关键词： 格拉姆角场   故障诊断   深度学习   神经网络  

摘要： 为了充分发挥深度卷积神经网络识别二维图片在轴承故障诊断过程中的优势，这里提出了一种改进的格拉姆角场，改进后的算法在生成图片后具有更多的特征，经验证其在神经网络训练中收敛速度更快。其次结合改进的CNN模型，改进后的模型引进深度卷积结合注意力机制，保证模型在实现更少模型参数和更快的推理速度同时，在验证集能够取得更高的准确率。试验和研究结果表明，该图片编码方式结合改进的神经网络，在模型收敛上更迅速，并且在验证集上具有更好的准确率和鲁棒性。

关键词： 气体绝缘组合电器(GIS)   局部放电   特高频   格拉姆角场   多尺度卷积神经网络   故障诊断  

摘要： 气体绝缘组合电器(GIS)的局部放电特性具有分散性和复杂性，依赖人工经验提取的特征无法细致表述数据特征的全貌。因此，本文提出了一种基于格拉姆角场(GADF)和融合注意力机制的多尺度卷积神经网络(SE-MSCNN)的GIS局部放电故障诊断模型。首先对实验采集的缺陷信号进行归一化和极坐标编码并采用GAF方法转化为二维图像，作为诊断模型的前置输入;然后采用最大池化层和平均池化层处理故障信号，引入注意力机制从不同尺度提取故障特征并通过全连接层实现特征融合；最后使用Softmax分类器进行分类识别。理论与实验结果表明:利用文中方法生成的格拉姆差场图像集具有很好的区分效果，在多尺度卷积网络模型中准确率达到了98.75%，实现了对GIS局部放电故障的有效诊断。

关键词： 风电机组主轴承   Welch功率谱   变分模态多谐波提取   加权奇异值分解   鳑鮍鱼优化算法  

摘要： 针对风电机组主轴承噪声干扰较多，故障难以准确诊断的问题，提出一种基于自适应变分多谐波模态提取(AVMHME)和线性峭度加权奇异值分解(WSVD)的故障诊断方法。首先利用Welch功率谱估计方法，得到谱图中主要峰值位置，推测信号的中心频率，其次利用鳑鮍鱼优化算法对变分多谐波模态提取方法中影响参数进行寻优，使用最优参数下的AVMHME方法对原始信号进行提取得到蕴含丰富故障信息的信号分量。随后通过WSVD方法对所得信号分量进行降噪处理，采用线性峭度表征各子分量故障特征信息，并对含有较多故障特征的降噪信号分量加权重构并对重构信号进行包络分析，从中诊断出微弱的风电机组主轴承故障特征频率成分。仿真信号及现场数据分析结果表明，所研究方法可以有效找出风电机组主轴承的微弱故障特征，实现主轴承故障的准确诊断。

关键词： 输电线路   故障辨识   多源数据融合   人工智能   模型融合  

摘要： 输电线路是电力系统稳定运行的关键元素，当输电线路发生故障时，如何快速而准确地识别故障原因对电力系统安全稳定运行具有重要意义。针对现有输电线路故障原因辨识方案存在准确度低等问题，提出一种多源数据融合的输电线路故障原因辨识方法。首先，刻画输电线路不同故障类型的外界干扰因素和数据波形特征，为多源数据输入提供理论支持；其次，利用格拉姆角场及特征编码对故障信息进行预处理，从时序波形、二维图像和离散特征角度构造不同故障类型的特征表达方式；然后，设计了一种自适应边界参数融合长短时记忆神经网络、卷积神经网络和人工神经网络对输电线路故障原因进行辨识分类；最后，通过真实数据对比测试验证了所提方法的有效性和先进性，为完成高精度的输电线路故障原因辨识任务提供可靠解决方案。

关键词： 低压架空线路   验电接地装置   故障诊断与测量   电压信号   小波包   SOM神经网络  

摘要： 为改善其故障诊断效果的同时，提高接地线操作的安全性，研究基于新型配网低压架空线路验电接地装置故障诊断与测量技术。在分析新型配网低压架空线路验电接地装置结构的基础上，利用其测量配网低压架空线路是否有电，以安全执行接地线挂、拆操作。利用传感器获取其运行电压信号，采用小波包分析法对其作多尺度分解处理，获取验电接地装置故障特征后，将其输入到基于SOM神经网络的故障诊断模型中，实现验电接地故障类型的识别。实验结果表明:验电接地装置故障时，其电压信号波动频率加快，波动幅度差异较大;该技术可实现其电压信号特征的提取，并诊断其故障类别，诊断效果突出;可对配网低压架空线路作是否有电测量，实现监控接地刀闸状态的控制与监控。

关键词： 新型配电系统   故障诊断   小波包变换   门控循环单元   注意力机制  

摘要： 为了解决高比例分布式电源接入的新型配电系统故障诊断准确率低、继电保护装置灵敏性和可靠性无法满足需求的问题，提出一种基于改进注意力门控循环单元的新型配电系统继电保护故障诊断方法。首先，对配电网三相电流进行小波包变换，提取故障电流时频能量谱。其次，把三相电流时频能量谱输入到门控循环单元中，将每个通道故障特征提取出来。然后，通过注意力机制分析不同时序故障特征关系和不同通道之间特征关系，经过Softmax分类器实现故障定位和分类。最后，通过搭建的配电网动模试验表明，所提方法对新型配电系统故障诊断具有较高的准确率。相比于无注意力门控循环单元、卷积神经网络、支持向量机，故障定位准确率分别提升了1.6%、3.9%、5.5%，故障分类准确率分别提升了2.3%、3.1%、9.8%。

关键词： 地铁列车   滚动轴承   故障诊断   变分模态分解   Elman神经网络   麻雀搜索算法  

摘要： 滚动轴承作为地铁列车的重要组成之一，直接影响列车安全，针对现有滚动轴承故障诊断方法存在的准确率差和效率低等问题，在对滚动轴承进行故障分析的基础上，提出将改进的变分模态分解和改进的Elman神经网络相结合用于地铁列车滚动轴承振动信号的特征提取和故障诊断。通过改进的麻雀搜索算法对变分模式分解算法（分解个数和惩罚因子）和Elman神经网络（权重和阈值）进行寻优，提高特征提取和故障诊断精度和效率。通过实验对其性能进行分析。结果表明，相比于常规方法，所提地铁列车滚动轴承振动信号特征提取方法收敛速度快和运行时间短，故障诊断模型具有较高的诊断准确率和效率，故障诊断准确率达99.00%，平均诊断时间2.02s，具有一定的实用价值。

关键词： 风力发电机   在线故障诊断   深度置信网络   麻雀搜索算法   降噪自编码器  

摘要： 针对风力发电机运行过程产生数据量大、传统数据驱动方法无法有效在线对故障进行诊断的问题，提出一种改进深度置信网络（Deep Belief Network，DBN）模型对风力发电机故障进行在线诊断。首先，建立风力发电机基准模型，针对DBN网络结构参数调整困难的问题，引入麻雀搜索算法（Sparrow Search Algorithm，SSA)对模型参数进行优化。其次，针对噪声背景下诊断效果下降的问题，提出利用降噪自编码器（Denoise Auto Encoder Decoder，DAE）对含噪声传感器数据进行降噪处理。最后，利用所提模型对风力发电机运行中产生数据进行分析，实现风力发电机的在线故障诊断。实验结果表明，所提模型能对风力发电机各故障进行有效在线故障诊断，在噪声环境下具有较好的鲁棒性。

关键词： 参数化   直齿轮   CAD/CAE   接触应力   有限元   NX二次开发  

摘要： 针对传统齿轮接触性能CAD/CAE集成中的模型转换精度损失和重复建模的问题，提出了基于NX平台的参数化CAD/CAE集成的直齿轮接触应力分析方法；首先，在CAD建模中，结合直齿轮几何参数与渐开线齿廓、过渡曲线的数学模型，实现直齿轮的参数化设计和自动装配；其次，在CAE仿真中，以三齿齿轮装配CAD几何模型作为输入，构造齿轮接触应力有限元计算过程，重点探讨了直齿轮网格划分、材料属性定义、接触属性定义以及载荷施加等前处理实施过程；然后，描述了基于NX二次开发的直齿轮CAD/CAE集成系统开发流程；最后，齿轮接触应力仿真结果与理论计算进行比较，具有良好的一致性，验证了所开发程序的准确性与有效性。研究为齿轮CAD/CAE集成设计与分析提供了一个高效便捷的仿真途径。

关键词： 电缆开关   X射线数字成像   YOLOv8n   空间与通道重建卷积   幻影卷积   注意力机制  

摘要： 【目的】针对电缆开关图像检测算法存在模型复杂、检测效率低等问题，提出一种改进的基于全局注意力机制和幻影卷积的轻量级YOLOv8n模型——SGG-YOLOv8n，以实现X射线数字成像（x-ray digital radiography，X-DR）电缆开关故障的快速精准诊断。【方法】以YOLOv8n模型为基础，在其骨干网路和颈部网络引入空间与通道重建卷积（spatial and channel reconstruction convolution，SCConv），即将C2f模块的Bottleneck替换成SCConv模块，以增强模型感受野的灵活性，提升其检测效率和性能；同时，在YOLOv8n模型的颈部网络中，引入幻影卷积（ghost convolution，GhostConv）代替原有的Conv模块，以有效减少模型计算量和参数量，从而实现模型的轻量化；此外，在检测头前引入全局注意机制（global attention mechanism，GAM），进一步增强模型对全局特征信息的感知能力。【结果】在基于X-DR电缆开关图像数据集上的实验表明，与YOLOv8n相比，本文提出的SGG-YOLOv8n模型参数量降低了0.39 M，计算量下降了0.9 GFLOPs，精度提升了1.4%，召回率提升了1.4%，mAP@50提升了1.7%，mAP@50-95提高了1.2%，模型处理速度达65帧/秒。【结论】本文方法已实际应用于基于X-DR的电缆开关故障诊断中。模型应用后，电缆开关故障诊断准确率也从原来的87.9%提升至91.4%。