CN112381180A - 一种基于互重构单类自编码器的电力设备故障监测方法 - Google Patents

一种基于互重构单类自编码器的电力设备故障监测方法 Download PDF

Info

Publication number
CN112381180A
CN112381180A CN202011447915.9A CN202011447915A CN112381180A CN 112381180 A CN112381180 A CN 112381180A CN 202011447915 A CN202011447915 A CN 202011447915A CN 112381180 A CN112381180 A CN 112381180A
Authority
CN
China
Prior art keywords
encoder
class
power equipment
wsi
gae
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.)
Granted
Application number
CN202011447915.9A
Other languages
English (en)
Other versions
CN112381180B (zh
Inventor
张轩铭
曹九稳
王天磊
梁昆
王利强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Tpson Technology Co ltd
Original Assignee
Hangzhou Tpson Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Tpson Technology Co ltd filed Critical Hangzhou Tpson Technology Co ltd
Priority to CN202011447915.9A priority Critical patent/CN112381180B/zh
Publication of CN112381180A publication Critical patent/CN112381180A/zh
Application granted granted Critical
Publication of CN112381180B publication Critical patent/CN112381180B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/048—Activation functions
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于互重构单类自编码器的电力设备故障监测方法。本发明实现如下：对采集的正常运行的电力设备的磁场信息进行预处理后得到训练数据样本集；以训练数据样本集作为输入，训练K个互重构单类随机自编码器WSI‑GAE，得到最终的编码结果；使用正则化最小二乘单分类损失进行单分类模型训练，并得到各个训练的数据样本的拟合误差，从由大到小排列的数据样本的拟合误差序列中挑选阈值；对于一个新采集到的电力设备的磁场信息数据，通过将获得的拟合误差与阈值进行比较，当拟合误差大于阈值，即可判定该电力设备存在故障等异常情况。本发明利用单类分类器技术实现异常检测，更加贴合本发明针对的目标。且提高电力设备故障异常监测的准确率。

Description

一种基于互重构单类自编码器的电力设备故障监测方法
技术领域
本发明涉及电磁感应、故障检测的技术领域，特别涉及一种基于互重构单类自编码器的电力设备故障监测方法。
背景技术
通过对电力设备在运转时产生的磁场进行监测，来判断电力设备是否发生故障或者异常，是目前最常用的方法之一。在现有技术中，主要通过两种方式对电力设备进行检测：1)通过比较大型的分析仪或者检测设备进行分析判断；2)根据技术人员的经验进行判断。然而，第1种方式对于设备要求较高，且仅在拆装上就要耗费大量的人力物力。第2种方式对专业经验要求较高，且存在明显的人员短缺，工作效率低，发生问题是无法第一时间进行排查，造成一定程度上的损失。
发明内容
本发明的目的是解决现有技术中存在的问题，提出一种基于互重构单类自编码器的电力设备故障监测方法，利用单类分类器技术实现异常检测。
所述方法包括以下步骤：
步骤1：采集正常运行的电力设备的磁场信息作为训练的数据样本集。
步骤2：对采集的数据样本进行分帧加窗、降噪等预处理，并得到N个数据样本的训练数据样本集[X]D×N＝[x1 … xN]，其中D是每个数据样本的维数。N是训练数据样本个数。
步骤3：以训练数据样本集X作为输入，训练K个互重构单类随机自编码器WSI-GAE，得到最终的编码结果Y(K)。
步骤4：使用正则化最小二乘单分类损失(RLS-OC)进行单分类模型训练，并得到各个训练的数据样本的拟合误差，从由大到小排列的数据样本的拟合误差序列中挑选阈值。
步骤5：对于一个新采集到的电力设备的磁场信息数据，通过相同的预处理步骤后得到训练数据样本xp，将xp同时输入K个WSI-GAE进行特征提取，并通过训练好的单分类模型获得拟合误差，将获得的拟合误差与阈值进行比较，当拟合误差大于阈值，即可判定该电力设备存在故障等异常情况。
优选地，所述步骤3中互重构单类随机自编码器WSI-GAE的结构如附图1所示，通过按照某一种分布随机生成输入权重矩阵[W]L×D和隐藏层偏置[b]L×1(其中L是隐藏层神经元数量)，并且在模型训练过程中保持不变。然后WSI-GAE最大的特点在于它不仅仅重建输入样本自身，而是重建所有样本，在此过程中获得最优的输出权重[β]L×D。具体包括以下步骤：
步骤3.1：随机生成输入权重矩阵W和隐藏层偏置b，并计算隐藏层输出矩阵[H]N×L＝g(WX+b·1T)T，其中1是N维全1向量，g(·)是激活函数，h(xi)＝hi＝g(Wxi+b)T。
步骤3.2：计算训练数据样本集X的均值向量：
Figure BDA0002825426240000021
然后计算类内散度:
Figure BDA0002825426240000022
步骤3.3：构建互重构单类随机自编码器WSI-GAE的损失函数为
Figure BDA0002825426240000023
其中C是正则化参数。可以看到每一个样本不仅仅进行了自重建，同时也重建了所有样本，从而可以学习到样本内更具有代表性的特征。而编码特征类内散度距离正则项的引入，可以更好的限制编码特征空间的分布，获得更加紧致的单分类特征，有助于最后的单分类能够获得更小半径的超球面。
步骤3.4：采用基于动量的随机梯度下降算法对输出权重β求解。首先给出J(β)的梯度公式为：
Figure BDA0002825426240000024
其中
Figure BDA0002825426240000025
是一个全1矩阵，D是一个对角矩阵，其对角元素为
Figure BDA0002825426240000026
Figure BDA0002825426240000027
在具有Ns个样本的小批量下，仅需将H对应的Ns行，以及D和
Figure BDA0002825426240000028
分别对应的Ns行和Ns列挑选出来，带入公式(4)进行计算即可得到▽J(β)s。
对于第i次迭代，通过下式进行输出权重更新
Figure BDA0002825426240000029
其中γ是权衡系数，vi是动量项，αi指代第i次迭代的学习率。
步骤3.5：根据步骤3.1到步骤3.4，训练得到第一个互重构单类随机自编码器WSI-GAE的最优输出权重β(1)作为编码器，得到编码结果Y(1)＝g(β(1)X)。然后重新编码结果将Y(1)作为输入训练第2个互重构单类随机自编码器WSI-GAE，以此类推得到K个输出权重以及最终的编码特征Y(K)，其中第k编码特征Y(k)关系表示为：
Y(k)＝g(β(k)Y(k-1)),k＝1,…,K. (6)
优选地，所述步骤4具体实现如下：
步骤4.1：RLS-OC损失函数为：
Figure BDA0002825426240000031
其中
Figure BDA0002825426240000032
是一个常数向量，上述优化问题公式(7)解得如下：
Figure BDA0002825426240000033
其中L(K)是第K个互重构单类随机自编码器WSI-GAE的隐藏层神经元数量。
步骤4.2：利用最优的β计算训练数据样本的实际输出的误差序列：
Figure BDA0002825426240000034
将得到的误差序列按照从大到小的顺序进行排列，并按照以百分比μ，拒绝一部分训练数据样本，即在排序后的序列中，取μ位置的值作为阈值η。
优选地，所述步骤5中对于一个新采集到的电力设备的磁场信息数据，通过相同的预处理步骤后得到xp，通过K个WSI-GAE后得到编码结果：
Figure BDA0002825426240000035
然后计算实际输出
Figure BDA0002825426240000036
以及相应的误差ε(xp)＝|op-t|，从而判断是否存在消防异常:
Figure BDA0002825426240000037
本发明的效益如下：
1)单类分类器更加贴合本发明针对的目标。由于电力设备故障的原因多种多样，而不同的故障源导致的磁场变化也是不同的。这就导致使用传统的机器学习算法，需要采集各种电力设备故障下，磁场变化的数据，这显然是不切实际且无法做到的。与此不同的是，对于未出故障的电力设备，它的磁场变化具有高度一致性。因此可以通过仅仅使用正常工作的电力设备的磁场变化数据进行建模，采用单类分类器获取包围该类数据的超球面，达到异常检测的目的。
2)针对于电力设备故障异常检测目标，提出了互重构单类随机自编码器(WSI-GAE)，相比较于传统的随机自编码器，它的优势在于通过样本之间的互相重建，能够从样本之间学习到更加本质的特征表示；此外，通过惩罚编码特征的类内散度距离，能够学习到更加紧密的特征分布。
3)归功于上述优点，通过堆叠多个WSI-GAE，可以帮助获得具有更小半径的超球面，从而大大提高电力设备故障异常监测的准确率。
综上所述，本发明利用单类分类器技术实现异常检测，相比较于传统的机器学习方法，单类分类器更加贴合本发明针对的目标。此外，提出的互重构单类随机自编码器(WSI-GAE)，能够从样本之间学习到更加本质的特征表示以及更加紧密的特征分布。归功于此，通过堆叠多个WSI-GAE，可以帮助获得具有更小半径的超球面，从而大大提高电力设备故障异常监测的准确率。
附图说明
图1为WSI-GAE结构示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细描述，但本发明的保护范围并不限于此。
本发明涉及一种基于互重构单类自编码器的电力设备故障监测方法。如图1所示，本发明方法包括以下步骤。
步骤1：采集正常运行的电力设备的磁场信息作为训练的数据样本集。
步骤2：对采集的数据样本进行分帧加窗、降噪等预处理，并得到N个数据样本的训练数据样本集[X]D×N＝[x1 … xN]，其中D是每个数据样本的维数。N是训练数据样本个数。
步骤3：假设总共使用2个互重构单类随机自编码器WSI-GAE，以训练数据样本集X作为输入，2个WSI-GAE的隐藏层神经元数量分别为L(1)＝500，L(2)＝1000；正则化参数分别为C(1)＝C(2)＝10^3；激活函数均设置为Sigmoid；batch大小和epoch的数量分别设置为100。
1)在[0,1]区间服从均匀分布生成输入权重矩阵W和隐藏层偏置b，计算每个样本的隐藏层输出h(xi)＝hi＝g(Wxi+b)T并按行排列成隐藏层输出矩阵H。
2)计算均值向量
Figure BDA0002825426240000051
和类内散度
Figure BDA0002825426240000052
3)均分N个样本构成mini-batch，每个batch具有Ns个样本。并按照相应的分配样本的顺序挑选隐藏层输出hn,n＝1,…,n构成Hs。
4)初始化输出权重矩阵β为零矩阵，在每一个batch内计算梯度
Figure BDA0002825426240000053
并进行迭代
Figure BDA0002825426240000054
βi+1＝βi-αivi.
其中权衡系数γ＝0.9。在一个epoch中，在每个batch下进行上述迭代，总共进行100次epoch。在经过上述步骤后，得到第1个WSI-GAE的输出权重β(1),然后计算编码输出
Y(1)＝g(β(1)X).
然后以Y(1)作为输入，按照步骤1)～4)训练第2个WIC-RAE得到输出权重β(2)同时获取编码结果
Y(2)＝g(β(2)Y(1)).
步骤4：计算基于RLS-OC损失的单分类层输出权重
Figure BDA0002825426240000055
Figure BDA0002825426240000056
其中
Figure BDA0002825426240000057
然后计算误差序列：
Figure BDA0002825426240000058
将得到的误差序列从大到小的顺序进行排列，并按照以百分比μ，拒绝一部分样本，即取排序后序列的第floor(μ·N+1)个误差值作为阈值η，从而完成模型训练过程。其中floor(a)表示取不大于a的最大整数。
假定有100个训练样本，排序后的误差序列为ε＝[ε1,ε2,...,ε100]，预定义的百分比μ＝0.1，取误差序列ε的第floor(0.1×100+1)＝11个误差值，即η＝ε11作为阈值。
步骤5：对于一个新的采集到的消防管网数据，通过相同的预处理步骤后得到xp，通过2个WSI-GAE后得到编码结果
Figure BDA0002825426240000061
即
Figure BDA0002825426240000062
然后计算网络输出
Figure BDA0002825426240000063
以及相应的误差ε(xp)＝|op-1|，从而判断是否电力设备是否存在异常
Figure BDA0002825426240000064

