《表A1不同深度学习方法在通用数据集上的识别结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于Hilbert边际谱和SAE-DNN的局部放电模式识别方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在训练样本数量相对较少时，CNN与DNN的识别率明显降低。CNN本身对于样本数量的要求较为严格，样本数量不足，训练样本达到同样的误差阈值下，CNN需要更多的迭代次数，迭代耗时较长，识别效果不佳。然而在工程应用中，样本规模仍然有限，因此这也在一定程度上限制了CNN在电气设备故障诊断的应用。另外，CNN的训练时间并未随着样本数量的增加呈现明显规律性趋势。这是因为当样本规模较少时，由于样本资源不足，达到规定的训练误差所需的迭代次数可能较多，损耗了训练时间；当样本规模较大时，由于样本资源丰富，达到规定的误差范围所需的迭代次数可能更少，耗时也相对较短。本文方法在较低的样本数量时仍能达到80%以上的识别率，可以说明进行SAE能有效地发现PD信号边际谱中包含的内在放电类型特征。将SAE所得的隐层表达用于DNN的初始化，对DNN的收敛过程有很大帮助。另外，自适应步长学习速率的应用在调优过程中，依据每次训练的结果有效地控制步长大小，避免了步长偏大造成的反复迭代，减少了训练所需的迭代次数。