CN108960339A - 一种基于宽度学习的电动汽车感应电动机故障诊断方法 - Google Patents
一种基于宽度学习的电动汽车感应电动机故障诊断方法 Download PDFInfo
- Publication number
- CN108960339A CN108960339A CN201810803150.4A CN201810803150A CN108960339A CN 108960339 A CN108960339 A CN 108960339A CN 201810803150 A CN201810803150 A CN 201810803150A CN 108960339 A CN108960339 A CN 108960339A
- Authority
- CN
- China
- Prior art keywords
- matrix
- training
- train
- data set
- test
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000006698 induction Effects 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 66
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 22
- 230000002708 enhancing effect Effects 0.000 claims description 55
- 238000012360 testing method Methods 0.000 claims description 55
- 239000011159 matrix material Substances 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 20
- 230000001965 increasing effect Effects 0.000 claims description 19
- 238000010200 validation analysis Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 16
- 238000004804 winding Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 10
- 238000003745 diagnosis Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 239000002131 composite material Substances 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000005236 sound signal Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 9
- 230000007547 defect Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 239000010410 layer Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 229930091051 Arenine Natural products 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 240000001439 Opuntia Species 0.000 description 1
- 241001074085 Scophthalmus aquosus Species 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009131 signaling function Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G01R31/34—Testing dynamo-electric machines
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种基于宽度学习的电动汽车感应电动机故障诊断方法。该方法采用增量式宽度学习方法(IBL)来诊断感应电动机故障,增量式宽度学习(IBL)的结构简洁,可以有效地训练和重新训练网络。本发明结合了特征提取(经验模态分解和样本熵)、增量式宽度学习和奇异值分解来构成一个电动汽车感应电动机智能诊断方法。实验结果表明该方法在诊断电动汽车感应电动机故障时优于其他算法。此外,通过奇异值分解(SVD)简化的IBL比之前的IBL误差小、系统更稳定。
Description
技术领域
本发明涉及电机故障诊断领域,更具体地,涉及一种基于宽度学习的电动汽车感应电动机故障诊断方法。
背景技术
众所周知,交通工具是人类非常重要的交通工具之一。交通工具有两种主要的驱动方式:一种是燃油机,另一种是电动机。然而,燃油机因污染问题被政府拒绝。此前,包括荷兰、德国、法国和英国在内的几个国家已经宣布了禁止销售燃油汽车的时间表。随着石油短缺和环境污染的日益严重,燃油汽车的发展受到限制。未来几年,电动汽车的研究和应用将越来越受欢迎。电动汽车的关键部件是电动机。电动汽车有许多种电动机。如直流电机、感应电机、永磁同步电机、同步电机等。由于感应电动机成本低、体积小、强度大、维护费用低等特点,电动汽车中感应电动机的应用比较广泛。最著名的电动车是特斯拉公司生产的Model-S。在这辆车中使用的电动机是感应电动机。目前,感应电动机是我们日常生活中应用最为广泛、市场需求量最大的电机之一。因此,感应电动机的研究越来越受到人们的关注。虽然感应电动机工作性能较为稳定,但如果长时间工作在过负载或其他异常工作状态的情况下,也会导致其发生一些难以估量的故障。所以在发生严重事故之前,有必要对其状况进行监测与诊断。研究表明,电机故障中存在绕组故障、定子和转子不平衡、转子断条、偏心和轴承故障等。
目前在传统的电机故障诊断中,采用机器学习方法的有很多种。包括深度偏偏网络(DBN)、极限学习机(ELM)和卷积神经网络(CNN)。电机电流和速度之间的关系是非线性的,它们特别适合于交流电机的应用。然而,尽管深层结构网络非常强大,他们在实质应用上依旧存在不可避免的缺点。因为深度学习网络中存在大量的超参数和复杂的网络结构,其大多数网络训练过程都非常耗时。澳门大学C.L.Philip Chen和Liu于2017年提出了一种宽度学习算法来提高训练的效率。与上面不同,宽度学习只包含两层。其中一个是输入层,它包含映射的特性、增强节点和附加的增强节点。另一个是输出层。虽然它是一个简单的结构,却可以通过增加增强节点来提高性能。因此,它可以应用于运动诊断,以此提高准确性和训练效率。
此外,信号处理方法已被广泛用于提取有用的故障特征,以提高其训练前的宽度学习准确率。快速傅里叶变换(FFT)是信号处理的主要分析工具,但FFT不适合非平稳信号。然而,许多信号对于三相异步电机的诊断,如电机电流信号,是非平稳信号,需要时间频率分析。经典的时间频率分析方法之一是短时傅立叶变换(STFT),但它的主要缺点是时间和频率分辨率是相关联的。因此,STFT不可能同时实现良好的时间和频率分辨率,从而导致信息的丢失。其他的方法,如小波变换能够更好地处理问题;然而,小波变换也有其自身的不足之处。例如,它受到能量泄漏的影响。
另外:传统上的训练过程在实验期间执行,在训练模型完成后可以应用于故障诊断。这意味着一旦模型被训练,诊断系统模型就不能被修改。三相异步电动机故障诊断的主要挑战之一是,一旦经过训练,电机故障诊断系统是不变的。重新建模系统需要花费更多的时间,特别是对于深度学习机器来说。这将限制它的应用。
发明内容
为了克服现有技术的不足,本发明提出一种基于宽度学习的电动汽车感应电动机故障诊断方法,该方法采用增量式宽度学习方法(IBL)来诊断电动汽车感应电动机故障。IBL的结构简洁,可以有效地训练和重新训练网络;能有效的节约训练时间,提高故障诊断系统的准确率和稳定性。
为了实现上述目的,本发明的技术方案如下:
一种基于宽度学习的电动汽车感应电动机故障诊断方法,包括以下步骤:
S1:数据采集和数据处理;采集定子绕组A电流信号,定子绕组B电流信号或定子绕组C电流信号中任意两组电流信号和一个声波信号,记为x1,x2,x3,并将所采集的电流信号和声波信号分别分为三个独立的数据集,包括训练数据集、验证数据集和测试数据集;对训练数据集、验证数据集和测试数据集中的数据分别处理,处理后的训练数据集、验证数据集和测试数据集分别记为xk-Proc-Train、xk-Proc-Incre和xk-Proc-Test;
S2:模型的训练,即对处理后的xk-Proc-Train进行宽度学习训练得到模型;宽度学习训练的过程为:
使用经过处理的训练数据集xk-Proc-Train来训练宽度学习网络,宽度学习网络的输出是诊断的准确率;当输出的准确率大于等于设定的目标准确率时,即得到训练模型;
S3:采用SVD方法对由步骤S2训练得到的模型进行简化,得到更稳定的模型,通过测试数据集得到输出矩阵,与故障标签对比即可得到电动汽车感应电动机的故障情况。
优选的,所述步骤S1中的数据采集方式为:采用示波器采集电流信号,麦克风采集声音信号。
优选的,所述步骤S1中,对采集的数据进行限幅滤波后再将其分别分为三个独立的数据集。
优选的,所述步骤S1中的数据处理过程为:采用经验模态分解EMD分解输入信号,即将获得的信号分解为n个固有模式函数IMFs和一个剩余信号;将信号分割为n个IMFs后,每个固有模式函数的维度保持不变;
其中训练数据集表示为xk-EMD-Train,验证数据集表示为xk-EMD-Vali,测试数据集表示为xk-EMD-Test;
考虑到每个固有模态函数维数不变,需要降低维数,应用样本熵SampEn统计xk-EMD-Train、xk-EMD-Vali和xk-EMD-Test的特征,即采用SampEn来计算每个固有模式函数的代表性特征;其特征结果分别保存为xk-SE-Train、xk-SE-Vali和xk-SE-Test;为了保证所有的特征都有贡献,xk-SE-Train、xk-SE-Vali和xk-SE-Test中的每个特征都进行[0,1]归一化处理。
优选的,步骤S1还包括:对采集两组电流信号分别增加3个特征作为知识域DK特征,对声音信号增加10个特征作为知识域DK特征,并进行[0,1]归一化处理,再与经过样本熵得到的特征合并得到处理后的训练数据集、验证数据集和测试数据集,经过处理的训练数据集、验证数据集和测试数据集分别被命名为xk-Proc-Train、xk-Proc-Vali和xk-Proc-Test。
优选的,对电流信号增加的3个特征为:定子电流信号的最小振幅、最大振幅和平均电流;对声音信号增加10个特征为:平均值、标准差、均方根、峰值、偏度、峰度、波峰系数、间隙系数、形状系数和脉冲系数。
优选的,宽度学习训练的过程具体为:
使用经过处理的训练数据集xk-Proc-Train来训练宽度学习网络,令X=xk-Proc-Train,即输入特征集合X,设其有N个样本,各样本均为M维;
对于n个特征映射,其映射特性Zi表示为式(1):
Zi=φ(XWei+βei),i=1…,n (1)
其中Wei表示第i个输入特征的随机权重矩阵,βei表示第i个输入特征的随机偏移矩阵,φ是映射函数,Zn≡[Z1,…,Zn]表示所有特征节点的映射集合;
对于增强节点,Hm表示第m组增强节点的增强特征:
Hm≡ξ(ZnWhm+βhm) (2)
Whm表示第m组增强节点的随机权重矩阵,βhm表示第m组增强节点的随机偏移矩阵,ζ是增强映射函数,Hm≡[H1,…,Hm]表示所有增强节点的映射集合;所有增强连接权重表示为Wm≡[Wh1,…,Whm];
因此,输出矩阵Y表示为方程:
Y=[Zn|Hm]Wm (3)
Y是属于的输出矩阵;
使用公式(3)能计算出Wm=[Zn|Hm]+Y。
优选的,在步骤S2的模型训练过程中,当输出的准确率小于设定的目标准确率时,能通过增加增强节点数使模型输出的准确率大于或等于设定值,继而得到训练模型;
