CN110542851A - 断路器操作机构故障诊断方法、装置、计算机和存储介质 - Google Patents
断路器操作机构故障诊断方法、装置、计算机和存储介质 Download PDFInfo
- Publication number
- CN110542851A CN110542851A CN201910810222.2A CN201910810222A CN110542851A CN 110542851 A CN110542851 A CN 110542851A CN 201910810222 A CN201910810222 A CN 201910810222A CN 110542851 A CN110542851 A CN 110542851A
- Authority
- CN
- China
- Prior art keywords
- training
- current signal
- obtaining
- neural network
- circuit breaker
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本申请涉及一种断路器操作机构故障诊断方法、装置、计算机和存储介质。方法包括：获取待定位线路的线路故障数据；获取预先训练获得的线路故障定位模型；解析线路故障定位模型，获得多个故障集分组的主成分矩阵和第一特征信息；将线路故障数据与多个主成分矩阵进行降维计算，得到多个第二特征信息；将第二特征信息与第一特征信息对比，计算得到各第二特征信息与各第一特征信息之间的欧式距离；以最小的欧式距离对应的第二特征信息对应故障集分组定位待定位线路的故障。从而高效、精确的定位出线路的故障状态。
Description
技术领域
本申请涉及断路器操作机构故障诊断技术领域，特别是涉及一种断路器操作机构故障诊断方法、装置、计算机和存储介质。
背景技术
断路器作为电力系统中重要设备，其可靠性直接影响电力系统的安全与经济运行。经调研统计，断路器中绝大部分故障是由操作机构故障引起的，故如何准确判断断路器操作机构运行状况及故障情况成为国内外研究的焦点之一。在断路器操作机构各种状态监测信号中，由于分合闸线圈电流易于采集且能有效反映操作机构电磁系统变化与故障情况，是断路器操作机构故障诊断的有效方法之一。
发明内容
基于此，有必要针对上述技术问题，提供一种能够断路器操作机构故障诊断方法、装置、计算机和存储介质。
一种断路器操作机构故障诊断方法，所述方法包括：
获取待测断路器的操作机构的线圈的待测电流信号；
解析所述待测电流信号，获得所述待测电流信号的待测特征向量；
将所述待测特征向量作为测试样本导入至L-M优化后的BP神经网络进行分类；
输出所述待测特征向量的分类，根据所述待测特征向量的分类确定断路器操作机构的状态。
在其中一个实施例中，所述将所述待测特征向量作为测试样本导入至L-M优化后的BP神经网络进行分类的步骤之前包括：
获取多个断路器操作机构的线圈的训练电流信号；
解析各所述训练电流信号，获得各所述训练电流信号对应的多组训练特征向量；
将各组所述训练特征向量作为训练样本导入至L-M优化后的BP神经网络进行训练；
得到训练的L-M优化后的BP神经网络。
在其中一个实施例中，所述解析各所述训练电流信号，获得各所述训练电流信号对应的多组训练特征向量的步骤包括：
解析各所述训练电流信号，获取各所述训练电流信号与时间的对应关系；
根据各所述训练电流信号与时间的对应关系，获得各所述训练电流信号在时间轴上的曲线；
解析各所述曲线，获得各所述曲线在各时间点上的斜率；
基于斜率法，根据各所述曲线在各时间点上的斜率，获得各所述训练电流信号对应的多组训练特征向量。
在其中一个实施例中，所述基于斜率法，根据各所述曲线在各时间点上的斜率，获得各所述训练电流信号对应的多组训练特征向量包括：
根据各所述曲线在各时间点上的斜率，获得所述曲线的斜率为零时对应的特征训练电流信号以及特征时间点；
提取所述特征训练电流信号以及所述特征时间点为所述训练特征向量。
在其中一个实施例中，所述得到训练的L-M优化后的BP神经网络的步骤包括：
检测所述BP神经网络的各神经元的误差是否在预设范围内；
当所述BP神经网络的各神经元的误差在所述预设范围内时，得到L-M优化后的BP神经网络。
一种断路器操作机构故障诊断装置，所述装置包括：
待测电流信号获得模块，用于获取待测断路器的操作机构的线圈的待测电流信号；
待测特征向量获得模块，用于解析所述待测电流信号，获得所述待测电流信号的待测特征向量；
训练分类模块，用于将所述待测特征向量作为测试样本导入至L-M优化后的BP神经网络进行分类；
状态确定模块，用于输出所述待测特征向量的分类，根据所述待测特征向量的分类确定断路器操作机构的状态。
在其中一个实施例中，还包括：
训练电流信号获得模块，用于获取多个断路器操作机构的线圈的训练电流信号；
训练特征向量获得模块，用于解析各所述训练电流信号，获得各所述训练电流信号对应的多组训练特征向量；
训练模块，用于将各组所述训练特征向量作为训练样本导入至L-M优化后的BP神经网络进行训练；
神经网络获得模块，用于得到训练的L-M优化后的BP神经网络。
在其中一个实施例中，所述训练特征向量获得模块包括：
对应关系获取子模块，用于解析各所述训练电流信号，获取各所述训练电流信号与时间的对应关系；
曲线获得子模块，用于根据各所述训练电流信号与时间的对应关系，获得各所述训练电流信号在时间轴上的曲线；
斜率计算子模块，用于解析各所述曲线，获得各所述曲线在各时间点上的斜率；
训练特征向量获得子模块，用于基于斜率法，根据各所述曲线在各时间点上的斜率，获得各所述训练电流信号对应的多组训练特征向量。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待测断路器的操作机构的线圈的待测电流信号；
解析所述待测电流信号，获得所述待测电流信号的待测特征向量；
将所述待测特征向量作为测试样本导入至L-M优化后的BP神经网络进行分类；
输出所述待测特征向量的分类，根据所述待测特征向量的分类确定断路器操作机构的状态。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待测断路器的操作机构的线圈的待测电流信号；
解析所述待测电流信号，获得所述待测电流信号的待测特征向量；
将所述待测特征向量作为测试样本导入至L-M优化后的BP神经网络进行分类；
输出所述待测特征向量的分类，根据所述待测特征向量的分类确定断路器操作机构的状态。
上述断路器操作机构故障诊断方法、装置、计算机和存储介质，通过将Levenberg-Marquart算法与BP神经网络结合应用于断路器操作机构故障状态的诊断，优化了传统BP神经网络的局部搜索性能，加快了网络误差下降速度，提高了故障判断精度。
附图说明
图1为一个实施例中断路器操作机构故障诊断方法的应用环境图；
图2为一个实施例中断路器操作机构故障诊断方法的流程示意图；
图3为一个实施例中断路器操作机构故障诊断装置的结构框图；
图4为一个实施例中计算机设备的内部结构图；
图5为一个实施例中的断路器的电流信号与时间的坐标系中的电流曲线示意图；
图6为一个实施例中的断路器的操作机构的线圈的电流曲线与其斜率变化曲线对照图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的断路器操作机构故障诊断方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104连接，并且与服务器104连接通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。服务器104存储有L-M优化后的BP神经网络，终端102采集到待测断路器的操作机构的线圈的待测电流信号，将待测断路器的操作机构的线圈的待测电流信号发送至服务器104，服务器104获取待测断路器的操作机构的线圈的待测电流信号；解析所述待测电流信号，获得所述待测电流信号的待测特征向量；将所述待测特征向量作为测试样本导入至L-M优化后的BP神经网络进行分类；输出所述待测特征向量的分类，根据所述待测特征向量的分类确定断路器操作机构的状态。
在一个实施例中，如图2所示，提供了一种断路器操作机构故障诊断方法，以该方法应用于图1中的应用场景为例进行说明，包括以下步骤：
步骤210，获取待测断路器的操作机构的线圈的待测电流信号。
具体地，本步骤中采集获取待测断路器的操作机构的线圈的电流信号，即待测电流信号。断路器的操作机构的线圈即断路器的分合闸的线圈。
待测断路器为处于故障状态的断路器，为了确定该故障的断路器的故障状态，因此，需要获取该故障的断路器的电流信号。该待测电流信号为待测断路器的电流信号，用于在后续中判定待测断路器的故障状态。
步骤220，解析所述待测电流信号，获得所述待测电流信号的待测特征向量。
具体地，建立基于电流与时间的坐标系，在该坐标系中，以待测电流信号作为Y轴，以时间作为X轴，本实施例中，解析待测电流信号，获取待测电流信号与时间的对应关系，待测电流信号与时间的对应关系在坐标系中为一曲线，解析该曲线，获得该曲线在各时间点上的斜率；获得所述曲线的斜率为零时对应的电流值以及时间点；提取该曲线的斜率为零时对应的电流值以及时间点为待测特征向量。
本实施例中，通过解析待测电流信号，获得待测电流对应的曲线的斜率，并且获得曲线的斜率为零时电流值以及时间点为待测特征向量。本实施例中，根据该曲线，提取四个电流值以及四个时间点为待测特征向量，即总共获得八个待测特征向量。
步骤230，将所述待测特征向量作为测试样本导入至L-M优化后的BP神经网络进行分类。
应该理解的是，L-M优化后的BP(back propagation)神经网络指的是经过Levenberg-Marquart算法优化后的BP神经网络。具体地，在BP神经网络的基础上结合Levenberg-Marquart算法，进而得到L-M优化后的BP神经网络。本实施例中，将所述待测特征向量作为测试样本导入至L-M优化后的BP神经网络进行分类。
具体地，将所述待测特征向量作为测试样本导入至L-M优化后的BP神经网络进行训练，通过该L-M优化后的BP神经网络对待测特征向量进行类别的识别，从而获得待测特征向量的分类，获得待测特征向量的类别。值得一提的是，断路器的不同的故障状态对应不同类别的待测特征向量，因此，通过L-M优化后的BP神经网络进行对待测特征向量进行分类，即可获知断路器的故障状态。
步骤240，输出所述待测特征向量的分类，根据所述待测特征向量的分类确定断路器操作机构的状态。
具体地，由于断路器操作机构的不同状态会导致电流信号具有不同的特征，因此，断路器操作机构的不同状态对应不同的待测特征向量，即待测特征向量与断路器操作机构的状态对应，即每一类别的待测特征向量与断路器操作机构的一状态对应，因此，通过L-M优化后的BP神经网络对待测特征向量进行分类后获得待测特征向量的类别，即可根据待测特征向量的类别确定断路器操作机构的状态。从而精确地确定断路器操作机构的状态。
上述实施例中，通过将Levenberg-Marquart算法与BP神经网络结合应用于断路器操作机构故障状态的诊断，优化了传统BP神经网络的局部搜索性能，加快了网络误差下降速度，提高了故障判断精度。
为了获得断路器操作机构的状态，需要提高BP神经网络的训练精度，为了提高BP神经网络的训练精度，在一个实施例中，所述将所述待测特征向量作为测试样本导入至L-M优化后的BP神经网络进行分类的步骤之前包括：获取多个断路器操作机构的线圈的训练电流信号；解析各所述训练电流信号，获得各所述训练电流信号对应的多组训练特征向量；将各组所述训练特征向量作为训练样本导入至L-M优化后的BP神经网络进行训练；得到训练的L-M优化后的BP神经网络。
具体地，本实施例中，采集获取多个断路器的操作机构的线圈的电流信号，即训练电流信号。该训练电流信号在进行测试样本的测试之前已经采集，该训练电流信号与待测电流信号具有相同属性，区别在于训练电流信号用于训练神经网络，待测电流信号用于导入神经网络进行断路器的操作机构的故障类别的分类。由于每一待测电流信号能够解析得到多个训练特征向量，即每一待测电流信号能够解析得到一组训练特征向量，这样，多个待测电流信号能够解析得到多组训练特征向量。
本实施例中，为了获得精确的能够对电流信号的特征向量分类的神经网络，首先采集多个断路器操作机构的训练电流信号，获得多个训练电流信号，解析训练电流信号得到多组的训练特征向量，将各组训练特征向量作为训练样本导入至L-M优化后的BP神经网络进行训练；得到训练的L-M优化后的BP神经网络。通过多组的训练特征向量的大量的训练，有效提高了训练样本的数量，使得L-M优化后的BP神经网络能够有效提高对待测特征向量的分类的精度，进而准确地确定断路器操作机构的状态。
为了获得完善成熟的BP神经网络，在一个实施例中，所述得到训练的L-M优化后的BP神经网络的步骤包括：检测所述BP神经网络的各神经元的误差是否在预设范围内；当所述BP神经网络的各神经元的误差在所述预设范围内时，得到L-M优化后的BP神经网络。
具体地，该预设范围为BP神经网络训练目标的误差范围，当BP神经网络的各神经元的误差在预设范围内，表明BP神经网络的各神经元的误差已经训练达到了目标误差范围内，因此，该L-M优化后的BP神经网络训练成功，得到完善、成熟的L-M优化后的BP神经网络，进而能够精确地对特征向量分类，以精确地确定断路器操作机构的故障状态。
在一个实施例中，所述解析各所述训练电流信号，获得各所述训练电流信号对应的多组训练特征向量的步骤包括：解析各所述训练电流信号，获取各所述训练电流信号与时间的对应关系；根据各所述训练电流信号与时间的对应关系，获得各所述训练电流信号在时间轴上的曲线；解析各所述曲线，获得各所述曲线在各时间点上的斜率；基于斜率法，根据各所述曲线在各时间点上的斜率，获得各所述训练电流信号对应的多组训练特征向量。
在一个实施例中，所述基于斜率法，根据各所述曲线在各时间点上的斜率，获得各所述训练电流信号对应的多组训练特征向量包括：根据各所述曲线在各时间点上的斜率，获得所述曲线的斜率为零时对应的特征训练电流信号以及特征时间点；提取所述特征训练电流信号以及所述特征时间点为所述训练特征向量。
具体地，本实施例中，建立基于电流与时间的坐标系，在该坐标系中，以训练电流信号作为Y轴，以时间作为X轴，解析训练电流信号，获取训练电流信号与时间的对应关系，训练电流信号与时间的对应关系在坐标系中为一曲线，解析该曲线，获得该曲线在各时间点上的斜率；获得所述曲线的斜率为零时对应的电流值以及时间点；提取该曲线的斜率为零时对应的电流值以及时间点为训练特征向量。
具体地，上述实施例中，待测特征向量的提取以及训练特征向量的提取均为断路器的分合闸的线圈电流的特征向量的提取，可采用下述实施例的方式提取：
断路器典型分合闸线圈电流曲线如图5所示，对线圈电流特征曲线分析可知，线圈电流包括i1、i2、i3、i4、t1、t2、t3、t4这8个特征向量，这8个特征向量包含故障诊断中的大部分关键信息，因此，本实施例中，采用斜率法提取线圈电流特征点。
设采集的线圈电流信号为V[i]，其中i为采样序列号，i＝0，1，…，n，则曲线在时间序列上各点的斜率：
式(1)中，T为采样周期。图6为电流曲线与其斜率变化曲线的对照曲线，通过线圈电流曲线相邻两点斜率的符号来提取-线圈电流特征点和拐点，即斜率过零点为特征点或拐点。t1点的斜率过零，t2点斜率由负变正，t3点斜率过零，t4点斜率由负变为零。因此，不管斜率是过零、还是由负变正、由负变为零，其都需要过零，因此，获取斜率为零时对应的特征点的电流以及时间即为特征向量。
由图6很容易提取出t1、t2、t3、t4及其对应的电流值。即斜率曲线第一次穿越X轴的点为t1点，之后斜率曲线由负变为正(曲线第二次穿越X轴)的点为t2点，再之后曲线再过X轴时的点为t3，曲线由负回到X轴的点为t4点。再求各点的电流大小，采用查询方式即可从监测数据中查找出对应的电流，即可完成对线圈电流所有特征向量的提取。
此外，上述实施例中，基于L-M算法优化BP神经网络的故障诊断中，BP神经网络是采用BP学习算法的前馈性神经网络，其具有很强的非线性映射能力，其能实现对任意非线性函数进行逼近，但由于传统BP神经网络采用梯度下降法实现误差下降，易出现平坦区，使误差下降缓慢，收敛速度慢，且网络权值是沿局部改善方向调整，易使算法陷入局部极值，权值收敛到局部极小点，从而导致网络训练失败，故本申请中，通过L-M算法对BP神经网络进行优化。L-M算法能提供非线性最小化(局部最小)的数值解，借由执行时修改参数达到结合高斯-牛顿法与梯度下降法优点，既具有梯度下降法的全局特性，又具有高斯-牛顿法的局部特性。
在一个实施例中，如图3所示，提供了一种断路器操作机构故障诊断装置，包括，其中：
待测电流信号获得模块310，用于获取待测断路器的操作机构的线圈的待测电流信号；
待测特征向量获得模块320，用于解析所述待测电流信号，获得所述待测电流信号的待测特征向量；
训练分类模块330，用于将所述待测特征向量作为测试样本导入至L-M优化后的BP神经网络进行分类；
状态确定模块340，用于输出所述待测特征向量的分类，根据所述待测特征向量的分类确定断路器操作机构的状态。
在一个实施例中，断路器操作机构故障诊断装置还包括：
训练电流信号获得模块，用于获取多个断路器操作机构的线圈的训练电流信号；
训练特征向量获得模块，用于解析各所述训练电流信号，获得各所述训练电流信号对应的多组训练特征向量；
训练模块，用于将各组所述训练特征向量作为训练样本导入至L-M优化后的BP神经网络进行训练；
神经网络获得模块，用于得到训练的L-M优化后的BP神经网络。
在一个实施例中，所述训练特征向量获得模块包括：
对应关系获取子模块，用于解析各所述训练电流信号，获取各所述训练电流信号与时间的对应关系；
曲线获得子模块，用于根据各所述训练电流信号与时间的对应关系，获得各所述训练电流信号在时间轴上的曲线；
斜率计算子模块，用于解析各所述曲线，获得各所述曲线在各时间点上的斜率；
训练特征向量获得子模块，用于基于斜率法，根据各所述曲线在各时间点上的斜率，获得各所述训练电流信号对应的多组训练特征向量。
在一个实施例中，所述训练特征向量获得子模块包括：
特征点提取单元，用于根据各所述曲线在各时间点上的斜率，获得所述曲线的斜率为零时对应的特征训练电流信号以及特征时间点；
训练特征向量提取单元，用于提取所述特征训练电流信号以及所述特征时间点为所述训练特征向量。
在一个实施例中，所述神经网络获得模块包括：
误差检测子模块，用于检测所述BP神经网络的各神经元的误差是否在预设范围内；
神经网络确定子模块，用于当所述BP神经网络的各神经元的误差在所述预设范围内时，得到L-M优化后的BP神经网络。
关于断路器操作机构故障诊断装置的具体限定可以参见上文中对于断路器操作机构故障诊断方法的限定，在此不再赘述。上述断路器操作机构故障诊断装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储L-M优化后的BP神经网络。该计算机设备的网络接口用于与外部的终端等节点通过网络连接通信。该计算机程序被处理器执行时以实现一种断路器操作机构故障诊断方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取待测断路器的操作机构的线圈的待测电流信号；
解析所述待测电流信号，获得所述待测电流信号的待测特征向量；
将所述待测特征向量作为测试样本导入至L-M优化后的BP神经网络进行分类；
输出所述待测特征向量的分类，根据所述待测特征向量的分类确定断路器操作机构的状态。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取多个断路器操作机构的线圈的训练电流信号；
解析各所述训练电流信号，获得各所述训练电流信号对应的多组训练特征向量；
将各组所述训练特征向量作为训练样本导入至L-M优化后的BP神经网络进行训练；
得到训练的L-M优化后的BP神经网络。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
解析各所述训练电流信号，获取各所述训练电流信号与时间的对应关系；
根据各所述训练电流信号与时间的对应关系，获得各所述训练电流信号在时间轴上的曲线；
解析各所述曲线，获得各所述曲线在各时间点上的斜率；
基于斜率法，根据各所述曲线在各时间点上的斜率，获得各所述训练电流信号对应的多组训练特征向量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据各所述曲线在各时间点上的斜率，获得所述曲线的斜率为零时对应的特征训练电流信号以及特征时间点；
提取所述特征训练电流信号以及所述特征时间点为所述训练特征向量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
检测所述BP神经网络的各神经元的误差是否在预设范围内；
当所述BP神经网络的各神经元的误差在所述预设范围内时，得到L-M优化后的BP神经网络。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待测断路器的操作机构的线圈的待测电流信号；
解析所述待测电流信号，获得所述待测电流信号的待测特征向量；
将所述待测特征向量作为测试样本导入至L-M优化后的BP神经网络进行分类；
输出所述待测特征向量的分类，根据所述待测特征向量的分类确定断路器操作机构的状态。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取多个断路器操作机构的线圈的训练电流信号；
解析各所述训练电流信号，获得各所述训练电流信号对应的多组训练特征向量；
将各组所述训练特征向量作为训练样本导入至L-M优化后的BP神经网络进行训练；
得到训练的L-M优化后的BP神经网络。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
解析各所述训练电流信号，获取各所述训练电流信号与时间的对应关系；
根据各所述训练电流信号与时间的对应关系，获得各所述训练电流信号在时间轴上的曲线；
解析各所述曲线，获得各所述曲线在各时间点上的斜率；
基于斜率法，根据各所述曲线在各时间点上的斜率，获得各所述训练电流信号对应的多组训练特征向量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据各所述曲线在各时间点上的斜率，获得所述曲线的斜率为零时对应的特征训练电流信号以及特征时间点；
提取所述特征训练电流信号以及所述特征时间点为所述训练特征向量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
检测所述BP神经网络的各神经元的误差是否在预设范围内；
当所述BP神经网络的各神经元的误差在所述预设范围内时，得到L-M优化后的BP神经网络。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种断路器操作机构故障诊断方法，所述方法包括：
获取待测断路器的操作机构的线圈的待测电流信号；
解析所述待测电流信号，获得所述待测电流信号的待测特征向量；
将所述待测特征向量作为测试样本导入至L-M优化后的BP神经网络进行分类；
输出所述待测特征向量的分类，根据所述待测特征向量的分类确定断路器操作机构的状态。
2.根据权利要求1所述的方法，其特征在于，所述将所述待测特征向量作为测试样本导入至L-M优化后的BP神经网络进行分类的步骤之前包括：
获取多个断路器操作机构的线圈的训练电流信号；
解析各所述训练电流信号，获得各所述训练电流信号对应的多组训练特征向量；
将各组所述训练特征向量作为训练样本导入至L-M优化后的BP神经网络进行训练；
得到训练的L-M优化后的BP神经网络。
3.根据权利要求2所述的方法，其特征在于，所述解析各所述训练电流信号，获得各所述训练电流信号对应的多组训练特征向量的步骤包括：
解析各所述训练电流信号，获取各所述训练电流信号与时间的对应关系；
根据各所述训练电流信号与时间的对应关系，获得各所述训练电流信号在时间轴上的曲线；
解析各所述曲线，获得各所述曲线在各时间点上的斜率；
基于斜率法，根据各所述曲线在各时间点上的斜率，获得各所述训练电流信号对应的多组训练特征向量。
4.根据权利要求3所述的方法，其特征在于，所述基于斜率法，根据各所述曲线在各时间点上的斜率，获得各所述训练电流信号对应的多组训练特征向量包括：
根据各所述曲线在各时间点上的斜率，获得所述曲线的斜率为零时对应的特征训练电流信号以及特征时间点；
提取所述特征训练电流信号以及所述特征时间点为所述训练特征向量。
5.根据权利要求2所述的方法，其特征在于，所述得到训练的L-M优化后的BP神经网络的步骤包括：
检测所述BP神经网络的各神经元的误差是否在预设范围内；
当所述BP神经网络的各神经元的误差在所述预设范围内时，得到L-M优化后的BP神经网络。
6.一种断路器操作机构故障诊断装置，其特征在于，所述装置包括：
待测电流信号获得模块，用于获取待测断路器的操作机构的线圈的待测电流信号；
待测特征向量获得模块，用于解析所述待测电流信号，获得所述待测电流信号的待测特征向量；
训练分类模块，用于将所述待测特征向量作为测试样本导入至L-M优化后的BP神经网络进行分类；
状态确定模块，用于输出所述待测特征向量的分类，根据所述待测特征向量的分类确定断路器操作机构的状态。
7.根据权利要求6所述的装置，其特征在于，还包括：
训练电流信号获得模块，用于获取多个断路器操作机构的线圈的训练电流信号；
训练特征向量获得模块，用于解析各所述训练电流信号，获得各所述训练电流信号对应的多组训练特征向量；
训练模块，用于将各组所述训练特征向量作为训练样本导入至L-M优化后的BP神经网络进行训练；
神经网络获得模块，用于得到训练的L-M优化后的BP神经网络。
8.根据权利要求7所述的装置，其特征在于，所述训练特征向量获得模块包括：
对应关系获取子模块，用于解析各所述训练电流信号，获取各所述训练电流信号与时间的对应关系；
曲线获得子模块，用于根据各所述训练电流信号与时间的对应关系，获得各所述训练电流信号在时间轴上的曲线；
斜率计算子模块，用于解析各所述曲线，获得各所述曲线在各时间点上的斜率；
训练特征向量获得子模块，用于基于斜率法，根据各所述曲线在各时间点上的斜率，获得各所述训练电流信号对应的多组训练特征向量。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求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 |
|---|---|---|---|
| CN201910810222.2A CN110542851A (zh) | 2019-08-29 | 2019-08-29 | 断路器操作机构故障诊断方法、装置、计算机和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910810222.2A CN110542851A (zh) | 2019-08-29 | 2019-08-29 | 断路器操作机构故障诊断方法、装置、计算机和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110542851A true CN110542851A (zh) | 2019-12-06 |
Family
ID=68712313
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910810222.2A Pending CN110542851A (zh) | 2019-08-29 | 2019-08-29 | 断路器操作机构故障诊断方法、装置、计算机和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110542851A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105259495A (zh) * | 2015-07-03 | 2016-01-20 | 四川大学 | 一种基于分合闸线圈电流特征量优化的高压断路器操作机构状态评估方法 |
| CN105649978A (zh) * | 2016-02-02 | 2016-06-08 | 西南石油大学 | 单螺杆泵故障诊断和性能测试装置及方法 |
| CN106019131A (zh) * | 2016-05-18 | 2016-10-12 | 四川大学 | 一种基于分合闸线圈电流的高压断路器操作机构状态综合评估方法 |
| CN106707153A (zh) * | 2016-12-27 | 2017-05-24 | 北京合纵科技股份有限公司 | 一种基于foa‑rbf的高压断路器故障诊断方法 |
| CN108196161A (zh) * | 2018-01-10 | 2018-06-22 | 哈尔滨理工大学 | 一种异步化超高压同步发电机失磁故障诊断方法 |
| US20190243735A1 (en) * | 2018-02-05 | 2019-08-08 | Wuhan University | Deep belief network feature extraction-based analogue circuit fault diagnosis method |
| CN110118928A (zh) * | 2018-02-05 | 2019-08-13 | 西安交通大学 | 一种基于误差逆传播算法的断路器故障诊断方法 |
-
2019
- 2019-08-29 CN CN201910810222.2A patent/CN110542851A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105259495A (zh) * | 2015-07-03 | 2016-01-20 | 四川大学 | 一种基于分合闸线圈电流特征量优化的高压断路器操作机构状态评估方法 |
| CN105649978A (zh) * | 2016-02-02 | 2016-06-08 | 西南石油大学 | 单螺杆泵故障诊断和性能测试装置及方法 |
| CN106019131A (zh) * | 2016-05-18 | 2016-10-12 | 四川大学 | 一种基于分合闸线圈电流的高压断路器操作机构状态综合评估方法 |
| CN106707153A (zh) * | 2016-12-27 | 2017-05-24 | 北京合纵科技股份有限公司 | 一种基于foa‑rbf的高压断路器故障诊断方法 |
| CN108196161A (zh) * | 2018-01-10 | 2018-06-22 | 哈尔滨理工大学 | 一种异步化超高压同步发电机失磁故障诊断方法 |
| US20190243735A1 (en) * | 2018-02-05 | 2019-08-08 | Wuhan University | Deep belief network feature extraction-based analogue circuit fault diagnosis method |
| CN110118928A (zh) * | 2018-02-05 | 2019-08-13 | 西安交通大学 | 一种基于误差逆传播算法的断路器故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111210024B (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
| CN110912867B (zh) | 工业控制系统的入侵检测方法、装置、设备和存储介质 | |
| CN111177714B (zh) | 异常行为检测方法、装置、计算机设备和存储介质 | |
| CN111667010A (zh) | 基于人工智能的样本评估方法、装置、设备及存储介质 | |
| CN111695620B (zh) | 一种电力系统时间序列异常数据检测与修正方法及系统 | |
| CN116126945B (zh) | 基于数据分析的传感器运行状态分析方法和系统 | |
| CN111240984A (zh) | 异常页面识别方法、装置、计算机设备和存储介质 | |
| CN113807418A (zh) | 一种基于高斯混合模型的注塑机能耗异常检测方法及系统 | |
| CN111124898B (zh) | 问答系统测试方法、装置、计算机设备和存储介质 | |
| CN113902946A (zh) | 电力系统故障方位判别方法、装置、终端设备及存储介质 | |
| CN117171696B (zh) | 一种基于物联网的传感器生产监测方法及系统 | |
| CN116994641A (zh) | 一种半导体老化测试方法及其系统 | |
| CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
| CN117471227A (zh) | 汽车线束参数性能测试方法及测试系统 | |
| CN113111585A (zh) | 一种智能机柜故障预测方法、系统及智能机柜 | |
| CN117031294A (zh) | 一种电池多故障检测方法、装置及存储介质 | |
| WO2024093005A1 (zh) | 一种电池容量预测方法、装置及电子设备 | |
| CN110542851A (zh) | 断路器操作机构故障诊断方法、装置、计算机和存储介质 | |
| CN114020905A (zh) | 一种文本分类外分布样本检测方法、装置、介质及设备 | |
| CN111340349B (zh) | 产品可靠性评估方法、装置、计算机设备和存储介质 | |
| CN110716101B (zh) | 电力线路故障定位方法、装置、计算机和存储介质 | |
| CN114462127A (zh) | 基于深度极限学习机的结构损伤识别方法及系统 | |
| CN110991473A (zh) | 图像样本的特征选择方法、装置、计算机设备及存储介质 | |
| CN110865939A (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
| CN116643170B (zh) | 电机轴系振动测试方法、装置和计算机设备 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210219 Address after: 510620, No. two, No. 2, Tianhe South Road, Guangzhou, Guangdong, Tianhe District Applicant after: Guangzhou Power Supply Bureau of Guangdong Power Grid Co.,Ltd. Address before: 510620, No. two, No. 2, Tianhe South Road, Guangzhou, Guangdong, Tianhe District Applicant before: GUANGZHOU POWER SUPPLY Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191206 |