CN110715799B - 断路器机械状态检测方法、装置及终端设备 - Google Patents
断路器机械状态检测方法、装置及终端设备 Download PDFInfo
- Publication number
- CN110715799B CN110715799B CN201911007001.8A CN201911007001A CN110715799B CN 110715799 B CN110715799 B CN 110715799B CN 201911007001 A CN201911007001 A CN 201911007001A CN 110715799 B CN110715799 B CN 110715799B
- Authority
- CN
- China
- Prior art keywords
- node
- circuit breaker
- mechanical parameter
- mechanical
- current
- 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
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (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)
- Emergency Protection Circuit Devices (AREA)
Abstract
本发明提供了一种断路器机械状态检测方法、装置及终端设备,该方法包括:获取断路器的多个机械参数样本;确定每两个机械参数样本之间的关联度,并根据各个机械参数样本之间的关联度构造二叉树;基于二叉树中每个节点包含的机械参数样本训练得到该节点的节点分类器,所述节点分类器用于根据输入该节点的断路器机械参数输出断路器的故障类别以及故障概率;获取待检测断路器的机械参数,并将所述待检测断路器的机械参数输入至二叉树中进行待检测断路器的故障检测。本发明提供的断路器机械状态检测方法、装置及终端设备能够提高断路器的故障检测速度和精度。
Description
技术领域
本发明属于故障检测技术领域,更具体地说,是涉及一种断路器机械状态检测方法、装置及终端设备。
背景技术
现有技术中,在对断路器进行机械状态检测时,通常使用的方法为:提取断路器的机械状态参数,并基于断路器的机械状态参数训练神经网络,通过神经网络实现断路器的故障检测。
然而,断路器的故障之间是存在关联关系的,对于不同种类的两种故障,故障A可能与故障B同时出现,并且两者之间可以相互转化;故障A也可能一定不会与故障B同时出现,两者相互排斥。现有技术中并未考虑故障之间的关联关系,因此存在以下不足:
(1)未考虑故障A与故障B的转化关系导致对故障A与故障B之间的区分不够准确,神经网络容易误判;
(2)未考虑故障A与故障B的排斥关系导致大数据量时神经网络的故障检测速度降低。
因此,如何在提高断路器的故障检测速度和精度成为本领域亟待解决的问题。
发明内容
本发明的目的在于提供一种断路器机械状态检测方法、装置及终端设备,以提高断路器的故障检测速度和精度。
本发明实施例的第一方面,提供了一种断路器机械状态检测方法,包括:
获取断路器的多个机械参数样本,每个机械参数样本对应一个故障类别;
确定每两个机械参数样本之间的关联度,并根据各个机械参数样本之间的关联度构造二叉树,其中,二叉树中每个节点包含至少一个机械参数样本;
基于二叉树中每个节点包含的机械参数样本训练得到该节点的节点分类器,所述节点分类器用于根据输入该节点的断路器机械参数输出断路器的故障类别以及故障概率;
获取待检测断路器的机械参数,并将所述待检测断路器的机械参数输入至二叉树中进行待检测断路器的故障检测。
本发明实施例的第二方面,提供了一种断路器机械状态检测装置,包括:
样本获取模块,用于获取断路器的多个机械参数样本,每个机械参数样本对应一个故障类别;
二叉树构造模块,用于确定每两个机械参数样本之间的关联度,并根据各个机械参数样本之间的关联度构造二叉树,其中,二叉树中每个节点包含至少一个机械参数样本;
分类器训练模块,用于基于二叉树中每个节点包含的机械参数样本训练得到该节点的节点分类器,所述节点分类器用于根据输入该节点的断路器机械参数输出断路器的故障类别以及故障概率;
故障检测模块,用于获取待检测断路器的机械参数,并将所述待检测断路器的机械参数输入至二叉树中进行待检测断路器的故障检测。
本发明实施例的第三方面,提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述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上述的断路器机械状态检测方法的步骤。
