Архитектура нейронной сети для анализа частичных разрядов
Архитектура нейронной сети, предназначенной для анализа частичных разрядов в электротехническом оборудовании. Этапы проектирования сети: выбор слоев, функций активации, механизмов регуляризации и оптимизации. Алгоритмы точного анализа частичных разрядов.
Рубрика | Программирование, компьютеры и кибернетика |
Вид | статья |
Язык | русский |
Дата добавления | 14.12.2024 |
Размер файла | 298,5 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.Allbest.Ru/
Архитектура нейронной сети для анализа частичных разрядов
Горностаев Г.А.
Аннотация
Статья посвящена архитектуре нейронной сети используемой для мониторинга частичных разрядов в электрогенераторах гидроагрегатов. Показаны основные алгоритмы и модули для точного анализа частичных разрядов.
Ключевые слова: нейронная сеть, автоэнкодер, частичные разряды, архитектура, модули
Annotation
The article is devoted to the architecture of neural network used for monitoring partial discharges in hydroelectric generators. The main algorithms and modules for accurate analysis of partial discharges are shown.
Key words: neural network, autoencoder, partial discharges, architecture, modules
VRAE, вариационный рекуррентный автоэнкодер (Variational Recurrent Autoencoder) -- это модель глубокого обучения, которая позволяет сжимать и восстанавливать временные ряды. Она основана на комбинации двух типов моделей: LSTM-автоэнкодера и вариационного автоэнкодера (VAE).
LSTM-автоэнкодер используется для извлечения признаков из временных рядов и сжатия информации в скрытом пространстве. Вариационный автоэнкодер используется для генерации случайных векторов, которые вместе с признаками из LSTM-автоэнкодера являются входами для декодера, который восстанавливает исходный временной ряд.
Рисунок 1 - Структура автоэнкодера
Основная идея заключается в том, что вариационный автоэнкодер позволяет генерировать случайные векторы, которые добавляют стохастичность в процесс сжатия информации. Это позволяет смоделировать различные вариации входных данных и сделать модель более гибкой и устойчивой к шумам.
В итоге, модель настраивается на минимизацию потерь между исходным временным рядом и восстановленным временным рядом, а также на максимизацию правдоподобия сгенерированных случайных векторов.
Проблемой для применения классических алгоритмов машинного обучения является большая вариативность сигналов импульсов ЧР.
Целью применения автоэнкодера VRAE является получение скрытого векторного представления сигналов импульсов ЧР фиксированного размера, которое является более информативным для классических алгоритмов машинного обучения, чем исходный сигнал.
LSTM -- это слой с долгосрочной памятью, который позволяет учитывать последовательность сигнала при формировании скрытого представления. нейронный сеть частичный разряд электротехнический
Полученное с применением VRAE скрытое векторное представление можно в дальнейшем использовать в качестве признаков для классических алгоритмов машинного обучения, в том числе для кластеризации с применением DBSCAN и K-means.
Модель состоит из следующих блоков:
1. Кодировщик: Последовательность входных векторов подается на RNN, последний скрытый слой hend отбирается из RNN и передается на следующий слой.
2. Слой от кодировщика к скрытому представлению: hend отображается на среднее значение и стандартное отклонение с помощью линейного слоя.
При данном среднем значении и стандартном отклонении выполняется репараметризация во время обучения. Это, в сущности, означает выборку скрытого вектора из распределения, определяемого его средним значением и стандартным отклонением.
3. Слой от скрытого представления к декодеру: Выбранный скрытый вектор проходит через линейный слой для получения начальных состояний для декодера RNN.
4. Декодер: Учитывая начальные состояния декодера, входы декодера инициализируются нулями и обновляются с помощью обратного распространения. Выходы декодера передаются на выходной слой.
5. Выходной слой: Этот линейный слой отображает выход декодера RNN на длину последовательности для получения x_decoded.
Рисунок 2 - Архитектура VRAE
Рисунок 3. Архитектура модели вариационного LSTM-автоэнкодера с остаточным ресурсом изоляции (RUL) на выходе
Сеть обучается на двух функциях потерь:
1. Дивергенция Кульбака-Лейблера между распределением, изученным в скрытом пространстве, и нормальным распределением.
2. Тождественная функция. В данном случае, между x_decoded и x вычисляется среднеквадратичная ошибка, формируя ошибку восстановления. Она показывает, насколько точно восстановлен вход.
Оптимизатор: Учитывая градиенты и веса, для обновления весов используется оптимизатор Adam. Предусмотрена возможность использования стохастического градиентного спуска (SGD) для оптимизации.
Использованные источники
1. Зайцев Д.В., Константинов С.С. Использование искусственных нейронных сетей в диагностике ГЭС, Архангельск: АрхГТУ, 2021.
2. Куликов А.С., Михайлов В.Е. Анализ и прогнозирование состояния изоляции гидроагрегатов, Якутск: СВФУ, 2023.
3. Морозова Е.В., Рыжков В.И. Современные методы измерения частичных разрядов, Вологда: ВоГТУ, 2022.
4. Петрова А.Г., Соболев А.В. Новые подходы в диагностике электрических машин, Благовещенск: АмГУ, 2021.
Размещено на Allbest.Ru
...Подобные документы
Разработка алгоритма и программы для распознавания пола по фотографии с использованием искусственной нейронной сети. Создание алгоритмов: математического, работы с приложением, установки весов, реализации функции активации и обучения нейронной сети.
курсовая работа [1,0 M], добавлен 05.01.2013Прогнозирование на фондовом рынке с помощью нейронных сетей. Описание типа нейронной сети. Определение входных данных и их обработка. Архитектура нейронной сети. Точность результата. Моделирование торговли. Нейронная сеть прямого распространения сигнала.
дипломная работа [2,7 M], добавлен 18.02.2017Исследование нечеткой модели управления. Создание нейронной сети, выполняющей различные функции. Исследование генетического алгоритма поиска экстремума целевой функции. Сравнительный анализ нечеткой логики и нейронной сети на примере печи кипящего слоя.
лабораторная работа [2,3 M], добавлен 25.03.2014Математическая модель нейронной сети. Однослойный и многослойный персептрон, рекуррентные сети. Обучение нейронных сетей с учителем и без него. Алгоритм обратного распространения ошибки. Подготовка данных, схема системы сети с динамическим объектом.
дипломная работа [2,6 M], добавлен 23.09.2013Нейронные сети и оценка возможности их применения к распознаванию подвижных объектов. Обучение нейронной сети распознаванию вращающегося трехмерного объекта. Задача управления огнем самолета по самолету. Оценка экономической эффективности программы.
дипломная работа [2,4 M], добавлен 07.02.2013Описание структурной схемы искусственного нейрона. Характеристика искусственной нейронной сети как математической модели и устройств параллельных вычислений на основе микропроцессоров. Применение нейронной сети для распознавания образов и сжатия данных.
презентация [387,5 K], добавлен 11.12.2015Модель и задачи искусственного нейрона. Проектирование двуслойной нейронной сети прямого распространения с обратным распространением ошибки, способной подбирать коэффициенты ПИД-регулятора, для управления движения робота. Комплект “LEGO Mindstorms NXT.
отчет по практике [797,8 K], добавлен 13.04.2015Математическая модель искусственной нейронной сети. Структура многослойного персептрона. Обучение без учителя, методом соревнования. Правило коррекции по ошибке. Метод Хэбба. Генетический алгоритм. Применение нейронных сетей для синтеза регуляторов.
дипломная работа [1,5 M], добавлен 17.09.2013Изучение и реализация системы, использующей возможности Microsoft Azure для распределенного обучения нейронной сети. Рассмотрение функционирования распределенных вычислений. Выбор задачи для исследования; тестирование данного программного ресурса.
дипломная работа [2,0 M], добавлен 20.07.2015Математические модели, построенные по принципу организации и функционирования биологических нейронных сетей, их программные или аппаратные реализации. Разработка нейронной сети типа "многослойный персептрон" для прогнозирования выбора токарного станка.
курсовая работа [549,7 K], добавлен 03.03.2015Классическая архитектура компьютера. Понятие разрядной сетки. Устройство ввода-вывода. Арифметическо-логическое устройство, структура регистров АЛУ, куда помещаются исходные и результирующие данные, а также размер регистров (число двоичных разрядов t).
презентация [1,5 M], добавлен 29.11.2013Этап предварительной обработки данных, классификации, принятия решения. Изображения обучающих рукописных символов, тестового символа. Выход нейронной сети для тестового символа. График тренировки нейронной сети. Последовательность точек. Входные вектора.
статья [245,7 K], добавлен 29.09.2008Выявление закономерностей и свойств, применимых в искусственной нейронной сети. Построение графиков и диаграмм, определяющих степень удаленности между объектами. Моделирование, тестирование и отладка программной модели, использующей клеточный автомат.
дипломная работа [4,1 M], добавлен 25.02.2015Принцип построения и описание прибора. Назначение и область применения спектрометра космических излучений на алмазных детекторах. Аппроксимация степенным многочленом. Математическая модель нейронной сети. Описание интерфейса программного комплекса.
дипломная работа [591,1 K], добавлен 03.09.2017Понятие искусственного нейрона и искусственных нейронных сетей. Сущность процесса обучения нейронной сети и аппроксимации функции. Смысл алгоритма обучения с учителем. Построение и обучение нейронной сети для аппроксимации функции в среде Matlab.
лабораторная работа [1,1 M], добавлен 05.10.2010Базовые архитектуры компьютеров: последовательная обработка символов по заданной программе и параллельное распознавание образов по обучающим примерам. Искусственные нейронные сети. Прототип для создания нейрона. Поведение искусственной нейронной сети.
контрольная работа [229,5 K], добавлен 28.05.2010Прогнозирование валютных курсов с использованием искусственной нейронной сети. Общая характеристика среды программирования Delphi 7. Существующие методы прогнозирования. Характеристика нечетких нейронных сетей. Инструкция по работе с программой.
курсовая работа [2,2 M], добавлен 12.11.2010Задача неразрушающего контроля. Математическая модель нейронной сети, ее виды. Программное обеспечение для определения параметров неоднородности в материале. Основные алгоритмы и оптимизации. Эксперименты с персептроном и выбор оптимальных коэффициентов.
дипломная работа [5,2 M], добавлен 06.03.2013Архитектура сети: одноранговая, клиент - сервер, терминал - главный компьютер. Разработка конструктора электронных моделей компьютерных сетей с функциями проектирования сети и её диагностики. Требования к проектированию структурированных кабельных систем.
курсовая работа [1,6 M], добавлен 19.11.2010Механизм работы нервной системы и мозга человека. Схема биологического нейрона и его математическая модель. Принцип работы искусственной нейронной сети, этапы ее построения и обучения. Применение нейронных сетей в интеллектуальных системах управления.
презентация [98,6 K], добавлен 16.10.2013