CN109975697A - 一种基于原子稀疏分解的高压断路器机械故障诊断方法 - Google Patents

一种基于原子稀疏分解的高压断路器机械故障诊断方法 Download PDF

Info

Publication number
CN109975697A
CN109975697A CN201910197063.3A CN201910197063A CN109975697A CN 109975697 A CN109975697 A CN 109975697A CN 201910197063 A CN201910197063 A CN 201910197063A CN 109975697 A CN109975697 A CN 109975697A
Authority
CN
China
Prior art keywords
circuit breaker
voltage circuit
mechanical fault
atom
output
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
CN201910197063.3A
Other languages
English (en)
Inventor
刘景艳
王立国
王允建
谢东垒
张丽
郭顺京
郭宇
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.)
Henan University of Technology
Original Assignee
Henan University of Technology
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 Henan University of Technology filed Critical Henan University of Technology
Priority to CN201910197063.3A priority Critical patent/CN109975697A/zh
Publication of CN109975697A publication Critical patent/CN109975697A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00—Subject matter not provided for in other groups of this subclass
    • G06N99/007—Molecular computers, i.e. using inorganic molecules

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种基于原子稀疏分解的高压断路器机械故障诊断方法，该方法包括：采用高压断路器试验模拟不同类型的机械故障，采集其振动信号，将振动信号进行原子稀疏分解，得到衰减模态参数，将衰减模态参数进行数据的预处理，得到不同机械故障类型下的特征向量，将特征向量分为训练样本和测试样本，将训练样本作为输入，机械故障类型作为输出，建立高压断路器RBF网络机械故障诊断模型，并对故障诊断模型进行训练，得到训练好的基于原子稀疏分解的高压断路器RBF网络机械故障诊断模型，将测试样本输入训练好的故障诊断模型，对机械故障进行判断，输出诊断结果。本发明具有可靠性高和准确性好等特点，可广泛应用于故障诊断领域。

Description

一种基于原子稀疏分解的高压断路器机械故障诊断方法
技术领域
本发明涉及故障诊断技术领域，特别是涉及一种基于原子稀疏分解的高压断路器机械故障诊断方法。
背景技术
高压断路器作为电力系统中起保护和隔离的开关设备，担负着控制和保护的双重任务，高压断路器状态的好坏以及工作的可靠性直接关系到电力系统的安全稳定运行。在高压断路器运行中，机械故障占高压断路器总故障的70％以上。因此，加强高压断路器机械故障诊断方法的研究，尽量提前发现潜在故障，对提高高压断路器的可靠性，增强电力系统的安全性、可靠性和经济性具有十分重要的意义。对于高压断路器的机械故障诊断问题，目前，国内外学者提出了多种故障诊断方法。主要采用粗糙集理论、支持向量机、贝叶斯分类法、模糊逻辑、神经网络等方法对高压断路器的机械故障进行诊断。粗糙集理论在处理模糊和不确定信息上具有较大的优越性，但其决策规则很不稳定，精确性较差，而且是基于完备的信息系统，处理数据时，常会遇到数据丢失现象。支持向量机在解决小样本、非线性及高维模式识别问题中具有优势，但识别能力易受自身参数影响。贝叶斯分类法需要已知确切的分别概率，而实际上并不能给出确切的分别概率。模糊逻辑需要一定的先验知识，对参数选择具有较强的依赖性。神经网络具有简单的结构和很强的问题求解能力，且可较好地处理噪声数据，但算法存在局部最优问题，收敛性较差，可靠性有限。
由此可见，在现有技术中，高压断路器机械故障诊断方法存在精度低、可靠性差、诊断结果存在较大偏差等问题。
发明内容
有鉴于此，本发明的主要目的在于提供一种高精度、可靠性好、诊断结果准确的高压断路器机械故障诊断方法。
为了达到上述目的，本发明提出的技术方案为：
一种基于原子稀疏分解的高压断路器机械故障诊断方法，所述高压断路器机械故障诊断方法包括如下步骤：
步骤1、采用型号为ZN65-1的户内高压断路器试验模拟高压断路器不同类型的机械故障，通过LC0103T型压电加速度传感器采集高压断路器不同机械故障类型的振动信号；
步骤2、将所述振动信号进行原子稀疏分解，得到表征不同机械故障类型的衰减模态参数X＝(x1，x2，...，x5)T；
步骤3、将所述衰减模态参数X进行数据的预处理，得到不同机械故障类型下的特征向量T＝(t1，t2，...，t5)T；
步骤4、将所述特征向量T随机抽取若干组作为训练样本T1＝(t11，t12，...，t15)T，其余部分为测试样本T2＝(t21，t22，...，t25)T；
步骤5、将所述训练样本T1作为输入，高压断路器的机械故障类型作为输出，建立高压断路器RBF网络机械故障诊断模型；
步骤6、训练高压断路器RBF网络机械故障诊断模型；
步骤7、判别满足终止条件是否成立；如果成立，则执行步骤8；如果不成立，则执行步骤6；
步骤8、得到训练好的基于原子稀疏分解的高压断路器RBF网络机械故障诊断模型，将所述测试样本T2输入训练好的基于原子稀疏分解的高压断路器RBF网络机械故障诊断模型，对高压断路器的机械故障类型进行判断，并输出诊断结果。
综上所述，本发明所述基于原子稀疏分解的高压断路器机械故障诊断方法采用高压断路器试验模拟不同类型的机械故障，采集其振动信号，将振动信号进行原子稀疏分解，得到衰减模态参数，将衰减模态参数进行数据的预处理，得到不同机械故障类型下的特征向量，将特征向量分为训练样本和测试样本，将训练样本作为输入，机械故障类型作为输出，建立高压断路器RBF网络机械故障诊断模型，并对故障诊断模型进行训练，得到训练好的基于原子稀疏分解的高压断路器RBF网络机械故障诊断模型，将测试样本输入训练好的故障诊断模型，对机械故障进行判断，输出诊断结果，从而提高了高压断路器机械故障诊断的精度、准确性和可靠性。
附图说明
图1是本发明所述一种基于原子稀疏分解的高压断路器机械故障诊断方法的流程图。
图2是本发明所述RBF网络拓扑结构示意图。
图3是本发明所述系统误差随着训练次数的变化趋势图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明作进一步地详细描述。
图1是本发明所述一种基于原子稀疏分解的高压断路器机械故障诊断方法的流程图。如图1所示，本发明所述高压断路器机械故障诊断方法，包括如下步骤：
步骤1、采用型号为ZN65-1的户内高压断路器试验模拟高压断路器不同类型的机械故障，通过LC0103T型压电加速度传感器采集高压断路器不同机械故障类型的振动信号；
步骤2、将所述振动信号进行原子稀疏分解，得到表征不同机械故障类型的衰减模态参数X＝(x1，x2，...，x5)T；
步骤3、将所述衰减模态参数X进行数据的预处理，得到不同机械故障类型下的特征向量T＝(t1，t2，...，t5)T；
步骤4、将所述特征向量T随机抽取若干组作为训练样本T1＝(t11，t12，...，t15)T，其余部分为测试样本T2＝(t21，t22，...，t25)T；
步骤5、将所述训练样本T1作为输入，高压断路器的机械故障类型作为输出，建立高压断路器RBF网络机械故障诊断模型；
步骤6、训练高压断路器RBF网络机械故障诊断模型；
步骤7、判别满足终止条件是否成立；如果成立，则执行步骤8；如果不成立，则执行步骤6；
步骤8、得到训练好的基于原子稀疏分解的高压断路器RBF网络机械故障诊断模型，将所述测试样本T2输入训练好的基于原子稀疏分解的高压断路器RBF网络机械故障诊断模型，对高压断路器的机械故障类型进行判断，并输出诊断结果。
总之，本发明所述基于原子稀疏分解的高压断路器机械故障诊断方法采用高压断路器试验模拟不同类型的机械故障，采集其振动信号，将振动信号进行原子稀疏分解，得到衰减模态参数，将衰减模态参数进行数据的预处理，得到不同机械故障类型下的特征向量，将特征向量分为训练样本和测试样本，将训练样本作为输入，机械故障类型作为输出，建立高压断路器RBF网络机械故障诊断模型，并对故障诊断模型进行训练，得到训练好的基于原子稀疏分解的高压断路器RBF网络机械故障诊断模型，将测试样本输入训练好的故障诊断模型，对机械故障进行判断，输出诊断结果，从而提高了高压断路器机械故障诊断的精度、准确性和可靠性。
本发明方法中，所述步骤2包括如下步骤：
步骤21、选取Gabor原子作为时频原子，它由一个经调制的高斯窗函数构成，Gabor原子的计算式如下：
其中，s为伸缩因子，ε为频率因子，为相位因子；
步骤22、从过完备Gabor原子库中找到与振动信号xi(t)最为匹配的原子，即为第1个最匹配原子具体计算式如下：
其中，为最初残差信号，为过完备Gabor原子库中的第v个时频原子，D为振动信号稀疏分解的过完备Gabor原子库；
步骤23、将第1个最匹配原子从振动信号xi(t)中抽取出来，得到第1个残差信号具体计算式如下：
步骤24、当其内积增加值超过当前的1％，并且当前伸缩因子、频率因子和相位因子3变量的增加值超过自身的10％时，按照步骤22和步骤23进行重复迭代运算，具体计算式如下：
其中，为第m次分解迭代过程中寻得的原子，为第m次分解迭代过程中产生的残余信号，第m-1次分解迭代过程中产生的残余信号；
步骤25、每次迭代时将新原子与最新残差信号做内积运算，当内积增加值不足当前的1％，或当前伸缩因子、频率因子和相位因子3变量的增加值不足自身的10％时，迭代终止，此时得到的原子即为最佳原子gγi(MA)，与此同时，所得的伸缩因子、频率因子和相位因子3变量即为最优3变量
步骤26、若当前最佳原子gγi(MA)波形为衰减时，由计算出衰减因子αγi(MA)，若当前最佳原子gγi(MA)波形为发散时，由 计算出衰减因子αγi(MA)；
步骤27、根据从小到大的排序方法，寻找最佳原子gγi(MA)幅值的最大值，即为衰减正弦量原子的最大幅值Aγi(MA)；
步骤28、由以上7步可求得振动信号的最优3变量sγi(MA)，εγi(MA)，以及衰减因子αγi(MA)，衰减正弦量原子的最大幅值Aγi(MA)，即为表征不同类型机械故障的衰减模态参数X。
本发明步骤3中，所述数据预处理的计算式如下：
t(p)是第p个衰减模态参数的样本值，xact(p)是第p个衰减模态参数的实际值，xmin(p)是第p个衰减模态参数的最小值，xmax(p)是第p个衰减模态参数的最大值。
本发明方法中，所述步骤5具体为：采用训练样本T1作为RBF网络输入层的神经元，训练样本T1＝(t11，t12，...，t15)T，高压断路器的机械故障类型作为输出，输出层有6个神经元，输出向量为Y＝(y1，y2，...，y6)T，隐含层到输出层的权值向量为W＝(w1，w2，...，wm)T，隐含层输出依靠训练样本T1与径向基函数中心的距离，基函数选用高斯函数，距离用欧式范数表示。当RBF网络输入为tk时，隐含层输出的具体计算式如下
其中，ui是第i个隐含层节点的输出，ci是第i个隐含层节点高斯函数的中心向量，σi是第i个隐含层节点的标准化常数；
输出层输出的具体计算式如下
其中，ui是第i个隐含层节点的输出，yk是输出层第k个节点的输出，w是隐含层到输出层的加权系数，θk是隐含层的阈值，q是隐含层节点数。
本发明方法中，所述步骤6包括如下步骤：
步骤61、随机选取h个训练样本T1作为聚类中心ci，利用最近邻规则对训练样本T1进行分组，按照tk与中心ci之间的欧式距离将tk分配到训练样本T1的各个聚类集合vp中；
步骤62、对每个聚类集合vp中的训练样本T1求平均值，构成新的聚类中心c′i，如果新的聚类中心c′i不再发生变化，则所得到的c′i即为RBF网络最终的基函数中心，如果新的聚类中心c′i发生变化，则返回步骤61；
步骤63、选取高斯函数作为RBF网络的基函数，方差σi的具体计算式如下：
其中，cmax是选取中心之间的最大距离；
步骤64、运用最小二乘法计算隐含层到输出层之间神经元的连接权值，计算公式如下：
本发明步骤7中，终止条件具体为训练误差小于0.0001或迭代次数达到5000。
本发明步骤8具体为：得到训练好的基于原子稀疏分解的高压断路器RBF网络机械故障诊断模型，将所述测试样本T2作为故障诊断模型的输入，高压断路器的机械故障类型作为输出，对高压断路器的机械故障类型进行判断，输出诊断结果。
实施例
将测试样本T2作为输入，高压断路器的机械故障类型作为输出，基于原子稀疏分解的高压断路器机械故障诊断模型测试样本T2部分数据如表1所示。高压断路器的机械故障诊断结果如表2所示。
表1训练样本T2部分数据
表2诊断结果
由表2数据可知，采用原子稀疏分解的RBF网络对高压断路器机械故障进行诊断，诊断结果与实际故障类型一致。从RBF网络的诊断结果来看，采用原子稀疏分解的RBF网络故障诊断模型可以准确地判断高压断路器的机械故障类型，准确性高。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于原子稀疏分解的高压断路器机械故障诊断方法，其特征在于，所述高压断路器机械故障诊断方法包括如下步骤：
步骤1、采用型号为ZN65-1的户内高压断路器试验模拟高压断路器不同类型的机械故障，通过LC0103T型压电加速度传感器采集高压断路器不同机械故障类型的振动信号；
步骤2、将所述振动信号进行原子稀疏分解，得到表征不同机械故障类型的衰减模态参数X＝(x1，x2，...，x5)T；
步骤3、将所述衰减模态参数X进行数据的预处理，得到不同机械故障类型下的特征向量T＝(t1，t2，...，t5)T；
步骤4、将所述特征向量T随机抽取若干组作为训练样本T1＝(t11，t12，...，t15)T，其余部分为测试样本T2＝(t21，t22，...，t25)T；
步骤5、将所述训练样本T1作为输入，高压断路器的机械故障类型作为输出，建立高压断路器RBF网络机械故障诊断模型；
步骤6、训练高压断路器RBF网络机械故障诊断模型；
步骤7、判别满足终止条件是否成立；如果成立，则执行步骤8；如果不成立，则执行步骤6；
步骤8、得到训练好的基于原子稀疏分解的高压断路器RBF网络机械故障诊断模型，将所述测试样本T2输入训练好的基于原子稀疏分解的高压断路器RBF网络机械故障诊断模型，对高压断路器的机械故障类型进行判断，并输出诊断结果。
2.根据权利要求1所述的高压断路器机械故障诊断方法，其特征在于，所述步骤2包括以下具体步骤：
步骤21、选取Gabor原子作为时频原子，它由一个经调制的高斯窗函数构成，Gabor原子的计算式如下：
其中，s为伸缩因子，ε为频率因子，为相位因子；
步骤22、从过完备Gabor原子库中找到与振动信号xi(t)最为匹配的原子，即为第1个最匹配原子具体计算式如下：
其中，为最初残差信号，为过完备Gabor原子库中的第v个时频原子，D为振动信号稀疏分解的过完备Gabor原子库；
步骤23、将第1个最匹配原子从振动信号xi(t)中抽取出来，得到第1个残差信号具体计算式如下：
步骤24、当其内积增加值超过当前的1％，并且当前伸缩因子、频率因子和相位因子3变量的增加值超过自身的10％时，按照步骤22和步骤23进行重复迭代运算，具体计算式如下：
其中，为第m次分解迭代过程中寻得的原子，为第m次分解迭代过程中产生的残余信号，第m-1次分解迭代过程中产生的残余信号；
步骤25、每次迭代时将新原子与最新残差信号做内积运算，当内积增加值不足当前的1％，或当前伸缩因子、频率因子和相位因子3变量的增加值不足自身的10％时，迭代终止，此时得到的原子即为最佳原子gγi(MA)，与此同时，所得的伸缩因子、频率因子和相位因子3变量即为最优3变量
步骤26、若当前最佳原子gγi(MA)波形为衰减时，由计算出衰减因子αγi(MA)，若当前最佳原子gγi(MA)波形为发散时，由 计算出衰减因子αγi(MA)；
步骤27、根据从小到大的排序方法，寻找最佳原子gγi(MA)幅值的最大值，即为衰减正弦量原子的最大幅值Aγi(MA)；
步骤28、由以上7步可求得振动信号的最优3变量sγi(MA)，εγi(MA)，以及衰减因子αγi(MA)，衰减正弦量原子的最大幅值Aγi(MA)，即为表征不同类型机械故障的衰减模态参数X。
3.根据权利要求1所述的高压断路器机械故障诊断方法，其特征在于，步骤3中，所述数据预处理的计算式如下：
t(p)是第p个衰减模态参数的样本值，xact(p)是第p个衰减模态参数的实际值，xmin(p)是第p个衰减模态参数的最小值，xmax(p)是第p个衰减模态参数的最大值。
4.根据权利要求1所述的高压断路器机械故障诊断方法，其特征在于，所述步骤5具体为：采用训练样本T1作为RBF网络输入层的神经元，训练样本T1＝(t11，t12，...，t15)T，高压断路器的机械故障类型作为输出，输出层有6个神经元，输出向量为Y＝(y1，y2，...，y6)T，隐含层到输出层的权值向量为W＝(w1，w2，...，wm)T，隐含层输出依靠训练样本T1与径向基函数中心的距离，基函数选用高斯函数，距离用欧式范数表示。当RBF网络输入为tk时，隐含层输出的具体计算式如下
其中，ui是第i个隐含层节点的输出，ci是第i个隐含层节点高斯函数的中心向量，σi是第i个隐含层节点的标准化常数；
输出层输出的具体计算式如下
其中，ui是第i个隐含层节点的输出，yk是输出层第k个节点的输出，w是隐含层到输出层的加权系数，θk是隐含层的阈值，q是隐含层节点数。
5.根据权利要求1所述的高压断路器机械故障诊断方法，其特征在于，所述步骤6包括以下具体步骤：
步骤61、随机选取h个训练样本T1作为聚类中心ci，利用最近邻规则对训练样本T1进行分组，按照tk与中心ci之间的欧式距离将tk分配到训练样本T1的各个聚类集合vp中；
步骤62、对每个聚类集合vp中的训练样本T1求平均值，构成新的聚类中心c′i，如果新的聚类中心c′i不再发生变化，则所得到的c′i即为RBF网络最终的基函数中心，如果新的聚类中心c′i发生变化，则返回步骤61；
步骤63、选取高斯函数作为RBF网络的基函数，方差σi的具体计算式如下：
其中，cmax是选取中心之间的最大距离；
步骤64、运用最小二乘法计算隐含层到输出层之间神经元的连接权值，计算公式如下：
。
6.根据权利要求1所述的高压断路器机械故障诊断方法，其特征在于，所述步骤7中，所述终止条件为训练误差小于0.0001或迭代次数达到5000。
7.根据权利要求1所述的高压断路器机械故障诊断方法，其特征在于，所述步骤8具体为：得到训练好的基于原子稀疏分解的高压断路器RBF网络机械故障诊断模型，将所述测试样本T2作为故障诊断模型的输入，高压断路器的机械故障类型作为输出，对高压断路器的机械故障类型进行判断，输出诊断结果。
CN201910197063.3A 2019-03-04 2019-03-04 一种基于原子稀疏分解的高压断路器机械故障诊断方法 Pending CN109975697A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910197063.3A CN109975697A (zh) 2019-03-04 2019-03-04 一种基于原子稀疏分解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
CN201910197063.3A CN109975697A (zh) 2019-03-04 2019-03-04 一种基于原子稀疏分解的高压断路器机械故障诊断方法

Publications (1)

Publication Number Publication Date
CN109975697A true CN109975697A (zh) 2019-07-05

Family

ID=67079021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910197063.3A Pending CN109975697A (zh) 2019-03-04 2019-03-04 一种基于原子稀疏分解的高压断路器机械故障诊断方法

Country Status (1)

Country Link
CN (1) CN109975697A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110940524A (zh) * 2019-12-06 2020-03-31 西安交通大学 一种基于稀疏理论的轴承故障诊断方法
CN111060813A (zh) * 2019-12-09 2020-04-24 国网北京市电力公司 高压断路器操作机构的故障诊断方法及装置、电子设备
CN114137399A (zh) * 2020-08-13 2022-03-04 国网天津市电力公司 一种基于变量预测模型的高压断路器故障识别方法
CN114714911A (zh) * 2022-04-11 2022-07-08 重庆大学 一种基于多域稀疏表达的电动客车高压负载系统故障诊断方法
CN118226248A (zh) * 2024-04-11 2024-06-21 三峡金沙江川云水电开发有限公司 一种基于轻型超大电流发生装置的断路器测试方法及系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110940524A (zh) * 2019-12-06 2020-03-31 西安交通大学 一种基于稀疏理论的轴承故障诊断方法
CN110940524B (zh) * 2019-12-06 2021-07-06 西安交通大学 一种基于稀疏理论的轴承故障诊断方法
CN111060813A (zh) * 2019-12-09 2020-04-24 国网北京市电力公司 高压断路器操作机构的故障诊断方法及装置、电子设备
CN114137399A (zh) * 2020-08-13 2022-03-04 国网天津市电力公司 一种基于变量预测模型的高压断路器故障识别方法
CN114714911A (zh) * 2022-04-11 2022-07-08 重庆大学 一种基于多域稀疏表达的电动客车高压负载系统故障诊断方法
CN114714911B (zh) * 2022-04-11 2024-05-28 重庆大学 一种基于多域稀疏表达的电动客车高压负载系统故障诊断方法
CN118226248A (zh) * 2024-04-11 2024-06-21 三峡金沙江川云水电开发有限公司 一种基于轻型超大电流发生装置的断路器测试方法及系统

Similar Documents

Publication Publication Date Title
CN109975697A (zh) 一种基于原子稀疏分解的高压断路器机械故障诊断方法
US11544917B2 (en) Power electronic circuit fault diagnosis method based on optimizing deep belief network
CN110929763B (zh) 基于多源数据融合的中压真空断路器机械故障诊断方法
CN111832353B (zh) 基于emd与ba优化svm的汽轮机转子故障诊断方法
CN112051481B (zh) 一种基于lstm的交直流混联电网故障区域诊断方法和系统
CN113935460A (zh) 类不平衡数据集下的机械故障智能诊断方法
CN110617966A (zh) 一种基于半监督生成对抗网络的轴承故障诊断方法
CN107101813A (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
CN111275004B (zh) 基于lmd和脉冲神经网络的轴承故障诊断方法
CN111272429A (zh) 一种轴承故障诊断方法
CN114004091B (zh) 一种基于CEEMDAN-BNs的风力变桨距系统故障诊断方法
CN106017879A (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
CN110969096A (zh) 基于粒子群优化支持向量机的电机故障模式诊断方法
CN111553495A (zh) 一种基于概率神经网络的小型断路器故障分析方法
CN111275108A (zh) 基于生成对抗网络对局部放电数据进行样本扩展的方法
CN115221930A (zh) 一种滚动轴承的故障诊断方法
CN115600088A (zh) 一种基于振动信号的配电变压器故障诊断方法
Omar et al. Fault classification on transmission line using LSTM network
CN109975634A (zh) 一种基于原子稀疏分解的变压器绕组故障诊断方法
CN113705396A (zh) 一种电机故障诊断方法、系统及设备
CN106301610A (zh) 一种超外差接收机的自适应故障检测和诊断方法及装置
CN114331214A (zh) 基于强化学习的域自适应轴承声纹故障诊断方法及系统
Fahim et al. Uncertainty awareness in transmission line fault analysis: A deep learning based approach
Wang Research on the fault diagnosis of mechanical equipment vibration system based on expert system
Ali et al. Experimental investigation of machine learning based fault diagnosis for induction motors

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190705