典型文献
基于特征融合度量学习的高压断路器机械故障诊断
文献摘要：
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.
文献关键词：
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
中图分类号：
作者姓名：
王艳新;闫静;王建华;耿英三
作者机构：
西安交通大学电力设备电气绝缘国家重点实验室 西安 710049
文献出处：
引用格式：
[1]王艳新;闫静;王建华;耿英三-.基于特征融合度量学习的高压断路器机械故障诊断)[J].仪器仪表学报,2022(09):98-105
A类：
B类：
融合度,度量学习,高压断路器,机械故障诊断,深度学习方法,优异性能,训练样本,现场数据,数据匮乏,诊断性,特征融合卷积神经网络,鉴别特征,特征提取能力,近邻算法,小样本数据,中心损失,特征表示,大样本,样本集,集中学习,可迁移,每类,训练方式,非平衡样本
AB值：
0.271045
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
