May, 2024

一种新型的水电机组故障定位与数据优化方法

PDF
TL;DR基于稀疏自编码器（SAE）- 生成对抗网络（GAN）- 小波降噪（WNR）- 流形增强深度学习（SG-WMBDL）的水电站故障定位方法，通过提供高质量样本数据、降噪和捕捉局部特征，结合自适应增强的多深度学习，实现了具有非线性和非平滑特性的水电站故障的精准定位。
hydroelectric unitsfault localizationsparse autoencodergenerative adversarial networkwavelet noise reduction
发现论文，激发创造
  • 生成对抗小波神经运算器：多变量时间序列数据的故障检测和隔离应用

    提出了一种新的无监督深度学习方法，即生成对抗小波神经算子（GAWNO），用于多元时间序列过程的故障检测和隔离。该方法结合了小波神经算子和生成对抗网络（GANs）的优势，有效地捕捉底层系统中不同变量的时间分布和空间依赖关系，并通过基于重构误差的阈值方法来检测和隔离故障。通过在正常操作条件下的数据集上训练 GAWNO，并使用 Tennessee Eastman Process（TEP）数据集、Avedore 污水处理厂（WWTP）和 WWTPN2O 数据集验证了所提出的方法，结果显示相比文献中各种建立良好基线，将小波分析、神经算子和生成模型结合到一个框架中以检测和隔离故障的想法得到了有希望的结果。

    Jan, 2024

  • 一个用于电力分配网络中的网络攻击检测的无监督对抗自动编码器

    本研究提出了一种无监督对抗自编码器（AAE）模型，用于检测不平衡电力分配网格中的虚假数据注入攻击（FDIAs），并在 IEEE 13 巴士和 123 巴士系统上展示了其在检测网络攻击方面的卓越性能。

    Mar, 2024

  • 风力涡轮机叶片异常检测的非接触式传感：基于聚焦 - SVDD 和复数自编码器的方法

    本文利用频率调制连续波（FMCW）雷达作为一种非破坏性感知模式来增强制造质量保障，并开发了一种新的异常检测管道，它能在去除正常数据先验信息后专注于异常特征的属性

    Jun, 2023

  • 智能过滤辅助域对抗神经网络：一种用于噪声工业场景中故障诊断的无监督域自适应方法

    该研究提出了一种名为 SFDANN 的智能滤波技术辅助域对抗神经网络，用于解决工业环境下的故障诊断问题，该方法不仅可在不同条件之间实现操作经验和故障特征的转移，而且还可以很好地适应工业场景中的噪声。

    Jul, 2023

  • 基于生成对抗增强的多尺度卷积神经网络模型的滚动轴承故障诊断方法

    基于生成对抗增强多尺度卷积神经网络模型的滚动轴承故障诊断方法，通过编码滚动轴承的时间域信号并生成特征图，扩展训练样本集并提取故障特征，应用注意力机制进行特征加权和深度特征提取，通过 softmax 分类器完成故障诊断，具有更好的泛化性能和抗噪性能。

    Mar, 2024

  • 分布式发电下配电系统基于数据驱动的接地故障定位方法

    该研究提出了一种数据驱动的接地故障定位方法，通过分析处理后的数据的统计量，利用人工神经网络找到计算的电压特征与故障之间的映射关系，实现了接地故障的定位。研究结果表明该方法具有良好的潜力，并为测试鲁棒性而应用于未知系统状态的数据集。

    Feb, 2024

  • 通过生成对抗神经算子开展宽带地面运动合成：开发与验证

    我们提出了一个使用生成对抗神经运算器（GANO）、结合最新的机器学习技术和开放接入强动态数据集的数据驱动模型，能够根据震级（M）、破裂距离（Rrup）、顶部 30 米时间平均剪切波速度（VS30）以及构造环境或断层风格条件下生成三分量振动加速度时间历程的算法。我们使用神经运算器，这是一种具有分辨率不变性的架构，保证了模型训练与数据采样频率无关。我们首先介绍了条件地面运动合成算法（以下简称 cGM-GANO），并讨论了与以前工作相比的优势。接下来，我们使用南加州地震中心（SCEC）宽频平台（BBP）生成的模拟地面运动进行了 cGM-GANO 框架的验证。最后，我们在一个来自日本的 KiK-net 数据集上训练了 cGM-GANO，结果显示该框架能够恢复傅里叶幅度和伪谱加速度的震级、距离和 VS30 尺度。我们通过与经验数据集的残差分析以及与选定地面运动场景的传统地面运动模型（GMMs）进行比较来评估 cGM-GANO。结果显示 cGM-GANO 为相应构造环境产生一致的中位数尺度。在训练数据稀缺的情况下，在短距离上观察到最大的误差。除了短距离外，响应谱序列的混合变异性也能够很好地捕捉到，特别是对于俯冲事件由于训练数据的充分性。该框架的应用包括生成面向特定场地工程应用的风险定位地面运动。

    Sep, 2023

  • 基于多模块的条件变分自编码器预测 SNS 加速器中的 HVCM 故障

    利用基于条件变分自编码器的多模块框架检测来自多个高压换流器调制器的电力信号中的异常。通过以特定的换流器类型为条件模型，可以捕获正常波形的不同表示，并在给定模块类型的样本有限时提高模型对特定故障的敏感性。研究了几种神经网络架构用于我们的 CVAE 模型，并通过观察其稳定性和泛化性能来评估模型性能。通过实验室实验数据表明，训练模型能够很好地推广到多个高压换流器模块类型的多个故障类型检测。这项研究的结果可以用于提高高压换流器调制器的可靠性和整体的 SNS 连续运行时间。

    Apr, 2023

  • 基于动态特征重构信号图的旋转机械故障识别

    本研究提出了一种动态特征重构信号图方法，采用小波包分解（WPD）和 2D-CNN 作为故障诊断模型，能够在高噪声下更好的实现旋转机械的故障诊断。

    May, 2023

  • 基于量子化非挥发性纳米磁阻元件的自编码器用于高效无监督网络异常检测

    基于自动编码器的异常检测范式中，依靠具有实时学习能力的边缘设备实现自动编码器是一项极富挑战性的任务。通过设计具有低分辨率的非挥发性存储器型突触的自动编码器，并采用一种有效的量化神经网络学习算法，我们证明这些限制可以得到解决。我们提出了一种带有工程化凹槽的铁磁记录道，以磁域壁作为自动编码器的突触，其中通过自旋轨道涡流脉冲来操作有限状态（5 状态）的突触权重。我们在 NSL-KDD 数据集上评估了所提出的自动编码器模型对异常检测的性能。通过对突触进行有限分辨率和 DW 器件随机性感知的训练，我们得到了与拥有浮点精度权重的自动编码器相当的异常检测性能。虽然量化状态的有限数量和纳米尺度器件中固有的随机性对性能有负面影响，但我们的面向硬件的训练算法被证明可以利用这些不完善的器件特性，从而提高异常检测的准确性（90.98%），相较于使用浮点训练权重的准确性。此外，我们的 DW-based 方法在训练过程中相较于浮点训练方法重要减少了至少三个数量级的权重更新，意味着我们的方法可以大大节省能量。这项工作有望推动非挥发多状态突触型处理器的极高能效、能够在边缘上对无监督数据进行实时训练和推断的发展。

    Sep, 2023