基于生成式对抗网络的电力设备故障识别装置及方法

1.本发明涉及电力设备故障识别技术领域，尤其涉及一种基于生成式对抗网络的电力设备故障识别装置及方法。


背景技术：

2.目前，电力设备故障识别采用的技术有图像识别技术。实际应用中，电力设备多数情况在正常状态下工作，因此可以收集到的故障数据较少，且存在着故障类型不平衡的问题。
3.授权公告号为cn 105424330 b，名称为一种货车轴端螺栓故障检测方法及装置，解决现有技术存在的对轴端螺栓故障的识别率很低的缺陷。
4.授权公告号为cn 112508908 b，名称为基于图像处理动车组撒砂管接头断开故障检测方法，解决现有采用人工检查图像的方式检查撒砂管接头是否断开，易造成漏检、错检的问题。
5.上述现有技术中，故障的图像与正常的图像数量不平衡、样本数量较少，存在故障特征难以提取的技术问题。
6.现有技术问题及思考：
7.如何解决基于图像识别技术判断电力设备故障工作有效性较差的技术问题。


技术实现要素：

8.本发明所要解决的技术问题是提供一种基于生成式对抗网络的电力设备故障识别装置及方法，解决基于图像识别技术判断电力设备故障工作有效性较差的技术问题。
9.为解决上述技术问题，本发明所采取的技术方案是：一种基于生成式对抗网络的电力设备故障识别装置包括用于获得电力设备图像的摄像机、通信装置和处理器以及检测模块，所述摄像机与通信装置连接并通信，所述处理器与通信装置连接并通信；检测模块为程序模块，用于摄像机获得电力设备图像并发往处理器，处理器获得电力设备图像，将获得的电力设备图像输入至训练好的故障分类器，获得电力设备的状态；训练好的故障分类器是由如下步骤获得的，处理器获得电力设备的训练集，将电力设备的训练集输入至生成式对抗网络cgan，获得电力设备图像样本，将电力设备图像样本输入至故障分类器进行训练，获得训练好的故障分类器。
10.进一步的技术方案在于：还包括如下程序模块，获得原始图像模块，用于摄像机获得电力设备的原始图像并发往处理器，原始图像包括完好电力设备的图像以及发生故障电力设备的图像；数据划分模块，用于通过处理器划分电力设备的原始图像并获得训练集；生成样本模块，用于处理器获得电力设备的训练集，将电力设备的训练集输入至生成式对抗网络cgan，获得电力设备图像样本；训练故障分类器模块，用于处理器获得电力设备图像样本，将获得的电力设备图像样本输入至故障分类器进行训练，获得训练好的故障分类器。
11.进一步的技术方案在于：还包括验证模块，数据划分模块，还用于通过处理器划分
电力设备的原始图像并获得测试集；验证模块为程序模块，用于处理器获得电力设备的测试集，将获得的电力设备的测试集输入至训练好的故障分类器，获得电力设备的状态。
12.进一步的技术方案在于：所述生成式对抗网络cgan包括依次连接的发生器、鉴别器和分类器。
13.进一步的技术方案在于：所述故障分类器为卷积神经网络cnn，所述卷积神经网络cnn包括依次连接的输入层input、第一卷积层conv1、第一池化层pool1、第二卷积层conv2、第二池化层pool2、第三卷积层conv3、第三池化层pool3、全连接层fc和输出层output。
14.进一步的技术方案在于：电力设备的状态包括正常和故障两种状态；所述电力设备为线缆、架体、柜体或者绝缘子。
15.一种基于生成式对抗网络的电力设备故障识别方法，基于上述装置，包括如下步骤：检测，摄像机获得电力设备图像并发往处理器，处理器获得电力设备图像，将获得的电力设备图像输入至训练好的故障分类器，获得电力设备的状态。
16.进一步的技术方案在于：还包括位于检测步骤前的如下步骤，获得原始图像，摄像机获得电力设备的原始图像并发往处理器，原始图像包括完好电力设备的图像以及发生故障电力设备的图像；数据划分，通过处理器划分电力设备的原始图像并获得训练集和测试集；生成样本，处理器获得电力设备的训练集，将电力设备的训练集输入至生成式对抗网络cgan，获得电力设备图像样本；训练故障分类器，处理器获得电力设备图像样本，将获得的电力设备图像样本输入至故障分类器进行训练，获得训练好的故障分类器；验证，处理器获得电力设备的测试集，将获得的电力设备的测试集输入至训练好的故障分类器，获得电力设备的状态。
17.一种基于生成式对抗网络的电力设备故障识别装置包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，所述计算机程序包括上述检测模块，所述处理器执行计算机程序时实现上述相应的步骤。
18.一种基于生成式对抗网络的电力设备故障识别装置为计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括上述检测模块，所述计算机程序被处理器执行时实现上述相应的步骤。
19.采用上述技术方案所产生的有益效果在于：
20.一种基于生成式对抗网络的电力设备故障识别装置包括用于获得电力设备图像的摄像机、通信装置和处理器以及检测模块，所述摄像机与通信装置连接并通信，所述处理器与通信装置连接并通信；检测模块为程序模块，用于摄像机获得电力设备图像并发往处理器，处理器获得电力设备图像，将获得的电力设备图像输入至训练好的故障分类器，获得电力设备的状态；训练好的故障分类器是由如下步骤获得的，处理器获得电力设备的训练集，将电力设备的训练集输入至生成式对抗网络cgan，获得电力设备图像样本，将电力设备图像样本输入至故障分类器进行训练，获得训练好的故障分类器。该技术方案，其通过摄像机、通信装置和处理器以及检测模块等，实现了基于图像识别技术判断电力设备故障工作有效性较好。
21.一种基于生成式对抗网络的电力设备故障识别方法，基于上述装置，包括如下步骤：检测，摄像机获得电力设备图像并发往处理器，处理器获得电力设备图像，将获得的电力设备图像输入至训练好的故障分类器，获得电力设备的状态。其通过检测步骤等，实现了
基于图像识别技术判断电力设备故障工作有效性较好。
22.一种基于生成式对抗网络的电力设备故障识别装置包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，所述计算机程序包括上述检测模块，所述处理器执行计算机程序时实现上述相应的步骤。其通过检测模块等，实现了基于图像识别技术判断电力设备故障工作有效性较好。
23.一种基于生成式对抗网络的电力设备故障识别装置为计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括上述检测模块，所述计算机程序被处理器执行时实现上述相应的步骤。其通过检测模块等，实现了基于图像识别技术判断电力设备故障工作有效性较好。
24.详见具体实施方式部分描述。
附图说明
25.图1是本发明实施例1的原理框图；
26.图2是本发明的流程图；
27.图3是本发明中生成式对抗网络cgan的结构图；
28.图4是绝缘子的原始图像的屏幕截图；
29.图5是绝缘子图像样本的屏幕截图；
30.图6是本发明中卷积神经网络cnn的结构图；
31.图7是本发明中卷积核训练损失变化的曲线图；
32.图8是本发明中卷积神经网络cnn的数据流图；
33.图9是本发明中训练和测试卷积神经网络cnn的流程图；
34.图10是本发明中训练卷积神经网络cnn结果的屏幕截图。
具体实施方式
35.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本技术及其应用或使用的任何限制。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
36.在下面的描述中阐述了很多具体细节以便于充分理解本技术，但是本技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本技术内涵的情况下做类似推广，因此本技术不受下面公开的具体实施例的限制。
37.实施例1：
38.如图1所示，本发明公开了一种基于生成式对抗网络的电力设备故障识别装置包括用于获得绝缘子图像的摄像机、通信装置和处理器以及获得原始图像模块、数据划分模块、生成样本模块、训练故障分类器模块、验证模块和检测模块共六个程序模块，所述摄像机与通信装置连接并通信，所述处理器与通信装置连接并通信。
39.获得原始图像模块，用于摄像机获得绝缘子的原始图像并发往处理器，原始图像包括完好绝缘子的图像以及发生故障绝缘子的图像。
40.数据划分模块，用于通过处理器划分绝缘子的原始图像并获得训练集和测试集。
41.生成样本模块，用于处理器获得绝缘子的训练集，将绝缘子的训练集输入至生成式对抗网络cgan，获得绝缘子图像样本。
42.训练故障分类器模块，用于处理器获得绝缘子图像样本，将获得的绝缘子图像样本输入至故障分类器进行训练，获得训练好的故障分类器。
43.验证模块，用于处理器获得绝缘子的测试集，将获得的绝缘子的测试集输入至训练好的故障分类器，获得绝缘子的状态。
44.检测模块，用于摄像机获得绝缘子图像并发往处理器，处理器获得绝缘子图像，将获得的绝缘子图像输入至训练好的故障分类器，获得绝缘子的状态。
45.所述生成式对抗网络cgan包括依次连接的发生器、鉴别器和分类器。
46.所述故障分类器为卷积神经网络cnn，所述卷积神经网络cnn包括依次连接的输入层input、第一卷积层conv1、第一池化层pool1、第二卷积层conv2、第二池化层pool2、第三卷积层conv3、第三池化层pool3、全连接层fc和输出层output。
47.绝缘子的状态包括正常和故障两种状态。
48.其中，处理器为单片机，摄像机、通信装置和处理器本身以及相应的通信连接技术为现有技术在此不再赘述。生成式对抗网络cgan本身为现有技术不再赘述。卷积神经网络cnn中的各层本身为现有技术不再赘述。
49.实施例2：
50.本发明公开了一种基于生成式对抗网络的电力设备故障识别方法，基于实施例1的装置，包括如下步骤：
51.获得原始图像，摄像机获得绝缘子的原始图像并发往处理器，原始图像包括完好绝缘子的图像以及发生故障绝缘子的图像。
52.数据划分，通过处理器划分绝缘子的原始图像并获得训练集和测试集。
53.生成样本，处理器获得绝缘子的训练集，将绝缘子的训练集输入至生成式对抗网络cgan，获得绝缘子图像样本。
54.训练故障分类器，处理器获得绝缘子图像样本，将获得的绝缘子图像样本输入至故障分类器进行训练，获得训练好的故障分类器。
55.验证，处理器获得绝缘子的测试集，将获得的绝缘子的测试集输入至训练好的故障分类器，获得绝缘子的状态。
56.检测，摄像机获得绝缘子图像并发往处理器，处理器获得绝缘子图像，将获得的绝缘子图像输入至训练好的故障分类器，获得绝缘子的状态。
57.所述生成式对抗网络cgan包括依次连接的发生器、鉴别器和分类器。
58.所述故障分类器为卷积神经网络cnn，所述卷积神经网络cnn包括依次连接的输入层input、第一卷积层conv1、第一池化层pool1、第二卷积层conv2、第二池化层pool2、第三卷积层conv3、第三池化层pool3、全连接层fc和输出层output。
59.绝缘子的状态包括正常和故障两种状态。
60.其中，处理器为单片机，摄像机、通信装置和处理器本身以及相应的通信连接技术为现有技术在此不再赘述。生成式对抗网络cgan本身为现有技术不再赘述。卷积神经网络cnn中的各层本身为现有技术不再赘述。
61.实施例3：
62.本发明公开了一种基于生成式对抗网络的电力设备故障识别装置包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，计算机程序包括获得原始图像模块、数据划分模块、生成样本模块、训练故障分类器模块、验证模块和检测模块，所述处理器执行计算机程序时实现实施例2的步骤。
63.实施例4：
64.本发明公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，计算机程序包括获得原始图像模块、数据划分模块、生成样本模块、训练故障分类器模块、验证模块和检测模块，所述计算机程序被处理器执行时实现实施例2中的步骤。
65.实施例5：
66.实施例5不同于实施例1之处在于，只有检测模块，其他程序模块是在实验室完成的，现场测量使用实验室的结果即可。
67.本发明公开了一种基于生成式对抗网络的电力设备故障识别装置包括用于获得绝缘子图像的摄像机、通信装置和处理器以及检测模块，所述摄像机与通信装置连接并通信，所述处理器与通信装置连接并通信。
68.检测模块，用于摄像机获得绝缘子图像并发往处理器，处理器获得绝缘子图像，将获得的绝缘子图像输入至训练好的故障分类器，获得绝缘子的状态。
69.实施例6：
70.实施例6不同于实施例3之处在于，只有检测模块，其他程序模块是在实验室完成的，现场测量使用实验室的结果即可。
71.本发明公开了一种基于生成式对抗网络的电力设备故障识别装置包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，计算机程序为检测模块，所述处理器执行计算机程序时实现实施例2中相应的步骤。
72.实施例7：
73.实施例7不同于实施例4之处在于，只有检测模块，其他程序模块是在实验室完成的，现场测量使用实验室的结果即可。
74.本发明公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，计算机程序为检测模块，所述计算机程序被处理器执行时实现实施例2中相应的步骤。
75.技术方案说明：
76.一、方案思路
77.绝缘子是电力系统最重要的部件之—，因其复杂的工况和结构极易发生故障，从而造成重大经济损失。实际应用中，绝缘子设备多数情况在正常状态下工作，因此可以收集到的故障数据较少，且存在着故障类型不平衡的问题。
78.目前很多学者针对绝缘子早期故障诊断展开了大量研究。本专利提出—种基于可控的生成式对抗网络的数据集增强方法，该方法使用cgan强大的特征提取和数据生成能力，解决了非平衡、小样本条件绝缘子故障特征难以提取的问题，通过训练出cnn模型，利用训练好的cnn模型进行绝缘子的故障识别，并且通过实验验证了其有效性。
79.如图2所示，为方案思路。
80.二、具体步骤
81.s1：原始数据
82.原始图像数据通过摄像机拍照的方式采集得到，其中包括完好绝缘子的图像以及发生故障绝缘子的图像。
83.s2：数据划分
84.数据的划分可以直接影响模型的好坏，为了更好地训练模型，我们把数据集划分为训练集和测试集。其中训练集用来训练模型，而测试集则是用来评估模型对于新样本的判别能力。
85.s3：cgan生成样本
86.s301：样本不均衡问题介绍
87.样本不均衡指的是给定数据集中有的类别数据多，有的数据类别少，且数据占比较多的数据类别样本与占比较小的数据类别样本两者之间达到较大的比例。
88.s302：样本不均衡问题带来的影响
89.由于在绝缘子样本中不同类别的样本量差异非常大，拥有1447条数据样本的数据集中，能有效进行识别的绝缘子样本的分类只占有50条，此时属于严重的数据样本分布不均衡。
90.样本类别不均衡将导致样本量少的分类所包含的特征过少，并很难从中提取规律；直接放到分类模型进行训练，也容易产生过度依赖与有限的数据样本而导致过拟合问题模型的准确性会很差。
91.s303：cgan原理介绍
92.由于样本发生器的输入是随机分布的，在生成真实样本的时候，很难控制gan，于是提出有条件的gan(conditional gan)去生成样本数据。
93.如图3所示，描述了这种cgan的架构。cgan由三个部分构成，发生器/解码器，鉴别器和分类器/编码器。图中z代表随机噪声，l代表一个标签，g代表发生器，g(z，l，θg)代表生成器生成的伪样本，x代表训练集，c代表分类器，d代表鉴别器，r代表鉴别器判断结果为real真数据，f代表鉴别器判断结果为fake假数据。在cgan中，发生器和鉴别器、分类器同时工作；发生器旨在欺骗鉴别器并同时需要被分类器正确的进行分类。
94.s304：cgan图片生成
95.cgan对如下的方程进行最小化：
96.θd＝argmin{αld(td，d(x；θd))+(1-α)ld((1td)，d(g(z，l；θg)；θd))}，
ꢀꢀꢀ
式(1)
97.θc＝argmin{βlc(l，x)+(1-β)lc((1-l)，g(z，l；θg))}，
ꢀꢀꢀꢀ
式(2)
98.θg＝argmin{lc(l，g(z，l；θg))}+γargmin{ld(td，d(g(z，l；θg)；θd))}，
ꢀꢀꢀ
式(3)
99.假设，l是样本x的二进制表示，并且是发生器的输入数据，同时还作为鉴别器和分类器的参数。cgan强制将特征映射到相应发生器的l。这个参数决定了发生器专注于样本真实性的程度。本专利中应用了boundary equilbrium gan(began)架构，即目前最新的生成图像样本的gan架构。发生器由四个反卷积层组成。每层使用5*5的过滤器。鉴别器由四个卷积层和4个反卷积层构成。分类器由4个卷积层和一个全连接层构成。为了验证方法的效率，并没有使用dropout和max-pooling。我们将α设置为0.5，β设置为1并将y设置为5。
100.式(1)～式(3)本身为现有技术在此不再赘述。
101.与现有的模型相比，cgan具有两个主要的优势。首先，cgan可以通过参数化损失函数专注于条件gan的两个主要目标中的一个目标，即真实样本或者表现差异。因此，如果要牺牲真实实现差异性，cgan可以根据复杂标签生成图像。其次，当鉴别器使用条件gan时，cgan使用一个独立的网络进行相应输入标签的特征映射。因此，鉴别器可以更多的专注进行假样本和原始样本之间的甄别，从而提高生成样本的真实性。在该专利中，使用python进行cgan的实验。通过实验，证实了cgan可以有效地根据输入标签生成绝缘子图像样本。
102.如图4和图5所示，cgan图片生成结果：
103.s4：cnn故障分类模型
104.近几年常见的目标检测方法总体来说都是提取物体特征后利用分类器(svm)和卷积神经网络(cnn)进行故障检测分类，从最初的lenet-5到之后的resnet网络模型，网络的层数也不断增加，simonyan k设计的多层次网络结构也提升了识别准确率，因此本专利也设计了一个九层的网络结构用于故障检测。
105.如图6所示，为卷积神经网络的关系结构。图中input代表输入层，conv1、conv2、conv3代表卷积层，pool1、pool2、pool3代表池化层，fc代表全连接层，output代表输出层。
106.设计的卷积神经网络的模型具体步骤如下：
107.s401：输入层设计
108.卷积神经网络的输入数据尺寸需要根据检测对象的图像尺寸设计，且输入图像的尺寸大小是固定的，这是综合了许多因素确定的，例如原始分辨率，保留的滑板特征，卷积层和池化层的特征图大小。据绝缘子的比例特征，最终选择600
×
52的输入尺寸。
109.s402：卷积层设计
110.卷积层包括两个参数，一个是卷积核，提取的特征数量取决于有多少卷积核。另一个是局部感受野，即卷积内核的大小。卷积内核越大，准确度越高，但卷积核过大又会增加了网络训练时间，同时会出现提取噪声过多，导致训练过程过拟合。卷积核太小，特征无法充分提取，可能导致损失某些局部特征降低准确度。卷积计算公式如式(4)：
[0111][0112]
式(4)中，参数l是卷积层标号，k为对应卷积层的卷积核，卷积核大小为mj，是输出图像的偏执系数。
[0113]
式(4)本身为现有技术在此不再赘述。
[0114]
卷积核的大小会影响卷积神经网络性能，目前普遍使用的主流网络卷积内核尺寸有3
×
3、5
×
5、7
×
7等，根据需要提取的局部特征确定卷积核大小。过大的尺寸会增加计算量，应该在损失尽可能低的情况下保持运算速度，保持激活函数relu、丢弃率为0.1等约束参数不变，得到不同卷积核大小下的损失曲线，选择卷积核大小。
[0115]
如图7所示，不同尺寸卷积核训练损失变化曲线。
[0116]
过大的卷积核尺寸会使运算速度和训练时间变慢时间，为了保证损失最小和良好的运算速度，选用卷积核尺寸为5
×
5。
[0117]
卷积层的卷积核数不同所对应的训练时间和准确度也有所差距，针对本次受绝缘
子设计的卷积神经网络，当c1、c3、c5层的卷积核数量不同，迭代2000次后得到的训练时间与测试准确度做比较，实验结果如表1所示。
[0118]
表1 卷积核数结果对比
[0119][0120]
c1与c3层的卷积核个数越多，提取到的特征种类就会越多，训练所需要的时间就会越长。c5层的卷积核个数会提高网络的分类能力，c5的卷积核个数的增加会提高准确度，但是卷积核个数太大时，网络的复杂度也会最高，增加训练时间，会影响网络的训练结果。通过不同的卷积核数实验比较，在保证识别精度和训练时间短的要求下，最终选择的卷积核个数为6、12、6。
[0121]
(1)c1卷积层
[0122]
该卷积层即第一卷积层是为了提取样本的底层特征信息，作为与输入层连接的卷积层。卷积层c1包含6个尺寸为的卷积核，每个卷积核中的内容不同，在卷积核向右或向下移动只移动一个单位，本专利的c1层中6个输出特征图的尺寸为(600-5+1)
×
(52-5+1)＝596
×
48，共有596
×
48
×
4个神经元，训练参数有6
×
25+1＝151个，每个卷积核有5
×
5＝25个参数，1个偏差参数。
[0123]
(2)c3卷积层
[0124]
c3卷积层即第二卷积层的作用是从给出的训练样本中提取中间层信息。本专利中的c3层包含12个卷积核，卷积核的尺寸为5
×
5，每个卷积核都连接到上一池化层得到的6个特征图，将6个卷积结果累计叠加，叠加后的卷积结果还需再添加一个共同的偏置系数，利用激活函数获得到相应的卷积层特征图。像素为298
×
24的输入图像经过c3卷积层后，产生的特征图像素为(298-5+1)
×
(298-5+1)＝294
×
20，该层产生294
×
20
×
12个神经元。
[0125]
(3)c5卷积层
[0126]
该层即第三卷积层是最后一个卷积层，主要用于提取图像的更好高层次特征，得到的特征信息也更加全面，该层的每个卷积内核也连接到上一池化层的所有特征图，会得到6个具有不同信息的特征图。像素为147
×
10的特征图经过该卷积层会形成143
×
6像素的特征图，每个卷积内核具有5
×
5个参数和1个偏置系数。
[0127]
s403：池化层设计
[0128]
(1)s2池化层
[0129]
s2池化层即第一池化层在进行下采样操作时可以保留c1层中的有效信息，s2层中平均池化操作中没有出现偏差系数和激活函数，池化层与卷积层交替出现，池化层只与上一卷积层连接。该层的感受野使用非重叠采样方式提取特征，感受野的大小取2
×
2，像素为
596
×
48的特征图经过池化层后形成像素为298
×
24的特征图。
[0130]
(2)s4池化层
[0131]
该池化层即第二池化层只连接前一卷积层的一个特征图，产生12个特征图，s4池化层进一步降采样，采用非重叠感受野，像素为294
×
20的特征图经过该层会形成147
×
10像素的特征图，输出的特征图尺寸会变小，只有输入特征图尺寸的1/4。
[0132]
(3)s6池化层
[0133]
该层即第三池化层与前面的池化层功能相似，产生6个特征图，该层只与上一卷积层的特征图相连，采用非重叠感受野，像素为143
×
6的特征图经过该层会形成72
×
3像素的特征图，输出的特征图的尺寸也会减小，仅有输入特征图尺寸的1/4。
[0134]
s404：全连接层设计
[0135]
全连接层(fc)在整个卷积神经网络中的功能相当于分类器。在卷积、池化以及激活函数操作之后利用全连接层把学习到的分布式特征映射给样本标签空间，全连接层之前各层是把原始数据映射到特征空间，所以需要全连接转换，全连接层的每个神经元单元都和s6池化层的所有输出特征图对应的神经元连接，通过激活函数将得到的所有特征图整合成一行多列的形式输出。
[0136]
s405：输出层设计
[0137]
该输出层用一个权重矩阵和全连接层的列向量相乘，再添加一个对应的偏置项，利用激活函数就会产生一个一行二列的向量，根据对应的列向量元素做出最终判断，就可以检测出绝缘子故障。
[0138]
本专利应用于绝缘子检测的神经网络模型参数，如表2所示。
[0139]
表2 卷积神经网络模型参数
[0140][0141]
如图8所示，绝缘子检测的卷积神经网络的数据流图。
[0142]
如图9所示，训练和测试卷积神经网络流程图。
[0143]
如图9所示，首先对训练样本进行预处理，预处理可以增强识别目标的精确度，将cgan生成的图片库中的大量训练样本和样本所需的训练标签放入卷积神经网络(cnn)，得到针对识别的卷积神经网络模型，之后同样将图片库中的测试样本做图像预处理操作并传递到cnn模型，会得到识别的预测结果，并将给出的预测结果与测试样本中的标签进行比较，得到最终的卷积网络测试结果。
[0144]
s5：输出结果
[0145]
如图10所示，cnn故障分类模型的分类准确率曲线，利用充足的数据进行训练后，分类器能够有效地学习数据特征，且随着迭代次数的增加，分类准确率逐步上升，在迭代次数为60次时，分类准确率就接近了98％，这就说明我们训练出来的模型的分类效果好，可以很好地对绝缘子图像进行分类。
[0146]
本技术保密运行一段时间后，现场技术人员反馈的有益之处在于：
[0147]
本专利提出—种基于可控的生成式对抗网络的数据集增强方法，该方法使用生成式对抗网络cgan强大的特征提取和数据生成能力，解决了非平衡、小样本条件电力设备故障特征难以提取的问题，通过训练出卷积神经网络cnn，利用训练好的卷积神经网络cnn进行电力设备的故障识别，并且通过实验验证了其有效性。
[0148]
由于篇幅所限，本技术中采用绝缘子为具体实施例，对发明构思加以详细阐述。本技术的技术构思不仅可以应用在绝缘子上，还可以应用在其他类似的电力设备上，例如线缆、架体和柜体等，在此不再赘述。
[0149]
目前，本发明的技术方案已经进行了中试，即产品在大规模量产前的较小规模试验；中试完成后，在小范围内开展了用户使用调研，调研结果表明用户满意度较高；现在已开始着手准备产品正式投产进行产业化(包括知识产权风险预警调研)。