基于多粒度注意力机制的隔离开关故障诊断

针对现有的大多数深度学习方法只能在有限的含标签样本数据下工作,使诊断模型过拟合,导致模型训练时准确率高而投入运用时故障识别准确率低的问题,本文研究隔离开关在不同工况小样本数据集的准确率高诊断方法,构造应用于不同工况下隔离开关故障诊断的多粒度注意力机制(MG-AM)网络框架。此框架首先要对所获得的隔离开关故障数据进行数据预处理,在此程中将获得增强的数据样本以及数据特征库。随之利用时间对比模块对数据故障进行粗比对,初步获取故障工况的几种可能;并通过多粒度语境对比模块对原始数据预测及预测结果与增强数据进行比对。其次充分挖掘并应用已经搜集的样本资源,以含标签和无标签为输入,网络通过半监督以及无监督学习进行优化,以强化输入数据的处理效果。最终搭建诊断模型,实现对未知样本的故障识别。实验结果表明,所设计的网络可以有效利用固有样本对进行故障识别,对目标的平均识别率达到96.47%。