CN111275108A - 基于生成对抗网络对局部放电数据进行样本扩展的方法 - Google Patents
基于生成对抗网络对局部放电数据进行样本扩展的方法 Download PDFInfo
- Publication number
- CN111275108A CN111275108A CN202010064775.0A CN202010064775A CN111275108A CN 111275108 A CN111275108 A CN 111275108A CN 202010064775 A CN202010064775 A CN 202010064775A CN 111275108 A CN111275108 A CN 111275108A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- partial discharge
- sample data
- generation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000009826 distribution Methods 0.000 claims abstract description 28
- 230000007547 defect Effects 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 10
- 102100025142 Beta-microseminoprotein Human genes 0.000 claims description 6
- 101000576812 Homo sapiens Beta-microseminoprotein Proteins 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种基于生成对抗网络对局部放电数据进行样本扩展的方法,其包括:(1)采集局部放电数据;(2)对局部放电数据进行预处理,以得到真实样本数据;(3)构建生成对抗网络并采用生成对抗网络对局部放电数据进行样本扩展,生成对抗网络包括生成器、判别器和生成样本存储器;(4)采用生成样本存储器中的生成样本数据对真实样本数据进行扩展。此外,本发明还公开了一种对局部放电缺陷进行诊断的方法。另外,本发明还公开了一种基于生成对抗网络对局部放电数据进行样本扩展的系统。该方法可以综合考虑数据集的整体分布,分析数据的分布情况,通过生成对抗网络可以对局部放电数据中少量样本进行数据增强,降低样本不平衡。
Description
技术领域
本发明涉及一种数据处理方法及系统,尤其涉及一种电力设备数据的处理方法及系统。
背景技术
大数据平台积累了大量多源异构的局部放电检测数据,但由于设备结构等问题,导致其中某些缺陷所引起的局部放电数据远少于其他类型缺陷所引起的局部放电数据,由此造成了类别不平衡。而类别不平衡的现象会导致采用传统的机器学习算法进行模式识别时,模式识别效果不够理想,识别正确性更依赖于样本量多的样本。
为了提高系统的诊断性能,更好得对设备发生局部放电缺陷进行分析,消除类别不平衡情况变得十分有必要。
而针对类别不平衡情况,现有技术所采用的方法包括两种,其一为利用数据方法降低不平衡情况,其主要通过过采样技术改变数据集的分布,而另一种则是利用算法改进诊断结果,其主要是针对不同样本量的样本类别使用不同的权重进行。但是上述方法在应用时都存在一定的局限性,例如采用过采样方法对样本进行合成,需要一定的专家知识,操作复杂,且无法考虑数据集的整体分布,而采用利用算法改进诊断结果,在工程实际应用中对于代价因子矩阵的确定是极难的。
基于此,期望获得一种对局部放电数据进行样本扩展的方法,通过该方法可以较好地进行数据增强,降低样本不平衡的情况。
发明内容
本发明的目的之一是提供一种基于生成对抗网络对局部放电数据进行样本扩展的方法,该方法可以综合考虑数据集的整体分布,分析数据的分布情况,通过生成对抗网络可以对局部放电数据中少量样本进行数据增强,降低样本不平衡,提升数据集的平衡分布,为后续系统诊断与分析提供良好的数据基础。
根据上述发明目的,本发明提出一种基于生成对抗网络对局部放电数据进行样本扩展的方法,其包括:
(1)采集局部放电数据;
(2)对局部放电数据进行预处理,以得到真实样本数据;
(3)构建生成对抗网络并采用生成对抗网络对局部放电数据进行样本扩展,生成对抗网络包括生成器、判别器和生成样本存储器;其中样本扩展步骤包括:
(3a)将随机噪声输入生成器,以使生成器输出生成样本数据,将生成样本数据存储在生成样本存储器中;
(3b)将真实样本数据和生成样本存储器中的数据输入判别器;
