CN114118159A - 基于小波灰度卷积的开关柜断路器机械特性诊断方法 - Google Patents

基于小波灰度卷积的开关柜断路器机械特性诊断方法 Download PDF

Info

Publication number
CN114118159A
CN114118159A CN202111447507.8A CN202111447507A CN114118159A CN 114118159 A CN114118159 A CN 114118159A CN 202111447507 A CN202111447507 A CN 202111447507A CN 114118159 A CN114118159 A CN 114118159A
Authority
CN
China
Prior art keywords
wavelet
layer
convolution
image
gray
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
Application number
CN202111447507.8A
Other languages
English (en)
Inventor
袁智育
张灿
李勇
夏伟栋
辛帅魁
陈双华
许洪华
金基平
杨应昊
王强
赵建龙
赵亮
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.)
Xi'an Multipower Technology Co ltd
Nanjing Heyuan Electric Power Industry Co ltd
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Xi'an Multipower Technology Co ltd
Nanjing Heyuan Electric Power Industry Co ltd
Nanjing Power Supply Co of State Grid Jiangsu Electric Power 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 Xi'an Multipower Technology Co ltd, Nanjing Heyuan Electric Power Industry Co ltd, Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Xi'an Multipower Technology Co ltd
Priority to CN202111447507.8A priority Critical patent/CN114118159A/zh
Publication of CN114118159A publication Critical patent/CN114118159A/zh
Pending legal-status Critical Current

Links

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
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及电力开关柜故障监测领域，具体涉及基于小波灰度卷积的开关柜断路器机械特性诊断方法，包括：步骤1：在开关柜内采集断路器分合闸回路中的电流信号；步骤2：将采集到的电流信号用灰度小波变换转化灰度小波图像；步骤3：采集不同机械状态的断路器多组灰度小波图像；步骤4：利用大量的灰度小波图像对卷积神经网络进行输入训练；步骤5：训练完成后，利用卷积神经网络自动识别小波图像对应的故障类型，诊断路器机械特性。本发明识别准确度高，识别效率高。

