CN117390407A - 变电站设备的故障识别方法、系统、介质和设备 - Google Patents

变电站设备的故障识别方法、系统、介质和设备 Download PDF

Info

Publication number
CN117390407A
CN117390407A CN202311710475.5A CN202311710475A CN117390407A CN 117390407 A CN117390407 A CN 117390407A CN 202311710475 A CN202311710475 A CN 202311710475A CN 117390407 A CN117390407 A CN 117390407A
Authority
CN
China
Prior art keywords
fault
network
equipment
image sample
new
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
Application number
CN202311710475.5A
Other languages
English (en)
Other versions
CN117390407B (zh
Inventor
李琮
任志刚
胥明凯
于光远
刘昭
刘春明
刘晓
韦良
张雨薇
王万国
惠晓龙
孙世颖
赵晓光
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.)
Institute of Automation of Chinese Academy of Science
Jinan Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
Institute of Automation of Chinese Academy of Science
Jinan Power Supply Co of State Grid Shandong 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 Institute of Automation of Chinese Academy of Science, Jinan Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN202311710475.5A priority Critical patent/CN117390407B/zh
Publication of CN117390407A publication Critical patent/CN117390407A/zh
Application granted granted Critical
Publication of CN117390407B publication Critical patent/CN117390407B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及智能变电站技术领域，公开一种变电站设备的故障识别方法、系统、介质和设备，包括：构建包括门控网络和多个不同的专家网络的故障识别模型，门控网络识别输入图像中的设备类别，经过门控网络分类后的输入图像根据识别出的设备类别输入对应的专家网络得到不同类别下的故障类别识别结果；当某一类别的设备出现新故障类别时，在该设备对应的专家网络的输出层新建一个神经元，结合新故障的图像样本、旧故障的图像样本和新故障对应的正常图像样本重新训练更新后的专家网络，实现对故障识别模型的实时更新。本发明可以分层对故障类别进行识别、实现整体模型的实时更新，在加快模型的识别速度的同时增加模型的准确率。

