CN118211130B - 一种基于gan的变压器特高频局部放电缺陷数据增强方法 - Google Patents
一种基于gan的变压器特高频局部放电缺陷数据增强方法 Download PDFInfo
- Publication number
- CN118211130B CN118211130B CN202410624069.5A CN202410624069A CN118211130B CN 118211130 B CN118211130 B CN 118211130B CN 202410624069 A CN202410624069 A CN 202410624069A CN 118211130 B CN118211130 B CN 118211130B
- Authority
- CN
- China
- Prior art keywords
- data
- convolution
- model
- partial discharge
- discharge defect
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 238000010276 construction Methods 0.000 abstract 1
- 238000004088 simulation Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 5
- 238000003909 pattern recognition Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种基于GAN的变压器特高频局部放电缺陷数据增强方法，属于变压器特高频局部放电信号数据增强领域。具体包括特高频局部放电缺陷信号数据采集，归一化，小波软阈值去噪，数据清洗，时频图转换，数据集构建；并利用改进的深度可分离卷积结构SMixedConv构建数据增强模块DSWGAN‑GP，通过迭代训练提高模型的数据特征学习能力。实现对小样本且不平衡的数据集进行平衡和扩充优化。该模型具有更小的模型参数，通过引入混合卷积模式提高模型的特征模拟能力，能够在较小的训练次数内完成特征学习和收敛，具有较好的数据学习能力和更小的模型参数，具有实际工程应用价值。
Description
技术领域
本发明涉及变压器特高频局部放电信号模式识别领域，特别涉及一种基于GAN的变压器特高频局部放电缺陷数据增强方法。
背景技术
局部放电缺陷检测作为变压器等电力设备绝缘状态评估的核心方法，局部放电缺陷检测技术水平与变压器、线缆、开关柜等电力等设备安全运行和人身安全息息相关。由于局放信号放电的随机性，导致局部放电模式识别在训练模型阶段会由于采集的局放缺陷信号数据集存在少样本和数据不平衡的问题，该问题极大的影响了局部放电模式识别的模型训练效率和识别准确率。目前在局部放电模式识别中结合生成对抗模型进行数据增强和模式识别的技术吸引了大量的学者和专家进行研究。但大多数研究都聚焦在如何提高生成对抗模型的训练稳定性上，并未考虑在实际的工程应用中在有效学习数据特征的同时还需要对模型的大小和参数量进行优化的问题。
因此，本领域的技术人员致力于开发一种基于GAN的变压器特高频局部放电缺陷数据增强方法，以提高局部放电模式识别的准确率，减小误判概率，并优化数据增强模型的模型结构，缩减参数规模，提高模型的工程应用价值。
发明内容
本发明目的就在于为了解决上述的问题，而提供一种基于GAN的变压器特高频局部放电缺陷数据增强方法。
为实现上述目的，本发明采取的技术方案为：具体包括如下步骤：
1、一种基于GAN的变压器特高频局部放电缺陷数据增强方法，其特征在于：具体包括如下步骤：
步骤1、通过接收机和天线等设备采集变压器的特高频局放缺陷信号数据；
步骤2、对局放缺陷信号数据进行数据预处理，其中包括数据归一化，去噪，脉冲信号提取，将单个脉冲信号转换成时频图，构建局放缺陷信号数据集，按比例划分为训练集和测试集；
步骤3、在传统的GAN模型结构上引入Wasserstein距离以及梯度惩罚机制提高模型的训练稳定性，结合改进的深度可分离结构SMixedConv搭建数据增强模型DSWGAN-GP，并采用步骤2中的数据集进行训练，更新模型权重参数，提高生成器模型的特征学习能力，训练完成后，评估模型的生成能力，得到生成能力最优的数据增强模型DSWGAN-GP；
具体的，结合改进的深度可分离结构SMixedConv搭建数据增强模型DSWGAN-GP的具体细节为：
数据增强模型DSWGAN-GP中的生成器结构分为五个上采样模块，鉴别器结构分为五个下采样模块；
在数据增强模块的生成器第一上采样模块中采用转置卷积完成初步的数据特征提取和上采样；在第二、三、四上采样模块中均使用双三次插值进行上采样，并利用改进的深度可分离卷积结构SMixedConv对数据进行特征提取；在第五上采样模块中采用转置卷积完成最后的上采样部分。在鉴别器部分，在鉴别器的第二、三、四下采样模块中使用改进的深度可分离卷积结构SMixedConv代替传统的卷积结构，构成数据增强模型DSWGAN-GP。
其中改进的深度可分离卷积的具体步骤包括：将深度可分离卷积的单一卷积核尺寸逐通道卷积结构进行优化，引入混合卷积模式，将输入通道和输出通道按均值划分方式分为不同的组，输入和输出的通道按混合卷积组数进行映射，每组使用不同的卷积核尺寸，通过不同尺寸的卷积核对特征向量进行卷积得到多尺度的特征信息，再通过逐点卷积完成特征信息融合。大尺寸的卷积核可以关注数据的全局信息，小尺寸的卷积核可以关注数据的局部细节，通过结合通道分组的卷积模式能够有效减少模型参数，同时实现多尺度特征信息提取和融合。
其中分组卷积的数学公式为：
其中，i,j是输出特征图的空间位置索引，m是组内输入通道索引，k是输出通道索引，p,q是卷积核的空间位置索引，Filterg是第g个组内的卷积核，大小为（Cin/G, Cin /G,K,K），bg,k是第g组中第k个输出通道的偏置项，inputg是第g个组内的输入特征向量，outputg是第g个组内的输出特征向量。
步骤4、通过数据增强模块调用训练完成的模型进行缺陷数据生成进行数据扩充并平衡数据集，实现局放缺陷数据的优化增强。
与现有技术相比，本发明具有如下有益效果：
1、本发明能够解决局部放电在实际工程中面临的缺陷数据量小，不同缺陷类别之间数据不平衡的问题，为大模型深度学习架构的训练提供数据基础，可更加充分地挖掘大模型的性能优势，提高局部放电识别地准确率，减小误判概率；
2、通过结合深度可分离卷积和双三次插值上采样的方法缩减生成模型的网络参数，增加多尺度特征提取功能，提高生成器的特征学习能力，并在保证生成对抗模型收敛的情况下实现在较小的训练轮次内学习到局放缺陷数据特征，后续可通过该研究基础进一步探索模型优化方法，更好为工程实际服务。
3、本发明的数据增强模型拥有更小的参数量，在实现数据扩充的基础上，有效地缩减了模型规模，可以有效减小实践应用中的硬件压力，更具工程实践价值。
附图说明
图1为本发明的局放缺陷信号数据数据增强方法流程图；
图2为本发明提取的不同类别局放缺陷信号波形及时频图；
图3为本发明中的SMixedConv与DSConv结构对比图；
图4为本发明中数据增强模型DSWGAN-GP的结构图；
图5为本发明中数据增强模型DSWGAN-GP的训练损失图；
图6为本发明中DSWGAN-GP模型不同训练阶段生成图片效果图；
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
本发明实施例公开了一种基于GAN的变压器特高频局部放电缺陷数据增强方法，如图1所示，该方法包括以下步骤：
步骤1：通过接收机和天线等设备采集变压器的特高频局放缺陷信号数据；
步骤2：对局放缺陷信号数据进行数据预处理，其中包括数据归一化，去噪，脉冲信号提取，将单个脉冲信号转换成时频图，构建局放缺陷信号数据集；
其中去噪方法采用小波软阈值法去噪，小波选择为“db6”，分解次数为6，阈值设置为0.08；对去噪的信号进行脉冲提取，采用双阈值法判断局放脉冲的发生位置，通过对该点前后取点得到完整的脉冲波形，对波形数据集进行数据清洗，去除不合格数据和额外的脉冲干扰；采用小波变换得到不同缺陷局放类别脉冲的时频图如图2所示，可观察到不同的局放脉冲具有不同的波形，并在小波时频图中具有不同的频率范围，该特征可作为区分不同脉冲的分类依据，根据脉冲数据构建不同类别的时频图数据集，按照4：1的比例划分训练集和测试集；
步骤3、在传统的GAN模型结构上引入Wasserstein距离以及梯度惩罚机制提高模型的训练稳定性，结合改进的深度可分离结构SMixedConv搭建数据增强模型DSWGAN-GP，并采用步骤2中的数据集进行训练，更新模型权重参数，提高生成器模型的特征学习能力，训练完成后，评估模型的生成能力，得到生成能力最优的数据增强模型DSWGAN-GP；
具体的，结合改进的深度可分离结构SMixedConv搭建数据增强模型DSWGAN-GP的具体细节为：
根据图4所示，数据增强模型DSWGAN-GP中的生成器结构分为五个上采样模块，鉴别器结构分为五个下采样模块；
在数据增强模块的生成器第一上采样模块中采用转置卷积完成初步的数据特征提取和上采样；在第二、三、四上采样模块中均使用双三次插值进行上采样，并利用改进的深度可分离卷积结构SMixedConv对数据进行特征提取；在第五上采样模块中采用转置卷积完成最后的上采样部分。在鉴别器部分，在鉴别器的第二、三、四下采样模块中使用改进的深度可分离卷积结构SMixedConv代替传统的卷积结构，构成数据增强模型DSWGAN-GP。
其中改进的深度可分离卷积的具体步骤包括：将深度可分离卷积的单一卷积核尺寸逐通道卷积结构进行优化，引入混合卷积模式，将输入通道和输出通道按均值划分方式分为不同的组，输入和输出的通道按混合卷积组数进行映射，每组使用不同的卷积核尺寸，通过不同尺寸的卷积核对特征向量进行卷积得到多尺度的特征信息，再通过逐点卷积完成特征信息融合。大尺寸的卷积核可以关注数据的全局信息，小尺寸的卷积核可以关注数据的局部细节，通过结合通道分组的卷积模式能够有效减少模型参数，同时实现多尺度特征信息提取和融合。
其中分组卷积的数学公式为：
(1)
其中，i,j是输出特征图的空间位置索引，m是组内输入通道索引，k是输出通道索引，p,q是卷积核的空间位置索引，Filterg是第g个组内的卷积核，大小为（Cin/G, Cin /G,K,K），bg,k是第g组中第k个输出通道的偏置项，inputg是第g个组内的输入特征向量，outputg是第g个组内的输出特征向量。
通过表1对比可知，通过本发明的改进后，数据增强模块中的上采样部分总模型参数由原来的3,572,736下降到1,009,984，下降了约3.5倍。通过图6可知，本发明的数据增强模型在较少的训练次数内就能通过生成器中的五个上采样模块和鉴别器中的五个下采样模块捕捉到局放缺陷信号数据的关键特征，对比传统的模型在较少的训练次数内会产生矩阵噪声干扰，需要较多的迭代次数才能消除这种情况，改进后的模型具有更好的生成效果并具有较少的参数，更具工程应用价值。
表1 模型参数对比
| 模型 | 上采样模块总参数 | 模型总参数 |
| WGAN-GP | 3,572,736 | 3,574,656 |
| DSWGAN-GP | 1,009,984 | 1,011,904 |
在模型训练时通过损失函数变化情况观察生成器和鉴别器的收敛情况，当模型收敛时需要再进行一定次数的训练迭代后停止训练；
模型性能评估：调用训练好的模型将随机噪声输入模型得到数据增强后的局放缺陷信号数据，通过计算生成的局放缺陷信号数据和原始数据之间的SSIM值等生成器性能评价指标，评价生成器的训练效果。本文实验选用训练收敛后的模型权重加载到模型中进行数据增强效果评估，选择两种缺陷类型作为实验对象，分别生成50张时频图，与原始数据集中的数据进行SSIM值计算，评价模型生成能力，对比结果如表2所示，可以观察到两种缺陷类型通过本发明的数据增强后的数据与原始数据之间的SSIM值都在99%以上，可以作为数据扩充的实例。
表2 计算SSIM值评价模型生成能力
| 缺陷类型 | 生成数量 | SSIM值 |
| 金属放电 | 50 | 99.989% |
| 沿面放电 | 50 | 99.992 % |
步骤4、通过数据增强模块调用训练完成的模型进行缺陷数据生成进行数据扩充并平衡数据集，实现局放缺陷数据的优化增强。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (1)
1.一种基于GAN的变压器特高频局部放电缺陷数据增强方法，其特征在于：具体包括如下步骤：
步骤1、通过接收机和天线设备采集变压器的特高频局放缺陷信号数据；
步骤2、对局放缺陷信号数据进行数据预处理，其中包括数据归一化，去噪，脉冲信号提取，将单个脉冲信号转换成时频图，构建局放缺陷信号数据集，按比例划分为训练集和测试集；
步骤3、在传统的GAN模型结构上引入Wasserstein距离以及梯度惩罚机制提高模型的训练稳定性，结合改进的深度可分离结构SMixedConv搭建数据增强模型DSWGAN-GP，并采用步骤2中的数据集进行训练，更新模型权重参数，提高生成器模型的特征学习能力，训练完成后，评估模型的生成能力，得到生成能力最优的数据增强模型DSWGAN-GP；
具体的，结合改进的深度可分离结构SMixedConv搭建数据增强模型DSWGAN-GP的具体细节为：数据增强模型DSWGAN-GP中的生成器结构分为五个上采样模块，鉴别器结构分为五个下采样模块；
在数据增强模块的生成器第一上采样模块中采用转置卷积完成初步的数据特征提取和上采样；在第二、三、四上采样模块中均使用双三次插值进行上采样，并利用改进的深度可分离卷积结构SMixedConv对数据进行特征提取；在第五上采样模块中采用转置卷积完成最后的上采样部分；在鉴别器部分，在鉴别器的第二、三、四下采样模块中使用改进的深度可分离卷积结构SMixedConv代替传统的卷积结构，构成数据增强模型DSWGAN-GP；
其中改进的深度可分离卷积的具体步骤包括：将深度可分离卷积的单一卷积核尺寸逐通道卷积结构进行优化，引入混合卷积模式，将输入通道和输出通道按均值划分方式分为不同的组，输入和输出的通道按混合卷积组数进行映射，每组使用不同的卷积核尺寸，通过不同尺寸的卷积核对特征向量进行卷积得到多尺度的特征信息，再通过逐点卷积完成特征信息融合；大尺寸的卷积核关注数据的全局信息，小尺寸的卷积核关注数据的局部细节，通过结合通道分组的卷积模式能够有效减少模型参数，同时实现多尺度特征信息提取和融合；
其中分组卷积的数学公式为：
其中，是输出特征图的空间位置索引，是组内输入通道索引，是输出通道索引，是卷积核的空间位置索引，是第个组内的卷积核，大小为，是第组中第个输出通道的偏置项，是第个组内的输入特征向量，是第g个组内的输出特征向量；
步骤4、通过数据增强模块调用训练完成的模型进行缺陷数据生成进行数据扩充并平衡数据集，实现局放缺陷数据的优化增强。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410624069.5A CN118211130B (zh) | 2024-05-20 | 2024-05-20 | 一种基于gan的变压器特高频局部放电缺陷数据增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410624069.5A CN118211130B (zh) | 2024-05-20 | 2024-05-20 | 一种基于gan的变压器特高频局部放电缺陷数据增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118211130A CN118211130A (zh) | 2024-06-18 |
| CN118211130B true CN118211130B (zh) | 2024-07-12 |
Family
ID=91449115
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410624069.5A Active CN118211130B (zh) | 2024-05-20 | 2024-05-20 | 一种基于gan的变压器特高频局部放电缺陷数据增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118211130B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114037001A (zh) * | 2021-10-11 | 2022-02-11 | 中国人民解放军92578部队 | 基于wgan-gp-c和度量学习的机械泵小样本故障诊断方法 |
| CN115908842A (zh) * | 2022-11-02 | 2023-04-04 | 淮南市潘阳光伏发电有限公司 | 变压器局部放电数据增强与识别方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117332268A (zh) * | 2023-10-08 | 2024-01-02 | 上海交通大学 | 一种改进gan的gis局放数据增强方法及系统 |
| CN117496358B (zh) * | 2023-12-29 | 2024-03-22 | 中国石油大学(华东) | 基于激光雷达数据进行特征增强的神经网络构建方法 |
-
2024
- 2024-05-20 CN CN202410624069.5A patent/CN118211130B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114037001A (zh) * | 2021-10-11 | 2022-02-11 | 中国人民解放军92578部队 | 基于wgan-gp-c和度量学习的机械泵小样本故障诊断方法 |
| CN115908842A (zh) * | 2022-11-02 | 2023-04-04 | 淮南市潘阳光伏发电有限公司 | 变压器局部放电数据增强与识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118211130A (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860982B (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN109890043B (zh) | 一种基于生成式对抗网络的无线信号降噪方法 | |
| CN113094993B (zh) | 基于自编码神经网络的调制信号去噪方法 | |
| CN112287784B (zh) | 一种基于深度卷积神经网络与特征融合的雷达信号分类方法 | |
| CN113488060B (zh) | 一种基于变分信息瓶颈的声纹识别方法及系统 | |
| CN111914705A (zh) | 提升电抗器健康状态评估准确率的信号生成方法及装置 | |
| CN109655266B (zh) | 一种基于avmd和谱相关分析的风电机组轴承故障诊断方法 | |
| CN111275108A (zh) | 基于生成对抗网络对局部放电数据进行样本扩展的方法 | |
| CN111624570B (zh) | 基于二维卷积神经网络的雷达目标识别方法 | |
| CN112613493A (zh) | 一种基于多特征提取和woa-elm的滚动轴承故障诊断方法 | |
| CN103679199A (zh) | 基于入侵性杂草算法的有噪独立分量分析方法 | |
| Qin et al. | Radar waveform recognition based on deep residual network | |
| CN111010356A (zh) | 一种基于支持向量机的水声通信信号调制方式识别方法 | |
| CN112414715B (zh) | 基于混合特征与改进灰度共生算法的轴承故障诊断方法 | |
| CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
| CN116340859A (zh) | 一种噪声背景下基于振动信号的海上风电机组齿轮箱故障诊断方法 | |
| CN115146687B (zh) | 基于二阶变尺度参数自匹配随机共振的故障特征提取方法 | |
| CN118211130B (zh) | 一种基于gan的变压器特高频局部放电缺陷数据增强方法 | |
| CN117390508B (zh) | 一种基于时移多尺度余弦相似熵的水电机组信号状态识别方法 | |
| CN116863959B (zh) | 一种基于生成对抗网络的海豚叫声生成方法 | |
| CN112183260A (zh) | 一种基于总变差降噪与rqa的单向阀故障诊断方法 | |
| CN115356599B (zh) | 一种多模态城市电网故障诊断方法及系统 | |
| CN102509268B (zh) | 基于免疫克隆选择的非下采样轮廓波域图像去噪方法 | |
| CN115169407B (zh) | 基于时域深度特征学习的微弱瞬态信号检测方法及系统 | |
| CN116684233B (zh) | 一种基于图像显著性检测的通信信号调制识别方法 |
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 |