基于类别增量更新策略及内存管理优化的电气设备故障诊断方法

本申请涉及一种基于类别增量更新策略及内存管理优化的电气设备故障诊断方法。依据电气设备各工况下的历史运行数据，利用将多项运行参数一维时序数据转换为三维RGB图像的表征技术来优化特征分布，建立故障图像样本集；基于此构建34层残差神经网络（ResNet‑34）诊断模型，对电气设备故障种类/等级进行诊断；用同样方法建立包含电气设备性能不断劣化的新增故障种类/等级图像样本集，在原有ResNet‑34诊断模型中嵌套令新旧故障整体分类损失最小化的子模型，基于这种故障类别增量更新策略，对电气设备可能出现的新型故障种类/等级进行诊断；又通过优化内存管理和数据存储，在保证故障诊断模型高精度的同时，有效减轻内存占用，减少模型更新时间。