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 PDF

Info

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
Application number
CN201711103938.6A
Other languages
English (en)
Inventor
苗红霞
萧旋旋
齐本胜
贾澜
顾倚榜
熊天宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Campus of Hohai University
Original Assignee
Changzhou Campus of Hohai University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changzhou Campus of Hohai University filed Critical Changzhou Campus of Hohai University
Priority to CN201711103938.6A priority Critical patent/CN107977672A/zh
Publication of CN107977672A publication Critical patent/CN107977672A/zh
Pending legal-status Critical Current

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

基于海量数据并行运算的SF6设备二级故障诊断方法
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>&amp;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>&amp;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。
CN201711103938.6A 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 Pending CN107977672A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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