CN110414601A - 基于深度卷积对抗网络的光伏组件故障诊断方法、系统及设备 - Google Patents
基于深度卷积对抗网络的光伏组件故障诊断方法、系统及设备 Download PDFInfo
- Publication number
- CN110414601A CN110414601A CN201910691984.5A CN201910691984A CN110414601A CN 110414601 A CN110414601 A CN 110414601A CN 201910691984 A CN201910691984 A CN 201910691984A CN 110414601 A CN110414601 A CN 110414601A
- Authority
- CN
- China
- Prior art keywords
- arbiter
- generator
- picture
- sample
- training
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明提供了一种深度卷积生成对抗网络的光伏组件故障诊断方法,步骤包括:建立光伏组件的数学模型;对光伏组件进行故障图像采集;设定部分故障数据作为训练样本;构建深度卷积对抗网络的训练模型;生成器G输入噪声向量,经过反卷积层输出伪图像;判别器D输入真实样本和伪样本,经过卷积操作提取卷积特征,得到真实样本的概率;通过反向传播算法进行优化权重参数,然后开始下一次循环,每300次循环输出测试图像;将真实样本和取得的测试样本输入分类器,进行故障类别的分类,实现故障诊断。该故障诊断方法利用深度卷积网络生成了大量的故障图片,扩展了故障图像数据库,使得故障的分类更加详细,故障的诊断更加精准。
Description
技术领域
本发明涉及一种光伏组件故障诊断方法,尤其是一种基于深度卷积对抗网络的光伏组件故障诊断方法。
背景技术
光伏作为新能源之一,引起了人们广泛的关注,近年来光伏发电得到了快速的发展。光伏组件是光伏发电系统的重要组成部件,对光伏组件故障诊断的研究就显得尤为重要。光伏电站一般建立在高处、野外等空旷的地区,在恶劣的环境下,光伏组件易发生多种故障,所以日常的监控与设备维护非常重要。但是传统的人工检测工作费时费力,还具有一定的危险性,已经不能满足日益庞大的光伏发电系统。现有技术光伏组件故障诊断方法,如最普遍的I-V曲线法,它可以检测简单的故障类型,对于复杂的故障往往检测的不够准确;还有数学模型法,由于光伏故障多种多样,比较复杂,所以对于精确数学模型的建立是比较困难的;以及红外检测技术,它受环境、气候的影响较大,采集到的故障数据样本往往分辨率低、噪声大。
发明内容
本发明的目的在于:提供一种基于深度卷积对抗网络的光伏组件故障诊断方法,能够提高诊断的效率与准确率。
基于深度卷积对抗网络的光伏组件故障诊断方法,包括如下步骤:
步骤1,收集光伏组件采集到的图像信息,筛选出代表故障类型的故障数据,标记为原始样本,设置原始样本中部分故障数据作为训练样本x;
步骤2,构建深度卷积对抗网络模型,所述深度卷积对抗网络模型包括生成器G和判别器D;
步骤3,训练深度卷积对抗网络模型,输出测试图像;
步骤4,将原始样本和深度卷积对抗网络模型训练后获得的测试图像输入到卷积神经网络模型,进行逐层卷积和池化,提取图像特征,输入分类器,将光伏组件故障类型作为输出,进行分类;输出故障类型结果矩阵,实现光伏组件故障诊断。
生成器G的网络结构包括输入层、反卷积层和输出层;
其中生成器G的输入层、反卷积层采用ReLU函数为激活函数,输出层使用Tanh激活函数;
判别器D的网络结构包括输入层、卷积层和输出层;卷积层的卷积对边界采用补全方式;判别器D的激活函数使用Leaky ReLU作为激活函数。
生成器G的输入层、反卷积层和判别器D的卷积层和输出层进行标准化,将每个单元的输入都标准化为0均值与单位方差;这样有助于解决初始化数值不佳的问题并帮助梯度流向更深的网络,加快模型的收敛速度。
深度卷积对抗网络模型的训练过程具体包括以下步骤:
(301)生成器G接收随机噪声z,通过所述噪声生成图片,将生成的图片记为G(z);
(302)判别器D用于判别生成器G生成的图片G(z)是不是“真实的”;
将训练样本x和生成器G生成的图片G(z)输入到判别器D,生成器G输出D(G(z))表示G(z)为真实图片的概率;
用于训练的训练样本x的数据分布为Pdata(x),生成器生成图片,生成器学习到真实的数据分布Pdata(x);噪声z的分布为pz(z);根据交叉熵损失,构造损失函数为式(1):
式(1)中的Ex~Pdata(x)是指在训练样本x中取得的真实样本,是指从已知的噪声分布中提取的样本;D(x)表示判别器D判断训练样本x中图片为真实图片的概率,D(G(z))表示判别器D判断G生成的图片为真实的概率;
(303)通过梯度下降法对判别器D和生成器G交替进行参数优化,并根据参数结果判断深度卷积对抗网络模型训练是否结束;如果没有结束,进入步骤(301),否则深度卷积对抗网络模型训练结束;
通过梯度下降法对判别器D和生成器G交替进行参数优化具体包括以下步骤:
(401)从噪声分布pz(z)中随机选取m个样本{z(1),z(2),z(3),...,z(m)},组成一组训练数据,输入生成器G;
(402)从真实的数据分布Pdata(x)中选出m个真实图片{x(1),x(2),x(3),...,x(m)},输入判别器;
(403)设判别器D的参数为θd,计算判别器的损失函数在当前参数的梯度为:
对θd进行更新的时候加上所述梯度;其中D(xi)表示判别器D判断第i个图片为真实图片的概率,D(G(zi))表示判别器D判断G生成的第i个图片为真实图片的概率;
(404)设生成器G的参数为θg,计算生成器G的损失函数在当前参数的梯度:
对θg进行更新的时候减去所述梯度。
基于深度卷积对抗网络的光伏组件故障诊断系统,包括样本选择单元、模型构建单元、模型训练单元和故障诊断单元;
样本选择单元收集光伏组件采集到的图像信息,筛选出代表故障类型的故障数据,标记为原始样本,设置原始样本中部分故障数据作为训练样本x;
模型构建单元构建深度卷积对抗网络模型,所述深度卷积对抗网络模型包括生成器G和判别器D;
模型训练单元训练深度卷积对抗网络模型,输出测试图像;
故障诊断单元基于分类器,将原始样本和深度卷积对抗网络模型训练后获得的测试图像输入到卷积神经网络模型,进行逐层卷积和池化,提取图像特征,输入分类器,将光伏组件故障类型作为输出,进行分类;输出故障类型结果矩阵,实现光伏组件故障诊断。
生成器G的网络结构包括输入层、反卷积层和输出层;
其中生成器G的输入层、反卷积层采用ReLU函数为激活函数,输出层使用Tanh激活函数;
判别器D的网络结构包括输入层、卷积层和输出层;判别器D的卷积层对边界采用补全方式;判别器D的激活函数使用Leaky ReLU作为激活函数。
生成器G的输入层、反卷积层和判别器D的卷积层和输出层进行标准化,将每个单元的输入都标准化为0均值与单位方差。这样有助于解决初始化数值不佳的问题并帮助梯度流向更深的网络,加快模型的收敛速度。
深度卷积对抗网络模型的训练过程具体包括以下步骤:
(301)生成器G用于生成图片,接收一个随机的噪声z,通过所述噪声生成图片,将生成的图片记为G(z);
(302)将训练样本x和生成器生成的图片G(z)输入到判别器D,判别器D输出的D(G(z))表示G(z)为真实图片的概率;
用于训练的训练样本x的数据分布为Pdata(x),生成器学习到真实的数据分布Pdata(x);噪声z的分布为pz(z),根据交叉熵损失,构造损失函数为式(1):
式(1)中的Ex~Pdata(x)是指在训练数据x中取得的真实样本,是指从已知的噪声分布中提取的样本;D(x)表示判别器D判断判别器D判断训练样本x中图片为真实图片的概率,D(G(z))表示判别器D判断G生成的图片是真实图片的概率;
训练样本x和伪样本集输入判别器D;经过卷积层,提取卷积特征,将得到的卷积特征输入Logistic函数中,输出的标量为样本真实性的概率;
(303)通过梯度下降法对判别器D和生成器G交替进行参数优化,并根据参数结果判断深度卷积对抗网络模型训练是否结;如果没有结束,进入步骤(301),否则深度卷积对抗网络模型训练结束;
对生成器G和判别器D交替做优化训练具体包括以下步骤:
(401)从噪声分布pz(z)中随机选取m个样本{z(1),z(2),z(3),...,z(m)},组成一组训练数据,输入生成器G;
(402)从真实的数据分布Pdata(x)中选出m个真实图片{x(1),x(2),x(3),...,x(m)},输入判别器;
(403)设判别器D的参数为θd,计算判别器的损失函数在当前参数的梯度为:
对θd进行更新的时候加上所述梯度;其中D(xi)表示判别器D判断第i个图片为真实图片的概率,D(G(zi))表示判别器D判断G生成的第i个图片为真实图片的概率;
(404)设生成器G的参数为θg,计算生成器G的损失函数在当前参数的梯度:
对θg进行更新的时候减去所述梯度。
一种计算设备,包括:一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行基于深度卷积对抗网络的光伏组件故障诊断方法的指令。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行基于深度卷积对抗网络的光伏组件故障诊断方法。
本发明的有益效果在于:使用原始样本通过深度卷积对抗网络模型进行训练,实现了光伏组件诊断过程中新图像的生成。步骤2中搭建DCGAN的网络模型,深度学习融入光伏,为光伏系统的故障诊断提供准确模型;步骤3中采用卷积神经网络,利用卷积网络的强大特征提取能力,使得生成光伏组件诊断图片的速度大大提升;本发明表明新故障图像的生产,可以为目前光伏组件故障图像数据累积不足的现状提供一个解决办法。本发明利用原始样本和新样本进行故障分类,可以使得故障的诊断更加精准;本申请公开一种基于深度卷积对抗网络(DCGAN)的光伏组件故障诊断方法,能够扩展故障数据库,提高故障诊断的效率与准确率。
进一步地,本申请除了生成器G的输出层和辨别器D的输入层进行标准化,将每个单元的输入都标准化为0均值与单位方差。这样有助于解决初始化数值不佳的问题并帮助梯度流向更深的网络,加快模型的收敛速度。
附图说明
图1为本发明基于深度卷积对抗网络的光伏组件故障诊断方法;
图2为本发明的深度卷积对抗网络模型训练示意图;
图3为本发明的深度卷积对抗网络模型的结构示意图。
具体实施方式
下面参照附图,对本方法的应用进行详细描述。
本发明解决现有的技术问题通过以下技术方案进行实现:
如图1所示,.基于深度卷积对抗网络的光伏组件故障诊断方法,包括如下步骤:
步骤1,收集光伏组件采集到的图像信息,筛选出代表故障类型的故障数据,标记为原始样本,设置原始样本中部分故障数据作为训练样本x;
步骤2,在TensorFlow(一种基于数据流编程的软件)中构建深度卷积对抗网络模型,所述深度卷积对抗网络模型包括生成器G和判别器D;
对生成器G输入1个100维的噪声向量z,在第一层将100维的噪声向量变成4×4×1024维的向量,并从第二层开始使用反卷积做上采样操作,逐步减少通道数,最终输出64×64×3的伪样本图像;
步骤3,训练深度卷积对抗网络模型,输出测试图像;
步骤4,基于卷积神经网络模型,设置卷积核大小为5×5×3,步幅为2,将步骤1中的原始样本和由DCGAN(深度卷积对抗网络模型训练)获得的测试图像作为输入,进行逐层卷积和池化,提取图像特征,输入softmax分类器,将光伏组件故障类型作为输出,进行分类;输出故障类型结果矩阵,实现光伏组件故障诊断。光伏组件故障类型包括开路故障、短路故障、阴影热斑故障以及老化故障。
生成器G的网络结构包括输入层、反卷积层(四层反卷积层)和输出层;
其中生成器G的输入层、反卷积层采用ReLU函数为激活函数,输出层使用Tanh激活函数。
判别器D的网络结构包括输入层、卷积层(四层卷积层)和输出层;其中,用带有步长的卷积来代替原始卷积神经网络的池化层,卷积核统一设置大小为5×5,步长为2。卷积层的卷积操作与以往不同,对边界采用补全方式;
判别器D的激活函数使用Leaky ReLU作为激活函数。
生成器G的输入层、反卷积层和判别器D的卷积层(四层卷积层)和输出层采用Batch Normalization(Batch标准化),将每个单元的输入都标准化为0均值与单位方差。这样有助于解决初始化数值不佳的问题并帮助梯度流向更深的网络,加快模型的收敛速度。
步骤3中的深度卷积对抗网络模型的训练过程具体包括以下步骤:
(301)生成器G用于生成图片,接收一个随机的噪声z,通过所述噪声生成图片,将生成的图片记为G(z);本实施例中:输入1个100维的噪声向量z到生成器G,在第一层将100维的噪声向量z变成4×4×1024维的向量,并从第二层开始使用反卷积进行上采样,减少通道数,最终输出64×64×3维的伪样本集,即生成的图片G(z);
判别器D用于判别生成器G生成的图片G(z)是不是“真实的”;
(302)判别器D输入为训练样本x和生成器生成的图片G(z),输出的D(G(z))表示G(z)为真实图片的概率;在训练过程中,生成器G尽量生成真实的图片去欺骗判别器D,判别器D则尽量把生成的伪图片和真实的图片区分开来。这样,生成器和判别器构成了一个动态的“博弈”过程,这就是生成对抗式网络(GAN,Generative adversarial network)的基本思想。随着训练的不断进行,生成器可以生成足以“以假乱真”的图片G(z)。对于判别器D来说,当判别器D输出的结果有一半的概率认为是真的数据,有一半的概率认为是假的数据的时候,即D(G(z))=0.5时,说明此时生成器G生成的数据足以以假乱真,此时就得到了一个生成式的模型G,这个模型就可以用来生成图片。
用于训练的训练样本x的数据分布为Pdata(x),生成器能够“生成图片”,实际上生成器可以学习到真实的数据分布Pdata(x);噪声z的分布为pz(z),pz(z)是已知的,而Pdata(x)是未知的;在理想的情况下,G(z)的分布应该尽可能接近Pdata(x),生成器将已知分布的z变量映射到了训练样本x的变量上;根据交叉熵损失,构造损失函数为式(1):
式中的Ex~Pdata(x)是指在训练数据x中取得的真实样本,而是指从已知的噪声分布中提取的样本;D(x)表示判别器D判断训练样本x中图片是真实图片的概率,D(G(z))表示判别器D判断G生成的图片是真实图片的概率;
将步骤1中的训练样本x和伪样本集输入判别器D,大小均为64×64×3;经过四层卷积层,每次卷积操作后,提取卷积特征,将最终得到的卷积特征输入Logistic函数中,输出的标量为样本真实性的概率;
(303)通过梯度下降法对判别器D和生成器G交替进行参数优化,并根据参数结果判断深度卷积对抗网络模型训练是否结束,(当D(G(z))=0.5时,训练结束);如果没有结束,进入步骤(301),否则深度卷积对抗网络模型训练结束,本实施例每300次循环输出测试图像。
通过梯度下降法对判别器D和生成器G交替进行参数优化具体包括以下步骤:
(401)从噪声分布pz(z)中随机选取m个样本{z(1),z(2),z(3),...,z(m)},组成一组训练数据,输入生成器G;
(402)从真实的数据分布Pdata(x)中选出m个真实图片{x(1),x(2),x(3),...,x(m)},输入判别器;
(403)设判别器D的参数为θd,计算判别器的损失函数在当前参数的梯度为:
对θd进行更新的时候加上所述梯度;其中D(xi)表示判别器D判断第i个图片为真实图片的概率,D(G(zi))表示判别器D判断G生成的第i个图片为真实图片的概率;
(404)设生成器G的参数为θg,计算生成器G的损失函数在当前参数的梯度:
对θg进行更新的时候减去所述梯度;
每对判别器D的参数更新一次,便接着更新一次生成器G的参数。或者对D的参数更新n次后再更新一次G的参数,这要根据训练的实际情况进行调整。其中,由于D的目的是损失越大越好,G的目的是损失越小越好,所以它们一个是加上梯度,一个是减去梯度。
以上就是DCGAN中判别器D和生成器G的损失定义以及训练的方法。
如图3所示,DCGAN的全称是Deep Convolutional GenerativeAdversarialNetworks,也就是深度卷积对抗生成网络,它是在生成对抗式网络GAN的基础上增加深度卷积网络结构,专门生成图像样本。DCGAN中的D、G的含义以及损失都和原始GAN中完全一致,但是它在D和G中采用了较为特殊的结构,以便对图片进行有效建模。
基于深度卷积对抗网络的光伏组件故障诊断系统,包括样本选择单元、模型构建单元、模型训练单元和故障诊断单元;
样本选择单元收集光伏组件采集到的图像信息,筛选出代表故障类型的故障数据,标记为原始样本,设置原始样本中部分故障数据作为训练样本x;
模型构建单元在TensorFlow(一种基于数据流编程的软件)中构建深度卷积对抗网络模型,所述深度卷积对抗网络模型包括生成器G和判别器D;
模型训练单元训练深度卷积对抗网络模型,输出测试图像;
故障诊断单元基于分类器,将原始样本和深度卷积对抗网络模型训练后获得的测试图像输入到卷积神经网络模型,进行逐层卷积和池化,提取图像特征,输入分类器,将光伏组件故障类型作为输出,进行分类;输出故障类型结果矩阵,实现光伏组件故障诊断。
生成器G的网络结构包括输入层、反卷积层(四层反卷积层)和输出层;
其中生成器G的输入层、反卷积层采用ReLU函数为激活函数,输出层使用Tanh激活函数。
判别器D的网络结构包括输入层、卷积层(四层卷积层)和输出层;其中,用带有步长的卷积来代替原始卷积神经网络的池化层,卷积核统一设置大小为5×5,步长为2。卷积层的卷积操作与以往不同,对边界采用补全方式;
判别器D的激活函数使用Leaky ReLU作为激活函数。
生成器G的输入层、反卷积层和判别器D的卷积层(四层卷积层)和输出层采用Batch Normalization(Batch标准化),将每个单元的输入都标准化为0均值与单位方差。这样有助于解决初始化数值不佳的问题并帮助梯度流向更深的网络,加快模型的收敛速度。
光伏组件故障类型包括开路故障、短路故障、阴影热斑故障以及老化故障。
如图2所示:深度卷积对抗网络模型的训练过程具体包括以下步骤:
(301)生成器G用于生成图片,接收一个随机的噪声z,通过所述噪声生成图片,将生成的图片记为G(z);本实施例中:输入1个100维的噪声向量z到生成器G,在第一层将100维的噪声向量z变成4×4×1024维的向量,并从第二层开始使用反卷积进行上采样,减少通道数,最终输出64×64×3维的伪样本集,即生成的图片G(z);
如图2所示,生成器G负责生成图片,它会接收一个随机的噪声z,通过该噪声生成图片,将生成的图片记为G(z)。判别器D负责判别一张图片是不是“真实的”。它的输入是x,x代表一张图片,输出的D(x)表示x为真实图片的概率。在训练过程中,生成网络G尽量生成真实的图片去欺骗判别网络D,而D则尽量把生成的伪图片和真实的图片区分开来。这样,生成器和判别器构成了一个动态的“博弈”过程,这就是GAN的基本思想。随着训练的不断进行,生成器可以生成足以“以假乱真”的图片G(z)。对于判别器来说,它难以判定生成器生成的图片究竟是不是真实的,因此D(G(z))=0.5。此时得到了一个生成式的模型G,这个模型就可以用来生成图片。
判别器D用于判别生成器G生成的图片G(z)是不是“真实的”;
(302)判别器D输入为训练样本x和生成器生成的图片G(z),输出的D(G(z))表示G(z)为真实图片的概率;在训练过程中,生成器G尽量生成真实的图片去欺骗判别器D,判别器D则尽量把生成的伪图片和真实的图片区分开来。这样,生成器和判别器构成了一个动态的“博弈”过程,这就是生成对抗式网络(GAN,Generative adversarial network)的基本思想。随着训练的不断进行,生成器可以生成足以“以假乱真”的图片G(z)。对于判别器D来说,当判别器D输出的结果有一半的概率认为是真的数据,有一半的概率认为是假的数据的时候,即D(G(z))=0.5时,说明此时生成器G生成的数据足以以假乱真,此时就得到了一个生成式的模型G,这个模型就可以用来生成图片。
用于训练的训练样本x的数据分布为Pdata(x),生成器能够“生成图片”,实际上生成器可以学习到真实的数据分布Pdata(x);噪声z的分布为pz(z),pz(z)是已知的,而Pdata(x)是未知的;在理想的情况下,G(z)的分布应该尽可能接近Pdata(x),生成器将已知分布的z变量映射到了训练样本x的变量上;根据交叉熵损失,构造损失函数为式(1):
式中的Ex~Pdata(x)是指在训练数据x中取得的真实样本,而是指从已知的噪声分布中提取的样本;D(x)表示判别器D判断训练样本x中图片是真实图片的概率,D(G(z))表示判别器D判断G生成的图片是真实图片的概率;
将步骤1中的训练样本x和伪样本集输入判别器D,大小均为64×64×3;经过四层卷积层,每次卷积操作后,提取卷积特征,将最终得到的卷积特征输入Logistic函数中,输出的标量为样本真实性的概率;
(303)通过梯度下降法对判别器D和生成器G交替进行参数优化,并根据参数结果判断深度卷积对抗网络模型训练是否结束,(当D(G(z))=0.5时,训练结束)。如果没有结束,进入步骤(301),否则深度卷积对抗网络模型训练结束,本实施例每300次循环输出测试图像。
对生成器G和判别器D交替做优化训练具体包括以下步骤:
(401)从噪声分布pz(z)中随机选取m个样本{z(1),z(2),z(3),...,z(m)},组成一组训练数据,输入生成器G;
(402)从真实的数据分布Pdata(x)中选出m个真实图片{x(1),x(2),x(3),...,x(m)},输入判别器;
(403)设判别器D的参数为θd,计算判别器的损失函数在当前参数的梯度为:
对θd进行更新的时候加上所述梯度;其中D(xi)表示判别器D判断第i个图片为真实图片的概率,D(G(zi))表示判别器D判断G生成的第i个图片为真实图片的概率;
(404)设生成器G的参数为θg,计算生成器G的损失函数在当前参数的梯度:
对θg进行更新的时候减去所述梯度;
每对判别器D的参数更新一次,便接着更新一次生成器G的参数。或者对D的参数更新n次后再更新一次G的参数,这要根据训练的实际情况进行调整。其中,由于D的目的是损失越大越好,G的目的是损失越小越好,所以它们一个是加上梯度,一个是减去梯度。
以上就是DCGAN中判别器D和生成器G的损失定义以及训练的方法。
如图3所示,DCGAN的全称是Deep Convolutional Generative AdversarialNetworks,也就是深度卷积对抗生成网络,它是在生成对抗式网络GAN的基础上增加深度卷积网络结构,专门生成图像样本。DCGAN中的D、G的含义以及损失都和原始GAN中完全一致,但是它在D和G中采用了较为特殊的结构,以便对图片进行有效建模。
一种计算设备,包括:一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行基于深度卷积对抗网络的光伏组件故障诊断方法的指令。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行基于深度卷积对抗网络的光伏组件故障诊断方法。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组间可以布置在如该实施例中所描述的设备中,或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组间组合成一个模块或单元或组间,以及此外可以把它们分成多个子模块或子单元或子组间。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
此外,所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此,具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外,装置实施例的在此所述的元素是如下装置的例子:该装置用于实施由为了实施该发明的目的的元素所执行的功能。
这里描述的各种技术可结合硬件或软件,或者它们的组合一起实现。从而,本发明的方法和设备,或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介,例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式,其中当程序被载入诸如计算机之类的机器,并被所述机器执行时,所述机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下,计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件),至少一个输入装置,和至少一个输出装置。其中,存储器被配置用于存储程序代码;处理器被配置用于根据该存储器中存储的所述程序代码中的指令,执行本发明方法。
以示例而非限制的方式,计算机可读介质包括计算机存储介质和通信介质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据,并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。
如在此所使用的那样,除非另行规定,使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例,并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。
Claims (10)
1.基于深度卷积对抗网络的光伏组件故障诊断方法,其特征在于,
包括如下步骤:
步骤1,收集光伏组件采集到的图像信息,筛选出代表故障类型的故障数据,标记为原始样本,设置原始样本中部分故障数据作为训练样本x;
步骤2,构建深度卷积对抗网络模型,所述深度卷积对抗网络模型包括生成器G和判别器D;
步骤3,训练深度卷积对抗网络模型,输出测试图像;
步骤4,将原始样本和深度卷积对抗网络模型训练后获得的测试图像输入到卷积神经网络模型,进行逐层卷积和池化,提取图像特征,输入分类器,将光伏组件故障类型作为输出,进行分类;输出故障类型结果矩阵,实现光伏组件故障诊断。
2.根据权利要求1所述的基于深度卷积对抗网络的光伏组件故障诊断方法,其特征在于,
生成器G的网络结构包括输入层、反卷积层和输出层;
其中生成器G的输入层、反卷积层采用ReLU函数为激活函数,输出层使用Tanh激活函数;
判别器D的网络结构包括输入层、卷积层和输出层;卷积层的卷积对边界采用补全方式;判别器D的激活函数使用Leaky ReLU作为激活函数。
3.根据权利要求1所述的基于深度卷积对抗网络的光伏组件故障诊断方法,其特征在于,
生成器G的输入层、反卷积层和判别器D的卷积层和输出层进行标准化,将每个单元的输入都标准化为0均值与单位方差。
4.根据权利要求1所述的基于深度卷积对抗网络的光伏组件故障诊断方法,其特征在于,
深度卷积对抗网络模型的训练过程具体包括以下步骤:
(301)生成器G接收随机噪声z,通过所述噪声生成图片,将生成的图片记为G(z);
(302)判别器D用于判别生成器G生成的图片G(z)是不是“真实的”;
将训练样本x和生成器G生成的图片G(z)输入到判别器D,生成器G输出D(G(z))表示G(z)为真实图片的概率;
用于训练的训练样本x的数据分布为Pdata(x),生成器生成图片,生成器学习到真实的数据分布Pdata(x);噪声z的分布为pz(z);根据交叉熵损失,构造损失函数为式(1):
式(1)中的Ex~Pdata(x)是指在训练样本x中取得的真实样本,是指从已知的噪声分布中提取的样本;D(x)表示判别器D判断训练样本x中图片为真实图片的概率,D(G(z))表示判别器D判断G生成的图片为真实的概率;
(303)通过梯度下降法对判别器D和生成器G交替进行参数优化,根据参数结果判断深度卷积对抗网络模型训练是否结束;如果没有结束,进入步骤(301),否则深度卷积对抗网络模型训练结束。
5.根据权利要求4所述的基于深度卷积对抗网络的光伏组件故障诊断方法,其特征在于,
通过梯度下降法对判别器D和生成器G交替进行参数优化具体包括以下步骤:
(401)从噪声分布pz(z)中随机选取m个样本{z(1),z(2),z(3),...,z(m)},组成一组训练数据,输入生成器G;
(402)从真实的数据分布Pdata(x)中选出m个真实图片{x(1),x(2),x(3),...,x(m)},输入判别器;
(403)设判别器D的参数为θd,计算判别器的损失函数在当前参数的梯度为:
对θd进行更新的时候加上所述梯度;其中D(xi)表示判别器D判断第i个图片为真实图片的概率,D(G(zi))表示判别器D判断G生成的第i个图片为真实图片的概率;
(404)设生成器G的参数为θg,计算生成器G的损失函数在当前参数的梯度:
对θg进行更新的时候减去所述梯度。
6.基于深度卷积对抗网络的光伏组件故障诊断系统,其特征在于,
包括样本选择单元、模型构建单元、模型训练单元和故障诊断单元;
样本选择单元收集光伏组件采集到的图像信息,筛选出代表故障类型的故障数据,标记为原始样本,设置原始样本中部分故障数据作为训练样本x;
模型构建单元构建深度卷积对抗网络模型,所述深度卷积对抗网络模型包括生成器G和判别器D;
模型训练单元训练深度卷积对抗网络模型,输出测试图像;
故障诊断单元基于分类器,将原始样本和深度卷积对抗网络模型训练后获得的测试图像输入到卷积神经网络模型,进行逐层卷积和池化,提取图像特征,输入分类器,将光伏组件故障类型作为输出,进行分类;输出故障类型结果矩阵,实现光伏组件故障诊断。
7.根据权利要求6所述的基于深度卷积对抗网络的光伏组件故障诊断系统,其特征在于,
生成器G的网络结构包括输入层、反卷积层和输出层;
其中生成器G的输入层、反卷积层采用ReLU函数为激活函数,输出层使用Tanh激活函数;
判别器D的网络结构包括输入层、卷积层和输出层;判别器D的卷积层对边界采用补全方式;判别器D的激活函数使用Leaky ReLU作为激活函数;
生成器G的输入层、反卷积层和判别器D的卷积层和输出层进行标准化,将每个单元的输入都标准化为0均值与单位方差。
8.根据权利要求6所述的基于深度卷积对抗网络的光伏组件故障诊断系统,其特征在于,
深度卷积对抗网络模型的训练过程具体包括以下步骤:
(301)生成器G用于生成图片,接收一个随机的噪声z,通过所述噪声生成图片,将生成的图片记为G(z);
(302)将训练样本x和生成器生成的图片G(z)输入到判别器D,判别器D输出的D(G(z))表示G(z)为真实图片的概率;
用于训练的训练样本x的数据分布为Pdata(x),生成器学习到真实的数据分布Pdata(x);噪声z的分布为pz(z),根据交叉熵损失,构造损失函数为式(1):
式(1)中的Ex~Pdata(x)是指在训练数据x中取得的真实样本,是指从已知的噪声分布中提取的样本;D(x)表示判别器D判断判别器D判断训练样本x中图片为真实图片的概率,D(G(z))表示判别器D判断G生成的图片是真实图片的概率;
训练样本x和伪样本集输入判别器D;经过卷积层,提取卷积特征,将得到的卷积特征输入Logistic函数中,输出的标量为样本真实性的概率;
(303)通过梯度下降法对判别器D和生成器G交替进行参数优化,并根据参数结果判断深度卷积对抗网络模型训练是否结束;如果没有结束,进入步骤(301),否则深度卷积对抗网络模型训练结束;
对生成器G和判别器D交替做优化训练具体包括以下步骤:
(401)从噪声分布pz(z)中随机选取m个样本{z(1),z(2),z(3),...,z(m)},组成一组训练数据,输入生成器G;
(402)从真实的数据分布Pdata(x)中选出m个真实图片{x(1),x(2),x(3),...,x(m)},输入判别器;
(403)设判别器D的参数为θd,计算判别器的损失函数在当前参数的梯度为:
对θd进行更新的时候加上所述梯度;其中D(xi)表示判别器D判断第i个图片为真实图片的概率,D(G(zi))表示判别器D判断G生成的第i个图片为真实图片的概率;
(404)设生成器G的参数为θg,计算生成器G的损失函数在当前参数的梯度:
对θg进行更新的时候减去所述梯度。
9.一种计算设备,其特征在于,包括:
一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至5所述的方法中的任一方法的指令。
10.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至5所述的方法中的任一方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910691984.5A CN110414601A (zh) | 2019-07-30 | 2019-07-30 | 基于深度卷积对抗网络的光伏组件故障诊断方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910691984.5A CN110414601A (zh) | 2019-07-30 | 2019-07-30 | 基于深度卷积对抗网络的光伏组件故障诊断方法、系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110414601A true CN110414601A (zh) | 2019-11-05 |
Family
ID=68363911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910691984.5A Pending CN110414601A (zh) | 2019-07-30 | 2019-07-30 | 基于深度卷积对抗网络的光伏组件故障诊断方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414601A (zh) |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852597A (zh) * | 2019-11-07 | 2020-02-28 | 东南大学 | 基于生成对抗网络的用电高峰时段居民负荷占比计算方法 |
CN111091141A (zh) * | 2019-11-21 | 2020-05-01 | 浙江大学 | 一种基于分层Softmax的光伏背板故障诊断方法 |
CN111127412A (zh) * | 2019-12-18 | 2020-05-08 | 广东工业大学 | 一种基于生成对抗网络的病理图像识别装置 |
CN111192209A (zh) * | 2019-12-19 | 2020-05-22 | 浙江工业大学 | 一种基于深度学习的磁感应断层成像优化方法 |
CN111209674A (zh) * | 2020-01-09 | 2020-05-29 | 长江大学 | 一种河道砂建模方法、设备及可读存储介质 |
CN111366820A (zh) * | 2020-03-09 | 2020-07-03 | 广东电网有限责任公司电力科学研究院 | 局部放电信号的模式识别方法、装置、设备及存储介质 |
CN111523666A (zh) * | 2020-04-24 | 2020-08-11 | 博雅创智(天津)科技有限公司 | 基于生成对抗网络算法的网络行为分析诊断准确率提升方法 |
CN111597977A (zh) * | 2020-05-14 | 2020-08-28 | 公安部第三研究所 | 基于深度卷积生成对抗网络实现虹膜生物特征图片自动生成的方法 |
CN111652297A (zh) * | 2020-05-25 | 2020-09-11 | 哈尔滨市科佳通用机电股份有限公司 | 用于图像检测模型训练的故障图片生成方法 |
CN111930728A (zh) * | 2020-06-30 | 2020-11-13 | 广州洪森科技有限公司 | 一种设备的特征参数和故障率的预测方法及系统 |
CN111982268A (zh) * | 2020-08-24 | 2020-11-24 | 南通理工学院 | 一种齿轮箱便携式振动监测装置及其监测方法 |
CN112016251A (zh) * | 2020-09-02 | 2020-12-01 | 哈尔滨工程大学 | 一种核动力装置故障的诊断方法及系统 |
CN112101432A (zh) * | 2020-09-04 | 2020-12-18 | 西北工业大学 | 一种基于深度学习的材料显微图像与性能双向预测方法 |
CN112434733A (zh) * | 2020-11-17 | 2021-03-02 | 西安交通大学 | 一种小样本硬盘故障数据生成方法、存储介质及计算设备 |
CN112464990A (zh) * | 2020-11-03 | 2021-03-09 | 中车工业研究院有限公司 | 一种基于电流电压传感器感知振动数据的方法和装置 |
CN112560034A (zh) * | 2020-12-11 | 2021-03-26 | 宿迁学院 | 基于反馈式深度对抗网络的恶意代码样本合成方法及装置 |
CN113239022A (zh) * | 2021-04-19 | 2021-08-10 | 浙江大学 | 医疗诊断缺失数据补全方法及补全装置、电子设备、介质 |
CN113255213A (zh) * | 2021-05-19 | 2021-08-13 | 南京工程学院 | 一种功率变换器复合故障辨识方法 |
CN113376516A (zh) * | 2021-06-07 | 2021-09-10 | 科润智能控制股份有限公司 | 一种基于深度学习的中压真空断路器运行故障自诊断与预警方法 |
CN113553972A (zh) * | 2021-07-29 | 2021-10-26 | 青岛农业大学 | 一种基于深度学习的苹果病害诊断方法 |
CN113592181A (zh) * | 2021-08-02 | 2021-11-02 | 广西大学 | 一种小水电群出力预测方法和系统 |
CN113743484A (zh) * | 2021-08-20 | 2021-12-03 | 宁夏大学 | 基于空间和通道注意力机制的图像分类方法与系统 |
CN113884290A (zh) * | 2021-09-28 | 2022-01-04 | 江南大学 | 基于自训练半监督生成对抗网络的调压器故障诊断方法 |
CN114169249A (zh) * | 2021-12-16 | 2022-03-11 | 福州大学 | 一种配电网高阻接地故障人工智能识别方法 |
CN114326655A (zh) * | 2021-11-30 | 2022-04-12 | 深圳先进技术研究院 | 工业机器人故障数据生成方法、系统、终端以及存储介质 |
CN114419360A (zh) * | 2021-11-23 | 2022-04-29 | 东北电力大学 | 一种光伏板红外热图像分类及热斑定位方法 |
CN114638149A (zh) * | 2022-01-20 | 2022-06-17 | 佳都科技集团股份有限公司 | 一种基于卷积的故障诊断方法及装置 |
CN114997745A (zh) * | 2022-07-28 | 2022-09-02 | 华能国际电力江苏能源开发有限公司清洁能源分公司 | 一种基于深度特征提取的光伏故障诊断溯源方法 |
CN115348190A (zh) * | 2022-08-17 | 2022-11-15 | 郑州华泰联合工业自动化有限公司 | 一种物联网设备检测方法、系统和设备 |
CN115481692A (zh) * | 2022-09-23 | 2022-12-16 | 常州安控电器成套设备有限公司 | 一种基于sgan的水泵机组故障诊断方法 |
CN115943429A (zh) * | 2020-08-03 | 2023-04-07 | 科磊股份有限公司 | 用于光学或其它模式选择的深度生成模型 |
CN112464559B (zh) * | 2020-11-24 | 2023-05-16 | 山东交通学院 | 一种用于燃料电池发动机故障预测的数据融合方法及系统 |
CN116399579A (zh) * | 2023-06-08 | 2023-07-07 | 国网山东省电力公司济南供电公司 | 变压器机械故障诊断方法、装置、计算机设备及存储介质 |
CN116821697A (zh) * | 2023-08-30 | 2023-09-29 | 聊城莱柯智能机器人有限公司 | 一种基于小样本学习的机械设备故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012169496A1 (ja) * | 2011-06-10 | 2012-12-13 | 株式会社システム・ジェイディー | 故障診断システム、故障診断装置、故障診断方法、プログラム、記憶媒体及び被診断体 |
CN109359702A (zh) * | 2018-12-14 | 2019-02-19 | 福州大学 | 基于卷积神经网络的光伏阵列故障诊断方法 |
CN109660206A (zh) * | 2018-12-20 | 2019-04-19 | 福州大学 | 一种基于Wasserstein GAN的光伏阵列故障诊断方法 |
CN109873610A (zh) * | 2019-03-19 | 2019-06-11 | 福州大学 | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 |
-
2019
- 2019-07-30 CN CN201910691984.5A patent/CN110414601A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012169496A1 (ja) * | 2011-06-10 | 2012-12-13 | 株式会社システム・ジェイディー | 故障診断システム、故障診断装置、故障診断方法、プログラム、記憶媒体及び被診断体 |
CN109359702A (zh) * | 2018-12-14 | 2019-02-19 | 福州大学 | 基于卷积神经网络的光伏阵列故障诊断方法 |
CN109660206A (zh) * | 2018-12-20 | 2019-04-19 | 福州大学 | 一种基于Wasserstein GAN的光伏阵列故障诊断方法 |
CN109873610A (zh) * | 2019-03-19 | 2019-06-11 | 福州大学 | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
