CN110427918B - 一种电子式电力互感器的故障分类方法及可读存储介质 - Google Patents
一种电子式电力互感器的故障分类方法及可读存储介质 Download PDFInfo
- Publication number
- CN110427918B CN110427918B CN201910753343.8A CN201910753343A CN110427918B CN 110427918 B CN110427918 B CN 110427918B CN 201910753343 A CN201910753343 A CN 201910753343A CN 110427918 B CN110427918 B CN 110427918B
- Authority
- CN
- China
- Prior art keywords
- waveform signal
- fault
- signal
- transformer
- mutual inductor
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/02—Testing or calibrating of apparatus covered by the other groups of this subclass of auxiliary devices, e.g. of instrument transformers according to prescribed transformation ratio, phase angle, or wattage rating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开一种电子式电力互感器的故障分类方法,涉及电力系统故障诊断技术领域,所述方法包括如下步骤:获取互感器的波形信号,并对所述波形信号进行降噪处理获得降噪波形信号;基于所述降噪波形信号计算互感器波形信号的分形盒维数;根据所述互感器波形信号的分形盒维数对所述互感器的故障类型进行分类。本发明方法利用故障信号自身的分形特征进行分类,保证了分类效率与精度,实现了对电子式互感器故障状态进行快速准确分类。
Description
技术领域
本发明涉及电力系统故障诊断技术领域,特别是一种电子式电力互感器的故障分类方法及可读存储介质。
背景技术
电力互感器是电力系统中获取继电保护信号和电能计量的关键设备,传统的电磁式电力互感器由于绝缘结构复杂,体积笨重、动态范围小、互感器输出的模拟信号不能直接与计量及保护设备接口、易产生铁磁谐振等固有缺点已越来越不适应智能电网的发展。
随着电力电子与信号检测技术的进步,二次测量装置和继电保护不再需要大功率驱动,电力系统对互感器的要求发生了变化,出现了电子式互感器。为了保障变电站内继电保护和自动化装置数据采集的正确性,需要对电子式互感器进行故障检测,实现故障的快速分类与处理,提高数字化变电站的安全运行水平。
现有技术尚不能对电子式互感器的故障进行准确快速的诊断分类。
发明内容
有鉴于现有技术的上述缺陷,本发明的目的就是提供一种电子式电力互感器的故障分类方法及可读存储介质,实现基于分形理论对电子式互感器故障状态进行分类。
本发明的目的之一是通过这样的技术方案实现的,一种电子式电力互感器的故障分类方法,所述方法包括如下步骤:
获取互感器的波形信号,并对所述波形信号进行降噪处理获得降噪波形信号;
基于所述降噪波形信号计算互感器波形信号的分形盒维数;
根据所述互感器波形信号的分形盒维数对所述互感器的故障类型进行分类。
可选的,所述互感器的波形信号,包括:
获取电子式互感器的故障信号、电子式互感器的诊断信号、本侧其他电子式互感器信号和线路对侧电子式互感器信号。
可选的,对所述波形信号进行降噪处理获得降噪波形信号,包括:
根据波形信号的噪声影响确定小波分解层数;
基于所述小波分解层数对含噪波形信号进行小波分解;
对小波分解获得的高频系数的阈值进行量化处理,并根据量化处理结果进行小波重构以完成含噪波形信号的滤波。
可选的,对小波分解获得的高频系数的阈值进行量化处理,并根据量化处理结果进行小波重构以完成含噪波形信号的滤波,包括:
获取小波分解的分解层次对应的高频系数;
根据所述小波分解的分解层次的高频系数数量确定软阈值,并基于所述软阈值对所述高频系数进行阈值化;
根据小波分解的分解层次对应的低频系数和阈值化后的高频系数进行小波重构。
可选的,基于所述降噪波形信号计算互感器波形信号的分形盒维数,包括:
对所述降噪波形信号进行二值化处理,并对二值化处理后的波形信号进行矩阵表示;
对矩阵表示的波形信号进行划分获得盒子数;
基于所述盒子数采用最小二乘法进行数据拟合,将拟合直线斜率的负值作为计算的分形盒维数。
可选的,根据所述互感器波形信号的分形盒维数对所述互感器的故障类型进行分类,包括:
若故障信号的分形盒维数值为1,则将互感器的故障类型分为完全失效故障;
若故障信号的分形盒维数值与正常信号的分形盒维数值相同,则将互感器的故障类型分为固定偏差类;
若故障信号的分形盒维数值为其他值,则将互感器的故障类型分为其他类。
可选的,在互感器的故障类型为其他类的情况下,所述方法还包括:
将多次监测到的正常信号的分形盒维数值与当前分形盒维数值的差值作为精细分类数据集合,并通过聚类算法对所述精细分类数据集合进行聚类以完成对互感器的故障类型的精细分类。
可选的,在完成对互感器的故障类型的精细分类之后,所述方法还包括:
采用模糊隶属度函数对精细分类后的孤立数据进行处理;
将经过模糊化处理的孤立数据按照距离类中心的几何距离进行归类以完成互感器的故障类型的完全分类。
本发明的目的之二是通过这样的技术方案实现的,一种计算机可读存储介质,所述计算机可读存储介质上存储有信息传递的实现程序,所述程序被处理器执行时实现前述的方法的步骤。
由于采用了上述技术方案,本发明具有如下的优点:本发明根据互感器波形信号的分形盒维数对所述互感器的故障类型进行分类。实现了对电子式互感器故障状态进行快速准确分类。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。
附图说明
本发明的附图说明如下:
图1为本发明第一实施例流程图;
图2为本发明第二实施例的故障分类示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
实施例,如图1所示,本发明第一实施例提出一种电子式电力互感器的故障分类方法,所述方法包括如下步骤:
获取互感器的波形信号,并对所述波形信号进行降噪处理获得降噪波形信号;
基于所述降噪波形信号计算互感器波形信号的分形盒维数;
根据所述互感器波形信号的分形盒维数对所述互感器的故障类型进行分类。
本发明根据互感器波形信号的分形盒维数对所述互感器的故障类型进行分类,本发明方法利用故障信号自身的分形特征进行分类,保证了分类效率与精度,实现了对电子式互感器故障状态进行快速准确分类。
可选的,在本发明一个可选的实施例中,所述互感器的波形信号,包括:
获取电子式互感器的故障信号、电子式互感器的诊断信号、本侧其他电子式互感器信号和线路对侧电子式互感器信号。
具体的说,该步骤包括获取当前电子式互感器的故障信号、电子式互感器的诊断信号、本侧其他电子式互感器信号和线路对侧电子式互感器信号。
可选的,在本发明一个可选的实施例中,对所述波形信号进行降噪处理获得降噪波形信号,包括:
根据波形信号的噪声影响确定小波分解层数;
基于所述小波分解层数对含噪波形信号进行小波分解;
对小波分解获得的高频系数的阈值进行量化处理,并根据量化处理结果进行小波重构以完成含噪波形信号的滤波。
在本实施例中,上述方法可以表述为:
首先对含噪信号S(i)采用Daubechies(dbN)进行小波分解。根据数据的噪声影响确定小波分解层数N,进行N层小波分解,然后对小波分解高频系数的阈值进行量化处理。
可选的,对小波分解获得的高频系数的阈值进行量化处理,并根据量化处理结果进行小波重构以完成含噪波形信号的滤波,包括:
获取小波分解的分解层次对应的高频系数;
根据所述小波分解的分解层次的高频系数数量确定软阈值,并基于所述软阈值对所述高频系数进行阈值化;
根据小波分解的分解层次对应的低频系数和阈值化后的高频系数进行小波重构。
在本实施例中,在前述方案的基础上,对小波分解高频系数的阈值进行量化处理包括:
对第1层到第N层的每一层高频系数,采用公式λ=(2logN)1/2(N取值为分解层次的高频系数个数)计算得到的软阈值进行阈值化。进一步根据小波分解的第N层的低频系数和经过量化处理后的第1层到第N层的高频系数,进行一维信号的小波重构,完成带噪信号滤波。
可选的,基于所述降噪波形信号计算互感器波形信号的分形盒维数,包括:
对所述降噪波形信号进行二值化处理,并对二值化处理后的波形信号进行矩阵表示;
对矩阵表示的波形信号进行划分获得盒子数;
基于所述盒子数采用最小二乘法进行数据拟合,将拟合直线斜率的负值作为计算的分形盒维数。
具体的说,在本实施例中,对经过去噪之后的波形信号计算互感器波形信号的分形盒维数,包括:
首先把信号曲线图形进行二值化处理,使用矩阵表示该图形数据。然后把矩阵分为若干部分,使得每部分的行数和列数均为k,将包0(或1)的块的个数记作Mk,取k=1,2,4,…,2i,以1,2,...,2i个像素点的尺寸为边长进行划分得到的盒子数
进一步,定义δk=kδ(k=1,2,...,2i),采用最小二乘法拟合数据点(logδk,logMk),将拟合直线斜率的负值作为计算的分形盒维数的记作F。
可选的,根据所述互感器波形信号的分形盒维数对所述互感器的故障类型进行分类,包括:
若故障信号的分形盒维数值为1,则将互感器的故障类型分为完全失效故障;
若故障信号的分形盒维数值与正常信号的分形盒维数值相同,则将互感器的故障类型分为固定偏差类;
若故障信号的分形盒维数值为其他值,则将互感器的故障类型分为其他类。
具体的说,在本实施例中,首先根据分形维数进行互感器故障的粗分类。
若故障信号的分形盒维数F值为1,则分类为完全失效故障,称为第一类。否则,如果故障信号的维数F值与正常信号的维数F值相同,判断为固定偏差类,称为第二类故障。故障信号的维数F值为其他值的,判断为其他类,采用后续方法进行进一步分类。
可选的,在互感器的故障类型为其他类的情况下,所述方法还包括:
将多次监测到的正常信号的分形盒维数值与当前分形盒维数值的差值作为精细分类数据集合,并通过聚类算法对所述精细分类数据集合进行聚类以完成对互感器的故障类型的精细分类。
在前述粗分类的基础上,在本实施例中,对于前述判断为其他类的故障信号,定义差异指数ΛF=正常信号维数F-故障信号维数F,然后将多次监测获取的ΛF作为精细分类数据集合。对于该集合,使用DBscan算法进行聚类。预期的类别主要包括:变比放大故障类(第三类)、变比缩小故障类(第四类)、精度失真故障类(第五类)等。
可选的,在完成对互感器的故障类型的精细分类之后,所述方法还包括:
采用模糊隶属度函数对精细分类后的孤立数据进行处理;
将经过模糊化处理的孤立数据按照距离类中心的几何距离进行归类以完成互感器的故障类型的完全分类。
对于前述实施例中仍然未完成分类的故障信号的孤立数据,采用模糊隶属度函数进行处理,可以使用高斯隶属度函数进行计算。然后将经过模糊化的孤立数据按照距离类中心的几何距离归并到上述五个类别中最近的类别中。
本发明方法利用故障信号自身的分形特征进行分类,并且为了保证分类效率与精度,提出了信号滤波去除高频噪声、粗细结合的分类提高分类效率的流程,并通过模糊处理来加强对特殊孤立数据的分类覆盖效果,共分为四个阶段完成;第一阶段为通过小波滤波进行故障波形信号的去燥处理;第二阶段为通过对信号波形数据的分形特征计算来获取故障F指数;第三阶段为根据故障信号F值进行粗分类的机制,第四阶段为通过训练DBscan进行分类,并且进一步采用模糊处理解决孤立数据分类问题。从而提高互感器工作的可靠性与检修计划的有效性,本发明方法适用于电子式互感器的故障状态分类,可以适用于多电压等级与工作环境,具有很高的普适性。
本发明第二实施例提出一种电子式电力互感器的故障分类方法的具体实例:
本实施例提出一种有效对电子式电力互感器的故障进行分类的方法:利用故障信号自身的分形特征进行分类,并且为了保证分类效率与精度,提出信号滤波去除高频噪声、粗细结合的分类提高分类效率的流程,并通过模糊处理来加强对特殊孤立数据的分类覆盖效果,共分为四个阶段完成;第一阶段为通过小波滤波进行故障波形信号的去燥处理;第二阶段为通过对信号波形数据的分形特征计算来获取故障F指数;第三阶段为根据故障信号F值进行粗分类的机制,第四阶段为通过训练DBscan进行分类,并且进一步采用模糊处理解决孤立数据分类问题。本实施例中对故障分类的流程如图2所示。
如图2所示,具体实施步骤如下:
步骤一,通过小波滤波器进行故障波形的降噪处理:
将含有噪声的互感器故障波形的一维信号表示为:S(i)=f(i)+δe(i),i=0,…,n-1。其中f(i)为真实信号,e(i)为噪声信号。首先对含噪信号S(i)采用Daubechies(dbN)进行小波分解。根据数据的噪声影响确定小波分解层数N,进行N层小波分解,在本实施例中N使用4,5即可。然后对小波分解高频系数的阈值进行量化处理。对第1层到第N层的每一层高频系数,采用公式λ=(2logN)1/2(N取值为分解层次的高频系数个数)计算得到的软阈值进行阈值化。进一步根据小波分解的第N层的低频系数和经过量化处理后的第1层到第N层的高频系数,进行一维信号的小波重构,完成带噪信号滤波。
步骤二,将按照步骤一种去噪声后的电子式互感器诊断信号、本侧其他电子式互感器信号、线路对侧电子式互感器信号逐个计算分形盒维数。计算方法如下:
首先把信号曲线图形进行二值化处理,使用矩阵表示该图形数据。然后把矩阵分为若干部分,使得每部分的行数和列数均为k,将包含0(或1)的块的个数记作Mk,取k=1,2,4,…,2i,以1,2,4...,2i个像素点的尺寸为边长进行划分得到的盒子数
进一步,定义δk=kδ(k=1,2,...,2i),采用最小二乘法拟合数据点(logδk,logMk),将拟合直线斜率的负值作为计算的分形盒维数的记作F。
步骤三,根据分形维数进行互感器故障的粗分类
如果故障信号的维数F值为1,则分类为完全失效故障,称为第一类。否则,如果故障信号的维数F值与正常信号的维数F值相同,判断为固定偏差类,称为第二类故障。故障信号的维数F值为其他值的,判断为其他类,采用步骤四的方法进一步分类。
步骤四,对于步骤三中判断为其他类的故障信号,定义差异指数ΛF=正常信号F-故障信息F,然后将多次监测获取的ΛF看作精细分类数据集合。对于该集合,使用DBscan算法进行聚类。预期的类别主要包括:变比放大故障类(第三类)、变比缩小故障类(第四类)、精度失真故障类(第五类)等。
步骤五,对于步骤四中的孤立数据,采用模糊隶属度函数进行处理,可以使用高斯隶属度函数进行计算,然后将经过模糊化的孤立数据按照距离类中心的几何距离归并到上述5个类别中最近的类型中。
本发明第三实施例提出一种计算机可读存储介质,所述计算机可读存储介质上存储有信息传递的实现程序,所述程序被处理器执行时实现前述的方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (6)
1.一种电子式电力互感器的故障分类方法,其特征在于,所述方法包括如下步骤:
获取互感器的波形信号,并对所述波形信号进行降噪处理获得降噪波形信号;
基于所述降噪波形信号计算互感器波形信号的分形盒维数;
根据所述互感器波形信号的分形盒维数对所述互感器的故障类型进行分类;
包括:
若故障信号的分形盒维数值为1,则将互感器的故障类型分为完全失效故障;
若故障信号的分形盒维数值与正常信号的分形盒维数值相同,则将互感器的故障类型分为固定偏差类;
若故障信号的分形盒维数值为其他值,则将互感器的故障类型分为其他类;
在互感器的故障类型为其他类的情况下,所述方法还包括:
将多次监测到的正常信号的分形盒维数值与当前分形盒维数值的差值作为精细分类数据集合,并通过聚类算法对所述精细分类数据集合进行聚类以完成对互感器的故障类型的精细分类;
在完成对互感器的故障类型的精细分类之后,所述方法还包括:
采用模糊隶属度函数对精细分类后的孤立数据进行处理;
将经过模糊化处理的孤立数据按照距离类中心的几何距离进行归类以完成互感器的故障类型的完全分类。
2.如权利要求1所述的方法,其特征在于,所述互感器的波形信号,包括:
获取电子式互感器的故障信号、电子式互感器的诊断信号、本侧其他电子式互感器信号和线路对侧电子式互感器信号。
3.如权利要求2所述的方法,其特征在于,对所述波形信号进行降噪处理获得降噪波形信号,包括:
根据波形信号的噪声影响确定小波分解层数;
基于所述小波分解层数对含噪波形信号进行小波分解;
对小波分解获得的高频系数的阈值进行量化处理,并根据量化处理结果进行小波重构以完成含噪波形信号的滤波。
4.如权利要求3所述的方法,其特征在于,对小波分解获得的高频系数的阈值进行量化处理,并根据量化处理结果进行小波重构以完成含噪波形信号的滤波,包括:
获取小波分解的分解层次对应的高频系数;
根据所述小波分解的分解层次的高频系数数量确定软阈值,并基于所述软阈值对所述高频系数进行阈值化;
根据小波分解的分解层次对应的低频系数和阈值化后的高频系数进行小波重构。
5.如权利要求3所述的方法,其特征在于,基于所述降噪波形信号计算互感器波形信号的分形盒维数,包括:
对所述降噪波形信号进行二值化处理,并对二值化处理后的波形信号进行矩阵表示;
对矩阵表示的波形信号进行划分获得盒子数;
基于所述盒子数采用最小二乘法进行数据拟合,将拟合直线斜率的负值作为计算的分形盒维数。
6.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质上存储有信息传递的实现程序,所述程序被处理器执行时实现如权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910753343.8A CN110427918B (zh) | 2019-08-15 | 2019-08-15 | 一种电子式电力互感器的故障分类方法及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910753343.8A CN110427918B (zh) | 2019-08-15 | 2019-08-15 | 一种电子式电力互感器的故障分类方法及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110427918A CN110427918A (zh) | 2019-11-08 |
CN110427918B true CN110427918B (zh) | 2022-03-08 |
Family
ID=68416391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910753343.8A Active CN110427918B (zh) | 2019-08-15 | 2019-08-15 | 一种电子式电力互感器的故障分类方法及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110427918B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110736954A (zh) * | 2019-12-06 | 2020-01-31 | 国网江苏省电力有限公司南通供电分公司 | 一种基于检验信号注入的互感器检验方法 |
CN114062995A (zh) * | 2021-11-15 | 2022-02-18 | 通号(长沙)轨道交通控制技术有限公司 | 基于电气量多特征融合的互感器故障诊断方法、设备及介质 |
CN115421093B (zh) * | 2022-11-07 | 2023-01-31 | 合肥工业大学 | 全光纤电流互感器测量数据自恢复方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105784364A (zh) * | 2016-03-02 | 2016-07-20 | 西安交通大学 | 基于总体经验模式分解与分形盒维数的轴承故障诊断方法 |
CN106096154A (zh) * | 2016-06-17 | 2016-11-09 | 北京信息科技大学 | 一种小波包时域信号流形学习故障诊断方法 |
CN106127184A (zh) * | 2016-07-05 | 2016-11-16 | 上海电机学院 | 一种风机齿轮箱故障诊断方法 |
CN109034046A (zh) * | 2018-07-20 | 2018-12-18 | 国网重庆市电力公司电力科学研究院 | 一种基于声学检测的电能表内异物自动识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101900789B (zh) * | 2010-07-07 | 2012-05-02 | 湖南大学 | 基于小波变换与分形维数的容差模拟电路故障诊断方法 |
CN107515118B (zh) * | 2017-09-08 | 2019-10-18 | 江西科技学院 | 旋转机械轴承故障诊断方法 |
CN107832687A (zh) * | 2017-10-27 | 2018-03-23 | 武汉大学 | 基于无线标识传感的变压器绕组故障诊断方法 |
-
2019
- 2019-08-15 CN CN201910753343.8A patent/CN110427918B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105784364A (zh) * | 2016-03-02 | 2016-07-20 | 西安交通大学 | 基于总体经验模式分解与分形盒维数的轴承故障诊断方法 |
CN106096154A (zh) * | 2016-06-17 | 2016-11-09 | 北京信息科技大学 | 一种小波包时域信号流形学习故障诊断方法 |
CN106127184A (zh) * | 2016-07-05 | 2016-11-16 | 上海电机学院 | 一种风机齿轮箱故障诊断方法 |
CN109034046A (zh) * | 2018-07-20 | 2018-12-18 | 国网重庆市电力公司电力科学研究院 | 一种基于声学检测的电能表内异物自动识别方法 |
Non-Patent Citations (3)
Title |
---|
"智能漏电保护器故障自诊断系统研究";耿晋中;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20181215(第12期);摘要、正文第12-13、22-25、30-31、34、60、69页 * |
"飞行器发动机结构系统早期故障分类识别方法研究";何红等;《机械科学与技术》;20060731;第25卷(第7期);第793-796页 * |
耿晋中."智能漏电保护器故障自诊断系统研究".《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》.2018,(第12期),摘要、正文第12-13、22-25、30-31、34、60、69页. * |
Also Published As
Publication number | Publication date |
---|---|
CN110427918A (zh) | 2019-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427918B (zh) | 一种电子式电力互感器的故障分类方法及可读存储介质 | |
CN108052980B (zh) | 基于图像的空气质量等级检测方法 | |
CN106778705B (zh) | 一种行人个体分割方法及装置 | |
CN109461163B (zh) | 一种用于磁共振标准水模的边缘检测方法 | |
CN105335947A (zh) | 图像去噪方法和图像去噪装置 | |
CN101944230B (zh) | 基于多尺度的自然图像非局部均值去噪方法 | |
CN101950414A (zh) | 自然图像非局部均值去噪方法 | |
CN104318305B (zh) | 一种基于小波与神经网络的逆变器低频噪声故障诊断方法 | |
CN111833312A (zh) | 一种检测故障绝缘子放电的紫外图像诊断方法及系统 | |
CN111402204B (zh) | 基于多阶数分数阶小波包变换的芯片外观缺陷检测方法 | |
CN114972325A (zh) | 一种基于图像处理的汽车轮毂缺陷检测方法 | |
CN114386452B (zh) | 核电循环水泵太阳轮故障检测方法 | |
Lin | Tiny surface defect inspection of electronic passive components using discrete cosine transform decomposition and cumulative sum techniques | |
Feng et al. | BM3D‐GT&AD: an improved BM3D denoising algorithm based on Gaussian threshold and angular distance | |
CN113689383B (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN113866614A (zh) | 一种多场景用户侧低压直流开关电弧故障诊断方法及装置 | |
CN113537382A (zh) | 一种基于残差收缩网络的设备诊断方法及系统 | |
CN114964776A (zh) | 基于mse和pso-svm的轮对轴承故障诊断方法 | |
CN116296243B (zh) | 一种基于大尺寸核稠密块的气动识别方法 | |
Shleymovich et al. | Image denoising using weight model | |
CN113449626B (zh) | 隐马尔科夫模型振动信号分析方法装置、存储介质和终端 | |
CN116086807A (zh) | 一种用于滚动轴承的故障判断方法和相关产品 | |
CN115358947A (zh) | 一种铁谱磨粒图像去噪方法、装置、设备及可读存储介质 | |
CN111382790B (zh) | 一种基于小波变换的高压直流故障分类方法 | |
CN113985318A (zh) | 变压器运行状态的多类型局放信号实时提取方法 |
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 |