CN108680807A - 基于条件生成式对抗网络的变压器故障诊断方法和系统 - Google Patents
基于条件生成式对抗网络的变压器故障诊断方法和系统 Download PDFInfo
- Publication number
- CN108680807A CN108680807A CN201810475042.9A CN201810475042A CN108680807A CN 108680807 A CN108680807 A CN 108680807A CN 201810475042 A CN201810475042 A CN 201810475042A CN 108680807 A CN108680807 A CN 108680807A
- Authority
- CN
- China
- Prior art keywords
- data
- discriminator
- transformer
- network
- generator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种基于条件生成式对抗网络的变压器故障诊断方法,其包括步骤:(1)收集变压器状态历史监测数据,形成变压器故障诊断数据集,将变压器故障诊断数据集划分为训练集和测试集;(2)构建条件生成式对抗网络为多层感知器结构,所述条件生成式对抗网络具有生成器和鉴别器,所述鉴别器的N类输出包括:N‑1类故障类型以及一类关于数据是否是来自于生成器的模拟故障数据的判断结果;(3)对生成器和鉴别器进行训练和测试;(4)将采集的变压器状态实时监测数据输入鉴别器,从所述鉴别器的输出获得变压器故障诊断结果。此外,本发明还公开了基于条件生成式对抗网络的系统。该变压器故障诊断方法可以实现变压器设备缺陷的自动辨识。
Description
技术领域
本发明涉及一种故障诊断方法和系统,尤其涉及一种用于变压器的故障诊断方法和系统
背景技术
深入研究电力变压器故障诊断技术,可及时发现电力变压器潜伏性故障,准确识别故障类型及特征,对制定合适的检修策略具有指导性意义,对降低电力事故经济损失、提高电网可靠性具有重要现实意义。
然而,目前由于变压器结构复杂,运行故障因素众多,出现故障的特征亦是难以总结,设备的故障征兆与故障类型之间往往不存在一一对应关系。因此,对变压器故障进行诊断时,若仅仅依靠其运行规则与事先确定好的设备运行参数之间的关系,难以对变压器故障进行有效、准确的诊断。虽然,近年来,随着计算机和网络技术的发展,出现了大量蕴含变压器故障信息的在线数据,然而,传统方法存在结构复杂、局部收敛、计算速度慢、准确率低等一系列问题。
基于此,期望获得一种变压器故障诊断方法,通过该变压器故障诊断方法可以实现变压器设备缺陷的自动辨识、故障智能诊断。
发明内容
本发明的目的之一在于提供一种基于条件生成式对抗网络的变压器故障诊断方法,通过该基于条件生成式对抗网络的变压器故障诊断方法可以实现变压器设备缺陷的自动辨识、故障智能诊断。
基于上述目的,本发明提出了一种基于条件生成式对抗网络的变压器故障诊断方法,其包括步骤:
(1)收集变压器状态历史监测数据,形成变压器故障诊断数据集,将变压器故障诊断数据集划分为训练集和测试集;
(2)构建条件生成式对抗网络为多层感知器结构,所述条件生成式对抗网络具有生成器和鉴别器,所述鉴别器的N类输出包括:N-1类故障类型以及一类关于数据是否是来自于生成器的模拟故障数据的判断结果;
(3)对生成器和鉴别器进行训练和测试;
(4)将采集的变压器状态实时监测数据输入鉴别器,从所述鉴别器的输出获得变压器故障诊断结果。
在本发明所述的基于条件生成式对抗网络的变压器故障诊断方法中,通过对条件生成式对抗网络(Conditional Generative Adversarial Nets,简称CGAN)的生成器和鉴别器的训练和测试,从而获得鉴别效果良好的生成器和鉴别器,通过训练好的鉴别器对故障进行诊断识别。
进一步地,在本发明所述的基于条件生成式对抗网络的变压器故障诊断方法中,所述变压器故障诊断数据集包括有标签数据和无标签数据。
采用基于条件生成式对抗网络对变压器进行故障诊断时,该诊断过程利用了无标签数据来学习故障样本分布,从而辅助有标签数据的监督学习训练过程,保证了变压器故障诊断数据集的特征信息的多样性和完善性,提高了变压器故障诊断的精度。
需要说明的是,在本发明所述的技术方案中,标签对应的是某种故障类型,也就是说,有标签数据是指变压器状态监测数据与某种故障类型的对应关系已知的数据,而无标签数据是指尚未与某种故障类型对应的变压器状态监测数据。
进一步地,在本发明所述的基于条件生成式对抗网络的变压器故障诊断方法中,所述有标签数据包括各电网公司的变压器的油色谱成功检测的案例数据,所述无标签数据包括变压器油色谱在线监测数据。
进一步地,在本发明所述的基于条件生成式对抗网络的变压器故障诊断方法中,在步骤(1)中,将全部无标签数据和随机选取的部分有标签数据作为训练集,将其余有标签数据作为测试集。
进一步地,在本发明所述的基于条件生成式对抗网络的变压器故障诊断方法中,所述鉴别器为三层网络结构,其包括输入层、中间隐层和输出层;并且/或者所述生成器为三层网络结构,其包括输入层、中间隐层和输出层。
更进一步地,在本发明所述的基于条件生成式对抗网络的变压器故障诊断方法中,在步骤(3)中,重复以下多个周期的训练:
采用训练集训练鉴别器,训练目标为鉴别器正确识别样本数据为真,且有标签数据与真实标签一致,无标签数据的损失最小;
将高斯随机噪声数据输入生成器,以生成模拟故障数据,将模拟故障数据作为输入来训练鉴别器,训练目标为鉴别器能够正确识别数据是否是来自于生成器生成的模拟故障数据;
采用鉴别器的输出训练生成器。
相应地,本发明的另一目的在于提供一种基于条件生成式对抗网络的变压器故障诊断系统,通过该基于条件生成式对抗网络的变压器故障诊断系统对变压器故障进行故障诊断。
基于上述目的,本发明还提出了一种基于条件生成式对抗网络的变压器故障诊断系统,其包括:
数据库,其存储有基于变压器状态历史监测数据形成的变压器故障诊断数据集,所述变压器故障诊断数据集被划分为训练集和测试集;
具有多层感知器结构的条件生成式对抗网络,所述条件生成式对抗网络具有生成器和鉴别器,所述鉴别器的N类输出包括:N-1类故障类型以及一类关于数据是否是来自于生成器的模拟故障数据的判断结果;
其中,对生成器和鉴别器进行训练和测试后,将采集的变压器状态实时监测数据输入鉴别器,从所述鉴别器的输出即获得变压器故障诊断结果。
进一步地,在本发明所述的基于条件生成式对抗网络的变压器故障诊断系统中,所述变压器故障诊断数据集包括有标签数据和无标签数据。
更进一步地,在本发明所述的基于条件生成式对抗网络的变压器故障诊断系统中,将全部无标签数据和随机选取的部分有标签数据作为训练集,将其余有标签数据作为测试集。
进一步地,在本发明所述的基于条件生成式对抗网络的变压器故障诊断系统中,所述鉴别器为三层网络结构,其包括输入层、中间隐层和输出层;并且/或者所述生成器为三层网络结构,其包括输入层、中间隐层和输出层。
更进一步地,在本发明所述的基于条件生成式对抗网络的变压器故障诊断系统中,重复以下多个周期的训练以对生成器和鉴别器进行训练:
采用训练集训练鉴别器,训练目标为鉴别器正确识别样本数据为真,且有标签数据与真实标签一致,无标签数据的损失最小;
将高斯随机噪声数据输入生成器,以生成模拟故障数据,将模拟故障数据作为输入来训练鉴别器,训练目标为鉴别器能够正确识别数据是否是来自于生成器生成的模拟故障数据;
采用鉴别器的输出训练生成器。
本发明所述的基于条件生成式对抗网络的变压器故障诊断方法可以实现变压器设备缺陷的自动辨识、故障智能诊断,且诊断结果准确度高。
此外,本发明所述的基于条件生成式对抗网络的变压器故障诊断系统也具有上述优点。
附图说明
图1为本发明所述的基于条件生成式对抗网络的变压器故障诊断方法在一种实施方式下的流程示意图。
图2显示了本发明所述的基于条件生成式对抗网络的变压器故障诊断方法在一种实施方式下的操作流程。
图3为本发明所述的基于条件生成式对抗网络的变压器故障诊断方法在一种实施方式下的示意图。
具体实施方式
下面将结合说明书附图和具体的实施例对本发明所述的基于条件生成式对抗网络的变压器故障诊断方法和系统做进一步的解释和说明,然而该解释和说明并不对本发明的技术方案构成不当限定。
图1为本发明所述的基于条件生成式对抗网络的变压器故障诊断方法在一种实施方式下的流程示意图。
如图1所示,在本实施方式中,基于条件生成式对抗网络的变压器故障诊断方法,包括步骤:
(1)收集变压器状态历史监测数据,形成变压器故障诊断数据集,变压器故障诊断数据集包括有标签数据和无标签数据,将全部无标签数据和随机选取的部分有标签数据作为训练集,将其余有标签数据作为测试集,例如:通过全国各电网公司油色谱检测得到收集了3600例有标签数据以及1200例无标签数据,其中,1200例无标签数据以及从3600例有标签数据中随机选取的2700例的有标签数据作为训练集,而其余900例有标签数据作为测试集,其中,标签类型包括:正常、低温过热、中温过热、高温过热、局部放电、低能放电、高能放电、低能放电兼过热以及高能放电兼过热;
(2)构建条件生成式对抗网络(以下简称CGAN网络)为多层感知器结构,CGAN网络具有生成器和鉴别器,鉴别器为三层网络结构,其包括输入层、中间隐层和输出层;并且所述生成器为三层网络结构,其包括输入层、中间隐层和输出层,鉴别器的N类输出包括:N-1类故障类型以及一类关于数据是否是来自于生成器的模拟故障数据的判断结果,将鉴别器的输入层、中间隐层和输出层的神经元节点数设置为9、20以及10,训练周期为1000,学习率为0.1,而生成器的输入层、中间隐层和输出层的神经元节点数为9、20以及9,训练周期为1000,学习率为0.15,其中N-1类故障类型包括:正常、低温过热、中温过热、高温过热、局部放电、低能放电、高能放电、低能放电兼过热以及高能放电兼过热;
(3)对生成器和鉴别器进行训练和测试;
(4)将采集的变压器状态实时监测数输入鉴别器,从所述鉴别器的输出获得变压器故障诊断结果。
在本实施方式的步骤(3)中,重复以下多个周期的训练:
采用训练集训练鉴别器,训练目标为鉴别器正确识别样本数据为真,且有标签数据与真实标签一致,无标签数据的损失最小;
将高斯随机噪声数据输入生成器,以生成模拟故障数据,将模拟故障数据作为输入来训练鉴别器,训练目标为鉴别器能够正确识别数据是否是来自于生成器生成的模拟故障数据;
采用鉴别器的输出训练生成器。
需要说明的是,在一些其他的实施方式中,在步骤(1)中,有标签数据包括各电网公司的变压器的油色谱成功检测的案例数据,无标签数据包括变压器油色谱在线监测数据。
在一些其他的实施方式中,在步骤(2)中,鉴别器为三层网络结构,其包括输入层、中间隐层和输出层;或者所述生成器为三层网络结构,其包括输入层、中间隐层和输出层。
图2显示了本发明所述的基于条件生成式对抗网络的变压器故障诊断方法在一种实施方式下的操作流程。
如图2所示,通过搜集变压器状态历史监测数据,形成变压器故障诊断数据集,变压器故障诊断数据集包括有标签数据和无标签数据,将全部无标签数据和随机选取的部分有标签数据作为训练集,将其余有标签数据作为测试集,随后确定CGAN网络架构为多层感知器,并确定输入和输出参量,具体的基本参数本领域内的技术人员可以根据实施方式的具体情况进行设置,设置的基本参数包括网络层数、神经元节点数、训练周期以及学习率,优选地,采用鉴别器采用三层网络结构,其包括输入层、中间隐层和输出层,其中鉴别器的输入层、中间隐层和输出层的神经元节点数设置为9、20以及10,训练周期为1000,学习率为0.1,而生成器采用三层网络结构,其包括输入层、中间隐层和输出层,其中生成器的输入层、中间隐层和输出层的神经元节点数为9、20以及9,训练周期为1000,学习率为0.15。
随后利用训练集训练鉴别器,要求训练鉴别器正确识别样本数据为真,且有标签数据与真实标签一致,无标签数据的损失最小。
接着通过高斯随机噪声数据输入生成器,生成模拟故障数据,作为输入来训练鉴别器,训练目标为鉴别器正确识别生成的模拟故障数据为假。
随后向鉴别器输入模拟故障数据,将鉴别器的输出作为标签训练生成器,实现竞争与对抗的训练机制。
重复多个周期训练鉴别器和生成器,直至生成数据合理且鉴别模型识别效果良好。保存生成器网络参数和鉴别器网络参数。
利用训练好的鉴别器网络数据,对测试集的样本数据进行诊断识别,验证鉴别器对变压器故障诊断结果的判断是否准确。
最终将采集的变压器状态实时监测数输入鉴别器,从鉴别器的输出获得变压器故障诊断结果。
图3为本发明所述的基于条件生成式对抗网络的变压器故障诊断方法在一种实施方式下的示意图。
如图3所示,数据库存储由基于变压器状态历史监测数据形成的变压器故障诊断数据集,其中,变压器故障诊断数据集分为训练集以及测试集,采用训练集训练鉴别器,训练目标为鉴别器正确识别样本数据为真,且有标签数据与真实标签一致,无标签数据的损失最小。
在本实施方式中,鉴别器的输出9类故障类型(故障类型包括:正常、低温过热、中温过热、高温过热、局部放电、低能放电、高能放电、低能放电兼过热以及高能放电兼过热)以及模拟故障数据,采用鉴别器的输出数据训练生成器,最终通过训练集以及高斯随机噪声数据所生成的模拟故障数据训练鉴别器,使得鉴别器能够正确识别数据是否是来自于生成器生成的模拟故障数据。
将鉴别识别效果良好的生成器以及鉴别器的网络参数保存,随后将测试集的数据输入鉴别器中,对鉴别器进行验证。由此完成鉴别器的建立过程。
之后,当需要对变压器状态或故障进行诊断时,将采集的变压器状态实时监测数输入鉴别器,从鉴别器的输出即可获得变压器故障诊断结果。
由此可以看出,本案的基于条件生成式对抗网络的变压器故障诊断方法和系统可以实现变压器设备缺陷的自动辨识、故障智能诊断,且诊断结果准确度高。
需要说明的是,本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例,所有不与本发明的方案相矛盾的现有技术,包括但不局限于在先专利文献、在先公开出版物,在先公开使用等等,都可纳入本发明的保护范围。
此外,本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式,本案记载的所有技术特征可以以任何方式进行自由组合或结合,除非相互之间产生矛盾。
还需要注意的是,以上所列举的实施例仅为本发明的具体实施例。显然本发明不局限于以上实施例,随之做出的类似变化或变形是本领域技术人员能从本发明公开的内容直接得出或者很容易便联想到的,均应属于本发明的保护范围。
Claims (11)
1.一种基于条件生成式对抗网络的变压器故障诊断方法,其特征在于,包括步骤:
(1)收集变压器状态历史监测数据,形成变压器故障诊断数据集,将变压器故障诊断数据集划分为训练集和测试集;
(2)构建条件生成式对抗网络为多层感知器结构,所述条件生成式对抗网络具有生成器和鉴别器,所述鉴别器的N类输出包括:N-1类故障类型以及一类关于数据是否是来自于生成器的模拟故障数据的判断结果;
(3)对生成器和鉴别器进行训练和测试;
(4)将采集的变压器状态实时监测数据输入鉴别器,从所述鉴别器的输出获得变压器故障诊断结果。
2.如权利要求1所述的基于条件生成式对抗网络的变压器故障诊断方法,其特征在于,所述变压器故障诊断数据集包括有标签数据和无标签数据。
3.如权利要求2所述的基于条件生成式对抗网络的变压器故障诊断方法,其特征在于,所述有标签数据包括各电网公司的变压器的油色谱成功检测的案例数据,所述无标签数据包括变压器油色谱在线监测数据。
4.如权利要求2所述的基于条件生成式对抗网络的变压器故障诊断方法,其特征在于,在步骤(1)中,将全部无标签数据和随机选取的部分有标签数据作为训练集,将其余有标签数据作为测试集。
5.如权利要求1所述的基于条件生成式对抗网络的变压器故障诊断方法,其特征在于,所述鉴别器为三层网络结构,其包括输入层、中间隐层和输出层;并且/或者所述生成器为三层网络结构,其包括输入层、中间隐层和输出层。
6.如权利要求2所述的基于条件生成式对抗网络的变压器故障诊断方法,其特征在于,在步骤(3)中,重复以下多个周期的训练:
采用训练集训练鉴别器,训练目标为鉴别器正确识别样本数据为真,且有标签数据与真实标签一致,无标签数据的损失最小;
将高斯随机噪声数据输入生成器,以生成模拟故障数据,将模拟故障数据作为输入来训练鉴别器,训练目标为鉴别器能够正确识别数据是否是来自于生成器生成的模拟故障数据;
采用鉴别器的输出训练生成器。
7.一种基于条件生成式对抗网络的变压器故障诊断系统,其特征在于,包括:
数据库,其存储有基于变压器状态历史监测数据形成的变压器故障诊断数据集,所述变压器故障诊断数据集被划分为训练集和测试集;
具有多层感知器结构的条件生成式对抗网络,所述条件生成式对抗网络具有生成器和鉴别器,所述鉴别器的N类输出包括:N-1类故障类型以及一类关于数据是否是来自于生成器的模拟故障数据的判断结果;
其中,对生成器和鉴别器进行训练和测试后,将采集的变压器状态实时监测数据输入鉴别器,从所述鉴别器的输出即获得变压器故障诊断结果。
8.如权利要求7所述的基于条件生成式对抗网络的变压器故障诊断系统,其特征在于,所述变压器故障诊断数据集包括有标签数据和无标签数据。
9.如权利要求8所述的基于条件生成式对抗网络的变压器故障诊断系统,其特征在于,将全部无标签数据和随机选取的部分有标签数据作为训练集,将其余有标签数据作为测试集。
10.如权利要求7所述的基于条件生成式对抗网络的变压器故障诊断系统,其特征在于,所述鉴别器为三层网络结构,其包括输入层、中间隐层和输出层;并且/或者所述生成器为三层网络结构,其包括输入层、中间隐层和输出层。
11.如权利要求7所述的基于条件生成式对抗网络的变压器故障诊断系统,其特征在于,重复以下多个周期的训练以对生成器和鉴别器进行训练:
采用训练集训练鉴别器,训练目标为鉴别器正确识别样本数据为真,且有标签数据与真实标签一致,无标签数据的损失最小;
将高斯随机噪声数据输入生成器,以生成模拟故障数据,将模拟故障数据作为输入来训练鉴别器,训练目标为鉴别器能够正确识别数据是否是来自于生成器生成的模拟故障数据;
采用鉴别器的输出训练生成器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810475042.9A CN108680807A (zh) | 2018-05-17 | 2018-05-17 | 基于条件生成式对抗网络的变压器故障诊断方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810475042.9A CN108680807A (zh) | 2018-05-17 | 2018-05-17 | 基于条件生成式对抗网络的变压器故障诊断方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108680807A true CN108680807A (zh) | 2018-10-19 |
Family
ID=63806581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810475042.9A Pending CN108680807A (zh) | 2018-05-17 | 2018-05-17 | 基于条件生成式对抗网络的变压器故障诊断方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108680807A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685097A (zh) * | 2018-11-08 | 2019-04-26 | 银河水滴科技(北京)有限公司 | 一种基于gan的图像检测方法及装置 |
CN109813542A (zh) * | 2019-03-15 | 2019-05-28 | 中国计量大学 | 基于生成式对抗网络的空气处理机组的故障诊断方法 |
CN109918999A (zh) * | 2019-01-22 | 2019-06-21 | 西安交通大学 | 一种小样本数据下基于生成模型的机械设备故障智能诊断方法 |
CN110146792A (zh) * | 2019-05-17 | 2019-08-20 | 西安工程大学 | 基于生成对抗网络的变压器局部放电图谱生成方法 |
CN110147842A (zh) * | 2019-05-22 | 2019-08-20 | 湖北民族大学 | 基于条件滤波gan的桥梁裂缝检测及分类方法 |
CN110567720A (zh) * | 2019-08-07 | 2019-12-13 | 东北电力大学 | 非平衡小样本场景下风机轴承故障深度对抗诊断方法 |
CN110617966A (zh) * | 2019-09-23 | 2019-12-27 | 江南大学 | 一种基于半监督生成对抗网络的轴承故障诊断方法 |
CN110929786A (zh) * | 2019-11-22 | 2020-03-27 | 湃方科技(北京)有限责任公司 | 一种数据增广方法及电子设备 |
CN113505876A (zh) * | 2021-06-11 | 2021-10-15 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于生成式对抗网络的高压断路器故障诊断方法 |
CN116991075A (zh) * | 2023-09-26 | 2023-11-03 | 中国石油大学(华东) | 一种针对故障诊断模型的通用对抗扰动生成方法 |
CN117571901A (zh) * | 2023-11-17 | 2024-02-20 | 承德神源太阳能发电有限公司 | 一种光伏电站变压器故障预警及检修的方法、系统及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130200908A1 (en) * | 2012-02-02 | 2013-08-08 | Benjamin D. Huebschman | Method and apparatus for accelerating device degradation and diagnosing the physical changes of the device during the degradation process |
CN105930901A (zh) * | 2016-07-18 | 2016-09-07 | 河海大学 | 一种基于rbpnn的变压器故障诊断方法 |
CN106296692A (zh) * | 2016-08-11 | 2017-01-04 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
CN106803082A (zh) * | 2017-01-23 | 2017-06-06 | 重庆邮电大学 | 一种基于条件式生成对抗网络的在线笔迹识别方法 |
CN107358626A (zh) * | 2017-07-17 | 2017-11-17 | 清华大学深圳研究生院 | 一种利用条件生成对抗网络计算视差的方法 |
CN107844770A (zh) * | 2017-11-03 | 2018-03-27 | 东北大学 | 一种基于视频的电熔镁炉异常工况自动识别系统 |
-
2018
- 2018-05-17 CN CN201810475042.9A patent/CN108680807A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130200908A1 (en) * | 2012-02-02 | 2013-08-08 | Benjamin D. Huebschman | Method and apparatus for accelerating device degradation and diagnosing the physical changes of the device during the degradation process |
CN105930901A (zh) * | 2016-07-18 | 2016-09-07 | 河海大学 | 一种基于rbpnn的变压器故障诊断方法 |
CN106296692A (zh) * | 2016-08-11 | 2017-01-04 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
CN106803082A (zh) * | 2017-01-23 | 2017-06-06 | 重庆邮电大学 | 一种基于条件式生成对抗网络的在线笔迹识别方法 |
CN107358626A (zh) * | 2017-07-17 | 2017-11-17 | 清华大学深圳研究生院 | 一种利用条件生成对抗网络计算视差的方法 |
CN107844770A (zh) * | 2017-11-03 | 2018-03-27 | 东北大学 | 一种基于视频的电熔镁炉异常工况自动识别系统 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685097A (zh) * | 2018-11-08 | 2019-04-26 | 银河水滴科技(北京)有限公司 | 一种基于gan的图像检测方法及装置 |
CN109918999A (zh) * | 2019-01-22 | 2019-06-21 | 西安交通大学 | 一种小样本数据下基于生成模型的机械设备故障智能诊断方法 |
CN109813542A (zh) * | 2019-03-15 | 2019-05-28 | 中国计量大学 | 基于生成式对抗网络的空气处理机组的故障诊断方法 |
CN110146792A (zh) * | 2019-05-17 | 2019-08-20 | 西安工程大学 | 基于生成对抗网络的变压器局部放电图谱生成方法 |
CN110147842A (zh) * | 2019-05-22 | 2019-08-20 | 湖北民族大学 | 基于条件滤波gan的桥梁裂缝检测及分类方法 |
CN110567720A (zh) * | 2019-08-07 | 2019-12-13 | 东北电力大学 | 非平衡小样本场景下风机轴承故障深度对抗诊断方法 |
CN110617966A (zh) * | 2019-09-23 | 2019-12-27 | 江南大学 | 一种基于半监督生成对抗网络的轴承故障诊断方法 |
CN110929786A (zh) * | 2019-11-22 | 2020-03-27 | 湃方科技(北京)有限责任公司 | 一种数据增广方法及电子设备 |
CN110929786B (zh) * | 2019-11-22 | 2023-08-01 | 湃方科技(北京)有限责任公司 | 一种数据增广方法及电子设备 |
CN113505876A (zh) * | 2021-06-11 | 2021-10-15 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于生成式对抗网络的高压断路器故障诊断方法 |
CN116991075A (zh) * | 2023-09-26 | 2023-11-03 | 中国石油大学(华东) | 一种针对故障诊断模型的通用对抗扰动生成方法 |
CN116991075B (zh) * | 2023-09-26 | 2023-12-19 | 中国石油大学(华东) | 一种针对故障诊断模型的通用对抗扰动生成方法 |
CN117571901A (zh) * | 2023-11-17 | 2024-02-20 | 承德神源太阳能发电有限公司 | 一种光伏电站变压器故障预警及检修的方法、系统及设备 |
CN117571901B (zh) * | 2023-11-17 | 2024-06-11 | 承德神源太阳能发电有限公司 | 一种光伏电站变压器故障预警及检修的方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108680807A (zh) | 基于条件生成式对抗网络的变压器故障诊断方法和系统 | |
CN103793853B (zh) | 基于双向贝叶斯网络的架空输电线路运行状态评估方法 | |
CN105095963B (zh) | 一种精确诊断与预测风洞设备故障的方法 | |
CN108089099A (zh) | 基于深度置信网络的配电网故障的诊断方法 | |
CN104299659B (zh) | 核电站运行状态监控方法、装置及系统 | |
CN108051211A (zh) | 一种风电机组主轴承温度预警诊断方法 | |
CN105467971B (zh) | 一种电力二次设备监测系统及方法 | |
CN109948808A (zh) | 变电站设备故障案例库的建库方法、故障诊断方法及系统 | |
CN107271839A (zh) | 用于监测车辆的车载电气系统的方法和控制装置 | |
CN109800995A (zh) | 一种电网设备故障识别方法及系统 | |
CN103905440A (zh) | 一种基于日志和snmp信息融合的网络安全态势感知分析方法 | |
CN106250935A (zh) | 遗传编程和加权证据理论融合的旋转机械故障诊断方法 | |
CN104598968A (zh) | 变压器故障诊断方法 | |
CN110427015A (zh) | 一种锅炉余热爆炸故障诊断分析方法 | |
CN105487009A (zh) | 基于k均值的RBF神经网络算法的电机故障诊断方法 | |
Sun et al. | A novel life prediction method for railway safety relays using degradation parameters | |
Li et al. | Deep learning based covert attack identification for industrial control systems | |
CN107656518A (zh) | 一种系统故障推理方法 | |
CN112766047A (zh) | 一种制冷系统故障诊断方法及制冷装置 | |
CN103617105B (zh) | 一种基于数据驱动的自适应多层流模型设备诊断方法 | |
Vununu et al. | Automatic fault diagnosis of drills using artificial neural networks | |
Pourali et al. | A Bayesian approach to functional sensor placement optimization for system health monitoring | |
CN109889258B (zh) | 一种光网络故障校验方法和设备 | |
CN105279553B (zh) | 一种高加给水系统故障程度识别方法 | |
Qian et al. | Marginal frequent itemset mining for fault prevention of railway overhead contact system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181019 |