(3c)判别器基于真实样本数据与生成样本数据的之间的距离,输出样本数据是真实样本数据还是生成样本数据的判断结果;
(3d)将带有判断结果标签的样本数据输入给判别器和生成样本存储器;
循环反复进行上述步骤(3b)-(3d),直至生成器的损失函数的值与判别器的损失函数的值二者之和小于等于一预设的阈值;
(4)采用生成样本存储器中的生成样本数据对真实样本数据进行扩展。
需要说明的是,在本发明所述的技术方案中,生成对抗网络可以作为一种生成模型,采用无监督或半监督学习方法,对输入的数据进行学习以估计真实数据的分布,隐式建模数据的高维分布,从而生成新的数据。在本发明所述的技术方案中,通过生成器与判别器的交互学习,隐式计算候选模型的分布与实际数据对应的分布之间的相似性,训练生成器产生质量更好的生成样本叔叔,生成器学习并估计训练数据的统计分布,据此,可以从所学分布中合成新的样本,而本发明所述的技术方案利用该特点用于数据增强任务,降低样本不平衡。
进一步地,在本发明所述的方法中,局部放电数据至少包括PRPS图谱数据或时域波形图像数据。
进一步地,在本发明所述的方法中,在步骤(2)中,当局部放电数据至少包括时域波形图像数据时,预处理包括灰度化处理和二值化处理。
进一步地,在本发明所述的方法中,在步骤(2)中,当局部放电数据至少包括PRPS图谱数据时,预处理包括归一化处理。
进一步地,在本发明所述的方法中,在步骤(3c)中,基于下述公式判断样本数据是真实样本数据还是生成样本数据:
其中,W(Pr,Pg)表示Wasserstein距离,Π(Pr,Pg)表示Pr,Pg组合起来可能的联合分布的集合,其中Pr表示真实样本数据,Pg表示生成样本数据,γ属于上述集合中的某一种联合分布;其中样本对(x,y)来自于集合Π(Pr,Pg),即属于某一种联合分布γ,其中x表示采样得到的一个真实样本数据,y表示采样得到的一个生成样本数据,||x-y||表示样本对(x,y)的wasserstein距离;E表示将所有样本对的距离求期望值,inf表示对期望值取下界。
当Wasserstein距离小于等于一预设的距离阈值时,则判断该样本数据为真实样本数据。
进一步地,在本发明所述的方法中,在步骤(3)中,生成器的损失函数dloss为:
式中m表示输入的真实样本数据和生成样本数据的总数量,f1ω代表参数为ω的用于生成器的神经网络对应的映射,z(i)表示第i个生成样本数据的输入,gθ表示对噪音输入生成新的样本数据。
进一步地,在本发明所述的方法中,在步骤(3)中,判别器的损失函数gloss为:
式中m表示输入的真实样本数据和生成样本数据的总数量,f2ω代表参数为ω的用于判别器的神经网络对应的映射,x(i)表示第i个采样的真实样本数据。
此外,本发明的另一目的在于提供一种对局部放电缺陷进行诊断的方法,通过该方法可以对设备发生局部放电时的缺陷类型进行准确诊断判别,尤其是适用于样本数据不平衡的情况。
根据上述发明目的,本发明提出一种对局部放电缺陷进行诊断的方法,其包括步骤:
采用上述的方法对局部放电数据进行样本扩展;
采用扩展后的局部放电数据对局部放电缺陷进行诊断。
另外,本发明的又一目的在于提供一种基于生成对抗网络对局部放电数据进行样本扩展的系统,该系统可以对局部放电数据进行样本扩展,极好地避免了由于样本数据不平衡所导致的对局部放电缺陷判别结果不准确的情况。
根据上述发明目的,本发明提出一种基于生成对抗网络对局部放电数据进行样本扩展的系统,其实施上述的方法。
本发明所述的基于生成对抗网络对局部放电数据进行样本扩展的方法及系统以及对局部放电缺陷进行诊断的方法相较于现有技术具有如下所述的优点以及有益效果:
本发明所述的基于生成对抗网络对局部放电数据进行样本扩展的方法可以综合考虑数据集的整体分布,分析数据的分布情况,通过生成对抗网络可以对局部放电数据中少量样本进行数据增强,降低样本不平衡,提升数据集的平衡分布,为后续系统诊断与分析提供良好的数据基础。
此外,本发明所述的对局部放电缺陷进行诊断的方法也同样具有上述的优点以及有益效果。
另外,本发明所述的基于生成对抗网络对局部放电数据进行样本扩展的系统也同样具有上述的优点以及有益效果。
附图说明
图1为本发明所述的基于生成对抗网络对局部放电数据进行样本扩展的方法在一些实施方式中的生成对抗网络的结构示意图。
图2为本发明所述的基于生成对抗网络对局部放电数据进行样本扩展的方法在一些实施方式中的流程示意图。
图3示意性地显示了本发明所述的对局部放电缺陷进行诊断的方法在一些实施方式中的流程示意图。
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生成对抗网络对局部放电数据进行样本扩展的方法及系统以及对局部放电缺陷进行诊断的方法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生成对抗网络对局部放电数据进行样本扩展的方法在一些实施方式中的生成对抗网络的结构示意图。
如图1所示,在本实施方式中,生成对抗网络包括生成器、判别器和生成样本存储器(生成样本数据存储于生成样本存储器内);其中,生成对抗网络进行样本扩展步骤包括:(3a)将随机噪声输入生成器,以使生成器输出生成样本数据,将生成样本数据存储在生成样本存储器中;(3b)将真实样本数据和生成样本存储器中的数据输入判别器;(3c)判别器基于真实样本数据与生成样本数据的之间的距离,输出样本数据是真实样本数据还是生成样本数据的判断结果;(3d)将带有判断结果标签的样本数据输入给判别器和生成样本存储器;循环反复进行上述步骤(3b)-(3d),直至生成器的损失函数的值与判别器的损失函数的值二者之和小于等于预设的阈值,该阈值可以设定为在一次循环后减少的差值低于0.0001。
在步骤(3c)中,考虑到生成对抗网络会由于结构特点存在模型崩溃、无法收敛的问题,因此,可以基于下述公式判断样本数据是真实样本数据还是生成样本数据,从而更有效地判断样本数据是真实样本数据还是生成样本数据:
其中,W(Pr,Pg)表示Wasserstein距离,Π(Pr,Pg)表示Pr,Pg组合起来可能的联合分布的集合,其中Pr表示真实样本数据,Pg表示生成样本数据,γ属于上述集合中的某一种联合分布;其中样本对(x,y)来自于集合Π(Pr,Pg),即属于某一种联合分布γ,其中x表示采样得到的一个真实样本数据,y表示采样得到的一个生成样本数据,||x-y||表示样本对(x,y)的wasserstein距离;E表示将所有样本对的距离求期望值,inf表示对期望值取下界。
当Wasserstein距离小于等于一预设的距离阈值时,则判断该样本数据为真实样本数据。需要说明的是,距离阈值可以为例如10-3。
需要说明的是,在采用上式判断样本数据是真实样本数据还是生成样本数据的计算过程时,可以利用RMSProp进行优化。需要说明的是,在本实施方式中,RMSProp为一种优化算法,其采用对损失函数的梯度使用微分平方加权平均数,以对网络参数进行更新,其计算过程为本领域内技术人员所知晓的技术手段,在此不再赘述。
需要说明的是,生成器的损失函数dloss为:
式中m表示输入的真实样本数据和生成样本数据的总数量,f1ω代表参数为ω的用于生成器的神经网络对应的映射,z(i)表示第i个生成样本数据的输入,gθ表示对噪音输入生成新的样本数据。
而判别器的损失函数gloss为:
式中m表示输入的真实样本数据和生成样本数据的总数量,f2ω代表参数为ω的用于判别器的神经网络对应的映射,x(i)表示第i个采样的真实样本数据。
图2为本发明所述的基于生成对抗网络对局部放电数据进行样本扩展的方法在一些实施方式中的流程示意图。
如图2所示,在本实施方式中的基于生成对抗网络对局部放电数据进行样本扩展的方法,步骤包括:
(1)采集局部放电数据;
(2)对局部放电数据进行预处理,以得到真实样本数据;
(3)构建生成对抗网络并采用生成对抗网络对局部放电数据进行样本扩展;
(4)采用生成样本存储器中的生成样本数据对真实样本数据进行扩展。
需要说明的是,在本实施方式中,生成对抗网络包括生成器、判别器和生成样本存储器;其中样本扩展步骤包括:
(3a)将随机噪声输入生成器,以使生成器输出生成样本数据,将生成样本数据存储在生成样本存储器中;
(3b)将真实样本数据和生成样本存储器中的数据输入判别器;
(3c)判别器基于真实样本数据与生成样本数据的之间的距离,输出样本数据是真实样本数据还是生成样本数据的判断结果;
(3d)将带有判断结果标签的样本数据输入给判别器和生成样本存储器;
循环反复进行上述步骤(3b)-(3d),直至生成器的损失函数的值与判别器的损失函数的值二者之和小于等于一预设的阈值。
此外,在一些实施方式中,局部放电数据至少包括PRPS图谱数据或时域波形图像数据。
当局部局部放电数据至少包括PRPS图谱数据时,预处理包括归一化处理,归一化处理可以采用下式进行:
上式中:x表示原始数据,xmin表示原始数据中的最小值,xmax表示原始数据中的最大值,x’表示线性归一化后的数据。
当述局部放电数据至少包括时域波形图像数据时,预处理包括灰度化处理和二值化处理。例如,可以采用分量法对时域波形图像进行灰度变换,即把彩色图像中三个通道进行拆分,将R通道作为灰度图像的灰度分量,从而得到灰度图像。灰度图的灰度范围是0到255,设置阈值为T,在本实施方式中,针对时域波形图像,可选择T为60,随后,对灰度图进行全局二值化,得到二值图像。
图3示意性地显示了本发明所述的对局部放电缺陷进行诊断的方法在一些实施方式中的流程示意图。
如图3所示,在本实施方式中,对局部放电缺陷进行诊断的方法进行时,首先开始时输入局部放电数据,该局部放电数据可以来自变电站现场采集检测到的数据,随后对该局部放电数据进行预处理,以得到真实样本数据,若该真实样本数据的样本比例均衡时,则可以直接进行诊断,最终输出诊断结果。
若真实样本数据的样本比例不均衡时,则将少量样本采用本案的基于生成对抗网络对局部放电数据进行样本扩展的方法对其进行样本扩展,随后将扩展后的局部放电数据对局部放电缺陷进行诊断,最终输出诊断结果。
综上所述可以看出,本发明所述的基于生成对抗网络对局部放电数据进行样本扩展的方法可以综合考虑数据集的整体分布,分析数据的分布情况,通过生成对抗网络可以对局部放电数据中少量样本进行数据增强,降低样本不平衡,提升数据集的平衡分布,为后续系统诊断与分析提供良好的数据基础。
此外,本发明所述的对局部放电缺陷进行诊断的方法也同样具有上述的优点以及有益效果。
另外,本发明所述的基于生成对抗网络对局部放电数据进行样本扩展的系统也同样具有上述的优点以及有益效果。
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 (9)
1.一种基于生成对抗网络对局部放电数据进行样本扩展的方法,其特征在于,包括:
(1)采集局部放电数据;
(2)对所述局部放电数据进行预处理,以得到真实样本数据;
(3)构建生成对抗网络并采用生成对抗网络对局部放电数据进行样本扩展,所述生成对抗网络包括生成器、判别器和生成样本存储器;其中样本扩展步骤包括:
(3a)将随机噪声输入生成器,以使生成器输出生成样本数据,将生成样本数据存储在生成样本存储器中;
(3b)将所述真实样本数据和生成样本存储器中的数据输入所述判别器;
(3c)所述判别器基于真实样本数据与生成样本数据的之间的距离,输出样本数据是真实样本数据还是生成样本数据的判断结果;
(3d)将带有判断结果标签的样本数据输入给所述判别器和生成样本存储器;
循环反复进行上述步骤(3b)-(3d),直至所述生成器的损失函数的值与判别器的损失函数的值二者之和小于等于一预设的阈值;
(4)采用生成样本存储器中的生成样本数据对真实样本数据进行扩展。
2.如权利要求1所述的方法,其特征在于,所述局部放电数据至少包括PRPS图谱数据或时域波形图像数据。
3.如权利要求2所述的方法,其特征在于,在步骤(2)中,当所述局部放电数据至少包括时域波形图像数据时,所述预处理包括灰度化处理和二值化处理。
4.如权利要求2所述的方法,其特征在于,在步骤(2)中,当所述局部放电数据至少包括PRPS图谱数据时,所述预处理包括归一化处理。
5.如权利要求1所述的方法,其特征在于,在步骤(3c)中,基于下述公式判断样本数据是真实样本数据还是生成样本数据:
其中,W(Pr,Pg)表示Wasserstein距离,Π(Pr,Pg)表示Pr,Pg组合起来可能的联合分布的集合,其中Pr表示真实样本数据,Pg表示生成样本数据,γ属于上述集合中的某一种联合分布;其中样本对(x,y)来自于集合Π(Pr,Pg),即属于某一种联合分布γ,其中x表示采样得到的一个真实样本数据,y表示采样得到的一个生成样本数据,||x-y||表示样本对(x,y)的wasserstein距离;E表示将所有样本对的距离求期望值,inf表示对期望值取下界。
当Wasserstein距离小于等于一预设的距离阈值时,则判断该样本数据为真实样本数据。
8.一种对局部放电缺陷进行诊断的方法,其特征在于,包括步骤:
采用如权利要求1-7中任意一项所述的方法对局部放电数据进行样本扩展;
采用扩展后的局部放电数据对局部放电缺陷进行诊断。
9.一种基于生成对抗网络对局部放电数据进行样本扩展的系统,其特征在于,其实施如权利要求1-8中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010064775.0A CN111275108A (zh) | 2020-01-20 | 2020-01-20 | 基于生成对抗网络对局部放电数据进行样本扩展的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010064775.0A CN111275108A (zh) | 2020-01-20 | 2020-01-20 | 基于生成对抗网络对局部放电数据进行样本扩展的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111275108A true CN111275108A (zh) | 2020-06-12 |
Family
