基于改进GAN的水力测功器轴承故障在线诊断方法

基于数据驱动的轴承故障诊断方法已成为轴承故障诊断领域研究的重点,但由于水力测功器轴承故障情况极少,导致基于数据驱动的轴承故障诊断准确率低。针对上述问题,提出了一种基于改进生成对抗神经网络(generative adversarial networks,GAN)的水力测功器轴承故障在线诊断方法,首先对生GAN训练方法进行改进,用改进的GAN交替训练判别器和生成器学习原始数据的分布特性,建立了水力测功器轴承故障数据增强模型得到合成数据。然后结合原始数据和合成数据训练得到基于SVM的轴承故障诊断模型。最后采用该轴承故障诊断模型实现水力测功器轴承故障在线诊断。仿真结果表明,所提出的故障在线诊断方法通过改进GAN增强训练极大提升了轴承故障诊断的实时准确率,并具有抗噪声干扰性强的特点。

基于GANs的训练技术的改进及应用

GANs作为典型的生成对抗网络,具有较高的应用价值和发展潜力,文章改进了GANs网络的一些新技术(训练深度生成半质量网络dcgan),针对其中部分缺点进行了有效改善,从网络架构、特征匹配和多形差值学习技术维度进行优化,并将其与bird数据集*80进行训练,得出观察结果,为未来的应用前景和环境拓展研究提供进一步可能性,以期在更多的场景中使用该算法。

考虑非均匀分布特性的电压暂降数据生成方法

电压暂降监测数据具有非均匀分布特性,影响敏感设备评估及治理决策。该文提出一种电压暂降数据生成方法,实现了考虑暂降类型非均匀以及特征非均匀分布的暂降数据生成,解决了敏感设备评估等研究中电压暂降数据不足的问题。首先,提出了基于融合判据系数的电压暂降分类方法,定义电压暂降恢复系数等特征及其计算方法,构建奇异特征直线距离系数等分类评价指标,通过融合判据对假设暂降类型进行直观评价,解决了暂降类型非均匀的问题。其次,建立电压暂降概率密度能量因子,刻画幅值、持续时间的概率密度分布特征,提出一种基于改进Star GAN(generative adversarial networks)网络的电压暂降数据生成方法,实现了按特征分布的暂降数据生成。最后,应用仿真数据和实测数据,验证所提方法的准确性、适用性和低数据依赖性。

基于大数据分析方法的电网安全运行方案研究

针对高压电网在实际运行中安全性能不足、事件报警频繁的问题,运用区块链的方式分化电网易发风险区域,将复杂的电网进行分化,从而逐一完成安全排查。研发概率风险分析(PRA)网架,对电网运行中的各个重要设备设置安全结点,通过标记的方式掌握设备信息。采用改进生成式对抗网络(GAN)算法对系统运行中的安全漏洞进行修复,并预测系统运行安全指标。试验表明,本研究电网运行配电最大容量为1711.96 KVA,改进的GAN算法预测安全指标为98.4%,系统运行24 h期间系统事件报警率为0.35%。

融合Deep Qlearning强化的动态分类算法研究

生产线上缺陷样本数量极为有限,使用传统GAN模型生成补充样本可增加样本特征并提高分类模型稳定性,但存在模型崩溃和模型难以训练的问题。此外,产品分类训练的模型难以适应生产线上批次之间特征的动态变化,需要在运行过程中根据新样本动态更新模型参数提高适应性。针对上述问题,本文提出采用人工标注的新样本以及改进GAN模型生成的样本通过Deep Q-Learning(DQN)强化实现动态更新模型参数。在小龙虾分类数据集上实验表明:相比改进前,基于改进LeNet的GAN判别模型准确率提高19%;生成的图像样本可用率提高了22.1%。在三组动态算法实验中,训练集准确率之间的差异不超过0.2%,测试集准确率之间的差异不超过0.3%。

改进的GAN技术在图对图迁移学习中的应用

生成的对抗性网络GAN在近年的技术上突破了越来越多,被人们称为"下一代深度学习",可见其重要程度。本文是针对GAN网络的技术问题进行了改良以及应用到制作生成性对抗网络(GANs)框架上的各个新型架构特点与训练过程。我们主要采用了启发式激励技术(特征匹配、虚拟批标准化等),对图像质量的评价这两类技术来对原网络进行改进,并且将其应用在加州理工大学ucsd的Birds 6*6数据集来达到新的实验目的。