基于振动分析法的变压器故障分类和识别

为了实现变压器故障的直观分类和故障识别,在分析变压器振动机理的基础上,提出一种基于主成分分析和KNN分类识别的变压器故障测量方法。该方法采用EMMD(集合经验模式分解)方法提取变压器不同运行状态下振动信号的特征矢量,将该特征矢量通过主成分分析投影到直观的二维图像中。利用KNN分类识别实现故障分类和自动故障识别。试验结果表明,该方法可以实现对变压器正常状态、绕组变形、铁芯故障3种状态直观分类,并对测试样本进行快速的自动模式识别。     

基于云计算关联分析的电力设备故障识别模型

为解决目前电力设备故障识别系统识别敏感度低的问题,提出基于云计算关联分析的电力设备故障识别模型。利用关联分析法、Model-1故障特征提取法、Copula函数的故障特征分类法,对电力设备故障特征进行提取和分类,将分类后的特征数据随机组成训练集X,并在此基础上获得故障特征优化的二维数据,将Copula函数的输出结果导入优化ID3的井漏类型分类算法中以完成对故障特征的优化,得到电力设备故障特征分类矩阵;利用非对称性卷积层的CNN模型,实现对电力设备多种故障类型的快速识别。实验结果表明：在进行故障准确性检测时,所提方法的故障识别率平均高达87.2%、识别精准率平均高达71.06%;在不同负荷对系统灵敏性影响的测试中,所提方法在任意负荷状态下的故障识别数据计数不低于40次,优于对比方法;在对电力设备匝间短路故障位点的识别性能测试中,所提方法在任意匝间短路故障位点的故障识别数据计数均高于140次,优于对比方法。所提方法的故障识别精确度高、故障位置识别敏感性高,可促进电网安全运行和发展。     

一种新型无差拍UPQC预测直接控制策略

为解决目前电力设备故障识别系统识别敏感度低的问题，提出基于云计算关联分析的电力设备故障识别模型。利用关联分析法、Model-1故障特征提取法、Copula函数的故障特征分类法，对电力设备故障特征进行提取和分类，将分类后的特征数据随机组成训练集X，并在此基础上获得故障特征优化的二维数据，将Copula函数的输出结果导入优化ID3的井漏类型分类算法中以完成对故障特征的优化，得到电力设备故障特征分类矩阵；利用非对称性卷积层的CNN模型，实现对电力设备多种故障类型的快速识别。实验结果表明：在进行故障准确性检测时，所提方法的故障识别率平均高达87.2%、识别精准率平均高达71.06%；在不同负荷对系统灵敏性影响的测试中，所提方法在任意负荷状态下的故障识别数据计数不低于40次，优于对比方法；在对电力设备匝间短路故障位点的识别性能测试中，所提方法在任意匝间短路故障位点的故障识别数据计数均高于140次，优于对比方法。所提方法的故障识别精确度高、故障位置识别敏感性高，可促进电网安全运行和发展。     

基于小波熵权和支持向量机的高压输电线路故障分类方法

高压输电线路故障类型的正确识别是进行故障定位和事故分析的前提。为此,作者提出一种分层的故障类型识别方法,首先根据线路故障时三相电流小波熵权分布曲线相互间距离的差异、距离之和进行故障的初步归类,构造表征不同故障类别的样本,然后采用支持向量机算法对样本进行训练,得到识别不同故障类型的最优分类面。仿真结果表明：该方法识别速度快,克服了常规线性分类方法的局限性,且故障识别精度不受系统运行方式、过渡电阻以及故障位置的影响,具有较强的通用性和实用性。     

基于电流振幅与SVM的输电线路故障分类

为了进一步提高输电线路故障分类识别的速度与准确度,本文提出了一种基于电流振幅与支持向量机相结合的故障分类新方法。该方法针对三相故障电流信号,不采用任何特征提取算法,仅通过滤波处理后,截取故障后半个周期的三相电流振幅数据作为基本故障特征信号,然后结合支持向量机智能分类算法,实现对输电线路故障的分类识别。通过大量分析实验,Matlab仿真结果表明,该故障分类方法判别过程简单、快速,并且不易受故障位置、故障初始角、过渡电阻等因素的影响,具有良好的适应性,故障分类准确率可达99.75%。     

基于多重分形谱及支持向量机的水电机组轴系故障识别

针对水电机组轴系振动故障诊断,提出多重分形谱和支持向量机相结合的故障分类识别方法。该方法首先利用多重分形谱算法提取振动信号的特征数据,然后将该特征数据作为支持向量机的输入向量来实现故障的分类识别。实验数据表明,该方法能比较准确地识别轴系常见故障,为水电机组轴系故障智能识别提供了一种新的思路。     

基于优化卷积神经网络的电缆早期故障分类识别

准确识别电缆早期故障是及时消除故障隐患的必要前提。提出基于卷积神经网络的电缆早期故障分类识别的方法,可从含恒定阻抗故障、励磁涌流、电容投切扰动的过电流信号中准确识别电缆早期故障。通过小波变换提取过电流信号特征,构建卷积神经网络,进行训练调整网络参数形成输入特征与类别编码之间的映射关系。为解决训练过拟合和学习效率的问题,通过修正损失函数和采用自适应学习率的方法优化卷积神经网络。仿真结果表明,所提方法能对过电流信号进行有效分类,准确识别电缆早期故障,具有较高的工程应用价值。     

非负约束自动编码器在电缆早期故障识别中的应用

电缆早期故障的准确识别有助于降低电力系统的故障停电率和提高供电可靠性。在传统模式识别方法中,利于分类识别的有效特征通常难以选择,从而影响识别的准确度。鉴于此,将非负约束自动编码器(Non-negative Constrain Autoencoder, NCAE)堆叠形成的深度学习(Deep learning, DL)网络应用于电缆早期故障识别中。为了提高DL网络的学习效率,首先对故障相电流进行平稳小波变换,提取出一些具有相关性、冗余性的统计量、能量熵和信息熵等作为初级特征,其次堆叠多个NCAE构建出DL网络,通过预训练和微调机制,从初级特征中获得更易于早期故障分类识别的有效特征,最后利用Softmax分类器从正常状态和其他扰动信号中识别出早期故障。利用电缆电流仿真数据进行实验,结果表明与传统模式识别方法相比,所提方法识别准确率更高。     

小电流接地故障多层次分类及其识别模型

小电流接地系统的单相接地故障类型识别对提升配网运行的安全性和可靠性具有重要意义。首先,根据故障的稳态和暂态特征,对单相接地故障进行了多层次递进式分类和定义;其次,提取不同类型故障的电气量特征,建立小电流接地故障类型识别模型;最后,以现场的录波数据对文中提出的故障类型识别模型进行验证。验证结果表明,所提方法能够有效地识别接地故障类型,有利于提高小电流接地故障处理的针对性。     

基于红外热成像技术的变电设备热故障识别方法

针对现有的识别方法故障缺陷判断能力差、故障识别准确程度低,研究基于红外热成像技术的变电设备热故障识别方法。以普朗克黑体辐射为技术基础进行红外测温获得红外热图像,对现场采集到的图像进行预处理。运用多尺度特征融合对故障特征进行提取,通过相同倍数缩放进行归一化,得到向量机样本数据。设定最优分类函数,将空间的样本数据映射到高维度的空间内进行非线性变化得到对样本数据的最优分类。运用核函数在约束条件下进行识别,判断故障的危险等级从而得到识别结果。实验结果表明,套管在三相发热异常为紧急故障,达到了紧急故障的标准,构成缺陷,识别判断正确。经过5次测试,故障识别准确程度均在80%以上,结果符合预期,达到了精准识别变电设备的热故障的效果。     

