基于条件式Wasserstein生成对抗网络的电力变压器故障样本增强技术

数据非均衡问题是制约机器学习技术在电力变压器故障诊断领域中应用效果的关键因素。为克服传统过采样方法未考虑数据整体分布信息的缺陷,提出了一种基于深度学习的故障数据增强方法,以实现样本库的类别均衡化目标。首先,建立梯度惩罚优化的条件式Wasserstein生成对抗网络模型以指导多类别故障样本的生成过程,并克服了原始生成对抗网络模型的训练不稳定问题;然后,构建以油中溶解气体无编码比值为特征参量的栈式自编码器诊断模型,并进一步提出了基于数据增强方法的设备故障诊断技术框架;最后,选用由准确率、F1度量以及G-mean组成的评价指标体系对类别均衡化前后的模型诊断效果进行评估对比。算例研究结果表明,相较于传统过采样方法,提出的故障样本增强方法能够更为有效地改善诊断模型对于多数类的分类偏好问题,提升其整体分类性能,可作为电力变压器故障诊断的重要数据预处理环节。

基于改进生成对抗网络与ConvLSTM的航空发动机剩余寿命预测方法

针对航空发动机运行周期内故障数据难以采集而造成的数据失衡等问题,提出一种基于Wasserstein距离与梯度惩罚措施的条件生成对抗网络与卷积长短时记忆网络相结合的预测模型。首先,使用WCGAN-GP模型学习预处理后的时序数据的深层分布特征;然后,利用生成器生成故障样本并与真实样本混合,作为训练集输入到基于ConvLSTM网络的预测模型中进行训练。基于C-MAPSS数据集开展验证比较,结果表明:与单一真实样本训练预测模型相比,使用混合数据时性能指标RMSE和Score平均下降了12.65%和48.95%。

以特征线和高程范围为约束的DEM-cGAN框架

目前大规模地形生成方法依赖传统数学方法,缺乏用户控制,实现难度较大.尽管深度学习技术已介入地形生成工作中,但缺少相关的训练数据集,且未对经典生成网络的固有缺陷作出改进.为了获得真实感更强的地形数据,构建了一个由地形特征草图、地形灰度图像、高程分割图像和高程模型组成的数据集,并提出以特征线和高程范围为约束的DEM-cGAN框架,设计了一个双尺度并行生成网络ParallelGen.用户通过输入地形特征草图及高程范围,利用DEM-cGAN获得完整的高程数据.对生成结果从视觉效果、数值分析和地理学层面进行多项实验的结果表明,DEM-cGAN框架能正确地生成最大栅格尺寸为512×512像素的高程数据,并还原特征草图中的起伏走势,符合现实中的地理学规律.