基于CycleGAN和CNN的GIS振动信号去噪与机械缺陷识别

TM73; 针对现场气体绝缘开关设备(gas insulated switchgear,GIS)振动检测结果易受外界背景噪声干扰的不足,文中提出基于生成对抗网络和卷积神经网络的现场GIS接触缺陷抗干扰检测框架.首先,开展GIS通流试验,获取在触指缺失、螺栓松动、存在分解物和导体对接深度不足 4 种典型缺陷下的振动波形,并收集包含背景噪声干扰的现场GIS振动波形作为参考,通过对振动数据进行图谱转化,构建用于背景噪声干扰去除和缺陷分类的数据集;其次,将现场振动图谱作为输入,采用周期一致生成对抗网络(cycle-consistent generative adversarial network,Cy...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:电力工程技术 2023-09, Vol.42 (5), p.37-45
Hauptverfasser: 廖景雯, 关向雨, 林建港, 刘江, 赵俊义
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Beschreibung
Zusammenfassung:TM73; 针对现场气体绝缘开关设备(gas insulated switchgear,GIS)振动检测结果易受外界背景噪声干扰的不足,文中提出基于生成对抗网络和卷积神经网络的现场GIS接触缺陷抗干扰检测框架.首先,开展GIS通流试验,获取在触指缺失、螺栓松动、存在分解物和导体对接深度不足 4 种典型缺陷下的振动波形,并收集包含背景噪声干扰的现场GIS振动波形作为参考,通过对振动数据进行图谱转化,构建用于背景噪声干扰去除和缺陷分类的数据集;其次,将现场振动图谱作为输入,采用周期一致生成对抗网络(cycle-consistent generative adversarial network,CycleGAN)对GIS进行现场背景噪声干扰去除;然后,采用AlexNet和ResNet18 卷积网络结构对振动图谱特征进行提取;最后,采用全连接层对图谱特征进行分类,并对比不同振动信号图谱算法对分类结果的影响.结果表明,对于现场数据,所提模型的最大均值差异(maximum mean discrepancy,MMD)可达 0.956 0,弗雷谢特起始距离(Fréchet inception distance,FID)可达62.09;Mel-ResNet18 模型对GIS接触缺陷分类的准确率达99.43%.文中所提方法对于提高现场GIS振动检测和接触缺陷诊断结果的有效性具有重要应用价值.
ISSN:2096-3203
DOI:10.12158/j.2096-3203.2023.05.005