具有自动抗噪功能的心电信号分类算法

心电图(electrocardiogram,ECG)检测是心脏疾病最常用的诊断方法。但是在心电信号采集过程中往往会受到噪声干扰,从而使心电信号分类诊断的正确率受到很大影响。为提高分类诊断的准确率和抗噪能力,改进设计了一种用深度残差收缩网络(deep residual shrinkage network,DRSN)实现自动抗噪、全局平均池化(global average pooling,GAP)整合空间信息的ECG分类诊断模型。在MIT-BIH心律失常数据集上验证了模型的分类性能,并将其与普通的卷积神经网络(convolutional neural network,CNN)模型进行了抗噪性能分析比较。实验结果表明：设计的DRSN+GAP诊断模型基于AAMI标准的分类正确率高达99.3%,对不同强度的工频及高斯两种噪声其抗噪性能均优于普通的CNN模型。     

PD recognition with knowledge-based preprocessing and neuralnetworks

Partial discharge (PD) patterns are an important tool for the diagnosis of HV insulation systems. Human experts can discover possible insulation defects in various representations of the PD data. One of the most widely used representations is phase-resolved PD (PRPD) patterns. We present a method for the automated recognition of PRPD patterns using a neural network (NN) for the actual classification task. At the core of our method lies a preprocessing scheme that extracts relevant features from the raw PRPD data in a knowledge-based way, i.e. according to physical properties of PD gained from PD modeling. This allows a very small NN to be used for classification. In addition to the classification of single-type patterns (one defect) we present a method to separate superimposed patterns stemming from multiple defects. High recognition rates are achieved with a large number of single patterns generated by stochastic PD simulations. Our network architecture compares favorably with a more traditional network architecture used previously for PRPD classification. These results are confirmed by classification of patterns measured in laboratory experiments and power stations     

CNN 集成机器学习的金属缺陷少样本分类方法

针对金属缺陷分类,以深度学习为代表的分类方法主要是基于大规模数据的统计学习方法,一方面需要大量优质的标注样本,另一方面对数据中未能涵盖的样本泛化性能差。提出了一种利用集成学习思想,将人类分类知识嵌入到深度学习的少样本分类方法。首先搭建了一个卷积神经网络作为分类模型的骨干网络,并设计了一个利用机器学习的类人学习模块,利用人类分类所用特征进行分类。此外,为了提高模型的泛化性、鲁棒性和更好的融合效果,设计了一种以对数函数为核心的数学集成模型,模块中的数学集成模型利用集成学习思想将骨干网络和类人学习模块的输出进行耦合。实验结果表明,对于小训练集大测试集的金属缺陷数据在分类性能和训练参数量方面优于深度学习方法。此外,类人学习模块和数学集成模型嵌入到不同的骨干网络上均取得了很好的性能,表明所提出的方法适用于多种深度卷积神经网络。     

Learning from imbalanced data sets with a Min-Max modular support vector machine

Imbalanced data sets have significantly unequal distributions between classes. This between-class imbalance causes conventional classification methods to favor majority classes, resulting in very low or even no detection of minority classes. A Min-Max modular support vector machine (M³-SVM) approaches this problem by decomposing the training input sets of the majority classes into subsets of similar size and pairing them into balanced two-class classification subproblems. This approach has the merits of using general classifiers, incorporating prior knowledge into task decomposition and parallel learning. Experiments on two real-world pattern classification problems, international patent classification and protein subcellar localization, demonstrate the effectiveness of the proposed approach.     

Medical image matching-a review with classification

A classification scheme for multimodal image matching is considered. The scope of the classification is restricted to methods that register data after acquisitions. The classification scheme may be used for any modality; not only for (2-D) projection images and (3-D) tomographic images, but also for other signal modalities that provide spatial insight into function or anatomy, e.g., EEG (electroencephalography) or MEG (magnetoencephalography) and for the real physical patient. The available literature on image matching is discussed and classified     

含类信息的极限学习机自动编码器特征学习方法

极限学习机自动编码器(ELM-AE)将极限学习机(ELM)技术与自动编码器(AE)结合,可以无监督学习数据特征且克服了参数迭代调整的昂贵时间消耗。然而,以最小化重构误差为目标的ELM-AE并不能有效利用分类问题中的数据类别信息,导致特征的类别可分性较差。针对此现象,本文提出一种面向数据分类的含类信息极限学习机自编码(CELM-AE)特征学习方法,该方法将投影特征向量的类间离散度与类内相似度限制到ELM-AE的目标函数中,且可通过解析算法求得更具类别分辨力的最优数据表示。对6种UCI数据集分别使用基于CELM-AE、ELM-AE和AE的特征表示进行分类实验,结果表明,CELM-AE得到的数据特征在两种分类器(ELM/KNN)下的分类精度与稳定性表现均优于ELM-AE与AE,且时间代价很小,说明了CELM-AE在提取可分性数据特征表示方面的优势。     

融合改进 Padim 建模和 ResNet 网络的 喷涂质量检测算法

为了满足喷涂机器人对于喷涂质量检测的需求,采用迁移学习对改进 Padim 建模和 ResNet 网络进行融合,构建自主喷 涂机器人喷涂质量检测一体化模型。 该模型提取一次图像特征可同时用于缺陷定位和分类。 在缺陷定位端,通过改进 Padim 模型以减少特征冗余所造成网络的计算消耗,首先将 ResNet-18 网络获取的 patch 嵌入向量语义层由原先前 3 层改为单 2 层,然 后特征表达由 100 维降维至 20 维,最后训练正样本得到正态分布模型与测试图像进行缺陷定位。 在缺陷分类端,对预训练 ResNet-18 网络进行负样本二次训练,得到 ResNet-18 分类模型对测试图像进行缺陷分类。 经过实验,将一体化模型移植在 jetson nano 移动端中,参数量仅为 11. 69 M,定位精度 94. 5%,分类准确率高达 99. 6%,在机器人位移速度 0. 02 m/ s 下检测时间 为 0. 730 s,不会出现缺帧漏检情况,满足实时检测的要求。     

Design of a qualitative classification model through fuzzy support vector machine with type‐2 fuzzy expected regression classifier preset

Methods of qualitative analysis, such as qualitative classification, have gained importance as an essential complement of existing quantitative analysis in numerous fields. Only a few models have been developed to deal with qualitative inputs in the form of type‐2 fuzzy(T2F) sets properly, given that traditional defuzzification method like the Karnik–Mendel algorithm performs dimensionality reduction at the cost of loss of information. To improve the situation, we define the expected value and variance of T2F set in this paper. By using a combination of them, we transfer the vertical three‐dimensional uncertainty of T2F set to horizontal range uncertainty without much distortion of information. Additionally, current classification models are unsuitable to the partial classification problem if an output is not fully assigned to a single class. We build a comprehensive qualitative classification model based on fuzzy support vector machine (FSVM) combined with type‐2 fuzzy expected regression (FER) to solve the partial classification problem as mentioned. This classifier (i.e. FER‐FSVM) makes it possible to achieve the discrimination of output while characterizing membership for each class in terms of multidimensional qualitative inputs (attributes) in the form of T2F sets. FER‐FSVM also can self‐learn the data structure and shift between FER or FSVM for classification automatically, thus largely improving the efficiency of the classification process. The new model is almost 7 times more efficient than FSVM, as shown by our empirical experiments. © 2016 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

具有波形识别能力的电池分类器的算法研究

提出一种按电池充放电特性曲线进行模式识别分类的计算方法,即测出电池容量时也相应将充放电特性一致的电池分为一类,解决了按容量分类存在的缺点,采用该计算方法设计的分类器为制作出高性能的组合电池提供了重要条件,是一种具有分类准确性高,可信度强的计算方法。