CN106990303A - 一种变压器故障诊断方法 - Google Patents
一种变压器故障诊断方法 Download PDFInfo
- Publication number
- CN106990303A CN106990303A CN201710155018.2A CN201710155018A CN106990303A CN 106990303 A CN106990303 A CN 106990303A CN 201710155018 A CN201710155018 A CN 201710155018A CN 106990303 A CN106990303 A CN 106990303A
- Authority
- CN
- China
- Prior art keywords
- signal
- transformer
- diagnosis method
- imf components
- layer
- 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.)
- Pending
Links
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种变压器故障诊断方法,包括:步骤1、采集变压器的振动信号,并进行降噪预处理;步骤2、进行EMD分解,并通过设定的临界值来选择得到的IMF分量,能够防止低幅值的IMF分量被去除;步骤3、进行小波分析,得到降噪后的特征向量;步骤4、构建三层BP神经网络体系,将小波分析提取的特征向量作为BP神经网络训练的输入向量,进行训练,输出故障信号。采用小波分析等方法对故障信号中干扰信号进行剔除,并通过神经网络对变压器内部故障发生及发展多过程、多故障的多模式进行诊断,能够快速并准确的诊断变压器故障,提高故障诊断效率,延长变压器的使用寿命,减少不必要的成本开支,节约成本。
Description
技术领域
本发明涉及一种变压器故障诊断方法,属于供电领域。
背景技术
变电站是改变电压的场所,为了把电厂发出来的电能输送到较远的地方,必须把电压升高,变为高压电,到用户附近再按需要把电压降低,这种升降电压的工作靠变电站来完成,变电站的主要设备是变压器和开关。
变压器故障一直是危及电网安全的主要因素,变压器故障通常是伴随着电弧和放电以及剧烈燃烧而发生,随后电力设备即发生短路或其他故障,轻则停电检修,直接影响生产,严重时甚至会发生爆炸,造成重大经济损失。
由此可见,电力变压器是电力系统最重要的输电设备,同时也是电力系统中发生事故最多的设备之一,其运行状态直接影响系统运行的安全与稳定。如何确保变压器的安全运行受到了世界各国的广泛关注。通过对电力变压器定期进行预防性维护,实时检测高压设备的实际运行情况,检测与诊断其潜伏性故障或缺陷,提高诊断水平,做到有针对性的检修维护,达到早期预报故障,避免恶性事故的发生,具有重要的实际意义。
对于变压器,目前大多是采用油来绝缘和散热,变压器油与油中的固体绝缘材料在运行电压下,因电、热、氧化和局部电弧等多种因素会逐渐变质,裂解产生少量的低分子烃类变压器内部存在的潜伏性过热或放电故障又会加快产气的速率。油中溶解气体的组分和含量在一定程度上反应出变压器绝缘老化或故障的程度,可以作为反映变压器异常的特征量。
振动法是通过在变压器身表面安装振动传感器获得变压器器身振动信号来实现对运行只能够的变压器进行状态诊断,它与整个电力系统没有任何电气连接,对整个系统的运行没有任何影响,是一种安全、可靠、无干扰的方式。
因此,通过振动法诊断变压器内故障的有效手段。采用小波分析等方法对故障信号中干扰信号进行剔除,并通过神经网络对变压器内部故障发生及发展多过程、多故障的多模式进行诊断,能够快速并准确的诊断变压器故障,提高故障诊断效率。
发明内容
本发明设计开发了一种变压器故障诊断方法,能够剔除干扰的故障信号,快速准确的诊断变压器的故障。
本发明提供的技术方案为:
一种变压器故障诊断方法,包括如下步骤:
步骤1、采集变压器的振动信号,并进行降噪预处理;
步骤2、进行EMD分解,并通过设定的临界值来选择得到的IMF分量,能够防止低幅值的IMF分量被去除;
步骤3、进行小波分析,得到降噪后的特征向量;
步骤4、构建三层BP神经网络体系,将小波分析提取的特征向量作为BP神经网络训练的输入向量,进行训练,输出故障信号。
优选的是,所述步骤1中,通过传感器对变压器的振动信号进行采集,并通过带通滤波器进行滤波降噪,得到预降噪信号。
优选的是,所述步骤2中采用EMD方法对信号进行分解,得到最终原始数据序列其中,rn(t)为残余项,代表信号的平均趋势,IMF分量ci(t)代表信号的不同频段成分,得到相应平稳的的IMF分量。
优选的是,所述步骤2中设定的临界值为λ,设ci(t)与原始信号的相关系数为αi,i=1,...,n,n为所述ci(t)的个数,λ是由αi最大值的比率决定,表示为:λ=max(αi)/μ,(i=1,...,n),μ为比率因子,取μ=0.8,能够防止低幅值的IMF分量被意外去除。
优选的是,对所述步骤2中得到的信号x(t)进行3层小波包分解,设信号的频带范围为0~f0,得到各子带宽度为f0/2n,则第i个子带频率范围表示为:并对各层小波包系数进行重构,提取子带信号,用x3,i表示第三层的第i个节点,得到总的重构信号为:
优选的是,对所得到的重构信号进行归一化处理,得到归一化后特征向量为I={I0,I1,I2,I3,I4,I5,I6,I7}。
优选的是,构建三层BP神经网络体系,将小波包分析提取的信号特征向量作为BP神经网络训练的输入向量,输入层神经元个数8个,输出层神经元为7个。
优选的是,所述输入层向量映射到中间层,所述中间层向量y={y1,y2,…,ym};m为中间层节点的个数,满足其中n为输入层节点个数,p为中间层节点个数。
本发明所述的有益效果:采用EMD分解法对降噪信号进行分解,并设定临界值来选择IMF分量,防止低幅值但相关的IMF分量被意外的去除,能够得到更加平滑、稳定和完整的振动信号。
采用小波分析等方法对故障信号中干扰信号进行剔除,并通过神经网络对变压器内部故障发生及发展多过程、多故障的多模式进行诊断,能够快速并准确的诊断变压器故障,提高故障诊断效率,延长变压器的使用寿命,减少不必要的成本开支,节约成本。
附图说明
图1为本发明所述的变压器故障诊断过程图。
图2为本发明所述的变压器故障诊断过程中三层小波包分解图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
如图1所示,本发明提供一种变压器故障诊断方法,包括如下步骤:
步骤S110,通过传感器对变压器整体进行测量,采集变压器振动信号的频率特征,并通过时空滤波器进行滤波降噪,得到预降噪信号。
步骤S120,对得到的预降噪信号进行EMD分解,得到最终原始数据序列:其中,rn(t)为残余项,代表信号的平均趋势,IMF分量ci(t)代表信号的不同频段成分,得到相应平稳的的IMF分量。
根据各IMF分量与原始信号的相关系数,判断IMF分量的真伪,剔除与原始信号无相关性或相关性很弱的IMF分量,保留相关性较强的IMF分量,并设定一个合理的标准值来实现IMF分量的选择,也避免了低幅值但相关的IMF分量被意外的去除;设定的临界值为λ,设IMF分量ci(t)与原始信号的相关系数为αi,i=1,...,n,n为ci(t)的个数,λ是由αi最大值的比率决定,表示为:λ=max(αi)/μ,(i=1,...,n),μ为比率因子,取μ=0.8;
并通过CMF方法,组合相邻IMF分量,ci,ci+1,…,ci+m为组合分量cs:cs=ci+ci+1+…+ci+m 1≤i≤n-m,其中,n为EMD分解中最大IMF分量数,能够保证信号的完整性。
步骤S130,对得到的信号x(t)进行3层小波包分解,设信号的频带范围为0~f0,得到各子带宽度为f0/2n,则第i个子带频率范围表示为:并对各层小波包系数进行重构,提取子带信号,用x3,i表示第三层的第i个节点,得到总的重构信号为:
步骤S140,将小波包分析作为BP神经网络的前处理器,构建三层BP神经网络体系,包括输入层、隐层和输出层,将小波包分析提取的信号特征向量I={I0,I1,I2,I3,I4,I5,I6,I7}作为BP神经网络训练的输入层向量,输出层神经元个数为7个;
输入层向量映射到中间层,中间层向量y={y1,y2,…,ym};m为中间层节点的个数,满足其中n为输入层节点个数,p为中间层节点个数,经计算中间层节点为数m≈8。
步骤S150,对输入层到隐层和隐层到输出层的权值进行修改和优化。采样频率为1000Hz,目标误差为0.0001,学习速率为0.3。
步骤S160,通过信号采集系统得到6组信号,通过编写小波包信号分析程序,提取特征向量得到6组样本信号特征向量,如表1所示:
表1
将表1中的特征向量作为神经网络的输入,通过网络训练,得到测试结果如表2、表3所示:
表2
期望输出 | 变压器状态 | 序号 |
1 0 0 0 0 0 0 | 一般过热 | 1 |
0 1 0 0 0 0 0 | 严重过热 | 2 |
0 0 1 00 0 0 | 局部放电故障 | 3 |
0 0 0 1 0 0 0 | 火花放电故障 | 4 |
0 0 0 0 1 0 0 | 电弧放电故障 | 5 |
0 0 0 0 0 1 0 | 放电兼一般过热故障 | 6 |
0 0 0 0 0 0 1 | 放电兼严重过热故障 | 7 |
表3
采用EMD分解法对降噪信号进行分解,并采用CMF方法对相邻信号进行组合,能够得到更加平滑、稳定和完整的振动信号。
通过小波分析等方法对故障信号中干扰信号进行剔除,并通过神经网络对变压器内部故障发生及发展多过程、多故障的多模式进行诊断,能够快速并准确的诊断变压器故障,提高故障诊断效率,延长变压器的使用寿命,减少不必要的成本开支,节约成本。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (8)
1.一种变压器故障诊断方法,其特征在于,包括如下步骤:
步骤1、采集变压器的振动信号,并进行降噪预处理;
步骤2、进行EMD分解,并通过设定的临界值来选择得到的IMF分量,能够防止低幅值的IMF分量被去除;
步骤3、进行小波分析,得到降噪后的特征向量;
步骤4、构建三层BP神经网络体系,将小波分析提取的特征向量作为BP神经网络训练的输入向量,进行训练,输出故障信号。
2.根据权利要求1所述的变压器故障诊断方法,其特征在于,所述步骤1中,通过传感器对变压器的振动信号进行采集,并通过带通滤波器进行滤波降噪,得到预降噪信号。
3.根据权利要求2所述的变压器故障诊断方法,其特征在于,所述步骤2中采用EMD方法对信号进行分解,得到最终原始数据序列其中,rn(t)为残余项,代表信号的平均趋势,IMF分量ci(t)代表信号的不同频段成分,得到相应平稳的的IMF分量。
4.根据权利要求3所述的变压器故障诊断方法,其特征在于,所述步骤2中设定的临界值为λ,设ci(t)与原始信号的相关系数为αi,i=1,...,n,n为ci(t)的个数,λ是由αi最大值的比率决定,表示为:λ=max(αi)/μ,(i=1,...,n),μ为比率因子,取μ=0.8,能够防止低幅值的IMF分量被意外去除。
5.根据权利要求4所述的变压器故障诊断方法,其特征在于,对所述步骤2中得到的信号x(t)进行3层小波包分解,设信号的频带范围为0~f0,得到各子带宽度为f0/2n,则第i个子带频率范围表示为:n≥0;并对各层小波包系数进行重构,提取子带信号,用x3,i表示第三层的第i个节点,得到总的重构信号为:
6.根据权利要求5所述的变压器故障诊断方法,其特征在于,对所得到的重构信号进行归一化处理,得到归一化后特征向量为I={I0,I1,I2,I3,I4,I5,I6,I7}。
7.根据权利要求6所述的变压器故障诊断方法,其特征在于,构建三层BP神经网络体系,将小波包分析提取的信号特征向量作为BP神经网络训练的输入向量,输入层神经元个数8个,输出层神经元为7个。
8.根据权利要求7所述的变压器故障诊断方法,其特征在于,所述输入层向量映射到中间层,所述中间层向量y={y1,y2,…,ym};m为中间层节点的个数,满足其中n为输入层节点个数,p为中间层节点个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710155018.2A CN106990303A (zh) | 2017-03-15 | 2017-03-15 | 一种变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710155018.2A CN106990303A (zh) | 2017-03-15 | 2017-03-15 | 一种变压器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106990303A true CN106990303A (zh) | 2017-07-28 |
Family
ID=59413059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710155018.2A Pending CN106990303A (zh) | 2017-03-15 | 2017-03-15 | 一种变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106990303A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921124A (zh) * | 2018-07-17 | 2018-11-30 | 河海大学 | 一种变压器有载分接开关机械故障在线监测方法 |
CN109323754A (zh) * | 2018-08-31 | 2019-02-12 | 南京理工大学 | 一种列车车轮多边形故障诊断检测方法 |
CN109374291A (zh) * | 2018-11-12 | 2019-02-22 | 华南师范大学 | 一种快速提取冲击响应信号特征参数的方法 |
CN109443528A (zh) * | 2018-11-16 | 2019-03-08 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于振动信号分析的变压器故障诊断系统及其诊断方法 |
CN109581270A (zh) * | 2019-01-14 | 2019-04-05 | 四川大学 | 基于小波多尺度变换快速辨识cvt故障的方法 |
CN110046663A (zh) * | 2019-04-16 | 2019-07-23 | 重庆大学 | 一种复杂机电系统故障临界态辨识方法 |
CN110231529A (zh) * | 2019-06-11 | 2019-09-13 | 山东科技大学 | 一种控制柜智能故障诊断系统及故障诊断方法 |
CN110320433A (zh) * | 2019-06-19 | 2019-10-11 | 广东石油化工学院 | 变压器异常状态振声检测的信号滤波方法和装置 |
CN110908365A (zh) * | 2019-12-25 | 2020-03-24 | 西北工业大学 | 一种无人机传感器故障诊断方法、系统及可读存储介质 |
CN111356910A (zh) * | 2017-09-23 | 2020-06-30 | 纳诺普润塞斯Sci公司 | 一种实现旋转设备自动故障诊断及寿命预测的系统和方法 |
CN111562358A (zh) * | 2020-05-06 | 2020-08-21 | 武汉大学 | 基于联合模型的变压器油中气体含量预测方法及系统 |
CN111624522A (zh) * | 2020-05-29 | 2020-09-04 | 上海海事大学 | 基于蚁群优化rbf神经网络控制变压器故障诊断方法 |
CN111239554B (zh) * | 2019-11-29 | 2021-04-13 | 深圳供电局有限公司 | 一种基于大数据的超声波局放检测分析模型 |
CN116401533A (zh) * | 2023-06-07 | 2023-07-07 | 中国南方电网有限责任公司超高压输电公司广州局 | 有载分接开关故障诊断方法和装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11211776A (ja) * | 1998-01-30 | 1999-08-06 | Nissin Electric Co Ltd | コンデンサ装置の故障検出方法 |
CN102788931A (zh) * | 2012-07-18 | 2012-11-21 | 嘉兴学院 | 用于电力变压器绕组故障的诊断方法 |
JP2013044616A (ja) * | 2011-08-23 | 2013-03-04 | Kyushu Institute Of Technology | 部分放電位置標定方法及び部分放電位置標定装置 |
CN103424600A (zh) * | 2013-08-20 | 2013-12-04 | 昆明理工大学 | 一种基于Hilbert-Huang变换和小波包能量谱的电压暂降源识别方法 |
CN103902844A (zh) * | 2014-04-24 | 2014-07-02 | 国家电网公司 | 基于eemd峰度阈值的变压器振动信号降噪方法 |
CN103968937A (zh) * | 2014-05-09 | 2014-08-06 | 国网福建晋江市供电有限公司 | 一种基于emd样本熵和fcm的配电开关机械状态诊断方法 |
CN105547465A (zh) * | 2015-12-08 | 2016-05-04 | 华北电力大学(保定) | 一种变压器振动信号绕组状态特征提取方法 |
CN105891707A (zh) * | 2016-05-05 | 2016-08-24 | 河北工业大学 | 一种基于振动信号的万能式断路器分合闸故障诊断方法 |
CN106443310A (zh) * | 2016-11-22 | 2017-02-22 | 国网四川省电力公司广安供电公司 | 一种基于som神经网络的变压器故障检测方法 |
CN106468751A (zh) * | 2016-09-29 | 2017-03-01 | 河海大学 | 一种基于模糊自适应共振神经网络的变压器绕组状态识别方法 |
-
2017
- 2017-03-15 CN CN201710155018.2A patent/CN106990303A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11211776A (ja) * | 1998-01-30 | 1999-08-06 | Nissin Electric Co Ltd | コンデンサ装置の故障検出方法 |
JP2013044616A (ja) * | 2011-08-23 | 2013-03-04 | Kyushu Institute Of Technology | 部分放電位置標定方法及び部分放電位置標定装置 |
CN102788931A (zh) * | 2012-07-18 | 2012-11-21 | 嘉兴学院 | 用于电力变压器绕组故障的诊断方法 |
CN103424600A (zh) * | 2013-08-20 | 2013-12-04 | 昆明理工大学 | 一种基于Hilbert-Huang变换和小波包能量谱的电压暂降源识别方法 |
CN103902844A (zh) * | 2014-04-24 | 2014-07-02 | 国家电网公司 | 基于eemd峰度阈值的变压器振动信号降噪方法 |
CN103968937A (zh) * | 2014-05-09 | 2014-08-06 | 国网福建晋江市供电有限公司 | 一种基于emd样本熵和fcm的配电开关机械状态诊断方法 |
CN105547465A (zh) * | 2015-12-08 | 2016-05-04 | 华北电力大学(保定) | 一种变压器振动信号绕组状态特征提取方法 |
CN105891707A (zh) * | 2016-05-05 | 2016-08-24 | 河北工业大学 | 一种基于振动信号的万能式断路器分合闸故障诊断方法 |
CN106468751A (zh) * | 2016-09-29 | 2017-03-01 | 河海大学 | 一种基于模糊自适应共振神经网络的变压器绕组状态识别方法 |
CN106443310A (zh) * | 2016-11-22 | 2017-02-22 | 国网四川省电力公司广安供电公司 | 一种基于som神经网络的变压器故障检测方法 |
Non-Patent Citations (1)
Title |
---|
刘达: "结合功率损耗法及行波分析的变压器匝间短路故障定位", 《万方- HTTP://WWW.WANFANGDATA.COM.CN/DETAILS/DETAIL.DO?_TYPE=DEGREE&ID=Y3095724》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111356910A (zh) * | 2017-09-23 | 2020-06-30 | 纳诺普润塞斯Sci公司 | 一种实现旋转设备自动故障诊断及寿命预测的系统和方法 |
CN111356910B (zh) * | 2017-09-23 | 2022-04-08 | 纳诺普润塞斯Sci公司 | 一种实现旋转设备自动故障诊断及寿命预测的系统和方法 |
US11188065B2 (en) | 2017-09-23 | 2021-11-30 | Nanoprecise Sci Corp. | System and method for automated fault diagnosis and prognosis for rotating equipment |
CN108921124A (zh) * | 2018-07-17 | 2018-11-30 | 河海大学 | 一种变压器有载分接开关机械故障在线监测方法 |
CN109323754A (zh) * | 2018-08-31 | 2019-02-12 | 南京理工大学 | 一种列车车轮多边形故障诊断检测方法 |
CN109323754B (zh) * | 2018-08-31 | 2022-04-12 | 南京理工大学 | 一种列车车轮多边形故障诊断检测方法 |
CN109374291A (zh) * | 2018-11-12 | 2019-02-22 | 华南师范大学 | 一种快速提取冲击响应信号特征参数的方法 |
CN109443528A (zh) * | 2018-11-16 | 2019-03-08 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于振动信号分析的变压器故障诊断系统及其诊断方法 |
CN109581270A (zh) * | 2019-01-14 | 2019-04-05 | 四川大学 | 基于小波多尺度变换快速辨识cvt故障的方法 |
CN110046663A (zh) * | 2019-04-16 | 2019-07-23 | 重庆大学 | 一种复杂机电系统故障临界态辨识方法 |
CN110231529A (zh) * | 2019-06-11 | 2019-09-13 | 山东科技大学 | 一种控制柜智能故障诊断系统及故障诊断方法 |
CN110320433A (zh) * | 2019-06-19 | 2019-10-11 | 广东石油化工学院 | 变压器异常状态振声检测的信号滤波方法和装置 |
CN111239554B (zh) * | 2019-11-29 | 2021-04-13 | 深圳供电局有限公司 | 一种基于大数据的超声波局放检测分析模型 |
CN110908365A (zh) * | 2019-12-25 | 2020-03-24 | 西北工业大学 | 一种无人机传感器故障诊断方法、系统及可读存储介质 |
CN111562358A (zh) * | 2020-05-06 | 2020-08-21 | 武汉大学 | 基于联合模型的变压器油中气体含量预测方法及系统 |
CN111624522A (zh) * | 2020-05-29 | 2020-09-04 | 上海海事大学 | 基于蚁群优化rbf神经网络控制变压器故障诊断方法 |
CN116401533A (zh) * | 2023-06-07 | 2023-07-07 | 中国南方电网有限责任公司超高压输电公司广州局 | 有载分接开关故障诊断方法和装置 |
CN116401533B (zh) * | 2023-06-07 | 2024-04-02 | 中国南方电网有限责任公司超高压输电公司广州局 | 有载分接开关故障诊断方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106990303A (zh) | 一种变压器故障诊断方法 | |
Rudd et al. | A generic knowledge-based approach to the analysis of partial discharge data | |
Dukarm | Transformer oil diagnosis using fuzzy logic and neural networks | |
CN110146268A (zh) | 一种基于均值分解算法的oltc故障诊断方法 | |
Yang et al. | Condition evaluation for opening damper of spring operated high-voltage circuit breaker using vibration time-frequency image | |
CN108490345B (zh) | 一种换流变压器分接开关的故障模拟诊断方法 | |
CN109753951A (zh) | 一种基于瞬时能量熵和svm的oltc故障诊断方法 | |
CN1930750A (zh) | 高阻抗故障检测 | |
CN103576061A (zh) | 一种用于变压器放电性故障诊断的方法 | |
CN109142851A (zh) | 一种新型的配电网内部过电压识别方法 | |
CN110007198B (zh) | 一种单相接地故障启动方法 | |
Huang et al. | An improved empirical wavelet transform method for rolling bearing fault diagnosis | |
CN110132565A (zh) | 一种基于小波包和神经网络结合的oltc故障诊断方法 | |
Zhang et al. | Series AC arc fault diagnosis based on data enhancement and adaptive asymmetric convolutional neural network | |
CN106404399A (zh) | 基于自适应冗余提升小波包分解树的轴承故障诊断方法 | |
CN108398252A (zh) | 基于itd与svm的oltc机械故障诊断方法 | |
Khan et al. | ANFIS based identification and location of paper insulation faults of an oil immersed transformer | |
CN105160402A (zh) | 一种sf6电气设备故障诊断方法 | |
CN107356843A (zh) | 基于分层阈值同步挤压小波的变压器局部放电故障诊断方法 | |
CN110147739A (zh) | 一种基于多重分形谱算法的电抗器故障识别方法 | |
CN115097261A (zh) | 基于频域反射的电缆局部缺陷定位与辨识方法 | |
CN107679445A (zh) | 一种基于小波包能量熵的避雷器老化故障诊断方法 | |
CN109946597A (zh) | 基于机电信号的分接开关运行状态评估方法 | |
Sun et al. | Detection and analysis based on the abnormal mechanical vibration signal of GIS | |
CN110132567A (zh) | 一种基于lcd和排列熵的oltc故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170728 |
|
RJ01 | Rejection of invention patent application after publication |