CN110263944A - 一种多变量故障预测方法和装置 - Google Patents

一种多变量故障预测方法和装置 Download PDF

Info

Publication number
CN110263944A
CN110263944A CN201910425990.6A CN201910425990A CN110263944A CN 110263944 A CN110263944 A CN 110263944A CN 201910425990 A CN201910425990 A CN 201910425990A CN 110263944 A CN110263944 A CN 110263944A
Authority
CN
China
Prior art keywords
parameter
failure
variation
association rule
multivariable
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
CN201910425990.6A
Other languages
English (en)
Inventor
刘昕
张孝苗
袁江如
张卫山
席永轲
曹帅
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.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
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 China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN201910425990.6A priority Critical patent/CN110263944A/zh
Publication of CN110263944A publication Critical patent/CN110263944A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供了一种多变量故障预测方法，该方法融合了双重关联规则和多个参数变化模式。在设备运行期间，各种各样的故障都有可能发生，设备故障预测可以降低故障的发生几率，从而降低用户和制造商的维护成本。首先，我们基于参数变化模式得到了故障发生前变化较快且变化不稳定的多个参数变量。其次，基于双重关联规则能够得到与所选参数具有强关联性的参数变量。将参数变化模式和双重关联规则方法得到的两类参数进行比较、去重、分析，获得影响故障的关键参数。最后通过关键参数的变化模式设置参数阈值，分析不同故障的预警时间和发生概率，根据当前数据的变化进行实时预测。

Description

一种多变量故障预测方法和装置
技术领域
本发明涉及到一种故障预测方法，特别涉及一种多变量故障预测方法和装置。
背景技术
设备运行期间，故障偶尔会发生。一旦发生故障，会给用户和制造商造成一定的损失。但是用户和制造商难以判断设备何时会发生故障。由于设备本身和外部环境复杂多变，导致设备故障具有复杂性、随机性和多样性。
智能设备的参数具有高维特性，且有些参数之间具有相关性，为了对数据降维处理，出现了一批应用主成分分析(PCA)的研究。PCA和时间序列模型ARMAX相结合的动态主成分分析DPCA，有效去除了测量变量时间序列的自相关关系。动态主元分析DPCA较好的解决了数据的动态性问题，但仍是一种线性化的建模方法，只能处理线性可分的数据。S变换是一种加窗傅里叶变换,它将一维时域信号变换到二维时频域信号,适合分析非平稳信号。将S变换应用于生理检测,得出了正确诊断结果，而且心音图的S变换比其短时傅里叶变换和连续小波变换更利于诊断出病症，但是S变换在较高频带范围内相对于小波变换和短时傅里叶变换来说频域分辨不精确。
随着深度学习技术的飞速发展，基于深度学习的故障分析技术成为了一个研究热点。早期的数据分析故障诊断模型，如arma、arima、arimax等逐步被深度学习方法替代。基于自动编码器(AE)的方法可以从数据中学习高级表达，大多数AE模型都是基于深度架构技术，堆叠多个自动编码器形成堆叠自编码器SAE。AE可以用于整合特征提取算法与分类识别算法，实现较高性能的故障分析结果。SAE相关的故障分析方法具有较好的故障特征提取能力，从大量无标签数据中实现故障诊断。但是，自编码器方法在故障特征提取时没有全局观，容易陷入局部最优解。基于深度置信网(DBN)和受限玻尔兹曼机(RBM)的方法，RBM的显层用于输入训练数据，隐层用作特征检测器。RBM及DBN着重于学习数据的特征表示，实现测量数据从低级到高级的特征表示和提取。DBN首先使用无监督逐层训练的方式，有效挖掘设备信号中的运行特征，然后将DBN作为一个分类器，通过反向有监督微调来优化模型。但是，DBN生成的故障诊断模型没有考虑不同故障类别之间的最优分类关系，导致故障诊断精度较低；同时，由于DBN用于故障特征提取时学习的是数据的联合分布，复杂性较高。CNN实质是构建多个能够提取数据特征的滤波器，通过这些滤波器对数据进行多次的卷积及池化，从而提取出输入数据的隐藏特征。CNN卷积层中的滤波器可以提取原始数据中的局部模式，并且堆叠这些卷积层进一步构建复杂模式。但是CNN用于故障诊断时，其输入还限于一维或二维的结构特征；在序列信号的应用上，CNN只响应预先设定的信号长度，每层神经元的信号只能向上一层传播，样本的处理在各时刻独立，不能对整体考虑，限制了其对时间序列故障的分析能力尤其是预测能力。基于递归神经网络(RNN)的方法，针对时间序列数据，包括长短期记忆模型(LSTM)和门控递归单元(GRU)在内的RNN模型能够对时序信息进行编码，从而处理顺序数据。RNN考虑了数据特征之间的关联关系，充分考虑了前后特征对当前特征的影响，适合对序列内容建模。但是，RNN的技术特点决定了它用于故障诊断时，更适合于处理连续型变量，即自变量和因变量之间存在一种连续的变化关系；故障诊断的精度和有效性将非常局限于输入样本与训练数据集的相似性。另外，还有基于其他神经网络与传统算法结合的故障预测模型。例如通过神经网络和粒子群算法的结合通过数据分析来预测变压器故障，但该模型容易陷入局部最优。利用深度学习进行时间序列分析正在成为一个重要的研究方向，并在故障分析方面取得了良好效果，但是基于深度学习进行故障预测的工作还很少，尚未取得重要突破。
变化率可以反应一段时间内参数的变化模式，使用关联规则可以通过分析数据找到参数之间隐藏的关联关系，并确保原始数据不被破坏。大多数研究者通过数据分析来做故障诊断，若能提前预测将要发生的故障并发出警告，将提高设备的运行效率，减轻用户和制造商的损失。因此，为了根据当前数据的变化进行实时故障预测，我们提出了基于双重关联规则和多个参数变化模式的方法。
发明内容
为了解决现有技术问题，本发明提供了一种多变量故障预测方法，该方法融合了双重关联规则和多个参数变化模式。本发明基于参数变化模式能够得到故障发生前变化较快且变化不稳定的多个参数变量，本发明基于双重关联规则能够得到与所选参数具有强关联性的参数变量。将参数变化模式和双重关联规则方法得到的两类参数进行比较、去重、分析，获得影响故障的关键参数。通过参数变化模式设置关键参数的阈值，分析不同故障的预警时间和发生概率，根据当前数据的变化进行实时预测。
本发明所采用的技术方案如下：
一种多变量故障预测方法，包括以下步骤：
A.数据预处理主要包括去除无用参数、修正异常值等操作。
B.计算出故障发生前每个时间间隔每个参数的变化率，发现每个参数变化模式，得到故障发生前变化快且变化不稳定的参数。
C.应用关联规则算法计算得到多个同时变化的参数之间的关联关系，应用关联规则算法计算得到多个同时相对稳定的参数之间的关联关系，应用以上双重关联规则获得相关性强的参数。
D.将参数变化模式和双重关联规则方法得到的两类参数进行比较、去重、分析，获得影响故障的关键参数变量。
E.根据关键参数的变化模式，设置参数阈值，分析不同故障的预警时间和发生概率，根据当前数据的变化进行实时预测。
步骤A中，所述的无用参数是指：所选时间范围内数值一直不变的参数，因为参数值一直不变，变化率为0，无法通过参数的变化模式分析参数对故障的影响。
步骤B中，所述的变化率是指：相邻采样时间点参数值的差比所选取时间段内参数值的最大值与最小值的差。
步骤C中，所述的相关性强的参数是指：两个或两个以上参数在一段时间范围内同时变化且另一段时间范围内同时不变，说明其具有相似的变化模式，具有强关联性。
步骤D中，所述的关键参数是指：选择参数变化模式得到的故障发生前变化快且变化不稳定的参数，并选择通过双重关联规则得到的与所选参数具有强关联性的参数，作为影响故障的关键参数。
步骤E中，所述的关键参数的阈值是指：根据所选出的每个关键参数的变化模式，为每个关键参数选择其变化率的值作为其变化率阈值，在一定时间范围内，超过变化率阈值的参数个数越多，则故障发生的概率越大。
另一方面，本发明提供了一种多变量故障预测装置，包括以下模块：
数据预处理模块：数据预处理主要包括去除无用参数、修正异常值等操作。
参数变化模式模块：计算出故障发生前每个时间间隔每个参数的变化率，发现每个参数变化模式，得到故障发生前变化快且变化不稳定的参数。
双重关联规则模块：应用关联规则算法计算得到多个同时变化的参数之间的关联关系，应用关联规则算法计算得到多个同时相对稳定的参数之间的关联关系，应用以上双重关联规则获得相关性强的参数。
融合模块：将参数变化模式和双重关联规则方法得到的两类参数进行比较、去重、分析，获得影响故障的关键参数。
预测模块：根据关键参数的变化模式，设置参数的阈值，分析不同故障的预警时间和发生概率，根据当前数据的变化进行实时预测。
本发明提供的技术方案以及一种多变量故障预测装置带来的有益效果是：
本发明将参数变化模式和双重关联规则方法得到的两类参数进行比较、去重、分析，不但能得到影响不同故障发生的关键参数，而且通过设置关键参数的阈值，分析不同故障的预警时间和发生概率，根据当前数据的变化进行实时故障预测。
附图说明
为了更清楚的说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明某个故障的多参数变化模式图。
图2为本发明实施例提供的一种多变量故障预测装置的技术路线图。
图3为本发明的一种多变量故障预测装置的结构示意图。
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，下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一
本实施例的基础在于，我们通过设置一种设备各部件的传感器，收集了该设备在运行过程中产生的大量数据，这些数据包括每个采样点各个部件的参数状态值，形成了多维的时间序列数据，由于设备大多数情况下运行正常，收集到的数据中故障数据较少，约为0.1％。针对这种类型的数据，我们分以下三步进行分析和预测。
第一步是数据预处理，主要包括去除无用参数、修正异常值等操作。首先，去除无用参数是指所选时间范围内数值一直不变的参数，因为参数值一直不变，变化率为0，无法通过参数的变化模式分析参数对故障的影响。其次，检查每个参数在所收集时间范围内的数据一致性，发现参数的异常值，取其前后采样点数据的均值进行修正。最后，将数据格式规范化，改写为数据项格式，以适合后期的双重关联规则分析。
第二步，挖掘参数变化模式。计算故障发生前m秒每个采样点各个参数的变化率，m的值根据具体设备而定，比较故障发生前所有参数的变化率，将变化率为0的参数去掉；然后统计每个参数变化的次数，根据次数排序，取出现次数最多的前n个参数，n的值根据参数个数而定，得到故障发生前变化快且变化不稳定的参数，将其归为引起故障发生的主要参数。
第三步，采用基于双重关联规则方法得到参数间隐藏的关联关系，发现基于参数变化模式的方法可能会遗漏引起故障发生的关键参数。
针对有些参数会联动变化的情况：如两个参数在一段时间内同时发生变化，在另一段时间内同时都稳定。应用关联规则挖掘多个同时变化的参数之间的关联关系；应用关联规则挖掘同时段稳定的多个参数之间的关联关系。应用以上双重关联规则获得的参数之间的关联性，选择相关性强的参数。将参数变化模式和双重关联规则方法得到的两类参数进行比较、去重、分析，获得影响故障的关键参数。
第四步，设置关键参数的阈值，分析不同故障的预警时间和发生概率，根据当前数据的变化进行实时预测。
实时计算每个关键参数的变化率，记录每个超过变化率阈值的关键参数，这些参数称为异常参数，将异常参数的个数与关键参数的个数的比值作为故障发生概率。

Claims (7)

1.一种多变量故障预测方法，针对每一个故障的分析包括以下步骤：
A.数据预处理主要包括去除无用参数、修正异常值等操作。
B.计算出故障发生前每个时间间隔每个参数的变化率，发现每个参数变化模式，得到故障发生前变化快且变化不稳定的参数。
C.应用关联规则算法计算得到多个同时变化的参数之间的关联关系，应用关联规则算法计算得到多个同时相对稳定的参数之间的关联关系，应用以上双重关联规则获得相关性强的参数。
D.将参数变化模式和双重关联规则方法得到的两类参数进行比较、去重、分析，获得影响故障的关键参数变量。
E.根据关键参数的变化模式，设置参数阈值，分析不同故障的预警时间和发生概率，根据当前数据的变化进行实时预测。
2.根据权利要求1所述的一种多变量故障预测方法，其特征在于，所述的步骤A中，所述的无用参数是指：所选时间范围内数值一直不变的参数，因为参数值一直不变，变化率为0，无法通过参数的变化模式分析参数对故障的影响。
3.根据权利要求1所述的一种多变量故障预测方法，其特征在于，所述的步骤B中，所述的变化率是指：相邻采样时间点参数值的差比所选取时间段内参数值的最大值与最小值的差。
4.根据权利要求1所述的一种多变量故障预测方法，其特征在于，所述的步骤C中，所述的相关性强的参数是指：两个或两个以上参数在一段时间范围内同时变化且另一段时间范围内同时不变，说明其具有相似的变化模式，具有强关联性。
5.根据权利要求1所述的一种多变量故障预测方法，其特征在于，所述的步骤D中,所述的关键参数是指：选择参数变化模式得到的故障发生前变化快且变化不稳定的参数，并选择通过双重关联规则得到的与所选参数具有强关联性的参数，作为影响故障的关键参数。
6.根据权利要求1所述的一种多变量故障预测方法，其特征在于，所述的步骤E中,所述的关键参数的阈值是指：根据所选出的每个主要关键参数的变化模式，为每个关键参数选择其变化率的值作为其变化率阈值，在一定时间范围内，超过变化率阈值的参数个数越多，则故障发生的概率越大。
7.一种多变量故障预测装置，包括以下模块：
数据预处理模块：数据预处理主要包括去除无用参数、修正异常值等操作。
参数变化模式模块：计算出故障发生前每个时间间隔每个参数的变化率，发现每个参数变化模式，得到故障发生前变化快且变化不稳定的参数。
双重关联规则模块：应用关联规则算法计算得到多个同时变化的参数之间的关联关系，应用关联规则算法计算得到多个同时相对稳定的参数之间的关联关系，应用以上双重关联规则获得相关性强的参数。
融合模块：将参数变化模式和双重关联规则方法得到的两类参数进行比较、去重、分析，获得影响故障的关键参数。
预测模块：根据关键参数的变化模式，设置参数阈值，分析不同故障的预警时间和发生的概率，根据当前数据的变化进行实时预测。
CN201910425990.6A 2019-05-21 2019-05-21 一种多变量故障预测方法和装置 Pending CN110263944A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910425990.6A CN110263944A (zh) 2019-05-21 2019-05-21 一种多变量故障预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910425990.6A CN110263944A (zh) 2019-05-21 2019-05-21 一种多变量故障预测方法和装置

Publications (1)

Publication Number Publication Date
CN110263944A true CN110263944A (zh) 2019-09-20

Family

ID=67915042

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910425990.6A Pending CN110263944A (zh) 2019-05-21 2019-05-21 一种多变量故障预测方法和装置

Country Status (1)

Country Link
CN (1) CN110263944A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110647539A (zh) * 2019-09-26 2020-01-03 汉纳森（厦门）数据股份有限公司 一种用于车辆故障的预测方法和系统
CN113671421A (zh) * 2021-08-24 2021-11-19 华北电力大学（保定） 一种变压器状态评估与故障预警方法
CN115130671A (zh) * 2022-08-31 2022-09-30 合肥中科迪宏自动化有限公司 设备综合效率预测模型的训练方法及存储介质、电子设备
CN117114352A (zh) * 2023-09-15 2023-11-24 北京阿帕科蓝科技有限公司 车辆维护方法、装置、计算机设备和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102208028A (zh) * 2011-05-31 2011-10-05 北京航空航天大学 一种适用于动态复杂系统的故障预测和诊断方法
CN103064340A (zh) * 2011-10-21 2013-04-24 沈阳高精数控技术有限公司 一种面向数控机床的故障预测方法
CN103996077A (zh) * 2014-05-22 2014-08-20 中国南方电网有限责任公司电网技术研究中心 一种基于多维时间序列的电气设备故障预测方法
CN106845526A (zh) * 2016-12-29 2017-06-13 北京航天测控技术有限公司 一种基于大数据融合聚类分析的关联参数故障分类方法
CN107301296A (zh) * 2017-06-27 2017-10-27 西安电子科技大学 基于数据的断路器故障影响因素定性分析方法
CN109257120A (zh) * 2018-09-28 2019-01-22 西南电子技术研究所（中国电子科技集团公司第十研究所） 预测射频电路故障表征参数的优选方法
CN109428647A (zh) * 2017-08-31 2019-03-05 华为技术有限公司 实现故障原因定位的方法、装置及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102208028A (zh) * 2011-05-31 2011-10-05 北京航空航天大学 一种适用于动态复杂系统的故障预测和诊断方法
CN103064340A (zh) * 2011-10-21 2013-04-24 沈阳高精数控技术有限公司 一种面向数控机床的故障预测方法
CN103996077A (zh) * 2014-05-22 2014-08-20 中国南方电网有限责任公司电网技术研究中心 一种基于多维时间序列的电气设备故障预测方法
CN106845526A (zh) * 2016-12-29 2017-06-13 北京航天测控技术有限公司 一种基于大数据融合聚类分析的关联参数故障分类方法
CN107301296A (zh) * 2017-06-27 2017-10-27 西安电子科技大学 基于数据的断路器故障影响因素定性分析方法
CN109428647A (zh) * 2017-08-31 2019-03-05 华为技术有限公司 实现故障原因定位的方法、装置及存储介质
CN109257120A (zh) * 2018-09-28 2019-01-22 西南电子技术研究所（中国电子科技集团公司第十研究所） 预测射频电路故障表征参数的优选方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110647539A (zh) * 2019-09-26 2020-01-03 汉纳森（厦门）数据股份有限公司 一种用于车辆故障的预测方法和系统
CN110647539B (zh) * 2019-09-26 2022-06-24 汉纳森（厦门）数据股份有限公司 一种用于车辆故障的预测方法和系统
CN113671421A (zh) * 2021-08-24 2021-11-19 华北电力大学（保定） 一种变压器状态评估与故障预警方法
CN115130671A (zh) * 2022-08-31 2022-09-30 合肥中科迪宏自动化有限公司 设备综合效率预测模型的训练方法及存储介质、电子设备
CN117114352A (zh) * 2023-09-15 2023-11-24 北京阿帕科蓝科技有限公司 车辆维护方法、装置、计算机设备和存储介质
CN117114352B (zh) * 2023-09-15 2024-04-09 北京阿帕科蓝科技有限公司 车辆维护方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN110263944A (zh) 一种多变量故障预测方法和装置
Zou et al. Bearing fault diagnosis based on combined multi-scale weighted entropy morphological filtering and bi-LSTM
CN111914873A (zh) 一种两阶段云服务器无监督异常预测方法
CN101614786B (zh) 基于frft和ifsvc的功率电子电路在线智能故障诊断方法
CN113312447B (zh) 基于概率标签估计的半监督日志异常检测方法
WO2015176565A1 (zh) 一种基于多维时间序列的电气设备故障预测方法
CN113642754B (zh) 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法
KR102149495B1 (ko) 환경 예측 모델의 훈련지표 최적화 장치 및 그 동작방법
Zhao et al. Time series prediction method based on convolutional autoencoder and LSTM
Bie et al. An integrated approach based on improved CEEMDAN and LSTM deep learning neural network for fault diagnosis of reciprocating pump
CN111898644B (zh) 一种无故障样本下航天液体发动机健康状态智能识别方法
Son et al. Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge
CN116610998A (zh) 一种基于多模态数据融合的开关柜故障诊断方法和系统
CN115018012B (zh) 一种高维度特性下的物联网时间序列异常检测方法及系统
Li et al. Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy
CN118051827A (zh) 基于深度学习的电网故障预测方法
CN115098962A (zh) 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法
CN114818817B (zh) 一种电容式电压互感器微弱故障识别系统及方法
Kotenko et al. An approach for intelligent evaluation of the state of complex autonomous objects based on the wavelet analysis
Sadoughi et al. A deep learning approach for failure prognostics of rolling element bearings
Iquebal et al. Change detection in complex dynamical systems using intrinsic phase and amplitude synchronization
CN117667495B (zh) 一种关联规则与深度学习集成的应用系统故障预测方法
Sun et al. Remaining useful life prediction for circuit breaker based on opening-related vibration signal and SA-CNN-GRU
Zhang et al. Fault diagnosis on train brake system based on multi-dimensional feature fusion and GBDT enhanced classification
Alsumaidaee et al. Fault detection for medium voltage switchgear using a deep learning hybrid 1D-CNN-LSTM model

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

Application publication date: 20190920

WD01 Invention patent application deemed withdrawn after publication