Description

变电站设备的故障识别方法、系统、介质和设备
技术领域
本发明涉及智能变电站技术领域，尤其是指一种变电站设备的故障识别方法、系统、介质和设备。
背景技术
随着智能变电站技术的不断发展，自主巡检机器人和基于可见光、红外、声纹信息的设备故障识别技术等都已取得了实际应用，但是随着类脑智能概念的提出，传统的基于数据驱动的识别技术已无法满足变电站智能化的新要求。一方面，新时代的变电站智能化巡检系统应该与人类一样，随时间推移在工作中不断进步和完善，实现一个从见习到专家的转变过程，但是现有的变电站系统的功能还是十分有限。另一方面，变电站故障识别技术作为变电站系统的一项基本功能，因变电站的故障存在表观不显著、不同设备以及故障之间差异性较大，训练样本少或不均衡，未知潜在故障不可预测等特点，变电站故障识别技术的发展进入了瓶颈期。
在对变电站故障进行识别时，可以模仿巡检人员从见习到专家的过程，将变电站巡检定义为一个发现异常、判断异常和学习异常的三阶段过程。发现异常属于异常检测（Anomaly Detection，AD）研究领域，可以在无负样本情况下通过学习正样本分布来判断有无异常，目前PaDiM和PatchCore等方法已经可以提供较好的解决方案。在判断异常的阶段，异常样本经过专家分析和研讨被合理归类，并作为后期模型的训练样本。在学习异常的阶段，通常利用新数据学习新的识别，增强机器的故障能力，实现一种终生或渐进学习的状态，属于类增量学习（Class-Incremental Learning，CIL）研究领域。
CIL研究如何在学习新知识过程中仍不忘记旧知识，其方法可归纳为以数据为核心、以算法为核心和以模型为核心的三大类。以数据为核心的方法通常为前面任务保留少量重要样本来减少遗忘。以算法为核心的方法通常采用“知识蒸馏”手段，先从旧网络中提炼知识，再将它们融合到新网络中，使新网络可以同时处理新旧任务。以模型为中心的方法为每类任务分配一个专家网络，学习新任务时，负责旧任务的网络不参与更新调整，可最大程度保留对过去知识的记忆。以模型为核心的方法目前有着最高的识别准确率，但是也有如何准确识别当前任务所属的专家网络的难点。
目前深度学习正逐渐朝大模型方向发展，传统卷积神经网络（ConvolutionalNeural Networks，CNN）和长短期记忆网络（Long Short-Term Memory，LSTM）正逐渐被拥有自注意力机制的模型取代。现有技术中有在自然语言处理研究中运用注意力机制的做法，通过对上下文依赖关系进行建模来提高模型在长文本理解和翻译方面的准确性。在图像方面，现有技术中也有在卷积神经网络中引入注意力机制，从空间、通道维度上建模空间和语义依赖关系，使在预测每一像素时都能考虑到空间和语义的上下文信息，实现更精准的分割能力。当前，也有越来越多的研究将注意力模型引入了变电站设备的检测中，但是，目前还没有专门针对变电站设备的故障识别模型，已有的模型可处理的故障类别非常少，对于故障特征不显著、正负样本不均衡、差异性较大的多类故障诊断无法实现准确识别；并且，现有的模型也不具备在线更新功能，每次面对新设备时都需要针对新设备、新故障重新设计模型和训练，效率低且整体识别率低。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中的不足，提供一种变电站设备的故障识别方法、系统、介质和设备，可以分层对故障类别进行识别、实现整体模型的实时更新，在加快模型的识别速度的同时增加模型的准确率。
为解决上述技术问题，本发明提供了一种变电站设备的故障识别方法，包括：
构建故障识别模型，所述故障识别模型包括设备识别层和故障识别层，所述故障识别层包括多个不同的专家网络；所述设备识别层为门控网络，用于识别输入图像中的设备类别；不同的专家网络分别对应所述门控网络识别出的不同的设备类别，经过所述门控网络分类后的输入图像根据识别出的设备类别输入对应的专家网络得到不同类别下的故障类别识别结果；
获取待识别变电站设备的图像并分为训练集和测试集，使用训练集训练所述故障识别模型得到训练完成的故障识别模型，将测试集输入训练完成的故障识别模型得到变电站设备的故障识别结果；
当某一类别的设备出现新故障类别时，在该设备对应的专家网络的输出层新建一个神经元，结合新故障的图像样本、旧故障的图像样本和新故障对应的正常图像样本重新训练更新后的专家网络。
在本发明的一个实施例中，所述门控网络包括残差模块、预处理模块、编码器、解码器和设备输出模块，
所述残差模块为预训练后的残差网络，用于提取输入图像的特征向量；预处理模块用于对所述特征向量进行标准化和非线性映射处理，编码器的输出后设置非线性激活函数ReLU，解码器的输出后设置非线性激活函数sigmod。
在本发明的一个实施例中，在训练所述故障识别模型中的门控网络时，损失函数为：
，
其中，为训练门控网络时的损失函数，x表示所述编码器的输入向量，/>表示所述解码器的输出向量，/>为编码器的输入向量的第i维分量，/>为解码器的输出向量的第i维分量。
在本发明的一个实施例中，所述编码器和解码器组成自动编码机，自动编码机的数量为已知的设备类别的数量；在将测试集输入训练完成的故障识别模型中的门控网络进行设备类别的识别时，所述设备输出模块的输出概率的计算方法为：
计算所述编码器的输入向量和所述解码器的输出向量间的欧氏距离作为重建误差：
，
其中，表示第i个自动编码机的重建误差，/>表示第i个自动编码机中编码器的输入向量，/>表示第i个自动编码机中解码器的输出向量，T表示转置操作；
将重建误差输入Softmax层，计算置信度为：
，
其中，为第i个自动编码机的重建误差的置信度，exp表示以自然常数e为底的指数函数，/>为温度值参数；
选择置信度中的最大值作为所述设备输出模块的输出概率。
在本发明的一个实施例中，当出现新的设备类别时，在所述门控网络中新增一个所述自动编码机，在所述故障识别层新增一个所述专家网络，重新训练更新后的故障识别模型。
在本发明的一个实施例中，所述专家网络包括残差网络模块、双通道注意力模块和故障输出模块，
所述残差网络模块为预训练后的修改的残差网络，用于提取输入图像的特征向量；所述修改的残差网络为去除最后两个下采样操作且在最后两个残差块中使用膨胀卷积操作的残差网络；
所述双通道注意力模块包括空间注意力机制和通道注意力机制，所述残差网络模块提取到的特征向量经过所述双通道注意力模块后得到最终的输出特征；
所述故障输出模块对所述最终的输出特征进行平均池化操作，得到用于故障类别识别的特征向量。
在本发明的一个实施例中，所述残差网络模块提取到的特征向量经过所述双通道注意力模块后得到最终的输出特征为：
X*=E+F，
其中，X*为所述最终的输出特征，E为所述空间注意力机制计算得到的空间特征，F为所述通道注意力机制计算得到的通道特征。
在本发明的一个实施例中，所述空间注意力机制计算得到的空间特征为：
，
其中，E为空间特征，是训练过程中的空间参数权重；记所述残差网络模块提取到的输入图像的特征向量为X，B为根据X重塑得到的二维矩阵，记X的维度为C×W×H，其中C表示通道维度、W表示空间维度中的宽度、H表示空间维度中的高度，B由W×H个C维列向量组成；S为空间注意力权重矩阵，/>；softmax( )表示softmax函数操作，T表示转置操作。
在本发明的一个实施例中，所述通道注意力机制后计算得到的通道特征为：
，
其中，F为通道特征，为训练过程中的通道参数权重，记所述残差网络模块提取到的输入图像的特征向量为X，D为根据X重塑得到的二维矩阵，记X的维度为C×W×H，其中C表示通道维度、W表示空间维度中的宽度、H表示空间维度中的高度，D由C个W×H维行向量组成；A为通道注意力权重矩阵，/>；softmax( )表示softmax函数操作，T表示转置操作。
在本发明的一个实施例中，所述结合新故障的图像样本、旧故障的图像样本和新故障对应的正常图像样本重新训练更新后的专家网络，具体为结合新故障的图像样本、旧故障的图像样本和新故障对应的正常图像样本建立总损失函数，所述总损失函数为：
，
其中，L为总损失函数，为根据新故障的图像样本建立的损失函数，/>为根据旧故障的图像样本建立的损失函数，/>为根据新故障对应的正常图像样本建立的损失函数，是平衡参数。
在本发明的一个实施例中，所述根据新故障的图像样本建立的损失函数，具体为：
，
其中，表示新故障的图像样本集合，i表示图像样本的索引，Index( )表示获得图像样本索引的操作，/>表示对第i个新故障的图像样本的新故障类别的标签的预测结果。
在本发明的一个实施例中，所述根据旧故障的图像样本建立的损失函数，具体为：
，
其中，表示旧故障的图像样本集合，i表示图像样本的索引，Index( )表示获得图像样本索引的操作，j和k是旧故障类别的标签索引，/>，/>，/>表示旧故障类别的总数；/>表示对第i个旧故障的图像样本的第j个故障类别的标签的预测结果，/>表示对第i个旧故障的图像样本的第k个故障类别的标签的预测结果。
在本发明的一个实施例中，所述根据新故障对应的正常图像样本建立的损失函数，具体为：
，
其中，表示新故障对应的正常图像样本集合，i表示图像样本的索引，Index( )表示获得图像样本索引的操作，/>表示对第i个新故障对应的正常图像样本的第j个故障类别的标签的预测结果，j是故障类别的标签索引，/>表示旧故障类别的总数。
本发明还提供了一种变电站设备的故障识别系统，包括：
故障识别模型构建模块，用于构建故障识别模型，所述故障识别模型包括设备识别层和故障识别层，所述故障识别层包括多个不同的专家网络；所述设备识别层为门控网络，用于识别输入图像中的设备类别；不同的专家网络分别对应所述门控网络识别出的不同的设备类别，经过所述门控网络分类后的输入图像根据识别出的设备类别输入对应的专家网络得到不同类别下的故障类别识别结果；
训练和测试模块，用于获取待识别变电站设备的图像并分为训练集和测试集，使用训练集训练所述故障识别模型得到训练完成的故障识别模型，将测试集输入训练完成的故障识别模型得到变电站设备的故障识别结果；
故障识别模型更新模块，用于当某一类别的设备出现新故障类别时，在该设备对应的专家网络的输出层新建一个神经元，结合新故障的图像样本、旧故障的图像样本和新故障对应的正常图像样本重新训练更新后的专家网络。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的变电站设备的故障识别方法。
本发明还提供了一种变电站设备的故障识别设备，包括存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的变电站设备的故障识别方法。
本发明的上述技术方案相比现有技术具有以下优点：
本发明通过设置包括设备识别层和故障识别层的两层结构的故障识别模型，先对待测变电站设备图片的设备类别进行识别再对不同设备类别下的故障类别进行识别，将过程从粗到细进行合理划分，从而加快模型的训练速度、增加模型的准确率；同时，本发明通过新建神经元实现对整体模型可识别故障类别的更新，无需对整体模型进行重新设计，可以进一步提高模型的识别效率和识别准确性。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中：
图1是本发明的整体结构示意图。
图2是本发明中故障识别模型的结构示意图。
图3是本发明中故障诊断机制的示意图。
图4是本发明中设备识别层的结构示意图。
图5是本发明中专家网络的结构示意图。
图6是本发明中专家网络中的残差网络模块的结构示意图。
图7是本发明中专家网络中的双通道注意力模块的结构示意图。
图8是本发明实施例中获取的仿真故障样本的示例图。
图9是本发明实施例中针对第一种裂纹故障的注意力权重矩阵的可视化图。
图10是本发明实施例中针对破损故障的注意力权重矩阵的可视化图。
图11是本发明实施例中针对锈蚀故障的注意力权重矩阵的可视化图。
图12是本发明实施例中针对第二种裂纹故障的注意力权重矩阵的可视化图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
实施例一
如图1的整体结构示意图所示，本发明公开了一种变电站设备的故障识别方法，包括：
S1：构建故障识别模型，所述故障识别模型包括设备识别层和故障识别层，输入图像依次经过所述设备识别层和故障识别层。所述设备识别层为门控网络，所述门控网络用于识别输入图像的设备类别。所述故障识别层包括多个不同的专家网络，每个专家网络分别对应所述设备识别层识别出的不同的设备类别；每个所述专家网络用于识别一种设备下的故障类别，经过所述设备识别层分类后的输入图像根据识别出的设备类别输入对应的专家网络，得到不同类别下的故障类别识别结果。
将故障识别任务直接代入CIL模型等现有的模型并不能给出较好的识别结果，原因有两方面：一方面，从设备分类到故障识别是一个由粗到细的分类识别过程，因此直接将两种任务混合在一起将引起整体分类器性能的下降。另一方面，如果直接为每一类故障分配一个专家网络会导致严重的存储器消耗，无法适应未来层出不穷的新增故障类别。因此本发明中对变电站设备进行故障诊断时，使用如图2所示的层级分类的设计原则，第一层是设备识别层，该层中设置故障诊断树，用于将故障按设备类别进行分类；第二层是故障识别层，故障识别层中设置有多个不同的专家网络，每个专家网络为基于深度残差网络模型的改进，每个专家网络对应一个设备识别层识别出的设备类别，即每一个专家网络作为子节点与所属的设备类别的父节点相连。图2中以设备识别层可以识别的设备类别为变压器、绝缘子、隔离开关和其他新设备为例，在识别了设备类别后再进行下一步的具体故障识别。
在实际应用中，故障识别模型由巡检领域的专家建立和维护，设备识别通过自动编码机模型实现。如图3所示，巡检时采集到的图像输入本发明中的故障识别模型时，先对图片进行设备识别起到门控作用，再调用相应的专家网络进行进一步的故障识别。图2中以设备识别层可以识别的设备类别为变压器、绝缘子、隔离开关为例，在识别了设备类别后再通过每个类别对应的专家网络进行下一步的具体故障识别。本发明以设备为单位建立设备识别和故障识别层，可以减少终生学习产生的“遗忘”问题。
如图4所示，所述门控网络包括残差模块、预处理模块、编码器、解码器和设备输出模块，输入图像依次经过所述残差模块、预处理模块、编码器、解码器和设备输出模块，具体过程为：
所述残差模块为预训练后的残差网络（Residual network，ResNet），用于提取输入图像的特征向量；预处理模块用于对所述特征向量进行标准化和非线性映射处理，本实施例中标准化包括去均值和除以标准差两步，非线性处理采用sigmod函数、将每一维的数据映射到[0,1]范围内；编码器、解码器均由一个全连接层组成，编码器的全连接层输出后设置非线性激活函数ReLU，解码器的全连接层输出后设置非线性激活函数sigmod。
在训练所述故障识别模型中的所述门控网络时，损失函数为：
，
其中，为训练门控网络时的损失函数，x表示所述编码器的输入向量，/>表示所述解码器的输出向量，/>为编码器的输入向量的第i维分量，/>为解码器的输出向量的第i维分量；当/>收敛或达到最大迭代次数停止训练设备识别层。
编码器和解码器组成一个自动编码机，自动编码机的数量为已知的设备类别的数量，为每一类设备都设置一个自动编码机用于重建测试输入，最后通过比较所有自动编码机的重建误差选择所适配的专家网络。在将测试集输入训练完成的故障识别模型中的门控网络进行设备类别的识别时，设备输出模块的输出概率的计算方法为：
计算编码器的输入向量和解码器的输出向量间的欧氏距离作为重建误差：
，
其中，表示第i个自动编码机的重建误差，/>表示第i个自动编码机中编码器的输入向量，/>表示第i个自动编码机中解码器的输出向量，T表示转置操作；
将重建误差输入Softmax层，计算置信度为：
，
其中，为第i个自动编码机的重建误差的置信度，/>为温度值参数，本实施例中/>取值为2，exp表示以自然常数e为底的指数函数，映射后的重建误差概率和为1。
选择置信度中的最大值作为所述设备输出模块的输出概率。本实施例中，当输出概率大于等于0.75时判断为已知设备，再根据输出概率的不同取值得到对应的设备识别结果、选择对应的专家网络进行下一步的故障识别。当输出概率小于0.75时判断为未知设备、即出现新的设备类别时，此时在门控网络中新增一个自动编码机，在故障识别层新增一个专家网络，使用相同的训练方法重新训练更新后的故障识别模型。
如图5所示，所述专家网络包括残差网络模块、双通道注意力模块和故障输出模块，经过所述设备识别层分类后的输入图像根据识别出的设备类别依次经过所述残差网络模块、双通道注意力模块和故障输出模块，具体过程为：
所述残差网络模块为预训练后的修改的残差网络，用于提取输入图像的特征向量；如图6所示，所述修改的残差网络为去除最后两个下采样操作且在最后两个残差块中使用膨胀卷积操作的残差网络（Residual network，ResNet）；本实施例中使用该残差网络模块进行特征向量的提取，可以将输出的特征尺寸变为输入图像的1/8，同时在不增加训练参数的情况下保留原图像上更多的细节；残差连接也可以有效防止梯度消散，使得网络更深、更容易被训练。
对某一类设备的故障识别属于细粒度分类任务，因此本发明通过增加双通道注意力模块来增强特征表达能力，使处理后的特征可以融合空间上下文和通道上下文的信息，从而提高识别的准确率。记所述残差网络模块提取到的的输入图像的特征向量为X，输入特征层的大小为C×W×H，其中C表示通道维度，W表示空间维度中的宽度，H表示空间维度中的高度；
如图7所示，所述双通道注意力模块包括空间注意力机制和通道注意力机制，分别负责空间注意力和通道注意力的计算。图7中的大写加粗字母表示三维特征层或重塑后的二维矩阵，大写斜体字母表示维度标量。空间注意力机制计算每一个位置和其它位置的特征相似性，进行相关性计算。在空间注意力的计算中，特征层首先被重塑成二维矩阵/>，矩阵B由N=W×H个C维列向量组成，计算其自相关矩阵/>，并用softmax函数进行归一化处理，得到一个N×N的空间注意力权重矩阵S。空间注意力权重矩阵S第i行的所有元素是对应矩阵B第i个列向量的注意力权重，通过乘积和求和运算可以为第i个列向量叠加空间其它位置的特征信息。因此经过所述空间注意力机制后计算得到的空间特征为：
，
其中，E为空间特征，；/>是训练过程中的空间参数权重，/>的初始值为0，训练过程中/>会逐渐增加并逐渐稳定；B为根据X重塑得到的二维矩阵，记X的维度为C×W×H，其中C表示通道维度、W表示空间维度中的宽度、H表示空间维度中的高度，B由W×H个C维列向量组成；S为空间注意力权重矩阵，/>，softmax( )表示softmax函数操作，T表示转置操作；
在通道注意力机制的计算中，特征层X被重塑成二维矩阵，矩阵D由C个N维行向量组成。按行向量计算相关矩阵，并用softmax函数进行归一化处理，即可得到一个C×C大小的通道注意力权重矩阵A。通道注意力权重矩阵A第i行的所有元素是对应矩阵D第i个行向量的注意力权重，通过乘积和求和运算可以为第i个行向量叠加不同语义的特征信息。因此经过所述通道注意力机制后计算得到的通道特征为：
，
其中，F为通道特征，；/>为训练过程中的通道参数权重，/>的初始值为0，训练过程中/>会逐渐增加并逐渐稳定；D为根据X重塑得到的二维矩阵，D由C个W×H维行向量组成；A为通道注意力权重矩阵，/>；
特征向量X经过所述双通道注意力模块后得到的最终的输出特征X*为重塑所述空间注意力机制计算得到的空间特征E和所述通道注意力机制计算得到的通道特征F后逐位相加的结果，计算方法为：
X*=E+F，
其中，X*为所述最终的输出特征，E为所述空间注意力机制计算得到的空间特征，F为所述通道注意力机制计算得到的通道特征；E和F为同型的三维（512×28×28）张量（tensor），与矩阵加法一样，E和F直接相加即可以得到X*。
所述故障输出模块对所述最终的输出特征X*进行平均池化操作，得到用于故障类别识别的特征向量，从而实现对故障类别的识别。
S2：获取待识别变电站设备的图像并分为训练集和测试集，使用训练集训练所述故障识别模型得到训练完成的故障识别模型；
S3：将测试集输入训练完成的故障识别模型得到变电站设备的故障识别结果。
专家网络的设计是多标签分类（Multi-label Classification）问题。当有某一类别的设备的出现新故障类别需要被学习时，在该设备对应的专家网络的输出层（即故障输出模块）增加一个神经元，重新训练更新后的专家网络，训练该神经元和位于该神经元之前的特征层（即双通道注意力模块）的连接权重，同时微调其它任务权重。本实施例中为每个神经元输出设置一个sigmod激活函数，其输出范围为[0,1]，用于二分类任务的预测，即是否可能包含此类故障，当所有标签输出接近为0时，表示当前测试图像为正常样本，当某一类标签输出接近1时，表示出现疑似故障。当出现新故障类别时，用于专家网络的训练结合新故障的图像样本、旧故障的图像样本和新故障对应的正常图像样本进行，可减少增量学习过程中的“遗忘”问题，并通过扩大类间间距，减小类内间距使整体识别准确率得以保持。
出现新故障类别时训练的损失函数结合新故障的图像样本、旧故障的图像样本和新故障对应的正常图像样本建立，具体为：
训练时使用的一个批次的样本包括新故障对应的正常图像样本（新故障对应的正常图像样本是指发生新故障的设备对应的该设备正常时的图像样本），旧故障的图像样本/>（旧故障的图像样本是指发生新故障的设备对应的该设备具有的旧故障的图像样本）和新故障的图像样本/>（新故障的图像样本是指发生新故障的设备对应的该设备的图像样本），定义故障类别的标签索引为/>之间的整数，其中第/>个表示新故障类别的标签索引，其余第/>个为旧故障类别的索引。Index( )为获得图像样本索引的操作，/>表示图像样本的索引。
根据新故障的图像样本建立采用二分类交叉熵形式的损失函数，具体为：
，
其中，表示新故障的图像样本集合，i表示图像样本的索引，Index( )表示获得图像样本索引的操作，/>表示对第i个新故障的图像样本的新故障类别的标签的预测结果。
根据旧故障的图像样本建立损失函数为：
，
其中，表示旧故障的图像样本集合，i表示图像样本的索引，Index( )表示获得图像样本索引的操作，j和k是旧故障类别的标签索引，/>，/>，/>表示旧故障类别的总数；/>表示对第i个旧故障的图像样本的第j个故障类别的标签的预测结果，/>表示对第i个旧故障的图像样本的第k个故障类别的标签的预测结果，是针对旧故障“遗忘”计算的惩罚项，具体为统计所有旧故障的图像样本/>输出的损失和，可以增加故障间的类间距；
根据新故障对应的正常图像样本建立损失函数为：
，
其中，表示新故障对应的正常图像样本集合，i表示图像样本的索引，Index( )表示获得图像样本索引的操作，/>表示对第i个新故障对应的正常图像样本的第j个故障类别的标签的预测结果，j是故障类别的标签索引，/>表示旧故障类别的总数；/>对正常图像样本/>在所有故障类别上产生的损失求和，可以增加正常样本与所有故障间的类间距。
结合建立训练时的总损失函数为：
，
其中，为根据新故障的图像样本建立的损失函数，/>为根据旧故障的图像样本建立的损失函数，/>为根据新故障对应的正常图像样本建立的损失函数，/>是平衡参数，本实施例中/>均设置为0.5。
实施例二
本发明还公开了一种变电站设备的故障识别系统，包括故障识别模型构建模块、训练和测试模块和故障识别模型更新模块。
故障识别模型构建模块用于构建故障识别模型，所述故障识别模型包括设备识别层和故障识别层，所述故障识别层包括多个不同的专家网络；所述设备识别层为门控网络，用于识别输入图像中的设备类别；不同的专家网络分别对应所述门控网络识别出的不同的设备类别，经过所述门控网络分类后的输入图像根据识别出的设备类别输入对应的专家网络得到不同类别下的故障类别识别结果。
训练和测试模块用于获取待识别变电站设备的图像并分为训练集和测试集，使用训练集训练所述故障识别模型得到训练完成的故障识别模型，将测试集输入训练完成的故障识别模型得到变电站设备的故障识别结果；
故障识别模型更新模块用于当某一类别的设备出现新故障类别时，在该设备对应的专家网络的输出层新建一个神经元，结合新故障的图像样本、旧故障的图像样本和新故障对应的正常图像样本重新训练更新后的专家网络。
实施例三
本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现实施例一中的变电站设备的故障识别方法。
实施例四
本发明还公开了一种变电站设备的故障识别设备，包括存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现实施例一中的变电站设备的故障识别方法。
本发明通过设置包括设备识别层和故障识别层的两层结构的故障识别模型，先对待测变电站设备图片的设备类别进行识别再对不同设备类别下的故障类别进行识别，将过程从粗到细进行合理划分，可以加快模型的训练速度，减少模型训练过程中因“遗忘”导致的准确率下降问题，增加模型的准确率。
本发明通过新建神经元和新建专家网络实现对整体模型可识别设备、故障类别的更新，无需对整体模型进行重新设计。模型具有自我更新能力，可处理未来不断出现的新设备、新故障识别问题，从而进一步提高模型的识别效率和识别准确性。
本发明在对设备识别层进行训练时使用的损失函数为二类交叉熵损失函数，在使用设备识别层进行设备类别识别时使用的是重建误差，可以增强模型对特征提取的能力，提高识别准确性。
本发明在进行故障类别的识别时，使用了结合空间注意力机制和通道注意力机制的双通道注意力模块，通过融合空间语义上下文信息增强对表观、逻辑等异常的理解与辨识，有效应对变电站设备故障显著性差、差异大的问题，增强模型对抽象故障类别的理解和对表观细微异常的辨识，从而进一步提高变电站设备的故障识别效果。
为了进一步说明本发明的有益效果，本实施例中以绝缘子故障为例，分别使用本发明方法和现有方法进行对比仿真实验。
首先，对专家网络的识别效果进行验证。选择一张绝缘子的正样本，然后人工模拟如图8所示的破损故障、锈蚀故障、裂纹故障，在一个设备上设置多个标签的做法更符合实际巡检背景，未来在故障识别、样本采集方面都可以方便对接。图8中（a）表示绝缘子的原始正样本、图8中（b）表示人工模拟出的故障类别为破损的样本、图8中（c）表示人工模拟出的故障类别为锈蚀的样本、图8中（d）表示人工模拟出的故障类别为裂纹的样本，所有故障均从图8中（a）的原始正样本衍生而来。
数据集中原始正样本数量为300，人工模拟破损故障、锈蚀故障、裂纹故障的样本数量分别为300，得到的样本总数为1200。将1200个样本分为测试集和训练集，训练集和测试集均包含原始正样本、破损故障样本、锈蚀故障样本、裂纹故障样本4类，训练集中每类样本数量为200，测试集中每类样本数量为100。为了保持模型的泛化能力，所有样本都随机打乱。
仿真实验中，测试集被进一步分为三个子集，用于三个阶段学习的验证。第一阶段只包含锈蚀和正样本，第二阶段包含锈蚀、破损和正样本，第三阶段包含所有故障和正样本，采用平均准确率来衡量模型性能。分别使用精调方法（Finetune）、使用本发明中的专家网络但不保留故障样例、使用无双通道注意力模块的本发明中的专家网络、使用本发明中的专家网络进行仿真实验，各个阶段的准确率如表1所示。
表1 不同方法在不同阶段的准确率表
。
从表1可以看出，本发明方法在三个阶段的故障识别准确率都是最高的。
最后，对双通道注意力模块在故障识别中的有效性进行验证。在故障区域内挑选一点并提取该点的注意力权重矩阵进行观察。图9-图12为四组测试结果。图9和图12分别为针对两种裂纹故障的注意力权重矩阵的可视化图，图10为针对破损故障的注意力权重矩阵的可视化图，图11为针对锈蚀故障的注意力权重矩阵的可视化图。图9-图12中的左侧图片为包含故障的原始图片，右侧图片为由注意力权重矩阵生成的热力图。从图9-图12可以看出，发生故障的位置权重与周边不同，即在最后的特征融合之前，已经可以在故障发生的位置增强相关区域的特征、抑制无关区域的特征，从而保证了识别的准确率。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (16)

1.一种变电站设备的故障识别方法，其特征在于，包括：
构建故障识别模型，所述故障识别模型包括设备识别层和故障识别层，所述故障识别层包括多个不同的专家网络；所述设备识别层为门控网络，用于识别输入图像中的设备类别；不同的专家网络分别对应所述门控网络识别出的不同的设备类别，经过所述门控网络分类后的输入图像根据识别出的设备类别输入对应的专家网络得到不同类别下的故障类别识别结果；
获取待识别变电站设备的图像并分为训练集和测试集，使用训练集训练所述故障识别模型得到训练完成的故障识别模型，将测试集输入训练完成的故障识别模型得到变电站设备的故障识别结果；
当某一类别的设备出现新故障类别时，在该设备对应的专家网络的输出层新建一个神经元，结合新故障的图像样本、旧故障的图像样本和新故障对应的正常图像样本重新训练更新后的专家网络。
2.根据权利要求1所述的变电站设备的故障识别方法，其特征在于：所述门控网络包括残差模块、预处理模块、编码器、解码器和设备输出模块，
所述残差模块为预训练后的残差网络，用于提取输入图像的特征向量；预处理模块用于对所述特征向量进行标准化和非线性映射处理，编码器的输出后设置非线性激活函数ReLU，解码器的输出后设置非线性激活函数sigmod。
3.根据权利要求2所述的变电站设备的故障识别方法，其特征在于：在训练所述故障识别模型中的门控网络时，损失函数为：
，
其中，为训练门控网络时的损失函数，x表示所述编码器的输入向量，/>表示所述解码器的输出向量，/>为编码器的输入向量的第i维分量，/>为解码器的输出向量的第i维分量。
4.根据权利要求2所述的变电站设备的故障识别方法，其特征在于：所述编码器和解码器组成自动编码机，自动编码机的数量为已知的设备类别的数量；在将测试集输入训练完成的故障识别模型中的门控网络进行设备类别的识别时，所述设备输出模块的输出概率的计算方法为：
计算所述编码器的输入向量和所述解码器的输出向量间的欧氏距离作为重建误差：
，
其中，表示第i个自动编码机的重建误差，/>表示第i个自动编码机中编码器的输入向量，/>表示第i个自动编码机中解码器的输出向量，T表示转置操作；
将重建误差输入Softmax层，计算置信度为：
，
其中，为第i个自动编码机的重建误差的置信度，exp表示以自然常数e为底的指数函数，/>为温度值参数；
选择置信度中的最大值作为所述设备输出模块的输出概率。
5.根据权利要求4所述的变电站设备的故障识别方法，其特征在于：当出现新的设备类别时，在所述门控网络中新增一个所述自动编码机，在所述故障识别层新增一个所述专家网络，重新训练更新后的故障识别模型。
6.根据权利要求1所述的变电站设备的故障识别方法，其特征在于：所述专家网络包括残差网络模块、双通道注意力模块和故障输出模块，
所述残差网络模块为预训练后的修改的残差网络，用于提取输入图像的特征向量；所述修改的残差网络为去除最后两个下采样操作且在最后两个残差块中使用膨胀卷积操作的残差网络；
所述双通道注意力模块包括空间注意力机制和通道注意力机制，所述残差网络模块提取到的特征向量经过所述双通道注意力模块后得到最终的输出特征；
所述故障输出模块对所述最终的输出特征进行平均池化操作，得到用于故障类别识别的特征向量。
7.根据权利要求6所述的变电站设备的故障识别方法，其特征在于：所述残差网络模块提取到的特征向量经过所述双通道注意力模块后得到最终的输出特征为：
X*=E+F，
其中，X*为所述最终的输出特征，E为所述空间注意力机制计算得到的空间特征，F为所述通道注意力机制计算得到的通道特征。
8.根据权利要求6所述的变电站设备的故障识别方法，其特征在于：所述空间注意力机制计算得到的空间特征为：
，
其中，E为空间特征，是训练过程中的空间参数权重；记所述残差网络模块提取到的输入图像的特征向量为X，B为根据X重塑得到的二维矩阵，记X的维度为C×W×H，其中C表示通道维度、W表示空间维度中的宽度、H表示空间维度中的高度，B由W×H个C维列向量组成；S为空间注意力权重矩阵，/>；softmax( )表示softmax函数操作，T表示转置操作。
9.根据权利要求6所述的变电站设备的故障识别方法，其特征在于：所述通道注意力机制后计算得到的通道特征为：
，
其中，F为通道特征，为训练过程中的通道参数权重，记所述残差网络模块提取到的输入图像的特征向量为X，D为根据X重塑得到的二维矩阵，记X的维度为C×W×H，其中C表示通道维度、W表示空间维度中的宽度、H表示空间维度中的高度，D由C个W×H维行向量组成；A为通道注意力权重矩阵，/>；softmax( )表示softmax函数操作，T表示转置操作。
10.根据权利要求1-9任一项所述的变电站设备的故障识别方法，其特征在于：所述结合新故障的图像样本、旧故障的图像样本和新故障对应的正常图像样本重新训练更新后的专家网络，具体为结合新故障的图像样本、旧故障的图像样本和新故障对应的正常图像样本建立总损失函数，所述总损失函数为：
，
其中，L为总损失函数，为根据新故障的图像样本建立的损失函数，/>为根据旧故障的图像样本建立的损失函数，/>为根据新故障对应的正常图像样本建立的损失函数，是平衡参数。
11.根据权利要求10所述的变电站设备的故障识别方法，其特征在于：所述根据新故障的图像样本建立的损失函数，具体为：
，
其中，表示新故障的图像样本集合，i表示图像样本的索引，Index( )表示获得图像样本索引的操作，/>表示对第i个新故障的图像样本的新故障类别的标签的预测结果。
12.根据权利要求10所述的变电站设备的故障识别方法，其特征在于：所述根据旧故障的图像样本建立的损失函数，具体为：
，
其中，表示旧故障的图像样本集合，i表示图像样本的索引，Index( )表示获得图像样本索引的操作，j和k是旧故障类别的标签索引，/>，/>，/>表示旧故障类别的总数；/>表示对第i个旧故障的图像样本的第j个故障类别的标签的预测结果，/>表示对第i个旧故障的图像样本的第k个故障类别的标签的预测结果。
13.根据权利要求10所述的变电站设备的故障识别方法，其特征在于：所述根据新故障对应的正常图像样本建立的损失函数，具体为：
，
其中，表示新故障对应的正常图像样本集合，i表示图像样本的索引，Index( )表示获得图像样本索引的操作，/>表示对第i个新故障对应的正常图像样本的第j个故障类别的标签的预测结果，j是故障类别的标签索引，/>表示旧故障类别的总数。
14.一种变电站设备的故障识别系统，其特征在于，包括：
故障识别模型构建模块，用于构建故障识别模型，所述故障识别模型包括设备识别层和故障识别层，所述故障识别层包括多个不同的专家网络；所述设备识别层为门控网络，用于识别输入图像中的设备类别；不同的专家网络分别对应所述门控网络识别出的不同的设备类别，经过所述门控网络分类后的输入图像根据识别出的设备类别输入对应的专家网络得到不同类别下的故障类别识别结果；
训练和测试模块，用于获取待识别变电站设备的图像并分为训练集和测试集，使用训练集训练所述故障识别模型得到训练完成的故障识别模型，将测试集输入训练完成的故障识别模型得到变电站设备的故障识别结果；
故障识别模型更新模块，用于当某一类别的设备出现新故障类别时，在该设备对应的专家网络的输出层新建一个神经元，结合新故障的图像样本、旧故障的图像样本和新故障对应的正常图像样本重新训练更新后的专家网络。
15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该计算机程序被处理器执行时实现如权利要求1-13任一项所述的变电站设备的故障识别方法。
16.一种变电站设备的故障识别设备，其特征在于：包括存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-13任一项所述的变电站设备的故障识别方法。
CN202311710475.5A 2023-12-13 2023-12-13 变电站设备的故障识别方法、系统、介质和设备 Active CN117390407B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311710475.5A CN117390407B (zh) 2023-12-13 2023-12-13 变电站设备的故障识别方法、系统、介质和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311710475.5A CN117390407B (zh) 2023-12-13 2023-12-13 变电站设备的故障识别方法、系统、介质和设备

Publications (2)

Publication Number Publication Date
CN117390407A true CN117390407A (zh) 2024-01-12
CN117390407B CN117390407B (zh) 2024-04-05

Family

ID=89470693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311710475.5A Active CN117390407B (zh) 2023-12-13 2023-12-13 变电站设备的故障识别方法、系统、介质和设备

Country Status (1)

Country Link
CN (1) CN117390407B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117725529A (zh) * 2024-02-18 2024-03-19 南京邮电大学 基于多模态自注意力机制的变压器故障诊断方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110297179A (zh) * 2018-05-11 2019-10-01 宫文峰 基于集成深度学习的柴油发电机故障预测与监测系统装置
CN114491828A (zh) * 2021-12-09 2022-05-13 西安邮电大学 一种基于多门控混合专家多任务学习的复合故障诊断方法
CN115409217A (zh) * 2022-11-01 2022-11-29 之江实验室 一种基于多专家混合网络的多任务预测性维护方法
CN115510963A (zh) * 2022-09-20 2022-12-23 同济大学 一种增量式设备故障诊断方法
CN115690129A (zh) * 2022-11-14 2023-02-03 西安电子科技大学 基于多专家混合的图像分割释义方法、电子设备和存储介质
CN116578940A (zh) * 2023-05-18 2023-08-11 山东省计算中心（国家超级计算济南中心） 一种基于混合深度自编码的轴承故障新类识别与诊断方法
US20230351573A1 (en) * 2021-03-17 2023-11-02 Southeast University Intelligent detection method and unmanned surface vehicle for multiple type faults of near-water bridges
WO2023216553A1 (zh) * 2022-05-11 2023-11-16 广东电网有限责任公司东莞供电局 一种配电网多重故障诊断方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110297179A (zh) * 2018-05-11 2019-10-01 宫文峰 基于集成深度学习的柴油发电机故障预测与监测系统装置
US20230351573A1 (en) * 2021-03-17 2023-11-02 Southeast University Intelligent detection method and unmanned surface vehicle for multiple type faults of near-water bridges
CN114491828A (zh) * 2021-12-09 2022-05-13 西安邮电大学 一种基于多门控混合专家多任务学习的复合故障诊断方法
WO2023216553A1 (zh) * 2022-05-11 2023-11-16 广东电网有限责任公司东莞供电局 一种配电网多重故障诊断方法及系统
CN115510963A (zh) * 2022-09-20 2022-12-23 同济大学 一种增量式设备故障诊断方法
CN115409217A (zh) * 2022-11-01 2022-11-29 之江实验室 一种基于多专家混合网络的多任务预测性维护方法
CN115690129A (zh) * 2022-11-14 2023-02-03 西安电子科技大学 基于多专家混合的图像分割释义方法、电子设备和存储介质
CN116578940A (zh) * 2023-05-18 2023-08-11 山东省计算中心（国家超级计算济南中心） 一种基于混合深度自编码的轴承故障新类识别与诊断方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
DONGJIANG HAN ET.AL.: ""Gated Recurrent Unit Neural Network and Decision Tree for Offshore Nuclear Power Plant\'S Fault Diagnosis"", 《2023 IEEE 11TH INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE AND NETWORK TECHNOLOGY (ICCSNT)》, 6 December 2023 (2023-12-06) *
刘致兴: ""基于一维卷积神经网络与门控单元的故障诊断研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, vol. 2023, no. 02, 15 February 2023 (2023-02-15), pages 016 - 33 *
李琮等: ""基于标准化物联网智能传感器的变电站状态感知系统研究"", 《山东电力技术》, vol. 47, no. 7, 31 July 2020 (2020-07-31), pages 27 - 31 *
杨东升: ""基于改进卷积神经网络的滚动轴承故障诊断方法研究"", 万方在线出版, 7 December 2023 (2023-12-07) *
马鹏;樊艳芳;: "基于深度迁移学习的小样本智能变电站电力设备部件检测", 电网技术, vol. 44, no. 03, 13 January 2020 (2020-01-13), pages 1148 - 1159 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117725529A (zh) * 2024-02-18 2024-03-19 南京邮电大学 基于多模态自注意力机制的变压器故障诊断方法
CN117725529B (zh) * 2024-02-18 2024-05-24 南京邮电大学 基于多模态自注意力机制的变压器故障诊断方法

Also Published As

Publication number Publication date
CN117390407B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN110414432B (zh) 对象识别模型的训练方法、对象识别方法及相应的装置
CN112100865B (zh) 基于并行cnn模型的航空发动机剩余寿命预测方法
WO2023241272A1 (zh) 基于图注意力网络的混凝土坝缺陷图像描述自动生成方法
CN108459955B (zh) 基于深度自编码网络的软件缺陷预测方法
CN117390407B (zh) 变电站设备的故障识别方法、系统、介质和设备
CN109711283A (zh) 一种联合双字典和误差矩阵的遮挡表情识别算法
CN107247952B (zh) 基于深层监督的循环卷积神经网络的视觉显著性检测方法
CN109508686B (zh) 一种基于层次化特征子空间学习的人体行为识别方法
CN113920379B (zh) 一种基于知识辅助的零样本图像分类方法
CN111738074B (zh) 基于弱监督学习的行人属性识别方法、系统及装置
Schwalbe et al. Concept enforcement and modularization as methods for the ISO 26262 safety argumentation of neural networks
CN116007937A (zh) 一种机械设备传动部件智能故障诊断方法及装置
CN117151222A (zh) 领域知识引导的突发事件案例实体属性及其关系抽取方法、电子设备和存储介质
CN114298183B (zh) 飞行动作智能识别方法
CN116227586A (zh) 基于深度残差收缩原型网络的元学习故障诊断方法及装置
CN117852541A (zh) 一种实体关系三元组抽取方法、系统及计算机设备
CN117829243A (zh) 模型训练方法、目标检测方法、装置、电子设备及介质
CN117765432A (zh) 一种基于动作边界预测的中学理化生实验动作检测方法
Shi et al. Recognizing the take-off action pattern of basketball players based on fuzzy neural network system
CN117312770A (zh) 基于多层次图特征融合的航空发动机剩余寿命预测方法
CN116776744A (zh) 一种基于增强现实的装备制造控制方法及电子设备
CN114140524B (zh) 一种多尺度特征融合的闭环检测系统及方法
CN114692615B (zh) 一种针对小语种的小样本意图识别方法
CN115391523A (zh) 风电场多源异构数据处理方法及装置
KR102413588B1 (ko) 학습 데이터에 따른 객체 인식 모델 추천 방법, 시스템 및 컴퓨터 프로그램

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