摘要
一种基于自编码器的电抗器故障检测方法,使用电抗器正常工作时的样本数据对分层自编码器神经网络进行训练,对分层自编码器神经网络训练时无需电抗器异常样本数据;在电抗器周边布设多个振动传感器和声音传感器,设置特定的神经网络结构学习多通道振动声音传感器采集数据的时空相关性,选取与神经网络故障检测层训练中样本数据对应的重构误差中最大值作为故障检测阈值,再持续采集电抗器振动声音数据,并将持续采集的电抗器振动声音数据提供给训练好的分层自编码器神经网络处理,以获得与训练好的神经网络故障检测层训练中样本数据对应的当前重构误差,将当前重构误差与故障检测阈值进行比较,从而使得故障检测准确度更高。
技术关键词
网络故障检测
傅里叶变换处理
重构误差
声音传感器
振动传感器
小波特征
内存管理模块
数据
样本
编码器训练
电抗器故障检测
时序
分层
神经网络结构
神经网络训练
系统为您推荐了相关专利信息
汽车零部件
缺陷识别方法
信号特征信息
结构光视觉传感器
三维结构
无刷励磁机
数据分析方法
高频电流探头
分布式光纤测温
数据分析系统
疲劳分析方法
载荷特征
频域结构分析
数据
风力发电机齿轮箱
神经网络模型
施工智能
物理
预测土体
地基承载力
人工智能系统
变量
长短期记忆网络
多模型
模型训练模块