CN107977672A - 基于海量数据并行运算的sf6设备二级故障诊断方法 - Google Patents
基于海量数据并行运算的sf6设备二级故障诊断方法 Download PDFInfo
- Publication number
- CN107977672A CN107977672A CN201711103938.6A CN201711103938A CN107977672A CN 107977672 A CN107977672 A CN 107977672A CN 201711103938 A CN201711103938 A CN 201711103938A CN 107977672 A CN107977672 A CN 107977672A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- parallel
- fault
- diagnosis
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于海量数据并行运算的SF6设备二级故障诊断方法,根据电气设备中SF6分解气体成分含量与故障类型之间的对应关系,首先并行构建了SF6电气设备的二级故障诊断模型,提高了建模效率。然后实现对SF6电气设备的并行诊断,提高了其在大数据环境下诊断的快速性和准确性。该方法的并行诊断过程为每个lab对不同的数据片同时进行诊断,具体为:利用决策树模型对数据片进行初步诊断,判断设备有无故障,以提高对海量数据的处理速度。对有故障数据,再通过神经网络模型,进行故障类别的精确判定。利用本方法只需简单的数据处理即可得到诊断结果,大大降低了对操作人员专业技能的要求,在对大量SF6电气设备进行诊断时,显著提高了诊断效率。
Description
技术领域
本发明涉及电力系统技术领域,具体是一种基于海量数据并行运算的SF6设备二级故障诊断方法。
背景技术
随着我国电力工业的发展,SF6电气设备在输电网中的应用越来越广泛,其运行可靠性直接影响着电网的安全稳定运行。由于设备在设计制造和运行维护等方面可能存在缺陷,设备内部发生局部放电甚至电弧放电,部分SF6分子分解,其分解产物一般具有较高的化学活性和腐蚀性,引起设备绝缘性能下降,严重威胁电网安全。因此及时检测出SF6电气设备的内部缺陷,对保障设备和电网安全运行具有重要意义。
对SF6电气设备的故障诊断方法主要有脉冲电流法、超声波法、特高频法和SF6分解组分分析法。其中脉冲电流法、超声波法和特高频法等无法准确的判断设备的故障类型和严重程度。SF6分解组分分析法在这方面具有很大的优势,根据SF6气体的分解产物体积分数能及时有效地发现设备内部的潜伏性故障,并能确定故障类型。经过近年来的研究,目前已经得到SF6电气设备运行状态和SF6气体分解产物间的对应关系。然而,随着SF6电气设备的大量使用,使得对其监测产生的数据越来越多,如何在庞大的监测数据量中提高诊断效率是对诊断技术的一种考验。
发明内容
发明目的:为了快速准确的对SF6电气设备进行诊断,本发明提出一种基于海量数据并行运算的SF6电气设备的二级故障诊断方法。通过该方法,可以在较短的时间内对海量SF6电气设备进行诊断,提高诊断效率。
一种基于海量数据并行运算的SF6设备二级故障诊断方法,包括:
1)并行构建第一级模型,根据训练数据和测试数据,建立决策树模型;
2)并行构建第二级模型,根据训练数据和测试数据,建立神经网络模型;
3)对海量数据进行并行运算,根据待诊断数据,利用训练好的二级模型对待诊断数据进行故障诊断。
所述的建立第一级模型,使用的是实现并行建树的CART算法,包括以下步骤:
(2.1)使用并行运算进行建树过程;
(2.2)用测试数据进行剪枝,得到决策树模型。
所述步骤(2.1)的具体操作为:
(3.1)根据训练数据的属性集个数开启并行池;
(3.2)并行池的每个lab计算属性的Gini值;
Gini定义如下:对于样本集合D,有K个类,属于第K类的样本子集为Ck,则其Gini为:
式中:|Ck|为CK的大小,|D|为D的大小;
(3.3)根据最小Gini值,选择分裂点属性;
(3.4)去除分裂点属性,对剩余属性递归调用步骤(3.1-3.3),直到满足停止条件。
所述步骤(2.2)中测试数据进行剪枝采用代价复杂度剪枝方法,具体步骤如下:
决策树的非叶子节点为{T1,T2,T3…Tn};
4.1)计算所有非叶子节点的表面误差率增益值α={α1,α2,α3…αn};
4.2)选择表面误差率增益值αi最小的非叶子节点Ti,若多个非叶子节点具有相同小的表面误差率增益值,选择节点数最多的非叶子节点,对Ti进行剪枝;
表面误差率增益值的计算公式:
其中:R(t)表示叶子节点的误差代价,R(t)=r(t)·p(t),r(t)为节点的错误率,p(t)为节点数据量的占比;R(T)表示子树的误差代价,ri(t)为子节点i的错误率,pi(t)表示节点i的数据节点占比;N(T)表示子树节点个数。
所述的并行构建第二级模型,使用的是神经网络算法,包括以下步骤:
(5.1)开启并行池;
(5.2)每个lab根据训练数据训练神经网络模型;
(5.3)利用测试数据计算每个模型的正确率;
(5.4)选择正确率最高的神经网络模型为最终模型。
在所述步骤3)中,包括以下步骤:
(6.1)开启并行池;
(6.2)每个lab进行故障诊断;
(6.3)每个lab将诊断结果写入数据库。
所述步骤(6.2)的具体操作为:
(7.1)读取数据分片;
(7.2)第一级模型对该数据分片进行初步诊断;
(7.3)根据第一级模型诊断结果,判断是否为故障数据。如果是,转入步骤(6.4),否则记录诊断结果;
(7.4)第二级模型对故障数据进行精确诊断,确定其具体故障类型。若是模型已训练过的类型,则直接记录诊断结果。若是未知故障类型,则交由专家进行判定,并重新训练第二级模型,使其能诊断出该故障类型。
所述步骤(7.4)的具体实现过程如下:
(8.1)设置可信度阈值γ和可信度α;
γ设为0.8,其中|Oij|为第i个样本对应的所有输出结果的绝对值;
(8.2)将故障数据输入神经网络模型,若α<γ,则表示此时数据的诊断结果小于预先设定的阈值,可能为新故障类型,交由专家进行评定,经过评定后对神经网络模型重新训练;若α>γ,则接受并记录该诊断结果。
有益效果是:本发明基于海量数据并行运算的SF6电气设备的二级故障诊断方法,根据SF6分解产物体积分数与对应故障类型的关系,使用决策树、神经网络和专家系统算法构建二级故障诊断方法。为进一步提高诊断效率,采用并行运算对大量SF6电气设备进行诊断。建立的一级决策树模型用来判断设备是否故障,构建的决策树深度低,因此在海量数据下,能快速的进行诊断,节约时间。经过决策树判定为故障数据的样本进入神经网络诊断模型,针对神经网络模型只能诊断出样本中已有故障类型的局限性,使用了改进型的神经网络算法,由专家对新的故障类型进行诊断,进而重新训练神经网络模型,使其不断完善。采用并行运算对大量SF6电气设备进行诊断,进一步提高了诊断效率。
附图说明
图1为基于海量数据并行运算的SF6设备二级故障方法框图;
图2为并行建立第一级模型的流程图;
图3为并行建立第二级模型的流程图;
图4为对海量数据进行并行诊断流程图。
具体实施方式
如图1所示,基于海量数据并行运算的SF6设备二级故障方法框图。
步骤1、对训练数据、测试数据和待诊断数据均进行归一化处理。
步骤2、并行构建第一级模型,根据训练数据和测试数据,利用实现并行建树的CART算法建立决策树模型。
(1.1)使用并行运算进行建树过程。
(1.1.1)根据训练数据的属性集个数开启并行池;
(1.1.2)并行池的每个lab计算属性的Gini值;选取Gini值最小的属性作为当前划分属性;Gini定义如下:对于样本集合D,有K个类,属于第K类的样本子集为Ck,则其Gini为:
式中:|Ck|为CK的大小,|D|为D的大小。
本发明中采用取值连续的特征属性,对于该类特征属性而言其划分点是一对连续变量属性值的中点。假设特征属性A有m个连续的值,则会有m-1个分裂点,每个分裂点为相邻两个连续值的均值。若集合D根据A的一个分裂点取值a被分为D1和D2两部分,即:
D1={D|A≥a}D2={D|A<a}
则在已知特征A的条件下集合D的Gini为:
Gini(D,A)取值越大,样本的不确定性也越大,所以选择特征A的标准是Gini(D,A)的取值越小越好。
(1.1.3)根据最小Gini值选择原则,选择分裂点属性;
(1.1.4)去除分裂点属性,对剩余属性递归调用步骤(1.1.1-1.1.3),直到满足停止条件(Gini指数小于预定阈值,即样本基本属于同一类或者没有特征可供分裂)。
(1.2)用测试数据进行剪枝。
当分类树划分得太细时,会对数据产生过拟合现象,因此通过剪枝来解决,本发明中采用代价复杂度剪枝方法。代价复杂度选择节点表面误差率增益值最小的非叶子节点,删除该节点的左右子节点,若有多个非叶子节点的表面误差率增益值相同,则选择非叶子节点中子节点数最多的非叶子节点进行剪枝。具体描述为:
决策树的非叶子节点为{T1,T2,T3…Tn};
a)计算所有非叶子节点的表面误差率增益值α={α1,α2,α3…αn};
b)选择表面误差率增益值αi最小的非叶子节点Ti(若多个非叶子节点具有相同小的表面误差率增益值,选择节点数最多的非叶子节点),对Ti进行剪枝。
表面误差率增益值的计算公式:
其中:R(t)表示叶子节点的误差代价,R(t)=r(t)·p(t),r(t)为节点的错误率,p(t)为节点数据量的占比;R(T)表示子树的误差代价,ri(t)为子节点i的错误率,pi(t)表示节点i的数据节点占比;N(T)表示子树节点个数。
步骤2、并行构建第二级模型,根据训练数据和测试数据,利用神经网络算法建立神经网络模型;
(2.1)开启并行池;
(2.2)每个lab根据训练数据训练神经网络模型;
(2.3)利用测试数据计算每个模型的正确率;
(2.4)选择正确率最高的神经网络模型为最终模型。
步骤3、对海量数据进行并行运算,根据待诊断数据,利用训练好的二级模型对待诊断数据进行故障诊断。
(3.1)开启并行池;
(3.2)每个lab进行故障诊断;
(3.2.1)读取数据分片;
(3.2.2)第一级模型对该数据分片进行初步诊断;
(3.2.3)根据第一级模型诊断结果,判断是否为故障数据。如果是,转入步骤(3.2.4),否则记录诊断结果;
(3.2.4)第二级模型对故障数据进行精确诊断,确定其具体故障类型。若是模型已训练过的类型,则直接记录诊断结果。若是未知故障类型,则交由专家进行判定,并重新训练第二级模型,使其能诊断出该故障类型。该步骤具体实现的过程为:
a)设置可信度阈值γ和可信度α;
γ设为0.8,其中|Oij|为第i个样本对应的所有输出结果的绝对值。
b)将故障数据输入神经网络模型,若α<γ,则表示此时数据的诊断结果小于预先设定的阈值,可能为新故障类型,交由专家进行评定,经过评定后对神经网络模型重新训练。若α>γ,则接受并记录该诊断结果。
(3.3)每个lab将诊断结果写入数据库。
Claims (8)
1.一种基于海量数据并行运算的SF6设备二级故障诊断方法,其特征在于,包括以下步骤:
1)并行构建第一级模型,即根据训练数据和测试数据,建立决策树模型;
2)并行构建第二级模型,即根据训练数据和测试数据,建立神经网络模型;
3)对海量数据进行并行运算,即根据待诊断数据,利用训练好的二级模型对待诊断数据进行故障诊断。
2.根据权利要求1所述的一种基于海量数据并行运算的SF6设备二级故障诊断方法,其特征在于:所述步骤1)的并行构建第一级模型,使用的是实现并行建树的CART算法,包括以下步骤:
(2.1)使用并行运算进行建树过程;
(2.2)用测试数据进行剪枝,得到决策树模型。
3.根据权利要求2所述的一种基于海量数据并行运算的SF6设备二级故障诊断方法,其特征在于:所述步骤(2.1)的具体操作为:
(3.1)根据训练数据的属性集个数开启并行池;
(3.2)并行池的每个lab计算属性的Gini值;
Gini定义如下:对于样本集合D,有K个类,属于第K类的样本子集为Ck,则其Gini为:
<mrow>
<mi>G</mi>
<mi>i</mi>
<mi>n</mi>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mi>D</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>C</mi>
<mi>k</mi>
</msub>
<mo>|</mo>
</mrow>
<mrow>
<mo>|</mo>
<mi>D</mi>
<mo>|</mo>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
式中:|Ck|为CK的大小,|D|为D的大小;
(3.3)根据最小Gini值,选择分裂点属性;
(3.4)去除分裂点属性,对剩余属性递归调用步骤(3.1)-(3.3),直到满足停止条件。
4.根据权利要求1所述的一种基于海量数据并行运算的SF6设备二级故障诊断方法,其特征在于:所述步骤(2.2)中测试数据进行剪枝采用代价复杂度剪枝方法,具体步骤如下:
决策树的非叶子节点为{T1,T2,T3…Tn};
4.1)计算所有非叶子节点的表面误差率增益值α={α1,α2,α3…αn};
4.2)选择表面误差率增益值αi最小的非叶子节点Ti,若多个非叶子节点具有相同小的表面误差率增益值,选择节点数最多的非叶子节点,对Ti进行剪枝;
表面误差率增益值的计算公式:
<mrow>
<mi>&alpha;</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
</mrow>
其中:R(t)表示叶子节点的误差代价,R(t)=r(t)·p(t),r(t)为节点的错误率,p(t)为节点数据量的占比;R(T)表示子树的误差代价,ri(t)为子节点i的错误率,pi(t)表示节点i的数据节点占比;N(T)表示子树节点个数。
5.根据权利要求1所述的一种基于海量数据并行运算的SF6设备二级故障诊断方法,其特征在于:所述步骤2)的并行构建第二级模型,使用的是神经网络算法,包括以下步骤:
(5.1)开启并行池;
(5.2)每个lab根据训练数据训练神经网络模型;
(5.3)利用测试数据计算每个模型的正确率;
(5.4)选择正确率最高的神经网络模型为最终模型。
6.根据权利要求1所述的一种基于海量数据并行运算的SF6设备二级故障诊断方法,其特征在于:在所述步骤3)中,包括以下步骤:
(6.1)开启并行池;
(6.2)每个lab进行故障诊断;
(6.3)每个lab将诊断结果写入数据库。
7.根据权利要求6所述的一种基于海量数据并行运算的SF6设备二级故障诊断方法,其特征在于:所述步骤(6.2)的具体操作为:
(7.1)读取数据分片;
(7.2)第一级模型对该数据分片进行初步诊断;
(7.3)根据第一级模型诊断结果,判断是否为故障数据;如果是,转入步骤(6.4),否则记录诊断结果;
(7.4)第二级模型对故障数据进行精确诊断,确定其具体故障类型;若是模型已训练过的类型,则直接记录诊断结果;若是未知故障类型,则交由专家进行判定,并重新训练第二级模型,使其能诊断出该故障类型。
8.根据权利要求7所述的一种基于海量数据并行运算的SF6设备二级故障诊断方法,其特征在于:所述步骤(7.4)的具体实现过程如下:
(8.1)设置可信度阈值γ和可信度α;
γ设为0.8,其中|Oij|为第i个样本对应的所有输出结果的绝对值;
(8.2)将故障数据输入神经网络模型,若α<γ,则表示此时数据的诊断结果小于预先设定的阈值,可能为新故障类型,交由专家进行评定,经过评定后对神经网络模型重新训练;若α>γ,则接受并记录该诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711103938.6A CN107977672A (zh) | 2017-11-10 | 2017-11-10 | 基于海量数据并行运算的sf6设备二级故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711103938.6A CN107977672A (zh) | 2017-11-10 | 2017-11-10 | 基于海量数据并行运算的sf6设备二级故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107977672A true CN107977672A (zh) | 2018-05-01 |
Family
ID=62013348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711103938.6A Pending CN107977672A (zh) | 2017-11-10 | 2017-11-10 | 基于海量数据并行运算的sf6设备二级故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107977672A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985645A (zh) * | 2018-07-27 | 2018-12-11 | 河海大学常州校区 | 一种基于大数据分析的gis运行状态评估方法 |
CN110794799A (zh) * | 2019-11-28 | 2020-02-14 | 桂林电子科技大学 | 应用于工业生产的具有故障诊断功能的大数据系统 |
CN114662618A (zh) * | 2022-05-23 | 2022-06-24 | 湖南工商大学 | 一种基于联邦学习的故障诊断方法、装置及相关设备 |
CN116539128A (zh) * | 2023-06-26 | 2023-08-04 | 成都秦川物联网科技股份有限公司 | 智慧燃气超声波计量仪表准确度诊断方法及物联网系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103995237A (zh) * | 2014-05-09 | 2014-08-20 | 南京航空航天大学 | 一种卫星电源系统在线故障诊断方法 |
-
2017
- 2017-11-10 CN CN201711103938.6A patent/CN107977672A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103995237A (zh) * | 2014-05-09 | 2014-08-20 | 南京航空航天大学 | 一种卫星电源系统在线故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
牛满仓: "变频调速装置的智能故障诊断系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王晓楠: "基于Spark的分类回归树算法并行性研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
袁婷婷: "基于支持向量机和遗传算法的基因表达谱数据分类", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985645A (zh) * | 2018-07-27 | 2018-12-11 | 河海大学常州校区 | 一种基于大数据分析的gis运行状态评估方法 |
CN110794799A (zh) * | 2019-11-28 | 2020-02-14 | 桂林电子科技大学 | 应用于工业生产的具有故障诊断功能的大数据系统 |
CN114662618A (zh) * | 2022-05-23 | 2022-06-24 | 湖南工商大学 | 一种基于联邦学习的故障诊断方法、装置及相关设备 |
CN116539128A (zh) * | 2023-06-26 | 2023-08-04 | 成都秦川物联网科技股份有限公司 | 智慧燃气超声波计量仪表准确度诊断方法及物联网系统 |
CN116539128B (zh) * | 2023-06-26 | 2023-11-17 | 成都秦川物联网科技股份有限公司 | 智慧燃气超声波计量仪表准确度诊断方法及物联网系统 |
US12007251B2 (en) | 2023-06-26 | 2024-06-11 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and internet of things (IoT) systems for diagnosing accuracy of smart gas ultrasonic meters |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492193B (zh) | 基于深度机器学习模型的异常网络数据生成与预测方法 | |
CN111222290B (zh) | 一种基于多参数特征融合的大型设备剩余使用寿命预测方法 | |
CN107977672A (zh) | 基于海量数据并行运算的sf6设备二级故障诊断方法 | |
JP2023042527A (ja) | データドライブの能動配電網異常状態検知方法及びシステム | |
CN107862114A (zh) | 基于三比值特征量的小波pso‑svm变压器故障诊断方法 | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN112910859B (zh) | 基于c5.0决策树和时序分析的物联网设备监测预警方法 | |
CN112904810B (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
CN113204914B (zh) | 一种基于多架次飞行数据表征建模的飞行数据异常判读方法 | |
CN116450399A (zh) | 微服务系统故障诊断及根因定位方法 | |
CN116562114A (zh) | 一种基于图卷积神经网络的电力变压器故障诊断方法 | |
CN115963420A (zh) | 一种电池soh影响因素分析方法 | |
CN117113232A (zh) | 一种电动汽车锂离子电池组热失控风险识别方法 | |
CN113242213B (zh) | 一种电力通信骨干网节点脆弱性诊断方法 | |
CN111737993B (zh) | 一种配电网设备的故障缺陷文本提取设备健康状态方法 | |
CN110244690B (zh) | 一种多变量工业过程故障辨识方法及系统 | |
CN116910559A (zh) | 一种面向电网超算中心智能运维应用的指标异常检测方法 | |
CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
CN116611003A (zh) | 一种变压器故障诊断方法、装置、介质 | |
CN116167277A (zh) | 一种基于Elman网络的电力设备故障诊断方法和系统、介质 | |
Jia Yong et al. | Classification of fault and stray gassing in transformer by using duval pentagon and machine learning algorithms | |
Zhou et al. | Fault diagnosis method of power electronic equipment based on improved resnet neural network | |
CN112733878A (zh) | 一种基于kmeans-SVM算法的变压器故障诊断方法 | |
CN112598152A (zh) | 基于改进仿射传播聚类的高压断路器故障诊断方法 | |
CN117149551B (zh) | 一种车载无线通信芯片的测试方法 |
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: 20180501 |
|
RJ01 | Rejection of invention patent application after publication |