基于改进SinGAN的电力线巡检异物数据增强技术

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。

基于GANBP的航空发动机性能退化预测模型

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。