入样本：
Figure FDA00035988600700000220
令
Figure FDA00035988600700000221
Figure FDA0003598860070000031
其中，
Figure FDA0003598860070000032
表示输入样本中由两相电流构建而来的图网络；
Figure FDA0003598860070000033
表示图网络
Figure FDA0003598860070000034
中的节点，由多个小样本中的图网络节点融合而来，
Figure FDA0003598860070000035
表示图网络
Figure FDA0003598860070000036
中的连边关系，由多个小样本中的图网络连边融合而来，节点和连边在融合时分别取并集；
Figure FDA0003598860070000037
表示图网络
Figure FDA0003598860070000038
中节点的特征，由故障特征信号经过融合并转置得到，
Figure FDA0003598860070000039
表示特征向量，每个节点特征大小为10×1；Xn表示模型输入样本。
5.如权利要求4所述的基于残差图注意力网络的电机故障诊断方法，其特征在于，所述步骤4)中，首先，构建图注意力网络，对于图网络G＝(V,E),它含有一系列节点特征
Figure FDA00035988600700000310
其中N是节点数量，Fl是当前层每个节点特征的数量，为了获得更高级的特征，GAT利用一个共享权重矩阵
Figure FDA00035988600700000311
将输入特征转换到维度为Fl+1的特征空间，Fl+1是新特征的数量，然后在所有连边上执行注意力机制a:
Figure FDA00035988600700000312
来计算注意力系数：
Figure FDA00035988600700000313
其中，
Figure FDA00035988600700000314
表示第l层节点j对节点i的重要性，且注意力机制a只应用于节点i相邻的节点集Ni上，即j∈Ni；注意力机制a是一个单层前馈神经网络，由权重向量
Figure FDA00035988600700000315
参与计算，为了规范化注意力系数，先对注意力系数使用LeakyReLU激活函数，其小于零斜率设为0.2，再引入softmax对所有相关的注意力系数进行归一化：
Figure FDA00035988600700000316
其中，
Figure FDA00035988600700000317
是归一化后的注意力系数，·T表示矩阵转置，||表示矩阵拼接操作；将归一化的注意力系数用于节点特征的更新过程中，并经过非线性激活函数σ，得到新的节点特征：
Figure FDA00035988600700000318
为了保证注意力机制的稳定性，扩展使用了多层注意力机制，每层注意力机制独立，然后将所有特征进行拼接：
Figure FDA00035988600700000319
其中，K表示独立注意力机制的层数，
Figure FDA00035988600700000320
是第l层中通过第k个注意力机制计算的归一化注意力系数，Wl,k是对应的权重矩阵，且新的节点特征
Figure FDA00035988600700000321
的长度为KFl+1。
6.如权利要求5所述的基于残差图注意力网络的电机故障诊断方法，其特征在于，采用K平均来代替拼接操作，则新的节点特征
Figure FDA00035988600700000322
的长度为Fl+1：
Figure FDA0003598860070000041
那么，经过GAT提取特征后得到新的节点特征
Figure FDA0003598860070000042
Figure FDA0003598860070000043
ResGAT结合了ResNet和GAT，利用ResNet中的恒等映射思想来保证图信息在特征传递时的完整性，过程如下：
Hr+1＝h2+Hr (18)
其中，Hr是第r层ResGAT的输入节点特征，h2是该输入经过两层GAT提取特征的结果，且这两层GAT中多层注意力机制采用
平均的方式进行融合，因此ResGAT的输出特征尺寸于输入相同。
7.如权利要求6所述的基于残差图注意力网络的电机故障诊断方法，其特征在于，所述步骤5)中，对于输入样本Xn中的两个电流图网络，都通过一层ResGAT和一层GAT提取特征，ResGAT的输入为
Figure FDA0003598860070000044
即H0，ResGAT的输出为
Figure FDA0003598860070000045
即GAT的输入，令GAT的输出为Z(p)，然后将得到的两个特征图Z(1)和Z(2)在新的维度拼接起来：
Z0＝Z(1)|||Z(2) (19)
其中，
Figure FDA0003598860070000046
是拼接后的结果，F是经过GAT后的特征长度，|||表示在新的维度将特征图进行拼接，最后经过CNN提取特征并进行分类：
Figure FDA0003598860070000047
其中，符号*表示二维卷积，Zt-1是第t层卷积层的输入，每一层卷积层都包含若干个卷积核，
Figure FDA0003598860070000048
和
Figure FDA0003598860070000049
分别是第t层卷积层的第s个卷积核的权重矩阵和偏置，并且每次卷积后使用ReLU激活函数和池化操作；
最后，将卷积后的特征进行一维展开得到一维特征Z，并通过全连接神经网络和SoftMax激活函数进行故障分类：
y＝SoftMax(W*Z+b) (21)
其中，y表示最终的分类结果，W和b分别是全连接神经网络的权重矩阵和偏置。
CN202011537414.XA 2020-12-23 2020-12-23 一种基于残差图注意力网络的电机故障诊断方法 Active CN112834921B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011537414.XA CN112834921B (zh) 2020-12-23 2020-12-23 一种基于残差图注意力网络的电机故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011537414.XA CN112834921B (zh) 2020-12-23 2020-12-23 一种基于残差图注意力网络的电机故障诊断方法

Publications (2)

Publication Number Publication Date
CN112834921A CN112834921A (zh) 2021-05-25
CN112834921B true CN112834921B (zh) 2022-07-15

Family

ID=75923848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011537414.XA Active CN112834921B (zh) 2020-12-23 2020-12-23 一种基于残差图注意力网络的电机故障诊断方法

Country Status (1)

