CN109284672A - 一种基于PSO-Kmeans算法的高压断路器机械故障诊断方法 - Google Patents
一种基于PSO-Kmeans算法的高压断路器机械故障诊断方法 Download PDFInfo
- Publication number
- CN109284672A CN109284672A CN201810876094.7A CN201810876094A CN109284672A CN 109284672 A CN109284672 A CN 109284672A CN 201810876094 A CN201810876094 A CN 201810876094A CN 109284672 A CN109284672 A CN 109284672A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- pso
- cluster
- particle
- vibration signal
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3275—Fault detection or status indication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本专利公开了一种基于PSO‑Kmeans算法的高压断路器机械故障诊断方法。机械故障是高压断路器的主要故障,准确地诊断出机械故障对高压断路器安全、可靠地运行具有重要意义。为了快速、准确地识别高压断路器故障模式,提出了一种基于粒子群优化K均值算法(PSO‑Kmeans)的高压断路器机械故障诊断方法。首先采集高压断路器在分闸过程中的振动信号,并提取振动信号的小波包能量熵作为特征量,采用PSO‑Kmeans聚类算法对特征量进行聚类,从而进行高压断路器故障诊断。粒子群优化后的K‑means算法克服了传统K‑means易受初始聚类中心影响的缺点。实验仿真结果表明,提出的基于PSO‑Kmeans聚类算法的高压断路器机械故障诊断方法相比较于其它诊断方法具有一定的快速性和准确性。
Description
技术领域
本发明涉及断路器故障识别技术领域,特别是涉及一种基于PSO-Kmeans算法的高压断路器机械故障诊断方法。
背景技术
机械故障是高压断路器的主要故障。国际大电网会议(CIGER)对高压断路器可靠性所做的2次世界范围的调查及我国电力科学研究院对高压开关事故的统计分析均表明,80%高压断路器故障起因于机械故障。因而高压断路器的机械振动信号在其机械故障诊断中有着重要作用。断路器在分合闸操作中所产生的振动信号是一系列无规则的信号量,这些振动信号还会夹杂着各种各样的噪声干扰和随机振动。高压断路器的振动信号是一种瞬时非平稳信号,包含有大量设备状态信息,通过监测断路器动作过程中的振动信号,可以识别出断路器的机械故障或机械状态。且利用振动诊断方法有利于实现对断路器的非侵入式的状态监测,可很好地解决高压隔离问题。
对振动信号的处理一般包括2个环节,即特征提取、故障识别。特征提取比较常用的是时频法,时频法能兼顾时间和频率,能较好地表达信号地局部特征,特别适合非平稳信号的分析。小波包技术在保持小波正交基的优良特性的基础上改善了小波“高频低分辨”的问题,它为振动信号提供了一种更加精细的分析方法,并对不同信号的特征具有自适应能力。小波包正交分解后的信号具有各频带信号独立、能量守衡的特点,更适用于振动信号的时频分析及能量谱分析。
随着人工智能技术的快速发展,神经网络成为高压断路器故障识别方法中较常用的算法。其中包括模糊神经网络、支持向量机、自组织映射网络(SOM)、径向基函数网络(RBF)、BP神经网络等。而SOM网络采用无监督学习规则,缺乏分类信息;BP神经网络收敛速度慢且容易陷入局部极小值等问题;径向基网络RBF虽诊断效果优于BP网络,但也不能完全正确地识别出故障类型;传统K-means算法由于受初始聚类中心的影响,使得其对高压断路器的故障诊断不稳定,且其诊断效果存在不准确的情况。
发明内容
为了解决以上问题,本发明提供一种基于PSO-Kmeans算法的高压断路器故障诊断方法,其诊断结果确实精度高,结构简单,可操作性强,为达此目的,本发明提供一种基于PSO-Kmeans算法的高压断路器故障诊断方法,具体步骤如下;