Description

基于小波灰度卷积的开关柜断路器机械特性诊断方法
技术领域
本发明涉及电力开关柜故障监测领域，具体涉及基于小波灰度卷积的开关柜断路器机械特性诊断方法。
背景技术
断路器是开关柜中极为重要的电力设备，在系统正常运行时完成系统的开关操作，控制电力设备或线路的投切运行，实现负荷调配或设备的调整；当系统中某处发生故障时，断路器能迅速隔离故障设备以保护系统非故障线路的正常运行，防止故障在系统内的进一步发展或扩大。因此保证断路器的运行可靠性对于电力系统是至关重要的。传统的断路器故障诊断方法太过于依赖经验，不能准确地反映特征量和故障模式之间的关系，诊断准确度不高。
卷积神经网络算法是近年来兴起的一种人工神经网络算法，其克服了传统神经网络算法表达能力不足、容易过拟合的缺陷，在特征提取和特征分类上表现出强大的能力，在信号图像分析识别上具有很大优势。小波变换很好的解决了时-频域上存在的矛盾，其既是时间上的局部变换，同时又是频域上的局部变换，因而可以很好的从信号中提取所需要的时频域的全部信息。小波变换可以使用伸缩、平移等运算功能，对函数或信号进行频率上更细致的分析，在很大程度上解决了傅里叶变换许多不能解决的困难问题。
发明内容
本发明的目的是为了提供一种基于小波灰度卷积的开关柜断路器机械特性诊断方法，识别准确度高，识别效率高。
为解决以上技术问题，本发明的技术方案为：基于小波灰度卷积的开关柜断路器机械特性诊断方法，步骤如下：
步骤1，在开关柜内采集断路器分合闸回路中的电流信号；
步骤2，将采集到的电流信号用灰度小波变换转化灰度小波图像；
步骤3，采集不同机械状态的断路器多组灰度小波图像；
步骤4，；利用采集的灰度小波图像对卷积神经网络进行输入训练；
步骤5，训练完成后，利用卷积神经网络自动识别小波图像对应的故障类型，诊断断路器机械特性。
优选地，所述步骤2包括：
步骤2.1，对采集到的电流信号进行连续的小波变换，得到多尺度下的小波分解；根据小波变换原理，先选择小波母函数，小波母函数满足以下关系式：
Figure BDA0003384472130000021
式中，
Ψa,b(t)为基本小波母函数，
a为尺度参数，
b为平移参数，
t为时间；
步骤2.2，在不同的尺度a下，对电流信号f(t)进行小波变换，生成电流信号f(t)与小波母函数Ψa,b(t)的卷积C(a,b)，满足如下关系式：
Figure BDA0003384472130000022
式中，
f(t)为电流信号，
Figure BDA0003384472130000023
为函数Ψa,b(t)的复共轭；
步骤2.3，将得到的小波分析结果排列起来，纵轴表示沿信号的时间方向上的位置，横轴表示尺度；然后将每点的小波系数大小由灰度值代替，最后得到振动信号的小波灰度图。
优选地，步骤2.3中，代替的过程是使最大系数对应的灰度值为0，最小系数对应的灰度值为255，中间系数对应的灰度值按照线性插值计算。
优选地，步骤3中，每个机械状态下的灰度小波图像数量大于1000张。
优选地，步骤4包括：
步骤4.1，对得到的小波灰度图进行预处理，进行降噪；并截取出不重复的局部小波灰度图图像，利用小波分析局部化特征，获得不同尺度下的领域特征；
步骤4.2，将预处理之后的图像输入到卷积算法中的输入层；
步骤4.3，在算法的卷积层，经上一层处理过的神经元作为当前层卷积层的输入部分，进入卷积层中由进行学习的卷积核进行卷积处理，再通过激励函数计算输出包含输入特征的图像，每个输出的图像中的特征是由多个图像的特征组合得到的；卷积层运算公式如下：
Figure BDA0003384472130000024
Figure BDA0003384472130000025
式中，
Figure BDA0003384472130000026
称为卷积层l的第j个通道的净激活，它通过对上一层输出的包含输入图像特征的图像
Figure BDA0003384472130000031
进行卷积求和然后通过偏置得到的，
Figure BDA0003384472130000032
是卷积层l的第j个通道的输出；
Figure BDA0003384472130000033
称为激活函数；Mj表示用于计算
Figure BDA0003384472130000034
的输入特征图子集，
Figure BDA0003384472130000035
是卷积核矩阵，
Figure BDA0003384472130000036
是对卷积后特征图的偏置；“*”是卷积符号；
步骤4.4，在算法的下采样层，对卷积得到的特征图进行聚合操作；下采样层运算公式如下：
Figure BDA0003384472130000037
Figure BDA0003384472130000038
式中，
Figure BDA0003384472130000039
称为下采样层l的第j个通道的净激活,它是由上一层的输出部分中包含输入特征的图像
Figure BDA00033844721300000310
依次进行下采样加权、偏置后得到，
Figure BDA00033844721300000311
为下采样层的权重系数，
Figure BDA00033844721300000312
为下采样层的偏置项；
Figure BDA00033844721300000313
是下采样层的函数，
Figure BDA00033844721300000314
函数基于滑动窗口方法，将包含特征的输入图像
Figure BDA00033844721300000315
划分成多个互相不重叠的n*n图像块，然后对各个图像块内所有的像素点进行求和、求平均或最大值计算，使得每个输出的图像在两个维度上各缩小了n倍；
步骤4.5，在算法全连接层将所有的二维图像的包含特征的图像组合在一起得到的一维特征作为当前层的输入部分，对输入部分进行加权求和计算，然后通过激活函数响应得到当前层的输出部分；全连接层运算公式如下:
zl＝f(wl)
wl＝ωlzl-1+dl
式中，全连接层l的净激活为wl,它是由前一层输出包含特征的图像zl-1进行加权和偏置后得到的；ωl表示全连接网络的权重系数，dl表示全连接网络的偏置项。
优选地，步骤4.3中，激活函数包括sigmoid和tanh函数。
本发明的有益效果在于，与现有技术相比：将卷积神经网络算法与小波灰度图像相结合进行断路器机械特性分析，此种方式准确度高，并且只需利用已知机械特性的断路器电流信号作为训练组，经大量训练后便可以对未知状态的信号进行分析并得出其机械特性，这一过程省却了繁琐的人工寻求特征过程，提升了识别效率。
附图说明
图1为本发明自动诊断方法的流程图；
图2为本发明实施例中小波分解流程图；
图3为本发明实施例中卷积神经网络训练流程图；
图4为本发明实施例中卷积神经网络结构图。
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，下面结合附图和具体实施例对本发明作进一步详细说明。
请参考图1至图4，本发明为基于小波灰度卷积的开关柜断路器机械特性诊断方法，步骤如下：
步骤1，在中压开关柜内采集断路器分合闸回路中的电流信号；
步骤2，将采集到的电流信号用灰度小波变换转化灰度小波图像；
步骤3，采集不同机械状态的断路器多组灰度小波图像；
步骤4，；利用大量采集的灰度小波图像对卷积神经网络进行输入训练；
步骤5，训练完成后，利用卷积神经网络自动识别小波图像对应的故障类型，诊断断路器机械特性。
具体地，如图2，步骤2包括：
步骤2.1，对采集到的电流信号进行连续的小波变换，得到多尺度下的小波分解，根据小波变换原理，先选择小波母函数，小波母函数需要满足以下关系式：
Figure BDA0003384472130000041
式中，
Ψa,b(t)为基本小波母函数，
a为尺度参数，
b为平移参数，
t为时间；
步骤2.2，在不同的尺度a下，对电流信号f(t)进行小波变换，生成电流信号f(t)与小波母函数Ψa,b(t)的卷积，满足如下关系式：
Figure BDA0003384472130000042
式中，
f(t)为电流信号，
Figure BDA0003384472130000043
为函数Ψa,b(t)的复共轭；
步骤2.3，将得到的小波分析结果排列起来，纵轴表示沿信号的时间方向上的位置，横轴表示尺度。然后将每点的小波系数大小由灰度值代替，代替的过程是使最大系数对应的灰度值为0，最小系数对应的灰度值为255，中间系数对应的灰度值按照线性插值计算，最后得到振动信号的小波灰度图。
具体地，步骤3中不同机械状态下断路器采集到的小波灰度图数量要尽可能多，每个状态下的图像数量应大于1000张。
具体地，
如图3，步骤4包括：
步骤4.1，对得到的小波灰度图进行预处理，进行降噪，使图像更加平滑。并截取出不重复的局部小波灰度图图像，利用小波分析局部化特征，获得不同尺度下的领域特征；
步骤4.2，将预处理之后的图像输入到卷积算法中的输入层。
步骤4.3，在算法的卷积层，经上一层处理过的神经元作为该层卷积层的输入部分，进入卷积层中由可以进行学习的卷积核进行卷积处理，再通过激励函数计算可输出包含输入特征的图像，每个输出的图像中的特征是由多个图像的特征组合得到的。卷积层运算公式如下：
Figure BDA0003384472130000051
Figure BDA0003384472130000052
式中，
Figure BDA0003384472130000053
称为卷积层l的第j个通道的净激活，它通过对上一层输出的包含输入图像特征的图像
Figure BDA0003384472130000054
进行卷积求和然后通过偏置得到的，
Figure BDA0003384472130000055
是卷积层l的第j个通道的输出。
Figure BDA0003384472130000056
称为激活函数，通常可使用sigmoid和tanh等函数。Mj表示用于计算
Figure BDA0003384472130000057
的输入特征图子集，
Figure BDA0003384472130000058
是卷积核矩阵，
Figure BDA0003384472130000059
是对卷积后特征图的偏置。对于一个输出特征图
Figure BDA00033844721300000510
每个输入特征图
Figure BDA00033844721300000511
对应的卷积核
Figure BDA00033844721300000512
可能不同，“*”是卷积符号。
步骤4.4，在算法的下采样层，对卷积得到的特征图进行聚合操作，从而更加方便描述高维图像。下采样层运算公式如下：
Figure BDA00033844721300000513
Figure BDA00033844721300000514
式中，
Figure BDA00033844721300000515
称为下采样层l的第j个通道的净激活,它是由上一层的输出部分中包含输入特征的图像
Figure BDA00033844721300000516
依次进行下采样加权、偏置后得到，
Figure BDA00033844721300000517
和
Figure BDA00033844721300000518
分别是下采样层的权重系数和偏置项。
Figure BDA00033844721300000519
是下采样层的函数，该函数基于滑动窗口方法，将包含特征的输入图像
Figure BDA00033844721300000520
划分成多个互相不重叠的n*n图像块，然后对各个图像块内所有的像素点进行求和、求平均或最大值计算，使得每个输出的图像在两个维度上各缩小了n倍。
步骤4.5，在算法全连接层将所有的二维图像的包含特征的图像组合在一起得到的一维特征作为该层的输入部分，对输入部分进行加权求和计算，然后通过激活函数响应得到该层的输出部分。全连接层运算公式如下:
zl＝f(wl)
wl＝ωlzl-1+dl
式中，全连接层l的净激活为wl,它是由前一层输出包含特征的图像zl进行加权和偏置后得到的。ωl和dl分别是全连接网络的权重系数和偏置项。
具体地，如图4，步骤5包括：经步骤4大量训练后卷积算法便可以对未知状态的电流信号进行分析并得出其对应断路器的机械特性，这一过程省却了繁琐的人工寻求特征过程，提升了识别效率。
本发明未涉及部分均与现有技术相同或采用现有技术加以实现。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (6)

1.基于小波灰度卷积的开关柜断路器机械特性诊断方法，其特征在于，步骤如下：
步骤1，在开关柜内采集断路器分合闸回路中的电流信号；
步骤2，将采集到的电流信号用灰度小波变换转化灰度小波图像；
步骤3，采集不同机械状态的断路器多组灰度小波图像；
步骤4，；利用采集的灰度小波图像对卷积神经网络进行输入训练；
步骤5，训练完成后，利用卷积神经网络自动识别小波图像对应的故障类型，诊断断路器机械特性。
2.根据权利要求1所述的基于小波灰度卷积的开关柜断路器机械特性诊断方法，其特征在于：所述步骤2包括：
步骤2.1，对采集到的电流信号进行连续的小波变换，得到多尺度下的小波分解；根据小波变换原理，先选择小波母函数，小波母函数满足以下关系式：
Figure FDA0003384472120000011
式中，
Ψa,b(t)为基本小波母函数，
a为尺度参数，
b为平移参数，
t为时间；
步骤2.2，在不同的尺度a下，对电流信号f(t)进行小波变换，生成电流信号f(t)与小波母函数Ψa,b(t)的卷积C(a,b)，满足如下关系式：
Figure FDA0003384472120000012
式中，
f(t)为电流信号，
Figure FDA0003384472120000013
为函数Ψa,b(t)的复共轭；
步骤2.3，将得到的小波分析结果排列起来，纵轴表示沿信号的时间方向上的位置，横轴表示尺度；然后将每点的小波系数大小由灰度值代替，最后得到振动信号的小波灰度图。
3.根据权利要求2所述的基于小波灰度卷积的开关柜断路器机械特性诊断方法，其特征在于：步骤2.3中，代替的过程是使最大系数对应的灰度值为0，最小系数对应的灰度值为255，中间系数对应的灰度值按照线性插值计算。
4.根据权利要求1所述的基于小波灰度卷积的开关柜断路器机械特性诊断方法，其特征在于：步骤3中，每个机械状态下的灰度小波图像数量大于1000张。
5.根据权利要求1所述的基于小波灰度卷积的开关柜断路器机械特性诊断方法，其特征在于：步骤4包括：
步骤4.1，对得到的小波灰度图进行预处理，进行降噪；并截取出不重复的局部小波灰度图图像，利用小波分析局部化特征，获得不同尺度下的领域特征；
步骤4.2，将预处理之后的图像输入到卷积算法中的输入层；
步骤4.3，在算法的卷积层，经上一层处理过的神经元作为当前层卷积层的输入部分，进入卷积层中由进行学习的卷积核进行卷积处理，再通过激励函数计算输出包含输入特征的图像，每个输出的图像中的特征是由多个图像的特征组合得到的；卷积层运算公式如下：
Figure FDA0003384472120000021
Figure FDA0003384472120000022
式中，
Figure FDA0003384472120000023
称为卷积层l的第j个通道的净激活，它通过对上一层输出的包含输入图像特征的图像
Figure FDA0003384472120000024
进行卷积求和然后通过偏置得到的，
Figure FDA0003384472120000025
是卷积层l的第j个通道的输出；
Figure FDA0003384472120000026
称为激活函数；Mj表示用于计算
Figure FDA0003384472120000027
的输入特征图子集，
Figure FDA0003384472120000028
是卷积核矩阵，
Figure FDA0003384472120000029
是对卷积后特征图的偏置；“*”是卷积符号；
步骤4.4，在算法的下采样层，对卷积得到的特征图进行聚合操作；下采样层运算公式如下：
Figure FDA00033844721200000210
Figure FDA00033844721200000211
式中，
Figure FDA00033844721200000212
称为下采样层l的第j个通道的净激活,它是由上一层的输出部分中包含输入特征的图像
Figure FDA00033844721200000213
依次进行下采样加权、偏置后得到，
Figure FDA00033844721200000214
为下采样层的权重系数，
Figure FDA00033844721200000215
为下采样层的偏置项；
Figure FDA00033844721200000216
是下采样层的函数，
Figure FDA00033844721200000217
函数基于滑动窗口方法，将包含特征的输入图像
Figure FDA00033844721200000218
划分成多个互相不重叠的n*n图像块，然后对各个图像块内所有的像素点进行求和、求平均或最大值计算，使得每个输出的图像在两个维度上各缩小了n倍；
步骤4.5，在算法全连接层将所有的二维图像的包含特征的图像组合在一起得到的一维特征作为当前层的输入部分，对输入部分进行加权求和计算，然后通过激活函数响应得到当前层的输出部分；全连接层运算公式如下:
zl＝f(wl)
wl＝ωlzl-1+dl
式中，全连接层l的净激活为wl,它是由前一层输出包含特征的图像zl-1进行加权和偏置后得到的；ωl表示全连接网络的权重系数，dl表示全连接网络的偏置项。
6.根据权利要求5所述的基于小波灰度卷积的开关柜断路器机械特性诊断方法，其特征在于：步骤4.3中，激活函数包括sigmoid和tanh函数。
CN202111447507.8A 2021-11-30 2021-11-30 基于小波灰度卷积的开关柜断路器机械特性诊断方法 Pending CN114118159A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111447507.8A CN114118159A (zh) 2021-11-30 2021-11-30 基于小波灰度卷积的开关柜断路器机械特性诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111447507.8A CN114118159A (zh) 2021-11-30 2021-11-30 基于小波灰度卷积的开关柜断路器机械特性诊断方法

Publications (1)

Publication Number Publication Date
CN114118159A true CN114118159A (zh) 2022-03-01

Family

ID=80369124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111447507.8A Pending CN114118159A (zh) 2021-11-30 2021-11-30 基于小波灰度卷积的开关柜断路器机械特性诊断方法

Country Status (1)

Country Link
CN (1) CN114118159A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117689900A (zh) * 2024-02-04 2024-03-12 中国石油大学(华东) 基于机器学习和小波变换的纹层特征提取与识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117689900A (zh) * 2024-02-04 2024-03-12 中国石油大学(华东) 基于机器学习和小波变换的纹层特征提取与识别方法
CN117689900B (zh) * 2024-02-04 2024-04-19 中国石油大学(华东) 基于机器学习和小波变换的纹层特征提取与识别方法

Similar Documents

Publication Publication Date Title
CN114627360A (zh) 基于级联检测模型的变电站设备缺陷识别方法
CN108961180B (zh) 红外图像增强方法及系统
CN112729381B (zh) 一种基于神经网络的高压断路器的故障诊断方法
CN113345463B (zh) 基于卷积神经网络的语音增强方法、装置、设备及介质
CN114049332A (zh) 异常检测方法及装置、电子设备和存储介质
CN110726898A (zh) 一种配电网故障类型识别方法
CN113865859A (zh) 多尺度多源异构信息融合的齿轮箱状态故障诊断方法
CN115937794B (zh) 小目标对象检测方法、装置、电子设备及存储介质
CN114355240A (zh) 配电网接地故障诊断方法及装置
CN115359066B (zh) 用于内窥镜的病灶检测方法、装置、电子设备及存储介质
CN114818817B (zh) 一种电容式电压互感器微弱故障识别系统及方法
CN112819199A (zh) 降水量的预测方法、装置、设备和存储介质
CN114118159A (zh) 基于小波灰度卷积的开关柜断路器机械特性诊断方法
CN114010180B (zh) 一种基于卷积神经网络的磁共振快速成像方法及装置
Xue et al. A novel framework for motor bearing fault diagnosis based on multi-transformation domain and multi-source data
CN112529908B (zh) 一种基于级联卷积网络的数字病理图像分割方法及其模型
CN114062812A (zh) 一种计量柜故障诊断方法及系统
CN113012107A (zh) 电网缺陷检测方法及系统
CN117079005A (zh) 一种光缆故障监测方法、系统、装置及可读存储介质
Valabhoju et al. Optimized ensemble of regression tree-based location of evolving faults in dual-circuit line
CN115575811A (zh) 一种断路器电寿命预测评估方法、系统、存储介质及设备
Ebert-Uphoff et al. Evaluation, tuning and interpretation of neural networks for meteorological applications
CN114626302A (zh) 基于Koopman算子和机器学习的信道预测方法、系统、终端及介质
Balouji et al. A deep learning approach to earth fault classification and source localization
CN115424257A (zh) 基于改进多列卷积神经网络的作物苗期植株计数方法

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