ID=70999010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010064775.0A Pending CN111275108A (zh) | 2020-01-20 | 2020-01-20 | 基于生成对抗网络对局部放电数据进行样本扩展的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275108A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111929548A (zh) * | 2020-08-13 | 2020-11-13 | 广东电网有限责任公司 | 放电和干扰信号样本生成方法、计算机设备和存储介质 |
CN112091727A (zh) * | 2020-08-12 | 2020-12-18 | 上海交通大学 | 一种基于虚拟样本生成的刀具破损识别方法、装置和终端 |
CN112557833A (zh) * | 2020-10-10 | 2021-03-26 | 国网河南省电力公司焦作供电公司 | 一种基于深度样本增强的电缆局部放电模式识别方法 |
CN113673564A (zh) * | 2021-07-16 | 2021-11-19 | 深圳供电局有限公司 | 窃电样本生成方法、装置、计算机设备和存储介质 |
CN114609493A (zh) * | 2022-05-09 | 2022-06-10 | 杭州兆华电子股份有限公司 | 一种信号数据增强的局部放电信号识别方法 |
CN115293057A (zh) * | 2022-10-10 | 2022-11-04 | 深圳先进技术研究院 | 一种基于多源异构数据的风力发电机故障预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145961A (zh) * | 2018-07-30 | 2019-01-04 | 上海交通大学 | 一种非结构化局部放电数据的模式识别方法及系统 |
CN109948693A (zh) * | 2019-03-18 | 2019-06-28 | 西安电子科技大学 | 基于超像素样本扩充和生成对抗网络高光谱图像分类方法 |
CN110009568A (zh) * | 2019-04-10 | 2019-07-12 | 大连民族大学 | 满文图像超分辨率重建的生成器构建方法 |
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 |
CN110610207A (zh) * | 2019-09-10 | 2019-12-24 | 重庆邮电大学 | 一种基于迁移学习的小样本sar图像舰船分类方法 |
-
2020
- 2020-01-20 CN CN202010064775.0A patent/CN111275108A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145961A (zh) * | 2018-07-30 | 2019-01-04 | 上海交通大学 | 一种非结构化局部放电数据的模式识别方法及系统 |
CN109948693A (zh) * | 2019-03-18 | 2019-06-28 | 西安电子科技大学 | 基于超像素样本扩充和生成对抗网络高光谱图像分类方法 |
CN110009568A (zh) * | 2019-04-10 | 2019-07-12 | 大连民族大学 | 满文图像超分辨率重建的生成器构建方法 |
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 |
CN110610207A (zh) * | 2019-09-10 | 2019-12-24 | 重庆邮电大学 | 一种基于迁移学习的小样本sar图像舰船分类方法 |
Non-Patent Citations (1)
Title |
---|
颜贝,张建林: "基于谱约束的生成对抗网络图像数据生成研究" * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112091727A (zh) * | 2020-08-12 | 2020-12-18 | 上海交通大学 | 一种基于虚拟样本生成的刀具破损识别方法、装置和终端 |
CN111929548A (zh) * | 2020-08-13 | 2020-11-13 | 广东电网有限责任公司 | 放电和干扰信号样本生成方法、计算机设备和存储介质 |
CN111929548B (zh) * | 2020-08-13 | 2021-09-21 | 广东电网有限责任公司 | 放电和干扰信号样本生成方法、计算机设备和存储介质 |
CN112557833A (zh) * | 2020-10-10 | 2021-03-26 | 国网河南省电力公司焦作供电公司 | 一种基于深度样本增强的电缆局部放电模式识别方法 |
CN112557833B (zh) * | 2020-10-10 | 2022-04-12 | 国网河南省电力公司焦作供电公司 | 一种基于深度样本增强的电缆局部放电模式识别方法 |
CN113673564A (zh) * | 2021-07-16 | 2021-11-19 | 深圳供电局有限公司 | 窃电样本生成方法、装置、计算机设备和存储介质 |
CN113673564B (zh) * | 2021-07-16 | 2024-03-26 | 深圳供电局有限公司 | 窃电样本生成方法、装置、计算机设备和存储介质 |
CN114609493A (zh) * | 2022-05-09 | 2022-06-10 | 杭州兆华电子股份有限公司 | 一种信号数据增强的局部放电信号识别方法 |
CN114609493B (zh) * | 2022-05-09 | 2022-08-12 | 杭州兆华电子股份有限公司 | 一种信号数据增强的局部放电信号识别方法 |
CN115293057A (zh) * | 2022-10-10 | 2022-11-04 | 深圳先进技术研究院 | 一种基于多源异构数据的风力发电机故障预测方法 |
CN115293057B (zh) * | 2022-10-10 | 2022-12-20 | 深圳先进技术研究院 | 一种基于多源异构数据的风力发电机故障预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275108A (zh) | 基于生成对抗网络对局部放电数据进行样本扩展的方法 | |
CN108959794B (zh) | 一种基于深度学习的结构频响动力学模型修正方法 | |
CN112763214B (zh) | 基于多标签零样本学习的滚动轴承故障诊断方法 | |
CN111709448A (zh) | 一种基于迁移关系网络的机械故障诊断方法 | |
CN111323220A (zh) | 风力发电机齿轮箱故障诊断方法及系统 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN110297479B (zh) | 一种基于卷积神经网络信息融合的水电机组故障诊断方法 | |
CN111914883A (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN105678343A (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
CN113076920B (zh) | 一种基于非对称域对抗自适应模型的智能故障诊断方法 | |
CN113780242A (zh) | 一种基于模型迁移学习的跨场景水声目标分类方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN111783616B (zh) | 一种基于数据驱动自学习的无损检测方法 | |
CN114118138A (zh) | 一种基于多标签领域自适应模型的轴承复合故障诊断方法 | |
CN111858340A (zh) | 一种基于稳定性变换的深度神经网络测试数据生成方法 | |
CN115165366A (zh) | 一种旋转机械变工况故障诊断方法及系统 | |
CN115330697A (zh) | 基于可迁移Swin Transformer的轮胎瑕疵检测域自适应方法 | |
CN114897138A (zh) | 基于注意力机制和深度残差网络的系统故障诊断方法 | |
CN113744237A (zh) | 一种基于深度学习的渣土流塑性自动检测方法及系统 | |
CN113283467A (zh) | 一种基于平均损失和逐类选择的弱监督图片分类方法 | |
CN114295967A (zh) | 一种基于迁移神经网络的模拟电路故障诊断方法 | |
CN116662872A (zh) | 汽车面板精整线轴承类机械故障诊断方法 | |
CN113821888B (zh) | 基于周期性冲击特征提取和回声状态网络的振动数据故障诊断方法 | |
CN114593917A (zh) | 一种基于三元组模型的小样本轴承故障诊断方法 |
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: 20200612 |