本发明实施例的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的断路器机械状态检测方法的步骤。
本发明实施例提供的断路器机械状态检测方法、装置及终端设备的有益效果在于:本发明实施例根据故障类别之间的关联度构造了二叉树,并对二叉树的每个节点均训练了一个分类器,基于对二叉树的节点遍历顺序依次将待检测断路器的机械参数输入至二叉树的节点分类器中,从而确定待检测断路器的故障检测结果。本发明相对于现有技术,考虑了各个故障类别之间本身的关联性,不仅能够更好地区分存在转化关系的故障,还因考虑了故障之间的排斥关系从而避免分类器中多余样本的训练,从而使分类器更加的精简和准确。因此,本发明不仅提高了断路器的故障检测速度,还能够提高断路器的故障检测精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术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为本发明一实施例提供的断路器机械状态检测方法的流程示意图;
图2为本发明另一实施例提供的断路器机械状态检测方法的流程示意图;
图3为本发明再一实施例提供的断路器机械状态检测方法的流程示意图;
图4为本发明又一实施例提供的断路器机械状态检测方法的流程示意图;
图5为本发明又一实施例提供的断路器机械状态检测方法的流程示意图;
图6为本发明一实施例提供的断路器机械状态检测装置的结构框图;
图7为本发明一实施例提供的终端设备的示意框图;
图8为本发明一实施例提供的二叉树示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参考图1,图1为本发明一实施例提供的断路器机械状态检测方法的流程示意图,该方法包括:
S101:获取断路器的多个机械参数样本,每个机械参数样本对应一个故障类别。
在本实施例中,可获取断路器发生故障时的机械参数样本,可获取多个机械参数样本,每个机械参数样本都对应一个故障类别。其中,断路器故障类别包括但不限于缓冲器失效、拉杆螺栓松动、分闸不到位、机构卡涩等。机械参数包括但不限于刚分速度、触头行程、触头开距、分闸反弹幅值、三相不同期性等。
S102:确定每两个机械参数样本之间的关联度,并根据各个机械参数样本之间的关联度构造二叉树,其中,二叉树中每个节点包含至少一个机械参数样本。
在本实施例中,机械参数样本之间的关联度也即故障类别之间的关联度,也即本发明实施例基于故障类别之间的关联度构造二叉树。
S103:基于二叉树中每个节点包含的机械参数样本训练得到该节点的节点分类器,节点分类器用于根据输入该节点的断路器机械参数输出断路器的故障类别以及故障概率。
在本实施例中,二叉树的每个节点包含至少一个机械参数样本,本发明实施例以每个节点包含的机械参数样本为基础训练得到该节点的节点分类器。将断路器的机械参数输入至节点分类器,节点分类器输出该断路器的故障类别以及每个故障类别对应的故障概率。
S104:获取待检测断路器的机械参数,并将待检测断路器的机械参数输入至二叉树中进行待检测断路器的故障检测。
在本实施例中,将断路器的故障检测过程转化为二叉树的节点遍历过程,当访问到某一节点时,将该断路器的机械参数输入至该节点的节点分类器,再根据节点分类器的输出结果确定下一访问节点,直至该访问节点为叶子节点,访问过程结束,此时所有访问节点对应的节点分类器的输出结果即为该断路器的故障检测结果。
由上可以得出,本发明实施例根据故障类别之间的关联度构造了二叉树,并对二叉树的每个节点均训练了一个分类器,基于对二叉树的节点遍历顺序依次将待检测断路器的机械参数输入至二叉树的节点分类器中,从而确定待检测断路器的故障检测结果。本发明相对于现有技术,考虑了各个故障类别之间本身的关联性,不仅能够更好地区分存在转化关系的故障,还因考虑了故障之间的排斥关系从而避免分类器中多余样本的训练,从而使分类器更加的精简和准确。因此,本发明不仅提高了断路器的故障检测速度,还能够提高断路器的故障检测精度。
请一并参考图1及图2,图2为本申请另一实施例提供的断路器机械状态检测方法的流程示意图。在上述实施例的基础上,确定每两个机械参数样本之间的关联度可以详述为:
S201:通过非线性映射将两个机械参数样本映射到高维空间。
在本实施例中,在进行非线性映射时,本发明实施例可选用的核函数包括但不限于多项式核、径向基核、线性核等。
S202:根据高维空间中两个机械参数样本的超平面距离确定两个机械参数样本之间的关联度。
在本实施例中,步骤S202还可以详述为:首先根据两个机械参数样本分别训练支持向量机分类器,然后将两个机械参数样本所对应的支持向量机分类器的超平面距离作为两个机械参数样本的超平面距离,最后根据两个机械参数样本的超平面距离确定两个机械参数样本之间的关联度。
其中,根据两个机械参数样本的超平面距离确定两个机械参数样本之间的关联度的方法为:
其中,Sim(xi,xj)为机械参数样本xi和机械参数样本xj之间的关联度,uij为机械参数样本xi和机械参数样本xj之间的超平面距离。
在本实施例中,也可直接将高维空间中两个机械参数样本的欧式距离作为两个机械参数样本的超平面距离。
请一并参考图1、图3、图8,图3为本申请再一实施例提供的断路器机械状态检测方法的流程示意图,图8为本发明一实施例提供的二叉树示意图。在上述实施例的基础上,根据各个机械参数样本之间的关联度构造二叉树,可以详述为:
S1:将所有机械参数样本作为二叉树的根节点,并将根节点作为当前节点。
假设所有机械参数样本包括:A1,A2,A3,A4,各个机械参数样本之间的关联度为:
Sim(A1,A2)=0.23,Sim(A1,A3)=0.54,Sim(A1,A4)=0.64;
Sim(A2,A3)=0.46,Sim(A2,A4)=0.34,Sim(A3,A4)=0.57。
在本步骤中,将样本(A1,A2,A3,A4)作为根节点。
S2:按照预设规则选取当前节点中的某一机械参数样本作为本层核心样本。
在本步骤中,按照预设规则选取当前节点中的机械参数样本A3作为本层核心样本。
S3:将与本层核心样本关联度最低的机械参数样本作为当前节点的左子节点,并将当前节点中的剩余机械参数样本作为当前节点的右子节点。
其中,当前节点中的剩余机械参数样本为除去与本层核心样本关联度最低的机械参数样本之外的所有机械参数样本。
本步骤中,在上述步骤的基础上,与本层核心样本关联度最低的机械参数样本为A2,则(A2)为当前节点的左子节点,(A1,A3,A4)为当前节点的右子节点。
S4:将当前节点的右子节点设置为当前节点。
本步骤中,在上述步骤的基础上,当前节点即为(A1,A3,A4)。
S5:重复执行步骤S2~S4,直至二叉树的所有叶子节点中只包含一个机械参数样本。
本步骤中,在上述步骤的基础上,根据步骤S2~S4,当前节点为(A1,A3,A4)时,按照预设规则选取当前节点中的机械参数样本A4作为本层核心样本,则与本层核心样本关联度最低的机械参数样本为A3,则(A3)为当前节点的左子节点,(A1,A4)为当前节点的右子节点。此后,根据步骤S4将(A1,A4)作为当前节点,按照步骤S2~S3,最后将(A1)为当前节点的左子节点,(A4)为当前节点的右子节点(也即只剩下两个机械参数样本时,可直接将其中一个机械参数样本作为当前节点的左子节点,另一个机械参数样本作为当前节点的右子节点),此时,二叉树构造结束,如图8所示。
从以上描述可以看出,本发明实施例中二叉树的构造是根据各个机械参数样本(也即故障类别)之间的关联关系层层递进构造的,根据每个节点所包含的机械参数样本均训练一个节点分类器,相对于根节点的节点分类器,下层分类器能够剔除冗余因素的影响,更准确地对断路器的故障类别进行预测。
请一并参考图3及图4,作为本发明提供的断路器机械状态检测方法的一个具体实施方式,在上述实施例的基础上,按照预设规则选取当前节点中的某一机械参数样本作为本层核心样本,可以详述为:
S401:计算当前节点中每个机械参数样本关联度平均值。
S402:将关联度平均值最高的机械参数样本作为本层核心样本。
在本实施例中,参考上述实施例,在二叉树的第一层节点所包含的样本中,机械参数样本A3的关联度均值是最高的,也即:
Sim(A3)=[Sim(A1,A3)+Sim(A2,A3)+Sim(A3,A4)]/3
其中,Sim(A3)为机械参数样本A3的关联度平均值。
请一并参考图1及图5,作为本发明提供的断路器机械状态检测方法的一个具体实施方式,在上述实施例的基础上,将待检测断路器的机械参数输入至二叉树中进行待检测断路器的故障检测,可以详述为:
S10:将二叉树的根节点设置为当前访问节点。
在本实施例中,从根节点开始访问。
S20:将待检测断路器的机械参数输入至当前访问节点的节点分类器中,并根据当前访问节点的节点分类器的输出结果确定下一访问节点。
在本实施例中,根据当前访问节点的节点分类器的输出结果确定下一访问节点可以详述为:
若当前访问节点的节点分类器
S30:保存当前访问节点的节点分类器的输出结果,并将下一访问节点置为当前节点。
在本实施例中,选取当前访问节点的节点分类器的输出结果中故障概率最大的故障类别,将该故障类别对应的机械参数样本所在的节点作为下一访问节点。
例如,输出结果中,若a1故障概率为0.534,a2故障概率为0.019,a3故障概率为0.164,a4故障概率为0.283,a1故障类别对应的机械参数样本为A1,则将A1所在的节点作为下一访问节点,参考图8,也即将节点(A1,A3,A4)作为下一访问节点。
