基于特征融合词袋和并行孪生网络的发电机局放识别方法

    公开(公告)号:CN116522277A

    公开(公告)日:2023-08-01

    申请号:CN202310461785.1

    申请日:2023-04-26

    摘要: 本发明公开一种基于特征融合词袋和并行孪生网络的发电机局放识别方法,在实验室采集发电机定子线棒局部放电数据和相位信号数据,获取对应的相位图谱,构建SIFT、LBP、HOG和Haar‑like多描述子特征检测的词袋单词本并检索相似局放图谱;基于实验室采集到的局放样本训练AlexNet、GoogLeNet、VGG‑16和ResNet神经网络,然后通过训练好的神经网络孪生,共享权值,利用全连接层交叉熵函数计算损失,选取损失最小的标签作为各通道识别结果;测试时基于图谱不同相位象限分割的多通道识别结果使用自适应融合策略整合,获取最终局放模式识别结果。本发明弥补了传统深度学习分类方法在数据不平衡和存在小样本数据无法训练的不足,解决了局放模式识别问题中存在的数据不平衡、小样本识别问题。

    一种基于阈值谱图和轻量神经网络的发电机局放模式识别方法

    公开(公告)号:CN115438701A

    公开(公告)日:2022-12-06

    申请号:CN202211109959.X

    申请日:2022-09-13

    摘要: 本发明公开一种基于阈值图谱和轻量神经网络的发电机局放模式识别方法,在实验室环境下采集不同缺陷类型的发电机定子线棒放电数据和相位信号数据,获取已知的线棒绝缘缺陷对应的相位图谱,选择不同类型典型缺陷最优阈值参数并基于自适应阈值二值化方法优选阈值图谱特征;构建HOG、SHIF、SURF和MSER不同类型的图像特征,并进行多维特征融合;基于不同工业应用场景选择SqueezeNet、MobileNet、ShuffleNet以及Xception四种轻量级神经网络进行集成学习,将提取的多维融合特征对不同轻量级神经网络模型进行训练,通过权重调节对模式识别结果进行判断,输出发电机定子线棒缺陷类型的判别结果。此方法基于阈值谱图和轻量神经网络,提高了模式识别的精确性和实时性。

    基于多变量形态和多标签Faster R-CNN的发电机定子局放识别方法

    公开(公告)号:CN117523303A

    公开(公告)日:2024-02-06

    申请号:CN202311556043.3

    申请日:2023-11-17

    发明人: 彭小圣 陈玉竹

    摘要: 本发明公开一种基于多变量形态和多标签Faster R‑CNN的发电机定子局放识别方法,采集发电机定子线棒局放数据,构建局放图谱的多变量形态学特征;通过设计全新的具有多标签检测功能的感兴趣区域池化结构Faster R‑CNN对局放图谱进行图谱区域划分,获取能够表征不同类型缺陷的局放样本的主成分空间区域;基于图谱划分结果采用MobileNet、SuffleNet、SqueezeNet和EfficientNet四种轻量化神经网络进行联合加权聚合,将局放样本主成分空间区域通过学习通道权重和空间权重来选择每个通道和每个空间位置的重要性,最终模式识别结果为通道的权重和空间权重的加权平均。本发明通过获取局放样本主成分空间区域,实现了基于发电机定子典型缺陷局放图谱部分区域的模式识别。