基于改进胶囊网络的电力线巡线异物检测

针对电力线巡线异物检测使用的传统卷积神经网络空间辨识度较差、训练样本需求过多的问题,提出一种改进胶囊网络模型。使用数据灰度化、三维块匹配滤波算法预处理巡线数据集。提出自适应贡献池化降低数据信息丢失量,异物数据深度信息提取单元提取主要特征来滤除冗余信息、减少数据数量以改善模型性能,改进异物识别主胶囊层和动态路由结构以适应电力线巡线异物检测的二分类情况。对自适应贡献池化和最大池化,无池化、传统结构胶囊网络和改进胶囊网络,改进胶囊网络和AlexNet、GoogLeNet分别进行异物识别对比实验和改进胶囊网络的空间辨识度性能进行测试实验。实验结果表明,在3700张小训练样本条件下,经20次训练后,自适应贡献池化比最大池化的改进胶囊网络平均准确率提高2.7%,改进胶囊网络比无池化、传统结构胶囊网络平均准确率提高3.6%,改进胶囊网络比AlexNet、GoogLeNet的平均准确率分别提高21.9%和12.6%,且改进胶囊网络在大小、角度不同的测试数据中仍具有高于91%的平均准确率。改进胶囊网络在空间辨识度复杂、少训练样本情况下仍具有较高的异物识别能力,实现了高效率、高准确率的自动化无人巡线异物检测。

改进胶囊网络的滚动轴承故障诊断方法

针对滚动轴承工作环境噪声复杂,振动信号信噪比低且呈现非平稳和非线性的特点,以及传统诊断方法在噪声环境下分类诊断准确率低等问题,提出一种基于改进胶囊网络特征提取结构和反向传播损失值计算方法的滚动轴承故障诊断模型.应用多尺度卷积核Inception结构和空间注意力机制,替代传统胶囊网络单一卷积层进行特征提取,得到不同尺度下、重点区域突出的特征数据,利用胶囊结构构建向量神经元,通过动态路由的特征传递方式,得到分类结构数字胶囊,实现故障诊断;训练过程损失计算采用间隔损失和重构损失相结合的方法,通过调节二者比例系数,构建更加合理的反向传播计算过程.为验证模型的实际诊断效果,利用凯斯西储大学轴承数据集中4种转速及对应4种负载工况下的实验数据,通过添加不同幅值能量的高斯白噪声,以降低信噪比的方式开展实验;与双卷积层胶囊网络和传统卷积神经网络进行对比分析.结果表明,与其他诊断方法相比,提出的方法在噪声环境下能得到良好的诊断结果,抗噪性方面具有明显优势.

基于改进胶囊网络的接触网吊弦故障识别与定位

针对接触网吊弦的接触面积小且易与电力线混淆,传统的故障识别算法存在如吊弦的误识别、识别效率低和不能实时检测等问题。相比传统卷积神经网络,胶囊网络(CapsNet)首次采用矢量作为输入,可以很好地保留目标的方向、角度等特征信息,更适合识别复杂背景下的吊弦。因此,该文提出一种基于改进胶囊网络和CV模型结合的吊弦故障识别算法,通过1×1归约层和3×3卷积核简化传统9×9胶囊网络的卷积层,并采用优化算法进行参数寻优,缩短训练权重时间;同时输出量保留了方向与角度,能更准确地对烧伤、载流环折断、脱落等故障的吊弦进行分类;通过对吊弦巡检图像应用该文方法,吊弦定位准确率提高到95%。与前馈神经网络(BPNN)和Alex Krizhevsky设计的AlexNet等方法进行对比,所提出的吊弦故障识别方法可以准确、迅速地从复杂背景识别出吊弦,并准确地找到吊弦故障的位置,大大提高了输电线路智能巡检的效率。

基于改进胶囊网络的文本细粒度情感分类方法

针对当前文本细粒度情感分类方法仅通过浅层卷积获取文本情感特征,导致多种文本细粒度情感分类效果差,具有歧义的文本细粒度情感分类精度低的问题,提出基于改进胶囊网络的文本细粒度情感分类方法。使用信息增益最大原则,优化文本特征集,引入文本特征词语位置信息,优化贝叶斯模型词语分辨性能,消除文本歧义。基于改进稠密胶囊网络模型,建立自注意力特征模型,提取文本细粒度情感特征,使用局部约束动态路由算法,选取与变换矩阵共享局部范围胶囊路由,实现文本细粒度情感分类。实验结果表明,所提方法的查准率、召回率以及F1值较高,多种文本细粒度情感分类效果较好,能够有效提高具有歧义的文本细粒度情感分类精度。

机器人故障诊断事理逻辑知识图谱构建研究

知识图谱技术对机器人系统高效有序的故障诊断具有重要的指导意义。针对故障诊断本体知识概念粒度较粗,实体识别模型存在特征提取不够准确的问题。提出了一种自顶向下的故障诊断事理逻辑知识图谱构建方法。对故障诊断事件知识建模,构建细粒度事理逻辑知识本体模型。提出基于注意力机制的堆叠BiLSTM和改进胶囊网络的事件论元实体识别模型。通过BERT预训练模型生成字符特征,利用堆叠BiLSTM获取深层上下文特征;结合事件论元实体关键特征注意力机制,对前向和后向上下文突出实体关键信息;提出改进胶囊网络对字符位置特征进行编码,提高模型对字符位置特征的关注。实验结果表明,提出的事件论元实体识别模型能提高实体识别效果。进一步,根据句式匹配完成论元实体匹配关系,构建机器人系统故障诊断事理逻辑知识图谱,为自主故障诊断提供知识支持。

复杂环境下输电线路绝缘子的破损识别与定位

输电线路中绝缘子背景复杂,传统的故障识别算法存在如绝缘子的误检、漏检以及识别率低等弊端。相比传统卷积神经网络,胶囊网络(capsule network,CapsNet)首次采用矢量作为输入,可以保留目标的方向、角度等特征信息,更适合识别复杂背景下的绝缘子。为此提出了一种基于胶囊网络与YOLO文本定位相结合的绝缘子破损识别算法,通过将传统胶囊网络卷积层9×9的卷积核简化为3×3的卷积核,并通过遗传算法和随机梯度下降法对权重进行寻优,缩短了训练时间,而且使输出量能够保留绝缘子的角度与方向,因此可以在复杂环境下对故障绝缘子进行准确识别;同时应用YOLO的文本定位算法对绝缘子破损部位进行尺寸矫正,得到更精确的绝缘子破损位置。最后与AlexNet、YOLOv2、Faster R-CNN识别算法进行了对比,该方法的绝缘子识别率提高到了95%,从而可以更快速、准确的在复杂环境下识别并精确定位绝缘子破损位置。