CN113376516A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113376516A CN113376516A CN202110631781.4A CN202110631781A CN113376516A CN 113376516 A CN113376516 A CN 113376516A CN 202110631781 A CN202110631781 A CN 202110631781A CN 113376516 A CN113376516 A CN 113376516A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- circuit breaker
- fault
- vacuum circuit
- 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 26
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000004092 self-diagnosis Methods 0.000 title abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000015654 memory Effects 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 11
- 238000013145 classification model Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3275—Fault detection or status indication
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
Abstract
本发明适用于中压真空断路器技术领域,提供了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,包括以下步骤:步骤1、断路器安装传感器采集数据;步骤2、构建生成式对抗网络;步骤3、GAN模型优化训练;通过生成式对抗网络对多源汇聚的断路器传感数据进行数据增强处理,利用长短时记忆网络对数据进行特征提取和智能分类,实现未知故障的自动诊断,构建断路器故障趋势预警模型,有效实现故障预警,避免了现有的中压真空断路器设备存在状态信息的可感知水平不足,在线监测系统数据的准确性低,稳定性低,故障自我诊断和决策能力水平低下的问题。
Description
技术领域
本发明属于中压真空断路器技术领域,尤其涉及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。
背景技术
度学习是本轮人工智能爆发的关键技术。人工智能技术在计算机视觉和自然语言处理等领域取得的突破性进展,使得人工智能迎来新一轮爆发式发展。深度学习是大数据时代的算法利器,成为近几年的研究热点。和传统的机器学习算法相比,深度学习技术有着两方面的优势。一是深度学习技术可随着数据规模的增加不断提升其性能,而传统机器学习算法难以利用海量数据持续提升其性能。二是深度学习技术可以从数据中直接提取特征,削减了对每一个问题设计特征提取器的工作,而传统机器学习算法需要人工提取特征。因此,深度学习成为大数据时代的热点技术,学术界和产业界都对深度学习展开了大量的研究和实践工作。
现有的中压真空断路器设备存在状态信息的可感知水平不足,在线监测系统数据的准确性低,稳定性低,故障自我诊断和决策能力水平低下等问题,传统的断路器维护主要采用手动方法,例如在轻负载条件下进行电源故障检查和断路器的维修,存在效率低、依赖人力资源等问题。
发明内容
本发明提供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,旨在解决现有的中压真空断路器设备存在状态信息的可感知水平不足,在线监测系统数据的准确性低,稳定性低,故障自我诊断和决策能力水平低下等问题,传统的断路器维护主要采用手动方法,例如在轻负载条件下进行电源故障检查和断路器的维修,存在效率低、依赖人力资源的问题。
本发明是这样实现的,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,包括以下步骤:
步骤1、断路器安装传感器采集数据;
步骤2、构建生成式对抗网络;
步骤3、GAN模型优化训练;
步骤4、基于生成式对抗网络进行数据增强;
步骤5、构建基于长短时记忆网络的断路器故障分类器。
优选的,所述步骤1中,采集的数据为断路器的运行状态数据,包括温度、机械特性、气流密度、电流电压。
优选的,数据采集后对数据进行预处理,将复杂的多源传感器数据分解为有限个本征模函数,分解得到的各个本征模函数分量包含了原信号的不同时间尺度的局部特征信号,将传感器数据转为时序信号数据并保存。