Country Link
CN (1) CN112834921B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116626491B (zh) * 2023-07-26 2023-11-03 江苏大学 一种五相永磁电机匝间短路故障诊断方法
CN117153188B (zh) * 2023-08-29 2024-05-28 安徽理工大学 一种基于声音频率的变功率设备故障分析方法及装置
CN117314883B (zh) * 2023-10-27 2024-04-16 国网四川省电力公司电力科学研究院 基于EWT和VGGNet的配电网故障选线方法及系统
CN117332320B (zh) * 2023-11-21 2024-02-02 浙江大学 一种基于残差卷积网络的多传感器融合pmsm故障诊断方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108089099A (zh) * 2017-12-18 2018-05-29 广东电网有限责任公司佛山供电局 基于深度置信网络的配电网故障的诊断方法
CN109660206A (zh) * 2018-12-20 2019-04-19 福州大学 一种基于Wasserstein GAN的光伏阵列故障诊断方法
CN110251120A (zh) * 2019-06-06 2019-09-20 山东省计算中心（国家超级计算济南中心） 基于注意力机制的深度残差神经网络的心电图分类方法
CN110672343A (zh) * 2019-09-29 2020-01-10 电子科技大学 基于多注意力卷积神经网络的旋转机械故障诊断方法
CN110907826A (zh) * 2019-11-14 2020-03-24 中车株洲电力机车研究所有限公司 一种基于卷积神经网络滤波的电机故障诊断方法及系统
CN111351665A (zh) * 2018-12-24 2020-06-30 中国科学院沈阳计算技术研究所有限公司 基于emd和残差神经网络的滚动轴承故障诊断方法
CN111914486A (zh) * 2020-08-07 2020-11-10 中国南方电网有限责任公司 一种基于图注意力网络的电力系统暂态稳定评估方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180350459A1 (en) * 2017-06-05 2018-12-06 University Of Florida Research Foundation, Inc. Methods and apparatuses for implementing a semantically and visually interpretable medical diagnosis network

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108089099A (zh) * 2017-12-18 2018-05-29 广东电网有限责任公司佛山供电局 基于深度置信网络的配电网故障的诊断方法
CN109660206A (zh) * 2018-12-20 2019-04-19 福州大学 一种基于Wasserstein GAN的光伏阵列故障诊断方法
CN111351665A (zh) * 2018-12-24 2020-06-30 中国科学院沈阳计算技术研究所有限公司 基于emd和残差神经网络的滚动轴承故障诊断方法
CN110251120A (zh) * 2019-06-06 2019-09-20 山东省计算中心（国家超级计算济南中心） 基于注意力机制的深度残差神经网络的心电图分类方法
CN110672343A (zh) * 2019-09-29 2020-01-10 电子科技大学 基于多注意力卷积神经网络的旋转机械故障诊断方法
CN110907826A (zh) * 2019-11-14 2020-03-24 中车株洲电力机车研究所有限公司 一种基于卷积神经网络滤波的电机故障诊断方法及系统
CN111914486A (zh) * 2020-08-07 2020-11-10 中国南方电网有限责任公司 一种基于图注意力网络的电力系统暂态稳定评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
毛昭辉.基于Resnet网络和Attention-GRU门控机制的滚动轴承故障诊断.《组合机床与自动化加工技术》.2020,(第07期),第118-126页. *

Also Published As

Publication number Publication date
CN112834921A (zh) 2021-05-25

Similar Documents

Publication Publication Date Title
CN112834921B (zh) 一种基于残差图注意力网络的电机故障诊断方法
Zhang et al. Intelligent acoustic-based fault diagnosis of roller bearings using a deep graph convolutional network
CN112041693B (zh) 一种基于混合录波的配电网故障定位系统
Kaya et al. Classification of bearing vibration speeds under 1D-LBP based on eight local directional filters
CN111046916A (zh) 一种基于空洞卷积胶囊网络的电机故障诊断方法及系统
CN111458148A (zh) 一种基于cbam的卷积神经网络滚动轴承故障诊断方法
CN112668459B (zh) 基于有监督对比学习和卷积神经网络的滚动轴承故障诊断方法
CN112101085A (zh) 一种基于重要性加权域对抗自适应的智能故障诊断方法
CN110991295A (zh) 一种基于一维卷积神经网络的自适应故障诊断方法
CN110672327A (zh) 一种基于多层降噪技术的异步电机轴承故障诊断方法
CN113723489A (zh) 一种改进关系网络的滚动轴承故障识别方法
CN112162196B (zh) 一种基于图注意力网络的电机故障诊断方法
CN112633098A (zh) 一种旋转机械故障诊断方法、系统及存储介质
CN111256965A (zh) 多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法
CN111812507A (zh) 一种基于图卷积的电机故障诊断方法
CN117171544B (zh) 基于多通道融合卷积神经网络的电机振动故障诊断方法
CN114462446A (zh) 基于振动信号的滚动轴承故障诊断方法及电子设备
CN117113180A (zh) 基于vmd与卷积神经网络的直流配网高阻故障识别方法
CN116738367A (zh) 基于多尺度图Transformer的滚动轴承故障诊断方法
Priyadarshini et al. Detection of islanding and non-islanding fault disturbances in microgrid using LMD and deep stacked RVFLN based auto-encoder
Wang et al. Grouping sparse filtering: a novel down-sampling approach toward rotating machine intelligent diagnosis in 1D-convolutional neural networks
CN111239344A (zh) 一种基于小波分析的气体分解物评估方法
CN113469066B (zh) 不平衡样本多任务自优化的滚动轴承故障迁移诊断方法
CN116226704A (zh) 基于多特征融合和改进ShuffleNetV2的船舶变转速轴承故障诊断方法
CN107704825A (zh) 基于自适应集成多小波的机械设备故障特征提取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant