基于迁移学习的复杂环境下输电杆塔异常振动识别

• 作者: 张恒 徐广辉 饶丹 李临风 周华良
• 来源期刊: 电力信息与通信技术
• 学科: 工学
• 关键词: 杆塔振动识别 迁移学习 卷积神经网络 领域适配
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 人工智能|Artificial Intelligence
• 页码范围: 61-67
• 页数: 7页
• 分类号: TM74
• 语种: 中文
• DOI: 10.16543/j.2095-641x.electric.power.ict.2022.01.008

摘要

架空输电线路杆塔所处环境复杂,传统方法中假设的标准样本与实际样本分布一致的前提遭到破坏,导致单一的识别模型在不同环境下对杆塔异常振动识别准确率降低.为改善识别模型偏差问题,文章提出一种基于领域适配深度迁移学习的杆塔异常振动识别方法.通过一维卷积神经网络实现不同环境条件下异常振动信号的自动特征提取,并引入迁移学习,实现复杂环境下异常振动的准确识别.所提方法通过优化场景差异性正则化损失函数,缩小复杂真实场景与典型场景间的分布差异,获得有效的领域适配模型.实验结果表明,所提方法能明显改善复杂环境下输电杆塔异常振动识别效果,并提高识别准确率.