SHIBO LU ETC: "DA-DCGAN: An Effective Methodology for DC Series Arc Fault Diagnosis in", 《IEEE ACCESS》 * |
洪洋等: "深度卷积对抗生成网络综述", 《第18届中国系统仿真技术及其应用学术年会论文集(18TH CCSSTA 2017)》 * |
Cited By (52)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852597A (zh) * | 2019-11-07 | 2020-02-28 | 东南大学 | 基于生成对抗网络的用电高峰时段居民负荷占比计算方法 |
CN110852597B (zh) * | 2019-11-07 | 2022-01-28 | 国网江西省电力有限公司电力科学研究院 | 基于生成对抗网络的用电高峰时段居民负荷占比计算方法 |
CN111091141A (zh) * | 2019-11-21 | 2020-05-01 | 浙江大学 | 一种基于分层Softmax的光伏背板故障诊断方法 |
CN111091141B (zh) * | 2019-11-21 | 2022-05-17 | 浙江大学 | 一种基于分层Softmax的光伏背板故障诊断方法 |
CN111127412A (zh) * | 2019-12-18 | 2020-05-08 | 广东工业大学 | 一种基于生成对抗网络的病理图像识别装置 |
CN111127412B (zh) * | 2019-12-18 | 2021-05-28 | 广东工业大学 | 一种基于生成对抗网络的病理图像识别装置 |
CN111192209A (zh) * | 2019-12-19 | 2020-05-22 | 浙江工业大学 | 一种基于深度学习的磁感应断层成像优化方法 |
CN111192209B (zh) * | 2019-12-19 | 2023-06-30 | 浙江工业大学 | 一种基于深度学习的磁感应断层成像优化方法 |
CN111209674B (zh) * | 2020-01-09 | 2023-04-11 | 长江大学 | 一种河道砂建模方法、设备及可读存储介质 |
CN111209674A (zh) * | 2020-01-09 | 2020-05-29 | 长江大学 | 一种河道砂建模方法、设备及可读存储介质 |
CN111366820A (zh) * | 2020-03-09 | 2020-07-03 | 广东电网有限责任公司电力科学研究院 | 局部放电信号的模式识别方法、装置、设备及存储介质 |
CN111523666A (zh) * | 2020-04-24 | 2020-08-11 | 博雅创智(天津)科技有限公司 | 基于生成对抗网络算法的网络行为分析诊断准确率提升方法 |
CN111597977A (zh) * | 2020-05-14 | 2020-08-28 | 公安部第三研究所 | 基于深度卷积生成对抗网络实现虹膜生物特征图片自动生成的方法 |
CN111652297B (zh) * | 2020-05-25 | 2021-05-25 | 哈尔滨市科佳通用机电股份有限公司 | 用于图像检测模型训练的故障图片生成方法 |
CN111652297A (zh) * | 2020-05-25 | 2020-09-11 | 哈尔滨市科佳通用机电股份有限公司 | 用于图像检测模型训练的故障图片生成方法 |
CN111930728A (zh) * | 2020-06-30 | 2020-11-13 | 广州洪森科技有限公司 | 一种设备的特征参数和故障率的预测方法及系统 |
CN111930728B (zh) * | 2020-06-30 | 2023-11-24 | 广州洪森科技有限公司 | 一种设备的特征参数和故障率的预测方法及系统 |
CN115943429A (zh) * | 2020-08-03 | 2023-04-07 | 科磊股份有限公司 | 用于光学或其它模式选择的深度生成模型 |
CN115943429B (zh) * | 2020-08-03 | 2024-04-05 | 科磊股份有限公司 | 用于光学或其它模式选择的深度生成模型 |
CN111982268A (zh) * | 2020-08-24 | 2020-11-24 | 南通理工学院 | 一种齿轮箱便携式振动监测装置及其监测方法 |
CN112016251A (zh) * | 2020-09-02 | 2020-12-01 | 哈尔滨工程大学 | 一种核动力装置故障的诊断方法及系统 |
CN112101432B (zh) * | 2020-09-04 | 2022-06-07 | 西北工业大学 | 一种基于深度学习的材料显微图像与性能双向预测方法 |
CN112101432A (zh) * | 2020-09-04 | 2020-12-18 | 西北工业大学 | 一种基于深度学习的材料显微图像与性能双向预测方法 |
CN112464990A (zh) * | 2020-11-03 | 2021-03-09 | 中车工业研究院有限公司 | 一种基于电流电压传感器感知振动数据的方法和装置 |
CN112434733A (zh) * | 2020-11-17 | 2021-03-02 | 西安交通大学 | 一种小样本硬盘故障数据生成方法、存储介质及计算设备 |
CN112434733B (zh) * | 2020-11-17 | 2024-04-02 | 西安交通大学 | 一种小样本硬盘故障数据生成方法、存储介质及计算设备 |
CN112464559B (zh) * | 2020-11-24 | 2023-05-16 | 山东交通学院 | 一种用于燃料电池发动机故障预测的数据融合方法及系统 |
CN112560034B (zh) * | 2020-12-11 | 2024-03-29 | 宿迁学院 | 基于反馈式深度对抗网络的恶意代码样本合成方法及装置 |
CN112560034A (zh) * | 2020-12-11 | 2021-03-26 | 宿迁学院 | 基于反馈式深度对抗网络的恶意代码样本合成方法及装置 |
CN113239022A (zh) * | 2021-04-19 | 2021-08-10 | 浙江大学 | 医疗诊断缺失数据补全方法及补全装置、电子设备、介质 |
CN113255213B (zh) * | 2021-05-19 | 2023-08-22 | 南京工程学院 | 一种功率变换器复合故障辨识方法 |
CN113255213A (zh) * | 2021-05-19 | 2021-08-13 | 南京工程学院 | 一种功率变换器复合故障辨识方法 |
CN113376516A (zh) * | 2021-06-07 | 2021-09-10 | 科润智能控制股份有限公司 | 一种基于深度学习的中压真空断路器运行故障自诊断与预警方法 |
CN113553972A (zh) * | 2021-07-29 | 2021-10-26 | 青岛农业大学 | 一种基于深度学习的苹果病害诊断方法 |
CN113592181B (zh) * | 2021-08-02 | 2023-04-28 | 广西大学 | 一种小水电群出力预测方法和系统 |
CN113592181A (zh) * | 2021-08-02 | 2021-11-02 | 广西大学 | 一种小水电群出力预测方法和系统 |
CN113743484A (zh) * | 2021-08-20 | 2021-12-03 | 宁夏大学 | 基于空间和通道注意力机制的图像分类方法与系统 |
CN113884290A (zh) * | 2021-09-28 | 2022-01-04 | 江南大学 | 基于自训练半监督生成对抗网络的调压器故障诊断方法 |
CN113884290B (zh) * | 2021-09-28 | 2022-08-02 | 江南大学 | 基于自训练半监督生成对抗网络的调压器故障诊断方法 |
US11631237B1 (en) | 2021-11-23 | 2023-04-18 | Northeast Electric Power University | Infrared thermal image classification and hot spot positioning method of photovoltaic panel |
CN114419360A (zh) * | 2021-11-23 | 2022-04-29 | 东北电力大学 | 一种光伏板红外热图像分类及热斑定位方法 |
CN114326655A (zh) * | 2021-11-30 | 2022-04-12 | 深圳先进技术研究院 | 工业机器人故障数据生成方法、系统、终端以及存储介质 |
CN114169249A (zh) * | 2021-12-16 | 2022-03-11 | 福州大学 | 一种配电网高阻接地故障人工智能识别方法 |
CN114638149B (zh) * | 2022-01-20 | 2023-08-08 | 佳都科技集团股份有限公司 | 一种基于卷积的故障诊断方法及装置 |
CN114638149A (zh) * | 2022-01-20 | 2022-06-17 | 佳都科技集团股份有限公司 | 一种基于卷积的故障诊断方法及装置 |
CN114997745A (zh) * | 2022-07-28 | 2022-09-02 | 华能国际电力江苏能源开发有限公司清洁能源分公司 | 一种基于深度特征提取的光伏故障诊断溯源方法 |
CN114997745B (zh) * | 2022-07-28 | 2022-10-04 | 华能国际电力江苏能源开发有限公司清洁能源分公司 | 一种基于深度特征提取的光伏故障诊断溯源方法 |
CN115348190A (zh) * | 2022-08-17 | 2022-11-15 | 郑州华泰联合工业自动化有限公司 | 一种物联网设备检测方法、系统和设备 |
CN115481692B (zh) * | 2022-09-23 | 2023-10-10 | 江苏安控智汇科技股份有限公司 | 一种基于sgan的水泵机组故障诊断方法 |
CN115481692A (zh) * | 2022-09-23 | 2022-12-16 | 常州安控电器成套设备有限公司 | 一种基于sgan的水泵机组故障诊断方法 |
CN116399579A (zh) * | 2023-06-08 | 2023-07-07 | 国网山东省电力公司济南供电公司 | 变压器机械故障诊断方法、装置、计算机设备及存储介质 |
CN116821697A (zh) * | 2023-08-30 | 2023-09-29 | 聊城莱柯智能机器人有限公司 | 一种基于小样本学习的机械设备故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414601A (zh) | 基于深度卷积对抗网络的光伏组件故障诊断方法、系统及设备 | |
CN106127217B (zh) | 用于近似深入神经网络以用于解剖对象检测的方法和系统 | |
CN105184312B (zh) | 一种基于深度学习的文字检测方法及装置 | |
CN105046277B (zh) | 特征显著性在图像质量评价中的鲁棒机理研究方法 | |
CN107529650A (zh) | 网络模型的构建和闭环检测方法、相应装置及计算机设备 | |
CN109493347A (zh) | 在图像中对稀疏分布的对象进行分割的方法和系统 | |
CN108229490A (zh) | 关键点检测方法、神经网络训练方法、装置和电子设备 | |
CN109741328A (zh) | 一种基于生成式对抗网络的汽车表观质量检测方法 | |
CN108665005A (zh) | 一种利用dcgan提高基于cnn图像识别性能的方法 | |
CN105654066A (zh) | 一种车辆识别方法及装置 | |
CN110263858B (zh) | 一种螺栓图像合成方法、装置及相关设备 | |
CN109117897A (zh) | 基于卷积神经网络的图像处理方法、装置及可读存储介质 | |
CN111339935B (zh) | 一种基于可解释cnn图像分类模型的光学遥感图片分类方法 | |
CN110310345A (zh) | 一种基于自动分工隐聚类生成对抗网络的图像生成方法 | |
CN109635653A (zh) | 一种植物识别方法 | |
CN115862073B (zh) | 一种基于机器视觉的变电站危害鸟种目标检测和识别方法 | |
CN108596243A (zh) | 基于分级注视图和条件随机场的眼动注视图预测方法 | |
CN110827260A (zh) | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 | |
Liu et al. | Coastline extraction method based on convolutional neural networks—A case study of Jiaozhou Bay in Qingdao, China | |
CN107341440A (zh) | 基于多任务度量多核学习的室内rgb‑d场景图像识别方法 | |
CN110390347A (zh) | 针对深度神经网络的条件引导式对抗生成测试方法与系统 | |
CN107563430A (zh) | 一种基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法 | |
CN105447566B (zh) | 训练装置、训练方法以及检测装置 | |
CN113537496A (zh) | 一种深度学习模型可视化构建系统及其应用和设计方法 | |
CN115222946B (zh) | 一种单阶段实例图像分割方法、装置以及计算机设备 |
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 |
Application publication date: 20191105 |
|
RJ01 | Rejection of invention patent application after publication |