CN111914705A - 提升电抗器健康状态评估准确率的信号生成方法及装置 - Google Patents
提升电抗器健康状态评估准确率的信号生成方法及装置 Download PDFInfo
- Publication number
- CN111914705A CN111914705A CN202010700883.2A CN202010700883A CN111914705A CN 111914705 A CN111914705 A CN 111914705A CN 202010700883 A CN202010700883 A CN 202010700883A CN 111914705 A CN111914705 A CN 111914705A
- Authority
- CN
- China
- Prior art keywords
- network
- reactor
- vibration signal
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000036541 health Effects 0.000 title claims abstract description 32
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 title claims abstract description 15
- 238000011156 evaluation Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000013210 evaluation model Methods 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 25
- 230000004913 activation Effects 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 230000006872 improvement Effects 0.000 claims description 10
- 230000001537 neural effect Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种提升电抗器健康状态评估准确率的信号生成方法及装置，方法包括采集正常状态下和异常状态下运行的电抗器的真实振动信号；利用生成对抗网络对真实振动信号进行数据量扩充，将扩充后的数据用于训练电抗器健康状态评估模型；将实时采集到的电抗器振动信号输入到训练好的电抗器健康状态评估模型，评估当前电抗器健康状态。基于GAN的电抗器故障振动信号生成方法有效地解决了电抗器故障状态下的数据量少以及电抗器故障信号识别质量不高的问题。
Description
技术领域
本发明属于高压并联电抗器健康状态诊断领域，更具体地，涉及一种提升电抗器健康状态评估准确率的信号生成方法及装置。
背景技术
高压并联电抗器(以下简称电抗器)是电网系统中重要的无功补偿设备，在远距离输电过程中起到了巨大作用。它具有补偿远距离输电线电容电流、限制过电压的功能，可以起到保护用电设备以及降低线路有功损耗等作用。因此，电抗器的运行状态关乎整个电网系统的安全与稳定。当前存在的电抗器运行状态检测方法如外部检测法、温度检测法和局部放电检测法，在实时性和准确性方面存在一定局限性。而以大数据为驱动的深度学习方法在电气设备的故障信号识别应用中，可以克服传统故障信号识别方法的缺陷，对提高电力系统的安全性具有重要的意义。但由于电抗器的数据价值密度较低，即故障状态下的数据量少，所以如何将小样本数据进行数据增强，解决电抗器故障信号识别质量不高的问题，成为了深度学习在电抗器故障信号识别深入研究和发展的关键。
生成对抗网络(Generative Adversarial Networks，GAN)模型是由生成网络和判别网络嵌套组合而成，该模型有诸多变体如：WGAN、BEGAN、CGAN、DCGAN等。GAN模型在数据生成方面与传统的数据增强方法有较大区别。传统数据生成方法多采用插值、多项式拟合采样等方案，生成的数据与原始数据过于相似。而GAN模型则是利用更为复杂的神经网络进行对抗博弈，其本质是从离散随机的高斯分布学习到训练样本的数据分布，由训练样本的更高维度特征中得到所需要的新数据，其生成的数据完全不同于训练数据中的任何一组数据，可以极大地满足生成数据的多样性，且与原样本数据具有几乎一致的时频域特征，进而可以为故障信号的识别提供更多的数据支撑。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种提升电抗器健康状态评估准确率的信号生成方法及装置，旨在解决电抗器故障状态下的数据量少以及电抗器故障信号识别质量不高的问题。
为实现上述目的，按照本发明的一方面，提供了一种提升电抗器健康状态评估准确率的信号生成方法，此处主要应用于电网系统输电环节中大规模使用的高压并联电抗器。电抗器主体由铁芯、绕组以及油箱组成，其中振动主要来源铁芯。电抗器健康状态评估流程：
步骤1：采集真实的不同健康状态下的电抗器振动信号；
步骤2：利用生成对抗网络GAN的方法将电抗器振动信号的数据量扩充；
步骤3：将扩充后的数据用于训练电抗器健康状态评估模型；
步骤4：将实时采集到的电抗器振动信号输入到训练好的评估模型、评估当前电抗器健康状态；
其中，所述利用GAN的方法将电抗器振动信号的数据量扩充包括：
步骤2a
：对采集到的电抗器振动信号以一个周期为时间长度划分成多个样本，其中样本长度为1250个采样点，划分出等量正常样本与异常样本，构建真实振动信号数据集，然后按照7:3的比例划分成训练集和测试集，训练集用于训练GAN，测试集用于测试GAN生成信号的质量以及测试不同数据增强算法对卷积神经分类网络性能的提升；
步骤2b：搭建深度卷积生成对抗网络DCGAN，将真实振动信号数据集和随机噪声作为输入，输出为生成振动信号，DCGAN网络由生成网络和判别网络组成，其中生成网络的输入为一个长度为250维的高斯随机噪声向量，经过一个全连接层扩充后调整数据格式变为一个256通道的数据，后接是五个使用ReLU激活函数的卷积层用于构造生成信号的特征，其中每个卷积层后添加一个批归一化层用于增加网络的稳定性，再添加一个上采样层用于维持数据规模，最后输出层是采用Tanh激活函数的卷积层，最终输出一个长度为1250维的生成振动信号，判别网络的输入则是生成网络的输出，后面接6个卷积层和5个池化层，卷积层使用的是LeaklyReLU激活函数，池化层使用的是最大池化用于减少数据规模，最后输出层用的是全连接层加上Sigmoid激活函数，输出为生成振动信号真实度的判别结果，用于指导生成网络改进生成振动信号；
步骤2c：训练DCGAN网络，得到生成振动信号。
进一步的，生成对抗网络选用交叉熵作为训练的损失函数。
进一步的，设置生成网络训练次数与判别网络训练次数为2:1，保证loss曲线收敛和生成信号的稳定，生成网络学习率设置为0.001，判别网络学习率设置为0.00002，网络参数更新使用Adam优化器，批大小设置为64，总共训练200轮。
按照本发明的另一方面，提供了一种用于电网系统中提升电抗器健康状态评估准确率的信号生成装置，包括：
采集模块，用于采集真实的不同健康状态下的电抗器振动信号；
扩充模块，用于利用生成对抗网络GAN的方法将电抗器振动信号的数据量扩充；
训练模块，用于将扩充后的数据用于训练电抗器健康状态评估模型；
评估模块，用于将实时采集到的电抗器振动信号输入到训练好的评估模型、评估当前电抗器健康状态；
其中，所述利用GAN的方法将振动信号的数据量扩充包括：
训练模块对采集到的真实振动信号以一个周期为时间长度划分成多个样本，其中样本长度为1250个采样点，划分出等量正常样本与异常样本，构建真实振动信号数据集，然后按照7:3的比例划分成训练集和测试集，训练集用于训练GAN，测试集用于测试GAN生成信号的质量以及测试不同数据增强算法对卷积神经分类网络性能的提升；
搭建深度卷积生成对抗网络DCGAN网络，将真实振动信号数据集和随机噪声作为输入，输出为生成振动信号，所述DCGAN网络由生成网络和判别网络组成，其中生成网络的输入为一个长度为250维的高斯随机噪声向量，经过一个全连接层扩充后调整数据格式变为一个256通道的数据，后接是五个使用ReLU激活函数的卷积层用于构造生成信号的特征，其中每个卷积层后添加一个批归一化层用于增加网络的稳定性，再添加一个上采样层用于维持数据规模，最后输出层是采用Tanh激活函数的卷积层，最终输出一个长度为1250维的生成振动信号，判别网络的输入则是生成网络的输出，后面接6个卷积层和5个池化层，卷积层使用的是LeaklyReLU激活函数，池化层使用的是最大池化用于减少数据规模，最后输出层用的是全连接层加上Sigmoid激活函数，输出为生成振动信号真实度的判别结果，用于指导生成网络改进生成振动信号；
训练DCGAN网络，得到生成振动信号。