Claims (5)

1.一种基于互重构单类自编码器的电力设备故障监测方法，其特征在于利用单类分类器技术实现异常检测，具体包括以下步骤：
步骤1：采集正常运行的电力设备的磁场信息作为训练的数据样本集；
步骤2：对采集的数据样本进行分帧加窗、降噪预处理，并得到N个数据样本的训练数据样本集[X]D×N＝[x1…xN]，其中D是每个数据样本的维数；N是训练数据样本个数；
步骤3：以训练数据样本集X作为输入，训练K个互重构单类随机自编码器WSI-GAE，得到最终的编码结果Y(K)；
步骤4：使用正则化最小二乘单分类损失(RLS-OC)进行单分类模型训练，并得到各个训练的数据样本的拟合误差，从由大到小排列的数据样本的拟合误差序列中挑选阈值；
步骤5：对于一个新采集到的电力设备的磁场信息数据，通过相同的预处理步骤后得到训练数据样本xp，将xp同时输入K个WSI-GAE进行特征提取，并通过训练好的单分类模型获得拟合误差，将获得的拟合误差与阈值进行比较，当拟合误差大于阈值，即可判定该电力设备存在故障等异常情况。
2.根据权利要求1所述的一种基于互重构单类自编码器的电力设备故障监测方法，其特征在于所述步骤3中互重构单类随机自编码器WSI-GAE，通过按照某种分布随机生成输入权重矩阵[W]L×D和隐藏层偏置[b]L×1，其中L是隐藏层神经元数量，并且在WSI-GAE训练过程中保持不变；WSI-GAE最大的特点在于它不仅仅重建输入样本自身，而是重建所有样本，在此过程中获得最优的输出权重[β]L×D。
3.根据权利要求2所述的一种基于互重构单类自编码器的电力设备故障监测方法，其特征在于所述的互重构单类随机自编码器WSI-GAE具体包括以下步骤：
步骤3.1：随机生成输入权重矩阵W和隐藏层偏置b，并计算隐藏层输出矩阵[H]N×L＝g(WX+b·1T)T，其中1是N维全1向量，g(·)是激活函数，h(xi)＝hi＝g(Wxi+b)T；
步骤3.2：计算训练数据样本集X的均值向量：
Figure FDA0002825426230000021
然后计算类内散度:
Figure FDA0002825426230000022
步骤3.3：构建互重构单类随机自编码器WSI-GAE的损失函数为
Figure FDA0002825426230000023
其中C是正则化参数；
步骤3.4：采用基于动量的随机梯度下降算法对输出权重β求解；首先给出J(β)的梯度公式为：
Figure FDA0002825426230000024
其中
Figure FDA0002825426230000025
是一个全1矩阵，D是一个对角矩阵，其对角元素为
Figure FDA0002825426230000026
Figure FDA0002825426230000027
在具有Ns个样本的小批量下，仅需将H对应的Ns行，以及D和
Figure FDA0002825426230000028
分别对应的Ns行和Ns列挑选出来，带入公式(4)进行计算即可得到
Figure FDA0002825426230000029
对于第i次迭代，通过下式进行输出权重更新
Figure FDA00028254262300000210
其中γ是权衡系数，vi是动量项，αi指代第i次迭代的学习率；
步骤3.5：根据步骤3.1到步骤3.4，训练得到第一个互重构单类随机自编码器WSI-GAE的最优输出权重β(1)作为编码器，得到编码结果Y(1)＝g(β(1)X)；然后重新编码结果将Y(1)作为输入训练第2个互重构单类随机自编码器WSI-GAE，以此类推得到K个输出权重以及最终的编码特征Y(K)，其中第k编码特征Y(k)关系表示为：
Y(k)＝g(β(k)Y(k-1)),k＝1,…,K. (6)。
4.根据权利要求1或2或3所述的一种基于互重构单类自编码器的电力设备故障监测方法，其特征在于所述步骤4具体实现如下：
步骤4.1：RLS-OC损失函数为：
Figure FDA00028254262300000211
其中
Figure FDA00028254262300000212
是一个常数向量，上述优化问题公式(7)解得如下：
Figure FDA0002825426230000031
其中L(K)是第K个互重构单类随机自编码器WSI-GAE的隐藏层神经元数量；
步骤4.2：利用最优的β计算训练数据样本的实际输出的误差序列：
Figure FDA0002825426230000032
将得到的误差序列按照从大到小的顺序进行排列，并按照以百分比μ，拒绝一部分训练数据样本，即在排序后的序列中，取μ位置的值作为阈值η。
5.根据权利要求4所述的一种基于互重构单类自编码器的电力设备故障监测方法，其特征在于所述步骤5中对于一个新采集到的电力设备的磁场信息数据，通过相同的预处理步骤后得到xp，通过K个WSI-GAE后得到编码结果：
Figure FDA0002825426230000033
然后计算实际输出
Figure FDA0002825426230000034
以及相应的误差ε(xp)＝|op-t|，从而判断是否存在消防异常:
Figure FDA0002825426230000035
CN202011447915.9A 2020-12-09 2020-12-09 一种基于互重构单类自编码器的电力设备故障监测方法 Active CN112381180B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011447915.9A CN112381180B (zh) 2020-12-09 2020-12-09 一种基于互重构单类自编码器的电力设备故障监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011447915.9A CN112381180B (zh) 2020-12-09 2020-12-09 一种基于互重构单类自编码器的电力设备故障监测方法

Publications (2)

Publication Number Publication Date
CN112381180A true CN112381180A (zh) 2021-02-19
CN112381180B CN112381180B (zh) 2022-08-23

Family

ID=74589696

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011447915.9A Active CN112381180B (zh) 2020-12-09 2020-12-09 一种基于互重构单类自编码器的电力设备故障监测方法

Country Status (1)

Country Link
CN (1) CN112381180B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113643722A (zh) * 2021-08-27 2021-11-12 杭州电子科技大学 一种基于多层矩阵随机神经网络的城市噪声识别方法
CN114582040A (zh) * 2022-05-05 2022-06-03 中国长江三峡集团有限公司 一种风力发电设备智能巡检系统及方法
CN114816825A (zh) * 2022-06-23 2022-07-29 光谷技术有限公司 一种物联网网关数据纠错方法
CN116305223A (zh) * 2023-05-23 2023-06-23 北京茄豆网络科技有限公司 一种自助瓶装水标贴数据实时制作的方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190286506A1 (en) * 2018-03-13 2019-09-19 Nec Laboratories America, Inc. Topology-inspired neural network autoencoding for electronic system fault detection
WO2020067709A1 (ko) * 2018-09-25 2020-04-02 디지털인사이트주식회사 인터 모드 기반의 영상 부호화/복호화 방법 및 장치
CN111157812A (zh) * 2019-12-28 2020-05-15 杭州拓深科技有限公司 一种基于电磁感应的电力设备故障监测方法
CN111539331A (zh) * 2020-04-23 2020-08-14 西安科技大学 一种基于脑机接口的视觉图像重建系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190286506A1 (en) * 2018-03-13 2019-09-19 Nec Laboratories America, Inc. Topology-inspired neural network autoencoding for electronic system fault detection
WO2020067709A1 (ko) * 2018-09-25 2020-04-02 디지털인사이트주식회사 인터 모드 기반의 영상 부호화/복호화 방법 및 장치
CN111157812A (zh) * 2019-12-28 2020-05-15 杭州拓深科技有限公司 一种基于电磁感应的电力设备故障监测方法
CN111539331A (zh) * 2020-04-23 2020-08-14 西安科技大学 一种基于脑机接口的视觉图像重建系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
X. CUI，ET AL.: "Robust Randomized Autoencoder and Correntropy Criterion-Based One-Class Classification", 《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS》, 24 September 2020 (2020-09-24) *
陈厚合 等: "基于卷积神经网络的直流送端系统暂态过电压估算方法", 《电网技术》, 7 November 2019 (2019-11-07) *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113643722A (zh) * 2021-08-27 2021-11-12 杭州电子科技大学 一种基于多层矩阵随机神经网络的城市噪声识别方法
CN113643722B (zh) * 2021-08-27 2024-04-19 杭州电子科技大学 一种基于多层矩阵随机神经网络的城市噪声识别方法
CN114582040A (zh) * 2022-05-05 2022-06-03 中国长江三峡集团有限公司 一种风力发电设备智能巡检系统及方法
CN114582040B (zh) * 2022-05-05 2022-08-09 中国长江三峡集团有限公司 一种风力发电设备智能巡检系统及方法
CN114816825A (zh) * 2022-06-23 2022-07-29 光谷技术有限公司 一种物联网网关数据纠错方法
CN114816825B (zh) * 2022-06-23 2022-09-09 光谷技术有限公司 一种物联网网关数据纠错方法
CN116305223A (zh) * 2023-05-23 2023-06-23 北京茄豆网络科技有限公司 一种自助瓶装水标贴数据实时制作的方法及系统
CN116305223B (zh) * 2023-05-23 2023-08-04 北京茄豆网络科技有限公司 一种自助瓶装水标贴数据实时制作的方法及系统

Also Published As

Publication number Publication date
CN112381180B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN112381180B (zh) 一种基于互重构单类自编码器的电力设备故障监测方法
CN111222290B (zh) 一种基于多参数特征融合的大型设备剩余使用寿命预测方法
Haidong et al. Intelligent fault diagnosis among different rotating machines using novel stacked transfer auto-encoder optimized by PSO
CN107066759B (zh) 一种汽轮机转子振动故障诊断方法及装置
CN110287983B (zh) 基于最大相关熵深度神经网络单分类器异常检测方法
JP6740247B2 (ja) 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法
CN113780056A (zh) 基于振动信号的滚动轴承故障诊断方法
Yu et al. A neural network ensemble-based model for on-line monitoring and diagnosis of out-of-control signals in multivariate manufacturing processes
CN111914873A (zh) 一种两阶段云服务器无监督异常预测方法
CN109389145B (zh) 基于计量大数据聚类模型的电能表生产厂商评价方法
CN110082136B (zh) 基于云遗传算法优化支持向量机的旋转机械故障诊断方法
CN108647707B (zh) 概率神经网络创建方法、故障诊断方法及装置、存储介质
CN113255848A (zh) 基于大数据学习的水轮机空化声信号辨识方法
CN107037306A (zh) 基于隐马尔科夫模型的变压器故障动态预警方法
CN110455512B (zh) 基于深度自编码器dae的旋转机械多集成故障诊断方法
CN109240276B (zh) 基于故障敏感主元选择的多块pca故障监测方法
CN109443752A (zh) 一种基于vmd的齿轮振动信号降噪及故障诊断方法
Chen et al. A deep learning feature fusion based health index construction method for prognostics using multiobjective optimization
CN114580934A (zh) 基于无监督异常检测的食品检测数据风险的早预警方法
CN111310722A (zh) 一种基于改进神经网络的电力设备图像的故障识别方法
Addeh et al. Control chart patterns detection using COA based trained MLP neural network and shape features
CN116796272A (zh) 一种基于Transformer的多变量时间序列异常检测方法
CN113409105B (zh) 一种电商网络异常用户检测方法及系统
CN114166509A (zh) 一种电机轴承故障预测方法
CN112990593A (zh) 基于cso-ann-el算法的变压器故障诊断及状态预测方法

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
GR01 Patent grant
GR01 Patent grant