CN116704266A - 一种电力设备故障检测方法、装置、设备及存储介质 - Google Patents
一种电力设备故障检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116704266A CN116704266A CN202310935029.8A CN202310935029A CN116704266A CN 116704266 A CN116704266 A CN 116704266A CN 202310935029 A CN202310935029 A CN 202310935029A CN 116704266 A CN116704266 A CN 116704266A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- convolutional neural
- data set
- scale convolutional
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 172
- 238000012549 training Methods 0.000 claims abstract description 85
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000006870 function Effects 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 10
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Abstract
本申请公开一种电力设备故障检测方法、装置、设备及存储介质,涉及电力物联网安全技术领域,能够提高电力设备的故障检测精度和检测效率。具体方案包括:获取原始图像数据集,并进行类型划分,得到第一数据集和第二数据集,第一数据集中为电力设备正常运行的图像数据,第二数据集为电力设备故障的图像数据;对第二数据集进行数据增强,得到第二目标数据集;利用第一数据集训练预设的初始多尺度卷积神经网络模型,得到中间多尺度卷积神经网络模型;利用第一数据集和第二目标数据集训练中间多尺度卷积神经网络模型,得到目标多尺度卷积神经网络模型;将实时采集的电力设备图像输入至目标多尺度卷积神经网络模型中,得到电力设备的故障检测结果。
Description
技术领域
本申请涉及电力物联网安全技术领域,尤其涉及一种电力设备故障检测方法、装置、设备及存储介质。
背景技术
随着电力系统的快速发展,电力系统运行的稳定性变得更加重要。在智能电网下,一旦电力设备出现故障,将极大地影响电力系统的安全和供电的稳定性。而电力设备长期受气候等外界环境因素的影响,容易出现故障,因此需要定期对电力设备进行检查和维护,以保证供电系统的正常运行。图像目标检测技术是根据图像的视觉内容检测出图像中感兴趣的目标并确定他们的类别和位置,该技术广泛存在于一些与海量图像数据相关的领域。
电力设备的故障由电力设备的类型、故障位置、故障程度等因素决定,其故障分布也不同。因此,基于图像的目标检测技术非常适用于电力设备的故障检测。通过分析电力设备表面的故障分布信息,可以发现电力设备潜在的隐患和故障,并对故障的严重程度进行定量判断。但目前基于图像目标检测方法在检测电力设备故障时存在检测精度较低和检测效率较低的问题。
发明内容
本申请提供一种电力设备故障检测方法、装置、设备及存储介质,能够提高电力设备的故障检测精度和检测效率。
为达到上述目的,本申请采用如下技术方案:
本申请实施例第一方面,提供了一种电力设备故障检测方法,该方法包括:
获取原始图像数据集,并对原始图像数据集进行类型划分,得到第一数据集和第二数据集,第一数据集中包括多个电力设备正常运行的图像数据,第二数据集中包括多个电力设备故障的图像数据;
对第二数据集进行数据增强,得到第二目标数据集;
利用第一数据集训练预设的初始多尺度卷积神经网络模型,得到中间多尺度卷积神经网络模型;
利用第一数据集和第二目标数据集训练中间多尺度卷积神经网络模型,得到目标多尺度卷积神经网络模型;
将实时采集的电力设备图像输入至目标多尺度卷积神经网络模型中,得到电力设备的故障检测结果。
在一个实施例中,对第二数据集进行数据增强,包括:
利用数据增强对第二数据集中的图像进行过采样,并将过采样结果增加至第二数据集中,得到第二目标数据集,其中,数据增强包括:图像旋转、图像翻转和图像灰度变化。
在一个实施例中,多尺度卷积神经网络模型包括特征提取网络、多尺度卷积网络和全连接网络;利用第一数据集训练预设的初始多尺度卷积神经网络模型之前,方法还包括:
初始化特征提取网络、多尺度卷积网络和全连接网络,得到初始化多尺度卷积神经网络模型;
对应的,利用第一数据集训练预设的初始多尺度卷积神经网络模型,包括:
利用第一数据集训练初始化多尺度卷积神经网络模型。
在一个实施例中,利用第一数据集训练预设的初始多尺度卷积神经网络模型,得到中间网络模型,包括:
将第一数据集作为训练集,并采用小批量梯度下降算法训练初始化多尺度卷积神经网络模型,直至初始化多尺度卷积神经网络模型达到预设的迭代次数或者初始化多尺度卷积神经网络模型收敛,则得到中间网络模型。
在一个实施例中,将第一数据集作为训练集,并采用小批量梯度下降算法训练初始化多尺度卷积神经网络模型,包括:
配置初始化多尺度卷积神经网络模型的训练参数,训练参数包括迭代次数、小批量采样大小和模型参数学习率;
基于第一数据集和初始化多尺度卷积神经网络模型执行至少一个迭代操作,直至初始化多尺度卷积神经网络模型达到预设的迭代次数或者初始化多尺度卷积神经网络模型收敛,得到中间多尺度卷积神经网络模型;
迭代操作包括:对第一数据集进行小批量随机采集,得到采样的小批量数据集;
将小批量数据集输入至初始化多尺度卷积神经网络模型,得到对应的预测类别概率;
根据小批量数据集对应的真实类别标签和对应的预测类别概率计算初始化多尺度卷积神经网络模型的损失函数,并根据损失函数对多尺度卷积神经网络模型的模型参数进行更新。
在一个实施例中,利用第一数据集和第二目标数据集训练中间多尺度卷积神经网络模型,得到目标多尺度卷积神经网络模型,包括:
加载中间多尺度卷积神经网络模型,并利用高斯分布随机初始化中间多尺度卷积神经网络模型的最后一个全连接层;
利用第一数据集和第二目标数据集训练中间多尺度卷积神经网络模型,直至中间多尺度卷积神经网络模型收敛或者中间多尺度卷积神经网络模型的训练次数达到预测次数,则得到目标多尺度卷积神经网络模型。
在一个实施例中,将实时采集的电力设备图像输入至目标多尺度卷积神经网络模型中,得到电力设备的故障检测结果,包括:
将多个实时采集的电力设备图像输入至目标多尺度卷积神经网络模型中,得到每个电力设备图像对应的电力设备的运行正常概率和故障概率,根据运行正常概率和故障概率确定电力设备的故障检测结果。
本申请实施例第二方面,提供了一种电力设备故障检测装置,该装置包括:
获取模块,用于获取原始图像数据集;
处理模块,用于对原始图像数据集进行类型划分,得到第一数据集和第二数据集,第一数据集中包括多个电力设备正常运行的图像数据,第二数据集中包括多个电力设备故障的图像数据;
处理模块,还用于对第二数据集进行数据增强,得到第二目标数据集;
训练模块,用于利用第一数据集训练预设的初始多尺度卷积神经网络模型,得到中间多尺度卷积神经网络模型;
训练模块,还用于利用第一数据集和第二目标数据集训练中间多尺度卷积神经网络模型,得到目标多尺度卷积神经网络模型;
检测模块,用于将实时采集的电力设备图像输入至目标多尺度卷积神经网络模型中,得到电力设备的故障检测结果。
本申请实施例第三方面,提供了一种电子设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时实现本申请实施例第一方面中的电力设备故障检测方法。
本申请实施例第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本申请实施例第一方面中的电力设备故障检测方法。
本申请实施例提供的技术方案带来的有益效果至少包括:
本申请实施例提供的电力设备故障检测方法,通过获取原始图像数据集,并对原始图像数据集进行类型划分,得到第一数据集和第二数据集,第一数据集中包括多个电力设备正常运行的图像数据,第二数据集中包括多个电力设备故障的图像数据,然后对第二数据集进行数据增强,得到第二目标数据集,以及利用第一数据集训练预设的初始多尺度卷积神经网络模型,得到中间多尺度卷积神经网络模型,利用第一数据集和第二目标数据集训练中间多尺度卷积神经网络模型,得到目标多尺度卷积神经网络模型;最后将实时采集的电力设备图像输入至目标多尺度卷积神经网络模型中,得到电力设备的故障检测结果,这样,使用具有不同感受野的卷积核可以提取不同尺度的图像特征,采用多尺度卷积神经网络作为深度学习模型,同时采用数据增强和迁移学习,提高了电力场景训练数据类别不平衡时的泛化能力,因此可以提高电力设备的故障检测精度和检测效率,进而能有效地对电力设备进行故障检测,根据检测结果,可以及时对电力故障设备进行安全检修,增加了电力物联网的安全性。
附图说明
图1为本申请实施例提供的一种电力设备故障检测方法的流程图一;
图2为本申请实施例提供的一种多尺度卷积神经网络模型的模型结构的示意图;
图3为本申请实施例提供的一种电力设备故障检测方法的流程图二;
图4为本申请实施例提供的一种电力设备故障检测装置的结构图;
图5为本申请实施例提供的一种电子设备的内部结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,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。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动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。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
另外,“基于”或“根据”的使用意味着开放和包容性,因为“基于”或“根据”一个或多个条件或值的过程、步骤、计算或其他动作在实践中可以基于额外条件或超出的值。
随着电力系统的快速发展,电力系统运行的稳定性变得更加重要。在智能电网下,一旦电力设备出现故障,将极大地影响电力系统的安全和供电的稳定性。而电力设备长期受气候等外界环境因素的影响,容易出现故障,因此需要定期对电力设备进行检查和维护,以保证供电系统的正常运行。图像目标检测技术是根据图像的视觉内容检测出图像中感兴趣的目标并确定他们的类别和位置,该技术广泛存在于一些与海量图像数据相关的领域。
电力设备的故障由电力设备的类型、故障位置、故障程度等因素决定,其故障分布也不同。因此,基于图像的目标检测技术非常适用于电力设备的故障检测。通过分析电力设备表面的故障分布信息,可以发现电力设备潜在的隐患和故障,并对故障的严重程度进行定量判断。但目前基于图像目标检测方法在检测电力设备故障时存在检测精度较低和检测效率较低的问题。
基于上述问题,本申请实施例提供了一种电力设备故障检测方法,通过使用具有不同感受野的卷积核可以提取不同尺度的图像特征,采用多尺度卷积神经网络作为深度学习模型,同时采用数据增强和迁移学习,提高了电力场景训练数据类别不平衡时的泛化能力,因此可以提高电力设备的故障检测精度和检测效率,进而能有效地对电力设备进行故障检测,根据检测结果,可以及时对电力故障设备进行安全检修,增加了电力物联网的安全性。
如图1所示,本申请实施例提供了一种电力设备故障检测方法流程图,具体包括以下步骤:
步骤101、获取原始图像数据集,并对原始图像数据集进行类型划分,得到第一数据集和第二数据集。
其中,第一数据集中包括多个电力设备正常运行的图像数据,第二数据集中包括多个电力设备故障的图像数据,第一数据集的数据量大于第二数据集的数据量。在实际中,第一数据集的数据量和第二数据集的数据量的数据量比例约为。
步骤102、对第二数据集进行数据增强,得到第二目标数据集。
可选的,利用数据增强对第二数据集中的图像进行过采样,并将过采样结果增加至第二数据集中,得到第二目标数据集,其中,数据增强包括:图像旋转、图像翻转和图像灰度变化。
在实际执行过程中,使用数据增强方法对每一个第二数据集进行过采样,将过采样结果增加至第二数据集中,直至第一数据集的数据量和第二数据集的数据量的比例约为1,这样达到类均衡。
数据增强方法为从旋转、翻转、灰度变换中随机选择一项对第二数据集进行处理,并添加随机高斯噪声。
设第二数据集中的数据点图像坐标为,旋转后的图像坐标为/>,翻转后的图像坐标为/>,图像宽为/>,高为/>,旋转角度为/>,翻转方式为同时进行水平翻转和垂直翻转,/>为样本数据点的原始灰度级,/>为灰度变换后样本数据点灰度级,/>为灰度变换常数,1034灰度变换方式采用对数变换。
具体的,旋转角度从/>中随机选择,翻转方式为同时进行水平翻转和垂直翻转,灰度变换方式采用对数变换,灰度变换常数c设为1.2。
步骤103、利用第一数据集训练预设的初始多尺度卷积神经网络模型,得到中间多尺度卷积神经网络模型。
可选的,多尺度卷积神经网络模型包括特征提取网络、多尺度卷积网络和全连接网络;利用第一数据集训练预设的初始多尺度卷积神经网络模型之前,方法还包括:初始化特征提取网络、多尺度卷积网络和全连接网络,得到初始化多尺度卷积神经网络模型;
对应的,利用第一数据集训练预设的初始多尺度卷积神经网络模型,包括:利用第一数据集训练初始化多尺度卷积神经网络模型。
其中,图2为多尺度卷积神经网络模型的模型结构,特征提取网络接收原始图像数据输入,通过两个低级卷积处理层(一个卷积处理层包括一个卷积层和一个池化层),称为,提取图像的一般特征并发送到多尺度卷积网络。多尺度卷积网络包括三个不同卷积尺度的并行分支卷积层和一个分支连结层以及一个卷积核为/>的卷积处理层,其中,三个不同卷积尺度的并行分支卷积层依照卷积核大小分为低尺度分支、中尺度分支、高尺度分支,每个分支包括三个卷积处理层,同一分支下采用的卷积核尺度相同,低尺度分支称为/>,/>,/>,中尺度分支称为/>,/>,,高尺度分支称为/>,/>,/>,分支连结层用于连结三个分支的输出,/>卷积处理层称为/>,其输出发送到全连接网络。全连接网络包括三个串联的全连接层,分别称为/>,其中/>接受多尺度卷积网络的输出作为输入,输出/>维度的数据,/>接受/>的输出作为输入,输出/>维度的数据,/>接受/>的输出作为输入,输出网络对输入图像数据的预测类别概率,并选择概率最大的类别作为预测类别。
其中,的卷积核大小为/>,输出通道数为64;/>的卷积核大小为/>,输出通道数为128;/>的卷积核大小为/>,输出通道数分别为256、512、512;的卷积核大小为/>,输出通道数分别为256、512、512;/>的卷积核大小为/>,输出通道数分别为256、512、512,/>的输出通道数为256。
可选的,上述步骤103的过程可以为:将第一数据集作为训练集,并采用小批量梯度下降算法训练初始化多尺度卷积神经网络模型,直至初始化多尺度卷积神经网络模型达到预设的迭代次数或者初始化多尺度卷积神经网络模型收敛,则得到中间多尺度卷积神经网络模型。
具体的,配置初始化多尺度卷积神经网络模型的训练参数,训练参数包括迭代次数、小批量采样大小和模型参数学习率;
基于第一数据集和初始化多尺度卷积神经网络模型执行至少一个迭代操作,直至初始化多尺度卷积神经网络模型达到预设的迭代次数或者初始化多尺度卷积神经网络模型收敛,得到中间多尺度卷积神经网络模型;迭代操作包括:对第一数据集进行小批量随机采集,得到采样的小批量数据集;将小批量数据集输入至初始化多尺度卷积神经网络模型,得到对应的预测类别概率;根据小批量数据集对应的真实类别标签和对应的预测类别概率计算初始化多尺度卷积神经网络模型的损失函数,并根据损失函数对多尺度卷积神经网络模型的模型参数进行更新。
在实际执行过程中,如图3所示,上述步骤103的执行过程可以为:
步骤1031、设定训练参数。包括迭代次数,小批量采样大小/>,模型参数学习率/>。其中,小批量大小size设为32,学习率lr设为0.0003,迭代次数epoch设为100。
步骤1032、对第一数据集进行小批量随机采样。每次采样大小为,采样的小批量数据集为/>。
步骤1033、将小批量数据集D输入多尺度卷积神经网络,得到预测类别概率后计算损失函数。
损失函数使用交叉熵损失函数LOSS,表示输入图像的第i个真实类别标签,/>是输入图像对应模型的第i个概率预测,C是总类别数:
步骤1034、根据损失函数对模型参数进行更新。
设模型原参数为,更新后的模型参数为/>,学习率为/>,参数更新过程为:
步骤1035:循环执行步骤1032到步骤1034,直到达到迭代次数为次或模型收敛。循环执行步骤1032到步骤1034执行22次后,交叉熵损失函数值为0.67,模型收敛。
步骤1036:保存模型。本地保存训练好的一阶段多尺度卷积神经网络模型结构和参数,得到中间多尺度卷积神经网络模型。
步骤104、利用第一数据集和第二目标数据集训练中间多尺度卷积神经网络模型,得到目标多尺度卷积神经网络模型。
可选的,上述步骤104的过程可以为:
加载中间多尺度卷积神经网络模型,并利用高斯分布随机初始化中间多尺度卷积神经网络模型的最后一个全连接层;
利用第一数据集和第二目标数据集训练中间多尺度卷积神经网络模型,直至中间多尺度卷积神经网络模型收敛或者中间多尺度卷积神经网络模型的训练次数达到预测次数,则得到目标多尺度卷积神经网络模型。
在实际执行过程中,上述步骤104的过程可以为:
加载一阶段多尺度卷积神经网络模型,并使用高斯分布随机初始化最后一个用作分类器的全连接层FC15。
使用类均衡数据集训练二阶段的多尺度卷积神经网络模型,除数据集不同外训练方式与步骤1031到步骤1035相同。其中,类均衡数据集为第一数据集和第二目标数据集组成的数据集。具体的,本次训练中,小批量大小size设为32,学习率lr设为0.0005,迭代次数epoch设为100。模型在8次迭代时,交叉熵损失函数为0.62,模型收敛。
本地保存训练好的二阶段多尺度卷积神经网络模型结构和参数,得到目标多尺度卷积神经网络模型。
步骤105、将实时采集的电力设备图像输入至目标多尺度卷积神经网络模型中,得到电力设备的故障检测结果。
将多个实时采集的电力设备图像输入至目标多尺度卷积神经网络模型中,得到每个电力设备图像对应的电力设备的运行正常概率和故障概率,根据运行正常概率和故障概率确定电力设备的故障检测结果。
在实际执行过程中,将实时采集的电力设备图像输入至目标多尺度卷积神经网络模型后,目标多尺度卷积神经网络模型输出该电力设备图像对应的运行正常概率和故障概率,若运行正常概率大于预设阈值,则确定该电力设备图像对应的电力设备运行正常,若故障概率大于预设阈值,则确定该电力设备图像对应的电力设备出现故障。需要说明的是,由于原始图像集中包括多个多种电力设备图像,因此,该目标多尺度卷积神经网络模型可以根据实时采集的多种电力设备图像,识别多种电力设备是否存在故障。
