微信里点“发现”，扫一下
二维码便可将本文分享至朋友圈
演讲摘要：使用深度学习训练故障分类模型需要大量有标注的数据以及训练数据与测试数据满足独立同分布。实际工况下，海量的正常运行数据与小样本的故障数据会导致可用于训练的故障样本明显不足。且多工况交替下，单一设备、单一工况下训练的模型无法适用于其他工况和其它设备的诊断任务。如何让在一种工况下训练出的深度学习模型能够适应不同工况下的故障诊断任务，克服现有深度学习模型无法泛化到与训练数据服从不同概率分布的小样本数据的局限，实现在不同工况、不同部件下的故障特征提取与分类识别。我们分别采用无监督学习、半监督学习、小样本学习等方法，在有标记数据稀缺甚至没有的情形下依然能达到较高的故障诊断精度，为有效的电力系统设备诊断与预测提供了新途径。
讲者简介：博士，副教授、硕导。2012年毕业于合肥工业大学计算机应用技术专业，获得博士学位。主要从事AIoT与设备健康管理等领域的研究。近5年来，先后主持或参与国家重点研发计划项目、国家科技支撑计划项目、国家国际科技合作专项项目、国家自然科学基金项目等各类项目20多项。已在国内外主要学术期刊和学术会议上发表SCI和EI收录论文30余篇, 申请国家发明专利10余项。是中国计算机学会计算机应用专委会执行委员、中国轴承工业协会技术委员会产品设计与应用学部第七届委员、JSV、ND、AME等多个国际著名期刊和会议的审稿人。获得安徽省教学成果奖一等奖3次，安徽省教学成果奖二等奖3次，2014年获得河南省优秀博士后。
CCF第36届中国计算机应用大会
智慧电力论坛
京公网安备11010802032778号