基于改进迁移学习的行星齿轮箱故障自动诊断

传统机器学习故障诊断方法依赖专业经验选取统计特征,导致诊断结果误差较大。为此,提出了基于改进迁移学习的行星齿轮箱故障自动诊断。采集行星齿轮箱的振动信号,对振动信号进行去噪处理,利用深度学习改进迁移学习构建故障诊断模型,对采集信号进行分类识别,实现了行星齿轮箱故障自动诊断。结果表明,该设计方法下不同类型的行星齿轮箱故障诊断精度为96.09%,证实了该方法的性能良好。

基于改进迁移学习的电力通信网络异常流量识别方法

常受网络异常流量形式多样化的影响,对其进行识别的难度也相对较大,为此,本文提出基于改进迁移学习的电力通信网络异常流量识别方法。考虑电力通信网络自身结构配置下流量源IP地址统计特征的多维属性,构建电力通信网络流量特征属性矩阵,并根据不同源IP地址之间的相似性,以及不同电力通信网络流量之间的关联关系,构建了邻接矩阵。将二者作为训练参数,采用小批量随机采样方式,在Q值函数下达到损失收敛后,将同一时间窗下存在特征属性交叉,且包含于源IP地址的流量作为异常流量的识别结果。在测试结果中,设计方法对于不同类型网络异常流量识别的ACC均达到了0.90以上。

基于改进迁移学习的变电站异常智能决策模型构建

电力系统是电能生产与消费的集中管理系统,变电站则是电力系统的核心设施。随着变电站规模的急速扩张和智能化、数字化水平不断提升,大量非标准数字化的设备信号的采用致使变电站设备异常识别与处置难度急剧提升,为此本文采用K-means聚类算法聚类电力设备异常数据,然后采用改进迁移学习提取异常数据特征,最后通过支持向量机方法完成变电站电力设备异常的识别,实现变电站异常智能巡检,辅助人员快速进行设备异常处置决策。

基于改进迁移学习的智能变电站设备巡检平台

智能变电站通常拥有大量设备,每个设备都需要周期性巡检、维护和保养。这对巡检的工作量和时间要求比较高,需要制定有效的计划,确保巡检工作的全面性和及时性。为此,需设计基于改进迁移学习的智能变电站设备巡检平台。首先,利用卷积神经网络改进迁移学习,通过基础网络的预训练和迁移学习的微调,ResNet通过引入残差块(residual block)来实现残差学习,设计故障设备定位流程,实现智能变电站的故障设备定位。基于此,通过表现层、应用层以及服务层设计智能变电站设备巡检平台的整体结构,精准获取巡检数据,满足全面覆盖的巡检要求,设计出智能变电站的数据采集终端。实验结果表明,研究设计平台能够高精度获取智能变电站的故障设备所在支路的位置,应用效果良好。