基于迁移学习的复杂环境下输电杆塔异常振动识别

架空输电线路杆塔所处环境复杂,传统方法中假设的标准样本与实际样本分布一致的前提遭到破坏,导致单一的识别模型在不同环境下对杆塔异常振动识别准确率降低。为改善识别模型偏差问题,文章提出一种基于领域适配深度迁移学习的杆塔异常振动识别方法。通过一维卷积神经网络实现不同环境条件下异常振动信号的自动特征提取,并引入迁移学习,实现复杂环境下异常振动的准确识别。所提方法通过优化场景差异性正则化损失函数,缩小复杂真实场景与典型场景间的分布差异,获得有效的领域适配模型。实验结果表明,所提方法能明显改善复杂环境下输电杆塔异常振动识别效果,并提高识别准确率。

基于CNN-RVM的输电杆塔外破振动识别方案

针对现有杆塔状态检测方案缺乏外破振动识别的现状,提出了一种基于深度学习模型的杆塔外破振动识别技术。首先获取外破条件下的输电杆塔外破振动信号和不同风激励条件下的输电杆塔振动信号,应用延时嵌陷技术对振动信号预处理,将原始信号转为二维形式后送入卷积神经网络(Convolutional Neural Network, CNN)进行特征提取,并采用相关向量机(Relevance Vector Machine, RVM)分类器实现振动模式识别;通过多次实验,确定CNN的最佳参数,再利用softmax分类器和梯度下降法对CNN的权值和阈值进行调整,最终得到高精度识别结构。仿真结果表明,提出的CNN-RVM识别模型在三种振动条件实验中准确率都高于99%,相比于国内外现有其它振动识别方案,具有高精度和高效率的优点。