CN101587155A - 一种油浸式变压器的故障诊断方法 - Google Patents
一种油浸式变压器的故障诊断方法 Download PDFInfo
- Publication number
- CN101587155A CN101587155A CNA2009100994618A CN200910099461A CN101587155A CN 101587155 A CN101587155 A CN 101587155A CN A2009100994618 A CNA2009100994618 A CN A2009100994618A CN 200910099461 A CN200910099461 A CN 200910099461A CN 101587155 A CN101587155 A CN 101587155A
- Authority
- CN
- China
- Prior art keywords
- sigma
- centerdot
- parameter
- sample
- oil
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Complex Calculations (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种油浸式变压器故障诊断方法,该方法首先获取样本,对样本中的5种气体浓度数据进行归一化处理,形成训练样本集和测试样本集;确定基本核函数的个数及每个基核的参数,使用交叉验证的方法确定最优的惩罚参数;根据最优惩罚参数,利用训练样本和多分类多核学习方法得到相应的分类模型;利用训练好的分类模型对验证集中的待测试样本进行故障诊断。本发明能够保证很高的诊断准确率,具有很好的实用性和推广性。
Description
技术领域
本发明属于电力设备技术领域,尤其涉及一种油浸式变压器的故障诊断方法。
背景技术
电力变压器是电力系统中的重要设备,利用油中溶解气体分析(DGA,Dissolved Gas Analysis)方法,检测油浸变压器内部故障,已成为对其进行绝缘监督的重要手段。变压器结构的复杂性以及故障原因、故障现象和故障机理的多样性、随机性和模糊性,使得其绝缘故障诊断存在许多困难。随着计算机的快速发展,专家系统、模式识别等人工智能技术在电力系统的故障诊断中获得了初步的应用研究。近几年来,人们借助人工神经网络、模糊数学、聚类原理、灰色系统理论探索变压器故障诊断也获得了一些应用成果,但也存在严重的不足。现有的变压器故障诊断方法均不能很好地满足要求。
发明内容
本发明的目的在于针对现有技术的不足,提供了一种油浸式变压器的故障诊断方法。
本发明的目的是通过以下技术方案来实现的:
一种油浸式变压器的故障诊断方法,包括以下步骤:
(1)通过油中溶解气体分析DGA方法获取变压器油中溶解的五种气体H2、CH4、C2H2、C2H4、C2H6的数据,形成DGA数据库,作为特征参数;
(2)对DGA原始数据进行归一化处理;
(3)形成样本集和测试样本集;
(4)采用多核学习、多类目标函数方法的多分类SVM模型,确定基本核函数的个数和每个基核的参数;
(5)通过交叉验证的方法确定最优的惩罚参数;
(6)根据最优的惩罚参数,利用训练样本和多分类多核学习方法得到相应的分类模型;
(7)利用训练好的分类模型进行油浸式变压器故障诊断,得到诊断结果。
本发明的有益效果是:本发明的方法提出了基于多核学习、多类目标函数方法的多分类支持向量机模型,并将之运用于变压器故障诊断。变压器结构的复杂性以及故障原因、故障现象和故障机理的多样性、随机性和模糊性,使得其绝缘故障诊断存在许多困难。本发明能够保证很高的诊断准确率,具有很好的实用性和推广性。
具体实施方式
本发明将现有的数据采集设备、成熟的技术与前沿的理论知识相结合。采用多核学习、多类目标函数方法的多分类SVM模型,在输入数据到输出分类结果的直接过程中,有效地避免混淆和差错的可能性。
本发明油浸式变压器的故障诊断方法,包括以下步骤:
1、通过油中溶解气体分析(Dissolved gas analysis,DGA)方法获取变压器油中溶解的五种气体(H2,CH4,C2H2,C2H4,C2H6)的数据,形成DGA数据库,作为特征参数。
2、对DGA原始数据进行归一化处理。具体如下:
(1)从DGA中获取原始数据,模式向量为:xi=(xi1,xi2,xi3,xi4,xi5)
(2)考虑到各种溶解气体含量的巨大差异性及分散性,为降低它们之间由于量值差异过大造成的影响,需要对DGA原始数据进行归一化处理,即将各种融解气体含量换算为[0,1]范围内的相对含量,以降低气体之间的互斥性。归一化处理方法如下:
3、形成样本集和测试样本集。
4、采用多核学习、多类目标函数方法的多分类SVM(Support VectorMachine,支持向量机)模型,确定基本核函数的个数和每个基核的参数。具体如下:
(1)选取高斯径向基函数作为基本核函数。
(2)在参数范围内以指数增长方式确定每个基本核Ki(xi,x)的宽度参数σi。
(3)确定基本核函数的个数M。
(4)通过在支持向量机的训练中得到每个基本核函数对应的线性组合权值dl。
5、通过交叉验证的方法确定最优的惩罚参数。
采用交叉验证的方法确定最优的惩罚参数C,即对每个待验证的参数,将N个数据样本随机分成k个互不相交的子集{S1,S2,...Sk},每次依此选择其中一个子集Si作为测试集,而其余样本作为训练集,得到错误分类的样本点个数为li,k次验证完成后,可以得到错误分类的样本点总数,总数越大,交叉验证精度就越差。选取获得最高交叉验证精度的C*作为SVM模型的参数。
6、根据最优的惩罚参数,利用训练样本和多分类多核学习方法得到相应的分类模型。
7、利用训练好的分类模型进行油浸式变压器故障诊断,得到诊断结果。
采用多核学习、多类目标函数方法的多分类SVM模型是本发明的核心部分。
本发明提出一种新的基于多分类目标函数和多核学习的支持向量机模型MMKL-SVM。
对于有n个样本{xi,yi}i=1 n的SVM多分类问题,其中xi属于输入空间χ,样本共有k类。使用基于向量的类标度方法,定义k维向量yi和vj,j=1,2,...,k,当样本i属于第j类时,向量vj的第j列为1,而其余维为-1/(k-1),当样本属于第1类时,定义yi=v1=(1,-1/(k-1),...,-1/(k-1)),同理,当样本属于第k类时,定义yi=vk=(-1/(k-1),-1/(k-1),...,1)。
相应定义k元决策函数f(x)=(f1(x),...,fk(x)),且对于任意x∈Rd,均存在 这一约束条件反映了在基于上述类标度定义的情况下,某样本只属于k类中的一类这一基本性质赋予决策函数的特性。此外,定义k维向量L(yi),当样本i属于第j类时,L(yi)的第j列为0,而其余列为1。参照式 with dl≥0, 则决策函数可以表示为如下形式:
令Lj,j=1,...,k表示第i行为L(yi)=(Li1,...,Lik)的n×k阶矩阵的第j列,同样,令ξ.j,j=1,...,k表示第i行为ξi的n×k阶矩阵的第j列,y.j表示第i行为yi的n×k阶矩阵的第j列,Kl为n×n阶矩阵,其中第i行第j列元素为Kl(xi,x)。基于多分类目标函数和多核学习支持向量机模型的原问题(primal problem)如下式所示:
min
subject to: for j=1,...k,。
ξ.j≥0 for j=1,...k,
采用两步式的迭代优化方法来求解上述优化问题,上式可以转化为如下问题进行求解:minJ(dl)有 dl≥0,其中:
式中,J(dl)可以看作是上式所表示的支持向量机目标函数的最优值。优化问题求解的两步式迭代优化算法流程如下所示:
1),令 for l=1,..M;
2),求解式 表示的优化问题,得到优化参数和J(t)(dl)的表达式,其中t表示迭代的步数。
3),采用共轭投影梯度法求解式minJ(dl)有 dl≥0所表示的等式约束优化问题:
4),返回流程2),直至满足一定的收敛判断条件,收敛条件为达到一定迭代次数。
由上可见如何解优化问题 是关键所在。对于给定的参数dl,上式是一个具有等式和不等式约束的二次优化问题,采用拉格朗日泛函方法求取其对偶问题。引入非负的拉格朗日乘子α.j=(α1j,...αnj)T,γ.j=(γ1j,...γnj)T以及无约束的拉格朗日乘子δf=(δ1,...δn)T,上式的拉格朗日函数如下所示:
将泛函关于ξ.j,c.j,bj求极值,根据极值条件可以得到下列特性:
for j=1,...,k,
令 由于δf是无约束的,设δf=-α,式 可表示为(α.j-α)Te=0,同时利用 两式,代入拉格朗日函数,考虑Wolfe对偶性质,可以得到式 表述的优化问题的对偶问题:
(α.j-α)e=0 for j=1,...,k,
由于 求解上式所表示的二次规划问题可以得到最优解α.j *设最优解α.j *(t)为两步式迭代优化算法的第t步迭代值,将之代入上式的目标函数,根据对偶理论,式 的目标函数最优值为:
根据两步式迭代优化算法的步骤3),对dl (t)进行修正,得到dl (t+1)代入式
max
s.t for j=1,...k,求取最优解α.j *(t+1),当达到设定的迭代次数后,(α.j-α)Te=0 for j=1,...k,
所求得的最优解记为α.j *,c.j *,bj *,dl *,ξ.j *,γ.j *。由式 可以得到c.j *,由Kuhn-Tucker定理,最优解满足如下条件:
式中“⊥”表示向量的点积为0。
利用支持向量集合可以得到基于最优超曲面的决策函数:
决策规则为:。
φ(x)=argmaxj fj(x)
本发明提出一种新颖的变压器故障诊断方法,电力变压器是电力系统中的重要设备,利用油中溶解气体分析(DGA,Dissolved Gas Analysis)方法,检测油浸变压器内部故障,已成为对其进行绝缘监督的重要手段。变压器结构的复杂性以及故障原因、故障现象和故障机理的多样性、随机性和模糊性,使得其绝缘故障诊断存在许多困难。本发明提出的变压器故障诊断方法可以很好的解决变压器故障诊断问题,满足各种要求,能够保证很高的诊断准确率。
Claims (4)
1、一种油浸式变压器的故障诊断方法,其特征在于,包括以下步骤:
(1)通过油中溶解气体分析DGA方法获取变压器油中溶解的五种气体H2、CH4、C2H2、C2H4、C2H6的数据,形成DGA数据库,作为特征参数。
(2)对DGA原始数据进行归一化处理。
(3)形成样本集和测试样本集。
(4)采用多核学习、多类目标函数方法的多分类SVM模型,确定基本核函数的个数和每个基核的参数。
(5)通过交叉验证的方法确定最优的惩罚参数。
(6)根据最优的惩罚参数,利用训练样本和多分类多核学习方法得到相应的分类模型。
(7)利用训练好的分类模型进行油浸式变压器故障诊断,得到诊断结果。
2、根据权利要求1所述油浸式变压器的故障诊断方法,其特征在于,所述步骤(2)具体为:
(A)从DGA中获取原始数据,模式向量为:xi=(xi1,xi2,xi3,xi4,xi5)。
(B)将各种融解气体含量换算为[0,1]范围内的相对含量,以降低气体之间的互斥性。归一化处理方法如下:
3、根据权利要求1所述油浸式变压器的故障诊断方法,其特征在于,所述步骤(4)具体为:
(a)选取高斯径向基函数作为基本核函数。
(b)在参数范围内以指数增长方式确定每个基本核Kl(xi,x)的宽度参数σl。
(c)确定基本核函数的个数M。
(d)通过在支持向量机的训练中得到每个基本核函数对应的线性组合权值dl。
4、根据权利要求1所述油浸式变压器的故障诊断方法,其特征在于,所述步骤(5)具体为:对每个待验证的参数,将N个数据样本随机分成k个互不相交的子集{S1,S2,...Sk},每次依此选择其中一个子集Si作为测试集,而其余样本作为训练集,得到错误分类的样本点个数为li,k次验证完成后,可以得到错误分类的样本点总数,总数越大,交叉验证精度就越差;选取获得最高交叉验证精度的C*作为SVM模型的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100994618A CN101587155B (zh) | 2009-06-08 | 2009-06-08 | 一种油浸式变压器的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100994618A CN101587155B (zh) | 2009-06-08 | 2009-06-08 | 一种油浸式变压器的故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101587155A true CN101587155A (zh) | 2009-11-25 |
CN101587155B CN101587155B (zh) | 2011-05-18 |
Family
ID=41371484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009100994618A Expired - Fee Related CN101587155B (zh) | 2009-06-08 | 2009-06-08 | 一种油浸式变压器的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101587155B (zh) |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101907665A (zh) * | 2010-07-16 | 2010-12-08 | 西安交通大学 | 联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法 |
CN102289682A (zh) * | 2011-05-18 | 2011-12-21 | 华北电力大学 | 基于集成学习Bagging算法的变压器故障诊断方法 |
CN102541050A (zh) * | 2012-01-05 | 2012-07-04 | 浙江大学 | 一种基于改进支持向量机的化工过程故障诊断方法 |
CN102662113A (zh) * | 2012-04-17 | 2012-09-12 | 国网电力科学研究院 | 基于故障树的油浸式变压器综合诊断方法 |
CN102680890A (zh) * | 2012-06-01 | 2012-09-19 | 南京师范大学 | 变压器有载分接开关故障诊断方法 |
CN102735760A (zh) * | 2012-06-26 | 2012-10-17 | 河海大学 | 基于极端学习机的变压器油色谱数据预测方法 |
CN103150594A (zh) * | 2013-03-18 | 2013-06-12 | 山东电力集团公司济宁供电公司 | 基于加动量项bp神经网络的变压器故障诊断方法 |
CN103197663A (zh) * | 2013-03-07 | 2013-07-10 | 北京信息科技大学 | 一种故障预测方法及系统 |
CN103675518A (zh) * | 2013-09-29 | 2014-03-26 | 广州供电局有限公司 | 油浸式高压设备检修方法及装置 |
CN103745119A (zh) * | 2014-01-22 | 2014-04-23 | 浙江大学 | 一种基于故障概率模型的油浸式变压器故障诊断方法 |
CN104655948A (zh) * | 2013-11-21 | 2015-05-27 | 国家电网公司 | 一种新型的电力变压器多级故障诊断方法 |
CN105629109A (zh) * | 2015-12-30 | 2016-06-01 | 西安工程大学 | 基于art1神经网络的油浸式变压器故障诊断方法 |
CN103245907B (zh) * | 2013-01-30 | 2016-08-03 | 中国人民解放军海军航空工程学院 | 一种模拟电路故障诊断方法 |
CN106066432A (zh) * | 2016-05-26 | 2016-11-02 | 国网江苏省电力公司电力科学研究院 | 一种电力变压器的故障检测与故障诊断综合系统 |
CN106569069A (zh) * | 2016-11-04 | 2017-04-19 | 广州供电局有限公司 | 电力变压器故障诊断方法 |
CN106646158A (zh) * | 2016-12-08 | 2017-05-10 | 西安工程大学 | 基于多分类支持向量机变压器故障诊断提升方法 |
WO2017091966A1 (en) * | 2015-12-01 | 2017-06-08 | General Electric Technology Gmbh | An intelligent assessment method of main insulation condition of transformer oil paper insulation |
WO2017128455A1 (zh) * | 2016-01-25 | 2017-08-03 | 合肥工业大学 | 一种基于广义多核支持向量机的模拟电路故障诊断方法 |
CN107133378A (zh) * | 2017-03-28 | 2017-09-05 | 浙江大学 | 基于高维线性模型变点估计的油浸式变压器故障预警方法 |
CN108603907A (zh) * | 2016-02-03 | 2018-09-28 | 通用电气公司 | 用于监测和诊断变压器健康的系统和方法 |
CN108872803A (zh) * | 2018-03-29 | 2018-11-23 | 福建工程学院 | 一种基于绝缘介质回复电压的变压器绝缘状态的检测方法 |
CN109242141A (zh) * | 2018-07-24 | 2019-01-18 | 杭州汇数智通科技有限公司 | 一种商品库存数量的预测方法及装置 |
CN109270174A (zh) * | 2018-07-27 | 2019-01-25 | 西南交通大学 | 一种改进灰色预测模型的变压器油色谱气体预测方法 |
CN109856494A (zh) * | 2019-01-02 | 2019-06-07 | 广东工业大学 | 一种基于支持向量机的变压器故障诊断方法 |
CN110059773A (zh) * | 2019-05-17 | 2019-07-26 | 江苏师范大学 | 一种变压器故障复合诊断方法 |
CN110133410A (zh) * | 2019-05-31 | 2019-08-16 | 国网河北省电力有限公司石家庄供电分公司 | 基于模糊c均值聚类算法的变压器故障诊断方法及系统 |
CN110197222A (zh) * | 2019-05-29 | 2019-09-03 | 国网河北省电力有限公司石家庄供电分公司 | 一种基于多分类支持向量机变压器故障诊断的方法 |
US10782360B2 (en) | 2015-05-04 | 2020-09-22 | General Electric Company | Systems and methods for monitoring and diagnosing transformer health |
CN113051829A (zh) * | 2021-03-31 | 2021-06-29 | 西南大学 | 一种应用空间分析理论改进的变压器Duval Pentagon1故障诊断方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102435893B (zh) * | 2011-11-04 | 2013-10-09 | 国电南京自动化股份有限公司 | 一种基于自适应遗传算法的油浸式变压器故障诊断方法 |
-
2009
- 2009-06-08 CN CN2009100994618A patent/CN101587155B/zh not_active Expired - Fee Related
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101907665A (zh) * | 2010-07-16 | 2010-12-08 | 西安交通大学 | 联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法 |
CN102289682B (zh) * | 2011-05-18 | 2013-02-13 | 华北电力大学 | 基于集成学习Bagging算法的变压器故障诊断方法 |
CN102289682A (zh) * | 2011-05-18 | 2011-12-21 | 华北电力大学 | 基于集成学习Bagging算法的变压器故障诊断方法 |
CN102541050A (zh) * | 2012-01-05 | 2012-07-04 | 浙江大学 | 一种基于改进支持向量机的化工过程故障诊断方法 |
CN102662113A (zh) * | 2012-04-17 | 2012-09-12 | 国网电力科学研究院 | 基于故障树的油浸式变压器综合诊断方法 |
CN102662113B (zh) * | 2012-04-17 | 2014-06-11 | 国网电力科学研究院 | 基于故障树的油浸式变压器综合诊断方法 |
CN102680890A (zh) * | 2012-06-01 | 2012-09-19 | 南京师范大学 | 变压器有载分接开关故障诊断方法 |
CN102735760A (zh) * | 2012-06-26 | 2012-10-17 | 河海大学 | 基于极端学习机的变压器油色谱数据预测方法 |
CN103245907B (zh) * | 2013-01-30 | 2016-08-03 | 中国人民解放军海军航空工程学院 | 一种模拟电路故障诊断方法 |
CN103197663A (zh) * | 2013-03-07 | 2013-07-10 | 北京信息科技大学 | 一种故障预测方法及系统 |
CN103197663B (zh) * | 2013-03-07 | 2015-05-20 | 北京信息科技大学 | 一种故障预测方法及系统 |
CN103150594A (zh) * | 2013-03-18 | 2013-06-12 | 山东电力集团公司济宁供电公司 | 基于加动量项bp神经网络的变压器故障诊断方法 |
CN103675518A (zh) * | 2013-09-29 | 2014-03-26 | 广州供电局有限公司 | 油浸式高压设备检修方法及装置 |
CN104655948A (zh) * | 2013-11-21 | 2015-05-27 | 国家电网公司 | 一种新型的电力变压器多级故障诊断方法 |
CN103745119A (zh) * | 2014-01-22 | 2014-04-23 | 浙江大学 | 一种基于故障概率模型的油浸式变压器故障诊断方法 |
US10782360B2 (en) | 2015-05-04 | 2020-09-22 | General Electric Company | Systems and methods for monitoring and diagnosing transformer health |
CN108431613A (zh) * | 2015-12-01 | 2018-08-21 | 通用电器技术有限公司 | 变压器油纸绝缘的主绝缘状况的智能评定方法 |
WO2017091966A1 (en) * | 2015-12-01 | 2017-06-08 | General Electric Technology Gmbh | An intelligent assessment method of main insulation condition of transformer oil paper insulation |
CN105629109A (zh) * | 2015-12-30 | 2016-06-01 | 西安工程大学 | 基于art1神经网络的油浸式变压器故障诊断方法 |
WO2017128455A1 (zh) * | 2016-01-25 | 2017-08-03 | 合肥工业大学 | 一种基于广义多核支持向量机的模拟电路故障诊断方法 |
CN108603907A (zh) * | 2016-02-03 | 2018-09-28 | 通用电气公司 | 用于监测和诊断变压器健康的系统和方法 |
CN106066432A (zh) * | 2016-05-26 | 2016-11-02 | 国网江苏省电力公司电力科学研究院 | 一种电力变压器的故障检测与故障诊断综合系统 |
CN106066432B (zh) * | 2016-05-26 | 2018-02-09 | 国网江苏省电力公司电力科学研究院 | 一种电力变压器的故障检测与故障诊断综合系统 |
CN106569069A (zh) * | 2016-11-04 | 2017-04-19 | 广州供电局有限公司 | 电力变压器故障诊断方法 |
CN106646158A (zh) * | 2016-12-08 | 2017-05-10 | 西安工程大学 | 基于多分类支持向量机变压器故障诊断提升方法 |
CN107133378B (zh) * | 2017-03-28 | 2019-07-23 | 浙江大学 | 基于高维线性模型变点估计的油浸式变压器故障预警方法 |
CN107133378A (zh) * | 2017-03-28 | 2017-09-05 | 浙江大学 | 基于高维线性模型变点估计的油浸式变压器故障预警方法 |
CN108872803A (zh) * | 2018-03-29 | 2018-11-23 | 福建工程学院 | 一种基于绝缘介质回复电压的变压器绝缘状态的检测方法 |
CN108872803B (zh) * | 2018-03-29 | 2020-12-08 | 福建工程学院 | 一种基于绝缘介质回复电压的变压器绝缘状态的检测方法 |
CN109242141A (zh) * | 2018-07-24 | 2019-01-18 | 杭州汇数智通科技有限公司 | 一种商品库存数量的预测方法及装置 |
CN109242141B (zh) * | 2018-07-24 | 2020-12-25 | 杭州汇数智通科技有限公司 | 一种商品库存数量的预测方法及装置 |
CN109270174A (zh) * | 2018-07-27 | 2019-01-25 | 西南交通大学 | 一种改进灰色预测模型的变压器油色谱气体预测方法 |
CN109856494A (zh) * | 2019-01-02 | 2019-06-07 | 广东工业大学 | 一种基于支持向量机的变压器故障诊断方法 |
CN110059773A (zh) * | 2019-05-17 | 2019-07-26 | 江苏师范大学 | 一种变压器故障复合诊断方法 |
CN110197222A (zh) * | 2019-05-29 | 2019-09-03 | 国网河北省电力有限公司石家庄供电分公司 | 一种基于多分类支持向量机变压器故障诊断的方法 |
CN110133410A (zh) * | 2019-05-31 | 2019-08-16 | 国网河北省电力有限公司石家庄供电分公司 | 基于模糊c均值聚类算法的变压器故障诊断方法及系统 |
CN113051829A (zh) * | 2021-03-31 | 2021-06-29 | 西南大学 | 一种应用空间分析理论改进的变压器Duval Pentagon1故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101587155B (zh) | 2011-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101587155B (zh) | 一种油浸式变压器的故障诊断方法 | |
CN106555788B (zh) | 基于模糊处理的深度学习在液压装备故障诊断中的应用 | |
Cheng et al. | Dissolved gas analysis principle-based intelligent approaches to fault diagnosis and decision making for large oil-immersed power transformers: A survey | |
Zhang et al. | Ensemble deep contractive auto-encoders for intelligent fault diagnosis of machines under noisy environment | |
CN106355030B (zh) | 一种基于层次分析法和加权投票决策融合的故障检测方法 | |
CN103914064B (zh) | 基于多分类器和d-s证据融合的工业过程故障诊断方法 | |
CN102707256B (zh) | 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法 | |
CN110044554A (zh) | 一种基于声发射信号的金属压力容器泄漏的在线检测方法 | |
CN105487526B (zh) | 一种Fast RVM污水处理故障诊断方法 | |
CN107316046A (zh) | 一种基于增量补偿动态自适应增强的故障诊断方法 | |
CN103745119A (zh) | 一种基于故障概率模型的油浸式变压器故障诊断方法 | |
Bai et al. | Research on feature selection for rotating machinery based on Supervision Kernel Entropy Component Analysis with Whale Optimization Algorithm | |
CN107132310A (zh) | 基于高斯混合模型的变压器设备健康状态判别方法 | |
CN105606914A (zh) | 一种基于iwo-elm的航空功率变换器故障诊断方法 | |
CN106227718A (zh) | 基于cnn的陆空通话语义一致性校验方法 | |
Liu et al. | Machine learning algorithm selection for windage alteration fault diagnosis of mine ventilation system | |
CN107545307A (zh) | 基于深度信念网络的变压器油中溶解气体浓度预测方法及系统 | |
CN104915522A (zh) | 结合过程先验和数据驱动模型的混合建模方法及系统 | |
Mylonas et al. | Conditional variational autoencoders for probabilistic wind turbine blade fatigue estimation using Supervisory, Control, and Data Acquisition data | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
CN105510729A (zh) | 一种变压器过热故障诊断方法 | |
CN105740908A (zh) | 基于核空间自解释稀疏表示的分类器设计方法 | |
Wang et al. | A remaining useful life prediction model based on hybrid long-short sequences for engines | |
CN110765788A (zh) | 一种基于隐式翻译模型的知识图谱嵌入方法 | |
Zhang et al. | Fault diagnosis based on non-negative sparse constrained deep neural networks and Dempster–Shafer theory |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110518 Termination date: 20120608 |