针对当前电力设备红外图像分辨率低和温度分布模糊问题,提出一种基于局部和全局信息注意力生成对抗网络(local and global information attention generative adversarial network,LGIA-GAN)的超分辨率重建方法。首先,使用门控权重单元...针对当前电力设备红外图像分辨率低和温度分布模糊问题,提出一种基于局部和全局信息注意力生成对抗网络(local and global information attention generative adversarial network,LGIA-GAN)的超分辨率重建方法。首先,使用门控权重单元融合多种卷积输出构建细节增强融合卷积,增加重要信息在输出特征图的占比;其次,搭建双注意力模块,对图像长距离像素依赖关系建模并捕获空间和通道维度信息;然后,构造生成对抗网络,使网络关注电力设备红外图像局部纹理细节和全局轮廓信息;最后,通过实验证明,LGIA-GAN在数据集上的峰值信噪比和结构相似度分别为30.266dB和0.9197,重建时间为0.120s,明显优于其他几种GAN算法,并在主观视觉上重建效果更好。所提方法能够有效提升电力设备热成像分辨率,对电力设备故障诊断具有支撑作用。展开更多
针对断路器机械特性异常诊断中的多源信号采集与分析问题,设计出一套分合闸线圈电流和触头行程信号的采集系统,并提出了相应的异常模拟方案。通过引入分段滤波和循环差分判别进行特征提取,机器学习算法采用CatBoost模型进行单源信号的...针对断路器机械特性异常诊断中的多源信号采集与分析问题,设计出一套分合闸线圈电流和触头行程信号的采集系统,并提出了相应的异常模拟方案。通过引入分段滤波和循环差分判别进行特征提取,机器学习算法采用CatBoost模型进行单源信号的异常诊断,结合遗传算法(genetic algorithm,GA)进行参数优化,实现了基于线圈电流和触头行程的高准确率诊断。同时,利用线性判别分析(linear discriminant analysis,LDA)方法进行特征融合,提升了异常诊断效果。此外,对多种融合方法的诊断结果进行对比分析。结果表明,LDA-GA-CatBoost的特征级融合方法与基于改进的D-S证据理论(dempster-shafer theory of evidence,DST)的决策级融合方法的异常诊断率最高,均为95.82%,但LDA-GA-CatBoost的模型训练时间仅为改进的D-S证据理论的一半,更具有应用优势。展开更多
文摘针对当前电力设备红外图像分辨率低和温度分布模糊问题,提出一种基于局部和全局信息注意力生成对抗网络(local and global information attention generative adversarial network,LGIA-GAN)的超分辨率重建方法。首先,使用门控权重单元融合多种卷积输出构建细节增强融合卷积,增加重要信息在输出特征图的占比;其次,搭建双注意力模块,对图像长距离像素依赖关系建模并捕获空间和通道维度信息;然后,构造生成对抗网络,使网络关注电力设备红外图像局部纹理细节和全局轮廓信息;最后,通过实验证明,LGIA-GAN在数据集上的峰值信噪比和结构相似度分别为30.266dB和0.9197,重建时间为0.120s,明显优于其他几种GAN算法,并在主观视觉上重建效果更好。所提方法能够有效提升电力设备热成像分辨率,对电力设备故障诊断具有支撑作用。
文摘针对断路器机械特性异常诊断中的多源信号采集与分析问题,设计出一套分合闸线圈电流和触头行程信号的采集系统,并提出了相应的异常模拟方案。通过引入分段滤波和循环差分判别进行特征提取,机器学习算法采用CatBoost模型进行单源信号的异常诊断,结合遗传算法(genetic algorithm,GA)进行参数优化,实现了基于线圈电流和触头行程的高准确率诊断。同时,利用线性判别分析(linear discriminant analysis,LDA)方法进行特征融合,提升了异常诊断效果。此外,对多种融合方法的诊断结果进行对比分析。结果表明,LDA-GA-CatBoost的特征级融合方法与基于改进的D-S证据理论(dempster-shafer theory of evidence,DST)的决策级融合方法的异常诊断率最高,均为95.82%,但LDA-GA-CatBoost的模型训练时间仅为改进的D-S证据理论的一半,更具有应用优势。
