CN118155662A - 基于人工智能的变压器声纹故障识别方法 - Google Patents
基于人工智能的变压器声纹故障识别方法 Download PDFInfo
- Publication number
- CN118155662A CN118155662A CN202410568306.0A CN202410568306A CN118155662A CN 118155662 A CN118155662 A CN 118155662A CN 202410568306 A CN202410568306 A CN 202410568306A CN 118155662 A CN118155662 A CN 118155662A
- Authority
- CN
- China
- Prior art keywords
- representing
- voiceprint data
- network model
- voiceprint
- representation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 51
- 238000002922 simulated annealing Methods 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 89
- 238000012549 training Methods 0.000 claims description 44
- 238000013507 mapping Methods 0.000 claims description 23
- 230000004913 activation Effects 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000001816 cooling Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000032683 aging Effects 0.000 claims description 3
- 238000000137 annealing Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000009413 insulation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 25
- 238000005070 sampling Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明公开了一种基于人工智能的变压器声纹故障识别方法，包括以下步骤：步骤S1，采集变压器运行时产生的声纹数据，对采集的声纹数据进行标记；步骤S2,对抗生成网络模型对采集的声纹数据进行扩充，输出扩充声纹数据；步骤S3，基于模拟退火的神经网络模型提取扩充的声纹数据的原始特征表示，输出重构特征表示；步骤S4，自编码网络对原始特征表示进行重构，输出重构特征表示；步骤S5,分类器对重构特征表示进行分类，确定变压器的故障类型。本发明通过数据扩充、特征提取和降维，提取了更具代表性的声纹特征，使得模型能够更准确地识别变压器的不同故障类型，提高了故障诊断的准确性和精度。
Description
技术领域
本发明涉及一种人工智能模型训练方法，尤其涉及一种基于人工智能的变压器声纹故障识别方法。
背景技术
随着电力系统的不断发展和变压器在电力输送中的重要性日益凸显，对于变压器状态的监测和故障诊断变得越来越重要。变压器是电力系统中的关键设备，其故障可能会导致供电中断、安全事故以及经济损失，因此及时准确地识别和排除变压器故障对于电力系统的稳定运行至关重要。
传统的变压器故障识别方法主要依赖于手动巡检、传感器监测和数据分析等手段，然而这些方法存在一些局限性。手动巡检成本高、效率低，且无法实时监测变压器状态；传感器监测受限于传感器的安装位置和故障类型的多样性，难以覆盖所有故障情况；数据分析方法受限于特征提取的准确性和模型的泛化能力，往往难以处理复杂的故障情况。
申请号为CN202110667841.8的中国发明专利提出一种机电设备故障诊断方法及装置，涉及机电设备故障诊断技术领域，所述方法包括步骤：获取机电设备电流互感器二次侧线缆的电流信号；对电流信号进行预处理后再进行高速采样，得到电流波形采样数据；对电流波形采样数据进行时域频域转换，得到相应的频谱数据；识别频谱数据和/或时域波形采样数据中相应的故障特征，进行故障诊断。该发明在现有机电设备电流互感器的二次侧线缆上安装电流传感器或互感器，获取机电设备的电流信号进行故障诊断；二次侧电流较小，可选择尺寸小的电流传感器或互感器，极大的降低了成本，适合批量安装；此外，安装时无需机电设备停机，安装方式简单且不影响机电设备的正常使用。
申请号为CN202110101052.8的中国发明专利提出一种设备故障诊断系统及其诊断方法，所述的设备故障诊断系统包括诊断中心和若干诊断单元，每个诊断单元包括均设置于目标设备处的工控机、红外热像设备、可见光拍摄设备以及通讯模块，所述的诊断包括如下步骤：S1：初始化设备故障诊断系统；S2：诊断单元采集当前目标设备的运行数据；S3：对运行数据进行分析，得到当前目标设备的故障诊断结果；S4：将当前目标设备的故障诊断结果发送至诊断中心。该发明解决了现有技术存在的人力成本投入大、检测效率低和故障分析精确度低的问题。
申请号为CN202211248303.6的中国发明专利提出一种基于数据融合的工业设备故障诊断系统及方法，属于工业设备故障诊断技术领域。对工业设备振动信号进行采集，收集工业设备随时间的振动数据；将振动信号通过短时傅里叶变换转化为时间频率图像，生成空间频率图像，算出所述空间频率图像中空间频率的中央成分的能量，计算能量模态值；构建深度神经网络模型，将多个能量模态值输入到神经网络模型中，通过前向传播求得神经网络的输出与预期目标的误差；采用同步变换算法对神经网络的输出值进行分析，并对工业设备进行故障诊断。可有效地对工业设备工作状态和故障信息进行高效的辨识和判断，进行工业设备的状态监测和健康管理。
专利公告号为CN115114971A的中国发明专利提出一种基于BP神经网络的物流分拣设备故障诊断方法，包括以下步骤：统计设备显性故障，建立故障库；将物流分拣设备出现显性故障的历史数据进行统计以形成故障库；基于BP神经网络结构建立故障诊断模型；根据输入参数类型，采集物流分拣设备的在故障情况下的若干组数据作为故障诊断模型的输入，使用MATLAB编程对故障诊断模型的所有神经元权重向量与阈值进行若干次迭代训练；准确度验证；故障诊断，定期统计各类参数实际运行值，录入搭载了故障诊断模型的系统中，系统则自动输出设备故障诊断结果。该发明的有益效果为：使用方便，检测准确率高，能发现设备的隐性故障，做到“早诊断、早发现、早治疗、早解决”，避免了更加严重的故障发生。
现有技术存在以下不足：
1、变压器声纹数据在实际应用中可能较为稀缺，尤其是针对不同类型的故障样本，可能会限制模型的训练和泛化能力，因为缺乏足够多样性和代表性的数据会导致模型无法充分学习和识别各种故障类型。
2、声纹数据的标注可能受到人为主观因素的影响，标签的准确性可能存在一定程度的偏差，可能导致模型在训练过程中学习到错误的特征，从而影响最终的识别效果。
3、变压器声纹数据通常具有高维度和复杂性，如何从中提取有效的特征对于模型的性能至关重要。然而，现有的特征提取方法可能存在提取不充分或不具代表性的特征的问题，影响模型的准确性和鲁棒性。
发明内容
针对现有技术中的变压器故障分析的不足，提供一种基于人工智能的变压器声纹故障识别方法。
一种基于人工智能的变压器声纹故障识别方法，包括以下步骤：
步骤S1:采集变压器运行时产生的声纹数据，对采集的声纹数据的故障类型进行标记；
步骤S2:训练对抗生成网络模型，训练后的对抗生成网络模型对步骤S1中采集的声纹数据进行扩充，输出扩充声纹数据；
对抗生成网络模型包括生成器G和判别器D，将随机噪声输入生成器G，采用随机映
射函数M对输入的随机噪声进行处理，生成器G生成模拟声纹数据，判别器D评估生成的模拟
声纹数据的真实性，根据评估结果调整生成器G的参数，使生成的模拟声纹数据接近采集
的声纹数据，
设随机噪声服从高斯分布N~(0,I)，映射函数M定义为：
（1）；
其中，为随机噪声，和b是映射函数M的参数，通过优化以下目标函数获得：
（2）；
其中，表示的期望，表示服从于特定的分布，表示噪声特定的分布，和b通过梯度下降优化算法进行更新；
步骤S3:训练基于模拟退火的神经网络模型，训练后的基于模拟退火的神经网络模型提取步骤S2中的扩充声纹数据的原始特征表示，输出原始特征表示；在提取过程中，基于模拟退火的神经网络模型首先执行局部搜索操作，接着执行全局搜索操作，用于消除随机扰动；
步骤S4:训练自编码网络，训练后的自编码网络对步骤S3中的原始特征表示进行重构，输出重构特征表示；
步骤S5:训练分类器，训练后的分类器对步骤S4中的重构特征表示进行分类，通过分类确定变压器的故障类型。
进一步的，步骤S1包括：
步骤S11：通过声纹传感器采集变压器运行时产生的声纹数据，声纹数据格式为向量数据；
步骤S12：对采集的声纹数据标注对应的故障类型，故障类型包括正常运行、绝缘老化、接触不良、冷却系统故障和其他故障。
进一步的，步骤S2中的训练对抗生成网络模型，具体为：
步骤S21：初始化对抗生成网络模型的生成器G和判别器D，设生成器G的参数为，
判别器D的参数为；
步骤S22：将随机噪声输入生成器G，采用随机映射函数M对输入的随机噪声进行处
理，生成器G生成模拟声纹数据，判别器D评估生成的模拟声纹数据的真实性，根据评估结果
调整生成器G的参数，使生成的模拟声纹数据接近采集的声纹数据；
判别器D对生成的声纹数据的评估函数表示为以下公式：
（3）;
其中，表示判别器G对生成的模拟声纹数据的评估函数，表
示生成的模拟声纹数据，表示判别器D的预输出函数，对随机噪声进行随
机映射处理；
生成器G的损失函数定义为：
（4）;
其中， 表示生成器G的损失；
步骤S23：使用采集的声纹数据和步骤S22中生成器G生成的模拟声纹数据训练判别器D，使判别器D准确区分出采集的声纹数据和生成的模拟声纹数据；
判别采集的声纹数据是否为真实的概率表示为下式：
（5）；
其中，表示采集的声纹数据为真实的概率；
对于生成的模拟声纹数据G(M(b(z)|))，其被判别为假的概率相应表示为：
（6）；
判别器D的损失函数公式为：
（7）；
其中，表示判别器的损失，表示的期望，表示采集的
声纹数据分布；
步骤S24：重复步骤S22和步骤S23，交替调整生成器G的参数和判别器D的参数，直到即判别器G无法区分生成的模拟声纹数据和采集的声纹数据为止，调整规则如下：
在步骤S22中，固定，调整以最小化;在步骤S23中，固定，调整以最小化。
进一步的，步骤S3中的训练基于模拟退火的神经网络模型，具体为：
步骤S31：初始化基于模拟退火的神经网络模型，设置温度参数和网络参数，温度参数在训练过程中逐渐降低；
步骤S32：执行局部搜索操作，通过梯度下降方法优化对网络参数进行迭代，以减小基于模拟退火的神经网络模型的输出的原始特征表示与输入的扩充声纹数据的特征表示之间的损失，公式如下：
（8）；
（9）；
其中，表示网络模型参数为时扩充声纹数据的特征表示的预测误差
损失，n代表扩充声纹数据的样本总数，表示样本j的真实值，表示网络参数为对
样本j的预测的原始特征表示，为学习率，表示参数关于特定函数的梯度；
步骤S33：执行全局搜索操作，利用当前的温度参数引入随机扰动到网络参数中，模拟退火过程中的随机跳跃，
引入模拟退火策略执行全局搜索的方式表示为：
（10）；
其中，为更新后的网络参数，为扰动强度，表示以当前温度T为标准
差的高斯分布，用于生成随机扰动；
其中，随机扰动项的生成方法表示为：
（11）；
其中，Z是从标准正态分布生成的随机数；
步骤S34：基于模拟退火的神经网络模型根据预设的冷却计划降低温度参数，从而逐渐减少权重的随机扰动幅度，
每次迭代后，更新温度T以逐步减少全局搜索的随机性的方式表示为：
（12）；
其中,表示迭代后的温度参数，为冷却系数，，表示迭代前的温
度参数；
步骤S35：动态调整学习率，调整策略表示为：
（13）；
其中，为自适应调整后的学习率，和分别表示学习率增加因子和
学习率减少因子，表示损失函数减少时的调整策略，表示损失函
数增加时的调整策略；
步骤S36：将温度参数降低到预设的阈值以下时，训练结束。
进一步的，步骤S4中的训练自编码网络，具体为：
步骤S41：构建包括编码器和解码器的自编码器网络，编码器将输入的原始特征表示降维成低维特征表示，解码器根据低维特征表示输出重构特征表示，
编码器将输入的原始特征表示降维到低维特征表示，表示为下式：
（14）；
其中表示输入的原始特征表示通过编码器转换的低维特征表示，表示
编码器的Sigmoid激活函数，表示编码器参数；
步骤S42：编码器通过引入参与度限制机制来确保在原始特征表示的降维过程中，只有与原始特征表示最相关的神经元被激活，对于每个低维特征表示，采用参与度限制低维特征表示，表示为：
（15）；
其中，表示采用参与度限制后的低维特征表示，表示用于参与度限制的低
维特征表示，为符号函数，根据符号函数内数值的正负得到0或1，为参与度，用于控
制低维特征表示的激活强度；
其中，的计算方式展开为：
（16）；
其中，是指示函数，当条件满足时为1，否则为0，用于参与度限制的低维特征表
示的绝对值大于阈值时，重构特征表示才会被保留；
接着，解码器只有表示用于参与度限制的低维特征表示通过解码器重构为
输入的声纹数据特征表示，表示为：
（17）；
其中，表示重构特征表示，表示解码器的Sigmoid激活函数，表示解码
器参数；
步骤S43：在自编码器的损失函数中引入稀疏性正则化项，用于限制激活神经元的数量，损失函数表示为：
（18）；
其中，为重构误差，和分别为编码器和解码
器权重的正则化函数，为正则化系数，用于平衡重构误差和稀疏性，重构误差的计算方
式表示为：
（19）；
其中，n表示输入的原始特征表示和重构特征向量的维度，和分别是
输入的声纹数据特征表示和重构特征向量的第i个元素；
步骤S44：通过迭代训练过程，不断调整自编码器的编码器参数和解码器参数，最
小化重构误差。
进一步的，步骤S5中的训练分类器，具体为：
步骤S51：构建基于改进量子编码的分类器，分类器包括高阶神经网络模型与回声状态网络模型，高阶神经网络模型通过对输入数据进行高次非线性映射；
步骤S52：使用改进的量子编码方式初始化分类器的权重和偏置，表示为：
（20）；
（21）；
其中，Q( )表示量子编码函数，和分别表示分类器的初始权重和偏
置，表示初始化后的分类器权重，表示初始化后的分类器偏置，表示初始化前的分
类器权重，表示初始化前的分类器偏置；
对于量子编码函数Q( )，采用高维Hilbert空间的映射函数来完成量子编码，表示为：
（22）；
其中，和是Hilbert空间的基函数，表示量子态的张量积；
重构特征表示首先输入高阶神经网络模型，高阶神经网络模型每一层都使用高阶非线性变换，将重构特征表示转化为高级特征，使用高阶非线性变换对原始特征进行转换的过程表示为：
（23）；
其中，表示高阶神经网络模型当前层的输出，是非线性激活函数，是特征
提取的权重矩阵；
步骤S53：高阶神经网络模型每一层输出的高级特征都会被送到高阶神经网络模型每一层的量子态动态调整模块，量子态动态调整模块动态调整高级特征量子态，表示为：
（24）；
其中，表示已调整量子态的高级特征， ()表示非线性激活函数，用于调整特
征的量子态，是该层的权重矩阵；
步骤S54：已调整量子态的高级特征被送入回声状态网络模型中，表示为：
（25）；
其中，表示本次迭代的回声状态网络的输出，t表示时间步，是回声状态网
络的激活函数，是权重矩阵，是上一个时间步的输出；
步骤S55：递归回声状态网络的输出被用作高阶神经网络的对应的每一层的输入，基于量子态动态调整的反馈，自动地调整后续高阶神经网络每一层的权重，表示为：
（26）；
其中，表示调整后的高阶神经网络的权重，是基于量子态动态调整反馈
的权重调整矩阵；
步骤S56：将从高阶神经网络模型获得的特征融合在一起，获得全局特征表示，形式化为：
（27）；
其中，表示全局特征表示，表示特征的融合操作；
步骤S57：将全局特征表示送入深度多层感知机中进行最终的分类训练，表示为：
（28）；
其中，表示某一故障类型的输出，是最终分类层的激活函数，
是该层的权重矩阵；
步骤S58：引入了量子优化技术与蒙特卡洛模拟，以寻找最优解，在量子优化中，采用量子版本的梯度下降法，表示为：
（29）；
其中，是学习率，是基于量子态的梯度计算，是损失函数，和
为高阶神经网络模型的权重参数迭代后和迭代前的值；
对于蒙特卡洛模拟定义接受概率为：
（30）；
其中，为在蒙特卡洛模拟中接受新解的概率；
对贝叶斯决策理论中的似然概率、先验概率和证据概率进行定义，似然概率是模型给定某一故障类型下生成观测数据的概率，即：
（31）；
其中，表示似然概率，表示观测数据，和
是给定故障类型下的数据平均值和标准差，exp( )表示以自然常数e为底的指数函数；
步骤S59：使用贝叶斯决策理论结合模型的输出，来确定设备的故障类型，表示为：
（32）；
其中，先验概率是变压器在某一故障类型下的概率，证据概率是观测到某一数据的概率，通过归一化获得，表示给定数据时变压器处于某一故障类型的后验概率，表示先验概率，表示
证据概率。
本发明的积极进步效果在于：
1、通过数据扩充、特征提取和降维，提取了更具代表性的声纹特征，使得模型能够更准确地识别变压器的不同故障模式，提高了故障诊断的准确性和精度。
2、通过引入自适应调整机制和稀疏性约束，优化了模型的训练过程，提高了模型的泛化能力和稳定性，能够适应不同环境下的变压器声纹数据。
3、通过引入生成对抗网络和量子编码的高阶神经网络算法，提高了数据扩充和分类器的处理能力，能够更有效地处理复杂的声纹数据，提高了模型的鲁棒性和可靠性。
4、准确识别变压器的故障模式，有助于及时发现并解决问题，降低了设备维护的成本和风险，提高了设备的可靠性和稳定性，延长了设备的使用寿命。
附图说明
图1为本发明的步骤流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
参考图1,基于人工智能的变压器声纹故障识别方法，包括以下步骤：
步骤S1，采集变压器运行时产生的声纹数据，对采集的声纹数据的故障类型进行标记。
在一示例中，步骤S1包括：
步骤S11：通过声纹传感器采集变压器运行时产生的声纹数据，声纹数据格式为向量数据。
步骤S12：对采集的声纹数据标注对应的故障类型，故障类型包括正常运行、绝缘老化、接触不良、冷却系统故障和其他故障。
步骤S2：训练对抗生成网络模型，训练后的对抗生成网络模型对步骤S1中采集的声纹数据进行扩充，输出扩充声纹数据。
在一示例中，步骤S2中的训练对抗生成网络模型，具体为：
步骤S21：初始化对抗生成网络模型的生成器G和判别器D，设生成器G的参数为，
判别器D的参数为。
步骤S22：将随机噪声输入生成器G，采用随机映射函数M对输入的随机噪声进行处
理，生成器G生成模拟声纹数据，判别器D评估生成的模拟声纹数据的真实性，根据评估结果
调整生成器G的参数，使生成的模拟声纹数据接近采集的声纹数据；
判别器D对生成的声纹数据的评估函数表示为以下公式：
（3）;
其中，表示判别器G对生成的模拟声纹数据的评估函数，表
示生成的模拟声纹数据，表示判别器D的预输出函数，对随机噪声进行随
机映射处理；
生成器G的损失函数定义为：
（4）;
其中， 表示生成器G的损失；
步骤S23：使用采集的声纹数据和步骤S22中生成器G生成的模拟声纹数据训练判别器D，使判别器D准确区分出采集的声纹数据和生成的模拟声纹数据。
判别采集的声纹数据是否为真实的概率表示为下式：
（5）；
其中，表示采集的声纹数据为真实的概率；
对于生成的模拟声纹数据G(M(b(z)|))，其被判别为假的概率相应表示为：
（6）；
判别器D的损失函数公式为：
（7）；
其中，表示判别器的损失，表示的期望，表示采集的
声纹数据分布。
步骤S24：重复步骤S22和步骤S23，交替调整生成器G的参数和判别器D的参数，直到即判别器G无法区分生成的模拟声纹数据和采集的声纹数据为止，调整规则如下：
在步骤S22中，固定，调整以最小化，在步骤S23中，固定，调整以最小化。
经过训练后的对抗生成网络模型能生成高质量、多样性的扩充声纹数据。此外，通过引入随机映射的方法，本发明在提升数据多样性的同时，确保生成的扩充声纹数据的实用性和可靠性，能够有效提升了声纹数据扩充的效率和质量。
具体的，在一示例中，步骤S22中的采用随机映射策略，通过对输入噪声的随机映射处理，具体为：
随机噪声服从高斯分布N~(0,I)，映射函数M定义为：
（1）；
其中，为随机噪声，和b是映射函数M的参数，通过优化以下目标函数获得：
（2）；
其中，表示的期望，表示服从于特定的分布，表示噪声特定的分布，和b通过梯度下降优化算法进行更新。
步骤S3，训练基于模拟退火的神经网络模型，训练后的基于模拟退火的神经网络模型提取步骤S2中的扩充声纹数据的原始特征表示，输出原始特征表示，在提取过程中，基于模拟退火的神经网络模型首先执行局部搜索操作，接着执行全局搜索操作，用于消除随机扰动。
在一示例中，步骤S3中的训练基于模拟退火的神经网络模型，具体为：
步骤S31, 初始化基于模拟退火的神经网络模型，设置温度参数和网络参数，温度参数在训练过程中逐渐降低。
优选的，网络参数采用小随机数，温度参数初始值设为高值，例如设置温度参数初始值为100。
步骤S32：执行局部搜索操作，通过梯度下降方法优化对网络参数进行迭代，以减小基于模拟退火的神经网络模型的输出的原始特征表示与输入的扩充声纹数据的特征表示之间的损失，公式如下：
（8）；
（9）；
其中，表示网络模型参数为时扩充声纹数据的特征表示的预测误差
损失，n代表扩充声纹数据的样本总数，表示样本j的真实值，表示网络参数为对
样本j的预测的原始特征表示，为学习率，表示参数关于特定函数的梯度。
步骤S33：执行全局搜索操作，利用当前的温度参数引入随机扰动到网络参数中，模拟退火过程中的随机跳跃。
引入模拟退火策略执行全局搜索的方式表示为：
（10）；
其中，为更新后的网络参数，为扰动强度，表示以当前温度T为标准
差的高斯分布，用于生成随机扰动。
其中，随机扰动项的生成方法表示为：
（11）；
其中，Z是从标准正态分布生成的随机数。
步骤S34：基于模拟退火的神经网络模型根据预设的冷却计划降低温度参数，从而逐渐减少权重的随机扰动幅度，
每次迭代后，更新温度T以逐步减少全局搜索的随机性的方式表示为：
（12）；
其中,表示迭代后的温度参数，为冷却系数，，表示迭代前的温
度参数。
步骤S35：动态调整学习率，调整策略表示为：
（13）；
其中，为自适应调整后的学习率，和分别表示学习率增加因子和
学习率减少因子，表示损失函数减少时的调整策略，表示损失函
数增加时的调整策略。
步骤S36：将温度参数降低到预设的阈值以下时，训练结束。
优选的，冷却系数设置为0.95，扰动强度设为0.1，学习率初始值设置为0.01。
步骤S4，训练自编码网络，训练后的自编码网络对步骤S3中的原始特征表示进行重构，输出重构特征表示。
在一示例中，步骤S4中的训练自编码网络，具体为：
步骤S41：构建包括编码器和解码器的自编码器网络，编码器将输入的原始特征表示降维成低维特征表示，解码器根据低维特征表示输出重构特征表示。
编码器将输入的原始特征表示降维到低维特征表示，表示为下式：
（14）；
其中表示输入的原始特征表示通过编码器转换的低维特征表示，表示
编码器的Sigmoid激活函数，表示编码器参数。
步骤S42：编码器通过引入参与度限制机制来确保在原始特征表示的降维过程中，只有与原始特征表示最相关的神经元被激活，对于每个低维特征表示，采用参与度限制低维特征表示，表示为：
（15）；
其中，表示采用参与度限制后的低维特征表示，表示用于参与度限制的低
维特征表示，为符号函数，根据符号函数内数值的正负得到0或1，为参与度，用于控
制低维特征表示的激活强度。
其中，的计算方式展开为：
（16）；
其中，是指示函数，当条件满足时为1，否则为0，用于参与度限制的低维特征表
示的绝对值大于阈值时，重构特征表示才会被保留。
接着，解码器只有表示用于参与度限制的低维特征表示通过解码器重构为
输入的声纹数据特征表示，表示为：
（17）；
其中，表示重构特征表示，表示解码器的Sigmoid激活函数，表示解码
器参数。
步骤S43：在自编码器的损失函数中引入稀疏性正则化项，用于限制激活神经元的数量，损失函数表示为：
（18）；
其中，为重构误差，和分别为编码器和解码
器权重的正则化函数，为正则化系数，用于平衡重构误差和稀疏性，重构误差的计算方
式表示为：
（19）；
其中，n表示输入的原始特征表示和重构特征向量的维度，和分别是
输入的声纹数据特征表示和重构特征向量的第i个元素。
步骤S44：通过迭代训练过程，不断调整自编码器的编码器参数和解码器参数，最
小化重构误差。
步骤S5, 训练分类器，训练后的分类器对步骤S4中的重构特征表示进行分类，分类确定变压器的故障类型。
在一示例中，步骤S5中的训练分类器，具体为：
步骤S51：构建基于改进量子编码的分类器，分类器包括高阶神经网络模型与回声状态网络模型，高阶神经网络模型通过对输入数据进行高次非线性映射。
步骤S52：使用改进的量子编码方式初始化分类器的权重和偏置，表示为：
（20）；
（21）；
其中，Q( )表示量子编码函数，和分别表示分类器的初始权重和偏
置，表示初始化后的分类器权重，表示初始化后的分类器偏置，表示初始化前的分
类器权重，表示初始化前的分类器偏置；
对于量子编码函数Q( )，采用高维Hilbert空间的映射函数来完成量子编码，表示为：
（22）；
其中，和是Hilbert空间的基函数，表示量子态的张量积。
重构特征表示首先输入高阶神经网络模型，高阶神经网络模型每一层都使用高阶非线性变换，将重构特征表示转化为高级特征，使用高阶非线性变换对原始特征进行转换的过程表示为：
（23）；
其中，表示高阶神经网络模型当前层的输出，是非线性激活函数，是特征
提取的权重矩阵。
步骤S53：高阶神经网络模型每一层输出的高级特征都会被送到高阶神经网络模型每一层的量子态动态调整模块，量子态动态调整模块动态调整高级特征量子态，表示为：
（24）；
其中，表示已调整量子态的高级特征， ()表示非线性激活函数，用于调整特
征的量子态，是该层的权重矩阵；
步骤S54：已调整量子态的高级特征被送入回声状态网络模型中，表示为：
（25）；
其中，表示本次迭代的回声状态网络的输出，t表示时间步，是回声状态网
络的激活函数，是权重矩阵，是上一个时间步的输出。
步骤S55：递归回声状态网络的输出被用作高阶神经网络的对应的每一层的输入，基于量子态动态调整的反馈，自动地调整后续高阶神经网络每一层的权重，表示为：
（26）；
其中，表示调整后的高阶神经网络的权重，是基于量子态动态调整反馈
的权重调整矩阵。
步骤S56：将从高阶神经网络模型获得的特征融合在一起，获得全局特征表示，形式化为：
（27）；
其中，表示全局特征表示，表示特征的融合操作。
步骤S57：将全局特征表示送入深度多层感知机中进行最终的分类训练，表示为：
（28）；
其中，表示某一故障类型的输出，是最终分类层的激活函数，
是该层的权重矩阵。
步骤S58：引入了量子优化技术与蒙特卡洛模拟，以寻找最优解，在量子优化中，采用量子版本的梯度下降法，表示为：
（29）；
其中，是学习率，是基于量子态的梯度计算，是损失函数，和
为高阶神经网络模型的权重参数迭代后和迭代前的值。
对于蒙特卡洛模拟定义接受概率为：
（30）；
其中，为在蒙特卡洛模拟中接受新解的概率；
对贝叶斯决策理论中的似然概率、先验概率和证据概率进行定义，似然概率是模型给定某一故障类型下生成观测数据的概率，即：
（31）；
其中，表示似然概率，表示观测数据，和
是给定故障类型下的数据平均值和标准差，exp( )表示以自然常数e为底的指数函数。
步骤S59：使用贝叶斯决策理论结合模型的输出，来确定设备的故障类型，表示为：
（32）；
其中，先验概率是变压器在某一故障类型下的概率，证据概率是观测到某一数据的概率，通过归一化获得，表示给定数据时变压器处于某一故障类型的后验概率，表示先验概率，表示
证据概率。
以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为保护范围。
Claims (6)
1.一种基于人工智能的变压器声纹故障识别方法，其特征在于，包括以下步骤：
步骤S1:采集变压器运行时产生的声纹数据，对采集的声纹数据的故障类型进行标记；
步骤S2:训练对抗生成网络模型，训练后的对抗生成网络模型对步骤S1中采集的声纹数据进行扩充，输出扩充声纹数据；
对抗生成网络模型包括生成器G和判别器D，将随机噪声输入生成器G，采用随机映射函数M对输入的随机噪声进行处理，生成器G生成模拟声纹数据，判别器D评估生成的模拟声纹数据的真实性，根据评估结果调整生成器G的参数，使生成的模拟声纹数据接近采集的声纹数据，
随机噪声服从高斯分布N~(0,I)，映射函数M定义为：
（1）；
其中，为随机噪声，/>和b是映射函数M的参数，通过优化以下目标函数获得：
（2）；
其中，表示/>的期望，/>表示/>服从于特定的分布，/>表示噪声/>特定的分布，/>和b通过梯度下降优化算法进行更新；
步骤S3:训练基于模拟退火的神经网络模型，训练后的基于模拟退火的神经网络模型提取步骤S2中的扩充声纹数据的原始特征表示，输出原始特征表示；在提取过程中，基于模拟退火的神经网络模型首先执行局部搜索操作，接着执行全局搜索操作，用于消除随机扰动；
步骤S4:训练自编码网络，训练后的自编码网络对步骤S3中的原始特征表示进行重构，输出重构特征表示；
步骤S5:训练分类器，训练后的分类器对步骤S4中的重构特征表示进行分类，通过分类确定变压器的故障类型。
2.如权利要求1所述的基于人工智能的变压器声纹故障识别方法，其特征在于,步骤S1包括：
步骤S11：通过声纹传感器采集变压器运行时产生的声纹数据，声纹数据格式为向量数据；
步骤S12：对采集的声纹数据标注对应的故障类型，故障类型包括正常运行、绝缘老化、接触不良、冷却系统故障和其他故障。
3.如权利要求2所述的基于人工智能的变压器声纹故障识别方法，其特征在于，步骤S2中的训练对抗生成网络模型，具体为：
步骤S21：初始化对抗生成网络模型的生成器G和判别器D，设生成器G的参数为，判别器D的参数为/>；
步骤S22：将随机噪声输入生成器G，采用随机映射函数M对输入的随机噪声进行处理，生成器G生成模拟声纹数据，判别器D评估生成的模拟声纹数据的真实性，根据评估结果调整生成器G的参数，使生成的模拟声纹数据接近采集的声纹数据；
判别器D对生成的声纹数据的评估函数表示为以下公式：
（3）;
其中，表示判别器G对生成的模拟声纹数据的评估函数，/>表示生成的模拟声纹数据，/>表示判别器D的预输出函数，/>对随机噪声/>进行随机映射处理；
生成器G的损失函数定义为：
（4）;
其中，表示生成器G的损失；
步骤S23：使用采集的声纹数据和步骤S22中生成器G生成的模拟声纹数据训练判别器D，使判别器D准确区分出采集的声纹数据和生成的模拟声纹数据；
判别采集的声纹数据是否为真实的概率表示为下式：
（5）；
其中，表示采集的声纹数据/>为真实的概率；
对于生成的模拟声纹数据G(M(b(z)|))，其被判别为假的概率相应表示为：
（6）；
判别器D的损失函数公式为：
（7）；
其中，表示判别器的损失，/>表示/>的期望，/>表示采集的声纹数据分布；
步骤S24：重复步骤S22和步骤S23，交替调整生成器G的参数和判别器D的参数/>，直到即判别器G无法区分生成的模拟声纹数据和采集的声纹数据为止，调整规则如下：在步骤S22中，固定/>，调整/>以最小化/>，在步骤S23中，固定/>，调整/>以最小化/>。
4.如权利要求3所述的基于人工智能的变压器声纹故障识别方法，其特征在于，步骤S3中的训练基于模拟退火的神经网络模型，具体为：
步骤S31：初始化基于模拟退火的神经网络模型，设置温度参数和网络参数，温度参数在训练过程中逐渐降低；
步骤S32：执行局部搜索操作，通过梯度下降方法优化对网络参数进行迭代，以减小基于模拟退火的神经网络模型的输出的原始特征表示与输入的扩充声纹数据的特征表示之间的损失，公式如下：
（8）；
（9）；
其中，表示网络模型参数为/>时扩充声纹数据的特征表示/>的预测误差损失，n代表扩充声纹数据的样本总数，/>表示样本j的真实值，/>表示网络参数为/>对样本j的预测的原始特征表示，/>为学习率，/>表示参数/>关于特定函数的梯度；
步骤S33：执行全局搜索操作，利用当前的温度参数引入随机扰动到网络参数中，模拟退火过程中的随机跳跃，
引入模拟退火策略执行全局搜索的方式表示为：
（10）；
其中，为更新后的网络参数，/>为扰动强度，/>表示以当前温度T为标准差的高斯分布，用于生成随机扰动；
其中，随机扰动项的生成方法表示为：
（11）；
其中，Z是从标准正态分布生成的随机数；
步骤S34：基于模拟退火的神经网络模型根据预设的冷却计划降低温度参数，从而逐渐减少权重的随机扰动幅度，
每次迭代后，更新温度T以逐步减少全局搜索的随机性的方式表示为：
（12）；
其中,表示迭代后的温度参数，/>为冷却系数，/>，/>表示迭代前的温度参数；
步骤S35：动态调整学习率，调整策略表示为：
（13）；
其中，为自适应调整后的学习率，/>和/>分别表示学习率增加因子和学习率减少因子，/>表示损失函数/>减少时的调整策略，/>表示损失函数增加时的调整策略；
步骤S36：将温度参数降低到预设的阈值以下时，训练结束。
5.如权利要求1所述的基于人工智能的变压器声纹故障识别方法，其特征在于，步骤S4中的训练自编码网络，具体为：
步骤S41：构建包括编码器和解码器的自编码器网络，编码器将输入的原始特征表示降维成低维特征表示，解码器根据低维特征表示输出重构特征表示，
编码器将输入的原始特征表示降维到低维特征表示，表示为下式：
（14）；
其中表示输入的原始特征表示/>通过编码器转换的低维特征表示，/>表示编码器的Sigmoid激活函数，/>表示编码器参数；
步骤S42：编码器通过引入参与度限制机制来确保在原始特征表示的降维过程中，只有与原始特征表示最相关的神经元被激活，对于每个低维特征表示，采用参与度限制低维特征表示，表示为：
（15）；
其中，表示采用参与度限制后的低维特征表示，/>表示用于参与度限制的低维特征表示，/>为符号函数，根据符号函数内数值的正负得到0或1，/>为参与度，用于控制低维特征表示的激活强度；
其中，的计算方式展开为：
（16）；
其中，是指示函数，当条件满足时为1，否则为0，用于参与度限制的低维特征表示/>的绝对值大于阈值/>时，重构特征表示/>才会被保留；
接着，解码器只有表示用于参与度限制的低维特征表示/>通过解码器重构为输入的声纹数据特征表示/>，表示为：
（17）；
其中，表示重构特征表示，/>表示解码器的Sigmoid激活函数，/>表示解码器参数；
步骤S43：在自编码器的损失函数中引入稀疏性正则化项，用于限制激活神经元的数量，损失函数表示为：
（18）；
其中，为重构误差，/>和/>分别为编码器和解码器权重的正则化函数，/>为正则化系数，用于平衡重构误差和稀疏性，重构误差的计算方式表示为：
（19）；
其中，n表示输入的原始特征表示和重构特征向量/>的维度，/>和/>分别是输入的声纹数据特征表示/>和重构特征向量的第i个元素；
步骤S44：通过迭代训练过程，不断调整自编码器的编码器参数和解码器参数，最小化重构误差。
6.如权利要求5所述的基于人工智能的变压器声纹故障识别方法，其特征在于，步骤S5中的训练分类器，具体为：
步骤S51：构建基于改进量子编码的分类器，分类器包括高阶神经网络模型与回声状态网络模型，高阶神经网络模型通过对输入数据进行高次非线性映射；
步骤S52：使用改进的量子编码方式初始化分类器的权重和偏置，表示为：
（20）；
（21）；
其中，Q( )表示量子编码函数，和/>分别表示分类器的初始权重和偏置，表示初始化后的分类器权重，/>表示初始化后的分类器偏置，/>表示初始化前的分类器权重，/>表示初始化前的分类器偏置；
对于量子编码函数Q( )，采用高维Hilbert空间的映射函数来完成量子编码，表示为：
（22）；
其中，和/>是Hilbert空间的基函数，/>表示量子态的张量积；
重构特征表示首先输入高阶神经网络模型，高阶神经网络模型每一层都使用高阶非线性变换，将重构特征表示转化为高级特征，使用高阶非线性变换对原始特征进行转换的过程表示为：
（23）；
其中，表示高阶神经网络模型当前层的输出，/>是非线性激活函数，/>是特征提取的权重矩阵；
步骤S53：高阶神经网络模型每一层输出的高级特征都会被送到高阶神经网络模型每一层的量子态动态调整模块，量子态动态调整模块动态调整高级特征量子态，表示为：
（24）；
其中，表示已调整量子态的高级特征，/> ()表示非线性激活函数，用于调整特征的量子态，/>是该层的权重矩阵；
步骤S54：已调整量子态的高级特征被送入回声状态网络模型中，表示为：
（25）；
其中，表示本次迭代的回声状态网络的输出，t表示时间步，/>是回声状态网络的激活函数，/>是权重矩阵，/>是上一个时间步的输出；
步骤S55：递归回声状态网络的输出被用作高阶神经网络的对应的每一层的输入，基于量子态动态调整的反馈，自动地调整后续高阶神经网络每一层的权重，表示为：
（26）；
其中，表示调整后的高阶神经网络的权重，/>是基于量子态动态调整反馈的权重调整矩阵；
步骤S56： 将从高阶神经网络模型获得的特征融合在一起，获得全局特征表示，形式化为：
（27）；
其中，表示全局特征表示，/>表示特征的融合操作；
步骤S57：将全局特征表示送入深度多层感知机中进行最终的分类训练，表示为：
（28）；
其中，表示某一故障类型的输出，/>是最终分类层的激活函数，/>是该层的权重矩阵；
步骤S58：引入了量子优化技术与蒙特卡洛模拟，以寻找最优解，在量子优化中，采用量子版本的梯度下降法，表示为：
（29）；
其中，是学习率，/>是基于量子态的梯度计算，/>是损失函数，/>和/>为高阶神经网络模型的权重参数迭代后和迭代前的值；
对于蒙特卡洛模拟定义接受概率为：
（30）；
其中，为在蒙特卡洛模拟中接受新解的概率；
对贝叶斯决策理论中的似然概率、先验概率和证据概率进行定义，似然概率是模型给定某一故障类型下生成观测数据的概率，即：
（31）；
其中，表示似然概率，/>表示观测数据，/>和/>是给定故障类型下的数据平均值和标准差，exp( )表示以自然常数e为底的指数函数；
步骤S59：使用贝叶斯决策理论结合模型的输出，来确定设备的故障类型，表示为：
（32）；
其中，先验概率是变压器在某一故障类型下的概率，证据概率/>是观测到某一数据的概率，通过归一化获得，/>表示给定数据/>时变压器处于某一故障类型的后验概率，/>表示先验概率，/>表示证据概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410568306.0A CN118155662A (zh) | 2024-05-09 | 2024-05-09 | 基于人工智能的变压器声纹故障识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410568306.0A CN118155662A (zh) | 2024-05-09 | 2024-05-09 | 基于人工智能的变压器声纹故障识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118155662A true CN118155662A (zh) | 2024-06-07 |
Family
ID=91299021
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410568306.0A Pending CN118155662A (zh) | 2024-05-09 | 2024-05-09 | 基于人工智能的变压器声纹故障识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118155662A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200311878A1 (en) * | 2019-04-01 | 2020-10-01 | Canon Medical Systems Corporation | Apparatus and method for image reconstruction using feature-aware deep learning |
| WO2023044978A1 (zh) * | 2021-09-27 | 2023-03-30 | 苏州大学 | 基于对抗流模型的机械设备无监督故障诊断方法 |
| CN116913316A (zh) * | 2023-06-15 | 2023-10-20 | 国网冀北电力有限公司廊坊供电公司 | 一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法 |
| CN117095699A (zh) * | 2023-09-04 | 2023-11-21 | 东北大学 | 基于循环生成对抗网络的变压器异常声纹样本生成方法 |
| CN117423344A (zh) * | 2023-09-27 | 2024-01-19 | 华迪计算机集团有限公司 | 一种基于神经网络的声纹识别方法及装置 |
| CN117995209A (zh) * | 2024-03-28 | 2024-05-07 | 荣耀终端有限公司 | 一种语音转换方法及相关设备 |
-
2024
- 2024-05-09 CN CN202410568306.0A patent/CN118155662A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200311878A1 (en) * | 2019-04-01 | 2020-10-01 | Canon Medical Systems Corporation | Apparatus and method for image reconstruction using feature-aware deep learning |
| WO2023044978A1 (zh) * | 2021-09-27 | 2023-03-30 | 苏州大学 | 基于对抗流模型的机械设备无监督故障诊断方法 |
| CN116913316A (zh) * | 2023-06-15 | 2023-10-20 | 国网冀北电力有限公司廊坊供电公司 | 一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法 |
| CN117095699A (zh) * | 2023-09-04 | 2023-11-21 | 东北大学 | 基于循环生成对抗网络的变压器异常声纹样本生成方法 |
| CN117423344A (zh) * | 2023-09-27 | 2024-01-19 | 华迪计算机集团有限公司 | 一种基于神经网络的声纹识别方法及装置 |
| CN117995209A (zh) * | 2024-03-28 | 2024-05-07 | 荣耀终端有限公司 | 一种语音转换方法及相关设备 |
Non-Patent Citations (3)
| Title |
|---|
| YAO, DEGUI, ET AL.: "The vibroacoustic characteristics analysis of transformer core faults based on multi-physical field coupling", 《SYMMETRY》, 7 March 2022 (2022-03-07) * |
| 刁冠勋 等: "基于掩码自编码技术的变压器故障声纹诊断方法研究", 《噪声与振动控制》, vol. 43, no. 6, 31 December 2023 (2023-12-31) * |
| 王欢: "基于改进生成对抗网络的变压器声纹故障诊断", 《设备状态评价》, vol. 52, no. 4, 30 April 2024 (2024-04-30) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112784965B (zh) | 面向云环境下大规模多元时间序列数据异常检测方法 | |
| Jiménez et al. | Maintenance management based on machine learning and nonlinear features in wind turbines | |
| Li et al. | Data alignments in machinery remaining useful life prediction using deep adversarial neural networks | |
| Ma et al. | Discriminative deep belief networks with ant colony optimization for health status assessment of machine | |
| JP6740247B2 (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
| CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
| CN111914873A (zh) | 一种两阶段云服务器无监督异常预测方法 | |
| CN112101220A (zh) | 一种无监督模型参数迁移的滚动轴承寿命预测方法 | |
| CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
| CN117648643B (zh) | 基于人工智能的索具预测性诊断方法及装置 | |
| CN112039903B (zh) | 基于深度自编码神经网络模型的网络安全态势评估方法 | |
| CN113255848A (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
| CN113420509A (zh) | 一种风电机组状态评价方法、装置及存储介质 | |
| CN115563563A (zh) | 基于变压器油色谱分析的故障诊断方法及装置 | |
| CN112990546A (zh) | 一种基于粒子群与神经网络的化工厂电力变压器故障预测方法 | |
| Qin et al. | Remaining useful life prediction using temporal deep degradation network for complex machinery with attention-based feature extraction | |
| CN117371608A (zh) | 基于深度学习的猪舍多点位温湿度预测方法及系统 | |
| CN117520809A (zh) | 一种基于EEMD-KPCA-CNN-BiLSTM的变压器故障诊断方法 | |
| Jiang et al. | A timeseries supervised learning framework for fault prediction in chiller systems | |
| Dang et al. | seq2graph: Discovering dynamic non-linear dependencies from multivariate time series | |
| CN118155662A (zh) | 基于人工智能的变压器声纹故障识别方法 | |
| CN114565051B (zh) | 基于神经元影响程度的产品分类模型的测试方法 | |
| CN107229944B (zh) | 基于认知信息粒子的半监督主动识别方法 | |
| Li et al. | Gated recurrent unit networks for remaining useful life prediction | |
| CN113887571A (zh) | 改进svr算法的电子设备故障预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |