基于格拉姆角场和PCNN-BiGRU模型的故障诊断方法及其应用

TV734.1%TK05; 研究提出了一种基于信号处理和深度学习技术的水电机组故障诊断方法.首先,利用VMD对水电机组的原始信号进行分解和重构,以实现信号的降噪,并得到本征模态函数(IMF);随后,通过格拉姆角场(GAF)变换,将IMF转换为GASF和GADF图像.然后将所有图像数据输入到双通道并行二维卷积神经网络与双向门控循环单元(PCNN-BiGRU)模型中进行训练.该模型通过CNN提取特征图,并将其输入到BiGRU中,以保持对时间特征的敏感度并剔除冗余信息;最后,为验证该方法的有效性,结合实际电站机组样本数据进行比较试验,对所提方法提供高效、准确的水电机组故障诊断解决方案进行了验证....

Full description

Saved in:
Bibliographic Details
Published in中国农村水利水电 no. 2; pp. 121 - 128
Main Authors 盛世龙, 王淑青, 王云鹤, 翟宇胜, 刘冬
Format Journal Article
LanguageChinese
Published 湖北工业大学电气与电子工程学院,湖北 武汉 430068%武汉大学动力与机械学院,湖北 武汉 430072%华北水利水电大学能源与动力工程学院,河南 郑州 450045 15.02.2025
Subjects
BiGRU
格拉姆角场
fault diagnosis
Parallel CNN
Gramian Angular Field
故障诊断
并行CNN
hydroelectric unit
VMD
水电机组
Online AccessGet full text
ISSN1007-2284
DOI10.12396/znsd.240796

Cover

More Information
Summary:TV734.1%TK05; 研究提出了一种基于信号处理和深度学习技术的水电机组故障诊断方法.首先,利用VMD对水电机组的原始信号进行分解和重构,以实现信号的降噪,并得到本征模态函数(IMF);随后,通过格拉姆角场(GAF)变换,将IMF转换为GASF和GADF图像.然后将所有图像数据输入到双通道并行二维卷积神经网络与双向门控循环单元(PCNN-BiGRU)模型中进行训练.该模型通过CNN提取特征图,并将其输入到BiGRU中,以保持对时间特征的敏感度并剔除冗余信息;最后,为验证该方法的有效性,结合实际电站机组样本数据进行比较试验,对所提方法提供高效、准确的水电机组故障诊断解决方案进行了验证.
ISSN:1007-2284
DOI:10.12396/znsd.240796