当室内配电系统发生串联电弧故障时,电弧燃烧温度可高达数千摄氏度,从而导致电气火灾的发生。而低压配电网中负载类型复杂,利用一般的电流信号时频分析,很难对串联电弧故障进行有效识别。针对这一问题,文章利用深度学习强大的计算机视...当室内配电系统发生串联电弧故障时,电弧燃烧温度可高达数千摄氏度,从而导致电气火灾的发生。而低压配电网中负载类型复杂,利用一般的电流信号时频分析,很难对串联电弧故障进行有效识别。针对这一问题,文章利用深度学习强大的计算机视觉能力,提出了一种基于注意力机制和深度残差收缩网络(attention mechanism and deep residual shrinkage network,Attention-DRSN)的故障检测方法。首先,使用连续小波变换提取电流信号特征信息,并转化为图像特征。其次,对提取到的图像特征进行数据增强和灰度化处理,并利用主成分分析方法(principal component analysis,PCA)对特征图像进行了重构。最后,构建了Attention-DRSN电弧故障检测模型,并采用K-折交叉验证方法对数据集进行划分,验证了所提方法的有效性。实验结果表明,该检测方法对串联电弧故障具有较高的检测精度,平均检测准确率为98.52%,对未来电弧故障检测装置设计具有重要的借鉴意义。展开更多
文摘针对基于显性知识的智能制造缺陷检测机制在工程实践中日益凸显的若干缺陷,提出了一种基于机器视觉和深度残差收缩网络(deep residual shrinkage networks,D-RSN)的智能制造缺陷检测方法,并进行了先验环境下的仿真验证。首先利用互补金属氧化物半导体(complementary metal oxide semiconductor,CMOS)相机集群搭建快速机器视觉图像获取装置,形成融合前置训练集和后置测试集的图像特征数据池;然后利用D-RSN对数据池前置训练集进行图像缺陷特征隐性知识学习辨识,构建时间正序下的图像缺陷特征全息感知机制;最后利用深度长短期记忆(deep long short-term memory,D-LSTM)神经网络对数据池后置测试集进行图像缺陷自主检测,借助图像缺陷定位及分类函数输出检测结果。选取某医用外科口罩智能制造生产线为工程实践验证载体,对模型进行了工程应用实践验证,结果表明:所提方法较好地改善了基于显性知识的智能制造缺陷检测机制在工程实践中日益凸显的若干缺陷,可以自主学习辨识图像缺陷特征隐性知识,大幅度提高了智能制造缺陷检测有效率,图像缺陷检测均值有效率达98.37%,符合医用外科口罩智能制造生产线国检要求。
文摘当室内配电系统发生串联电弧故障时,电弧燃烧温度可高达数千摄氏度,从而导致电气火灾的发生。而低压配电网中负载类型复杂,利用一般的电流信号时频分析,很难对串联电弧故障进行有效识别。针对这一问题,文章利用深度学习强大的计算机视觉能力,提出了一种基于注意力机制和深度残差收缩网络(attention mechanism and deep residual shrinkage network,Attention-DRSN)的故障检测方法。首先,使用连续小波变换提取电流信号特征信息,并转化为图像特征。其次,对提取到的图像特征进行数据增强和灰度化处理,并利用主成分分析方法(principal component analysis,PCA)对特征图像进行了重构。最后,构建了Attention-DRSN电弧故障检测模型,并采用K-折交叉验证方法对数据集进行划分,验证了所提方法的有效性。实验结果表明,该检测方法对串联电弧故障具有较高的检测精度,平均检测准确率为98.52%,对未来电弧故障检测装置设计具有重要的借鉴意义。