-
题名基于改进SinGAN的电力线巡检异物数据增强技术
被引量:4
- 1
-
-
作者
宋立业
王诗翱
刘昕明
刘卫东
-
机构
辽宁工程技术大学电气与控制工程学院
-
出处
《电子测量与仪器学报》
CSCD
北大核心
2021年第1期165-173,共9页
-
基金
辽宁省重点研发指导计划(2019JH8/10100050)
辽宁省教育厅科学研究一般项目(LJYL013)资助。
-
文摘
针对电力线异物识别模型能使用的数据集较少,并且传统单幅自然图像的生成式模型(SinGAN)模型生成数据与异物识别模型匹配度不高、质量不佳、耗时过久的问题,提出了改进SinGAN模型。在改进SinGAN模型基础上加入仿射变换单元、大小变换单元进一步增强数据集,加入图像滤波单元提高电力线异物识别模型所需数据质量。并通过改进SinGAN反向传播训练过程和SinGAN的单精度生成器结构提升模型生成质量,减少所用时长。实验结果表明,经50次实验后,改进SinGAN的平均弗雷谢特起始距离(Fréchet inception distance, FID)为91.375,平均训练时长1.21 h。分别比传统SinGAN降低了27.247%和87.31%。改进SinGAN与其他主流生成式对抗网络相比有更好的异物数据生成能力,可以增强电力线异物识别模型所需数据,具有优越性。
-
关键词
电力线巡检
异物识别
数据集增强
生成式对抗网路
-
Keywords
power line inspection
foreign object recognition
data set enhancement
generative confrontation network
-
分类号
TM769
[电气工程—电力系统及自动化]
TN98
[电子电信—信息与通信工程]
-
-
题名基于GANBP的航空发动机性能退化预测模型
被引量:2
- 2
-
-
作者
付强
王华伟
熊明兰
-
机构
南京航空航天大学民航学院
-
出处
《人类工效学》
2020年第1期1-6,21,共7页
-
基金
国家自然科学基金(U1833110)。
-
文摘
以神经网络为代表的人工智能技术,为通过状态监测信息全面表征航空发动机状态提供了可能。如何获取足够的监测样本成为神经网络成功应用的关键。生成式对抗网络(Generative adversarial networks,GAN)的应用可实现在已有状态监测信息的基础上扩大样本量。结合经典的误差反向传播BP(back propagation)神经网络预测方法,设计一种新的具有扩展训练样本能力的GANBP预测模型。以航空发动机为例,利用生成式对抗网络生成航空发动机状态监测样本,通过算例来说明本方法的可行性。实验结果表明在大量的网络迭代训练后,GAN能够提取监测样本的特征信息,利用BP算法对航空发动机性能退化预测并与其它预测方法相比较,证明本文构建的GANBP模型能够有效解决因航空发动机状态监测样本量过小而导致性能衰退预测不准确的问题。
-
关键词
机械工程
民航
维修
交通安全
状态监测
监测样本
生成式对抗网路
BP神经网络
航空发动机
-
Keywords
mechanical engineering
civil aviation
maintenance
traffic safety
condition monitoring
monitoring sample
generative adversarial networks
BP nets prediction
aero-engine
-
分类号
V231
[航空宇航科学与技术—航空宇航推进理论与工程]
-