优选的,所述步骤2包括获取数据类别标签、生成式对抗网络、生成模型和判别模型。
优选的,所述获取数据标签类别,用于对断路器传感器数据,打上不同类型的故障标签,并将带标签的样本随机分为训练样本和测试样本。
优选的,生成模型将类标签作为条件信息和噪声一起输入生成器生成伪样本,生成网络负责生成样本,接收一个随机的噪声,通过该噪声生成样本。
优选的,所述步骤3用于将高斯噪声通过一个生成网络得到一个和真实数据分布,识别真实数据和生成数据,并表示为数学公式。
优选的,所述步骤4中当生成网络和判别网络的损失函数都趋于稳定后,结束训练,保存生成网络和判别网络的网络结构和参数。并将样本输入到训练好的生成式对抗网络中,生成增强的样本。
优选的,所述步骤5中,用长短时记忆网路LSTM提取训练数据的特征构建断路器故障分类模型,并利用该模型对数据进行分类。
与现有技术相比,本发明的有益效果是:本发明的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,通过生成式对抗网络对多源汇聚的断路器传感数据进行数据增强处理,利用长短时记忆网络对数据进行特征提取和智能分类,实现未知故障的自动诊断,构建断路器故障趋势预警模型,有效实现故障预警,避免了现有的中压真空断路器设备存在状态信息的可感知水平不足,在线监测系统数据的准确性低,稳定性低,故障自我诊断和决策能力水平低下的问题。
附图说明
图1为本发明的方法流程示意图;
图2为本发明的工作流程示意图;
图3为本发明的又一工作流程示意图。
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。
如图1-3,本发明提供一种技术方案: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,包括以下步骤:
步骤1、断路器安装传感器采集数据;利用传感器采集断路器的运行状态数据,同时对运行状态数据进行预处理,具体包括温度、机械特性、气流密度、电流电压。使用经验模态分解技术,对采集的数据进行预处理,将复杂的多源传感器数据分解为有限个本征模函数,分解得到的各个本征模函数分量包含了原信号的不同时间尺度的局部特征信号,将传感器数据转为时序信号数据并保存
步骤2、构建生成式对抗网络;首先,将经过预处理的断路器传感器数据,打上不同类型的故障标签。将带标签的样本随机分为训练样本和测试样本,每个样本的故障类别标记用Ym表示,其中m=0,1,2....m,对故障类别进行onehot编码,获取对应的类别标签序列,然后,构建合适的生成式对抗网络结构,简称GAN,GAN结构分为两个模型:生成模型G和判别模型D,生成模型G对联合概率进行建模,从统计的角度表示数据的分布情况,刻画数据是如何生成的,具有收敛速度快的特点。生成模型需要大量的先验知识去对真实世界进行建模,且先验分布的选择直接影响模型的性能;而判别模型D是识别检测模型,用来判别样本是否为正常样本,通过不断训练提高判别模型D的识别能力,从而在博弈促进生成模型的能力提高,判别模型的本质是将样本的特征向量映射成对应的类别,接下来将类标签作为条件信息和噪声一起输入生成器生成伪样本。G负责生成样本,接收一个随机的噪声z,通过该噪声生成样本,将生成的样本记为G(z),判别模型D负责判别输入样本是不是“真实的”。它的输入是x,x代表样本,输出D(x)表示x为真实样本的概率,如果为1,代表是真实样本的概率为100%,而输出为0,代表不可能是真实的样本。
步骤3、GAN模型优化训练;将一个随机高斯噪声z通过一个生成网络G得到一个和真实数据分布pdata(x)差不多的生成数据分布pG(x;θ),其中θ是网络参数,需要找到最优的θ使得pG(x;θ)和pdata(x)尽可能的接近。
判别器D需要识别真实数据,同时也能识别出生成数据,表示为数学公式:
D(x)=1&D(G(x))=0
通过上述公式,分别来构造正类(判别出x属于真实数据)和负类(判别出G(z)属于生成数据)的损失函数。
生成网络G的损失函数具体如下:
log(1-D(G(z)))
判别网络D的损失函数具体如下:
-(log D(x)+log(1-D(G(z))))
生成网络和判别网络对抗(训练)的目的是使得各自的损失函数最小,生成网络G的训练希望D(G(z))趋近于1,这样生成网络G的损失函数log(1-D(G(z)))就会最小。而判别网络的训练就是一个2分类,目的是让真实数据x的判别概率D趋近于1,而生成数据G(z)的判别概率D(G(z))趋近于0。
当判别网络遇到生成数据时:Ez~Pz(z)[log(1-D(G(z)))],这个数学期望要想取最大值,则需要令D(G(z))=0,D(G(z))=0是判别器发现了生成数据G(z)是假的。
因此判别网络最大化目标函数为:
对于判别网络D而言,希望目标函数(判别公式最大化,但对于生成网络G,希望目标函数(判别公式)最小化,即判别网络无法判别是真数据还是生成数据。因此整个训练的过程是一个迭代的博弈过程,将博弈过程表示为以下公式:
其中D是判别函数,x是真实数据,D(x)是判别真实数据的概率,D(G(z))是判别生成数据的概率。
步骤4、基于生成式对抗网络进行数据增强;当生成网络和判别网络的损失函数都趋于稳定后,即两者达到博弈平衡的状态后,结束训练,保存生成网络和判别网络的网络结构和参数。用不同的小随机数生成随机噪声,将随机噪声与步骤1中的样本输入到训练好的生成式对抗网络中,生成增强的样本。
保存经过GAN增强后的样本,作为进一步基于LSTM的分类模型的训练和测试样本。
步骤5、构建基于长短时记忆网络的断路器故障分类器;用长短时记忆网路LSTM提取训练数据的特征构建断路器故障分类模型,并利用该模型对数据进行分类。使用训练集对LSTM神经网络进行训练,LSTM神经网络第一层包含128个节点,第二层包含32个节点,设置Dropout为0.8以防出现过拟合,再经过两层全连接层输出,最后的输出层包含k节点。完成训练后,再用测试集对模型进行测试与验证,得到基于LSTM的断路器故障分类模型。
训练模型使用的损失函数:
使用交叉熵(categorical_crossentropy)损失函数作为模型训练优化的损失函数,使用adam优化器进行优化,交叉熵损失函数的计算公式如下:
其中LossLSTM为故障分类模型的损失函数,N为样本数量,y为真实样本标签,y’为模型预测样本标签,模型训练结束后,保存模型,基于LSTM的断路器故障分类模型,能够对已知的断路器故障进行精确识别与分类,同时能够对历史运行状态数据进行特征提取,通过进一步分析,对断路器的故障进行趋势预警,有效实现故障预警。
在本实施方式中,首先对断路器进行安装数据采集装置进行数据采集,并对采集的数据进行预处理,然后构建生成对抗网络,将预处理的传感器数据打上不同的故障标签,对故障内别进行标码,标码后,构建合适的生成式对抗网络结构,生成模型G和判别模型D,然后进行模型优化训练,并基于生成式对抗网络进行数据增强,最终构建基于长短时记忆网路的断路器故障分类器,通过生成式对抗网络对断路器传感数据进行数据增强处理,利用长短时记忆网络对数据进行特征提取和智能分类,实现断路器故障的自动诊断和故障预警。
进一步的,步骤1中,采集的数据为断路器的运行状态数据,包括温度、机械特性、气流密度、电流电压。
在本实施方式中,采集断路器运行状态数据,用于对采集的数据进行预处理,将复杂的多源传感器数据分解为有限个本征模函数,分解得到的各个本征模函数分量包含了原信号的不同时间尺度的局部特征信号,将传感器数据转为时序信号数据并保存。
进一步的,数据采集后对数据进行预处理,将复杂的多源传感器数据分解为有限个本征模函数,分解得到的各个本征模函数分量包含了原信号的不同时间尺度的局部特征信号,将传感器数据转为时序信号数据并保存。
在本实施方式中,对数据进行预处理便于后期对不同的故障数据进行编码,从而实现将复杂的多源传感器数据分解为有限个本征模函数。。
进一步的,步骤2包括获取数据类别标签、生成式对抗网络、生成模型和判别模型。
在本实施方式中,类别标签用于对故障类别机型编码,生成对抗网络,用于构建生成模型和判别模型,生成模型对联合概率进行建模,判别模型是识别检测模型,用来判别样本是否为正常样本。
进一步的,获取数据标签类别,用于对断路器传感器数据,打上不同类型的故障标签,并将带标签的样本随机分为训练样本和测试样本。
在本实施方式中,打上不同类型的故障标签,将带标签的样本随机分为训练样本和测试样本,每个样本的故障类别标记对故障类别进行onehot编码,获取对应的类别标签序列,便于对故障类型进行判别。
进一步的,生成模型将类标签作为条件信息和噪声一起输入生成器生成伪样本,生成网络负责生成样本,接收一个随机的噪声,通过该噪声生成样本。
在本实施方式中,生成模型对联合概率进行建模,从统计的角度表示数据的分布情况,刻画数据是如何生成的,具有收敛速度快的特点。生成模型需要大量的先验知识去对真实世界进行建模,且先验分布的选择直接影响模型的性能。
进一步的,步骤3用于将高斯噪声通过一个生成网络得到一个和真实数据分布,识别真实数据和生成数据,并表示为数学公式。
在本实施方式中,用于通过数学公式分别来构造正类(判别出x属于真实数据)和负类(判别出G(z)属于生成数据)的损失函数。
进一步的,步骤4中当生成网络和判别网络的损失函数都趋于稳定后,结束训练,保存生成网络和判别网络的网络结构和参数。并将样本输入到训练好的生成式对抗网络中,生成增强的样本。
在本实施方式中,保存经过GAN增强后的样本,作为进一步基于LSTM的分类模型的训练和测试样本。
进一步的,步骤5中,用长短时记忆网路LSTM提取训练数据的特征构建断路器故障分类模型,并利用该模型对数据进行分类。
在本实施方式中,使用训练集对LSTM神经网络进行训练,LSTM神经网络第一层包含128个节点,第二层包含32个节点,设置Dropout为0.8以防出现过拟合,再经过两层全连接层输出,最后的输出层包含k节点。完成训练后,再用测试集对模型进行测试与验证,得到基于LSTM的断路器故障分类模型。
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 (9)
1.一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,其特征在于:包括以下步骤:
步骤1、断路器安装传感器采集数据;
步骤2、构建生成式对抗网络;
步骤3、GAN模型优化训练;
步骤4、基于生成式对抗网络进行数据增强;
步骤5、构建基于长短时记忆网络的断路器故障分类器。
2.如权利要求1所述的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,其特征在于:所述步骤1中,采集的数据为断路器的运行状态数据,包括温度、机械特性、气流密度、电流电压。
3.如权利要求2所述的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,其特征在于:数据采集后对数据进行预处理,将复杂的多源传感器数据分解为有限个本征模函数,分解得到的各个本征模函数分量包含了原信号的不同时间尺度的局部特征信号,将传感器数据转为时序信号数据并保存。
4.如权利要求1所述的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,其特征在于:所述步骤2包括获取数据类别标签、生成式对抗网络、生成模型和判别模型。
5.如权利要求4所述的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,其特征在于:所述获取数据标签类别,用于对断路器传感器数据,打上不同类型的故障标签,并将带标签的样本随机分为训练样本和测试样本。
6.如权利要求4所述的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,生成模型将类标签作为条件信息和噪声一起输入生成器生成伪样本,生成网络负责生成样本,接收一个随机的噪声,通过该噪声生成样本。
7.如权利要求5所述的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,其特征在于:所述步骤3用于将高斯噪声通过一个生成网络得到一个和真实数据分布,识别真实数据和生成数据,并表示为数学公式。
8.如权利要求1所述的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,其特征在于:所述步骤4中当生成网络和判别网络的损失函数都趋于稳定后,结束训练,保存生成网络和判别网络的网络结构和参数。并将样本输入到训练好的生成式对抗网络中,生成增强的样本。
9.如权利要求1所述的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,其特征在于:所述步骤5中,用长短时记忆网路LSTM提取训练数据的特征构建断路器故障分类模型,并利用该模型对数据进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110631781.4A CN113376516A (zh) | 2021-06-07 | 2021-06-07 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110631781.4A CN113376516A (zh) | 2021-06-07 | 2021-06-07 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113376516A true CN113376516A (zh) | 2021-09-10 |
Family
ID=77575987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110631781.4A Pending CN113376516A (zh) | 2021-06-07 | 2021-06-07 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113376516A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114611233A (zh) * | 2022-03-08 | 2022-06-10 | 湖南第一师范学院 | 一种旋转机械故障不平衡数据生成方法及计算机设备 |
CN115169506A (zh) * | 2022-09-06 | 2022-10-11 | 中铁第四勘察设计院集团有限公司 | 一种供变电关键设备故障快速诊断方法及系统 |
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 |
CN116914685A (zh) * | 2023-09-15 | 2023-10-20 | 珠海汇众能源科技有限公司 | 固态断路器控制系统及固态断路器控制方法 |
CN117590223A (zh) * | 2024-01-18 | 2024-02-23 | 南京飞腾电子科技有限公司 | 断路器的在线监测系统及其方法 |
CN117590223B (zh) * | 2024-01-18 | 2024-04-30 | 南京飞腾电子科技有限公司 | 断路器的在线监测系统及其方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753998A (zh) * | 2018-12-20 | 2019-05-14 | 山东科技大学 | 基于对抗式生成网络的故障检测方法及系统、计算机程序 |
CN110414601A (zh) * | 2019-07-30 | 2019-11-05 | 南京工业大学 | 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 |
CN110417351A (zh) * | 2019-08-01 | 2019-11-05 | 上海理工大学 | 光伏系统直流侧电弧故障检测系统及检测方法 |
CN110598530A (zh) * | 2019-07-30 | 2019-12-20 | 浙江工业大学 | 一种基于acgan的小样本无线电信号增强识别方法 |
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 |
CN110647923A (zh) * | 2019-09-04 | 2020-01-03 | 西安交通大学 | 小样本下基于自我学习的变工况机械故障智能诊断方法 |
CN110823574A (zh) * | 2019-09-30 | 2020-02-21 | 安徽富煌科技股份有限公司 | 一种基于半监督学习深度对抗网络的故障诊断方法 |
CN110942101A (zh) * | 2019-11-29 | 2020-03-31 | 湖南科技大学 | 基于深度生成式对抗网络的滚动轴承剩余寿命预测方法 |
CN111006865A (zh) * | 2019-11-15 | 2020-04-14 | 上海电机学院 | 一种电机轴承故障诊断方法 |
CN112465923A (zh) * | 2020-12-03 | 2021-03-09 | 南京工程学院 | 一种基于条件生成式对抗网络的水下气泡图像生成方法 |
CN112884062A (zh) * | 2021-03-11 | 2021-06-01 | 四川省博瑞恩科技有限公司 | 一种基于cnn分类模型和生成对抗网络的运动想象分类方法及系统 |
-
2021
- 2021-06-07 CN CN202110631781.4A patent/CN113376516A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753998A (zh) * | 2018-12-20 | 2019-05-14 | 山东科技大学 | 基于对抗式生成网络的故障检测方法及系统、计算机程序 |
CN110414601A (zh) * | 2019-07-30 | 2019-11-05 | 南京工业大学 | 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 |
CN110598530A (zh) * | 2019-07-30 | 2019-12-20 | 浙江工业大学 | 一种基于acgan的小样本无线电信号增强识别方法 |
CN110417351A (zh) * | 2019-08-01 | 2019-11-05 | 上海理工大学 | 光伏系统直流侧电弧故障检测系统及检测方法 |
CN110647923A (zh) * | 2019-09-04 | 2020-01-03 | 西安交通大学 | 小样本下基于自我学习的变工况机械故障智能诊断方法 |
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 |
CN110823574A (zh) * | 2019-09-30 | 2020-02-21 | 安徽富煌科技股份有限公司 | 一种基于半监督学习深度对抗网络的故障诊断方法 |
CN111006865A (zh) * | 2019-11-15 | 2020-04-14 | 上海电机学院 | 一种电机轴承故障诊断方法 |
CN110942101A (zh) * | 2019-11-29 | 2020-03-31 | 湖南科技大学 | 基于深度生成式对抗网络的滚动轴承剩余寿命预测方法 |
CN112465923A (zh) * | 2020-12-03 | 2021-03-09 | 南京工程学院 | 一种基于条件生成式对抗网络的水下气泡图像生成方法 |
CN112884062A (zh) * | 2021-03-11 | 2021-06-01 | 四川省博瑞恩科技有限公司 | 一种基于cnn分类模型和生成对抗网络的运动想象分类方法及系统 |
Non-Patent Citations (2)
Title |
---|
余萍等: "深度学习在故障诊断与预测中的应用", 《计算机工程与应用》 * |
李俊卿等: "机器算法在电气设备故障预警及诊断中的应用", 《科学技术与工程》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114611233A (zh) * | 2022-03-08 | 2022-06-10 | 湖南第一师范学院 | 一种旋转机械故障不平衡数据生成方法及计算机设备 |
CN114611233B (zh) * | 2022-03-08 | 2022-11-11 | 湖南第一师范学院 | 一种旋转机械故障不平衡数据生成方法及计算机设备 |
CN115169506A (zh) * | 2022-09-06 | 2022-10-11 | 中铁第四勘察设计院集团有限公司 | 一种供变电关键设备故障快速诊断方法及系统 |
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 |
CN116914685A (zh) * | 2023-09-15 | 2023-10-20 | 珠海汇众能源科技有限公司 | 固态断路器控制系统及固态断路器控制方法 |
CN116914685B (zh) * | 2023-09-15 | 2023-12-22 | 珠海汇众能源科技有限公司 | 固态断路器控制系统及固态断路器控制方法 |
CN117590223A (zh) * | 2024-01-18 | 2024-02-23 | 南京飞腾电子科技有限公司 | 断路器的在线监测系统及其方法 |
CN117590223B (zh) * | 2024-01-18 | 2024-04-30 | 南京飞腾电子科技有限公司 | 断路器的在线监测系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113376516A (zh) | 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 | |
CN111181939B (zh) | 一种基于集成学习的网络入侵检测方法及装置 | |
CN111882446B (zh) | 一种基于图卷积网络的异常账户检测方法 | |
CN111914873A (zh) | 一种两阶段云服务器无监督异常预测方法 | |
CN111753985A (zh) | 基于神经元覆盖率的图像深度学习模型测试方法与装置 | |
CN111598179B (zh) | 电力监控系统用户异常行为分析方法、存储介质和设备 | |
CN112560596B (zh) | 一种雷达干扰类别识别方法及系统 | |
CN114676742A (zh) | 一种基于注意力机制和残差网络的电网异常用电检测方法 | |
CN111881159B (zh) | 一种基于代价敏感极端随机森林的故障检测方法及装置 | |
CN114374541A (zh) | 一种基于强化学习的异常网络流量检测器生成方法 | |
CN113343123B (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
CN108763926B (zh) | 一种具有安全免疫能力的工业控制系统入侵检测方法 | |
CN110334508A (zh) | 一种主机序列入侵检测方法 | |
CN116466408B (zh) | 一种基于航磁数据的人工神经网络超基性岩识别方法 | |
CN115356599B (zh) | 一种多模态城市电网故障诊断方法及系统 | |
CN116662899A (zh) | 一种基于自适应策略的含噪数据异常检测方法 | |
CN116244657A (zh) | 基于生成对抗网络和集成学习的列车轴温异常识别方法 | |
Chao et al. | Research on network intrusion detection technology based on dcgan | |
CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
Cui et al. | Using EBGAN for anomaly intrusion detection | |
CN115880472A (zh) | 一种电力红外图像数据智能诊断分析系统 | |
CN114841266A (zh) | 一种小样本下基于三元组原型网络的电压暂降识别方法 | |
CN113496440A (zh) | 一种用户异常用电检测方法及系统 | |
CN113010673A (zh) | 一种基于熵优化支持向量机的漏洞自动分类方法 | |
CN117592870B (zh) | 基于水环境监测信息的综合分析系统 |
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: 20210910 |