-
题名基于一致损失生成对抗网络的冷水机组故障诊断
- 1
-
-
作者
高学金
吴浩宁
高慧慧
齐咏生
-
机构
北京工业大学信息科学技术学院
内蒙古工业大学电力学院
-
出处
《仪器仪表学报》
北大核心
2025年第1期285-297,共13页
-
基金
北京市自然科学基金(4222041)
北京市教育委员会科研计划(KM202410005034)项目资助。
-
文摘
冷水机组是供暖通风与空气调节系统的重要组成部分,当冷水机组发生故障时将造成能源浪费甚至安全事故。因此,针对冷水机组的故障诊断对于暖通风与空气调节等系统至关重要。基于数据驱动的故障诊断方法依赖大量历史数据,但带标签的故障数据往往难以收集,导致模型的诊断准确率下降。为此,提出了一种基于一致损失生成对抗网络(CLGAN)的故障诊断方法。首先,利用少量带标签样本和大量无标签样本训练CLGAN,并生成故障数据;然后,利用生成数据与历史数据构建一个包含各类故障的平衡数据集;最后,利用该数据集训练故障分类器并对冷水机组进行实时诊断。CLGAN通过在判别器中引入一致性损失函数,能够有效利用无标签数据辅助模型训练,提升了数据利用率。同时,CLGAN迫使生成器在多个尺度上满足判别器的要求,这种多维度的反馈机制使得模型在面对扰动时,依然能生成高质量的样本,进而提高故障诊断的准确性和鲁棒性。基于ASHRAE和HY-31C数据集的实验结果表明,在各类别仅有5个带标签样本的情况下,CLGAN分别获得了92.8%和95.9%的故障诊断准确率,展现了良好的故障诊断性能。此外,在噪声和跨工况实验中,CLGAN相比于其他对比方法也展现出了良好的鲁棒性和泛化性。
-
关键词
故障诊断
生成对抗网络
冷水机组
一致损失函数
无标签数据
-
Keywords
fault diagnosis
generative adversarial network
chiller
consistency loss function
unlabeled data
-
分类号
TH17
[机械工程—机械制造及自动化]
-
-
题名基于新型循环生成对抗网络的电力系统短期负荷预测
- 2
-
-
作者
夏明章
姜通海
张智晟
-
机构
青岛大学电气工程学院
中国广核集团有限公司
-
出处
《电气工程学报》
北大核心
2025年第2期237-244,共8页
-
基金
国家自然科学基金资助项目(52077108)。
-
文摘
针对提高电力系统短期负荷预测精度和预测稳定的问题,提出一种新型循环生成对抗网络(Cycle-consistent generative adversarial network,CycleGAN)。生成器和判别器分别为门控循环单元(Gated recurrent unit,GRU)和时间卷积网络(Temporal convolutional network,TCN)。生成器使用门控循环单元神经网络,能较好地适应时序预测任务和解决模型梯度问题。判别器模型使用时间卷积神经网络,在捕捉时序任务数据中的长期依赖关系上有着较好效果,并且更有效地识别生成器生成的伪造样本与真实样本之间的差异。同时,循环生成对抗网络引入了循环一致性损失函数,可以让模型在训练过程中更为充分地学习预测规律。通过算例试验,证明所提出的新模型具有更好的预测精度和稳定性。
-
关键词
短期负荷预测
门控循环单元
时间卷积神经网络
循环生成对抗网络
循环一致性损失函数
-
Keywords
Short-term load forecasting
gated recurrent unit
temporal convolutional neural network
cycle-consistent generative adversarial network
cycle consistency loss function
-
分类号
TM715
[电气工程—电力系统及自动化]
-
-
题名改进LDS_YOLO网络的遥感飞机检测算法研究
被引量：5
- 3
-
-
作者
吴杰
高策
余毅
张艳超
裴玉
马少峰
-
机构
中国科学院长春光学精密机械与物理研究所
西昌卫星发射中心
-
出处
《计算机工程与应用》
CSCD
北大核心
2022年第15期210-219,共10页
-
基金
吉林省科技发展计划(20190302086GX)。
-
文摘
为解决遥感飞机检测算法网络计算复杂、检测精度低的问题,以主流网络 YOLOv4为基础,从提高精度和简化模型两个方面进行改进研究,提出一种轻量级多尺度监督网络 LDS_YOLO(light dense supervision YOLO)。针对遥感飞机目标细节信息提取不足的问题,改进三组多尺度融合预测层结构,在每一个支路第一次上采样前的四个卷积块之间设计密集连接方式,可以增强融合不同尺度飞机,丰富特征细节信息,提高预测准确率;针对目标特征关联度低的问题,引入一致性监督损失函数,通过监督分类网络辅助预测的同时提高检测精度;通过增加包含全局平均池化层、全连接层和特征映射层的轻量化模块,调整通道结构减少权重模型的特征冗余,降低网络参数量。在保证检测率的基础上将模型参数量降低为 3.6×10^(6),计算量为 77 MFLOPs,测试检测率比原始模型损失不到 2.3%,速度达到 17 frame/s;通过与主流检测算法进行对比,分析轻量化后算法模型的抗过拟合能力和鲁棒性,证明轻量化遥感飞机目标检测算法的有效性和可行性。
-
关键词
目标检测
卷积神经网络
一致性监督损失函数
多尺度融合
轻量化模型
-
Keywords
target detection
convolutional neural network
consistency monitoring loss function
multi-scale fusion
lightweight model
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