步骤1:通过加速度传感器对断路器正常状态下的振动信号、故障状态下的振动信号进行采集,并对振动信号做预处理;
步骤2:对采集到的振动信号进行小波包分解,得到8个频段,8个频段信号分别以能量的形式表示,并进行归一化,构造特征向量;
步骤3:基于高压断路器特征量分别采用传统K-means算法以及PSO-Kmeans 算法对高压断路器故障模式进行聚类,并比较两种算法的聚类效果;
所述PSO-Kmeans算法的计算步骤如下所示:
定义(1)粒子群中第i个粒子在n维空间的位置表示为xi=(xi1,xi2,…,xin),速度vi=(vi1, vi2,…,vin);
(2)粒子群中第i个粒子在n维空间经历过的最好位置pi=(pi1,pi2,…,pin);
(3)整个粒子群经历过的最好位置g=(g1,g2,…,gn);
(4)粒子更新自身速度和位置的公式为:
xi(t+1)=xi+vi(t+1)(4)
其中t是表示迭代次数的变量;ω为惯性权重系数;常数c1、c2为学习因子;
r1、r2为均匀分布在[0,1]范围中的随机数;
(5)适应度函数计算公式为f(x)=1/dmax(xi,xj),其中dmax(xi,xj)是点xi与聚类点xj之间的距离的最大值;
基于PSO的K-means聚类算法描述如下:输入待聚类数据集、聚类数目k以及最大迭代次数M;输出聚类数据集的聚类中心不再变化的k个聚类划分,算法的步骤如下:
1)将数据集均分为k个聚类,每个类为一个粒子群,随机设定每个粒子的初始位置xi和初始速度vi;
2)根据式(3)、式(4)更新粒子的速度和位置;
3)计算每个粒子的适应度值;
4)比较每个粒子的适应度值与它经历过的最好位置pi的适应度值,如果适应度值更大,则用当前粒子的位置和适应度值更新pi和pi的适应度值;
5)比较每个粒子的适应度值与整个粒子群经历过的最好位置g的适应度值,如果适应度值更大,则用当前粒子的位置和适应度值更新g和g的适应度值,记录数据集中该位置的下标;
6)根据公式更新每个粒子的速度和位置;
7)直到达到最大迭代次数M,终止粒子群的迭代并将对应的聚类中心作为K-means算法的初值,否则转2)继续迭代执行;
8)从k个初始聚类中心出发,运用K-means算法进行聚类;
所述传统K-means算法的具体步骤如下:
(1)从特征量数据集中随机选择初始聚类中心;
(2)对数据集中的每个数据对象:计算其与所有聚类中心的距离,并按照最近邻原则将其划分到距离最近的类中;
(3)重新计算各个新形成聚类的聚类中心;
(4)重复执行(2)(3)两步操作直到聚类中心不再发生变化则算法结束;
其中,相似性度量采用欧几里得距离计算方法,聚类中心为类内所有数据对象的均值;
比较两种算法的聚类效果具体为:从聚类的稳定性以及聚类的准确性对这两种聚类算法的聚类效果进行比较。
本发明的进一步改进,步骤一具体步骤如下模拟某油断路器在分闸过程中正常和故障状态包括灭弧室内部大螺丝脱落、小螺丝脱落情况下的振动信号,数据采集卡在断路器模拟动作时以16kHz的速率每相采集18000点振动数据送至PC机进行处理;每种故障模式采集了10组数据,共30组样本,再对振动信号做预处理具体指对信号进行降噪处理。
本发明的进一步改进,具体步骤2如下所示:
步骤A:采用Daubechies小波系列的db10小波对采集到的振动信号进行3层小波包变换,得到8个频段。
步骤B:提取振动信号的特征量。
频段信号的能量表达式为:
其中,E3(i)为第i个频段的能量,W(3,i)为小波包3层分解后第三层第i个频段信号, wil表示第i个频段信号W(3,i)的第l个离散点的值,i=0,1,…,7,表示8个频段,l=1,2,…,N, N表示离散点数,离散点即步骤1)中采集的振动信号。由各个频带能量所占的比例构造的特征向量T为:
T=[E3(0)/S3,…,E3(7)/S3] (2)
其中,S3为小波包3层分解后第三层总能量,
本发明的有益效果如下:
1.本发明用粒子群优化K-means算法克服了传统K-means算法易受初始聚类中心影响的缺点。
2.本发明粒子群优化的K-means算法具有一定的稳定性,且其聚类精确度高。
3.本发明PSO-Kmeans对高压断路器机械故障的诊断效果要优于BP网络和RBF 网络。
附图说明
图1是本发明基于PSO-Kmeans算法的高压断路器机械故障诊断流程图;
图2是本发明聚类前高压断路器特征量散点图;
图3是本发明基于传统K-means算法的聚类结果散点图;
图4是本发明基于PSO-Kmeans算法的聚类结果散点图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提供一种基于PSO-Kmeans算法的高压断路器故障诊断方法,其诊断结果确实精度高,结构简单,可操作性强。
结合说明书的4张附图具体阐述本发明的技术方案,以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
图1为本发明的整体流程图,如图1所示,本发明的基于PSO-Kmeans算法的高压断路器机械故障诊断方法包括以下步骤:
步骤1)通过加速度传感器对断路器正常状态下的振动信号、故障状态下的振动信号进行采集,并对振动信号做预处理;
具体为:模拟某少油断路器在合闸过程中正常和故障状态(合闸线圈有短路匝,缓冲器弹簧无效超行程)下的振动信号。测试时压电式加速度传感器安装于断路器每相基座支架上,数据采集卡在断路器模拟动作时以30kHz的速率每相采集12000点振动数据送至PC机进行处理。
对振动信号进行预处理主要是指:对采集到的高压断路器振动信号进行降噪处理。
步骤2:对采集到的振动信号进行小波包分解,得到8个频段,8个频段信号分别以能量的形式表示,并进行归一化,构造特征向量;
小波基函数的选取会影响到最后信号的分析精度,小波包分解的层数与振动信号的时频分析精度直接有关。选择的分解层数少,则分析速度快,这对于高频带信号尤其明显,但频带分辨率低;选择的分解层数多,则分析速度慢,但频带分辨率高。兼顾两者的关系并考虑所分析信号的时变特性和频变特性,本发明选用Daubechies小波系列的 db10小波对采集到的振动信号进行3层小波包变换,得到8个频段,然后把8个频段信号分别以能量的形式表示,并进行归一化,构造特征向量。
频段信号的能量表达式为:
其中,E3(i)为第i个频段的能量,W(3,i)为小波包3层分解后第三层第i个频段信号,wil表示第i个频段信号W(3,i)的第l个离散点的值,i=0,1,…,7,表示8个频段, l=1,2,…,N,N表示离散点数,离散点即步骤1)中采集的振动信号。由各个频带能量所占的比例构造的特征向量T为:
T=[E3(0)/S3,…,E3(7)/S3] (2)
其中,S3为小波包3层分解后第三层总能量,
步骤3:基于高压断路器特征量分别采用传统K-means算法以及PSO-Kmeans算法对高压断路器故障模式进行聚类,并比较两种算法的聚类效果。
具体PSO-Kmeans的计算步骤如下所示:
定义(1)粒子群中第i个粒子在n维空间的位置表示为xi=(xi1,xi2,…,xin),速度vi=(vi1,vi2,…,vin);
(2)粒子群中第i个粒子在n维空间经历过的最好位置pi=(pi1,pi2,…,pin);
(3)整个粒子群经历过的最好位置g=(g1,g2,…,gn);
(4)粒子更新自身速度和位置的公式为:
xi(t+1)=xi+vi(t+1) (4)
其中t是表示迭代次数的变量;ω为惯性权重系数;常数c1、c2为学习因子;r1、r2为均匀分布在[0,1]范围中的随机数。
(5)适应度函数计算公式为f(x)=1/dmax(xi,xj),其中dmax(xi,xj)是点xi与聚类点xj之间的距离的最大值。
基于PSO的K-means聚类算法描述如下:输入待聚类数据集、聚类数目k以及最大迭代次数M;输出聚类数据集的聚类中心不再变化的k个聚类划分。算法的步骤如下:
1)将数据集均分为k个聚类,每个类为一个粒子群,随机设定每个粒子的初始位置xi和初始速度vi;
2)根据式(3)、式(4)更新粒子的速度和位置;
3)计算每个粒子的适应度值;
4)比较每个粒子的适应度值与它经历过的最好位置pi的适应度值,如果适应度值更大,则用当前粒子的位置和适应度值更新pi和pi的适应度值;
5)比较每个粒子的适应度值与整个粒子群经历过的最好位置g的适应度值,如果适应度值更大,则用当前粒子的位置和适应度值更新g和g的适应度值,记录数据集中该位置的下标;
6)根据公式更新每个粒子的速度和位置;
7)直到达到最大迭代次数M,终止粒子群的迭代并将对应的聚类中心作为K-means算法的初值,否则转2)继续迭代执行;
8)从k个初始聚类中心出发,运用K-means算法进行聚类。
传统K-means算法的具体步骤如下:
(1)从特征量数据集中随机选择初始聚类中心;
(2)对数据集中的每个数据对象:计算其与所有聚类中心的距离,并按照最近邻原则将其划分到距离最近的类中;
(3)重新计算各个新形成聚类的聚类中心;
(4)重复执行(2)(3)两步操作直到聚类中心不再发生变化则算法结束。
其中,相似性度量采用欧几里得距离计算方法,聚类中心为类内所有数据对象的均值。
图2为特征量T中的T(6)值为长度,T(7)值为宽度构成的散点图,是未聚类前的30组特征量散点图。由图可以看出,30组特征量高压断路器3种机械运行状态分布不同。
受初始化聚类中心的影响,对同样的样本进行多次K-means聚类,会出现多种聚类结果,为了观察K-means算法聚类的稳定性,本文对15组特征量进行重复多次聚类。图3、图4是以特征量T中的T(6)值为长度,T(7)值为宽度构成的聚类散点图,30 组数据点在散点图中的位置不变,经聚类后,会给每个数据点分配不同的形状,通过形状种类即可判断高压断路器的机械运行状态。
图3为传统K-means算法对高压断路器30组特征量进行聚类的聚类效果散点图,由图可知灭弧室内部大螺丝脱落和灭弧室小螺丝脱落两种故障状态20组数据分配到了同样的形状,而正常状态的10组数据分配到了2种形状,也即对高压断路器机械运行状态诊断出错。而且,对同样的30组数据进行多次重复聚类会出现不同的聚类效果,也即聚类不稳定。
图4为PSO-Kmeans算法对高压断路器30组特征量进行聚类的聚类效果散点图。结果表明,经过多次聚类,其聚类结果散点图都如图4所示,也即只出现了一种聚类结果,每种形状代表固定的高压断路器机械状态,可通过形状直观地判别高压断路器的机械状态。因此,PSO优化的K-means具有一定的稳定性,且聚类效果好。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (3)
1.一种基于PSO-Kmeans算法的高压断路器故障诊断方法,具体步骤如下;
步骤1:通过加速度传感器对断路器正常状态下的振动信号、故障状态下的振动信号进行采集,并对振动信号做预处理;
步骤2:对采集到的振动信号进行小波包分解,得到8个频段,8个频段信号分别以能量的形式表示,并进行归一化,构造特征向量;
步骤3:基于高压断路器特征量分别采用传统K-means算法以及PSO-Kmeans算法对高压断路器故障模式进行聚类,并比较两种算法的聚类效果;
所述PSO-Kmeans算法的计算步骤如下所示:
定义(1)粒子群中第i个粒子在n维空间的位置表示为xi=(xi1,xi2,…,xin),速度vi=(vi1,vi2,…,vin);
(2)粒子群中第i个粒子在n维空间经历过的最好位置pi=(pi1,pi2,…,pin);
(3)整个粒子群经历过的最好位置g=(g1,g2,…,gn);
(4)粒子更新自身速度和位置的公式为:
xi(t+1)=xi+vi(t+1) (4)
其中t是表示迭代次数的变量;ω为惯性权重系数;常数c1、c2为学习因子;r1、r2为均匀分布在[0,1]范围中的随机数;
(5)适应度函数计算公式为f(x)=1/dmax(xi,xj),其中dmax(xi,xj)是点xi与聚类点xj之间的距离的最大值;
基于PSO的K-means聚类算法描述如下:输入待聚类数据集、聚类数目k以及最大迭代次数M;输出聚类数据集的聚类中心不再变化的k个聚类划分,算法的步骤如下:
1)将数据集均分为k个聚类,每个类为一个粒子群,随机设定每个粒子的初始位置xi和初始速度vi;
2)根据式(3)、式(4)更新粒子的速度和位置;
3)计算每个粒子的适应度值;
4)比较每个粒子的适应度值与它经历过的最好位置pi的适应度值,如果适应度值更大,则用当前粒子的位置和适应度值更新pi和pi的适应度值;
5)比较每个粒子的适应度值与整个粒子群经历过的最好位置g的适应度值,如果适应度值更大,则用当前粒子的位置和适应度值更新g和g的适应度值,记录数据集中该位置的下标;
6)根据公式更新每个粒子的速度和位置;
7)直到达到最大迭代次数M,终止粒子群的迭代并将对应的聚类中心作为K-means算法的初值,否则转2)继续迭代执行;
8)从k个初始聚类中心出发,运用K-means算法进行聚类;
所述传统K-means算法的具体步骤如下:
(1)从特征量数据集中随机选择初始聚类中心;
(2)对数据集中的每个数据对象:计算其与所有聚类中心的距离,并按照最近邻原则将其划分到距离最近的类中;
(3)重新计算各个新形成聚类的聚类中心;
(4)重复执行(2)(3)两步操作直到聚类中心不再发生变化则算法结束;
其中,相似性度量采用欧几里得距离计算方法,聚类中心为类内所有数据对象的均值;
比较两种算法的聚类效果具体为:从聚类的稳定性以及聚类的准确性对这两种聚类算法的聚类效果进行比较。
2.根据权利要求1所述的一种基于PSO-Kmeans算法的高压断路器故障诊断方法,其特征在于:步骤一具体步骤如下模拟某油断路器在分闸过程中正常和故障状态包括灭弧室内部大螺丝脱落、小螺丝脱落情况下的振动信号,数据采集卡在断路器模拟动作时以16kHz的速率每相采集18000点振动数据送至PC机进行处理;每种故障模式采集了10组数据,共30组样本,再对振动信号做预处理具体指对信号进行降噪处理。
3.根据权利要求1所述的一种基于PSO-Kmeans算法的高压断路器故障诊断方法,其特征在于:步骤二具体步骤如下;
步骤A:采用Daubechies小波系列的db10小波对采集到的振动信号进行3层小波包变换,得到8个频段;
步骤B:提取振动信号的特征量;
频段信号的能量表达式为:
其中,E3(i)为第i个频段的能量,W(3,i)为小波包3层分解后第三层第i个频段信号,wil表示第i个频段信号W(3,i)的第l个离散点的值,i=0,1,…,7,表示8个频段,l=1,2,…,N,N表示离散点数,离散点即步骤1)中采集的振动信号。由各个频带能量所占的比例构造的特征向量T为:
T=[E3(0)/S3,…,E3(7)/S3] (2)
其中,S3为小波包3层分解后第三层总能量,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810876094.7A CN109284672A (zh) | 2018-08-03 | 2018-08-03 | 一种基于PSO-Kmeans算法的高压断路器机械故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810876094.7A CN109284672A (zh) | 2018-08-03 | 2018-08-03 | 一种基于PSO-Kmeans算法的高压断路器机械故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109284672A true CN109284672A (zh) | 2019-01-29 |
Family
ID=65182922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810876094.7A Pending CN109284672A (zh) | 2018-08-03 | 2018-08-03 | 一种基于PSO-Kmeans算法的高压断路器机械故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109284672A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334157A (zh) * | 2019-07-15 | 2019-10-15 | 南昌诺汇医药科技有限公司 | 一种云计算管理系统 |
CN110610245A (zh) * | 2019-07-31 | 2019-12-24 | 东北石油大学 | 一种基于AFPSO-K-means的长输油管道泄漏检测方法及系统 |
CN110726958A (zh) * | 2019-11-05 | 2020-01-24 | 国网江苏省电力有限公司宜兴市供电分公司 | 一种干式电抗器的故障诊断方法 |
CN110736615A (zh) * | 2019-10-29 | 2020-01-31 | 山东泰开高压开关有限公司 | 一种弹簧缺陷的诊断方法 |
CN110927243A (zh) * | 2019-12-09 | 2020-03-27 | 金陵科技学院 | 一种基于PCA-Kmeans算法的冷轧带钢故障诊断优化方法 |
CN111856263A (zh) * | 2020-07-22 | 2020-10-30 | 云南电网有限责任公司电力科学研究院 | 断路器操作机构检测方法及系统 |
CN112561129A (zh) * | 2020-11-27 | 2021-03-26 | 广东电网有限责任公司肇庆供电局 | 一种基于配电线路故障信息的抢修物资调配方法 |
CN113341379A (zh) * | 2021-02-22 | 2021-09-03 | 北京理工大学 | 基于自适应阈值和迭代控制的雷达信号分选方法 |
CN115795316A (zh) * | 2022-11-17 | 2023-03-14 | 国网江苏省电力有限公司电力科学研究院 | 一二次融合设备的波形相似度判定方法、装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198932A (zh) * | 2014-08-18 | 2014-12-10 | 江苏科技大学 | 高压断路器机械特性在线监测系统及故障诊断方法 |
CN105962915A (zh) * | 2016-06-02 | 2016-09-28 | 安徽大学 | 非接触式人体呼吸率与心率同步测量方法及系统 |
CN107766816A (zh) * | 2017-10-18 | 2018-03-06 | 河海大学 | 一种基于lvq神经网络的高压断路器机械故障识别方法 |
-
2018
- 2018-08-03 CN CN201810876094.7A patent/CN109284672A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198932A (zh) * | 2014-08-18 | 2014-12-10 | 江苏科技大学 | 高压断路器机械特性在线监测系统及故障诊断方法 |
CN105962915A (zh) * | 2016-06-02 | 2016-09-28 | 安徽大学 | 非接触式人体呼吸率与心率同步测量方法及系统 |
CN107766816A (zh) * | 2017-10-18 | 2018-03-06 | 河海大学 | 一种基于lvq神经网络的高压断路器机械故障识别方法 |
Non-Patent Citations (1)
Title |
---|
鄢小虎等: "基于粒子群K均值算法的变压器在线故障诊断研究", 《电测与仪表》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334157A (zh) * | 2019-07-15 | 2019-10-15 | 南昌诺汇医药科技有限公司 | 一种云计算管理系统 |
CN110610245A (zh) * | 2019-07-31 | 2019-12-24 | 东北石油大学 | 一种基于AFPSO-K-means的长输油管道泄漏检测方法及系统 |
CN110736615B (zh) * | 2019-10-29 | 2021-08-06 | 山东泰开高压开关有限公司 | 一种弹簧缺陷的诊断方法 |
CN110736615A (zh) * | 2019-10-29 | 2020-01-31 | 山东泰开高压开关有限公司 | 一种弹簧缺陷的诊断方法 |
CN110726958B (zh) * | 2019-11-05 | 2022-06-28 | 国网江苏省电力有限公司宜兴市供电分公司 | 一种干式电抗器的故障诊断方法 |
CN110726958A (zh) * | 2019-11-05 | 2020-01-24 | 国网江苏省电力有限公司宜兴市供电分公司 | 一种干式电抗器的故障诊断方法 |
CN110927243A (zh) * | 2019-12-09 | 2020-03-27 | 金陵科技学院 | 一种基于PCA-Kmeans算法的冷轧带钢故障诊断优化方法 |
CN111856263A (zh) * | 2020-07-22 | 2020-10-30 | 云南电网有限责任公司电力科学研究院 | 断路器操作机构检测方法及系统 |
CN112561129A (zh) * | 2020-11-27 | 2021-03-26 | 广东电网有限责任公司肇庆供电局 | 一种基于配电线路故障信息的抢修物资调配方法 |
CN112561129B (zh) * | 2020-11-27 | 2022-09-02 | 广东电网有限责任公司肇庆供电局 | 一种基于配电线路故障信息的抢修物资调配方法 |
CN113341379A (zh) * | 2021-02-22 | 2021-09-03 | 北京理工大学 | 基于自适应阈值和迭代控制的雷达信号分选方法 |
CN115795316A (zh) * | 2022-11-17 | 2023-03-14 | 国网江苏省电力有限公司电力科学研究院 | 一二次融合设备的波形相似度判定方法、装置及存储介质 |
CN115795316B (zh) * | 2022-11-17 | 2024-03-08 | 国网江苏省电力有限公司电力科学研究院 | 一二次融合设备的波形相似度判定方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109284672A (zh) | 一种基于PSO-Kmeans算法的高压断路器机械故障诊断方法 | |
CN109685138B (zh) | 一种xlpe电力电缆局部放电类型识别方法 | |
CN106980822B (zh) | 一种基于选择性集成学习的旋转机械故障诊断方法 | |
CN103336243B (zh) | 基于分合闸线圈电流信号的断路器故障诊断方法 | |
CN107340456B (zh) | 基于多特征分析的配电网工况智能识别方法 | |
CN107677472B (zh) | 面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法 | |
CN106017879B (zh) | 基于振声信号特征融合的万能式断路器机械故障诊断方法 | |
CN105891707A (zh) | 一种基于振动信号的万能式断路器分合闸故障诊断方法 | |
CN109933881A (zh) | 一种基于优化深度信念网络的电力电子电路故障诊断方法 | |
CN113505655B (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
CN107766816A (zh) | 一种基于lvq神经网络的高压断路器机械故障识别方法 | |
CN103245907B (zh) | 一种模拟电路故障诊断方法 | |
CN104181460B (zh) | 一种基于多信息融合的永磁机构真空断路器故障诊断方法 | |
CN110503004A (zh) | 一种开关电源运行状态的在线判别方法 | |
CN104849650B (zh) | 一种基于改进的模拟电路故障诊断方法 | |
CN112200032A (zh) | 一种基于注意力机制的高压断路器机械状态在线监测方法 | |
CN101221213A (zh) | 基于粒子群算法的模拟电路故障诊断神经网络方法 | |
CN109165604A (zh) | 基于协同训练的非侵入式负荷识别方法及其测试系统 | |
CN107607303A (zh) | 基于小波包与som网络的高压断路器机械故障识别方法 | |
CN108535635A (zh) | 一种基于eemd和hmm的模拟电路间歇故障诊断方法 | |
CN110161388A (zh) | 一种高压设备的故障类型识别方法及其系统 | |
CN116524200A (zh) | 一种基于图像识别的高压断路器故障诊断方法 | |
CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
CN115659258B (zh) | 一种基于多尺度图卷积孪生网络的配电网故障检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190129 |