此外,在进行执行电力设备故障检测任务,还可以对目标多尺度卷积神经网络模型的性能测试。
测试指标包括准确率accuracy、精确率precision、召回率recall,F1分数f1- score。设分类正确的正例数为TP,分类错误的反例数为FN,分类错误的正例数为FP,分类正确的反例数为TN,则各项测试指标的计算如下:
经过测试,目标多尺度卷积神经网络模型的各项测试指标为:准确率:0.9948,精确率:0.9936,召回率:0.9970,F1分数:0.9952。
本申请实施例提供的电力设备故障检测方法,通过获取原始图像数据集,并对原始图像数据集进行类型划分,得到第一数据集和第二数据集,第一数据集中包括多个电力设备正常运行的图像数据,第二数据集中包括多个电力设备故障的图像数据,然后对第二数据集进行数据增强,得到第二目标数据集,以及利用第一数据集训练预设的初始多尺度卷积神经网络模型,得到中间多尺度卷积神经网络模型,利用第一数据集和第二目标数据集训练中间多尺度卷积神经网络模型,得到目标多尺度卷积神经网络模型;最后将实时采集的电力设备图像输入至目标多尺度卷积神经网络模型中,得到电力设备的故障检测结果,这样,使用具有不同感受野的卷积核可以提取不同尺度的图像特征,采用多尺度卷积神经网络作为深度学习模型,同时采用数据增强和迁移学习,提高了电力场景训练数据类别不平衡时的泛化能力,因此可以提高电力设备的故障检测精度和检测效率,进而能有效地对电力设备进行故障检测,根据检测结果,可以及时对电力故障设备进行安全检修,增加了电力物联网的安全性。
如图4所示,本申请实施例提供了一种电力设备故障检测装置,装置包括:
获取模块11,用于获取原始图像数据集;
处理模块12,用于对原始图像数据集进行类型划分,得到第一数据集和第二数据集,第一数据集中包括多个电力设备正常运行的图像数据,第二数据集中包括多个电力设备故障的图像数据;
处理模块12,还用于对第二数据集进行数据增强,得到第二目标数据集;
训练模块13,用于利用第一数据集训练预设的初始多尺度卷积神经网络模型,得到中间多尺度卷积神经网络模型;
训练模块13,还用于利用第一数据集和第二目标数据集训练中间多尺度卷积神经网络模型,得到目标多尺度卷积神经网络模型;
检测模块14,用于将实时采集的电力设备图像输入至目标多尺度卷积神经网络模型中,得到电力设备的故障检测结果。
在一个实施例中,处理模块12,具体用于:
利用数据增强对第二数据集中的图像进行过采样,并将过采样结果增加至第二数据集中,得到第二目标数据集,其中,数据增强包括:图像旋转、图像翻转和图像灰度变化。
在一个实施例中,多尺度卷积神经网络模型包括特征提取网络、多尺度卷积网络和全连接网络;训练模块13,还用于
初始化特征提取网络、多尺度卷积网络和全连接网络,得到初始化多尺度卷积神经网络模型;
对应的,训练模块13,具体用于:利用第一数据集训练初始化多尺度卷积神经网络模型。
在一个实施例中,训练模块13,具体用于:
将第一数据集作为训练集,并采用小批量梯度下降算法训练初始化多尺度卷积神经网络模型,直至初始化多尺度卷积神经网络模型达到预设的迭代次数或者初始化多尺度卷积神经网络模型收敛,则得到中间多尺度卷积神经网络模型。
在一个实施例中,训练模块13,具体用于:
配置初始化多尺度卷积神经网络模型的训练参数,训练参数包括迭代次数、小批量采样大小和模型参数学习率;
基于第一数据集和初始化多尺度卷积神经网络模型执行至少一个迭代操作,直至初始化多尺度卷积神经网络模型达到预设的迭代次数或者初始化多尺度卷积神经网络模型收敛,得到中间多尺度卷积神经网络模型;
迭代操作包括:对第一数据集进行小批量随机采集,得到采样的小批量数据集;
将小批量数据集输入至初始化多尺度卷积神经网络模型,得到对应的预测类别概率;
根据小批量数据集对应的真实类别标签和对应的预测类别概率计算初始化多尺度卷积神经网络模型的损失函数,并根据损失函数对多尺度卷积神经网络模型的模型参数进行更新。
在一个实施例中,训练模块13,具体用于:
加载中间多尺度卷积神经网络模型,并利用高斯分布随机初始化中间多尺度卷积神经网络模型的最后一个全连接层;
利用第一数据集和第二目标数据集训练中间多尺度卷积神经网络模型,直至中间多尺度卷积神经网络模型收敛或者中间多尺度卷积神经网络模型的训练次数达到预测次数,则得到目标多尺度卷积神经网络模型。
在一个实施例中,检测模块14,具体用于:
将多个实时采集的电力设备图像输入至目标多尺度卷积神经网络模型中,得到每个电力设备图像对应的电力设备的运行正常概率和故障概率,根据运行正常概率和故障概率确定电力设备的故障检测结果。
本实施例提供的电力设备故障检测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再多加赘述。关于电力设备故障检测装置的具体限定可以参见上文中对于电力设备故障检测方法的限定,在此不再赘述。
本申请实施例提供的电力设备故障检测方法的执行主体可以为电子设备,计算机设备、终端设备、服务器或服务器集群,本申请实施例对此不作具体限定。
图5为本申请实施例提供的一种电子设备的内部结构示意图。如图5所示,该电子设备包括通过系统总线连接的处理器和存储器。其中,该处理器用于提供计算和控制能力。存储器可包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行,以用于实现以上各个实施例提供的电力设备故障检测方法的步骤。内存储器为非易失性存储介质中的操作系统和计算机程序提供高速缓存的运行环境。
本领域技术人员可以理解,图5中示出电子设备的内部结构图,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本申请另一实施例中,还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如本申请实施例的电力设备故障检测方法的步骤。
本申请另一实施例中,还提供一种计算机程序产品,该计算机程序产品包括计算机指令,当计算机指令在服务器上运行时,使得电子设备执行上述方法实施例所示的方法流程中电力设备故障检测方法执行的各个步骤。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机执行指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digitalsubscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如,软盘、硬盘、磁带),光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (16)
1.一种电力设备故障检测方法,其特征在于,所述方法包括:
获取原始图像数据集,并对所述原始图像数据集进行类型划分,得到第一数据集和第二数据集,所述第一数据集中包括多个电力设备正常运行的图像数据,所述第二数据集中包括多个电力设备故障的图像数据,所述第一数据集的数据量大于所述第二数据集的数据量;
对所述第二数据集进行数据增强,得到第二目标数据集;
利用所述第一数据集训练预设的初始多尺度卷积神经网络模型,得到中间多尺度卷积神经网络模型;
利用所述第一数据集和所述第二目标数据集训练所述中间多尺度卷积神经网络模型,得到目标多尺度卷积神经网络模型;
将实时采集的电力设备图像输入至所述目标多尺度卷积神经网络模型中,得到所述电力设备的故障检测结果。
2.根据权利要求1所述的方法,其特征在于,所述对所述第二数据集进行数据增强,包括:
利用数据增强对所述第二数据集中的图像进行过采样,并将过采样结果增加至所述第二数据集中,得到所述第二目标数据集,其中,所述数据增强包括:图像旋转、图像翻转和图像灰度变化。
3.根据权利要求1所述的方法,其特征在于,所述多尺度卷积神经网络模型包括特征提取网络、多尺度卷积网络和全连接网络;所述利用所述第一数据集训练预设的初始多尺度卷积神经网络模型之前,所述方法还包括:
初始化所述特征提取网络、所述多尺度卷积网络和所述全连接网络,得到初始化多尺度卷积神经网络模型;
对应的,所述利用所述第一数据集训练预设的初始多尺度卷积神经网络模型,包括:
利用所述第一数据集训练所述初始化多尺度卷积神经网络模型。
4.根据权利要求3所述的方法,其特征在于,所述利用所述第一数据集训练预设的初始多尺度卷积神经网络模型,得到中间网络模型,包括:
将所述第一数据集作为训练集,并采用小批量梯度下降算法训练所述初始化多尺度卷积神经网络模型,直至所述初始化多尺度卷积神经网络模型达到预设的迭代次数或者所述初始化多尺度卷积神经网络模型收敛,则得到所述中间多尺度卷积神经网络模型。
5.根据权利要求4所述的方法,其特征在于,所述将所述第一数据集作为训练集,并采用小批量梯度下降算法训练所述初始化多尺度卷积神经网络模型,包括:
配置所述初始化多尺度卷积神经网络模型的训练参数,所述训练参数包括迭代次数、小批量采样大小和模型参数学习率;
基于所述第一数据集和所述初始化多尺度卷积神经网络模型执行至少一个迭代操作,直至所述初始化多尺度卷积神经网络模型达到预设的迭代次数或者所述初始化多尺度卷积神经网络模型收敛,得到所述中间多尺度卷积神经网络模型;
所述迭代操作包括:对所述第一数据集进行小批量随机采集,得到采样的小批量数据集;
将所述小批量数据集输入至所述初始化多尺度卷积神经网络模型,得到对应的预测类别概率;
根据所述小批量数据集对应的真实类别标签和对应的预测类别概率计算所述初始化多尺度卷积神经网络模型的损失函数,并根据所述损失函数对所述多尺度卷积神经网络模型的模型参数进行更新。
6.根据权利要求1所述的方法,其特征在于,所述利用所述第一数据集和所述第二目标数据集训练所述中间多尺度卷积神经网络模型,得到目标多尺度卷积神经网络模型,包括:
加载所述中间多尺度卷积神经网络模型,并利用高斯分布随机初始化所述中间多尺度卷积神经网络模型的最后一个全连接层;
利用所述第一数据集和所述第二目标数据集训练所述中间多尺度卷积神经网络模型,直至所述中间多尺度卷积神经网络模型收敛或者所述中间多尺度卷积神经网络模型的训练次数达到预测次数,则得到所述目标多尺度卷积神经网络模型。
7.根据权利要求1所述的方法,其特征在于,将实时采集的电力设备图像输入至所述目标多尺度卷积神经网络模型中,得到所述电力设备的故障检测结果,包括:
将多个实时采集的电力设备图像输入至所述目标多尺度卷积神经网络模型中,得到每个电力设备图像对应的电力设备的运行正常概率和故障概率,根据所述运行正常概率和所述故障概率确定所述电力设备的故障检测结果。
8.一种电力设备故障检测装置,其特征在于,所述装置包括:
获取模块,用于获取原始图像数据集;
处理模块,用于对所述原始图像数据集进行类型划分,得到第一数据集和第二数据集,所述第一数据集中包括多个电力设备正常运行的图像数据,所述第二数据集中包括多个电力设备故障的图像数据;
所述处理模块,还用于对所述第二数据集进行数据增强,得到第二目标数据集;
训练模块,用于利用所述第一数据集训练预设的初始多尺度卷积神经网络模型,得到中间多尺度卷积神经网络模型;
所述训练模块,还用于利用所述第一数据集和所述第二目标数据集训练所述中间多尺度卷积神经网络模型,得到目标多尺度卷积神经网络模型;
检测模块,用于将实时采集的电力设备图像输入至所述目标多尺度卷积神经网络模型中,得到所述电力设备的故障检测结果。
9.根据权利要求8所述的装置,其特征在于,所述处理模块具体用于:
利用数据增强对所述第二数据集中的图像进行过采样,并将过采样结果增加至所述第二数据集中,得到所述第二目标数据集,其中,所述数据增强包括:图像旋转、图像翻转和图像灰度变化。
10.根据权利要求8所述的装置,其特征在于,所述多尺度卷积神经网络模型包括特征提取网络、多尺度卷积网络和全连接网络;所述处理模块还用于:
初始化所述特征提取网络、所述多尺度卷积网络和所述全连接网络,得到初始化多尺度卷积神经网络模型;
对应的,所述训练模块具体用于:利用所述第一数据集训练所述初始化多尺度卷积神经网络模型。
11.根据权利要求8所述的装置,其特征在于,所述训练模块具体用于:
将所述第一数据集作为训练集,并采用小批量梯度下降算法训练所述初始化多尺度卷积神经网络模型,直至所述初始化多尺度卷积神经网络模型达到预设的迭代次数或者所述初始化多尺度卷积神经网络模型收敛,则得到所述中间多尺度卷积神经网络模型。
12.根据权利要求11所述的装置,其特征在于,所述训练模块具体用于:
配置所述初始化多尺度卷积神经网络模型的训练参数,所述训练参数包括迭代次数、小批量采样大小和模型参数学习率;
基于所述第一数据集和所述初始化多尺度卷积神经网络模型执行至少一个迭代操作,直至所述初始化多尺度卷积神经网络模型达到预设的迭代次数或者所述初始化多尺度卷积神经网络模型收敛,得到所述中间多尺度卷积神经网络模型;
所述迭代操作包括:对所述第一数据集进行小批量随机采集,得到采样的小批量数据集;
将所述小批量数据集输入至所述初始化多尺度卷积神经网络模型,得到对应的预测类别概率;
根据所述小批量数据集对应的真实类别标签和对应的预测类别概率计算所述初始化多尺度卷积神经网络模型的损失函数,并根据所述损失函数对所述多尺度卷积神经网络模型的模型参数进行更新。
13.根据权利要求8所述的装置,其特征在于,所述训练模块具体用于:
加载所述中间多尺度卷积神经网络模型,并利用高斯分布随机初始化所述中间多尺度卷积神经网络模型的最后一个全连接层;
利用所述第一数据集和所述第二目标数据集训练所述中间多尺度卷积神经网络模型,直至所述中间多尺度卷积神经网络模型收敛或者所述中间多尺度卷积神经网络模型的训练次数达到预测次数,则得到所述目标多尺度卷积神经网络模型。
14.根据权利要求8所述的装置,其特征在于,所述检测模块具体用于:
将多个实时采集的电力设备图像输入至所述目标多尺度卷积神经网络模型中,得到每个电力设备图像对应的电力设备的运行正常概率和故障概率,根据所述运行正常概率和所述故障概率确定所述电力设备的故障检测结果。
15.一种电子设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时实现权利要求1-7任一项所述的电力设备故障检测方法。
16.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的电力设备故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310935029.8A CN116704266B (zh) | 2023-07-28 | 2023-07-28 | 一种电力设备故障检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310935029.8A CN116704266B (zh) | 2023-07-28 | 2023-07-28 | 一种电力设备故障检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116704266A true CN116704266A (zh) | 2023-09-05 |
CN116704266B CN116704266B (zh) | 2023-10-31 |
Family
ID=87839448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310935029.8A Active CN116704266B (zh) | 2023-07-28 | 2023-07-28 | 一种电力设备故障检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116704266B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117409008A (zh) * | 2023-12-15 | 2024-01-16 | 华东交通大学 | 一种设备图像生成方法 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107421741A (zh) * | 2017-08-25 | 2017-12-01 | 南京信息工程大学 | 一种基于卷积神经网络的滚动轴承故障诊断方法 |
CN109918752A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 |
CN111259947A (zh) * | 2020-01-13 | 2020-06-09 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多模态学习的电力系统故障预警方法和系统 |
WO2020164270A1 (zh) * | 2019-02-15 | 2020-08-20 | 平安科技(深圳)有限公司 | 基于深度学习的行人检测方法、系统、装置及存储介质 |
WO2020169043A1 (zh) * | 2019-02-21 | 2020-08-27 | 苏州大学 | 一种密集人群计数的方法、装置、设备以及存储介质 |
US20200387785A1 (en) * | 2019-06-05 | 2020-12-10 | Wuhan University | Power equipment fault detecting and positioning method of artificial intelligence inference fusion |
CN112949823A (zh) * | 2021-02-05 | 2021-06-11 | 杭州电子科技大学 | 基于一维多尺度深度卷积神经网络的工业过程性能诊断方法 |
US20210190882A1 (en) * | 2019-12-10 | 2021-06-24 | Wuhan University | Transformer failure identification and location diagnosis method based on multi-stage transfer learning |
CN113674225A (zh) * | 2021-07-30 | 2021-11-19 | 南京信息工程大学 | 一种基于卷积神经网络的电力设备故障检测方法 |
US20210365342A1 (en) * | 2020-05-25 | 2021-11-25 | Wuhan University | Method and system for power equipment diagnosis based on windowed feature and hilbert visualization |
WO2021243838A1 (zh) * | 2020-06-03 | 2021-12-09 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
JP6980958B1 (ja) * | 2021-06-23 | 2021-12-15 | 中国科学院西北生態環境資源研究院 | 深層学習に基づく農村地域分けゴミ識別方法 |
WO2022077605A1 (zh) * | 2020-10-15 | 2022-04-21 | 青岛理工大学 | 一种风力机叶片图像损伤检测和定位方法 |
CN114492518A (zh) * | 2022-01-13 | 2022-05-13 | 北京科技大学 | 基于多尺度2d膨胀卷积网络的设备故障诊断方法及装置 |
CN114897103A (zh) * | 2022-06-13 | 2022-08-12 | 南京林业大学 | 一种基于近邻成分损失优化多尺度卷积神经网络的工业过程故障诊断方法 |
CN115016965A (zh) * | 2022-05-30 | 2022-09-06 | 广东电网有限责任公司 | 计量自动化主站的故障检测方法、装置、设备及存储介质 |
CN115165363A (zh) * | 2022-06-27 | 2022-10-11 | 西南交通大学 | 一种基于cnn的轻型轴承故障诊断方法及系统 |
CN115374810A (zh) * | 2022-07-22 | 2022-11-22 | 国家能源集团宿迁发电有限公司 | 基于动态可分离卷积神经网络的故障诊断方法及设备 |
CN115659258A (zh) * | 2022-11-10 | 2023-01-31 | 国网山东省电力公司德州供电公司 | 一种基于多尺度图卷积孪生网络的配电网故障检测方法 |
CN115713533A (zh) * | 2023-01-10 | 2023-02-24 | 佰聆数据股份有限公司 | 基于机器视觉的电力设备表面缺陷检测方法及装置 |
CN115830407A (zh) * | 2021-09-16 | 2023-03-21 | 上海电力大学 | 一种基于yolov4目标检测模型的电缆管线故障判别算法 |
WO2023092759A1 (zh) * | 2021-11-25 | 2023-06-01 | 浙江天铂云科光电股份有限公司 | 基于温度视觉的智能检测方法、装置及电子设备 |
-
2023
- 2023-07-28 CN CN202310935029.8A patent/CN116704266B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107421741A (zh) * | 2017-08-25 | 2017-12-01 | 南京信息工程大学 | 一种基于卷积神经网络的滚动轴承故障诊断方法 |
WO2020164270A1 (zh) * | 2019-02-15 | 2020-08-20 | 平安科技(深圳)有限公司 | 基于深度学习的行人检测方法、系统、装置及存储介质 |
WO2020169043A1 (zh) * | 2019-02-21 | 2020-08-27 | 苏州大学 | 一种密集人群计数的方法、装置、设备以及存储介质 |
CN109918752A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 |
US20200387785A1 (en) * | 2019-06-05 | 2020-12-10 | Wuhan University | Power equipment fault detecting and positioning method of artificial intelligence inference fusion |
US20210190882A1 (en) * | 2019-12-10 | 2021-06-24 | Wuhan University | Transformer failure identification and location diagnosis method based on multi-stage transfer learning |
CN111259947A (zh) * | 2020-01-13 | 2020-06-09 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多模态学习的电力系统故障预警方法和系统 |
US20210365342A1 (en) * | 2020-05-25 | 2021-11-25 | Wuhan University | Method and system for power equipment diagnosis based on windowed feature and hilbert visualization |
WO2021243838A1 (zh) * | 2020-06-03 | 2021-12-09 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
US20220327035A1 (en) * | 2020-06-03 | 2022-10-13 | Soochow University | Intra-class adaptation fault diagnosis method for bearing under variable working conditions |
WO2022077605A1 (zh) * | 2020-10-15 | 2022-04-21 | 青岛理工大学 | 一种风力机叶片图像损伤检测和定位方法 |
CN112949823A (zh) * | 2021-02-05 | 2021-06-11 | 杭州电子科技大学 | 基于一维多尺度深度卷积神经网络的工业过程性能诊断方法 |
JP6980958B1 (ja) * | 2021-06-23 | 2021-12-15 | 中国科学院西北生態環境資源研究院 | 深層学習に基づく農村地域分けゴミ識別方法 |
CN113674225A (zh) * | 2021-07-30 | 2021-11-19 | 南京信息工程大学 | 一种基于卷积神经网络的电力设备故障检测方法 |
CN115830407A (zh) * | 2021-09-16 | 2023-03-21 | 上海电力大学 | 一种基于yolov4目标检测模型的电缆管线故障判别算法 |
WO2023092759A1 (zh) * | 2021-11-25 | 2023-06-01 | 浙江天铂云科光电股份有限公司 | 基于温度视觉的智能检测方法、装置及电子设备 |
CN114492518A (zh) * | 2022-01-13 | 2022-05-13 | 北京科技大学 | 基于多尺度2d膨胀卷积网络的设备故障诊断方法及装置 |
CN115016965A (zh) * | 2022-05-30 | 2022-09-06 | 广东电网有限责任公司 | 计量自动化主站的故障检测方法、装置、设备及存储介质 |
CN114897103A (zh) * | 2022-06-13 | 2022-08-12 | 南京林业大学 | 一种基于近邻成分损失优化多尺度卷积神经网络的工业过程故障诊断方法 |
CN115165363A (zh) * | 2022-06-27 | 2022-10-11 | 西南交通大学 | 一种基于cnn的轻型轴承故障诊断方法及系统 |
CN115374810A (zh) * | 2022-07-22 | 2022-11-22 | 国家能源集团宿迁发电有限公司 | 基于动态可分离卷积神经网络的故障诊断方法及设备 |
CN115659258A (zh) * | 2022-11-10 | 2023-01-31 | 国网山东省电力公司德州供电公司 | 一种基于多尺度图卷积孪生网络的配电网故障检测方法 |
CN115713533A (zh) * | 2023-01-10 | 2023-02-24 | 佰聆数据股份有限公司 | 基于机器视觉的电力设备表面缺陷检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
杨洁;陈灵娜;林颖;陈宇韶;陈俊熹;: "基于卷积网络的视频目标检测", 南华大学学报(自然科学版), no. 04 * |
翟正利;孙霞;周炜;梁振明;: "基于全卷积神经网络的多目标显著性检测", 计算机技术与发展, no. 08 * |
颉潭成;陈孟会;徐彦伟;李先锋;: "卷积神经网络在轴承故障识别的应用", 制造业自动化, no. 01 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117409008A (zh) * | 2023-12-15 | 2024-01-16 | 华东交通大学 | 一种设备图像生成方法 |
CN117409008B (zh) * | 2023-12-15 | 2024-03-22 | 华东交通大学 | 一种设备图像生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116704266B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492674B (zh) | 用于目标检测的ssd框架的生成方法及装置 | |
CN116704266B (zh) | 一种电力设备故障检测方法、装置、设备及存储介质 | |
CN111145076B (zh) | 数据并行化处理方法、系统、设备及存储介质 | |
CN111695620B (zh) | 一种电力系统时间序列异常数据检测与修正方法及系统 | |
CN113065525B (zh) | 年龄识别模型训练方法、人脸年龄识别方法及相关装置 | |
CN113377909B (zh) | 释义分析模型训练方法、装置、终端设备及存储介质 | |
CN114048468A (zh) | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 | |
CN111444807A (zh) | 目标检测方法、装置、电子设备和计算机可读介质 | |
CN116167010A (zh) | 具有智能迁移学习能力的电力系统异常事件快速识别方法 | |
CN115439708A (zh) | 一种图像数据处理方法和装置 | |
CN115062779A (zh) | 基于动态知识图谱的事件预测方法及装置 | |
CN114511756A (zh) | 基于遗传算法的攻击方法、装置及计算机程序产品 | |
CN108595381B (zh) | 健康状态评价方法、装置及可读存储介质 | |
CN112631898A (zh) | 基于cnn-svm的软件缺陷预测方法 | |
CN116754213A (zh) | 一种基于强噪声背景下的电动闸阀故障诊断方法、装置及设备 | |
Lou et al. | Network robustness prediction: Influence of training data distributions | |
CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
CN112859034B (zh) | 自然环境雷达回波幅度模型分类方法和装置 | |
CN116203525B (zh) | 一种基于rcs滑动排列熵的空间目标识别方法和装置 | |
CN114928477B (zh) | 一种网络入侵检测方法、装置、可读存储介质及终端设备 | |
CN111860573B (zh) | 模型训练方法、图像类别检测方法、装置和电子设备 | |
CN117671273A (zh) | 基于局部约束网络的合成孔径雷达图像抗噪识别方法及系统 | |
CN117640231A (zh) | Web请求的异常检测方法、装置、服务器及存储介质 | |
CN117743859A (zh) | 工业分析模型的训练方法、使用方法及介质 | |
CN116866202A (zh) | 网络流量预测方法和装置及存储介质 |
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 |