改进的LSTM方法在冷水机组传感器故障检测中的应用

针对目前国内外对于冷水机组传感器偏差故障检测效果不理想的问题,结合长短期记忆网络(LSTM)适用于处理高维、强耦合、高度时间相关性数据的特点,该文提出一种基于改进LSTM的深度学习方法,用于冷水机组传感器偏差故障检测。现场采集风冷冷水机组传感器数据,用于训练改进的LSTM。通过实验分析得出,不同传感器检测效率不同。将该文所提方法的检测结果与自动编码器(Auto encoder)、主元分析法(PCA)、标准的LSTM三种方法的检测结果进行比较,得出该文所提方法在冷水机组传感器偏差故障检测中检测效率明显优于其他三种方法;并且针对同一传感器相同大小、不同正负的偏差故障,所提方法的检测效率具有更好的对称性。最后证明该文所提的改进LSTM方法具有良好的泛化性。     

基于AlexNet深度学习网络的串联故障电弧检测方法

在家用交流供配电系统中,接触松动等原因可能会导致故障电弧的发生,威胁用电系统的安全。线路发生串联故障电弧时的电流基本与正常运行时的电流大小一致,具有很强的隐蔽性。对此,首次提出用深度学习检测电流信号的方法来检测串联故障电弧,该方法只需将电流信号输入深度学习网络,由网络自主挖掘隐含在电流信号数据背后的特征,实现对串联故障电弧的识别。搭建实验平台,并用开关模拟发生正常电弧,分别采集电阻性负载、电感性负载和阻感性负载正常运行和发生串联故障电弧时的电流数据共7 200组。构建AlexNet卷积神经网络并做相应改进,用采集到的数据训练网络并测试,结果显示辨识平均准确率在85%以上,表明该方法能够较好的实现对串联故障电弧的检测。     

基于EfficientDet网络的输电线路故障检测

为保障电力系统的安全运行,需要对输电线路进行全方位的智能监测和实时预警.针对电力行业缺少公开图像数据样本、故障特征不明显、小目标难以检测的问题,提出了一种基于EfficientDet网络的输电线路故障检测方法.首先,采集并仿真多场景下的输电线路异物悬挂、导线散股断股两类故障,整理形成故障数据集.考虑到故障样本中存在诸多...     

基于小波特征及深度学习的故障电弧检测

由线路绝缘层老化破损、电气接触不良等原因产生的串联故障电弧严重威胁着低压配电系统的电力安全。其电流小、温度高、隐蔽性强等特点更是给检测和识别带来了困难。基于此,提出一种基于小波特征及深度学习的串联故障电弧检测方法。通过搭建串联故障电弧实验平台,采集了典型阻性、阻感性、感性负载下的电流信号,对电流信号进行小波变换构造了训练集和测试集,通过改进的AlexNet模型识别故障电弧并输出检测结果。实验结果表明,采用该方法进行串联故障电弧识别的准确率约为95.58%,比利用AlexNet模型要高出约10.58%。     

基于改进的动态独立成分分析故障检测方法

针对滚动轴承早期故障特征微弱,且振动信号是一组随时间变化的序列,具有一定的时序相关性,导致滚动轴承早期故障检测难度增加的问题,本文提出了一种基于深度分解的动态独立成分分析（deep dynamic independent component analysis,Deep DICA）故障检测方法。主要思想是首先增加观测数据矩阵,以便将动态过程考虑在内。然后,为了更好地挖掘出微弱的早期故障信息,提出了深度分解原理对早期故障进行特征提取。最后,建立故障检测模型进行在线故障检测,并通过轴承实验对所提出的方法进行了验证。实验结果表明,提出的基于Deep DICA的故障检测方法有很好的准确率和适用性。     

基于卷积块注意模型的YOLOv3输电线路故障检测方法

针对航拍巡检图像中待检测目标易受复杂背景和部分遮挡影响而造成传统算法难以准确检测的问题,提出一种基于卷积块注意模型的YOLOv3输电线路故障检测方法.首先,在YOLOv3算法框架中融合卷积块注意模型来提升图像中故障目标区域的显著度;然后,通过引入高斯函数对非极大值抑制方法进行改进,降低存在部分遮挡目标的漏检率;其次,采...     

基于深度学习的机器人电路板自主故障检测系统

机器人在生产制造以及使用过程中,由电路板问题导致机器人故障的情况屡见不鲜,因此印刷电路板的故障检测是保障机器人可靠性的关键.基于深度学习的电路板故障缺陷检测方法不仅能够有效克服人工目视检测和线上仪器检测的弊端,提高效率,同时能为生产节省很大的成本.随着深度学习在目标检测领域的不断发展,深度学习网络可以快速准确地从图像中...     

基于改进深度学习的电表终端故障图像识别方法

针对常规运维模式越来越难以满足电表终端高效可靠运营需求的问题,文章提出了一种基于改进深度学习的电表终端故障图像识别方法。在分析现有基于深度学习电表故障识别方法的不足的基础上,介绍了改进深度学习识别方法的思路。进一步设计了改进深度学习识别方法,具体阐释了深度学习分类网络、电表终端检测网络、组态匹配三个主要技术环节。最后以一个算例,介绍了改进深度学习的电表终端故障图像识别方法的应用情况,证明了该方法的有效性。     

基于改进YOLOv4的锂电池缺陷检测方法

针对传统方法检测锂电池表面缺陷精度低、速度慢的问题,提出一种改进的YOLOv4算法。首先,在 CSPDarknet-53 骨干网络中使用空洞卷积代替传统卷积,提高了对不同尺度缺陷的检测。其次,将通道注意力机制插入到颈部网络中,自适应地选择一维卷积核的大小,降低模型的复杂度和计算量。最后,在分类和边界框回归中融合条件卷积来提高网络性能,并扩大数据集以解决由于缺陷样本太少而导致的网络训练过拟合问题。实验结果表明,改进后的YOLOv4算法可以有效检测锂电池表面缺陷并提高对于缺陷的识别和定位能力。改进算法的平均精度均值为93.46%,相较原算法提高了3.03%。     

ESR型重合器的故障原因及改进意见

本文介绍了引进的英国ESR型六氟化硫自动重合器基本参数和工作原理,验收试验及近两年运行中发生的故障,并提出了改进意见,对正在农网使用和研制六氟化硫重合器的单位有借鉴作用。     

基于改进EfficientDet的药丸检测算法

针对药剂师在药丸分拣过程中因疲劳而出错的问题,本文提出了一种基于改进EfficientDet的药丸检测算法。首先,引入Mosaic数据增强技术来提高采样数据的复杂度;然后,对主干网络EfficientNet进行改进优化,嵌入了CBMA模块的特征融合层,通过增强学习特征提高对药丸关键特征的提取能力;最后,对BiFPN特征融合部分增加了下层到上层的跨级数据流,通过充分利用多级数据,提高了不同层次的多尺度特征融合效率。实验表明,改进后的EfficientDet算法在测试中mAP值达到99.84%,相比较原始EfficientDet算法提高了0.65%,同时也比YOLOv3,YOLOv4和YOLOv4-Tiny等性能较好的目标检测网络具有更高的准确率和更好的实际应用性。     

基于LCL故障电流控制器的故障快速检测

相较于交流配电网,直流配电网存在故障电流限流、阻断和电能质量治理等多种问题。为减少直流系统中设备的数量,文中提出了一种基于LCL型多功能故障电流控制器拓扑结构,使其同时具备故障限流、故障阻断和电压调节功能。首先针对该拓扑结构,研究其在限流、阻断和电压调节等不同工作目标下的运行工作原理,分析LCL结构的滤波和限流复用过程,提出故障电流的快速检测方法。然后,通过对限流器件不同位置电压变化率和电流变化率的阈值匹配,实现双极故障、单极故障和高阻故障等多类型故障的快速判断。最后,搭建系统仿真模型,验证了该故障电流控制器拓扑同时具备调压、限流和阻断等功能,且能够快速检测故障电流。     

基于改进YOLOX的安全帽佩戴实时检测

在建筑行业中,因未佩戴安全帽而导致的安全事故占比较大。针对安全帽检测中存在的干扰性强、小目标准确率低等问题,提出了一种基于YOLOX的改进算法。首先,在加强特征提取网络中加入ECA-Net注意力机制,进行跨通道交互,根据生成的对应通道权重值,抑制干扰信息,加强模型对目标特征的关注度,再将重校准后的特征图进行更深度地特征融合,提高目标特征的表达能力。其次,使用CIoU来计算损失,将两框中心点距离和长宽比考虑进惩罚项,不断调整更新损失函数,加快模型收敛速度。最后,构建了一个真实施工场景下的小目标安全帽数据集。实验结果表明,改进后的算法mAP达91.7%,比原YOLOX算高出1.2%,对已佩戴安全帽的工人检测平均精度达93.9%,对未佩戴安全帽的检测平均精度达89.5%,检测速度达到71.9帧/s,保证安全帽佩戴情况实时检测的同时有较高准确率。     

基于改进YOLOv5的金属焊缝缺陷检测

为提高工业上焊缝缺陷自动检测与处理的效率,基于深度学习提出一种改进的YOLOv5焊缝缺陷检测方法。针对焊缝样本数据不足的问题,提出一种Mosaic+Mixup的数据增强策略,同时为减少网络的计算量和网络参数量,引入轻量型的GhostNet网络代替YOLOv5主干网络中CSP1模块中的残差模块,并且采用CIOU_Loss作为坐标位置损失提高算法的收敛速度与准确率。最后使用测试集进行焊缝缺陷检测,改进的YOLOv5的平均精度均值（mean Average Precision,mAP）达到96.88%,单张图片检测时间不超过50毫秒,优于传统机器学习算法,能够满足实际工程中对焊缝缺陷的实时性检测要求。     

基于三相电流平方和比值的短路故障快速检测方法

为了快速准确地检测出短路故障,并使故障限流器快速投入运行,提出了一种基于三相电流平方和比值的短路故障快速检测方法。该方法利用前后时间窗内三相电流平方和均值之比作为故障检测量,在三相短路故障时不受故障初相角影响,不受谐波影响。基于PSCAD/EMTDC仿真平台,建立了500 kV输电线路模型,合理选取了该方法的整定值与闭锁值。考虑不同故障类型、不同故障初相角、不同过渡电阻、空载合闸、谐波及噪声等因素,验证了该方法的快速性及有效性。在各类故障工况及干扰工况下,比较了该方法与常用三种检测方法的性能差异。仿真结果表明,该方法性能良好,能够快速可靠地检测出短路故障。     

基于改进SAE网络的织物疵点检测算法

针对传统织物缺陷检测手工提取特征困难,疵点样本有限的问题,结合卷积自编码器(CAE),提出一种基于Fisher准则的栈式去噪自编码器算法(FSDAE)。首先从原始图像中截取若干小块图像,采用稀疏自编码器(SAE)训练,得到小块图像的稀疏性特征;其次利用该特征,初始化CAE网络参数,提取原始图像的低维特征;最后将该特征数据送入FSDAE网络进行疵点检测分类。分别对3类织物进行测试,实验结果表明,算法能够有效地提取织物图像的分类特征,且通过加入Fisher准则,提高了织物疵点的检测率。     

基于分布式行波检测的配电网单相接地故障定位方法

为解决复杂树型配电网长期存在的单相接地故障精确定位难题,分析了故障行波模量的传输特性,提出了一种基于两种行波原理组合的故障定位新方法。该方法首先建立多端定位算法查找故障主干线路,缩小故障定位范围;然后提出基于行波模量时差的双端定位算法,利用行波线模分量与零模分量的行波传输时差准确计算故障距离;最后,综合利用多端与双端定位结果确定故障精确位置。经仿真验证,该方法仅需在部分配电线路末端安装行波定位装置即可实现配电网全网线路的精确故障定位,有效节省了装置投资成本,具有数据处理量少、算法实现简单等优点。     

基于改进的YOLOv4输电线路小目标检测

传统的目标检测方法在检测输电线路小目标时,往往存在检测效果不佳,容错率低等问题,针对这种情况,提出一种基于改进的YOLOv4的输电线路小目标检测算法.为了提高输电线路小目标的检测效率,采用一种简化版的YOLOv4算法,减少特征层的使用,从而降低网络计算量.针对输电线路小目标这一特定应用,利用K-means++算法重新进...