有载分接开关(on-load tap changer,OLTC)是变压器实现有载调压的关键部件,具有复杂的机电结构。基于振动信号的OLTC机械故障诊断目前存在样本标记难度高而难以有效训练的难题。文中提出一种基于贝叶斯优化和卷积算子改进的阶梯网络(Bay...有载分接开关(on-load tap changer,OLTC)是变压器实现有载调压的关键部件,具有复杂的机电结构。基于振动信号的OLTC机械故障诊断目前存在样本标记难度高而难以有效训练的难题。文中提出一种基于贝叶斯优化和卷积算子改进的阶梯网络(Bayesian optimization-convolutional ladder networks,BO-ConvLN),可在少标签情况下提高OLTC机械故障诊断的精度。首先,引入阶梯网络对振动信号进行半监督学习,充分利用大量无标签样本的潜在信息对特征提取过程进行指导,提升少标签情况下阶梯网络的诊断性能。然后,用卷积算子替代阶梯网络中的全连接形式的线性变换,增强阶梯网络对非平稳振动信号的特征提取能力。在此基础上,借助贝叶斯优化对阶梯网络高维超参数进行寻优,在有限时间成本下显著提升了模型的诊断精度。实验结果显示,在仅有40个标签的情况下,对传动卡涩、芯子润滑不足、顶盖松动3类故障的诊断精度达91.67%,证明了BO-ConvLN在故障诊断中的有效性。展开更多
变电站设备种类繁多、缺陷类型复杂、特征差异大,传统的基于深度学习的缺陷图像检测模型难以同时有效处理不同设备的多种缺陷。为此,提出了一种基于语义信息距离解耦的缺陷图像检测模型(sematic-distance based decoupling detection mo...变电站设备种类繁多、缺陷类型复杂、特征差异大,传统的基于深度学习的缺陷图像检测模型难以同时有效处理不同设备的多种缺陷。为此,提出了一种基于语义信息距离解耦的缺陷图像检测模型(sematic-distance based decoupling detection model,SDB-DDM)。首先对缺陷类别进行语义信息聚簇,构建解耦式网络结构,然后对网络输出进行加权锚框融合,并在损失函数中加入局部预测损失以提升预测能力,同时提出解耦式非极大值抑制策略以加快模型推理速度。该模型可根据缺陷类别进行自适应调整,以适用变电运维多类别缺陷图像检测的应用场景。实验结果显示,该模型的平均精度均值达到了69.68%。同平台下相较于目前性能最佳的目标检测模型(YOLOX),精度提升了1.36个百分点,参数量下降了5%,推理速度提升了34%。展开更多
文摘变电站设备种类繁多、缺陷类型复杂、特征差异大,传统的基于深度学习的缺陷图像检测模型难以同时有效处理不同设备的多种缺陷。为此,提出了一种基于语义信息距离解耦的缺陷图像检测模型(sematic-distance based decoupling detection model,SDB-DDM)。首先对缺陷类别进行语义信息聚簇,构建解耦式网络结构,然后对网络输出进行加权锚框融合,并在损失函数中加入局部预测损失以提升预测能力,同时提出解耦式非极大值抑制策略以加快模型推理速度。该模型可根据缺陷类别进行自适应调整,以适用变电运维多类别缺陷图像检测的应用场景。实验结果显示,该模型的平均精度均值达到了69.68%。同平台下相较于目前性能最佳的目标检测模型(YOLOX),精度提升了1.36个百分点,参数量下降了5%,推理速度提升了34%。
