-
公开(公告)号：CN118154997A
公开(公告)日：2024-06-07
申请号：CN202410573473.4
申请日：2024-05-10
申请人： 国网江西省电力有限公司南昌供电分公司 , 山东送变电工程有限公司 , 国家电网有限公司
IPC分类号： G06V10/764 , G06V10/82 , G06V10/44 , G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/0464 , G06N3/006 , G06N3/0455 , G06N3/048
摘要： 本发明公开了一种绝缘子质量检测方法，包括如下步骤：采集绝缘子图像进行标注缺陷，对标注后的图像进行数据扩充；构建改进特征提取模型、特征降维模型和分类器，采用扩充后的数据对改进特征提取模型进行训练，使用训练好的改进特征提取模型的输出对特征降维模型训练，使用训练好的特征降维模型的输出对分类器训练，将训练好的改进特征提取模型、特征降维模型和分类器投入绝缘子质量检测；本发明利用模态转换机制生成对抗网络来生成多样化的训练数据，采用蚁群优化神经网络与气味散发机制，引入基于气味散发模型的蚁群优化神经网络算法进行特征提取，采用改进稀疏自编码神经网络用于特征降维，提高了绝缘子检测过程中的稳定性和准确性。
-
公开(公告)号：CN118155662B
公开(公告)日：2024-08-09
申请号：CN202410568306.0
申请日：2024-05-09
申请人： 国网江西省电力有限公司南昌供电分公司 , 山东送变电工程有限公司 , 国家电网有限公司
IPC分类号： G10L25/51 , G10L25/30 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06F18/241 , G06F18/213 , G06N3/048 , G06N3/047 , G06F18/2415
摘要： 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。
-
公开(公告)号：CN118155662A
公开(公告)日：2024-06-07
申请号：CN202410568306.0
申请日：2024-05-09
申请人： 国网江西省电力有限公司南昌供电分公司 , 山东送变电工程有限公司 , 国家电网有限公司
IPC分类号： G10L25/51 , G10L25/30 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06F18/241 , G06F18/213 , G06N3/048 , G06N3/047 , G06F18/2415
摘要： 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。
-
公开(公告)号：CN118154997B
公开(公告)日：2024-08-09
申请号：CN202410573473.4
申请日：2024-05-10
申请人： 国网江西省电力有限公司南昌供电分公司 , 山东送变电工程有限公司 , 国家电网有限公司
IPC分类号： G06V10/764 , G06V10/82 , G06V10/44 , G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/0464 , G06N3/006 , G06N3/0455 , G06N3/048
摘要： 本发明公开了一种绝缘子质量检测方法，包括如下步骤：采集绝缘子图像进行标注缺陷，对标注后的图像进行数据扩充；构建改进特征提取模型、特征降维模型和分类器，采用扩充后的数据对改进特征提取模型进行训练，使用训练好的改进特征提取模型的输出对特征降维模型训练，使用训练好的特征降维模型的输出对分类器训练，将训练好的改进特征提取模型、特征降维模型和分类器投入绝缘子质量检测；本发明利用模态转换机制生成对抗网络来生成多样化的训练数据，采用蚁群优化神经网络与气味散发机制，引入基于气味散发模型的蚁群优化神经网络算法进行特征提取，采用改进稀疏自编码神经网络用于特征降维，提高了绝缘子检测过程中的稳定性和准确性。
-
公开(公告)号：CN118762332A
公开(公告)日：2024-10-11
申请号：CN202411239725.6
申请日：2024-09-05
申请人： 国网江西省电力有限公司南昌供电分公司 , 国家电网有限公司
IPC分类号： G06V20/52 , G06V10/764 , G06V10/82 , G06V10/77 , G06V10/44 , G06N3/0475 , G06N3/094 , G06N3/0455 , G06N3/084
摘要： 本发明公开了一种作业现场安全检测方法、安全检测系统及安全围栏，该方法包括如下步骤：采用扩充数据训练特征提取模型，采用特征提取模型的输出训练特征降维模型，采用特征降维模型的输出训练分类器模型，将各训练好的模型应用于施工作业现场检测，其中，特征提取模型采用基于环形动态优化算法的神经网络，特征降维模型采用基于对偶损失的自编码神经网络，分类器模型采用基于曲率感知权重更新的极限学习机算法；本发的特征提取模型可根据不同的训练阶段调整优化策略，模拟生物周期以应对不同数据特性，提升了特征提取的效率和准确性；通过自编码器进行特征降维，并采用基于对偶损失的方法，可有效挖掘数据内在结构，提高降维数据的表征能力。
-
-
-
-
搜索结果
5 条记录 (耗时 0.061 秒)
