CN105574589B - 基于小生境遗传算法的变压器油色谱故障诊断方法 - Google Patents
基于小生境遗传算法的变压器油色谱故障诊断方法 Download PDFInfo
- Publication number
- CN105574589B CN105574589B CN201610007843.3A CN201610007843A CN105574589B CN 105574589 B CN105574589 B CN 105574589B CN 201610007843 A CN201610007843 A CN 201610007843A CN 105574589 B CN105574589 B CN 105574589B
- Authority
- CN
- China
- Prior art keywords
- population
- fitness
- sign
- individual
- genetic algorithm
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Genetics & Genomics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Power Engineering (AREA)
- Protection Of Transformers (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明公开的基于小生境遗传算法的变压器油色谱故障诊断方法,具体为:1)先针对具体问题对故障集选择合适的编码并输入数据产生初始种群,然后计算个体适应度,最后按照适应度大小将种群中的个体重新排队;2)对形成的初始种群进行选择、交叉、变异操作;3)经2)后,对种群进行小生境淘汰操作,重新计算适应度最终选择适应度最大的染色体,即获得了故障类型的组合,完成基于小环境遗传算法的变压器油色谱故障诊断。本发明基于小生境遗传算法的变压器油色谱故障诊断方法,采用小生境遗传算法分析故障油中气体特征信号,建立油色谱特征参数与故障类型的对应关系,实现变压运行故障的判别,具有高效、快速及自适应学习能力强的特点。
Description
技术领域
本发明属于智能电网在线监测方法技术领域,具体涉及一种基于小生境遗传算法的变压器油色谱故障诊断方法。
背景技术
变压器在电网中扮演着不可或缺的角色,是能量转换、传输的核心,同时也是电网安全第一道防御系统中的关键枢纽设备。变压器故障不仅会带来经济上的损失,还可能会造成大停电给人们带来恐慌与不便,所以对变压器进行故障诊断是发展智能电网的需要。
现有的变压器故障诊断方法很多,其中油中溶解气体分析的研究尤为重要。其涉及各种人工智能算法,如:BP神经网络为变压器的故障诊断问题提供了一种比较好的结构体系,但存在着训练收敛速度慢、容易陷入局部极小点的缺点。专家系统能够有效地模拟故障诊断人类专家来完成故障诊断过程,但也存在着知识获取困难、不确定性推理以及自学习困难等许多技术问题。
模糊控制能够用精确的数学工具将模糊的概念或自然语言清晰化,从而对故障现象能够合理的加以量化等,但由于隶属函数和模糊规则的确定过程存在一定的人为因素,缺乏令人信服的客观依据。
发明内容
本发明的目的在于提供一种基于小生境遗传算法的变压器油色谱故障诊断方法,采用小生境遗传算法分析故障油中气体特征信号,建立油色谱特征参数与故障类型的对应关系,实现变压运行故障的判别,具有高效、快速及自适应学习能力强的特点。
本发明所采用的技术方案,基于小生境遗传算法的变压器油色谱故障诊断方法,具体按照以下步骤实施:
步骤1、先针对具体问题对故障集选择合适的编码并输入数据产生初始种群,然后计算个体适应度,最后按照适应度大小将种群中的个体重新排队;
步骤2、对经步骤1形成的初始种群进行选择、交叉、变异操作;
步骤3、经步骤2后,对种群进行小生境淘汰操作,重新计算适应度最终选择适应度最大的染色体,即获得了故障类型的组合,完成基于小环境遗传算法的变压器油色谱故障诊断。
本发明的特点还在于:
步骤1具体按照以下步骤实施:
步骤1.1、根据故障诊断问题的因果模型,确定变压器故障诊断的征兆集和故障集,其中征兆集用m表示,故障集用a表示;
变压器的故障征兆主要有12种:
征兆编号:m1,对应的征兆类型为:总烃高;
征兆编号:m2,对应的征兆类型为:总烃低;
征兆编号:m3,对应的征兆类型为:H2<27%;
征兆编号:m4,对应的征兆类型为:27%<H2<90%;
征兆编号:m5,对应的征兆类型为:H2>100μL/L;
征兆编号:m6,对应的征兆类型为:CH4>75%;
征兆编号:m7,对应的征兆类型为:C2H2<2%;
征兆编号:m8,对应的征兆类型为:2%<C2H2<5.5%;
征兆编号:m9,对应的征兆类型为:5.5%<C2H2<18%;
征兆编号:m10,对应的征兆类型为:18%<C2H2<65%;
征兆编号:m11,对应的征兆类型为:CH4>C2H4;
征兆编号:m12,对应的征兆类型为:CH4<C2H4;
变压器故障主要分为5种,分别如下:
一般过热a1,其表现形式为:温度低于500℃;
严重过热a2,其表现形式为:温度高于500℃;
局部放电a3;
火花放电a4;
电弧放电a5;
采用二进制编码方法,将染色体长度定为5(a5a4a3a2a1),每一位中1表示故障发生,0表示故障未发生;
步骤1.2、输入故障信号总烃以及H2、CH4、C2H6、C2H4、C2H2这五种特征气体含量,并随机产生初始种群。
步骤2具体按照以下步骤实施:
步骤2.1、按照适应度大小将初始种群中的个体重新排队,选择m个适应度大的个体作为父代;
由
得
在上式中,X、Y表示个体,N、M表示种群规模,SN SM表示种群空间;
步骤2.2、经步骤2.1后,对当前种群进行交叉操作;
步骤2.3、经步骤2.2后,对当前种群进行变异操作。
步骤2.2具体按照以下方法实施:
以交叉概率从当前群体中选出若干个体,对于选中的每一对个体,随机的选择同一整数n,将双亲的基因码链在此位置相互交换,交叉概率具体按照如算法获得:
在式中,pm为交叉概率,fmax为种群最大适应度,F为种群平均适应度,f为两个交叉个体中适应度较大的一个,k2、k4均为可调参数。
步骤2.3具体按照以下方法实施:
以变异概率从当前群体中随机选取若干个体,对于选中的个体,随机选取某一位进行取反运算,即由1→0或由0→1,变异模拟生物进化过程中基因突变现象,得到新一代的种群,即子代,具体算法如下:
式中,Z表示子代个体,N表示种群规模;
而变异概率按照如下方式计算获得:
在式中,pc为变异概率,fmax为种群最大适应度,F为种群平均适应度,f'为变异个体的适应度,k1、k3为可调参数。
步骤3具体按照以下步骤实施:
步骤3.1、两个码字的对应比特取值不同的比特数,也就是说在一个有效编码集中,任意两个码字的海明距离的最小值称为该编码集的海明距离;
计算m+n个的父代和子代个体的海明距离;
其中,i=1,2,3…,(M+N-1),j=i+1,i+2,…,(M+N);
对于||Xi-Xj||=R的两个个体中比较适应度大小,将适应度小的个体给出一个罚函数,将其作为新适应度与原适用度的比值,其中R为任意提前设定值;
步骤3.2、按照新适应度从大到小排序,以前若干个个体为下一代种群;
由
得
在上式中,X(k+1)、Y(k+1)表示下一代种群的个体;
最终选择适应度最大的染色体,即获得了故障类型的组合,完成基于小环境遗传算法的变压器油色谱故障诊断。
本发明的有益效果在于:
(1)本发明基于小生境遗传算法的变压器油色谱故障诊断方法,采用小生境遗传算法分析故障油中气体特征信号,建立油色谱特征参数与故障类型的对应关系,实现变压运行故障的判别。
(2)与现有方法相比,本发明基于小生境遗传算法的变压器油色谱故障诊断方法,具有良好的自适应学习能力,诊断速度快、准确率高,可作为变压器故障实时诊断系统;基于求解过程中群体中个体的多样性,避免了陷入局部最大,能够快速诊断出变压器的运行状况,同时能够使网络有效收敛、大大提高网络的收敛速度和泛化能力。
附图说明
图1是本发明基于小生境遗传算法的变压器油色谱故障诊断方法中涉及的故障诊断系统的结构示意图;
图2是本发明基于小生境遗传算法的变压器油色谱故障诊断方法中涉及的故障诊断问题的因果模型示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于小生境遗传算法的变压器油色谱故障诊断方法,如图1所示,具体按照以下步骤实施:
步骤1、先针对具体问题对故障集选择合适的编码并输入数据产生初始种群,然后计算个体适应度,最后按照适应度大小将种群中的个体重新排队,具体按照以下步骤实施:
步骤1.1、如图1所示,根据故障诊断问题的因果模型,确定变压器故障诊断的征兆集和故障集,其中征兆集用m表示,故障集用a表示;
变压器的故障征兆主要有12种,如表1所示:
表1
变压器故障主要分为5种,分别如下:
一般过热a1,其表现形式为:温度低于500℃;
严重过热a2,其表现形式为:温度高于500℃;
局部放电a3;
火花放电a4;
电弧放电a5;
采用二进制编码方法,将染色体长度定为5(a5a4a3a2a1),每一位中1表示故障发生,0表示故障未发生,如:10001表示故障为电弧放电和一般过热。
步骤1.2、输入故障信号总烃以及H2、CH4、C2H6、C2H4、C2H2这五种特征气体含量,并随机产生初始种群。
步骤2、对经步骤1形成的初始种群进行选择、交叉、变异操作,其目的在于:提高种群平均适应度和防止过早收敛而产生局部最优解,具体按照以下步骤实施:
步骤2.1、按照适应度大小将初始种群中的个体重新排队,选择m个适应度大的个体作为父代;
由
得
在上式中,X、Y表示个体,N、M表示种群规模,SN SM表示种群空间;
步骤2.2、经步骤2.1后,对当前种群进行交叉操作,具体方法为:
以交叉概率从当前群体中选出若干个体,对于选中的每一对个体,随机的选择同一整数n,将双亲的基因码链在此位置相互交换,交叉概率具体按照如算法获得:
在式(1)中,pm为交叉概率,fmax为种群最大适应度,F为种群平均适应度,f为两个交叉个体中适应度较大的一个,k2、k4均为可调参数;
步骤2.3、经步骤2.2后,对当前种群进行变异操作,具体方法如下:
以变异概率从当前群体中随机选取若干个体,对于选中的个体,随机选取某一位进行取反运算,即由1→0或由0→1,变异模拟生物进化过程中基因突变现象,得到新一代的种群,即子代,具体算法如下:
式(2)中,Z表示子代个体,N表示种群规模;
而变异概率按照如下方式计算获得:
在式(3)中,pc为变异概率,fmax为种群最大适应度,F为种群平均适应度,f'为变异个体的适应度,k1、k3为可调参数。
步骤3、经步骤2后,对种群进行小生境淘汰操作,重新计算适应度最终选择适应度最大的染色体,即获得了故障类型的组合,完成基于小环境遗传算法的变压器油色谱故障诊断,具体按照以下步骤实施:
步骤3.1、两个码字的对应比特取值不同的比特数,也就是说在一个有效编码集中,任意两个码字的hamming distance(海明距离)的最小值称为该编码集的海明距离;
计算m+n个的父代和子代个体的海明距离;
其中,i=1,2,3…,(M+N-1),j=i+1,i+2,…,(M+N);
对于||Xi-Xj||=R(R为任意提前设定值)的两个个体中比较适应度大小,将适应度小的个体给出一个罚函数,将其作为新适应度与原适用度的比值;
步骤3.2、按照新适应度从大到小排序,以前若干个个体为下一代种群;
由
得
在上式中,X(k+1)、Y(k+1)表示下一代种群的个体;
最终选择适应度最大的染色体,即获得了故障类型的组合,完成基于小环境遗传算法的变压器油色谱故障诊断。
采用以下方法验证本发明基于小生境遗传算法的变压器油色谱故障诊断方法的正确性:
选取其变压器五种运行状态及其对应的H2、CH4、C2H6、C2H4、C2H2五种气体含量;
表2给出了每一种故障出现的情况下,各种征兆出现的概率;表3为各种故障发生时,各种征兆出现的归一化值;表4为故障出现的先验概率表,具体见表2到表4;
表2各种征兆出现的概率
表3因果强度表
表4先验概率表
故障 | a1 | a2 | a3 | a4 | a5 |
先验概率 | 0.43 | 0.12 | 0.27 | 0.14 | 0.04 |
另外,表4为表2所示数据来源中,一组火花放电和两组严重过热故障的气体含量数据,结合上述因果强度和先验概率和本发明基于小生境遗传算法的变压器油色谱故障诊断方法公开的步骤,对变压器进行故障诊断:
将表4中气体含量折算为故障征兆,得到故障征兆为m2、m4、m9m10,采用小生境遗传算法进行诊断;运行结果表明:最大适应度和平均适应度在进化初期上升速度很快,在平均适应度在32代以后开始收敛,且比最大适应度收敛慢,表明了求解过程中群体中个体的多样性,避免陷入局部最大。收敛时染色体为00010,对应a4为1,因此故障为火花放电,与实际情况一致。
本发明基于小生境遗传算法的变压器油色谱故障诊断方法属于智能电网在线监测技术领域。该方法针对具体问题对故障集编码并输入数据产生初始种群,然后计算个体适应度,选择出适应度较高的个体作为父代,并对种群经行选择、交叉、变异操作;再通过群进行小生境淘汰操作,重新计算适应度最终选择适应度最大的染色体,最终获得故障类型的组合。诊断出的结果给检修人员提供了有利的信息,使变压器得到及时的维护。
Claims (5)
1.基于小生境遗传算法的变压器油色谱故障诊断方法,其特征在于,具体按照以下步骤实施:
步骤1、先针对具体问题对故障集选择合适的编码并输入数据产生初始种群,然后计算个体适应度,最后按照适应度大小将种群中的个体重新排队,具体按照以下步骤实施:
步骤1.1、根据故障诊断问题的因果模型,确定变压器故障诊断的征兆集和故障集,其中征兆集用m表示,故障集用a表示;
变压器的故障征兆主要有12种:
征兆编号:m1,对应的征兆类型为:总烃高;
征兆编号:m2,对应的征兆类型为:总烃低;
征兆编号:m3,对应的征兆类型为:H2<27%;
征兆编号:m4,对应的征兆类型为:27%<H2<90%;
征兆编号:m5,对应的征兆类型为:H2>100μL/L;
征兆编号:m6,对应的征兆类型为:CH4>75%;
征兆编号:m7,对应的征兆类型为:C2H2<2%;
征兆编号:m8,对应的征兆类型为:2%<C2H2<5.5%;
征兆编号:m9,对应的征兆类型为:5.5%<C2H2<18%;
征兆编号:m10,对应的征兆类型为:18%<C2H2<65%;
征兆编号:m11,对应的征兆类型为:CH4>C2H4;
征兆编号:m12,对应的征兆类型为:CH4<C2H4;
变压器故障主要分为5种,分别如下:
一般过热a1,其表现形式为:温度低于500℃;
严重过热a2,其表现形式为:温度高于500℃;
局部放电a3;
火花放电a4;
电弧放电a5;
采用二进制编码方法,将染色体长度定为5,表示为a5a4a3a2a1,每一位中1表示故障发生,0表示故障未发生;
步骤1.2、输入故障信号总烃以及H2、CH4、C2H6、C2H4、C2H2这五种特征气体含量,并随机产生初始种群;
步骤2、对经步骤1形成的初始种群进行选择、交叉、变异操作;
步骤3、经步骤2后,对种群进行小生境淘汰操作,重新计算适应度最终选择适应度最大的染色体,即获得了故障类型的组合,完成基于小生境 遗传算法的变压器油色谱故障诊断。
2.根据权利要求1所述的基于小生境遗传算法的变压器油色谱故障诊断方法,其特征在于,所述步骤2具体按照以下步骤实施:
步骤2.1、按照适应度大小将初始种群中的个体重新排队,选择M个适应度大的个体作为父代;
由
得
在上式中,X、Y表示个体,N、M表示种群规模,SN、SM表示种群空间;
步骤2.2、经步骤2.1后,对当前种群进行交叉操作;
步骤2.3、经步骤2.2后,对当前种群进行变异操作。
3.根据权利要求2所述的基于小生境遗传算法的变压器油色谱故障诊断方法,其特征在于,所述步骤2.2具体按照以下方法实施:
以交叉概率从当前群体中选出若干个体,对于选中的每一对个体,随机的选择同一整数n,将双亲的基因码链在此位置相互交换,交叉概率具体按照如算法获得:
在式中,pm为交叉概率,fmax为种群最大适应度,F为种群平均适应度,f为两个交叉个体中适应度较大的一个,k2、k4均为可调参数。
4.根据权利要求2所述的基于小生境遗传算法的变压器油色谱故障诊断方法,其特征在于,所述步骤2.3具体按照以下方法实施:
以变异概率从当前群体中随机选取若干个体,对于选中的个体,随机选取某一位进行取反运算,即由1→0或由0→1,变异模拟生物进化过程中基因突变现象,得到新一代的种群,即子代,具体算法如下:
式中,Z表示子代个体,N表示种群规模;
而变异概率按照如下方式计算获得:
在式中,pc为变异概率,fmax为种群最大适应度,F为种群平均适应度,f'为变异个体的适应度,k1、k3为可调参数。
5.根据权利要求1所述的基于小生境遗传算法的变压器油色谱故障诊断方法,其特征在于,所述步骤3具体按照以下步骤实施:
步骤3.1、两个码字的对应比特取值不同的比特数,也就是说在一个有效编码集中,任意两个码字的海明距离的最小值称为该编码集的海明距离;
计算M+N个的父代和子代个体的海明距离;
其中,i=1,2,3...,(M+N-1),j=i+1,i+2,...,(M+N);
对于||Xi-Xj||=R的两个个体中比较适应度大小,将适应度小的个体给出一个罚函数,将其作为新适应度与原适应度的比值,其中R为任意提前设定值;
步骤3.2、按照新适应度从大到小排序,以前若干个个体为下一代种群;
由
得
在上式中,X(k+1)、Y(k+1)表示下一代种群的个体;
最终选择适应度最大的染色体,即获得了故障类型的组合,完成基于小生境 遗传算法的变压器油色谱故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610007843.3A CN105574589B (zh) | 2016-01-07 | 2016-01-07 | 基于小生境遗传算法的变压器油色谱故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610007843.3A CN105574589B (zh) | 2016-01-07 | 2016-01-07 | 基于小生境遗传算法的变压器油色谱故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105574589A CN105574589A (zh) | 2016-05-11 |
CN105574589B true CN105574589B (zh) | 2018-03-23 |
Family
ID=55884695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610007843.3A Active CN105574589B (zh) | 2016-01-07 | 2016-01-07 | 基于小生境遗传算法的变压器油色谱故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105574589B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108089077B (zh) * | 2017-12-05 | 2020-05-19 | 武汉大学 | 应用于变压器热点反演的特征量选取方法及系统 |
CN110189010A (zh) * | 2019-05-22 | 2019-08-30 | 中国南方电网有限责任公司超高压输电公司大理局 | 一种基于遗传算法的高海拔地区换流变压器差异化运维方法及系统 |
CN111896260B (zh) * | 2020-08-01 | 2022-05-13 | 华东交通大学 | NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法 |
CN112052952B (zh) * | 2020-08-19 | 2021-12-07 | 哈尔滨工程大学 | 基于遗传算法的柴油机故障诊断中监测参数优化选取方法 |
CN113283479A (zh) * | 2021-05-11 | 2021-08-20 | 西安交通大学 | 一种适用于电力变压器故障的特征提取与诊断方法 |
CN113379026A (zh) * | 2021-06-10 | 2021-09-10 | 南京欣智湾软件科技有限公司 | 一种基于大数据挖掘的隔离开关状态诊断算法 |
CN115150325B (zh) * | 2022-06-29 | 2024-04-09 | 东北大学 | 一种应用于b5g车载网的可靠路由方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102435893A (zh) * | 2011-11-04 | 2012-05-02 | 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 |
CN103177288A (zh) * | 2013-03-05 | 2013-06-26 | 辽宁省电力有限公司鞍山供电公司 | 基于遗传算法优化神经网络的变压器故障诊断方法 |
CN104360194A (zh) * | 2014-11-17 | 2015-02-18 | 国网河南省电力公司 | 一种智能电网故障诊断方法 |
-
2016
- 2016-01-07 CN CN201610007843.3A patent/CN105574589B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102435893A (zh) * | 2011-11-04 | 2012-05-02 | 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 |
CN103177288A (zh) * | 2013-03-05 | 2013-06-26 | 辽宁省电力有限公司鞍山供电公司 | 基于遗传算法优化神经网络的变压器故障诊断方法 |
CN104360194A (zh) * | 2014-11-17 | 2015-02-18 | 国网河南省电力公司 | 一种智能电网故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
Neural fuzzy schemes fro fault detection in power transformer;V. Duraisany etal.;《Applied Soft computing》;20071231;第7卷(第2期);第534-539页 * |
一种改进的自适应遗传算法;金晶 等;《计算机工程与应用》;20051231;第64-65页 * |
基于小生境遗传算法的电力变压器故障诊断方法研究;董海红;《中国优秀硕士学位论文全文数据库 信息科技辑》;20081015;第32-70页 * |
基于遗传算法的电力系统故障诊断;吕雪峰;《中国优秀博硕士学位论文全文数据库 (硕士) 工程科技Ⅱ辑》;20060815;第36-37页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105574589A (zh) | 2016-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105574589B (zh) | 基于小生境遗传算法的变压器油色谱故障诊断方法 | |
CN110162018B (zh) | 基于知识蒸馏与隐含层共享的增量式设备故障诊断方法 | |
CN105930861A (zh) | 一种基于Adaboost算法的变压器故障诊断方法 | |
CN105354587B (zh) | 一种风力发电机组齿轮箱的故障诊断方法 | |
CN106779148B (zh) | 一种多模型多特征融合的高速铁路沿线风速预测方法 | |
CN107066759A (zh) | 一种汽轮机转子振动故障诊断方法及装置 | |
CN106067066A (zh) | 基于遗传算法优化装袋算法的电力变压器故障诊断方法 | |
CN107169565A (zh) | 基于烟花算法改进bp神经网络的纺纱质量预测方法 | |
CN108009285A (zh) | 基于自然语言处理的林业生态环境人机交互方法 | |
CN105930901A (zh) | 一种基于rbpnn的变压器故障诊断方法 | |
CN109932903A (zh) | 多父代优化网络和遗传算法的风机控制多目标优化方法 | |
CN106897821A (zh) | 一种暂态评估特征选择方法及装置 | |
CN102930299B (zh) | 基于优化方法的多特征选择多层次变压器故障诊断方法 | |
CN106779151A (zh) | 一种高速铁路沿线风速多点多层耦合预测方法 | |
CN106874963B (zh) | 一种基于大数据技术的配电网故障诊断方法及系统 | |
CN106597154B (zh) | 基于dag-svm的变压器故障诊断提升方法 | |
CN101599138A (zh) | 基于人工神经网络的土地评价方法 | |
CN111709244A (zh) | 一种用于矛盾纠纷事件因果关系识别的深度学习方法 | |
CN107662617A (zh) | 基于深度学习的车载交互控制算法 | |
CN103268222A (zh) | 数字化人机界面监视单元布局方法及布局系统 | |
CN108364069A (zh) | 一种基于遗传算法的机器人焊接路径规划方法 | |
CN115659011A (zh) | 基于自主推荐机制的决策案例模块推荐实现方法 | |
CN106372724A (zh) | 一种人工神经网络算法 | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
CN107400935A (zh) | 基于改进elm的熔融纺丝工艺的调节方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210811 Address after: 710065 No. 11301, block B, Huajing Business Plaza, No. 20, Fenghui South Road, Zhangba street, high tech Zone, Xi'an, Shaanxi Province Patentee after: XI'AN JIN POWER ELECTRICAL Co.,Ltd. Address before: 710048 No. 19 Jinhua South Road, Shaanxi, Xi'an Patentee before: XI'AN POLYTECHNIC University |
|
TR01 | Transfer of patent right |