为解决风电机组故障诊断中故障样本不足而导致模型准确率不高的问题,将当下备受关注的数据增强方法-去噪扩散概率模型(denoising diffusion probability model,DDPM)引入到故障诊断领域以生成大量高质量的故障样本数据集。因此,结合Tran...为解决风电机组故障诊断中故障样本不足而导致模型准确率不高的问题,将当下备受关注的数据增强方法-去噪扩散概率模型(denoising diffusion probability model,DDPM)引入到故障诊断领域以生成大量高质量的故障样本数据集。因此,结合Transformer网络,提出了一种DDPM-Transformer风电机组故障样本生成方法。首先,将用于计算机视觉图像生成领域的DDPM模型应用于风电机组故障诊断领域中,通过前向加噪过程将数据逐渐转化为噪声,再通过逆向去噪过程将噪声逐步恢复为原始数据,实现从噪声中生成故障数据,解决数据不平衡问题;其次,通过对原始DDPM中使用的U-net模块进行改进,使用Transformer模型替换U-net网络,利用扩散后的数据和添加的噪声训练Transformer模型,实现噪声预测,以提高故障数据的生成质量;最后,使用多种生成模型评价指标对生成的故障数据进行评价,在监督控制和数据采集系统(supervisory control and data acquisition,SCADA)故障数据生成中论证改进DDPM-Transformer模型的性能。通过试验证明,所提DDPM-Transformer模型与现有的生成模型相比,最大均值异(maximum mean discrepancy,MMD)最大提升0.13,峰值信噪比(peak signal to noise ratio,PSNR)最大提升7.8。所提模型可以有效地生成质量更高的风电机组故障样本,从而基于该样本集辅助训练基于深度学习的故障诊断模型,可以使诊断模型具有更高精度和良好的稳定性。展开更多
针对轮毂电机驱动汽车(hub motor driven vehicle,HMDV)因开关磁阻电机自重和电机气隙偏心导致产生的垂向振动负效应严重恶化车辆的平顺性和操稳性的问题,提出一种基于分数阶滑模控制的HMDV可控动惯性悬架优化设计方法。首先,在轮毂驱...针对轮毂电机驱动汽车(hub motor driven vehicle,HMDV)因开关磁阻电机自重和电机气隙偏心导致产生的垂向振动负效应严重恶化车辆的平顺性和操稳性的问题,提出一种基于分数阶滑模控制的HMDV可控动惯性悬架优化设计方法。首先,在轮毂驱动电机气隙偏心产生的不平衡径向力基础上,建立HMDV 1/4混棚动惯性悬架,理论证明二阶混棚正实网络的优异性能;其次,采用HMDV二阶混棚正实网络作为参考模型,构建基于分数阶滑模控制理论的HMDV协调控制系统,在随机路面下进行平顺性仿真和分析;最后,进行HMDV 1/4悬架台架试验。试验结果表明,HMDV可控动惯性悬架与HMDV传统被动悬架相比,车身加速度均方根值、悬架动行程均方根值以及轮胎动载荷均方根值最大降幅分别为7.72%、30.64%以及11.54%。验证了所设计的HMDV可控动惯性悬架对于由开关磁阻电机造成的垂向振动负效应有优异的抑制性能。展开更多
文摘为解决风电机组故障诊断中故障样本不足而导致模型准确率不高的问题,将当下备受关注的数据增强方法-去噪扩散概率模型(denoising diffusion probability model,DDPM)引入到故障诊断领域以生成大量高质量的故障样本数据集。因此,结合Transformer网络,提出了一种DDPM-Transformer风电机组故障样本生成方法。首先,将用于计算机视觉图像生成领域的DDPM模型应用于风电机组故障诊断领域中,通过前向加噪过程将数据逐渐转化为噪声,再通过逆向去噪过程将噪声逐步恢复为原始数据,实现从噪声中生成故障数据,解决数据不平衡问题;其次,通过对原始DDPM中使用的U-net模块进行改进,使用Transformer模型替换U-net网络,利用扩散后的数据和添加的噪声训练Transformer模型,实现噪声预测,以提高故障数据的生成质量;最后,使用多种生成模型评价指标对生成的故障数据进行评价,在监督控制和数据采集系统(supervisory control and data acquisition,SCADA)故障数据生成中论证改进DDPM-Transformer模型的性能。通过试验证明,所提DDPM-Transformer模型与现有的生成模型相比,最大均值异(maximum mean discrepancy,MMD)最大提升0.13,峰值信噪比(peak signal to noise ratio,PSNR)最大提升7.8。所提模型可以有效地生成质量更高的风电机组故障样本,从而基于该样本集辅助训练基于深度学习的故障诊断模型,可以使诊断模型具有更高精度和良好的稳定性。