通过本发明所构思的以上技术方案，与现有技术相比，基于GAN的电抗器故障振动信号生成方法有效地解决了电抗器故障状态下的数据量少以及电抗器故障信号识别质量不高的问题。并且实验证明在原始数据量很小的情况下，利用GAN扩充的数据集训练出的卷积神经分类网络的分类准确率要优于利用传统的SMOTE算法扩充的数据集训练出的卷积神经分类网络。
附图说明
图1是本发明电抗器健康状态评估的流程示意图；
图2是本发明基于GAN的电抗器故障振动信号生成算法流程图；
图3是本发明提供的DCGAN网络整体结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间不构成冲突就可以相互组合。
本发明提供了一种提升电抗器健康状态评估准确率的信号生成方法，
首先，电抗器健康状态评估流程如图1所示：
采集真实的不同健康状态下的电抗器振动信号；
利用GAN的方法将振动信号的数据量扩充；
将扩充后的数据用于训练电抗器健康状态评估模型；
将实时采集到的电抗器振动信号输入到训练好的评估模型，评估当前电抗器健康状态。
其中利用GAN的方法做数据扩充的过程如图2所示，包括如下：
1、在电抗器的合适位置安装振动传感器，做振动信号的测量实验，得到不同健康状态下运行的电抗器的真实振动信号；
2、对收集到的振动信号以一个周期为长度划分成多个样本，构建真实振动信号数据集；
3、搭建DCGAN网络，将真实振动信号数据集和随机噪声作为输入，输出生成振动信号；
4、训练DCGAN网络，得到生成振动信号。
具体的，在电抗器的合适位置安装振动传感器，分别在正常运行和异常运行的电抗器油箱表面的合适位置以吸附的形式布置振动传感器进行振动检测，采集得到正常状态下和异常状态下运行的电抗器的真实振动信号；
具体地，对采集到的真实振动信号以一个周期为时间长度划分成多个样本，其中样本长度为1250个采样点，划分出等量正常样本与异常样本，本实施例均为100个，构建真实振动信号数据集，然后按照7:3的比例划分成训练集和测试集，训练集用于训练GAN模型，测试集用于测试GAN模型生成信号的质量以及测试不同数据增强算法对卷积神经分类网络性能的提升。
具体地，振动信号是具有强时间相关性的一维信号，因此DCGAN网络中的卷积核均为一维卷积核。如图3所示，搭建深度卷积生成对抗网络(以下简称DCGAN网络)，具体生成网络和判别网络结构参数如表1和表2所示。将真实振动信号数据集和随机噪声作为输入，输出为生成振动信号。DCGAN网络由生成网络和判别网络组成。其中生成网络的输入为一个长度为250维的高斯随机噪声向量，经过一个全连接层扩充后调整数据格式变为一个256通道的数据。后接是五个使用ReLU激活函数的卷积层用于构造生成信号的特征。其中每个卷积层后添加一个批归一化层用于增加网络的稳定性，再添加一个上采样层用于维持数据规模。最后输出层是采用Tanh激活函数的卷积层。最终输出一个长度为1250维的生成振动信号。判别网络的输入则是生成网络的输出，后面接6个卷积层和5个池化层，卷积层使用的是LeaklyReLU激活函数，池化层使用的是最大池化用于减少数据规模，最后输出层用的是全连接层加上Sigmoid激活函数，输出为生成振动信号真实度的判别结果，用于指导生成网络改进生成振动信号。DCGAN网络选用交叉熵作为训练的损失函数。
具体的，训练DCGAN网络，得到生成振动信号。设置生成网络训练次数与判别网络训练次数为2:1，保证loss曲线收敛和生成信号的稳定，生成网络学习率设置为0.001，判别网络学习率设置为0.00002，网络参数更新使用Adam优化器，批大小设置为64，总共训练200轮。
表1
表2
下表3给出使用SMOTE算法与利用GAN的方法做数据扩充的识别准确率的结果对比。由此可以看出，在原始数据量很小的情况下，利用GAN扩充的数据集训练出的卷积神经分类网络的分类准确率较利用传统的SMOTE算法扩充的数据集训练出的卷积神经分类网络有显著提升。因此基于GAN的电抗器故障振动信号生成方法能有效地解决电抗器故障状态下的数据量少以及电抗器故障信号识别质量不高的问题。
表3
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种提升电抗器健康状态评估准确率的信号生成方法，其特征在于，包括：
步骤1：采集真实的不同健康状态下的电抗器振动信号；
步骤2：利用生成对抗网络GAN的方法将所述电抗器振动信号的数据量扩充；
步骤3：将扩充后的数据用于训练电抗器健康状态评估模型；
步骤4：将实时采集到的电抗器振动信号输入到训练好的评估模型、评估当前电抗器健康状态；
其中，所述利用GAN的方法将所述电抗器振动信号的数据量扩充包括：
步骤2a：
对采集到的电抗器振动信号以一个周期为时间长度划分成多个样本，其中样本长度为1250个采样点，划分出等量正常样本与异常样本，构建真实振动信号数据集，然后按照7:3的比例划分成训练集和测试集，训练集用于训练GAN，测试集用于测试GAN生成信号的质量以及测试不同数据增强算法对卷积神经分类网络性能的提升；
步骤2b：搭建深度卷积生成对抗网络DCGAN，将真实振动信号数据集和随机噪声作为输入，输出为生成振动信号，所述DCGAN由生成网络和判别网络组成，其中生成网络的输入为一个长度为250维的高斯随机噪声向量，经过一个全连接层扩充后调整数据格式变为一个256通道的数据，后接是五个使用ReLU激活函数的卷积层用于构造生成信号的特征，其中每个卷积层后添加一个批归一化层用于增加网络的稳定性，再添加一个上采样层用于维持数据规模，最后输出层是采用Tanh激活函数的卷积层，最终输出一个长度为1250维的生成振动信号，判别网络的输入则是生成网络的输出，后面接6个卷积层和5个池化层，卷积层使用的是LeaklyReLU激活函数，池化层使用的是最大池化用于减少数据规模，最后输出层用的是全连接层加上Sigmoid激活函数，输出为生成振动信号真实度的判别结果，用于指导生成网络改进生成振动信号；
步骤2c：训练DCGAN网络，得到生成振动信号。
2.根据权利要求1所述的方法，其特征在于，所述生成对抗网络GAN选用交叉熵作为训练的损失函数。
3.根据权利要求1所述的方法，其特征在于，设置所述生成网络的训练次数与所述判别网络的训练次数为2:1，保证loss曲线收敛和生成信号的稳定，生成网络学习率设置为0.001，判别网络学习率设置为0.00002，网络参数更新使用Adam优化器，批大小设置为64，总共训练200轮。
4.一种提升电抗器健康状态评估准确率的信号生成装置，其特征在于：包括
采集模块，用于采集真实的不同健康状态下的电抗器振动信号；
扩充模块，用于利用生成对抗网络GAN的方法将所述电抗器振动信号的数据量扩充；
训练模块，用于将扩充后的数据用于训练电抗器健康状态评估模型；
评估模块，用于将实时采集到的电抗器振动信号输入到训练好的评估模型、评估当前电抗器健康状态；
其中，所述利用GAN的方法将振动信号的数据量扩充包括：
训练模块对采集到的真实振动信号以一个周期为时间长度划分成多个样本，其中样本长度为1250个采样点，划分出等量正常样本与异常样本，构建真实振动信号数据集，然后按照7:3的比例划分成训练集和测试集，训练集用于训练GAN，测试集用于测试GAN生成信号的质量以及测试不同数据增强算法对卷积神经分类网络性能的提升；
搭建深度卷积生成对抗网络DCGAN网络，将真实振动信号数据集和随机噪声作为输入，输出为生成振动信号，所述DCGAN由生成网络和判别网络组成，其中生成网络的输入为一个长度为250维的高斯随机噪声向量，经过一个全连接层扩充后调整数据格式变为一个256通道的数据，后接是五个使用ReLU激活函数的卷积层用于构造生成信号的特征，其中每个卷积层后添加一个批归一化层用于增加网络的稳定性，再添加一个上采样层用于维持数据规模，最后输出层是采用Tanh激活函数的卷积层，最终输出一个长度为1250维的生成振动信号，判别网络的输入则是生成网络的输出，后面接6个卷积层和5个池化层，卷积层使用的是LeaklyReLU激活函数，池化层使用的是最大池化用于减少数据规模，最后输出层用的是全连接层加上Sigmoid激活函数，输出为生成振动信号真实度的判别结果，用于指导生成网络改进生成振动信号；
训练DCGAN网络，得到生成振动信号。
5.根据权利要求4所述的方法，其特征在于，所述生成对抗网络选用交叉熵作为训练的损失函数。
6.根据权利要求4所述的方法，其特征在于，设置所述生成网络的训练次数与所述判别网络的训练次数为2:1，保证loss曲线收敛和生成信号的稳定，生成网络学习率设置为0.001，判别网络学习率设置为0.00002，网络参数更新使用Adam优化器，批大小设置为64，总共训练200轮。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010700883.2A CN111914705A (zh) | 2020-07-20 | 2020-07-20 | 提升电抗器健康状态评估准确率的信号生成方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010700883.2A CN111914705A (zh) | 2020-07-20 | 2020-07-20 | 提升电抗器健康状态评估准确率的信号生成方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111914705A true CN111914705A (zh) | 2020-11-10 |
Family
ID=73280705
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010700883.2A Pending CN111914705A (zh) | 2020-07-20 | 2020-07-20 | 提升电抗器健康状态评估准确率的信号生成方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111914705A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308038A (zh) * | 2020-11-25 | 2021-02-02 | 哈尔滨工业大学 | 基于课堂式生成对抗网络模型的机械设备故障信号识别方法 |
| CN112365186A (zh) * | 2020-11-27 | 2021-02-12 | 中国电建集团海外投资有限公司 | 一种电力信息系统健康度评估方法及其评估系统 |
| CN112784499A (zh) * | 2021-03-05 | 2021-05-11 | 云南电网有限责任公司电力科学研究院 | 一种基于深度学习替代有限元分析的电抗器磁场仿真方法 |
| CN113642465A (zh) * | 2021-08-13 | 2021-11-12 | 石家庄铁道大学 | 基于关系网络的轴承健康评估方法 |
| CN113657623A (zh) * | 2021-07-13 | 2021-11-16 | 国网河北省电力有限公司电力科学研究院 | 电力设备状态诊断效果确定方法、装置、终端及存储介质 |
| CN114217132A (zh) * | 2021-11-11 | 2022-03-22 | 江苏弈赫能源科技有限公司 | 一种基于wgan的电力系统谐波规律计算方法 |
| CN115906144A (zh) * | 2021-08-26 | 2023-04-04 | 北京字节跳动网络技术有限公司 | 数据处理方法、数据处理装置、电子设备和可读存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
-
2020
- 2020-07-20 CN CN202010700883.2A patent/CN111914705A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| YUAN XIE等: "Imbalanced Learning for Fault Diagnosis Problem of Rotating Machinery Based on Generative Adversarial Networks", 《2018 37TH CHINESE CONTROL CONFERENCE (CCC)》, pages 6017 - 6022 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308038A (zh) * | 2020-11-25 | 2021-02-02 | 哈尔滨工业大学 | 基于课堂式生成对抗网络模型的机械设备故障信号识别方法 |
| CN112365186A (zh) * | 2020-11-27 | 2021-02-12 | 中国电建集团海外投资有限公司 | 一种电力信息系统健康度评估方法及其评估系统 |
| CN112784499A (zh) * | 2021-03-05 | 2021-05-11 | 云南电网有限责任公司电力科学研究院 | 一种基于深度学习替代有限元分析的电抗器磁场仿真方法 |
| CN113657623A (zh) * | 2021-07-13 | 2021-11-16 | 国网河北省电力有限公司电力科学研究院 | 电力设备状态诊断效果确定方法、装置、终端及存储介质 |
| CN113657623B (zh) * | 2021-07-13 | 2023-09-29 | 国网河北省电力有限公司电力科学研究院 | 电力设备状态诊断效果确定方法、装置、终端及存储介质 |
| CN113642465A (zh) * | 2021-08-13 | 2021-11-12 | 石家庄铁道大学 | 基于关系网络的轴承健康评估方法 |
| CN113642465B (zh) * | 2021-08-13 | 2022-07-08 | 石家庄铁道大学 | 基于关系网络的轴承健康评估方法 |
| CN115906144A (zh) * | 2021-08-26 | 2023-04-04 | 北京字节跳动网络技术有限公司 | 数据处理方法、数据处理装置、电子设备和可读存储介质 |
| CN115906144B (zh) * | 2021-08-26 | 2024-04-19 | 抖音视界有限公司 | 数据处理方法、数据处理装置、电子设备和可读存储介质 |
| CN114217132A (zh) * | 2021-11-11 | 2022-03-22 | 江苏弈赫能源科技有限公司 | 一种基于wgan的电力系统谐波规律计算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111914705A (zh) | 提升电抗器健康状态评估准确率的信号生成方法及装置 | |
| Wang et al. | Fault diagnosis of a rolling bearing using wavelet packet denoising and random forests | |
| CN105678343B (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 | |
| CN104809722A (zh) | 一种基于红外热像的电气设备故障诊断方法 | |
| CN115235612B (zh) | 伺服电机的故障智能诊断系统及其诊断方法 | |
| CN111553495A (zh) | 一种基于概率神经网络的小型断路器故障分析方法 | |
| 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 | |
| CN112329914B (zh) | 地埋式变电站的故障诊断方法、装置及电子设备 | |
| CN108919067A (zh) | 一种用于gis局部放电模式的识别方法 | |
| CN112949820A (zh) | 基于生成对抗网络的认知抗干扰目标检测方法 | |
| CN113203914A (zh) | 基于dae-cnn的地下电缆早期故障检测和识别方法 | |
| CN114386452A (zh) | 核电循环水泵太阳轮故障检测方法 | |
| CN112085062A (zh) | 一种基于小波神经网络的异常能耗定位方法 | |
| CN116484176A (zh) | 一种基于超小波的轴承故障诊断方法、系统和存储介质 | |
| CN116863959B (zh) | 一种基于生成对抗网络的海豚叫声生成方法 | |
| CN113392773A (zh) | 基于图谱信息融合的卷积神经网络的变压器故障诊断系统 | |
| CN117332268A (zh) | 一种改进gan的gis局放数据增强方法及系统 | |
| CN116257737A (zh) | 基于自动编码器的新型输电线路高频故障信号降噪方法 | |
| CN115356599B (zh) | 一种多模态城市电网故障诊断方法及系统 | |
| CN116913316A (zh) | 一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法 | |
| CN116559728A (zh) | 基于小波变换-多层感知机的输电线路故障诊断方法 | |
| CN116662872A (zh) | 汽车面板精整线轴承类机械故障诊断方法 | |
| GB2625165A (en) | Method and system for fault diagnosis of rolling bearing | |
| CN113051809A (zh) | 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法 | |
| CN118211130B (zh) | 一种基于gan的变压器特高频局部放电缺陷数据增强方法 |
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 |