基于ZigBee网络铺设成本低和传输效率高的优点,提出一种基于ZigBee网络和视频监控的电力设备故障监测与诊断方法。首先通过视频监控设备和传感器采集电力设备故障信号数据,识别过程中采用小波包3层分解和重构电力设备故障信号数据提取小波包能量特征;然后将其特征数据划分成训练样本和测试样本,在极限学习机的基础上引入正则化因子,提出了正则化极限学习机算法,用于进行故障分类、诊断和识别;最后将训练样本作为RELM模型的输入和输出,建立电力设备故障RELM识别模型进行故障识别。与ELM、SVM和BPNN相比,运用RELM进行电力设备故障诊断具有更高的诊断准确率和更低的误判率。

空化现象的产生严重制约了轴向柱塞泵向高速高压方向发展,需要对柱塞泵的空化状态检测与智能故障诊断展开研究,因此,结合深度学习网络与非线性分类器的优点,提出了一种基于CBLRE(CNN+BiLSTM+RELM)模型的柱塞泵空化状态识别方法(检测模型)。首先,对不同空化状态下柱塞泵的一维原始振动信号进行了数据增强,并对其进行了标准化处理;然后,利用卷积神经网络(CNN)自动提取信号的特征,并对其进行了特征降维处理;利用双向长短期记忆(Bi-LSTM)网络学习特征序列的时间依赖性,利用正则化极限学习机(RELM)的非线性分类器对特征进行了分类,实现了对柱塞泵的空化状态检测与智能故障诊断;最后,为测试CBLRE模型的性能,搭建了实验平台,在此之上将CBLRE模型与其他模型进行了对比,分析了该模型在不同工况下的性能表现。研究结果表明:该模型的结构稳定、训练时间短,且...