基于强化学习的局部放电深度诊断模型的自动剪枝与轻量化部署OA北大核心CSTPCD

目前在PC计算机或服务器端研发的各种基于局部放电信号采样数据的放电识别模型正判率高的几乎都是深度模型,这种模型的体量大,对计算机资源要求高,无法在局部放电检测装置上运行。为此,提出了基于强化学习的局部放电深度诊断模型的自动剪枝方法与模型轻量化部署方案。在服务器端,采用深度强化学习进行智能体训练,通过与原始局部放电诊断模型交互进行自动搜索进而确定每层的剪枝率;再根据几何中值的滤波器剪枝(FPGM)方法来判别滤波器的重要程度,实现参数的裁剪。仿真实验结果表明:该方法在轻量化系列模型MobileNetV1、V2以及ResNet50经典系列神经网络上取得了85%以上的参数压缩效果。将压缩后的轻量化模型转换成轻量级的ONNX格式,保存在一台便携式电脑上,并通过无线传输方式将模型植入到树莓派智能终端中,进而在智能终端上实现了局部放电的诊断实验模拟。测试结果表明:使用该方法部署的剪枝后局部放电诊断模型在内存占用、功耗以及推理时长等性能指标方面都有很大改善。