CN109635428B - 一种基于机械状态信号分析的gis机械故障诊断方法 - Google Patents
一种基于机械状态信号分析的gis机械故障诊断方法 Download PDFInfo
- Publication number
- CN109635428B CN109635428B CN201811511042.6A CN201811511042A CN109635428B CN 109635428 B CN109635428 B CN 109635428B CN 201811511042 A CN201811511042 A CN 201811511042A CN 109635428 B CN109635428 B CN 109635428B
- Authority
- CN
- China
- Prior art keywords
- gis
- mechanical
- imf
- attribute
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于机械状态信号分析的GIS机械故障诊断方法,涉及电力设备监测技术领域,该方法包括:对GIS设备运行状态下的振动信号进行采集的步骤;利用极点对称模态分解法(ESMD)和相对熵法对采集的振动信号进行降噪处理的步骤;利用Hilbert变换提取信号中包含的特征向量的步骤;利用粗糙集理论对特征向量进行属性约简并建立诊断决策表的步骤;根据诊断特征决策表建立三层前向神经网络故障诊断模型的步骤。与传统方法相比,本发明对能够适用于GIS装置不同类型机械故障的智能诊断,具有实时性好,诊断准确率高的优点。
Description
技术领域
本发明涉及电力设备监测技术领域,更具体地说是指一种基于机械状态信号分析的GIS机械故障诊断方法。
背景技术
GIS的在线监测技术及带电检测技术检测的状态量以绝缘状态量为重点。但GIS缺陷不仅局限于放电性缺陷,其故障原因是多方面的。所以GIS带电检测近年来逐步发展到机械量、化学量、光学等其他有益于设备状态全面监测的研究方向。
目前,GIS(Gas Insulated Switchgear,气体绝缘开关设备)的机械性故障屡有发生,一方面导致设备损坏,更严重的是,一旦出现事故会引起大规模停电,给电网造成无法挽回的巨大损失。其中,通过检测GIS运行状态下的机械状态信号(机械状态信号主要为振动信号),对GIS机械故障的诊断具有及时、灵敏的特点。当GIS装置出现机械缺陷时,也会伴随异常振动。因此,近年来,基于振动信号监测对GIS装置的机械缺陷及时预警受到了行业的重视。但是,GIS装置的振动机理较为复杂,现场干扰源较多,且在线诊断的实时性要求较高,因此,有必要研发一种抗干扰能力强、诊断准确率高且实时性好的智能诊断算法,以解决对GIS运行现场各种潜伏性的机械故障或缺陷进行在线监测和预警的需求。
发明内容
本发明提供的一种基于机械状态信号分析的GIS机械故障诊断方法,其目的在于解决现有技术中存在的上述问题。
本发明采用的技术方案如下:
一种基于机械状态信号分析的GIS机械故障诊断方法,包括以下步骤。
步骤1:对GIS运行状态下的振动信号进行采集。
步骤2:利用极点对称模态分解法(ESMD)对采集的振动信号进行分解,得到各模态函数(IMF)。
步骤3:利用相对熵从步骤2所得各IMF中选取若干真实IMF。
步骤4:利用Hilbert变换提取所筛选的各真实IMF中包含的特征向量。
步骤5:利用粗糙集理论对特征向量进行属性约简并建立诊断决策表。
步骤6:利用诊断决策表辅助神经网络建立GIS机械故障智能诊断模型。
进一步,所述步骤2包括。
步骤2.1:标记待处理振动信号Y的所有局部极值点,用线段连接所有相邻的极值点,标出它们的中点为Fj ( j =1, 2,…,n-1;n为局部极值点总数),并补充左右边界中点Fj0与Fjn ,对各局部极值点对应线段构造插值曲线L。
步骤2.2:将Y减去L,重复步骤2.1,直至满足终止条件,从而分解获取模态分量M1。
步骤2.3:把Y- M1信号作为原信号进行所述步骤2.1 ,步骤2.2处理,可得M1,M2,M3,…,Mi和余量R。
步骤2.4:筛选次数K在设定范围内变换,重复上述步骤2.1 至步骤2.3,计算与K值对应的Y-R的方差σ以及输入信号的标准偏差σ0,选取方差比率σ/σ0最小时所对应的K值为最佳筛选次数,重复上述步骤2.1 至步骤2.3,获得ESMD最优分解结果所对应的全部IMF及最后的余量R。
进一步,所述步骤3中,首先计算各IMF与原始振动数据的相对熵值,选取相对熵值小于0.2的IMF作为真实IMF。
更进一步,步骤3包括:
步骤3.1:对于X=[x1,x2,x3,…,xn]和Y=[y1,y2,y3,…,yn]两组数据,X的真实概率密度函数为f(x),采用非参数核密度估计法求解数据概率密度,核密度估计公式为:
式中,h为常数,通常为窗宽或平滑参数;K[·]为高斯核函数,公式为:
由此这两组数据的相对熵散度为:
步骤3.2:根据上述定义分别计算各IMF与原始振动数据Y的相对熵。
步骤3.3:根据各IMF与原始振动数据Y的相似程度来选取真实IMF,相对熵越小,则表示该IMF与原始振动数据Y的相似程度越大,因此,选取相对熵不超过0.2对应的IMF作为真实IMF。
进一步,所述步骤4中:将选取的各真实IMF分量进行Hilbert变换得到Hilbert边际谱,求取Hilbert边际谱的平方得到Hilbert边际谱能量作为特征向量。
步骤4.1:对每个IMF分量运用Hilbert变换进行频谱分析,得到信号的瞬时频率
步骤4.2:将残余函数rn(t)省略,Re表示取实部,ai(t)为幅值函数,φi(t)为相位函数;上式展开可得Hilbert谱。
步骤4.3:定义Hilbert边际谱,取Hilbert边际谱的平方得到Hilbert边际谱能量作为特征向量。
进一步,所述步骤5中,根据待约简空间的决策属性给出了一种粗糙近似度的定义以及条件属性重要性程度量化方式,在此基础上, 给出了一种依据条件属性的重要性进行条件属性快速约简的方法。
更进一步,对步骤4所得特征向量进行属性约简;设振动诊断决策空间中条件属性集合C 中有m个属性:C1 , C2 ,… , Cm ,(m为步骤3中筛选出的真实IMF数量),决策属性集合为D’(D’为包括正常状态与不同机械故障类型的GIS可能状态),具体约简过程为:
步骤5.1:对于条件属性集C, 计算其粗糙近似度S(C):
步骤5.2:对于各条件属性Ci,分别计算其重要性SCi , 并构成集合S。
式中,αCi、σCi分别为Ci对每个决策属性Di的粗糙近似度的均值和方差。
步骤5.3:定义所有属性约简的交为核,令初始约简属性集P为核。
步骤5.4:若S(P)=S(C),则结束,此时P为约简结果,否则转步骤5.5。
步骤5.5:从S中取出最大值SCi,如果SCi是唯一的最大值, 令S=S|{Ci},P=P∪{Ci},则转步骤5.4;否则,记M为S中达到SCi的所有属性构成的集合,分别计算P∪{Cj},Cj∈M的粗糙近似度,选取max(S(P∪{Cj}),Cj∈M)对应的Cj,令S=S|{Cj},P=P∪{Cj},转回步骤5.4继续执行。
进一步,所述步骤6中,根据约简后的决策属性表中的条件属性构建三层前向神经网络故障诊断模型的输入神经元空间,根据约简后的决策属性表中的决策属性构建三层前向神经网络的输出神经元空间,建立基于振动信号的GIS机械故障智能诊断模型。
由上述对本发明的描述可知,和现有的技术相比,本发明的优点在于:
该方法包括:对GIS设备运行状态下的振动信号进行采集的步骤;利用极点对称模态分解法(ESMD)和相对熵法对采集的振动信号进行降噪处理的步骤;利用Hilbert变换提取信号中包含的特征向量的步骤;利用粗糙集理论对特征向量进行属性约简并建立诊断决策表的步骤;根据诊断特征决策表建立三层前向神经网络故障诊断模型的步骤。与传统方法相比,本发明对能够适用于GIS装置不同类型机械故障的智能诊断,具有实时性好,诊断准确率高的优点。
附图说明
图1为本发明的流程示意图。
图2为采集的GIS的振动信号原始波形。
图3为ESMD分解后各IMF分量的(K-L)散度。
图4为筛选出的11个IMF函数的边际谱能量对比。
图5 为经粗糙集约简的决策信息表构建的神经网络诊断模型训练误差曲线。
图6 为未经粗糙集约简的决策信息表构建的神经网络诊断模型训练误差曲线。
具体实施方式
下面参照附图说明本发明的具体实施方式。为了全面理解本发明,下面描述到许多细节,但对于本领域技术人员来说,无需这些细节也可实现本发明。
一种基于机械状态信号分析的GIS机械故障诊断方法,包括以下步骤:
步骤1:对GIS运行状态下的振动信号进行采集。
具体地,利用安装在GIS装置外壳表面的加速度传感器采集运行状态下GIS的振动信号。
步骤2:利用极点对称模态分解法(ESMD)对采集的振动信号进行分解,得到各模态函数(IMF)。步骤2具体包括以下内容。
步骤2.1:标记待处理振动信号Y的所有局部极值点(n为局部极值点总数),用线段连接所有相邻的极值点,标出它们的中点为Fj ( j =1, 2,…,n-1), 并补充Fj左右边界中点Fj0与Fjn ,对各局部极值点对应线段构造插值曲线L。
步骤2.2:将Y减去L,重复步骤2.1,直至满足终止条件(L均值达到某一个允许的误差值或筛选次数达到预设的最大数),从而分解获取模态分量M1。
