基于特征融合度量学习的高压断路器机械故障诊断
数据驱动的深度学习方法在高压断路器机械故障诊断中取得了一定的成效,然而这些方法实现优异性能的前提是可获取海量训练样本,在现场数据匮乏场景下其诊断性能明显下降.为此,提出了一种新颖的特征融合度量学习模型用于现场小样本高压断路器机械故障诊断.首先构建了特征融合卷积神经网络,有效提升了可鉴别特征提取能力.然后以K近邻算法作为度量学习器实现小样本数据的匹配和分类.最后通过改进中心损失进一步提升特征表示的分辨能力,并通过情景训练从实验室构建的大样本集中学习可迁移知识.实验结果表明,本文方法在每类支持集样本数为5时便可达到94.58%的诊断精度,相对于卷积神经网络提升了 63.71%.同时,得益于情景训练方式本文方法有效避免了非平衡样本的问题.
特征融合卷积神经网络、度量学习、故障诊断、小样本、高压断路器
43
TM561;TH17(电器)
国家自然科学基金51937009
2023-02-22(万方平台首次上网日期,不代表论文的发表时间)
共8页
98-105