CN117110775A - 一种基于卷积特征和时序特征融合的电缆单缺陷定位方法 - Google Patents
一种基于卷积特征和时序特征融合的电缆单缺陷定位方法 Download PDFInfo
- Publication number
- CN117110775A CN117110775A CN202310306751.5A CN202310306751A CN117110775A CN 117110775 A CN117110775 A CN 117110775A CN 202310306751 A CN202310306751 A CN 202310306751A CN 117110775 A CN117110775 A CN 117110775A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- single defect
- time sequence
- convolution
- cable single
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 65
- 230000004927 fusion Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 11
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000001453 impedance spectrum Methods 0.000 claims description 2
- 230000008447 perception Effects 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001566 impedance spectroscopy Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/083—Locating faults in cables, transmission lines, or networks according to type of conductors in cables, e.g. underground
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Locating Faults (AREA)
Abstract
本发明属于电力设备状态监测与故障诊断技术领域,尤其涉及一种基于卷积特征和时序特征融合的电缆单缺陷定位方法,包括以下步骤:S1、模拟生成一系列带标签的训练数据;S2、构建基于卷积神经网络的特征提取模型;S3、构建基于长短时记忆网络的特征提取模型;S4、将空间特征与时序特征进行融合;S5、提出一种均方误差与平滑绝对平均误差加权的损失函数;S6、通过损失的反向传播更新模型参数,直至完成模型的训练,建立对应的电缆单缺陷定位模型。本发明提出一种基于卷积特征和时序特征融合的电缆单缺陷定位方法。该方法利用卷积神经网络和长短时记忆网络,对带标记的训练数据进行学习,最终将其回归于缺陷的具体位置。
Description
技术领域
本发明属于电力设备状态监测与故障诊断技术领域,尤其涉及一种基于卷积特征和时序特征融合的电缆单缺陷定位方法。
背景技术
基于宽频阻抗谱的电缆缺陷定位技术已广泛应用于电缆缺陷检测与定位。目前没有基于卷积神经网络和长短时记忆循环神经网络特征融合的电缆单缺陷定位方法。所谓电缆单缺陷,是指在待测电缆中,只有一处发生了缺陷,在实现定位的过程中,需要对采集的数据进行人工判断,对操作人员的工程经验要求较高,特别地,当信号受噪声干扰较大时,容易出现缺陷漏检及错检等情况,随着深度学习理论与技术的发展,基于深度卷积和循环神经网络的缺陷定位方法获得较大发展,但目前该方法多用于基于图像的缺陷检测,还未有基于电缆缺陷的检测及定位方法。
对此,提出一种基于卷积特征和时序特征融合的电缆单缺陷定位方法。
发明内容
为了解决或者改善(解决的问题)问题,本发明提供了一种基于卷积特征和时序特征融合的电缆单缺陷定位方法,具体技术方案如下:
本发明提供一种基于卷积特征和时序特征融合的电缆单缺陷定位方法,一种基于卷积特征和时序特征融合的电缆单缺陷定位方法,其特征在于,包括以下步骤:
S1、模拟生成一系列带标签的训练数据;
S2、构建基于卷积神经网络的特征提取模型,用以提取基于训练数据的空间特征;
S3、构建基于长短时记忆网络的特征提取模型,用以提取基于训练数据的时序特征;
S4、将空间特征与时序特征进行融合,并将其输入至全连接网络,以便进一步融合并优化特征,最终将其回归至缺陷发生的具体位置;
S5、提出一种均方误差与平滑绝对平均误差加权的损失函数,加强模型对异常值的稳定性;
S6、通过损失的反向传播更新模型参数,直至完成模型的训练,建立对应的电缆单缺陷定位模型。
优选的,所述标签包括单缺陷距电缆首端的具体位置。
优选的,S2中,建立基于1维向量数据的卷积神经网络CNN,所述卷积网络包括三个下采样卷积模块ConvDsp和两个通道融合卷积模块ConvCF。
优选的,所述下采样卷积模块包括一个卷积核尺度为3的卷积网络Conv、一个批归一化函数BatchNorm和一个非线性激活函数LeakReLU。
优选的,S4中,将空间特征与时序特征进行融合,包括针对电缆单缺陷定位的任务目标,设计基于卷积特征和时序特征融合的电缆单缺陷定位模型。
优选的,所述基于卷积特征和时序特征融合的电缆单缺陷定位模型主要包括一个深度卷积神经网络模块、一个长短时记忆网络模块以及一个多层感知机模块。
优选的,通过损失的反向传播更新模型参数,再通过循环迭代,判断是否达到收敛条件,从而判断是否完成训练。
本发明的有益效果为:
1、本发明提出一种基于卷积特征和时序特征融合的电缆单缺陷定位方法。该方法利用卷积神经网络和长短时记忆网络,对带标记的训练数据进行学习,通过从空间卷积维度和时序信号维度提取训练数据的特征向量,并将两个特征向量进行融合,再通过全连接网络进一步优化相关特征,最终将其回归于缺陷的具体位置。
2、通过融合卷积特征和时序特征,进一步提高模型对缺陷位置的定位精度。
3、通过构建加权的损失函数,进一步加强模型对异常值的稳定性,提高模型的收敛效率。
附图说明
图1是基于卷积特征和时序特征融合的电缆单缺陷定位模型;
图2是模型实现的逻辑框图;
图3是单缺陷电缆模型。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
为了解决(解决的问题)问题,提出如图1所示的一种基于卷积特征和时序特征融合的电缆单缺陷定位方法,一种基于卷积特征和时序特征融合的电缆单缺陷定位方法,其特征在于,包括以下步骤:
S1、模拟生成一系列带标签的训练数据;
S2、构建基于卷积神经网络的特征提取模型,用以提取基于训练数据的空间特征;
S3、构建基于长短时记忆网络的特征提取模型,用以提取基于训练数据的时序特征;
S4、将空间特征与时序特征进行融合,并将其输入至全连接网络,以便进一步融合并优化特征,最终将其回归至缺陷发生的具体位置;
S5、提出一种均方误差(MSE)与平滑绝对平均误差(SmoothL1)加权的损失函数,加强模型对异常值的稳定性;
S6、通过损失的反向传播更新模型参数,直至完成模型的训练,建立对应的电缆单缺陷定位模型。
作为本发明的具体实施方式,电缆单缺陷模型如图1所示。当电缆发生局部缺陷时会形成阻抗不连续点,根据行波理论,行波在电缆中传输时会发生一系列的折反射,电缆首端反射系数也会发生相应的改变。利用相关理论,可以模拟出单缺陷发生在电缆不同位置时的反射信号幅值,并构建用于模型训练和测试的数据集。其中,l为整个待电缆的长度,l1为缺陷首端距电缆首端距离,l2为缺陷末端距电缆首端距离,Z0为电缆特性阻抗,Z1为电缆缺陷处的特性阻抗,ZL为负载阻抗;γ0为电缆传播常数,γ1为缺陷处的传播常数。
在建立相关数据集后,针对电缆单缺陷定位的任务目标,设计基于卷积特征和时序特征融合的电缆单缺陷定位模型,该模型主要由一个深度卷积神经网络模块(CNN),一个长短时记忆网络模块(LSTM)以及一个多层感知机模块(MLP)够成。模型各个模块的功能以及训练步骤如图1所述。
作为本发明的具体实施方式,构建基于宽频阻抗谱理论的训练及测试数据集。为了构造符合电缆单缺陷条件的数据集,在本发明实例中,搭建长度为1000米末端开路的电缆中间接头受潮缺陷仿真模型。为提高训练样本的随机性,训练集考虑随机生成1000个缺陷位置,缺陷长度为0.1米。其中用于训练的数据为800个,用于测试的数据为200个。用于训练和测试的输入向量Vinput的维度为(1×dinput),在本发明实例中,dinput=3000。
作为本发明的具体实施方式,建立基于1维向量数据的卷积神经网络CNN。该卷积网络由三个下采样卷积模块ConvDsp和两个通道融合卷积模块ConvCF组成。其中,下采样卷积模块由一个卷积核尺度为3的卷积网络Conv、一个批归一化函数BatchNorm和一个非线性激活函数LeakReLU组成。下采样卷积模块ConvDsp的作用是提升特征图的通道数nf,同时降低每个数据的特征数,当一个训练数据输入至一个下采样卷积后,其数据维度从(1×dinput)变为(nf×dinput/2),在本发明实例中,nf=16。通道融合卷积模块的结构与下采样卷积模块类似,只是其卷积网络的卷积核尺度为1。另外,通道融合卷积模块ConvCF的作用是对跨通道的信息进行交互,进一步增加不同特征图上信息的融合,提高特征信息的提取能力。相关的数学表达式如下:
F1=ConvDsp1(Vinput)
Fi=ConvDspi(Fi-1),i=2,3
M1=ConvCF1(F3)
M2=ConvCF2(M1)
Vcnn=ConvCF3(M3)
其中,Vinput为输入CNN卷积的输入向量;Fi为第i个下采样卷积模块ConvDspi生成的特征图;Mi为第i个下采样卷积模块ConvCFi生成的特征图;Vcnn是卷积神经网络输出的特征向量,在本发明实例中,Vcnn=(1,750)。
作为本发明的具体实施方式,建立长短时记忆网络LSTM。由于LSTM是一种典型的循环神经网络,其优势在于对序列数据进行处理。因此,可以利用循环神经网络,对输入向量Vinput进行处理,得到输出向量Vlstm,在本发明实例中,Vlstm=(1,750)。
将卷积特征序列Vcnn和时序特征序列进行连接,得到融合后的特征序列Vfusion,在本发明实例中,Vfusion=(1,1500)。
将融合后的特征序列Vfusion输入至多层感知网络MLP,并最终完成电缆缺陷距离的预测回归。MLP由三个全连接层构成,其作用是进一步融合、提取Vfusion向量中的特征信息,并完成回归任务,生成当次输入数据Vinput条件下的预测距离Ypredict。
Ypredict=MLPi(Vfusion),i=1,2,3
构建损失函数L1_smooth和L2,并根据数据的特征,合理分配两个函数的权重α和β,其中L1_smooth损失和L2损失,以及总损失的数学Ltotal的数学表达如下:
L2=|Ypredict-Ytarget|2
Ltotal=α×L1_smoth+β×L2
在上式中,Ytarget表示输入数据Vinput对应的缺陷真实位置。L1_smoth对于离群点更加鲁棒,相比于L2损失函数,其对离群点(指的是距离中心较远的点)、异常值不敏感。在本发明实例中,α=0.3和β=0.7
通过损失函数,计算出Ypredict与Ytarget的损失值,并将损失通过反向传播技术,更新三个网络模块的网络参数,完成一次迭代。
通过循环迭代,判断是否达到收敛条件,完成模型的训练。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的实施例中,应该理解到,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元可结合为一个单元,一个单元可拆分为多个单元,或一些特征可以忽略等。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (7)
1.一种基于卷积特征和时序特征融合的电缆单缺陷定位方法,其特征在于,包括以下步骤:
S1、利用宽频阻抗谱理论,模拟生成带标签的训练数据;
S2、构建基于卷积神经网络的特征提取模型,用以提取基于训练数据的空间特征;
S3、构建基于长短时记忆网络的特征提取模型,用以提取基于训练数据的时序特征;
S4、将空间特征和时序特征序列进行连接,得到融合后的特征序列;
S5、构建多层感知网络,将融合后的特征序列输入至多层感知网络,通过多层感知网络完成电缆缺陷距离的预测;
S6、构建多个损失函数,并根据数据的特征,合理分配多个函数的权重;
S7、通过损失函数计算出损失值,并将损失值通过反向传播技术,更新卷积神经网络的特征提取模型、长短时记忆网络的特征提取模型和多层感知网络的网络参数,完成一次迭代;
S8、通过循环迭代,判断是否达到收敛条件,当达到收敛条件时,得到最终电缆单缺陷预测模型。
2.根据权利要求1所述的一种基于卷积特征和时序特征融合的电缆单缺陷定位方法,其特征在于:所述标签包括单缺陷距电缆首端的具体位置。
3.根据权利要求1所述的一种基于卷积特征和时序特征融合的电缆单缺陷定位方法,其特征在于:构建基于卷积神经网络的特征提取模型包括:建立基于1维向量数据的卷积神经网络,所述卷积神经网络包括三个下采样卷积模块ConvDsp和两个通道融合卷积模块ConvCF。
4.根据权利要求3所述的一种基于卷积特征和时序特征融合的电缆单缺陷定位方法,其特征在于:所述下采样卷积模块包括:一个卷积核尺度为3的卷积网络Conv、一个批归一化函数BatchNorm和一个非线性激活函数LeakReLU。
5.根据权利要求1所述的一种基于卷积特征和时序特征融合的电缆单缺陷定位方法,其特征在于:将空间特征与时序特征进行融合包括:根据电缆单缺陷定位的任务目标,建立基于卷积特征和时序特征融合的电缆单缺陷定位模型。
6.根据权利要求5所述的一种基于卷积特征和时序特征融合的电缆单缺陷定位方法,其特征在于:所述基于卷积特征和时序特征融合的电缆单缺陷定位模型包括:一个深度卷积神经网络模块、一个长短时记忆网络模块以及一个多层感知机模块。
7.根据权利要求1所述的一种基于卷积特征和时序特征融合的电缆单缺陷定位方法,其特征在于,通过循环迭代,判断是否达到收敛条件,若未收敛,则继续循环迭代,若收敛,则完成训练,得到对应的电缆单缺陷预测模型为最终电缆单缺陷预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310306751.5A CN117110775A (zh) | 2023-03-27 | 2023-03-27 | 一种基于卷积特征和时序特征融合的电缆单缺陷定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310306751.5A CN117110775A (zh) | 2023-03-27 | 2023-03-27 | 一种基于卷积特征和时序特征融合的电缆单缺陷定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117110775A true CN117110775A (zh) | 2023-11-24 |
Family
ID=88800797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310306751.5A Pending CN117110775A (zh) | 2023-03-27 | 2023-03-27 | 一种基于卷积特征和时序特征融合的电缆单缺陷定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117110775A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117974658A (zh) * | 2024-03-29 | 2024-05-03 | 深圳市明谋科技有限公司 | 基于图像处理的线缆异常识别方法及系统 |
-
2023
- 2023-03-27 CN CN202310306751.5A patent/CN117110775A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117974658A (zh) * | 2024-03-29 | 2024-05-03 | 深圳市明谋科技有限公司 | 基于图像处理的线缆异常识别方法及系统 |
CN117974658B (zh) * | 2024-03-29 | 2024-06-11 | 深圳市明谋科技有限公司 | 基于图像处理的线缆异常识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Neural network-based information transfer for dynamic optimization | |
CN110074813B (zh) | 一种超声图像重建方法及系统 | |
Bontempi et al. | Local learning for iterated time series prediction | |
CN117110775A (zh) | 一种基于卷积特征和时序特征融合的电缆单缺陷定位方法 | |
CN116451514A (zh) | 桥梁结构状态评估方法、装置以及电子设备 | |
CN115114128A (zh) | 一种卫星健康状态评估系统及评估方法 | |
CN115983374A (zh) | 基于优化sa-cacgan的电缆局放数据库样本扩充方法 | |
CN116489038A (zh) | 网络流量的预测方法、装置、设备和介质 | |
CN113541985A (zh) | 物联网故障诊断方法、模型的训练方法及相关装置 | |
CN115034379A (zh) | 一种因果关系确定方法及相关设备 | |
CN114925270A (zh) | 一种会话推荐方法和模型 | |
CN109117352B (zh) | 服务器性能预测方法和装置 | |
CN111859241B (zh) | 一种基于声传递函数学习的非监督声源定向方法 | |
CN116700206B (zh) | 基于多模态神经网络的工业控制系统异常检测方法及装置 | |
CN113740671A (zh) | 一种基于vmd和elm的故障电弧识别方法 | |
CN112861670B (zh) | 一种输电线路金具检测方法及系统 | |
CN115618065A (zh) | 一种数据处理方法及相关设备 | |
CN115618735A (zh) | 基于数字孪生的设施结构健康监测方法及相关装置 | |
Luo et al. | A novel method for remaining useful life prediction of roller bearings involving the discrepancy and similarity of degradation trajectories | |
CN113033760B (zh) | 用于测试神经网络中算子精度的方法、测试装置及其系统 | |
Wu et al. | Privacy-preserving adaptive remaining useful life prediction via source free domain adaption | |
CN110286361A (zh) | 基于snr退化模型和粒子滤波的雷达发射机故障预测方法 | |
De Oliveira et al. | Data fusion strategies for improving resilience to sensor noise in cable-stayed tower monitoring | |
CN116577602A (zh) | 一种基于宽频阻抗谱和自注意力机制耦合的电缆缺陷定位方法 | |
Fu et al. | TRA-ACGAN: A motor bearing fault diagnosis model based on an auxiliary classifier generative adversarial network and transformer network |
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 |