Архитектура нейронной сети для анализа частичных разрядов

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