欧美日韩在线播放一区二区三区|精品人妻久久久久一区二区三区|美女黄无遮挡网站在线观看|精品人妻伦一二二区久久

編碼器_傳感器_讀碼器_機(jī)器視覺(jué) - 西安德伍拓自動(dòng)化傳動(dòng)系統(tǒng)有限公司
首頁(yè) 資訊百科 技術(shù)百科

通過(guò)改進(jìn)自動(dòng)編碼器提升數(shù)據(jù)不足條件下的變壓器故障診斷精度

編輯:小伍    發(fā)布時(shí)間:2022-05-26 08:59:28

摘要:目前,AE在機(jī)器翻譯、數(shù)據(jù)降維、表征學(xué)習(xí)及圖像修復(fù)等領(lǐng)域具有較好的應(yīng)用效果,但在變壓器故障數(shù)據(jù)增強(qiáng)中的應(yīng)用仍處于初級(jí)階段。理論上,AE可以利用具有強(qiáng)大學(xué)習(xí)能力的編碼器有效地提取溶解氣體的潛在特征,并通過(guò)解碼器反向重構(gòu)溶解氣體數(shù)據(jù),更可為變壓器故障診斷提供數(shù)據(jù)保障。
通過(guò)改進(jìn)自動(dòng)編碼器提升數(shù)據(jù)不足條件下的變壓器故障診斷精度

變壓器發(fā)生故障的情況較少,使得基于機(jī)器學(xué)習(xí)的變壓器故障診斷方法存在數(shù)據(jù)不足的問(wèn)題。為此,智能電網(wǎng)教育部重點(diǎn)實(shí)驗(yàn)室(天津大學(xué))、瑞典皇家理工學(xué)院電氣工程與計(jì)算機(jī)科學(xué)學(xué)院、國(guó)網(wǎng)冀北電力有限公司檢修分公司的研究人員葛磊蛟、廖文龍、王煜森、宋麗可,在2021年《電工技術(shù)學(xué)報(bào)》增刊1上撰文,提出一種基于改進(jìn)自動(dòng)編碼器(IAE)的變壓器故障數(shù)據(jù)增強(qiáng)方法。

首先,針對(duì)傳統(tǒng)自動(dòng)編碼器生成的數(shù)據(jù)有限和缺乏多樣性的問(wèn)題,提出改進(jìn)的變壓器故障數(shù)據(jù)生成策略。其次,考慮到傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的池化操作會(huì)丟失大量特征信息,構(gòu)建改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)(ICNN)作為故障診斷的分類器。最后,通過(guò)實(shí)際數(shù)據(jù)驗(yàn)證了所提方法的有效性和適應(yīng)性。仿真結(jié)果表明,相對(duì)于隨機(jī)過(guò)采樣算法、合成少數(shù)類過(guò)采樣技術(shù)及自動(dòng)編碼器等傳統(tǒng)的數(shù)據(jù)增強(qiáng)方法,IAE能同時(shí)兼顧數(shù)據(jù)的分布和多樣性特征,生成的變壓器故障數(shù)據(jù)對(duì)分類器的性能提升效果最好。和傳統(tǒng)分類器相比,ICNN在數(shù)據(jù)增強(qiáng)前、后都具有更高的故障診斷精度。

通過(guò)改進(jìn)自動(dòng)編碼器提升數(shù)據(jù)不足條件下的變壓器故障診斷精度

變壓器是一種利用電磁感應(yīng)原理來(lái)實(shí)現(xiàn)電壓變換的裝置,它在輸電側(cè)和配電側(cè)都起著至關(guān)重要的作用。一旦變壓器發(fā)生故障,會(huì)嚴(yán)重影響電力系統(tǒng)的正常運(yùn)行,造成負(fù)荷大面積失電等嚴(yán)重事故,并帶來(lái)一定的經(jīng)濟(jì)損失。因此,開展變壓器故障診斷研究具有重要的理論意義和工程實(shí)際應(yīng)用價(jià)值。

目前,大部分的大型電力變壓器屬于油浸式變壓器,變壓器油中的溶解氣體含量是故障診斷的重要依據(jù)。基于分析溶解氣體含量發(fā)展而來(lái)的傳統(tǒng)故障診斷方法主要包括三比值法、支持向量機(jī)(Support Vector Machine, SVM)法、貝葉斯網(wǎng)絡(luò)法、多層感知機(jī)(Multi-Layer Perceptron, MLP)法及輕梯度提升機(jī)(Light Gradient Boosting Machine, LightGBM)法等。這些傳統(tǒng)方法的原理簡(jiǎn)單、對(duì)于數(shù)據(jù)量要求比較小,但它們存在共性的問(wèn)題,即特征能力不足,故障診斷的精度有限。

近年來(lái),深度學(xué)習(xí)技術(shù)在自然語(yǔ)言處理、計(jì)算機(jī)視覺(jué)和視頻分析等多個(gè)領(lǐng)域都取得了優(yōu)異的成績(jī),這為提升變壓器故障診斷精度帶來(lái)了新的契機(jī)?;谏疃葘W(xué)習(xí)技術(shù)的變壓器故障診斷方法主要包括卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)法和深度信念網(wǎng)絡(luò)法,它們不僅具有強(qiáng)大的特征提取能力,還能映射溶解氣體和故障類型之間復(fù)雜的非線性關(guān)系,相較于傳統(tǒng)方法具有更高的診斷精度。

訓(xùn)練集中包含充足且分布均勻的故障樣本,是保障深度神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)泛化能力的關(guān)鍵條件。然而,變壓器發(fā)生各類故障的頻率差異較大,可能存在信息記錄不全或者數(shù)據(jù)缺失等問(wèn)題,導(dǎo)致難以滿足深度神經(jīng)網(wǎng)絡(luò)對(duì)于故障樣本數(shù)據(jù)量的要求。因此,如何在數(shù)據(jù)不足的條件下對(duì)變壓器故障數(shù)據(jù)進(jìn)行增強(qiáng)是亟待解決的問(wèn)題。

一些專家學(xué)者已經(jīng)對(duì)此展開了初步的研究,有學(xué)者分別利用隨機(jī)過(guò)采樣(Randdom Over-Sampling, ROS)算法和合成少數(shù)類過(guò)采樣技術(shù)(Synthetic Minority Over-sampling Technique, SMOTE)讓每個(gè)正樣本和附近的多個(gè)樣本隨機(jī)結(jié)合,極大地增加了原有樣本的個(gè)數(shù),但無(wú)法兼顧故障數(shù)據(jù)的整體分布特征和多樣性的問(wèn)題。

為了解決這些問(wèn)題,有學(xué)者構(gòu)建了條件生成對(duì)抗網(wǎng)絡(luò)(Conditional Generative Adversarial Network, CGAN),以服從高斯分布的隨機(jī)噪聲作為生成器的輸入,產(chǎn)生指定類型的變壓器故障樣本數(shù)據(jù),在一定程度上提升了故障診斷的性能,但存在訓(xùn)練過(guò)程不穩(wěn)定,容易出現(xiàn)梯度消失及調(diào)參難度大等問(wèn)題。

作為備受歡迎的新型深度生成模型,自動(dòng)編碼器(Auto-Encoder, AE)是一種利用輸出向量來(lái)重構(gòu)輸入特征的前饋神經(jīng)網(wǎng)絡(luò)。目前,AE在機(jī)器翻譯、數(shù)據(jù)降維、表征學(xué)習(xí)及圖像修復(fù)等領(lǐng)域具有較好的應(yīng)用效果,但在變壓器故障數(shù)據(jù)增強(qiáng)中的應(yīng)用仍處于初級(jí)階段。理論上,AE可以利用具有強(qiáng)大學(xué)習(xí)能力的編碼器有效地提取溶解氣體的潛在特征,并通過(guò)解碼器反向重構(gòu)溶解氣體數(shù)據(jù),更可為變壓器故障診斷提供數(shù)據(jù)保障。

然而,已有的自動(dòng)編碼器的變體,如變分自動(dòng)編碼器,雖然可以應(yīng)用于數(shù)據(jù)生成,但它需要將海量的故障樣本用于訓(xùn)練模型,這有違數(shù)據(jù)不足的先決條件。相對(duì)而言,傳統(tǒng)AE對(duì)數(shù)據(jù)量的要求不高,但它生成的數(shù)據(jù)和輸入數(shù)據(jù)高度相似,不僅缺少多樣性,而且生成的樣本個(gè)數(shù)有限。如何根據(jù)變壓器的溶解氣體特征,設(shè)計(jì)一種能夠兼顧變壓器故障數(shù)據(jù)多樣性和樣本個(gè)數(shù)的自動(dòng)編碼器結(jié)構(gòu),有待進(jìn)一步的研究。

針對(duì)上述的問(wèn)題,智能電網(wǎng)教育部重點(diǎn)實(shí)驗(yàn)室(天津大學(xué))等單位的科研人員在數(shù)據(jù)不足條件下提出了一種基于改進(jìn)自動(dòng)編碼器的變壓器故障數(shù)據(jù)增強(qiáng)方法。

通過(guò)改進(jìn)自動(dòng)編碼器提升數(shù)據(jù)不足條件下的變壓器故障診斷精度
圖1 所提方法的計(jì)算流程

首先,在分析傳統(tǒng)AE的基礎(chǔ)上,提出了IAE用于變壓器故障數(shù)據(jù)的增強(qiáng)。其次,針對(duì)傳統(tǒng)CNN的池化操作會(huì)丟失大量特征信息的問(wèn)題,構(gòu)建了ICNN作為變壓器故障診斷的分類器。再次,以溶解氣體數(shù)據(jù)作為模型的輸入特征,并對(duì)變壓器狀態(tài)進(jìn)行編碼,提出了相關(guān)的指標(biāo)用于評(píng)估模型的性能。最后,通過(guò)實(shí)際數(shù)據(jù)進(jìn)行仿真得出以下結(jié)論:

1)IAE的訓(xùn)練過(guò)程平穩(wěn)、收斂速度快,可以很好地?cái)M合原始數(shù)據(jù)的分布,并生成和原始數(shù)據(jù)特征相似的數(shù)據(jù)。相對(duì)于ROS、SMOTE和AE等傳統(tǒng)的數(shù)據(jù)增強(qiáng)方法,IAE在考慮數(shù)據(jù)分布的同時(shí)還能兼顧數(shù)據(jù)的多樣性,生成的變壓器故障數(shù)據(jù)對(duì)分類器的精度提升效果最好。

2)和MLP、SVM、LightGBM以及CNN等分類器相比,ICNN在數(shù)據(jù)增強(qiáng)前、后都具有更高的故障診斷精度。CNN的池化操作會(huì)讓其損失部分特征信息,限制了模型的診斷精度。ICNN通過(guò)調(diào)節(jié)卷積核尺寸來(lái)替代傳統(tǒng)CNN的池化層可以提升診斷性能。

3)相對(duì)于原始訓(xùn)練樣本,經(jīng)過(guò)IAE進(jìn)行數(shù)據(jù)增強(qiáng)后,MLP、SVM、LightGBM、CNN和ICNN等分類器的診斷精度都有著不同程度的提升,說(shuō)明利用IAE來(lái)生成變壓器故障樣本數(shù)據(jù)不受限于某個(gè)分類器,具有一定的適應(yīng)性。

在本項(xiàng)目中,科研人員對(duì)深度學(xué)習(xí)技術(shù)在變壓器故障數(shù)據(jù)增強(qiáng)中的應(yīng)用進(jìn)行了初步的研究。后續(xù)收集到更多的變壓器故障樣本數(shù)據(jù),可以進(jìn)一步探究當(dāng)訓(xùn)練集樣本個(gè)數(shù)是否越多,IAE產(chǎn)生的數(shù)據(jù)對(duì)于分類器性能提升效果越好。

以上研究成果發(fā)表在2021年《電工技術(shù)學(xué)報(bào)》增刊1,論文標(biāo)題為“數(shù)據(jù)不足條件下基于改進(jìn)自動(dòng)編碼器的變壓器故障數(shù)據(jù)增強(qiáng)方法”,作者為葛磊蛟、廖文龍 等。

了解更多關(guān)于編碼器知識(shí),請(qǐng)關(guān)注西安德伍拓自動(dòng)化傳動(dòng)系統(tǒng)有限公司網(wǎng)站。公司專業(yè)技術(shù)團(tuán)隊(duì)為您免費(fèi)提供旋轉(zhuǎn)編碼器的選型、安裝、調(diào)試、保養(yǎng)等技術(shù)指導(dǎo)服務(wù),盡量避免企業(yè)因?yàn)榫幋a器技術(shù)人員的短缺帶來(lái)的損失,采取“線上+線下”服務(wù)的服務(wù)形式,幫助企業(yè)解決技術(shù)難題。
上一篇: 旋轉(zhuǎn)編碼器的原理、應(yīng)用及未來(lái)發(fā)展趨勢(shì)
下一篇: 為您詳解編碼器接線方法。
編碼器傳感器機(jī)器視覺(jué)非標(biāo)設(shè)備