西安交通大学科研团队提出小样本GIS灯丝缺陷智能诊断的新方法

四川大学科研团队明确指出小试样GIS薄膜毛病终端病人的新分析方法

近年来，数据库驱动的人工终端模型在气体薄膜第一组家电（GIS）薄膜毛病病人上赢取了一定跃升。然而，这些以一个大实验者数据库相结合的模型很难协同作战到在场复杂方式中所和小试样条件下，导致现有病人分析方法在场应用应用麻烦。

为了彻底解决在场制约传统意义病人分析方法应用应用的数据库匮乏关键问题和现有病人模型在场应用应用麻烦的毛病，家电重工薄膜国家所重点实验者室（四川大学）的研究者其他部门王艳新、闫静、王建华、耿英三、刘志远，在2022年第9期《电工关键技术学报》上著文，明确指出了一种个人化的亦然敌对移往变换人工神经的网络用作小试样下的GIS薄膜毛病终端病人。该分析方法可以适当努力学习可移往特质，意味着小试样GIS薄膜毛病的高分辨率、鲁棒性病人。

Metaverse虚拟现实，Metaverse数字全球性终端未来界面关键技术

气体薄膜第一组家电（Gas-Insulated Switchgear, GIS）作为输变电系统中所的关键设备，其可靠列车运行是整个电力系统安全、稳定的重要保障。为维护GIS可靠列车运行，一系列的出现异常和病人分析方法被用作GIS薄膜监控和故障病人。

随着人工终端关键技术的飞速发展，深度努力学习分析方法，特别是变换人工神经的网络因其强大的特质浓缩和分类法能力，被应用应用于GIS薄膜毛病病人中所，并赢取了一定的跃升。然而，目前的分析方法都建立在一个大试样的前提下，并且论据军事训练和测试试样考虑到同一概率地理分布。对在场列车运行中所的GIS而言，一方面随之而来一个大毛病试样，另一方面数据库不断被搜集导致军事训练和测试集不考虑到同地理分布论据，导致现有的故障病人分析方法的在场应用应用受到唯恐。

作为一种个人化的人工终端分析方法，移往努力学习用以通过将某个领亦然或任务上努力学习到的知识（源亦然）应用应用到不同但之外的领亦然（前提亦然）中所，都能适当彻底解决冗余小和试样不考虑到同一概率地理分布的毛病。基于特质的移往努力学习由于都能找到源亦然和前提亦然相同的特质潜在维度，在变压器终端维护和电机压缩机故障病人等领亦然赢取了良好的真实感。

为彻底解决传统意义以一个大试样军事训练的终端病人分析方法很难在在场复杂方式中所和小试样下协同作战应用应用的毛病，受基于特质的移往努力学习的启发，家电重工薄膜国家所重点实验者室（四川大学）的研究者其他部门明确指出了一种个人化的亦然敌对移往变换人工神经的网络，用作小试样GIS薄膜毛病病人，并在多个数据库集下展开了验证。研究者相较较该分析方法可以适当努力学习可移往特质，意味着小试样GIS薄膜毛病的高分辨率、鲁棒性病人。

布1 GIS薄膜毛病病人开放性

他们为浓缩优异的故障特质，相结合了操作者寻优变换人工神经的网络（Convolutional Neutral Networks, CNN），彻底解决了现有变换人工神经的网络手动相结合复杂的关键问题，适当提升了的网络精度等多方面性能。然后，通过移往努力学习意味着源亦然军事训练模型在前提亦然的应用应用。此过程中所，在变换中所扩展敌对军事训练，通过最小-最大二人博弈来努力学习并不一定差异和亦然基本上特质，意味着小试样下的GIS薄膜毛病病人。在亦然敌对军事训练中所扩展两个领亦然分类法器展开决策边境和亦然维度的转换，意味着了两个亦然下更适宜的特质转换。

布2 GIS局部感应仿真模型

布3 实验者接线基本概念

他们表示，该亦然敌对移往军事训练策略可大幅提高小试样下的病人准确率，混用矩阵相较较，其对沿面感应病人准确率的提升真实感极其明显。在亦然敌对军事训练中所扩展两个领亦然分类法器展开决策边境的亦然交叉，都能意味着更适宜的特质交叉。

研究者其他部门指出，与其他分析方法相较，该分析方法在故障冗余多于的意味著，很强更强的鲁棒性和适当性。在实验者室和在场实验者验证中所，该分析方法在前提亦然下分别达到了99.35%和90.35%的病人准确率，说明亦然敌对移往变换人工神经的网络在在场小试样GIS薄膜毛病病人中所很强显著的优势和广阔前途。

本文编自2022年第9期《电工关键技术学报》，科学论文歌名为“基于亦然敌对移往变换人工神经的网络的小试样GIS薄膜毛病终端病人分析方法”。本科学研究者受益了国家所电网控股科技项目的支持。