[发明专利]基于深度残差网络下的变压器油中气体复合成像识别方法

权利要求书

1.一种基于深度残差网络下的变压器油中气体复合成像识别方法，其特征在于，其步骤如下：

步骤一：根据采样时间获取变压器油中溶解气体的浓度和采样点温度，并根据采样时间和采样点温度对溶解气体的浓度进行重组，得到气体特征向量；

步骤二：对气体特征向量进行数据增强后作为输入向量，并对输入向量进行故障评估，得到样本集，其中，样本集包括训练集和测试集；

步骤三：基于共通道深度残差收缩网络中的软阈值，构建软阈值优化目标函数，利用交叉方向乘子和FISTA算法对软阈值优化目标函数进行优化，将优化后的软阈值对应的共通道深度残差收缩网络作为子通道阈值深度残差收缩网络；

步骤四：将训练集输入子通道阈值深度残差收缩网络进行训练，得到子通道阈值深度残差收缩网络模型；

步骤五：将测试集输入子通道阈值深度残差收缩网络模型进行识别，并利用UMAP算法对输出结果进行可视化降维，得到故障类型；

所述利用交叉方向乘子和FISTA算法对软阈值优化目标函数进行优化的方法为：

令AX-B＝Z，将软阈值优化目标函数改写为目标I：

s.t AX-Z＝B；

其中，f(X)＝λ||X||₁，目标I的增广拉格朗日函数为：

其中，β为惩罚函数，x代表着局部变量最优解，z代表全局一致性变量最优解；

ADMM迭代更新形式如下：

其中，A_i和B_i均表示对应常数矩阵中的第i个元素，X_i表示第i个变量，表示最小化变量X_i经过k+1次对偶迭代后的最优点，表示拉格朗日乘子经过k次对偶迭代的转置，也即迭代步长，y^k表示第k次的对偶迭代的拉格朗日乘子，y^k+1表示双变量更新值，Z^k表示经过k次对偶迭代后的变量z，Z_i表示第i个全局一致性最优解变量，表示经过k+1次对偶迭代后的第i个全局一致性最优解的最优点；

使用近端梯度下降法或对x求导法对进行更新，得到：

其中，I为单位矩阵，

使用软阈值方法对进行更新，得到：

其中，S_λ/βN(·)表示对利用次微分简单闭式求解的函数；

其中，

在点Z处的二次近似函数为：

其中，表示全局一致最优解的梯度因子；

二次近似函数的最小值简写为：

结合简写的最小值表达式，二次近似函数的最小值写为：

FISTA算法的运算开始，令L₀＞0，η＞1，且X∈Rⁿ，同时令Z₁＝X₀，t₁＝1；

找到最小非负整数i_k，则

将代入直至完成计算，得到：

其中，t_k表示适当的步长。

2.根据权利要求1所述的基于深度残差网络下的变压器油中气体复合成像识别方法，其特征在于，所述溶解气体包括CO、CO₂、H₂、CH₄、C₂H₂、C₂H₄和C₂H₆七种气体。