例如,输出结果中,若a1故障概率为0.019,a2故障概率为0.534,a3故障概率为0.164,a4故障概率为0.283,a2故障类别对应的机械参数样本为A2,则将A2所在的节点作为下一访问节点,也即将节点(A2)作为下一访问节点。
S40:重复执行步骤S10~S30的步骤,直至当前访问节点为二叉树的叶子节点。
S50:将所有访问节点的节点分类器的输出结果作为待检测断路器的故障检测结果。
可选地,作为本发明实施例提供的断路器机械状态检测方法的一种具体实施方式,根据当前访问节点的节点分类器的输出结果确定下一访问节点,可以详述为:
选取当前访问节点的节点分类器的输出结果中故障概率最大的故障类别,将该故障类别对应的机械参数样本所在的节点作为下一访问节点。
在本实施例中,也可选取当前访问节点的节点分类器的输出结果中故障概率最小的故障类别,将该故障类别对应的机械参数样本所在的节点的兄弟节点作为下一访问节点。
在本实施例中,也可根据当前访问节点的两个子节点的故障概率确定下一访问节点。若子节点中包含一个机械参数样本(也即对应一个故障类别),则将当前访问节点的节点分类器的输出结果中该故障类别对应的故障概率作为该子节点的故障概率。若子节点中包含多个机械参数样本(也即对应多个故障类别),则将当前访问节点的节点分类器的输出结果中所有故障类别对应的故障概率的平均值作为该子节点的故障概率。
对应于上文实施例的断路器机械状态检测方法,图6为本发明一实施例提供的断路器机械状态检测装置的结构框图。为了便于说明,仅示出了与本发明实施例相关的部分。参考图6,该装置包括:样本获取模块100、二叉树构造模块200、分类器训练模块300、故障检测模块400。
其中,样本获取模块100,用于获取断路器的多个机械参数样本,每个机械参数样本对应一个故障类别。
二叉树构造模块200,用于确定每两个机械参数样本之间的关联度,并根据各个机械参数样本之间的关联度构造二叉树,其中,二叉树中每个节点包含至少一个机械参数样本。
分类器训练模块300,用于基于二叉树中每个节点包含的机械参数样本训练得到该节点的节点分类器,节点分类器用于根据输入该节点的断路器机械参数输出断路器的故障类别以及故障概率。
故障检测模块400,用于获取待检测断路器的机械参数,并将待检测断路器的机械参数输入至二叉树中进行待检测断路器的故障检测。
参考图6,在本发明的另一个实施例中,二叉树构造模块200可以包括。
关联度计算单元210,用于确定每两个机械参数样本之间的关联度。
二叉树构造单元220,用于根据各个机械参数样本之间的关联度构造二叉树。
参考图6,在本发明的再一个实施例中,关联度计算单元210可以包括:
映射装置211,用于通过非线性映射将两个机械参数样本映射到高维空间。
距离计算装置212,用于根据高维空间中两个机械参数样本的超平面距离确定两个机械参数样本之间的关联度。
可选地,作为本发明实施例提供的断路器机械状态检测装置的一种具体实施方式,二叉树构造单元220用于执行以下步骤:
S1:将所有机械参数样本作为二叉树的根节点,并将根节点作为当前节点。
S2:按照预设规则选取当前节点中的某一机械参数样本作为本层核心样本。
S3:将与本层核心样本关联度最低的机械参数样本作为当前节点的左子节点,并将当前节点中的剩余机械参数样本作为当前节点的右子节点。
其中,当前节点中的剩余机械参数样本为除去与本层核心样本关联度最低的机械参数样本之外的所有机械参数样本。
S4:将当前节点的右子节点设置为当前节点。
S5:重复执行步骤S2~S4,直至二叉树的所有叶子节点中只包含一个机械参数样本。
可选地,作为本发明实施例提供的断路器机械状态检测装置的一种具体实施方式,按照预设规则选取当前节点中的某一机械参数样本作为本层核心样本,可以详述为:
计算当前节点中每个机械参数样本关联度平均值。
将关联度平均值最高的机械参数样本作为本层核心样本。
可选地,作为本发明实施例提供的断路器机械状态检测装置的一种具体实施方式,故障检测模块400用于执行以下步骤:
S10:将二叉树的根节点设置为当前访问节点。
S20:将待检测断路器的机械参数输入至当前访问节点的节点分类器中,并根据当前访问节点的节点分类器的输出结果确定下一访问节点。
S30:保存当前访问节点的节点分类器的输出结果,并将下一访问节点置为当前节点。
S40:重复执行步骤S10~S30的步骤,直至当前访问节点为二叉树的叶子节点。
S50:将所有访问节点的节点分类器的输出结果作为待检测断路器的故障检测结果。
可选地,作为本发明实施例提供的断路器机械状态检测装置的一种具体实施方式,根据当前访问节点的节点分类器的输出结果确定下一访问节点,可以详述为:
选取当前访问节点的节点分类器的输出结果中故障概率最大的故障类别,将该故障类别对应的机械参数样本所在的节点作为下一访问节点。
参见图7,图7为本发明一实施例提供的终端设备的示意框图。如图7所示的本实施例中的终端700可以包括:一个或多个处理器701、一个或多个输入设备702、一个或多个输出设备703及一个或多个存储器704。上述处理器701、输入设备702、则输出设备703及存储器704通过通信总线705完成相互间的通信。存储器704用于存储计算机程序,计算机程序包括程序指令。处理器701用于执行存储器704存储的程序指令。其中,处理器701被配置用于调用程序指令执行以下操作上述各装置实施例中各模块/单元的功能,例如图6所示模块100至400的功能。
应当理解,在本发明实施例中,所称处理器701可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备702可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等,输出设备703可以包括显示器(LCD等)、扬声器等。
该存储器704可以包括只读存储器和随机存取存储器,并向处理器701提供指令和数据。存储器704的一部分还可以包括非易失性随机存取存储器。例如,存储器704还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器701、输入设备702、输出设备703可执行本发明实施例提供的断路器机械状态检测方法的第一实施例和第二实施例中所描述的实现方式,也可执行本发明实施例所描述的终端的实现方式,在此不再赘述。
在本发明的另一实施例中提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序包括程序指令,程序指令被处理器执行时实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元,例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备,例如终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的终端和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的终端和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种断路器机械状态检测方法,其特征在于,包括:
获取断路器的多个机械参数样本,每个机械参数样本对应一个故障类别;
确定每两个机械参数样本之间的关联度,并根据各个机械参数样本之间的关联度构造二叉树,其中,二叉树中每个节点包含至少一个机械参数样本;
基于二叉树中每个节点包含的机械参数样本训练得到该节点的节点分类器,所述节点分类器用于根据输入该节点的断路器机械参数输出断路器的故障类别以及故障概率;
获取待检测断路器的机械参数,并将所述待检测断路器的机械参数输入至二叉树中进行待检测断路器的故障检测;
其中,所述根据各个机械参数样本之间的关联度构造二叉树,包括:
S1:将所有机械参数样本作为二叉树的根节点,并将根节点作为当前节点;
S2:按照预设规则选取当前节点中的某一机械参数样本作为本层核心样本;
S3:将与本层核心样本关联度最低的机械参数样本作为当前节点的左子节点,并将当前节点中的剩余机械参数样本作为当前节点的右子节点;
其中,当前节点中的剩余机械参数样本为除去与本层核心样本关联度最低的机械参数样本之外的所有机械参数样本;
S4:将当前节点的右子节点设置为当前节点;
S5:重复执行步骤S2~S4,直至二叉树的所有叶子节点中只包含一个机械参数样本。
2.如权利要求1所述的断路器机械状态检测方法,其特征在于,所述确定每两个机械参数样本之间的关联度,包括:
通过非线性映射将两个机械参数样本映射到高维空间;
根据高维空间中两个机械参数样本的超平面距离确定两个机械参数样本之间的关联度。
3.如权利要求1所述的断路器机械状态检测方法,其特征在于,所述按照预设规则选取当前节点中的某一机械参数样本作为本层核心样本,包括:
计算当前节点中每个机械参数样本关联度平均值;
将关联度平均值最高的机械参数样本作为本层核心样本。
4.如权利要求1所述的断路器机械状态检测方法,其特征在于,所述将所述待检测断路器的机械参数输入至二叉树中进行待检测断路器的故障检测,包括:
S10:将二叉树的根节点设置为当前访问节点;
S20:将待检测断路器的机械参数输入至当前访问节点的节点分类器中,并根据当前访问节点的节点分类器的输出结果确定下一访问节点;
S30:保存当前访问节点的节点分类器的输出结果,并将下一访问节点置为当前节点;
S40:重复执行步骤S10~S30的步骤,直至当前访问节点为二叉树的叶子节点;
S50:将所有访问节点的节点分类器的输出结果作为待检测断路器的故障检测结果。
5.如权利要求4所述的断路器机械状态检测方法,其特征在于,所述根据当前访问节点的节点分类器的输出结果确定下一访问节点,包括:
选取当前访问节点的节点分类器的输出结果中故障概率最大的故障类别,将该故障类别对应的机械参数样本所在的节点作为下一访问节点。
6.一种断路器机械状态检测装置,其特征在于,包括:
样本获取模块,用于获取断路器的多个机械参数样本,每个机械参数样本对应一个故障类别;
二叉树构造模块,用于确定每两个机械参数样本之间的关联度,并根据各个机械参数样本之间的关联度构造二叉树,其中,二叉树中每个节点包含至少一个机械参数样本;
分类器训练模块,用于基于二叉树中每个节点包含的机械参数样本训练得到该节点的节点分类器,所述节点分类器用于根据输入该节点的断路器机械参数输出断路器的故障类别以及故障概率;
故障检测模块,用于获取待检测断路器的机械参数,并将所述待检测断路器的机械参数输入至二叉树中进行待检测断路器的故障检测;
其中,所述二叉树构造模块包括;
关联度计算单元,用于确定每两个机械参数样本之间的关联度;
二叉树构造单元,用于根据各个机械参数样本之间的关联度构造二叉树;
其中,所述二叉树构造单元具体用于执行以下步骤:
S1:将所有机械参数样本作为二叉树的根节点,并将根节点作为当前节点;
S2:按照预设规则选取当前节点中的某一机械参数样本作为本层核心样本;
S3:将与本层核心样本关联度最低的机械参数样本作为当前节点的左子节点,并将当前节点中的剩余机械参数样本作为当前节点的右子节点;
其中,当前节点中的剩余机械参数样本为除去与本层核心样本关联度最低的机械参数样本之外的所有机械参数样本;
S4:将当前节点的右子节点设置为当前节点;
S5:重复执行步骤S2~S4,直至二叉树的所有叶子节点中只包含一个机械参数样本。
7.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1至5任一项所述方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911007001.8A CN110715799B (zh) | 2019-10-22 | 2019-10-22 | 断路器机械状态检测方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911007001.8A CN110715799B (zh) | 2019-10-22 | 2019-10-22 | 断路器机械状态检测方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110715799A CN110715799A (zh) | 2020-01-21 |
CN110715799B true CN110715799B (zh) | 2021-05-11 |
Family
ID=69214014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911007001.8A Active CN110715799B (zh) | 2019-10-22 | 2019-10-22 | 断路器机械状态检测方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110715799B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111458630B (zh) * | 2020-04-09 | 2022-09-06 | 广东电网有限责任公司 | 一种高压断路器故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101382802A (zh) * | 2008-10-10 | 2009-03-11 | 株洲南车时代电气股份有限公司 | 养路机械电气系统状态监测与诊断装置及监测诊断方法 |
CN102722726A (zh) * | 2012-06-05 | 2012-10-10 | 江苏省电力公司南京供电公司 | 一种基于动态二叉树的svm多分类方法 |
CN105930872A (zh) * | 2016-04-28 | 2016-09-07 | 上海应用技术学院 | 一种基于类别相似的二叉树支持向量机的公交行驶状态分类方法 |
CN107634857A (zh) * | 2017-09-22 | 2018-01-26 | 安徽师范大学 | 基于svm的故障检测模型构建及评估方法 |
CN109460004A (zh) * | 2018-10-26 | 2019-03-12 | 国网天津市电力公司 | 基于大数据的配电网故障预测方法及系统 |
-
2019
- 2019-10-22 CN CN201911007001.8A patent/CN110715799B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101382802A (zh) * | 2008-10-10 | 2009-03-11 | 株洲南车时代电气股份有限公司 | 养路机械电气系统状态监测与诊断装置及监测诊断方法 |
CN102722726A (zh) * | 2012-06-05 | 2012-10-10 | 江苏省电力公司南京供电公司 | 一种基于动态二叉树的svm多分类方法 |
CN105930872A (zh) * | 2016-04-28 | 2016-09-07 | 上海应用技术学院 | 一种基于类别相似的二叉树支持向量机的公交行驶状态分类方法 |
CN107634857A (zh) * | 2017-09-22 | 2018-01-26 | 安徽师范大学 | 基于svm的故障检测模型构建及评估方法 |
CN109460004A (zh) * | 2018-10-26 | 2019-03-12 | 国网天津市电力公司 | 基于大数据的配电网故障预测方法及系统 |
Non-Patent Citations (3)
Title |
---|
一种新型基于二叉树的支持向量机多类分类方法;王晓锋等;《郑州轻工业学院学报(自然科学版)》;20081215(第06期);度29-31页 * |
改进二叉树支持向量机及其故障诊断方法研究;赵海洋等;《振动工程学报》;20131015(第05期);第764-769页 * |
次序二叉树支持向量机多类故障诊断算法研究;袁胜发等;《振动与冲击》;20091231;第28卷(第3期);第51-54页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110715799A (zh) | 2020-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472675B (zh) | 图像分类方法、图像分类装置、存储介质与电子设备 | |
CN110008080B (zh) | 基于时间序列的业务指标异常检测方法、装置和电子设备 | |
CN112598537B (zh) | 电力设备故障诊断方法、装置及终端设备 | |
WO2019019628A1 (zh) | 移动应用的测试方法、装置、测试设备及介质 | |
CN111382740B (zh) | 文本图片解析方法、装置、计算机设备及存储介质 | |
CN109740630A (zh) | 异常数据处理方法及装置 | |
CN112966865B (zh) | 携号转网预测方法、装置及设备 | |
CN114580263A (zh) | 基于知识图谱的信息系统故障预测方法及相关设备 | |
CN111125529A (zh) | 产品匹配方法、装置、计算机设备及存储介质 | |
CN112883990A (zh) | 数据分类方法及装置、计算机存储介质、电子设备 | |
CN112967272A (zh) | 基于改进U-net的焊接缺陷检测方法、装置及终端设备 | |
CN113313070A (zh) | 架空输电线路缺陷检测方法、装置及电子设备 | |
CN110715799B (zh) | 断路器机械状态检测方法、装置及终端设备 | |
WO2016200408A1 (en) | Hybrid classification system | |
CN111104400A (zh) | 数据归一方法及装置、电子设备、存储介质 | |
CN117495544A (zh) | 一种基于沙箱的风控评估方法、系统、终端及存储介质 | |
CN110826616B (zh) | 信息处理方法及装置、电子设备、存储介质 | |
JP2013182468A (ja) | パラメータ値設定誤り検出システム、パラメータ値設定誤り検出方法およびパラメータ値設定誤り検出プログラム | |
CN115205619A (zh) | 检测模型的训练方法、检测方法、装置和存储介质 | |
CN116168403A (zh) | 医疗数据分类模型训练方法、分类方法、装置及相关介质 | |
CN113158988A (zh) | 财务报表处理方法、装置以及计算机可读存储介质 | |
CN111753598A (zh) | 人脸检测方法及设备 | |
JP7322918B2 (ja) | プログラム、情報処理装置、及び学習モデルの生成方法 | |
CN113537363B (zh) | 一种异常对象检测方法及装置、电子设备及存储介质 | |
CN111835830B (zh) | 一种数据感知系统、方法及装置 |
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 |