在学习过程中增加增强节点,设初始输入特征向量和增强节点的复合连接为Am=[Zn|Hm],额外增加p个增强节点后的复合连接矩阵为Am+1≡[Am|ξ(ZnWhm+1)+βhm+1];其中Whm+1为增加增强节点后的连接权重;
βhm+1为增加增强节点后的偏差,即能得出新矩阵的伪逆矩阵表示如下:
其中过渡矩阵D=(Am)+ξ(ZnWhm+1+βhm+1)
中间矩阵
其中C=ξ(ZnWhm+1)+βhm+1)-AmD
新的权重为:
将处理的验证数据集xk-Proc-Vali作为输入集合X,基于输入X和新的权重即可得到增量训练模型。
优选的,步骤S3中在对测试数集合进行测试前还包括对由步骤S2获得的模型进行SVD结构简化,设简化前的复合矩阵为对其进行奇异值分解,如式(7):
AF=UF∑FVF T (7)
其中UF是P×P的正交阵,VF是Q×Q的正交阵,∑F是半正定P×Q阶对角矩阵;
又因为
Y=AFWF (8)
新的权重矩阵WF=AF +Y,利用新的权重矩阵能简化步骤S2获得的模型。
与现有技术相比,本发明的有益效果为:
本发明采用的经验模分解(EMD)是分析非线性和非平稳信号的有效工具。为了从电机信号中提取特征,EMD将信号分解为若干个固有模式函数。通过对每种信号中分解出来的信号函数进行分析,可以更准确有效地提取原始信号的特征信息。将原始信号分解为一系列本征函数(IMFs)后,将导致故障分类器的高维输入。当输入维数较高时,故障分类器的精度会降低,因此本发明提出了一种样本熵(SampEn)的有效统计特征选择算法来减少故障分类器的输入维数。样本熵提供一种统计特性来描述不同IMFs中的信号规律性。SampEn可以从每个信号的分解函数中选择一个特征。因此,可以降低故障分类器的输入维数。
宽度学习可以动态增量学习训练模型。当诊断方法准确率达不到目标值时,增量式宽度学习可以通过增加增强节点来重新训练网络模型。此种增量学习不需要计算整个网络,只需计算新增加的增强节点数据,所以重新训练模型的时间短,效率高。
本发明完成增量学习训练后,可能会存在一些冗余节点。这可能导致测试误差偏大。因此,需要应用低阶近似来简化系统。低阶近似有很多种。奇异值分解(SVD)和非负矩阵分解(NMF)被广泛应用。本发明采用SVD简化增量式宽度学习系统。
本发明结合了特征提取(经验模态分解和样本熵)、增量式宽度学习和奇异值分解来构成一个电动汽车感应电动机智能诊断方法。
附图说明
图1为本发明的结构示意图。
图2为宽度学习网络示意图。
图3为增加p个增强节点宽度学习网络示意图。
图4为感应电动机的共9种状态示意图。
图5为感应电机绕组电流A&B在9个故障条件下的部分波形(2.5个周期)示意图。
图6为原始声学数据9故障情况下的波形图。
图7为在正常情况下声音信号的经验模式分解波形图。
图8为每种故障案例声音信号分解出的模式函数的样本熵对比条形图。
图9为不同特征提取方法对比图。
图10为不同增强节点对比图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本发明的技术方案做进一步的说明。根据本发明提供的技术方案如图1所示,该方法包括三个步骤:(a)数据采集和数据处理,(b)宽度学习和增量式宽度学习训练,(c)SVD结构简化。
一种基于宽度学习的电动汽车感应电动机故障诊断方法,包括如下步骤:
第一步:电动机数据采集和数据处理
在信号采集子模块中,数字设备应检测四种信号。它们分别是定子绕组A电流信号,定子绕组B电流信号,定子绕组C电流信号和声波信号,分别记为x1,x2,x4,x3。由于三相感应电动机由三相对称电流提供,所以只需要采集两相定子电流信号。因此,总共只需要采集三路信号。它们分别记作x1,x2,x3。采用数字限幅滤波器来减少干扰。对于每个信号,以声音信号为例,信号x3采集的数据被分为三个独立的数据集,包括训练数据集、增量数据集和测试数据集。
在数据处理中,首先采用经验模态分解(EMD)来分解原始信号。训练数据表示为xk-EMD-Train,验证数据表示为xk-EMD-Vali,测试数据表示为xk-EMD-Test。考虑到经验模态分解后维数增加,应用样本熵(SampEn)来统计xk-EMD-Train、xk-EMD-Vali和xk-EMD-Test的特征并降维。结果分别保存为xk-SE-Train、xk-SE-Vali和xk-SE-Test。为了保证所有的特性都有贡献,xk-SE-Train、xk-SE-Vali和xk-SE-Test的每个特征都被归一化到[0,1]。最后,经过处理的训练数据集、验证数据集和测试数据集分别被命名为xk-Proc-Train、xk-Proc-Vali和xk-Proc-Test。除了这些特征外,还分别增加了3个绕组电流A,3个绕组电流B和10个声音信号的知识域(DK)特征。
第二步:宽度学习和增量式宽度学习训练
宽度学习训练:
在数据训练和增量学习子模块中,使用经过处理的训练数据集xk-Proc-Train来训练的宽度学习网络。宽度学习网络的输出是诊断的准确率;当输出的准确率低于设定的目标准确率时,增强节点将会增加。这些动态处理将持续到准确率满足要求为止。
宽度学习是由C.L.Philip Chen和Liu在2017年提出的。它是基于传统随机向量函数神经网络(RVFLNN)。使用经过处理的训练数据集xk-Proc-Train来训练宽度学习网络,令X=xk-Proc-Train,即输入特征集合X,设其有N个样本,各样本均为M维;
对于n个特征映射,其映射特性Zi表示为式(1):
Zi=φ(XWei+βei),i=1…,n (1)
其中Wei表示第i个输入特征的随机权重矩阵,βei表示第i个输入特征的随机偏移矩阵,φ是映射函数,Zn≡[Z1,…,Zn]表示所有特征节点的映射集合;
对于增强节点,Hm表示第m组增强节点的增强特征:
Hm≡ξ(ZnWhm+βhm) (2)
Whm表示第m组增强节点的随机权重矩阵,βhm表示第m组增强节点的随机偏移矩阵,ξ是增强映射函数,Hm≡[H1,…,Hm]表示所有增强节点的映射集合;所有增强连接权重表示为Wm≡[Wh1,…,Whm];
因此,输出矩阵Y表示为方程:
Y=[Zn|Hm]Wm (3)
Y是属于的输出矩阵;
使用公式(3)能很容易地计算Wm=[Zn|Hm]+Y。
增加增强节点增量式宽度学习算法:
在一定的条件下,为了提高系统的准确率需要额外增加节点,在学习过程中增加“增强节点”。假设起初时输入特征向量和增强节点的复合连接为Am=[Zn|Hm],额外增加p个增强节点后的复合连接矩阵为Am+1≡[Am|ξ(ZnWhm+1)+βhm+1]。其中Whm+1为增加增强节点后的连接权重;βhm+1为增加增强节点后的偏差。可以得出新矩阵的伪逆矩阵表示如下:
其中过渡矩阵D=(Am)+ξ(ZnWhm+1+βhm+1)
中间矩阵
其中C=ξ(ZnWhm+1)+βhm+1)-AmD
新的权重为:
在此算法中,不仅给出了宽度学习的构建模型,还列出了它的学习过程。具体地说,增量式算法不需要计算整个Am+1,而只需计算额外增强节点的伪逆就可以实现增量学习,从而可以提高网络重新训练的速度。
第三步:SVD结构简化降低电动机故障诊断系统的误差率
在增量学习中增加了映射特性和增强节点之后,由于初始化不足或过多的输入数据,可能存在冗余的节点或数据。一般来说,这种结构可以通过一系列低阶近似方法来简化。本发明选择经典的奇异值分解(SVD)为提出的宽度学习模型提供结构简化。假设简化前的复合矩阵为奇异值分解:
AF=UF∑FVF T (7)
其中UF是P×P的正交阵,VF是Q×Q的正交阵,∑F是半正定P×Q阶对角矩阵。
又因为
Y=AFWF (8)
所以权重矩阵WF=AF +Y,SVD可以减少神经节点的冗余数量,降低系统测试误差。
实施例
1)实验平台
实施中,采用电机与电气技术测试台TCDJ 03A作为实验平台。其中平台向三相感应电机提供三相交流电压,并向发电机提供直流电压。该工作台可同时测量电机电压、电机电流和电机转速。三相异步电动机星形连接。将固定在导轨上的发电机与三相异步电动机连接在一起。发电机被设定为负载。载荷力可以通过负载电阻来调节。示波器GDS-2202A用于测量三相感应电机电流并将电流存储到数字存储器中。使用计算机(三星R429)与麦克风(联想P121)连接获取音频数据。麦克风被夹住,以获得声波。根据GB3806-81提出的测量方法,测点与反射面之间的距离应不小于1米。麦克风和传播方向上的测量点的配置应该在45度的位置上。
2)测试计划方案
在这个实施方案中有九个不同的案例。一个是正常情况,命名为D1。其余分别为相不平衡D2,定子线圈短路D3,机械不平衡D4,转子弯曲D5,转子断裂D6,轴承外滚道缺陷D7,轴承内滚道缺陷D8,轴承球缺陷D9。为了向诊断系统提供训练数据,需要人为制造这9个故障条件的数据。图4中D1表示一个正常的情况。D2是一种相不平衡,增加10.3欧姆的电阻。D3是一个加焊锡使定子线圈短路。D4是一种机械不平衡的情况,将三个螺母(螺母直径为6毫米)插入到导条上。D5为弓形转子。D6是转子断条,通过钻一个孔打断转子条(孔直径为3毫米)。D7是一个轴承外滚道缺陷的情况,切割1.5毫米的槽。D8是轴承内滚道缺陷。D9是轴承球缺陷。注:由于轴承是运动的,D7,D8,D9应该用电火花机来制造损坏。
3)样本数据采集
为了构造和测试所提出的诊断方法,必须首先获得样本数据。原始信号xk(k=1,2,3)包括绕组A电流,绕组B电流和声音信号。图5显示绕组A&B的部分波形。图6为额定载荷工况下9个故障案例的原始声音数据。每个案例有三种负载条件(轻载、额定负载和过载)。每一种负载条件将用100秒进行测试,然后每个测试生成800000个数据点。也就是在一种负载条件下每个信号类型有800000个采样数据点。由于三相感应电机由50赫兹电源供电,其周期为0.02秒。一般情况下,可以选择6.25个周期来生成一个样本。抽样率是8000。所以,一个样本(6.25×0.02×8000数据/秒)中有1000个数据点。如上所述,在一个负载条件下,每个故障总共有800000个数据点,可以划分为800个样本数据(每个样本数据有1000个数据点)。
4)EMD和SampEn的特征提取
从图7中可以看出,EMD将获得的信号分解为n个固有模式函数(IMFs)和一个剩余信号。将信号x分割为n个IMFs后,每个固有模式函数的维度保持不变。本实施例考虑了一种有效的特征选择方法来减少输入维数。即样本熵(SampEn)来计算每个固有模式函数的代表性特征,使每个分类器的输入维度从1000减少到6。经过多次测试,发现电机故障的主要特征与前6个IMFs密切相关。图7为D1的声学信号,EMD将信号分解为9个IMFs和1个剩余信号,取前6个IMF。
如图8所示,在9个故障案例中,前6个IMF的SampEn值都作了比较。在不同的情况下,每个IMF有不同的SampEn值。这个特征很明显,对分类诊断很有帮助。图8,各组柱状图IMFs中的第一条柱、第二条柱、……、第九条柱分别表示D1、D2、……、D9。
5)知识域特性
在EMD和SampEn的特征提取之后,进一步提取了知识域特征,因为它们是特定领域中的重要信息。对于三相异步电动机,定子电流信号的最小振幅、最大振幅和平均电流值作为知识域(DK)特性。此外,利用10个时域统计特征作为声音的DK特征。表1给出了10个统计时域特征。
表1声学信号时域中常用统计方法
6)处理数据的分布
传统上,原始数据将被划分为三个子集,例如训练数据集、验证数据集和测试数据集。为了提高系统诊断性能,原始数据将被EMD、SampEn、DK和标准化处理。然后,每个样本数据xk被分成不同的子集,如表2所示。在这里Dk-Proc-Train表示一个经过处理的训练数据集,Dk-Proc-Vali表示一个经过处理的验证数据集,Dk-Proc-Test是一个经过处理的测试数据集。
表2一种故障案例中样本数据集划分
7)不同算法对比
为了证明IBL的有效性,本发明比较了不同算法,包括深度深信网络(DBN)、卷积神经网络(CNN)、极限学习机(ELM)和宽度学习(BL)。上面的实验是在MATLAB R2016a上进行的,其中计算机有4个Core i5-4590@3.30GHz和12GB RAM。深层结构和超参数是基于反向传播的。初始学习速率设置为0.1,每个学习阶段的衰减率设置为0.95。采用一阶调优的单层线性特征映射来增强所选特征,正则化参数为10(-8)。与此同时,相关的参数Wei和βei,是来自标准的均匀分布区间(0,1)的数值,i=1,...,n。
如表3所示在测试准确率列中,IBL的准确率最高达92.94%,训练时间为1.0018+0.0497秒。DBN的准确率次之为92.71%,然而,它的训练时间为378.7479秒。拥有340个隐藏节点的极限学习机最快,然而,它的测试准确率非常低。ELM的测试准确率可以通过增加隐藏节点到3000使准确达92.52%,但是训练时间将达到65.5183秒。与上述方法不同,BL的测试准确率为91.61%,较接近92.71%。而BL的训练时间只有1.0018秒。所以,BL更有效。原因是DBN或CNN可以通过其深层结构提高其测试精度。但是,这将消耗更多的时间来训练它的网络。而BL只包含两层结构。所以,它比DBN或CNN快。IBL还可以通过BL增加增强节点来提高其测试精度,其重新训练时间快。
表3不同方法的测试精度和训练时间的比较
8)各种特征提取方法比较
为了证明EMD+SampEn和DK方法的效果,本发明采用了4种变换方法(FFT、STFT、EMD+SampEn、EMD+SampEn+DK)进行比较。如图9所示,EMD+SampEn+DK变换的测试精度最高。而其他变换方法较低,特别是对于无特性提取的方法。主要原因是EMD是一种自适应时频技术。它可以将信号分解成几个IMFs,并随信号本身的变化而变化。
9)增加增强节点式宽度学习
为了证明增量式宽度学习的有效性,引入增加增强节点进行比较。增强节点最初是30个节点,然后系统每一步增加30个节点,最多能达到300个节点。特征节点固定为100个节点。如图10所示,有两张图。图10(a)是测试准确率的比较。图10(b)是训练和重新训练时间的比较。对于图10(a),随着增强节点的增加,准确率在增加,但是最后两次增加导致测试准确率下降。这是由于增加增强节点可以提高性能,但是过度增加会导致系统过度拟合,所以最佳增强节点数是240。对于图10(b),在初始30个增强节点的训练时间非常长,然后在接下来的9个增量训练中很快。这是因为IBL算法不需要改变它原来的权重值。它只需要计算增加节点的权值。所以,它的重新训练的时间很快。
10)SVD结构简化
在增量式宽度学习之后,扩展节点可能存在冗余。这些复杂的结构将影响系统的测试误差。所述发明采用SVD技术对其结构进行压缩,以减少其测试误差。为了说明这一点,在表中列出了IBL和SVD-IBL的比较。表6中总节点数N设置为220,250,280,310,340。Ω代表网络结构,第一个数字表示特征节点,第二个数字是增强节点。SVD-IBL列中是通过应用SVD操作将网络压缩到想要的N节点上。IBL和SVD-IBL方法都重复10次。然后,将最小测试误差(MTE)和平均测试误差(ATE)记录在表6中。如表6所示,在IBL和SVD-IBL中,MTE和ATE都会随着节点总数的增加而减少。这是因为节点越多,测试的准确性越高。表6还显示,在IBL和SVD-IBL的相同节点上测试时,MTE和ATE在SVD-IBL中比IBL要小。可以知道,SVD可以减少冗余节点或输入数据。因此,简化后的结构更加简洁和稳定。
表6使用SVD的网络简化结果
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (9)
1.一种基于宽度学习的电动汽车感应电动机故障诊断方法,其特征在于,包括以下步骤:
S1:数据采集和数据处理;采集定子绕组A电流信号,定子绕组B电流信号或定子绕组C电流信号中任意两组电流信号和一个声波信号,记为x1,x2,x3,并将所采集的电流信号和声波信号分别分为三个独立的数据集,包括训练数据集、验证数据集和测试数据集;对训练数据集、验证数据集和测试数据集中的数据分别处理,处理后的训练数据集、验证数据集和测试数据集分别记为xk-Proc-Train、xk-Proc-Incre和xk-Proc-Test;
S2:模型的训练,即对处理后的xk-Proc-Train进行宽度学习训练得到模型;宽度学习训练的过程为:
使用经过处理的训练数据集xk-Proc-Train来训练宽度学习网络,宽度学习网络的输出是诊断的准确率;当输出的准确率大于等于设定的目标准确率时,即得到训练模型;
S3:采用SVD方法对由步骤S2训练得到的模型进行简化,得到更稳定的模型,通过测试数据集得到输出矩阵,与故障标签对比即可得到电动汽车感应电动机的故障情况。
2.根据权利要求1所述的方法,其特征在于,所述步骤S1中的数据采集方式为:采用示波器采集电流信号,麦克风采集声音信号。
3.根据权利要求1所述的方法,其特征在于,所述步骤S1中,对采集的数据进行限幅滤波后再将其分别分为三个独立的数据集。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述步骤S1中的数据处理过程为:采用经验模态分解EMD分解输入信号,即将获得的信号分解为n个固有模式函数IMFs和一个剩余信号;将信号分割为n个IMFs后,每个固有模式函数的维度保持不变;
其中训练数据集表示为xk-EMD-Train,验证数据集表示为xk-EMD-Vali,测试数据集表示为xk-EMD-Test;
考虑到每个固有模态函数维数不变,需要降低维数,应用样本熵SampEn统计xk-EMD-Train、xk-EMD-Vali和xk-EMD-Test的特征,即采用SampEn来计算每个固有模式函数的代表性特征;其特征结果分别保存为xk-SE-Train、xk-SE-Vali和xk-SE-Test;为了保证所有的特征都有贡献,xk-SE-Train、xk-SE-Vali和xk-SE-Test中的每个特征都进行[0,1]归一化处理。
5.根据权利要求4所述的方法,其特征在于,步骤S1还包括:对采集两组电流信号分别增加3个特征作为知识域DK特征,对声音信号增加10个特征作为知识域DK特征,并进行[0,1]归一化处理,再与经过样本熵得到的特征合并得到处理后的训练数据集、验证数据集和测试数据集,经过处理的训练数据集、验证数据集和测试数据集分别被命名为xk-Proc-Train、xk-Proc-Vali和xk-Proc-Test。
6.根据权利要求5所述的方法,其特征在于,对电流信号增加的3个特征为:定子电流信号的最小振幅、最大振幅和平均电流;对声音信号增加10个特征为:平均值、标准差、均方根、峰值、偏度、峰度、波峰系数、间隙系数、形状系数和脉冲系数。
7.根据权利要求1所述的方法,其特征在于,宽度学习训练的过程具体为:
使用经过处理的训练数据集xk-Proc-Train来训练宽度学习网络,令X=xk-Proc-Train,即输入特征集合X,设其有N个样本,各样本均为M维;
对于n个特征映射,其映射特性Zi表示为式(1):
Zi=φ(XWei+βei),i=1...,n (1)
其中Wei表示第i个输入特征的随机权重矩阵,βei表示第i个输入特征的随机偏移矩阵,φ是映射函数,Zn≡[Z1,...,Zn]表示所有特征节点的映射集合;
对于增强节点,Hm表示第m组增强节点的增强特征:
Hm≡ξ(ZnWhm+βhm) (2)
Whm表示第m组增强节点的随机权重矩阵,βhm表示第m组增强节点的随机偏移矩阵,ξ是增强映射函数,Hm≡[H1,...,Hm]表示所有增强节点的映射集合;所有增强连接权重表示为Wmm≡[Wh1,...,Whm];
因此,输出矩阵Y表示为方程:
Y=[Zn|Hm]Wm (3)
Y是属于的输出矩阵;
使用公式(3)能计算出Wm=[Zn|Hm]+y。
8.根据权利要求7所述的方法,其特征在于,在步骤S2的模型训练过程中,当输出的准确率小于设定的目标准确率时,能通过增加增强节点数使模型输出的准确率大于或等于设定值,继而得到训练模型;
在学习过程中增加增强节点,设初始输入特征向量和增强节点的复合连接为Am=[Zn|Hm],额外增加p个增强节点后的复合连接矩阵为Am+1≡[Am|ξ(ZnWhm+1)+βhm+1];其中Whm+1为增加增强节点后的连接权重;βhm+1为增加增强节点后的偏差,即能得出新矩阵的伪逆矩阵表示如下:
其中过渡矩阵D=(Am)+ξ(ZnWhm+1+βhm+1)
中间矩阵
其中C=ξ(ZnWhm+1)+βhm+1)-AmD
新的权重为:
将处理的验证数据集xk-Proc-Vali作为输入集合X,基于输入X和新的权重即可得到增量训练模型。
9.根据权利要求8所述的方法,其特征在于,步骤S3中在对测试数集合进行测试前还包括对由步骤S2获得的模型进行SVD结构简化,设简化前的复合矩阵为对其进行奇异值分解,如式(7):
AF=UF∑FVF T (7)
其中UF是P×P的正交阵,VF是Q×Q的正交阵,∑F是半正定P×Q阶对角矩阵;
又因为
Y=AFWF (8)
新的权重矩阵WF=AF +Y,利用新的权重矩阵能简化步骤S2获得的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810803150.4A CN108960339A (zh) | 2018-07-20 | 2018-07-20 | 一种基于宽度学习的电动汽车感应电动机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810803150.4A CN108960339A (zh) | 2018-07-20 | 2018-07-20 | 一种基于宽度学习的电动汽车感应电动机故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108960339A true CN108960339A (zh) | 2018-12-07 |
Family
ID=64482157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810803150.4A Pending CN108960339A (zh) | 2018-07-20 | 2018-07-20 | 一种基于宽度学习的电动汽车感应电动机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108960339A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109828552A (zh) * | 2019-02-22 | 2019-05-31 | 北京工业大学 | 一种基于宽度学习系统的间歇过程故障监测与诊断方法 |
CN109993424A (zh) * | 2019-03-26 | 2019-07-09 | 广东艾胜物联网科技有限公司 | 一种基于宽度学习算法的非干涉式负荷分解方法 |
CN110146812A (zh) * | 2019-05-15 | 2019-08-20 | 吉林大学珠海学院 | 一种基于特征节点增量式宽度学习的电机故障诊断方法 |
CN110243590A (zh) * | 2019-06-25 | 2019-09-17 | 中国民航大学 | 一种基于主成分分析和宽度学习的转子系统故障诊断方法 |
CN110334775A (zh) * | 2019-07-12 | 2019-10-15 | 广东工业大学 | 一种基于宽度学习的无人机线路故障识别方法和装置 |
CN110399908A (zh) * | 2019-07-04 | 2019-11-01 | 西北工业大学 | 基于事件型相机的分类方法和装置、存储介质、电子装置 |
CN110472741A (zh) * | 2019-06-27 | 2019-11-19 | 广东工业大学 | 一种三域模糊小波宽度学习滤波系统及方法 |
CN110490248A (zh) * | 2019-08-16 | 2019-11-22 | 集美大学 | 一种电力电子变换器故障诊断方法、终端设备及存储介质 |
CN111209083A (zh) * | 2020-01-08 | 2020-05-29 | 中国联合网络通信集团有限公司 | 一种容器调度的方法、设备及存储介质 |
CN112215281A (zh) * | 2020-10-12 | 2021-01-12 | 浙江大学 | 一种风机叶片结冰故障检测方法 |
CN112666925A (zh) * | 2020-12-21 | 2021-04-16 | 中国北方发动机研究所(天津) | 柴油机车载诊断系统及其诊断方法 |
CN113159310A (zh) * | 2020-12-21 | 2021-07-23 | 江西理工大学 | 一种基于残差稀疏宽度学习系统的入侵检测方法 |
CN114689991A (zh) * | 2022-03-24 | 2022-07-01 | 浙江华云清洁能源有限公司 | 一种高压电缆故障时间的确定方法、系统及相关组件 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033200A (zh) * | 2009-09-29 | 2011-04-27 | 上海宝钢工业检测公司 | 基于统计模型的交流电机在线监测和诊断方法 |
CN202305759U (zh) * | 2011-09-16 | 2012-07-04 | 河北师范大学 | 一种能够抗干扰的电动机故障监测装置 |
-
2018
- 2018-07-20 CN CN201810803150.4A patent/CN108960339A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033200A (zh) * | 2009-09-29 | 2011-04-27 | 上海宝钢工业检测公司 | 基于统计模型的交流电机在线监测和诊断方法 |
CN202305759U (zh) * | 2011-09-16 | 2012-07-04 | 河北师范大学 | 一种能够抗干扰的电动机故障监测装置 |
Non-Patent Citations (4)
Title |
---|
C. L. PHILIP CHEN等: "《Broad Learning System An Effective and Efficient Incremental Learning System》", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》 * |
EHSAN TARKESH ESFAHANI: "《Multi-sensor Wireless System for Fault Detection in Induction Motors》", 《UNIVERSITY OF CALIFORNIA,RIVERSIDE》 * |
PAK KIN WONG等: "《Sparse Bayesian Extreme Learning Committee Machine for Engine Simultaneous Fault Diagnosis》", 《NEUROCOMPUTING》 * |
孟祥敏: "《基于EMD-ICA与SVM的感应电动机故障诊断研究》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109828552B (zh) * | 2019-02-22 | 2020-08-28 | 北京工业大学 | 一种基于宽度学习系统的间歇过程故障监测与诊断方法 |
CN109828552A (zh) * | 2019-02-22 | 2019-05-31 | 北京工业大学 | 一种基于宽度学习系统的间歇过程故障监测与诊断方法 |
CN109993424A (zh) * | 2019-03-26 | 2019-07-09 | 广东艾胜物联网科技有限公司 | 一种基于宽度学习算法的非干涉式负荷分解方法 |
CN109993424B (zh) * | 2019-03-26 | 2023-06-23 | 广东艾胜物联网科技有限公司 | 一种基于宽度学习算法的非干涉式负荷分解方法 |
CN110146812A (zh) * | 2019-05-15 | 2019-08-20 | 吉林大学珠海学院 | 一种基于特征节点增量式宽度学习的电机故障诊断方法 |
CN110146812B (zh) * | 2019-05-15 | 2021-07-13 | 吉林大学珠海学院 | 一种基于特征节点增量式宽度学习的电机故障诊断方法 |
CN110243590A (zh) * | 2019-06-25 | 2019-09-17 | 中国民航大学 | 一种基于主成分分析和宽度学习的转子系统故障诊断方法 |
CN110243590B (zh) * | 2019-06-25 | 2021-06-29 | 中国民航大学 | 一种基于主成分分析和宽度学习的转子系统故障诊断方法 |
CN110472741B (zh) * | 2019-06-27 | 2022-06-03 | 广东工业大学 | 一种三域模糊小波宽度学习滤波系统及方法 |
CN110472741A (zh) * | 2019-06-27 | 2019-11-19 | 广东工业大学 | 一种三域模糊小波宽度学习滤波系统及方法 |
CN110399908B (zh) * | 2019-07-04 | 2021-06-08 | 西北工业大学 | 基于事件型相机的分类方法和装置、存储介质、电子装置 |
CN110399908A (zh) * | 2019-07-04 | 2019-11-01 | 西北工业大学 | 基于事件型相机的分类方法和装置、存储介质、电子装置 |
CN110334775A (zh) * | 2019-07-12 | 2019-10-15 | 广东工业大学 | 一种基于宽度学习的无人机线路故障识别方法和装置 |
CN110490248A (zh) * | 2019-08-16 | 2019-11-22 | 集美大学 | 一种电力电子变换器故障诊断方法、终端设备及存储介质 |
CN110490248B (zh) * | 2019-08-16 | 2021-11-09 | 集美大学 | 一种电力电子变换器故障诊断方法、终端设备及存储介质 |
CN111209083A (zh) * | 2020-01-08 | 2020-05-29 | 中国联合网络通信集团有限公司 | 一种容器调度的方法、设备及存储介质 |
CN111209083B (zh) * | 2020-01-08 | 2023-05-09 | 中国联合网络通信集团有限公司 | 一种容器调度的方法、设备及存储介质 |
CN112215281A (zh) * | 2020-10-12 | 2021-01-12 | 浙江大学 | 一种风机叶片结冰故障检测方法 |
CN112666925B (zh) * | 2020-12-21 | 2022-09-27 | 中国北方发动机研究所(天津) | 柴油机车载诊断系统及其诊断方法 |
CN113159310A (zh) * | 2020-12-21 | 2021-07-23 | 江西理工大学 | 一种基于残差稀疏宽度学习系统的入侵检测方法 |
CN112666925A (zh) * | 2020-12-21 | 2021-04-16 | 中国北方发动机研究所(天津) | 柴油机车载诊断系统及其诊断方法 |
CN114689991A (zh) * | 2022-03-24 | 2022-07-01 | 浙江华云清洁能源有限公司 | 一种高压电缆故障时间的确定方法、系统及相关组件 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960339A (zh) | 一种基于宽度学习的电动汽车感应电动机故障诊断方法 | |
CN110146812A (zh) | 一种基于特征节点增量式宽度学习的电机故障诊断方法 | |
Jiang et al. | An efficient fault diagnostic method for three-phase induction motors based on incremental broad learning and non-negative matrix factorization | |
US9404957B2 (en) | Fault diagnosis and preliminary location system and method for transformer core looseness | |
CN110441654A (zh) | 基于改进ewt和cmpe的配电网电能质量扰动检测方法 | |
Yılmaz et al. | An improved automated PQD classification method for distributed generators with hybrid SVM-based approach using un-decimated wavelet transform | |
Jiang et al. | A fault diagnostic method for induction motors based on feature incremental broad learning and singular value decomposition | |
CN101924354A (zh) | 利用s变换能量样本属性的配电网故障的人工神经网络选线方法 | |
CN112083328A (zh) | 一种高压断路器故障诊断方法及系统和装置 | |
CN113093058A (zh) | 一种npc三电平逆变器开路故障诊断方法 | |
CN115728612A (zh) | 变压器放电故障诊断方法及装置 | |
Yang et al. | Fault Classification in Distribution Systems Using Deep Learning With Data Preprocessing Methods Based on Fast Dynamic Time Warping and Short-Time Fourier Transform | |
Chen et al. | Understanding IFRA for detecting synchronous machine winding short circuit faults based on image classification and smooth grad-CAM++ | |
CN114355100A (zh) | 配电网单相弧光接地故障选线方法、系统、设备及介质 | |
CN114924157B (zh) | 一种基于5g传输的并联电抗器状态监测方法及系统 | |
CN115047296B (zh) | 一种配电网故障区段定位方法 | |
CN115273895A (zh) | 一种基于小波时频熵和RUSboost的变压器运行状态监测方法和系统 | |
Sun et al. | A Novel Fault Diagnosis of GIS Partial Discharge Based on Improved Whale Optimization Algorithm | |
CN113591792A (zh) | 一种基于自组织竞争神经网络算法的变压器故障辨识方法 | |
CN114091534A (zh) | 一种基于小波包尺度-能量占比的绕组振动特征辨识方法 | |
Raval et al. | Improved fault classification in series compensated EHV transmission line using Wavelet transform and Artificial Neural Network | |
He et al. | Core looseness fault identification model based on Mel spectrogram-CNN | |
Asfani et al. | Temporary short circuit detection in induction motor winding using second level haar-wavelet transform | |
Baqui et al. | High impedance faults detection in power distribution system by combination of artificial neural network and wavelet transform | |
Laijun et al. | A method of classified HV circuit breaker fault signal based on EEMD and BP neural network |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181207 |