CN116628619B - 一种基于车网耦合的未知异常电气现象辨识方法 - Google Patents

一种基于车网耦合的未知异常电气现象辨识方法 Download PDF

Info

Publication number
CN116628619B
CN116628619B CN202310924990.7A CN202310924990A CN116628619B CN 116628619 B CN116628619 B CN 116628619B CN 202310924990 A CN202310924990 A CN 202310924990A CN 116628619 B CN116628619 B CN 116628619B
Authority
CN
China
Prior art keywords
class
activation vector
unknown
data
test data
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.)
Active
Application number
CN202310924990.7A
Other languages
English (en)
Other versions
CN116628619A (zh
Inventor
周福林
高仕斌
陈纪纲
何祥照
张强
曹毅峰
许晓蓉
陈刚
田腾宇
刘飞帆
苏旭磊
张颖文
周强
郑波
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202310924990.7A priority Critical patent/CN116628619B/zh
Publication of CN116628619A publication Critical patent/CN116628619A/zh
Application granted granted Critical
Publication of CN116628619B publication Critical patent/CN116628619B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于车网耦合的未知异常电气现象辨识方法，将典型已知异常电气现象训练数据输入到训练好的辨识模型中，将模型倒数第二层的输出作为每类样本的激活向量。对同一类分类正确样本的激活向量求和并求均值得到每类的平均激活向量。用激活向量和每类的平均激活向量之间的距离拟合每类的威布尔概率分布模型，拟合结果为各类威布尔模型的位置参数、形状参数、比例参数。输入待识别的测试数据，基于威布尔模型拟合结果和调整系数修改测试数据激活向量，计算属于未知异常的概率。本发明将深度学习应用到车网耦合系统未知异常电气现象辨识领域，在对典型异常电气现象辨识的同时可以识别出未知类，解决了现有深度学习无法辨识未知异常的难题。

Description

一种基于车网耦合的未知异常电气现象辨识方法
技术领域
本发明涉及扰动辨识技术领域，尤其涉及一种基于车网耦合的未知异常电气现象辨识方法。
背景技术
在电气化铁路中，快速准确辨识其中的异常电气现象对于电力机车的安全稳定运行起着至关重要的作用；牵引供电系统和电力机车之间构成车网耦合系统，车网耦合系统的稳定性直接影响着电气化铁路的安全可靠运行，在实际车网耦合系统中，由于异常电气现象发生的随机性和不确定性，除了低频震荡、谐波谐振、励磁涌流等典型的异常电气现象之外，还存在着未知的异常电气现象，它们同样威胁着电气化铁路的安全运行和牵引供电系统的供电质量。
近年来，随着机器学习和深度学习技术的逐渐成熟，车网耦合异常电气现象辨识取得了广泛的研究。但是在传统的异常电气现象辨识方法在分类辨识过程中，只能识别已知的异常电气现象。当输入为未知异常电气现象数据时，会被识别为典型已知异常现象中的类别之一，导致误判。
需要说明的是，在上述背景技术部分公开的信息只用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于克服现有技术的缺点，提供了一种基于车网耦合的未知异常电气现象辨识方法，解决了现有技术存在的问题。
本发明的目的通过以下技术方案来实现：一种基于车网耦合的未知异常电气现象辨识方法，所述辨识方法包括：
步骤一、实时采集受电弓处的电压数据作为待识别的测试数据，构建典型已知类别的异常电气现象为测试数数据集作为训练集和测试集；
步骤二、对训练集、测试集和待识别的测试数据中每个电压数据进行数据归一化处理，输入车网耦合异常电气现象训练集数据到训练好的CNN辨识模型中进行分类，输出每个已知类所有样本的CNN辨识模型倒数第二层的激活向量，并输出分类正确类别的平均激活向量；
步骤三、计算每个类别的激活向量和该类别的平均激活向量之间的欧氏距离拟合，每一类的威布尔模型，拟合结果为威布尔累积分布函数；
步骤四、输入待识别的测试数据，根据威布尔累积分布函数和调整系数修改测试数据的激活向量元素，得到新的激活向量，并将Softmax函数应用到新的激活向量上，确定测试数据是否为未知类。
所述步骤三中的平均激活向量由属于同一个已知类别且被分类正确的样本通过公式累加求平均值得到，其中，MAV j 为第j类的平均激活向量，N j 为第j类CNN辨识模型分类正确的样本数，x为测试数据，AV j (x i )表示第j类第i个样本。
所述步骤三中的威布尔模型利用每类的个最大欧氏距离和libMR的FitHigh函数通过公式/>进行拟合，拟合结果为每类威布尔累积分布函数的位置参数/>、形状参数/>、比例参数/>，dj表示第j类所有分类正确样本和平均激活向量之间的欧氏距离。
所述步骤四中测试数据的激活向量由车网耦合异常电气现象测试数据输入到训练好的CNN辨识模型中得到，表示为，N为典型已知类别数，x为测试数据，/>为一个测试数据样本输入到CNN卷积神经网络中，神经网络倒数第二层输出的激活向量，它是一个1*N的向量，由测试样本属于1~N类的N个激活向量值组成，AV 1 (x), AV 2 (x),…, AV N (x)代表测试数据样本属于第1，2，…，N类的激活向量值，它们经过softmax函数可以输出属于第1,2,…,N类的概率值，威布尔累积分布函数通过公式计算测试数据激活向量与各类平均激活向量之间的欧氏距离即通道距离CD得到，其中，/>为第sj类的累积分布函数值，CD sj 为测试激活向量到第sj类平均激活向量的距离，sj为测试AV中第j类最大元素对应的索引值，为类sj所对应的威布尔模型参数。
所述步骤四中的调整系数为，其中/>为第j个调整系数大小，/>为要修改激活向量中最大元素的个数，/>，N为典型已知类别数；根据威布尔累积分布函数值和调整系数修改测试数据的激活向量的前/>个元素，得到修改后的激活向量/>，sj为测试AV中第j类最大元素对应的索引值，为第sj类的累积分布函数值，AV test (sj)为测试第sj类的激活向量值，j代表第j类。
所述步骤四中新的激活向量由修改后的激活向量末尾附加未知激活向量得到，未知激活向量包括由每类的原激活向量元素值减去修改后激活向量值并相加得到，通过公式计算得到，表示未知类输入。
所述步骤四中通过公式其中，/>表示最后属于每一类的概率，e表示常数，/>表示新的激活向量中属于第j类的激活向量值，/>表示新的激活向量中属于第i个样本的激活向量值，若最大概率的索引值为N+1，N为所述典型已知类别数，则测试数据来自未知类。
所述辨识方法还包括：如果测试数据属于未知类，则将该未知类的异常数据进行存储，并上传到云端通过专家对未知异常数据确认后生成新的异常类别更新训练集数据。
本发明具有以下优点：
1、引入了神经网络模型倒数第二层的激活向量，根据距离拟合各类的极值分布—威布尔分布模型以生成用于计算未知类的未知伪激活向量，使得神经网络可以应用于未知类识别中。
2、将深度学习应用到车网耦合系统未知异常电气现象辨识领域，在对典型异常电气现象辨识的同时可以识别出未知类，解决了现有深度学习无法辨识未知异常的难题。
附图说明
图1 为本发明车网耦合系统未知异常电气现象辨识框架流程图；
图2 为本发明车网耦合系统结构图及列车监测点示意图；
图3 为本发明CNN辨识模型的网络结构图；
图4 为本发明CNN辨识模型中的残差块结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下结合附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的保护范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。下面结合附图对本发明做进一步的描述。
本发明具体涉及一种基于车网耦合的未知异常电气现象辨识方法，将车网耦合系统典型已知异常电气现象训练数据输入到训练好的CNN辨识模型中，输出CNN辨识模型倒数第二层的输出作为每类样本的激活向量。对属于同一类分类正确的样本的激活向量求和并求均值得到每类的平均激活向量。用激活向量和每类的平均激活向量之间的距离拟合每类的威布尔概率分布模型，拟合结果为各类威布尔模型的位置参数t j 、形状参数k j 、比例参数l j 。输入待识别的测试数据，基于威布尔模型拟合结果和调整系数修改测试数据激活向量，计算数据属于未知异常的概率。
如图1所示，具体包括以下内容：
S1、采用监测设备设定采样频率为6.4kHz对如图2所示的列车监测点的电压数据进行采集，采集的电压数据被划分为时间长度为1s的样本作为待识别数据。
S2、构建典型已知异常电气现象（正常状态、谐波谐振、低频振荡、电压中断、电压暂降和电压暂升）的数据集作为训练集和测试集；训练集用于训练CNN辨识模型和拟合概率模型，其中包含5400个样本，每类包含900个样本；测试集用于测试CNN辨识模型的精度是否达到要求。训练集、测试集、待识别数据的尺寸大小均为6400×1。
S3、对训练集、测试集和待识别测试数据进行数据归一化预处理，预处理操作公式为：，其中，/>表示原始信号数据；根据我国电气化铁路标准，/>为27.5 kV。
S4、搭建如图3所示的深度残差网络结构的卷积神经网络辨识模型，采用CNN辨识模型提取车网耦合系统异常电气现象一维数据的高维特征；深度CNN辨识模型包含卷积层、批量归一化层、最大池化层、残差块、全局池化层和softmax层；如图4所示为CNN辨识模型内部的两类残差块结构图，CNN辨识模型采用残差连接获取异常电气现象深层次的复杂特征同时避免网络发生梯度消失。
S5、输入异常电气现象的训练数据到搭建好的CNN辨识模型中进行训练，用测试集数据对CNN辨识模型精度进行测试，保存精度最优的CNN辨识模型。选择的损失函数为交叉熵损失函数，优化器为Adam，学习率设为0.001，输入训练集数据到最优CNN辨识模型中，输出所有样本在CNN辨识模型最后一个全连接层的输出作为样本的激活向量，表示为。
S6、对同一已知类分类正确的样本的激活向量求和并求均值得到每一个已知类的平均激活向量，求每类平均激活向量的公式为：其中，MAV j 为第j类的平均激活向量，N j 为第j类CNN辨识模型分类正确的样本数，x为测试数据，/>表示第j类第i个样本。
S7、计算并单独排序每个类别的激活向量和该类别的平均激活向量之间的欧氏距离，公式为：，其中，Eu_Dis为欧式距离的计算，sort为对每类距离单独排序，d j 为排序后的第j类的激活向量到该类别的平均激活向量之间的欧氏距离，威布尔累积分布函数。
S8、根据所计算的每类的个最大距离和libMR中的FitHigh函数拟合每类的威布尔概率函数，拟合结果为每类威布尔概率函数的位置参数/>、形状参数/>、比例参数/>，并将每类的拟合结果保存下来，拟合公式为：/>。
S9、输入待识别的测试数据到精度最优的CNN辨识模型中，得到待识别数据的激活向量，记为，N为典型已知类别数，x为测试数据，为一个测试数据样本输入到CNN卷积神经网络中，神经网络倒数第二层输出的激活向量，它是一个1*N的向量，由测试样本属于1~N类的N个激活向量值组成，AV 1 (x), AV 2 (x),…, AV N (x)代表测试数据样本属于第1，2，…，N类的激活向量值，它们经过softmax函数可以输出属于第1，2，…，N类的概率值。
S10、通过计算待识别测试数据的激活向量与各类平均激活向量之间的欧氏距离得到通道距离CD，通道距离中的元素对应于每类的欧式距离；进一步地利用下式得到修改激活向量的因子之一威布尔累积分布函数值；公式为/>，其中，sj为测试AV中第j个最大元素对应的索引值（索引值从1开始），/>为第sj类的累积分布函数值，CD sj 为测试激活向量到第sj类平均激活向量的距离，/>为类sj所对应的威布尔累积分布函数。
S11、计算修改激活向量的另一个因子调整系数，公式为，其中/>为第j个调整系数大小，/>为要修改激活向量中最大元素的个数，/>；N为典型已知类别数。
S12、根据威布尔累积分布函数值和调整系数修改待识别测试数据的激活向量的前N a 个元素，修改公式为：，其中，sj为测试数据的激活向量中第j个最大元素所对应的索引值（索引值从1开始），AV test (sj)为测试激活向量的第sj个元素，/>为第sj类的威布尔累积分布函数值，/>为第j个调整系数大小。
S13、用每类的原激活向量元素值减去修改后激活向量值并相加得到未知伪激活向量，用于表示未知类的输入，公式为：。
S14、对修改后的激活向量末尾附加未知伪激活向量得到新的激活向量，新的激活向量可以表示开放集下的数据输入。对新的激活向量应用Softmax函数得到属于已知类和未知类的概率，计算公式为，其中，/>表示最后属于每一类的概率，e表示常数，/>表示新的激活向量中属于第j类的激活向量值，/>表示新的激活向量中属于第i个样本的激活向量值，若最大概率的索引值为N+1（N为所述典型已知类别数），则测试数据来自未知类。
S15、当检测到测试数据属于未知类，则将该未知类的异常数据进行存储，并上传到云端通过专家对未知异常数据确认后生成新的异常类别更新训练集数据。
本发明的数据评估主要基于实测和仿真形成的车网耦合系统异常电气现象数据集。数据集包含9个类别，每个类别包含1000组电压数据，按9：1划分为训练集和测试集。为了进行开放集下的车网耦合异常辨识测试，选择一部分类别作为未知数据，其余数据为已知类。数据集划分见表1。
依据表1所划分的已知数据集对本发明方法、一维CNN辨识模型、多层神经网络（NN）、小波+BP神经网络（BPNN）、长短时序神经网络（LSTM）进行了测试。对比结果见表2。可以看出，相对于现有方法，本发明方法精度高、参数量少、具备识别未知异常的能力。
表2 对比结果表
对本发明方法在表1划分的数据集进行测试，通过F1-score、查准率、查全率综合体现了本发明方法在已知类分类和未知类识别的性能。实验结果见表3。从表3可得，本发明实施例的实验结果可以识别未知异常电气现象的同时保持高精度的已知异常电气现象辨识精度，证实了其可行性。
表3 实验结果表
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (7)

1.一种基于车网耦合的未知异常电气现象辨识方法，其特征在于：所述辨识方法包括：
步骤一、实时采集受电弓处的电压数据作为待识别的测试数据，构建典型已知类别的异常电气现象数据集作为训练集和测试集；
步骤二、对训练集、测试集和待识别的测试数据中每个电压数据进行数据归一化处理，输入车网耦合异常电气现象训练集数据到训练好的CNN辨识模型中进行分类，输出每个已知类所有样本的CNN辨识模型倒数第二层的激活向量，并输出分类正确类别的平均激活向量；
步骤三、计算每个类别的激活向量和该类别的平均激活向量之间的欧氏距离，拟合每一类的威布尔模型，拟合结果为威布尔累积分布函数；
步骤四、输入待识别的测试数据，根据威布尔累积分布函数和调整系数修改测试数据的激活向量元素，得到新的激活向量，并将Softmax函数应用到新的激活向量上，确定测试数据是否为未知类；
所述步骤四中测试数据的激活向量由车网耦合异常电气现象测试数据输入到训练好的CNN辨识模型中得到，表示为AVtest(x)＝[AV1(x),AV2(x),...,AVN(x)]，N为典型已知类别数，x为测试数据，AVtest(x)为一个测试数据样本输入到CNN卷积神经网络中，神经网络倒数第二层输出的激活向量，它是一个1*N的向量，由测试样本属于1～N类的N个激活向量值组成，AV1(x),AV2(x),…,AVN(x)代表测试数据样本属于第1，2，…，N类的激活向量值，威布尔累积分布函数通过公式计算测试数据激活向量与各类平均激活向量之间的欧氏距离即通道距离CD得到，其中，ωscore(sj)为第sj类的累积分布函数值，CDsj为测试激活向量到第sj类平均激活向量的距离，sj为测试AV中第j类最大元素对应的索引值，τsj、κsj、λsj为类sj所对应的威布尔模型参数。
2.根据权利要求1所述的一种基于车网耦合的未知异常电气现象辨识方法，其特征在于：所述步骤三中的平均激活向量由属于同一个已知类别且被分类正确的样本通过公式累加求平均值得到，其中，MAVj为第j类的平均激活向量，Nj为第j类CNN辨识模型分类正确的样本数，x为测试数据，AVj(xi)表示第j类第i个样本。
3.根据权利要求1所述的一种基于车网耦合的未知异常电气现象辨识方法，其特征在于：所述步骤三中的威布尔模型利用每类的η个最大欧氏距离和libMR的FitHigh函数通过公式τj,κj,λj＝FitHigh(dj,η)进行拟合，拟合结果为每类威布尔累积分布函数的位置参数τj、形状参数κj、比例参数λj，dj表示第j类所有分类正确样本和平均激活向量之间的欧氏距离。
4.根据权利要求1所述的一种基于车网耦合的未知异常电气现象辨识方法，其特征在于：所述步骤四中的调整系数为其中αj为第j个调整系数大小，Nα为要修改激活向量中最大元素的个数，Nα≤N，N为典型已知类别数；根据威布尔累积分布函数值和调整系数修改测试数据的激活向量的前Nα个元素，得到修改后的激活向量sj为测试AV中第j类最大元素对应的索引值，ωscore(sj)为第sj类的累积分布函数值，AVtest(sj)为测试第sj类的激活向量值，j代表第j类。
5.根据权利要求4所述的一种基于车网耦合的未知异常电气现象辨识方法，其特征在于：所述步骤四中新的激活向量由修改后的激活向量末尾附加未知激活向量得到，未知激活向量包括由每类的原激活向量元素值减去修改后激活向量值并相加得到，通过公式计算得到，表示未知类输入。
6.根据权利要求2所述的一种基于车网耦合的未知异常电气现象辨识方法，其特征在于：所述步骤四中通过公式计算新的激活向量应用Softmax函数得到属于已知类和未知类的概率，其中，/>表示最后属于每一类的概率，e表示常数，/>表示新的激活向量中属于第j类的激活向量值，/>表示新的激活向量中属于第i个样本的激活向量值，若最大概率的索引值为N+1，N为典型已知类别数，则测试数据来自未知类。
7.根据权利要求1-6中任意一项所述的一种基于车网耦合的未知异常电气现象辨识方法，其特征在于：所述辨识方法还包括：如果测试数据属于未知类，则将该未知类的异常数据进行存储，并上传到云端通过专家对未知异常数据确认后生成新的异常类别更新训练集数据。
CN202310924990.7A 2023-07-26 2023-07-26 一种基于车网耦合的未知异常电气现象辨识方法 Active CN116628619B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310924990.7A CN116628619B (zh) 2023-07-26 2023-07-26 一种基于车网耦合的未知异常电气现象辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310924990.7A CN116628619B (zh) 2023-07-26 2023-07-26 一种基于车网耦合的未知异常电气现象辨识方法

Publications (2)

Publication Number Publication Date
CN116628619A CN116628619A (zh) 2023-08-22
CN116628619B true CN116628619B (zh) 2023-10-20

Family

ID=87610356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310924990.7A Active CN116628619B (zh) 2023-07-26 2023-07-26 一种基于车网耦合的未知异常电气现象辨识方法

Country Status (1)

Country Link
CN (1) CN116628619B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109871805A (zh) * 2019-02-20 2019-06-11 中国电子科技集团公司第三十六研究所 一种电磁信号开集识别方法
CN109919241A (zh) * 2019-03-15 2019-06-21 中国人民解放军国防科技大学 基于概率模型和深度学习的高光谱未知类别目标检测方法
CN110580387A (zh) * 2019-08-27 2019-12-17 国网湖北省电力有限公司电力科学研究院 基于熵权法的直流保护系统混合威布尔可靠性评价方法
CN110909760A (zh) * 2019-10-12 2020-03-24 中国人民解放军国防科技大学 一种基于卷积神经网络的图像开放集识别方法
CN111914919A (zh) * 2020-07-24 2020-11-10 天津大学 基于深度学习的开放集辐射源个体识别方法
CN113283550A (zh) * 2021-07-22 2021-08-20 西南交通大学 一种车网电气耦合数据的异常辨识模型训练方法
CN115221520A (zh) * 2022-07-25 2022-10-21 东南大学 一种基于开集识别的工控网络未知攻击检测方法
CN115580445A (zh) * 2022-09-22 2023-01-06 东北大学 一种未知攻击入侵检测方法、装置和计算机可读存储介质
CN116108388A (zh) * 2022-10-24 2023-05-12 徐州徐工矿业机械有限公司 一种基于开放集合假设的工程机械智能故障诊断方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109871805A (zh) * 2019-02-20 2019-06-11 中国电子科技集团公司第三十六研究所 一种电磁信号开集识别方法
CN109919241A (zh) * 2019-03-15 2019-06-21 中国人民解放军国防科技大学 基于概率模型和深度学习的高光谱未知类别目标检测方法
CN110580387A (zh) * 2019-08-27 2019-12-17 国网湖北省电力有限公司电力科学研究院 基于熵权法的直流保护系统混合威布尔可靠性评价方法
CN110909760A (zh) * 2019-10-12 2020-03-24 中国人民解放军国防科技大学 一种基于卷积神经网络的图像开放集识别方法
CN111914919A (zh) * 2020-07-24 2020-11-10 天津大学 基于深度学习的开放集辐射源个体识别方法
CN113283550A (zh) * 2021-07-22 2021-08-20 西南交通大学 一种车网电气耦合数据的异常辨识模型训练方法
CN115221520A (zh) * 2022-07-25 2022-10-21 东南大学 一种基于开集识别的工控网络未知攻击检测方法
CN115580445A (zh) * 2022-09-22 2023-01-06 东北大学 一种未知攻击入侵检测方法、装置和计算机可读存储介质
CN116108388A (zh) * 2022-10-24 2023-05-12 徐州徐工矿业机械有限公司 一种基于开放集合假设的工程机械智能故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
两参数威布尔分布的废旧矿冶零部件 再制造剩余寿命预测新方法;伍建军 等;《机械科学与技术》;第35卷(第4期);1-5 *
高光谱已知目标识别和未知目标检测算法研究;张立雄;《中国优秀硕士学位论文全文数据库 信息科技辑》;I138-817 *

Also Published As

Publication number Publication date
CN116628619A (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN109934269B (zh) 一种电磁信号的开集识别方法和装置
CN112508105B (zh) 一种采油机故障检测与检索方法
CN109684673B (zh) 一种电力系统暂态稳定结果的特征提取和聚类分析方法
CN111026058B (zh) 基于瓦瑟斯坦距离和自编码器的半监督深度学习故障诊断方法
CN113516650A (zh) 基于深度学习的电路板塞孔缺陷检测方法及装置
CN108304567B (zh) 高压变压器工况模式识别与数据分类方法及系统
CN111191726B (zh) 一种基于弱监督学习多层感知器的故障分类方法
CN114818579B (zh) 基于一维卷积长短期记忆网络的模拟电路故障诊断方法
CN115580445B (zh) 一种未知攻击入侵检测方法、装置和计算机可读存储介质
CN114548199A (zh) 一种基于深度迁移网络的多传感器数据融合方法
CN110991471B (zh) 一种高速列车牵引系统故障诊断方法
CN112596016A (zh) 基于多个一维卷积神经网络集成的互感器故障诊断方法
CN116502163A (zh) 基于多特征融合和深度学习的振动监测数据异常检测方法
CN114692677A (zh) 一种基于多目标特征选择的焊接缺陷识别方法
CN115758258A (zh) 一种基于振动信号和领域知识的牵引变压器故障诊断方法
CN115130546A (zh) 异常参数检测方法、装置、计算机可读介质及电子设备
CN115015719A (zh) 一种基于光纤超声传感信号的套管局部放电识别算法
CN109782158B (zh) 一种基于多级分类的模拟电路诊断方法
CN114200245A (zh) 一种配电网的线损异常识别模型的构建方法
CN113497802B (zh) 一种基于机器学习算法的车载ecu安全风险评估系统
CN116628619B (zh) 一种基于车网耦合的未知异常电气现象辨识方法
CN112069621B (zh) 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法
CN117219124B (zh) 一种基于深度神经网络的开关柜声纹故障检测方法
CN116660639B (zh) 一种基于ccgoa-svdd的变压器故障诊断方法及系统
CN116977834A (zh) 一种开放条件下分布内外图像识别方法

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