步骤2.3:把Y- M1信号作为原信号进行上述步骤2.1 和步骤2.2处理,可得M1,M2,M2,…,Mi和余量R。
步骤2.4:筛选次数K在[Kmin,Kmax](K、Kmin、Kmax为正整数)设定范围内变换,重复上述步骤2.1 至步骤2.3,计算与K值对应的Y-R的方差σ以及输入信号的标准偏差σ0,选取方差比率σ/σ0最小时所对应的K值为最佳筛选次数,重复上述步骤2.1 至步骤2.3,获得ESMD最优分解结果所对应的全部IMF及最后的残差R。
步骤3:利用相对熵从步骤2所得各IMF中选取若干真实IMF。具体包括以下内容。
步骤3.1:对于X=[x1,x2,x3,…,xn]和Y=[y1,y2,y3,…,yn]两组数据,X的真实概率密度函数为f(x),采用非参数核密度估计法求解数据概率密度,核密度估计公式为:
式中,h为常数,通常为窗宽或平滑参数;K[·]为高斯核函数,公式为:
由此这两组数据的相对熵散度为:
步骤3.2:根据上述定义分别计算各IMF与原始振动数据Y的相对熵。
步骤3.3:根据各IMF与原始振动数据Y的相似程度来选取真实IMF,相对熵越小,则表示该IMF与原始振动数据Y的相似程度越大,因此,选取相对熵不超过0.2对应的IMF作为真实IMF。
步骤4:利用Hilbert变换提取所筛选的各真实IMF中包含的特征向量。具体内容如下。
步骤4.1:对每个IMF分量运用Hilbert变换进行频谱分析,得到信号的瞬时频率
步骤4.2:将残余函数rn(t)省略,Re表示取实部,ai(t)为幅值函数,φi(t)为相位函数。上式展开可得Hilbert谱。
步骤4.3:定义Hilbert边际谱,取Hilbert边际谱的平方得到Hilbert边际谱能量作为特征向量。
步骤5:利用粗糙集理论对特征向量进行属性约简并建立诊断决策表。具体包括以下内容。
对步骤4所得特征向量进行基于粗糙集的属性约简,以降低诊断空间维度,提高算法实时性,设振动诊断决策空间中条件属性集合C 中有m个属性:C1 , C2 ,… , Cm ,(其中,m为步骤3中筛选出的真实IMF数量),决策属性集合为D’(D’为包括正常状态与不同机械故障类型的GIS可能状态),具体约简过程为:
步骤5.1:对于条件属性集C, 计算其粗糙近似度S(C):
步骤5.2:对于各条件属性Ci,分别计算其重要性SCi , 并构成集合S:
式中,αCi、σCi分别为Ci对每个决策属性Di的粗糙近似度的均值和方差。
步骤5.3:定义所有属性约简的交为核,令初始约简属性集P为核。
步骤5.4:若S(P)=S(C),则结束,此时P为约简结果,否则转步骤5.5。
步骤5.5:从S中取出最大值SCi,如果SCi是唯一的最大值, 令S=S|{Ci},P=P∪{Ci},则转步骤5.4。否则,记M为S中达到SCi的所有属性构成的集合,分别计算P∪{Cj},Cj∈M的粗糙近似度,选取max(S(P∪{Cj}),Cj∈M)对应的Cj,令S=S|{Cj},P=P∪{Cj},转回步骤5.4继续执行。
步骤6:利用诊断决策表辅助三层前向神经网络结构建立GIS机械故障智能诊断模型。 具体内容如下。
基于三层前向神经网络结构建立基于振动信号的GIS机械故障诊断模型,根据约简后的决策属性表中的条件属性构建三层前向神经网络故障诊断模型的输入神经元空间,根据约简后的决策属性表中的决策属性构建三层前向神经网络的输出神经元空间。
参照图2至图6,下面提供一个实施例,按本发明的故障诊断方法进行实验。
实验中采集的GIS运行状态的原始振动信号波形如图2所示。
对原始振动信号进行ESMD分解,并计算各IMF分量的相对熵值,结果如图3所示。考虑到ESMD分解所得IMF分为含有以故障信息为主要成分的真实IMF和噪声为主要成分的虚假IMF,因此需要选取对于故障信息敏感的IMF用于后续的故障特征提取。这里选取(K-L)<0.2对应IMF分量,即ESMD分解的前11个IMF分量。
将所选择的真实IMF进行Hilbert变换,并提取边际能量谱做为振动信号的特征向量,结果如图4所示。
针对GIS常见机械故障(松动缺陷、触头接触不良型缺陷、导体偏心型缺陷、操动机构卡涩),构建GIS主要机械故障类型编码表,如表1所示,为诊断方便起见,将正常状态也加入其中,作为待辨识的状态之一。
表1 GIS主要机械故障类型及其编码
将前述步骤所得的11个IMF函数的边际能量谱作为诊断的条件属性,5种待辨识的GIS机械状态类型作为决策属性,构建基于振动信号的GIS机械故障诊断决策信息表,如表2所示。
基于粗糙集理论对初始诊断决策信息表进行约简,结果如表3所示。
表3 约简后的GIS机械故障诊断决策信息表
根据约简后的结果,核心条件属性为(IMF4、IMF5、IMF9、IMF11),因此构建一个4输入,5输出的三层前向神经网络,隐含层采用试验法确定为17;输入层到隐含层的激励函数选择S型函数,即双曲正切函数:
式中,参数λ是s型函数的增益,决定了函数非饱和段的斜率。
隐含层到输入层的激励函数选取线性函数,即:f(u)=u
以ABB生产的某型号GIS装置作为测试,将AC102-1A-CTC加速度型压电式传感器安装在GIS装置金属管筒表面,并通过东华测试的多路信号分析仪采集到正常、导体偏心、驱动机构连接螺栓松动、操动机构卡涩和主触头接触不良五种类型的振动信号数据。每种状态各测取50组数据,对本发明提出的诊断模型进行训练。训练过程误差变化曲线如图5所示。训练成功后,利用测试数据对模型进行测试,部分测试结果如表4所示。为对比起见,表4还给出了采用未经约简的决策信息表建立的神经网络诊断模型的实际诊断结果(其训练过程的误差曲线如图6所示)。
表4神经网络的目标输出与实验结果对照表
由表4可见,在未经粗糙集理论约简处理的情况下,振动诊断神经网络的训练次数为40,故障识别率为80%,在经粗糙集处理后,振动诊断神经网络的训练次数减少为16,故障识别率100。
因此,本发明所提出的诊断方法能够有效消除现场干扰影响,具有诊断快速、实时性好,诊断精度高的优点。
上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
Claims (7)
1.一种基于机械状态信号分析的GIS机械故障诊断方法,其特征在于,包括以下步骤:
步骤1:对GIS运行状态下的振动信号进行采集;
步骤2:利用极点对称模态分解法ESMD对采集的振动信号进行分解,得到各模态函数IMF;
步骤3:利用相对熵从步骤2所得各IMF中选取若干真实IMF;首先计算各IMF与原始振动数据的相对熵值,选取相对熵值小于0.2的IMF作为真实IMF:
由此这两组数据的相对熵为:
步骤3.2:根据步骤3.1分别计算各IMF与原始振动数据Y的相对熵;
步骤3.3:选取相对熵不超过0.2对应的IMF作为真实IMF;
步骤4:利用Hilbert变换提取所筛选的各真实IMF中包含的特征向量;
步骤5:利用粗糙集理论对特征向量进行属性约简并建立诊断决策表;
步骤6:利用诊断决策表辅助神经网络建立GIS机械故障智能诊断模型。
2.根据权利要求1所述的一种基于机械状态信号分析的GIS机械故障诊断方法,其特征在于:所述步骤2包括:
步骤2.1:标记待处理的原始振动数据Y的所有局部极值点,用线段连接所有相邻的极值点,标出它们的中点为Fj,j=1,2,…,n’-1;n’为局部极值点总数,并补充左边界中点Fj0与右边界中点Fjn’,对各局部极值点对应线段构造插值曲线L;
步骤2.2:将Y减去L,重复步骤2.1,直至满足终止条件,从而分解获取模态分量M1;
步骤2.3:把Y-M1信号作为原信号进行所述步骤2.1,步骤2.2处理,可得M1,M2,M3,…,Mi和余量R;
步骤2.4:筛选次数K在设定范围内变换,重复上述步骤2.1至步骤2.3,计算与K值对应的Y-R的方差σ以及输入信号的标准偏差σ0,选取方差比率σ/σ0最小时所对应的K值为最佳筛选次数,重复上述步骤2.1至步骤2.3,获得ESMD最优分解结果所对应的全部IMF及余量R。
3.根据权利要求1所述的一种基于机械状态信号分析的GIS机械故障诊断方法,其特征在于,所述步骤4中:将选取的各真实IMF分量进行Hilbert变换得到Hilbert边际谱,求取Hilbert边际谱的平方得到Hilbert边际谱能量作为特征向量。
5.根据权利要求1所述的一种基于机械状态信号分析的GIS机械故障诊断方法,其特征在于,所述步骤5中,根据待约简空间的决策属性给出粗糙近似度的定义以及条件属性重要性程度量化方式,在此基础上,依据条件属性的重要性进行条件属性快速约简。
6.根据权利要求5所述的一种基于机械状态信号分析的GIS机械故障诊断方法,其特征在于:对步骤4所得特征向量进行属性约简;设振动诊断决策空间中条件属性集合C中有m个属性:C1,C2,…,Cm,m为步骤3中筛选出的真实IMF数量,决策属性集合为D’,D’为包括正常状态与不同机械故障类型的GIS状态,具体约简过程为:
步骤5.1:对于条件属性集合C,计算其粗糙近似度S(C):
式中,Total(Ci )为集合Ci 所有元素个数;
步骤5.2:对于各条件属性Ci,分别计算其重要性SCi,并构成集合S:
式中,αCi、σCi分别为Ci对每个决策属性D’i的近似度的均值和方差;
步骤5.3:定义所有属性约简的交为核,记作初始约简属性集P;
步骤5.4:若S(P)=S(C),则结束,此时P为约简结果,否则转步骤5.5;
步骤5.5:从S中取出最大值SC’i,如果SC’i是唯一的最大值,令S=S|{Ci},P=P∪{Ci},则转步骤5.4;否则,记M为S中达到SC’i的所有属性构成的集合,分别计算P∪{Cj}的粗糙近似度,Cj∈M,选取max(S(P∪{Cj}),Cj∈M)对应的Cj,令S=S|{Cj},P=P∪{Cj},转回步骤5.4继续执行。
7.根据权利要求1所述的一种基于机械状态信号分析的GIS机械故障诊断方法,其特征在于,所述步骤6中,根据约简后的决策属性表中的条件属性构建三层前向神经网络故障诊断模型的输入神经元空间,根据约简后的决策属性表中的决策属性构建三层前向神经网络的输出神经元空间,建立基于振动信号的GIS机械故障智能诊断模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811511042.6A CN109635428B (zh) | 2018-12-11 | 2018-12-11 | 一种基于机械状态信号分析的gis机械故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811511042.6A CN109635428B (zh) | 2018-12-11 | 2018-12-11 | 一种基于机械状态信号分析的gis机械故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109635428A CN109635428A (zh) | 2019-04-16 |
CN109635428B true CN109635428B (zh) | 2022-12-06 |
Family
ID=66072859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811511042.6A Active CN109635428B (zh) | 2018-12-11 | 2018-12-11 | 一种基于机械状态信号分析的gis机械故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635428B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110082082B (zh) * | 2019-04-28 | 2020-11-17 | 国网四川省电力公司南充供电公司 | 一种基于振动信号主成分分析法的gis状态识别方法 |
CN113533879B (zh) * | 2021-06-11 | 2023-05-16 | 南方电网科学研究院有限责任公司 | 一种基于故障模拟试验的gis设备检出率计算方法 |
CN114719822A (zh) * | 2022-02-24 | 2022-07-08 | 江苏省送变电有限公司 | 一种基于几何方法的gis设备故障检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106092564A (zh) * | 2016-06-06 | 2016-11-09 | 电子科技大学 | 基于esmd和能量算子解调的齿轮故障诊断方法 |
CN106840637A (zh) * | 2017-03-24 | 2017-06-13 | 国网山东省电力公司莱芜供电公司 | 基于改进hht算法的gis机械振动信号时频分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
LT6170B (lt) * | 2014-10-27 | 2015-06-25 | Uab "Metapro Holding" | Paros širdies ritmo autonominės nervų sistemos balanso analizės sistema |
-
2018
- 2018-12-11 CN CN201811511042.6A patent/CN109635428B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106092564A (zh) * | 2016-06-06 | 2016-11-09 | 电子科技大学 | 基于esmd和能量算子解调的齿轮故障诊断方法 |
CN106840637A (zh) * | 2017-03-24 | 2017-06-13 | 国网山东省电力公司莱芜供电公司 | 基于改进hht算法的gis机械振动信号时频分析方法 |
Non-Patent Citations (3)
Title |
---|
Hilbert Exclusion: Improved Metric Search through Finite Isometric Embeddings;RICHARD CONNOR等;《ACM Transactions on Information Systems》;20161231;第35卷(第3期);第17:1-17:27页 * |
基于ESMD和HT相结合的谐波检测新方法;张宇华 等;《电力系统保护与控制》;20181201;第46卷(第23期);第52-59页 * |
基于Hilbert-Huang变换与人工神经网络的风机故障诊断研究;王磊 等;《发电设备》;20120331;第26卷(第2期);第100-104页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109635428A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107101813B (zh) | 一种基于振动信号的框架式断路器机械故障程度评估方法 | |
CN109635428B (zh) | 一种基于机械状态信号分析的gis机械故障诊断方法 | |
CN103558529A (zh) | 一种三相共筒式超高压gis局部放电的模式识别方法 | |
CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
CN114492538B (zh) | 一种城市中压配电电缆局部放电信号去噪方法 | |
CN114970774B (zh) | 一种智能变压器故障预测方法和装置 | |
CN112881942A (zh) | 基于小波分解与经验模态分解的异常电流诊断方法和系统 | |
CN114004091B (zh) | 一种基于CEEMDAN-BNs的风力变桨距系统故障诊断方法 | |
CN109918417B (zh) | 基于小波变换的时序数据自适应分段、降维与表征方法及应用 | |
CN114397569A (zh) | 基于vmd参数优化、样本熵的断路器故障电弧检测方法 | |
Yao et al. | A recursive denoising learning for gear fault diagnosis based on acoustic signal in real industrial noise condition | |
CN112861066A (zh) | 基于机器学习和fft的盲源分离信源数目并行估计方法 | |
Mengyuan et al. | Research of circuit breaker intelligent fault diagnosis method based on double clustering | |
CN109557434B (zh) | 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
CN111079647A (zh) | 一种断路器缺陷识别方法 | |
CN114563671A (zh) | 一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法 | |
CN113740671A (zh) | 一种基于vmd和elm的故障电弧识别方法 | |
Zhu et al. | Aiming to Complex Power Quality Disturbances: A Novel Decomposition and Detection Framework | |
Fahim et al. | Uncertainty awareness in transmission line fault analysis: A deep learning based approach | |
CN116559728A (zh) | 基于小波变换-多层感知机的输电线路故障诊断方法 | |
CN115456013A (zh) | 基于运行数据的风电机组变流器功率模块故障诊断方法 | |
CN115291103A (zh) | 基于嵌入hd-rcf的gr-swpt小波包算法的电动机故障诊断方法 | |
CN114492543A (zh) | 一种基于时频域特征的局部放电分类识别方法 | |
CN114235396B (zh) | 一种齿轮减速器故障特征提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |