CN109946542A - 基于长短时信息融合的逆变器直流回路电容故障检测方法 - Google Patents
基于长短时信息融合的逆变器直流回路电容故障检测方法 Download PDFInfo
- Publication number
- CN109946542A CN109946542A CN201910222023.XA CN201910222023A CN109946542A CN 109946542 A CN109946542 A CN 109946542A CN 201910222023 A CN201910222023 A CN 201910222023A CN 109946542 A CN109946542 A CN 109946542A
- Authority
- CN
- China
- Prior art keywords
- evidence
- alarm
- short
- term
- formula
- 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.)
- Granted
Links
Landscapes
- Alarm Systems (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明涉及一种基于长短时信息融合的逆变器直流回路电容故障检测方法。本发明先将采集的逆变器直流回路电压瞬时值以一定周期计算得到每一周期的电压瞬时值峰‑峰值,按一定间隔选取阈值,利用连续的Sigmoid隶属度函数将处理后的瞬时电压峰‑峰值的信息转化成短时报警证据;利用长短时信息融合公式对短时报警证据进行融合得到全局报警证据,进行报警决策,误报率和漏报率的平方和最小所对应的阈值为最优阈值;在线获取数据,利用训练得到的最优阈值得到短时报警证据,利用长短时信息融合公式进行融合得到长时报警证据,进行报警决策。本发明通过长短时信息融合得到长时报警证据,可以给出比单个短时报警证据更为准确的故障检测结果。
Description
技术领域
本发明涉及一种基于长短时信息融合的逆变器直流回路电容故障检测方法,属于电力电子设备故障诊断领域。
背景技术
逆变器作为船舶电力推进系统的核心部件,直流回路电容器的故障是逆变器的常见故障之一。电容器故障一般包括短路、漏电和电容量衰减等。在实际系统运行过程中,电容器电容量衰减必然会发生,但由于电容器的具体工作环境不同,其衰减的程度和特征并没有规律,具有不确定性。电容器在现阶段主要有电解电容器、陶瓷电容器和薄膜电容器等。其中,电解电容器作为逆变器常用电容器,它的寿命一般很短,通常少于逆变器的一般服役时间,随着逆变器工作时间的变长,电容器内部电解液的损耗增多,电解液不断蒸发变稠,最终会导致电容逐渐老化,具体表现在电容量的下降。此时逆变器仍旧能够工作,但逆变器在带载运行时会经常出现过流、欠压等现象,增加设备的安全隐患。此类故障属于微小故障,电力保护系统不容易被激活,但若忽视此故障长期运行必将影响设备的使用寿命,因此电容器老化的微小故障在线诊断是必不可少的。
发明内容
本发明的目的是提出一种基于长短时信息融合的逆变器直流回路电容故障检测方法,采集逆变器直流回路电压瞬时值,按一定周期计算电压瞬时值的峰-峰值,将其用Sigmoid隶属度阈值函数转换为相应的短时报警证据,通过长短时信息融合公式对每一短时报警证据进行融合,得到可靠的长时报警证据,利用长时报警证据进行决策。由于长时报警证据包含了短时和历史的电容电压瞬时值变化信息,利用其做出的故障报警决策比任何单个时段振动信息给出的决策结果更为可靠和准确。
本发明包括以下步骤:
(1)设定逆变器直流回路电容故障报警器的辨识框架为Θ={NA,A},其中A表示电容器容量处于正常状态,NA表示电容器容量衰减到正常状态的x%,亦即,异常状态,50≤x≤80。
(2)在逆变器运行时,以一定的采样频率采集逆变器直流回路电压瞬时值VDC,以一定的周期计算VDC的峰-峰值Vpp,得到样本序列Vpp(t),t=0,1,2,3,…,是Vpp在第t个周期的值,单位为V,定义Votp为最优阈值,记max(Vpp)和min(Vpp)分别是Vpp的最大值和最小值,那么Votp∈[min(y),max(y)];利用Sigmoid隶属度函数构建正常状态A、异常状态NA的模糊隶属度函数μA(Vpp(t))、μNA(Vpp(t)),如式(1)-(2)所示:
其中参数a∈[0.1,100]。
(3)将Vpp(t)分别带入步骤(2)关于正常状态NA、异常状态A的模糊隶属度函数μNA(Vpp(t))、μA(Vpp(t))中,即可得到短时报警信度mt(NA)、mt(A),分别如下(3)-(4)式所示:
mt(NA)=μNA(Vpp(t)) (3)
mt(A)=μA(Vpp(t)) (4)
那么,在每个周期,能够获得由上两个信度获得向量形式的短时报警证据mt=(mt(NA),mt(A)),其中mt(A)和mt(NA)表示Vpp(t)支持“报警A”和“正常NA”这两个事件发生的程度。
(4)在步骤(3)的基础上得到了每一周期的短时报警证据之后,利用长短时信息融合公式得到融合后的全局报警证据,记为m1:t=(m1:t(A),m1:t(NA)),具体步骤如下:
(4-1)当1≤t≤2时,因在之前没有相关的证据信息,所以t=1或2时的全局报警证据等于该周期的短时报警证据即m1:t=(mt(A),mt(NA));
(4-2)当t≥3时,求取m1:t=(m1:t(A),m1:t(NA)),具体用于计算的长短时信息融合公式如下
这里m1:t-2(A)是通过递归融合计算得到的长时报警证据,包含了0到t-2周期所有的报警信息,对于mt(A|D)的求解,若mt(NA)>mt(A),则D=NA,那么mt(A|NA)=0;若mt(A)≥mt(NA),则D=A,那么mt(A|A)=1;同理可得mt-1(A|D),mt-2(A|D),其中τt和νt表示的是融合权重,λt和γt表示条件信度权重;
对于融合权重和条件信度权重的求取,假定发出警报(A)的理想证据是I1=(mI1(A),mI1(NA))=(1,0),未报警(NA)的理想证据是I2=(mI2(A),mI2(NA))=(0,1),那么式(5)中τt、νt、λt和γt的具体确定步骤如下:
(4-3)λt和γt的确定具体步骤如下
(4-3-1)如果长时报警证据m1:t-2(A)≥m1:t-2(NA),计算单步短时报警证据mt-1、mt和发出警报的理想证据I1之间的距离为
其中参数P∈[100,200];
(4-3-2)根据式(6)和式(7)可以计算单步短时报警证据mt-1、mt和发出警报的理想证据I1之间的相似度为
可以得到λt和γt为
(4-3-3)如果长时报警证据m1:t-2(A)<m1:t-2(NA),计算单步短时报警证据mt-1、mt和未警报的理想证据I2之间的距离为
其中参数P∈[100,200];
(4-3-4)根据式(6)和式(7)可以计算单步短时报警证据mt-1、mt和发出警报的理想证据I2之间的相似度为
可以得到λt和γt为
(4-4)根据步骤(4-3-4)得到的λt和γt,将mt-1、mt融合为一个证据mt-1:t为
mt-1:t=λtmt-1+γtmt (16)
(4-5)τt和νt的确定具体步骤如下:
(4-5-1)求得mt-1:t和m1:t-2的信息熵如式(17)-(18)所示
Ht-1:t=-(mt-1:t(A)logb(mt-1:t(A))+mt-1:t(NA)logb(mt-1:t(NA))) (17)
H1:t-2=-(m1:t-2(A)logb(m1:t-2(A))+m1:t-2(NA)logb(m1:t-2(NA))) (18)
其中b=2;
(4-5-2)τt和νt可由下式(19)确定
(5)根据步骤(4)得到全局报警证据m1:t=(m1:t(A),m1:t(NA)),对于全局报警证据,如果m1:t(A)≥m1:t(NA),则发出警报,否则,不警报。
(6)在分别获取W>2000个Vpp在正常和异常下的训练样本值后,可以最小化这W个样本的误报率和漏报率的平方和,求得最优阈值Votp。
本发明提出的基于长短时信息融合的逆变器直流回路电容故障检测方法。该方法先将采集的逆变器直流回路电压瞬时值以一定周期计算得到每一周期的电压瞬时值峰-峰值,按一定间隔选取阈值,利用连续的Sigmoid隶属度函数将处理后的瞬时电压峰-峰值的信息转化成短时报警证据;利用长短时信息融合公式对短时报警证据进行融合得到长时报警证据,进行报警决策,误报率和漏报率的平方和最小所对应的阈值为最优阈值;在线获取数据,利用训练得到的最优阈值得到短时报警证据,利用长短时信息融合公式进行融合得到长时报警证据,进行报警决策。根据本发明方法编制的程序(编译环境Matlab)可以在计算机上运行,并电压测量仪、数据采集器等硬件组成逆变器直流回路电容故障检测系统,从而实现对逆变器直流回路电容故障检测并报警。
附图说明
图1是本发明方法的程序流程框图;
图2本发明方法的实施例中用来训练的Vpp(t)序列。
具体实施方式
本发明提出的一种基于长短时信息融合的逆变器直流回路电容故障检测方法,其流程框图如图1所示,包括以下各步骤:
(1)设定逆变器直流回路电容故障报警器的辨识框架为Θ={NA,A},其中A表示电容器容量处于正常状态,NA表示电容器容量衰减到正常状态的x%,亦即,异常状态,50≤x≤80。
(2)在逆变器运行时,以一定的采样频率采集逆变器直流回路电压瞬时值VDC,以一定的周期计算VDC的峰-峰值Vpp,得到样本序列Vpp(t),t=0,1,2,3,…,是Vpp在第t个周期的值,单位为V,定义Votp为最优阈值,记max(Vpp)和min(Vpp)分别是Vpp的最大值和最小值,那么Votp∈[min(y),max(y)];利用Sigmoid隶属度函数构建正常状态A、异常状态NA的模糊隶属度函数μA(Vpp(t))、μNA(Vpp(t)),如式(1)-(2)所示:
其中参数a∈[0.1,100]。
(3)将Vpp(t)分别带入步骤(2)关于正常状态NA、异常状态A的模糊隶属度函数μNA(Vpp(t))、μA(Vpp(t))中,即可得到短时报警信度mt(NA)、mt(A),分别如下(3)-(4)式所示:
mt(NA)=μNA(Vpp(t)) (3)
mt(A)=μA(Vpp(t)) (4)
那么,在每个周期,能够获得由上两个信度获得向量形式的短时报警证据mt=(mt(NA),mt(A)),其中mt(A)和mt(NA)表示Vpp(t)支持“报警A”和“正常NA”这两个事件发生的程度。
(4)在步骤(3)的基础上得到了每一周期的短时报警证据之后,利用长短时信息融合公式得到融合后的全局报警证据,记为m1:t=(m1:t(A),m1:t(NA)),具体步骤如下:
(4-1)当1≤t≤2时,因在之前没有相关的证据信息,所以t=1或2时的全局报警证据等于该周期的短时报警证据即m1:t=(mt(A),mt(NA))。
(4-2)当t ≥3时,求取m1:t=(m1:t(A),m1:t(NA)),具体用于计算的长短时信息融合公式如下
这里m1:t-2(A)是通过递归融合计算得到的长时报警证据,包含了0到t-2周期所有的报警信息,对于mt(A|D)的求解,若mt(NA)>mt(A),则D=NA,那么mt(A|NA)=0;若mt(A)≥mt(NA),则D=A,那么mt(A|A)=1;同理可得mt-1(A|D),mt-2(A|D),其中τt和νt表示的是融合权重,λt和γt表示条件信度权重。
对于融合权重和条件信度权重的求取,假定发出警报(A)的理想证据是I1=(mI1(A),mI1(NA))=(1,0),未报警(NA)的理想证据是I2=(mI2(A),mI2(NA))=(0,1),那么式(5)中τt、νt、λt和γt的具体确定步骤如下:
(4-3)λt和γt的确定具体步骤如下
(4-3-1)如果长时报警证据m1:t-2(A)≥m1:t-2(NA),计算单步短时报警证据mt-1、mt和发出警报的理想证据I1之间的距离为
其中参数P∈[100,200];
(4-3-2)根据式(6)和式(7)可以计算单步短时报警证据mt-1、mt和发出警报的理想证据I1之间的相似度为
可以得到λt和γt为
(4-3-3)如果长时报警证据m1:t-2(A)<m1:t-2(NA),计算单步短时报警证据mt-1、mt和未警报的理想证据I2之间的距离为
其中参数P∈[100,200];
(4-3-4)根据式(6)和式(7)可以计算单步短时报警证据mt-1、mt和发出警报的理想证据I2之间的相似度为
可以得到λt和γt为
(4-4)根据步骤(4-3-4)得到的λt和γt,将mt-1、mt融合为一个证据mt-1:t为
mt-1:t=λtmt-1+γtmt (16)
(4-5)τt和νt的确定具体步骤如下:
(4-5-1)求得mt-1:t和m1:t-2的信息熵如式(17)-(18)所示
Ht-1:t=-(mt-1:t(A)logb(mt-1:t(A))+mt-1:t(NA)logb(mt-1:t(NA))) (17)
H1:t-2=-(m1:t-2(A)logb(m1:t-2(A))+m1:t-2(NA)logb(m1:t-2(NA))) (18)
其中b=2;
(4-5-2)τt和νt可由下式(19)确定
为了加深对步骤(4)的理解,这里举个例子解释长短时信息融合的整个过程,假设a=6,前4个周期对应的短时报警证据如下表1所示
表1短时报警证据
t | m<sub>t</sub>=(m<sub>t</sub>(A),m<sub>t</sub>(NA)) |
1 | (0.9,0.1) |
2 | (0.7,0.3) |
3 | (0.45,0.55) |
4 | (0.8,0.2) |
根据步骤(4)计算长时报警证据
当t=1,2时,根据步骤(4-1)可得m1:1=m1=(0.9,0.1),m1:2=m2=(0.7,0.3)。
当t=3时,根据步骤(4-3),取P=100,m1:1(A)≥m1:1(NA),则Sim(m3,I1)=0.6436,Sim(m2,I1)=0.7680,λ3=0.5441,γ3=0.4559,再根据步骤(4-4)得到m2:3=(0.586025,0.413975),再根据步骤(4-5),b=2,得到H2:3=0.9785,H1:1=0.4690,ν3=0.3240,τ3=0.6760,又因为m2(A)>m2(NA),m2(A|A)=1,m2(NA|A)=0,m3(NA)>m3(A),m3(A|NA)=0,m3(NA|NA)=1,因此根据式(5)得到m1:3=(0.7847,0.2154)。
当t=4时,根据步骤(4-3),取P=100,m1:2(A)≥m1:2(NA),则Sim(m3,I1)=0.6436,Sim(m4,I1)=0.8324,λ4=0.4360,γ4=0.5640,再根据步骤(4-4)得到m3:4=(0.6474,0.3526),再根据步骤(4-5),b=2,得到H3:4=0.9364,H1:2=0.8813,ν3=0.4848,τ3=0.5152,又因为m3(NA)>m3(A),m3(A|NA)=0,m3(NA|NA)=1,m4(A)>m4(NA),m4(A|A)=1,m3(NA|A)=0,因此根据式(5)得到m1:4=(0.6341,0.3659)。
(5)根据步骤(4)得到全局报警证据m1:t=(m1:t(A),m1:t(NA)),对于全局报警证据,如果m1:t(A)≥m1:t(NA),则发出警报,否则,不警报。
在步骤(4)中的例子中得到的4个长时报警证据,对其进行决策,给出报警结果如下表2。
表2报警结果输出
通过表中的数据可以看出,在正常状态下,利用短时报警证据进行决策会有一定的误差,而基于本发明方法融合后的长时报警证据更加真实的反映了现实的情况。
(6)在分别获取W>2000个Vpp在正常和异常下的训练样本值后,可以最小化这W个样本的误报率和漏报率的平方和,求得最优阈值Votp。
以下结合附图,详细的介绍本发明方法的实施例:
本发明方法的流程图如图1所示,核心部分是:从船舶电力推进系统采集逆变器直流回路电压瞬时值;以一定的周期计算电压瞬时值的峰-峰值,按一定间隔选取阈值,利用Sigmoid隶属度函数将峰-峰值转化为短时报警证据;利用长短时信息融合公式融合短时报警证据得到长时报警证据,进行报警决策,误报率和漏报率的平方和最小所对应的阈值为最优阈值。
以下结合电力推进船舶“江苏路渡3011”船,详细介绍本发明方法的各个步骤,通过实验数据在最优阈值的条件下,得到的误报率与漏报率要比在传统的方法上更加低。
1、实验数据的采集
基于上述船例,使用MATLAB/Simulink搭建电力推进仿真模型,以50kHz的采样频率采集直流回路电容容量正常状态和容量为80%的电压瞬时值。
2、求得最优阈值
以0.002秒为周期处理电压瞬时值得到4000个Vpp,正常2000个,异常2000个,Vpp(1)到Vpp(2000)这2000个数据处于正常的工作状态,Vpp(2001)到Vpp(4000)这2000个数据处于电容容量为80%的工作状态,如图2所示。min(Vpp)=-10.7318,max(Vpp)=-2.9318,以0.1为间隔选取阈值,设定a=6根据本发明步骤(3)-(5)分别得到在每一个阈值下的全局报警证据m1:t=(m1:t(A),m1:t(NA)),t=1,2,3,…,4000,并作报警决策,误报率和漏报率的平方和最小对应的最优阈值为-7.2318,误报率为8.15%,漏报率为13.2%。使用相同数据相同遍历方法求得三阶滑动平均滤波法下误报率和漏报率的平方和最小对应的最优阈值为-7.0193,误报率为9.05%,漏报率为24.15%。
3、测试实验
按上述方法重新在线采集10组数据,进行处理后得到10组Vpp,每组正常2000个,异常2000个,记为t=1,2,3,…,4000,其中到处于正常的工作状态,到处于电容容量为80%的工作状态本发明方法下最优阈值为-7.2318,对于每一组数据,根据本发明步骤(2)和步骤(3)计算短时报警证据,再根据本发明步骤(4)进行长短时信息融合得到全局报警证据,最后根据本发明步骤(5),进行报警决策,得到误报率、漏报率。在本发明方法下,10组数据平均误报率为12.69%,漏报率为7.51%。三阶滑动平均滤波法的最优阈值为-7.0193,使用三阶滑动平均滤波法计算每一组的误报率、漏报率,计算得到10组平均误报率为23.64%,漏报率为9.85%。从最后的报警结果可以看出,本发明在最优阈值的下产生的误报率和漏报率都比传统的三阶滑动平均滤波法更加精确。
Claims (1)
1.基于长短时信息融合的逆变器直流回路电容故障检测方法,其特征在于该方法包括以下步骤:
(1)设定逆变器直流回路电容故障报警器的辨识框架为Θ={NA,A},其中A表示电容器容量处于正常状态,NA表示电容器容量衰减到正常状态的x%,亦即,异常状态,50≤x≤80;
(2)在逆变器运行时,以一定的采样频率采集逆变器直流回路电压瞬时值VDC,以一定的周期计算VDC的峰-峰值Vpp,得到样本序列Vpp(t),t=0,1,2,3,…,是Vpp在第t个周期的值,单位为V,定义Votp为最优阈值,记max(Vpp)和min(Vpp)分别是Vpp的最大值和最小值,那么Votp∈[min(y),max(y)];利用Sigmoid隶属度函数构建正常状态A、异常状态NA的模糊隶属度函数μA(Vpp(t))、μNA(Vpp(t)),如式(1)-(2)所示:
其中参数a∈[0.1,100];
(3)将Vpp(t)分别带入步骤(2)关于正常状态NA、异常状态A的模糊隶属度函数μNA(Vpp(t))、μA(Vpp(t))中,即可得到短时报警信度mt(NA)、mt(A),分别如下(3)-(4)式所示:
mt(NA)=μNA(Vpp(t)) (3)
mt(A)=μA(Vpp(t)) (4)
那么,在每个周期,能够获得由上两个信度获得向量形式的短时报警证据mt=(mt(NA),mt(A)),其中mt(A)和mt(NA)表示Vpp(t)支持“报警A”和“正常NA”这两个事件发生的程度;
(4)在步骤(3)的基础上得到了每一周期的短时报警证据之后,利用长短时信息融合公式得到融合后的全局报警证据,记为m1:t=(m1:t(A),m1:t(NA)),具体步骤如下:
(4-1)当1≤t≤2时,全局报警证据等于该周期的短时报警证据即m1:t=(mt(A),mt(NA));
(4-2)当t≥3时,求取m1:t=(m1:t(A),m1:t(NA)),具体用于计算的长短时信息融合公式如下
这里m1:t-2(A)是通过递归融合计算得到的长时报警证据,包含了0到t-2周期所有的报警信息,对于mt(A|D)的求解,若mt(NA)>mt(A),则D=NA,那么mt(A|NA)=0;若mt(A)≥mt(NA),则D=A,那么mt(A|A)=1;同理可得mt-1(A|D),mt-2(A|D),其中τt和νt表示的是融合权重,λt和γt表示条件信度权重;
对于融合权重和条件信度权重的求取,假定发出警报(A)的理想证据是未报警(NA)的理想证据是那么式(5)中τt、νt、λt和γt的具体确定步骤如下:
(4-3)λt和γt的确定具体步骤如下
(4-3-1)如果长时报警证据m1:t-2(A)≥m1:t-2(NA),计算单步短时报警证据mt-1、mt和发出警报的理想证据I1之间的距离为
其中参数P∈[100,200];
(4-3-2)根据式(6)和式(7)可以计算单步短时报警证据mt-1、mt和发出警报的理想证据I1之间的相似度为
得到λt和γt为
(4-3-3)如果长时报警证据m1:t-2(A)<m1:t-2(NA),计算单步短时报警证据mt-1、mt和未警报的理想证据I2之间的距离为
其中参数P∈[100,200];
(4-3-4)根据式(6)和式(7)计算单步短时报警证据mt-1、mt和发出警报的理想证据I2之间的相似度为
得到λt和γt为
(4-4)根据步骤(4-3-4)得到的λt和γt,将mt-1、mt融合为一个证据mt-1:t为
mt-1:t=λtmt-1+γtmt (16)
(4-5)τt和νt的确定具体步骤如下:
(4-5-1)求得mt-1:t和m1:t-2的信息熵如式(17)-(18)所示
Ht-1:t=-(mt-1:t(A)logb(mt-1:t(A))+mt-1:t(NA)logb(mt-1:t(NA))) (17)
H1:t-2=-(m1:t-2(A)logb(m1:t-2(A))+m1:t-2(NA)logb(m1:t-2(NA))) (18)
其中b=2;
(4-5-2)τt和νt可由下式(19)确定
(5)根据步骤(4)得到全局报警证据m1:t=(m1:t(A),m1:t(NA)),对于全局报警证据,如果m1:t(A)≥m1:t(NA),则发出警报,否则,不警报;
(6)在分别获取W>2000个Vpp在正常和异常下的训练样本值后,最小化这W个样本的误报率和漏报率的平方和,求得最优阈值Votp。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910222023.XA CN109946542B (zh) | 2019-03-22 | 2019-03-22 | 基于长短时信息融合的逆变器直流回路电容故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910222023.XA CN109946542B (zh) | 2019-03-22 | 2019-03-22 | 基于长短时信息融合的逆变器直流回路电容故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109946542A true CN109946542A (zh) | 2019-06-28 |
CN109946542B CN109946542B (zh) | 2021-01-01 |
Family
ID=67010629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910222023.XA Active CN109946542B (zh) | 2019-03-22 | 2019-03-22 | 基于长短时信息融合的逆变器直流回路电容故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109946542B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310926A (zh) * | 2020-01-17 | 2020-06-19 | 中国人民解放军火箭军工程大学 | 一种融合多元信息的故障报警阈值确定方法 |
CN115268418A (zh) * | 2022-10-01 | 2022-11-01 | 深圳市世坤科技实业有限公司 | 一种电器控制设备故障报警系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101835158A (zh) * | 2010-04-12 | 2010-09-15 | 北京航空航天大学 | 基于节点行为与d-s证据理论的传感器网络信任评估方法 |
CN102789676A (zh) * | 2012-08-10 | 2012-11-21 | 杭州电子科技大学 | 一种基于报警证据融合的工业报警器设计方法 |
CN108257365A (zh) * | 2018-01-29 | 2018-07-06 | 杭州电子科技大学 | 一种基于全局不确定性证据动态融合的工业报警器设计方法 |
CN109145972A (zh) * | 2018-08-09 | 2019-01-04 | 杭州电子科技大学 | 一种船舶电力推进系统变频器报警器设计方法 |
-
2019
- 2019-03-22 CN CN201910222023.XA patent/CN109946542B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101835158A (zh) * | 2010-04-12 | 2010-09-15 | 北京航空航天大学 | 基于节点行为与d-s证据理论的传感器网络信任评估方法 |
CN102789676A (zh) * | 2012-08-10 | 2012-11-21 | 杭州电子科技大学 | 一种基于报警证据融合的工业报警器设计方法 |
CN108257365A (zh) * | 2018-01-29 | 2018-07-06 | 杭州电子科技大学 | 一种基于全局不确定性证据动态融合的工业报警器设计方法 |
CN109145972A (zh) * | 2018-08-09 | 2019-01-04 | 杭州电子科技大学 | 一种船舶电力推进系统变频器报警器设计方法 |
Non-Patent Citations (8)
Title |
---|
DUMINDA A.DEWASURENDRA等: "Evidence Filtering", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 * |
E.C.KULASEKERE等: "COnditioning and updating evidence", 《INTERNATIONAL JOURNAL OF APPROXIMATE REASONING》 * |
XIAOBIN XU等: "A belief rule-based evidence updating method for industrial alarm system design", 《CONTROL ENGINEERING PRACTICE》 * |
XIAOBIN XU等: "Data classification using evidence reasoning rule", 《KNOWLEDGE-BASED SYSTEM》 * |
刘晓悦等: "基于D-S证据理论的多传感器火灾报警方法", 《华北理工大学学报》 * |
宋晓静等: "一种基于证据理论的工业报警器设计方法", 《杭州电子科技大学学报》 * |
徐晓滨等: "基于诊断证据静态融合与动态更新的故障诊断方法", 《自动化学报》 * |
徐海洋等: "基于置信规则库推理的证据滤波报警器设计", 《山东科技大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310926A (zh) * | 2020-01-17 | 2020-06-19 | 中国人民解放军火箭军工程大学 | 一种融合多元信息的故障报警阈值确定方法 |
CN115268418A (zh) * | 2022-10-01 | 2022-11-01 | 深圳市世坤科技实业有限公司 | 一种电器控制设备故障报警系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109946542B (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Patton et al. | Artificial intelligence approaches to fault diagnosis | |
Soualhi et al. | Fault detection and diagnosis of induction motors based on hidden Markov model | |
CN108181562A (zh) | 基于模糊小脑模型神经网络的绝缘子故障诊断装置及方法 | |
CN107831415A (zh) | 一种变压器绝缘纸老化状态评估的区间值模糊集方法 | |
CN109946542A (zh) | 基于长短时信息融合的逆变器直流回路电容故障检测方法 | |
CN113092900B (zh) | 光伏逆变器的状态检测方法、装置及计算机可读存储介质 | |
CN106372330A (zh) | 动态型贝叶斯网络在机械设备故障智能诊断中的应用 | |
CN103412220A (zh) | 一种基于数据融合的船舶电站故障诊断方法 | |
CN108257365A (zh) | 一种基于全局不确定性证据动态融合的工业报警器设计方法 | |
CN103617105B (zh) | 一种基于数据驱动的自适应多层流模型设备诊断方法 | |
CN108415810A (zh) | 一种硬盘状态监控方法和装置 | |
CN114021671B (zh) | 一种有源配电网在线故障处理方法和系统 | |
CN115453356A (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
CN109031118A (zh) | 一种电机故障诊断方法、装置及电机 | |
CN115600136A (zh) | 一种基于多传感器的高压套管故障诊断方法、系统及介质 | |
Altaf et al. | Fault diagnosis in a distributed motor network using Artificial Neural Network | |
CN111027721B (zh) | 一种系统故障定位方法 | |
CN113237619A (zh) | 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质 | |
Huo et al. | A distributed closed-loop monitoring approach for interconnected industrial systems | |
Chowdhury | Ordinary and neural Chi-squared tests for fault detection in multi-output stochastic systems | |
CN109990803A (zh) | 检测系统异常的方法、装置及传感器处理的方法、装置 | |
Yang et al. | Practical integrated navigation fault detection algorithm based on sequential hypothesis testing | |
Peng et al. | Gearbox fault diagnosis using vibration and current information fusion | |
AU2021102724A4 (en) | A method for modular multilevel converter (inverter) open-circuit fault identification and positioning | |
CN107014483A (zh) | 一种基于声音监测的机械设备自检系统 |
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 |