CN107545228B - 基于小波变换的电气化铁路运行工况识别方法 - Google Patents
基于小波变换的电气化铁路运行工况识别方法 Download PDFInfo
- Publication number
- CN107545228B CN107545228B CN201610978247.XA CN201610978247A CN107545228B CN 107545228 B CN107545228 B CN 107545228B CN 201610978247 A CN201610978247 A CN 201610978247A CN 107545228 B CN107545228 B CN 107545228B
- Authority
- CN
- China
- Prior art keywords
- waveform
- layer
- decomposition
- sample
- training sample
- 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
Landscapes
- Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)
- Measurement Of Resistance Or Impedance (AREA)
Abstract
本发明提供了一种基于小波变换的电气化铁路运行工况分类方法,包括如下步骤:(1)获取电气化铁路牵引网的录波数据,预处理后生成波形训练样本库;(2)生成电气化铁路运行中电流测试波形;(3)利用小波变换对训练样本进行5层分解重构,获取各层次各频段的能量特征值;(4)对训练样本用遗传算法进行学习,计算各层分解对于分类贡献的权重;(5)将电流测试波形利用小波变换进行5层分解,获取各层次各频段的能量特征值;(6)利用最终分类模型对测试波形与训练样本进行所属度比较计算,完成对测试波形的分类。该识别方法通过寻优计算识别电气化铁路实际运行工况,使得用户实时了解供电区段内电气化铁路运行情况。
Description
技术领域
本发明涉及电气化铁路领域,具体地说,涉及基于小波变换的电气化铁路运行工况波形识别方法。
背景技术
电气化铁路(电铁)在运输效率、节能环保等方面具有显著优势,已成为现阶段铁路建设发展的主要方向。电铁牵引负荷具有非线性、单相冲击特性,其冲击电流的负序分量能达到稳态时的几倍,在电力机车的运行过程中对电网将产生较大的影响。近年来分布式电源的爆发式增长,大量电力电子设备接入电力系统,在风电集中接入地区,铁路牵引负荷产生的负序冲击电流可能超过风机耐受能力造成风机连锁反应,其结果会使功率振荡逐渐加大导致风机大面积脱网。另一方面,随着高新技术产业的发展和电力改革的推进,电力用户对电能质量的要求逐步提高。因此研究电气化铁路的特征波形的辨识技术,为后续提出治理措施及分布式能源并网规划等问题的研究具有重要意义。
一种基于小波变换的电气化铁路运行工况波形识别方法,包括下述步骤:获取电气化铁路牵引站的录波数据,预处理后生成波形训练样本库;生成电气化铁路运行中电流测试波形;利用小波变换对训练样本进行5层分解重构,获取各层次各频段的能量特征值;对训练样本用遗传算法进行学习,计算各层分解对于分类贡献的权重;将电流测试波形利用小波变换进行5层分解,获取各层次各频段的能量特征值;利用最终分类模型对测试波形与训练样本进行所属度比较计算,完成对测试波形的分类。
现有技术方案专利:一种基于支持向量机的高铁电能质量数据的分类方法(申请号:CN201310601083.5),将高铁电能质量监测数据进行预处理后作为训练和测试样本集,进行支持向量机训练,基于支持向量机的回归特征消去法进行高铁负荷电能质量的特征选择,综合分类正确率和特征子集的个数对特征子集进行优劣评估,确定最优的特征子集,利用最优特征子集训练支持向量机,利用最终的支持向量机模型对高铁电能质量的样本数据进行识别,获得高铁电能质量数据的分类。该方法选取高铁牵引供电站电能质量监测数据中68种特征指标,计算量庞大,降维过程中将68个特征值降低到13个,降低了电能质量数据分类的正确率,切该方法只能反映出高铁运行速度的快慢、牵引、制动情况,不能判断车型及其他运行状态。
一种基于高铁运行特征工况波形库的波形识别方法(申请号:CN201210001045.1),该方法在波形截取过程中需要确定的周期起始点进行波形截取,主要作用在于对异常数据波段的提取和模式匹配。
一种基于K均值的高铁电能质量监测数据分类方法(申请号:CN201310676852.8),该方法主要目的在于提取高铁运行过程中单辆机车运行的电能质量数据,并将不同车型的电力机车运行的电能质量数据进行分类,并不能完成对电力机车运行工况的识别。
发明内容
本发明提供了一种基于小波变换的电气化铁路运行工况波形识别方法,使得铁路运行监管人员实时了解供电区段内电气化铁路运行情况。
本发明提供了一种基于小波变换的电气化铁路运行工况波形识别方法,,包括下述步骤:
(1)获取电气化铁路牵引站的录波数据,预处理后生成波形训练样本库;
(2)生成电气化铁路运行中电流测试波形;
(3)利用小波变换对训练样本进行5层分解重构,获取各层次各频段的能量特征值;
(4)对训练样本用遗传算法进行学习,计算各层分解对于分类贡献的权重;
(5)将电流测试波形利用小波变换进行5层分解,获取各层次各频段的能量特征值;
(6)利用最终分类模型对测试波形与训练样本进行所属度比较计算,完成对测试波形的分类。
优选地,所述步骤(1)获取牵引网录波数据包括牵引网电压、电流、谐波含量、总谐波畸变率、有功功率、无功功率、电压波动与闪变。
优选地,所述步骤(1)预处理后生成波形训练样本库按以下步骤获得:
①获取的24小时牵引站录波数据后,对有车(牵引取流,不包括辅助供电)时段每3秒采样,无车时段随机采样20个;
②利用小波包软阀值去噪法对电流波形进行降噪处理;
③对去噪处理后的采样数据,每10个进行平均处理,转化为每30秒1个样本数据;
④结合车辆运行图,对样本数据进行运行归类,归类依据“车型-工况”两个参数进行,特征工况类别包括起动、加速、减速、制动、惰行、上坡、空窗期;
⑤分类后的波形生成具有L类波形训练样本库U。
优选地,所述步骤(2)生成电气化铁路运行中电流测试波形要求对获取的测试波形电流数据进行初步处理,利用小波包软阀值去噪法对电流波形进行降噪,得到去噪后的测试信号V。
优选地,所述步骤(3)利用小波变换对训练样本进行5层分解,获取各层次、各频段的能量特征值包含以下步骤:
①利用小波变换对训练样本库U所有样本中的进行5层分解,获取各层各频段的能量特征值;
②将训练样本每频段的特征值进行归一化处理,假设类别L1中第i个样本第5层分解的波形样本表达式为x'5,i,j=(x'5,i,1,x'5,i,2,…,x'5,i,32),j为小波分解的第5层32个特征值中的第j个特征值;归一化表达式如下:
公式<1>中,n代表类别L1中共有n个训练样本数据x'5max和x'5min分别为第5层第j个特征的数据向量的最大值和最小值;x5,i,j为归一化后的值;则归一化后的第5层第i个数据样本为x5,i,j=(x5,i,1,x5,i,2,…,x5,i,32)。
优选地,所述步骤(4)对训练样本进行遗传算法进行学习,计算各层分解对于分类贡献的权重包含以下步骤:
①设训练样本库U和测试信号V的笛卡尔乘积空间U×V中的一个模糊子集R,记为模糊关系;
②设样本库U中一个样本波形为x,测试信号V中一个波形为y,两个波形的隶属度记为μR(x,y),用如下方法确定;
③以样本波形x和测试信号y第5层分解为例,设第5层第j个特征值对应隶属度记为μj,则有
公式<2>中δ1为待定参数;两信号对应频段特征值相似关系记为μ1,μ2,…μ32,则得到向量μ=(μ1,μ2,…μ32),则有最相似的情况为μ=(1,1,…,1);
④由公式〈2>定义极限情况μ0=(0,0,…,0),两条曲线完全不相似,则μ与μ0的欧式距离为:
由公式<3>可知欧式距离越小,则μR(x,y)越大,以样本波形x和测试信号y相似程度就越好,因此定义
公式<4>中δ2为待定参数,这样就得到了波形对(x,y)的模糊关系R的隶属度μR(x,y),当μR(x,y)=1时,x≡y;
⑤根据小波分解后1-4层分解的特征值,按照上述情况计算隶属度;
⑥引入每一层次的权重向量E=(e1,e2,…e5),作模糊推理D=E°R,若果D=1,两波形完全相似;D=0,两波形完全不相似;
⑦从样本库U中形成p组波形学习样本对(xm,ym)(m=1,2,…,p)进行遗传算法学习,通过式(2)和式(4)确定参数值以及权重向量E,D'表示实际输出结果,D表示期望输出结果,则
OPT=min|D-D'| <5>
即为目标评价函数;
⑧将学习后所得参数存盘完成对未知参数和权重的调试计算。
优选地,所述步骤(5)将电流测试波形利用小波变换进行5层分解,获取各层次各频段的能量特征值包含以下步骤;
①利用小波变换对测试波形进行5层分解,获取各层各频段的能量特征值;
②将训练样本每频段的特征值根据公式<1>进行归一化处理。
优选地,所述步骤(6)利用最终分类模型对测试波形与训练样本进行相似度比较计算,完成对测试波形的分类包括以下步骤:
①利用求得训练学习获取的未知参数和权重向量后的隶属度公式<2>和<4>,计算测试波形与样本库U中波形进行相似度;
②根据目标评价函数<5>确定与测试波形相似度最大的样本波形,取OPT=OPTmax(OPTmax>0.85)时的样本波形所属分类作为测试波形的最终分类;
若OPT<0.5时,则发出异常运行状态告警,在波形库中建立异常数据信息库,更新现有波形库。
本发明技术效果:本发明建立相对完整的波形库,对供电区段有车和无车阶段取样作为波形库的数据源,排除了厂用电及杂波对波形辨识的影响。数据样本采用小波变换对波形进行分解获得波形特征值,在提取波形时只需要求提取整数个周期的波形即可,对提取波形的起始点无要求;在计算隶属度和辨识过程中,待辨识波形和波形库中的波形在过零点处无需对准。
本发明提供了一种电气化铁路波形辨识方法,该识别方法利用电气化铁路运行录波数据形成训练样本,对电气化铁路实际运行电流波形各尺度特征进行匹配,通过寻优计算识别电气化铁路实际运行工况,使得铁路运行监管人员实时了解供电区段内电气化铁路运行情况。
附图说明
通过结合下面附图对其实施例进行描述,本发明的上述特征和技术优点将会变得更加清楚和容易理解。
图1是本发明的流程图。
具体实施方式
下面将参考附图来描述本发明所述的基于小波变换的电气化铁路运行工况波形识别方法的实施例。本领域的普通技术人员可以认识到,在不偏离本发明的精神和范围的情况下,可以用各种不同的方式或其组合对所描述的实施例进行修正。因此,附图和描述在本质上是说明性的,而不是用于限制权利要求的保护范围。此外,在本说明书中,附图未按比例画出,并且相同的附图标记表示相同的部分。
下面参照图1来详细说明本实施例。
本发明所述的基于小波变换的电气化铁路运行工况波形识别方法,包括下述步骤:
步骤(1)获取电气化铁路牵引站的录波数据,预处理后生成波形训练样本库;
获取24小时牵引网录波数据:牵引网电压、电流、谐波含量、总谐波畸变率、有功功率、无功功率、电压波动与闪变。
考虑到电气化铁路牵引负荷运行过程中电流波形的不可突变特性、铁路运行图的周期重复特性、数据库基础建立的数据丰富性以及数据处理的工作量,数据采样采取以下方法:对有车(牵引取流,不包括辅助供电)时段每3秒采样,无车时段(空窗期)随机采样20个。
利用小波包软阀值去噪法对电流波形进行降噪处理;对去噪处理后的采样数据,每10个进行平均处理,转化为每30秒1个样本数据;结合车辆运行图,对样本数据进行运行归类,归类依据“车型-工况”两个参数进行,车型包含交直型机车、交直交型电力机车;特征工况类别包括起动、加速、减速、制动、惰行、上坡、空窗期;分类后的波形生成具有L类波形训练样本库U。
步骤(2)生成电气化铁路运行中电流测试波形;
生成电气化铁路运行中电流测试波形要求对获取的测试波形电流数据进行初步处理,利用小波包软阀值去噪法对电流波形进行降噪,得到去噪后的测试信号V。
由于软阈值函数相对于硬阈值函数来说,在Bcsov空间大范围内,更加接近极小极大准则的理想值,而且硬阈值函数在阈值点是不连续的,用硬阈值函数处理后的信号比软阈值处理后的信号粗糙,因此采用的是软阈值函数。
步骤(3)利用小波变换对训练样本进行5层分解重构,获取各层次各频段的能量特征值;
①利用小波变换对训练样本库U所有样本中的进行5层分解,获取各层各频段的能量特征值;
小波变换(wavelet transform,WT)继承和发展了短时傅立叶变换局部化的思想,同时又克服了窗口大小不随频率变化等缺点,能够提供一个随频率改变的“时间-频率”窗口,是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征,能对时间(空间)频率的局部化分析,通过伸缩平移运算对信号(函数)逐步进行多尺度细化,最终达到高频处时间细分,低频处频率细分,能自动适应时频信号分析的要求,从而可聚焦到信号的任意细节,解决了Fourier变换的困难问题,成为继Fourier变换以来在科学方法上的重大突破。
②将训练样本每频段的特征值进行归一化处理。假设类别L1中第i个样本第5层分解的波形样本表达式为x'5,i,j=(x'5,i,1,x'5,i,2,…,x'5,i,32),j为小波分解的第5层32个特征值中的第j个特征值;归一化表达式如下:
公式<1>中,n代表类别L1中共有n个训练样本数据x'5max和x'5min分别为第5层第j个特征的数据向量的最大值和最小值;x5,i,j为归一化后的值;则归一化后的第5层第i个数据样本为x5,i,j=(x5,i,1,x5,i,2,…,x5,i,32)。
步骤(4)对训练样本用遗传算法进行学习,计算各层分解对于分类贡献的权重;
所述遗传算法(Genetic Algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。
①设训练样本库U和测试信号V的笛卡尔乘积空间U×V中的一个模糊子集R,记为模糊关系;
②设样本库U中一个样本波形为x,测试信号V中一个波形为y,两个波形的隶属度记为μR(x,y),用如下方法确定;
③以样本波形x和测试信号y第5层分解为例,设第5层第j个特征值对应隶属度记为μj,则有
公式<2>中δ1为待定参数;两信号对应频段特征值相似关系记为μ1,μ2,…μ32,则得到向量μ=(μ1,μ2,…μ32),则有最相似的情况为μ=(1,1,…,1);
④由公式<2>定义极限情况μ0=(0,0,…,0),两条曲线完全不相似,则μ与μ0的欧式距离为:
由公式<3>可知欧式距离越小,则μR(x,y)越大,以样本波形x和测试信号y相似程度就越好,因此定义
公式<4>中δ2为待定参数。这样就得到了波形对(x,y)的模糊关系R的隶属度μR(x,y),当μR(x,y)=1时,x≡y;
⑤根据小波分解后1-4层分解的特征值,按照上述情况计算隶属度;
⑥引入每一层次的权重向量E=(e1,e2,…e5),作模糊推理D=E°R。若果D=1,两波形完全相似;D=0,两波形完全不相似;
⑦从样本库U中形成p组波形学习样本对(xm,ym)(m=1,2,…,p)进行遗传算法学习,通过式(2)和式(4)确定参数值以及权重向量E。D'表示实际输出结果,D表示期望输出结果,则
OPT=min|D-D'| <5>
即为目标评价函数;
⑧将学习后所得参数存盘完成对未知参数和权重的调试计算。
步骤(5)将电流测试波形利用小波变换进行5层分解,获取各层次各频段的能量特征值;
①利用小波变换对测试波形进行5层分解,获取各层各频段的能量特征值;
②将训练样本每频段的特征值根据公式<1>进行归一化处理。
步骤(6)利用最终分类模型对测试波形与训练样本进行所属度比较计算,完成对测试波形的分类
①利用求得训练学习获取的未知参数和权重向量后的隶属度公式<2>和<4>,计算测试波形与样本库U中波形进行相似度;
②根据目标评价函数<5>确定与测试波形相似度最大的样本波形,取OPT=OPTmax(OPTmax>0.85)时的样本波形所属分类作为测试波形的最终分类。
若OPT<0.5时,则发出异常运行状态告警,在波形库中建立异常数据信息库,更新现有波形库。
本发明建立相对完整的波形库,对供电区段有车和无车阶段取样作为波形库的数据源,排除了厂用电及杂波对波形辨识的影响。数据样本采用小波变换对波形进行分解获得波形特征值,在计算隶属度和辨识过程中,对待辨识波形和波形库中的波形在过零点方面无需对准。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于小波变换的电气化铁路运行工况波形识别方法,其特征在于:该识别方法包括下述步骤:
(1)获取电气化铁路牵引网的录波数据,预处理后生成波形训练样本库;
(2)生成电气化铁路运行中电流测试波形;
(3)利用小波变换对训练样本进行5层分解重构,获取各层次各频段的能量特征值;
(4)对训练样本用遗传算法进行学习,计算各层分解对于分类贡献的权重;
(5)将电流测试波形利用小波变换进行5层分解,获取各层次各频段的能量特征值;
(6)利用最终分类模型对测试波形与训练样本进行相似度比较计算,完成对测试波形的分类,
所述步骤(4)对训练样本用遗传算法进行学习,计算各层分解对于分类贡献的权重包含以下步骤:
①设训练样本库U和测试信号V的笛卡尔乘积空间U×V中的一个模糊子集R,记R为模糊关系;
②设样本库U中一个样本波形为x,测试信号V中一个波形为y,两个波形的隶属度记为μR(x,y),用如下方法确定;
③以样本波形x和测试信号y第5层分解为例,设第5层第j个特征值对应隶属度记为μj,则有
公式<2>中δ1为待定参数;两信号对应频段特征值相似关系记为μ1,μ2,…μ32,则得到向量μ=(μ1,μ2,…μ32),则有最相似的情况为μ=(1,1,…,1);
④由公式<2>定义极限情况μ0=(0,0,…,0),两条曲线完全不相似,则μ与μ0的欧式距离为:
由公式<3>可知欧式距离越小,则μR(x,y)越大,以样本波形x和测试信号y相似程度就越好,因此定义
公式<4>中δ2为待定参数,这样就得到了波形对(x,y)的模糊关系R的隶属度μR(x,y),当μR(x,y)=1时,x≡y;
⑤根据小波分解后1-4层分解的特征值,计算隶属度;
⑥引入每一层次的权重向量E=(e1,e2,…e5),作模糊推理D=E°R,若果D=1,两波形完全相似;D=0,两波形完全不相似;
⑦从样本库U中形成p组波形学习样本对(xm,ym)(m=1,2,…,p)进行遗传算法学习,通过式(2)和式(4)确定参数值以及权重向量E,D'表示实际输出结果,D表示期望输出结果,则
OPT=min|D-D'| <5>
即为目标评价函数;
⑧将学习后所得参数存盘完成对未知参数和权重的调试计算。
2.如权利要求1所述的电气化铁路运行工况波形识别方法,其特征在于:所述步骤(1)获取牵引网录波数据包括牵引网电压、电流、谐波含量、总谐波畸变率、有功功率、无功功率、电压波动与闪变。
3.如权利要求1所述的电气化铁路运行工况波形识别方法,其特征在于:所述步骤(1)预处理后生成波形训练样本库按以下步骤获得:
①获取的24小时牵引站录波数据后,对有车时段每3秒采样,无车时段随机采样20个;
②利用小波包软阀值去噪法对电流波形进行降噪处理;
③对去噪处理后的采样数据,每10个进行平均处理,转化为每30秒1个样本数据;
④结合车辆运行图,对样本数据进行运行归类,归类依据“车型-工况”两个参数进行,特征工况类别包括起动、加速、减速、制动、惰行、上坡、空窗期;
⑤分类后的波形生成具有L类波形训练样本库U。
4.如权利要求1所述的电气化铁路运行工况波形识别方法,其特征在于:所述步骤(2)生成电气化铁路运行中电流测试波形要求对获取的测试波形电流数据进行初步处理,利用小波包软阀值去噪法对电流波形进行降噪,得到去噪后的测试信号V。
5.如权利要求1所述的电气化铁路运行工况波形识别方法,其特征在于:所述步骤(3)利用小波变换对训练样本进行5层分解,获取各层次、各频段的能量特征值包含以下步骤:
①利用小波变换对训练样本库U所有样本中的进行5层分解,获取各层各频段的能量特征值;
②将训练样本每频段的特征值进行归一化处理,假设类别L1中第i个样本第5层分解的波形样本表达式为x'5,i,j=(x'5,i,1,x'5,i,2,…,x'5,i,32),j为小波分解的第5层32个特征值中的第j个特征值;归一化表达式如下:
公式<1>中,n代表类别L1中共有n个训练样本数据x'5max和x'5min分别为第5层第j个特征的数据向量的最大值和最小值;x5,i,j为归一化后的值;则归一化后的第5层第i个数据样本为x5,i,j=(x5,i,1,x5,i,2,…,x5,i,32)。
6.如权利要求1所述的电气化铁路运行工况波形识别方法,其特征在于:所述步骤(5)将电流测试波形利用小波变换进行5层分解,获取各层次各频段的能量特征值包含以下步骤;
①利用小波变换对测试波形进行5层分解,获取各层各频段的能量特征值;
②将训练样本每频段的特征值根据公式<1>进行归一化处理。
7.如权利要求1所述的电气化铁路运行工况波形识别方法,其特征在于:所述步骤(6)利用最终分类模型对测试波形与训练样本进行相似度比较计算,完成对测试波形的分类包括以下步骤:
①利用求得训练学习获取的未知参数和权重向量后的隶属度公式<2>和<4>,计算测试波形与样本库U中波形的相似度;
②根据目标评价函数<5>确定与测试波形相似度最大的样本波形,取OPT=OPTmax(OPTmax>0.85)时的样本波形所属分类作为测试波形的最终分类;
若OPT<0.5时,则发出异常运行状态告警,在波形库中建立异常数据信息库,更新现有波形库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610978247.XA CN107545228B (zh) | 2016-11-07 | 2016-11-07 | 基于小波变换的电气化铁路运行工况识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610978247.XA CN107545228B (zh) | 2016-11-07 | 2016-11-07 | 基于小波变换的电气化铁路运行工况识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107545228A CN107545228A (zh) | 2018-01-05 |
CN107545228B true CN107545228B (zh) | 2023-08-04 |
Family
ID=60966760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610978247.XA Active CN107545228B (zh) | 2016-11-07 | 2016-11-07 | 基于小波变换的电气化铁路运行工况识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107545228B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112334922B (zh) * | 2018-06-21 | 2022-05-10 | 三菱电机株式会社 | 学习装置、学习方法及程序 |
JP6678828B1 (ja) | 2018-08-03 | 2020-04-08 | 三菱電機株式会社 | データ解析装置、システム、方法、及びプログラム |
CN109116102B (zh) * | 2018-08-08 | 2020-12-01 | 贵州电网有限责任公司 | 一种基于工况识别的电气化铁路功率因数计量方法 |
CN113361427B (zh) * | 2021-06-11 | 2024-03-15 | 温州大学 | 基于wt与ga-pnn的复合电能质量扰动分类方法 |
CN113324648B (zh) * | 2021-07-09 | 2021-11-12 | 中国铁道科学研究院集团有限公司铁道科学技术研究发展中心 | 一种便携式高速铁路轮轨振动时空同步测试方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5815198A (en) * | 1996-05-31 | 1998-09-29 | Vachtsevanos; George J. | Method and apparatus for analyzing an image to detect and identify defects |
US6007491A (en) * | 1998-02-06 | 1999-12-28 | Southwest Research Institute | Cardiac output monitor using fuzzy logic blood pressure analysis |
CN102426697A (zh) * | 2011-10-24 | 2012-04-25 | 西安电子科技大学 | 基于遗传粗糙集c均值聚类的图像分割方法 |
CN102542262A (zh) * | 2012-01-04 | 2012-07-04 | 东南大学 | 一种基于高铁运行特征工况波形库的波形识别方法 |
CN105546361A (zh) * | 2016-03-08 | 2016-05-04 | 钱昊铖 | 基于ann的音波法输气管道泄漏监测方法 |
CN105974265A (zh) * | 2016-04-29 | 2016-09-28 | 北京四方继保自动化股份有限公司 | 一种基于svm分类技术的电网故障原因诊断方法 |
-
2016
- 2016-11-07 CN CN201610978247.XA patent/CN107545228B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5815198A (en) * | 1996-05-31 | 1998-09-29 | Vachtsevanos; George J. | Method and apparatus for analyzing an image to detect and identify defects |
US6007491A (en) * | 1998-02-06 | 1999-12-28 | Southwest Research Institute | Cardiac output monitor using fuzzy logic blood pressure analysis |
CN102426697A (zh) * | 2011-10-24 | 2012-04-25 | 西安电子科技大学 | 基于遗传粗糙集c均值聚类的图像分割方法 |
CN102542262A (zh) * | 2012-01-04 | 2012-07-04 | 东南大学 | 一种基于高铁运行特征工况波形库的波形识别方法 |
CN105546361A (zh) * | 2016-03-08 | 2016-05-04 | 钱昊铖 | 基于ann的音波法输气管道泄漏监测方法 |
CN105974265A (zh) * | 2016-04-29 | 2016-09-28 | 北京四方继保自动化股份有限公司 | 一种基于svm分类技术的电网故障原因诊断方法 |
Non-Patent Citations (2)
Title |
---|
基于小波和自适应模糊神经的旋转设备故障诊断;王志伟等;《华东交通大学学报》;20100215(第01期);全文 * |
基于暂态量的高压输电线路故障分类与定位方法研究;林圣;《中国博士学位论文全文数据库(电子期刊)工程科技Ⅱ辑》;20121015;第二-三章 * |
Also Published As
Publication number | Publication date |
---|---|
CN107545228A (zh) | 2018-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107545228B (zh) | 基于小波变换的电气化铁路运行工况识别方法 | |
Chen et al. | Fault feature extraction and diagnosis of rolling bearings based on wavelet thresholding denoising with CEEMDAN energy entropy and PSO-LSSVM | |
Zhu et al. | Wavelet-based fuzzy reasoning approach to power-quality disturbance recognition | |
Youssef et al. | Disturbance classification utilizing dynamic time warping classifier | |
Sun et al. | Fast bearing fault diagnosis of rolling element using Lévy Moth-Flame optimization algorithm and Naive Bayes | |
Liu et al. | High-precision identification of power quality disturbances under strong noise environment based on FastICA and random forest | |
CN105590146A (zh) | 一种基于大数据的电厂设备智能预测检修方法和系统 | |
CN103605757B (zh) | 一种基于支持向量机的高铁电能质量数据的分类方法 | |
CN110544177A (zh) | 基于电力指纹的负荷识别方法及计算机可读存储介质 | |
CN109858564B (zh) | 适用于风电变流器故障诊断的改进型Adaboost-SVM模型生成方法 | |
CN102982347A (zh) | 一种基于kl距离的电能质量扰动分类方法 | |
Sun et al. | Data augmentation strategy for power inverter fault diagnosis based on wasserstein distance and auxiliary classification generative adversarial network | |
CN111275204B (zh) | 一种基于混合采样和集成学习的变压器状态识别方法 | |
CN111879514A (zh) | 基于elm模型的无刷直流电机轴承故障诊断方法 | |
Qi et al. | Feature classification method of frequency cepstrum coefficient based on weighted extreme gradient boosting | |
Wang et al. | Diesel engine gearbox fault diagnosis based on multi-features extracted from vibration signals | |
Li et al. | Fault diagnosis of ZD6 turnout system based on wavelet transform and GAPSO-FCM | |
CN114266304B (zh) | 一种牵引供电系统电能质量分类管理的PCA—Kmeans聚类方法 | |
CN111239484A (zh) | 一种非居民用户非侵入式负荷用电信息采集方法 | |
Qin et al. | Application of sensitive dimensionless parameters and PSO–SVM for fault classification in rotating machinery | |
CN113128130B (zh) | 一种判断直流配电系统稳定性的实时监测方法及装置 | |
CN109784279B (zh) | 基于多小波分析及svm的x射线高压电源故障诊断方法 | |
Shi et al. | Quantitative analysis of broken rotor bars in cage motor based on energy characteristics of vibration signals | |
CN116541686B (zh) | 基于多域特征融合极限学习机的电能质量扰动分类方法 | |
Sun et al. | EEMD based incipient fault diagnosis for sensors faults in high-speed train traction systems |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |