CN110796120A - 基于时域特征的断路器机械故障XGBoost诊断方法 - Google Patents

基于时域特征的断路器机械故障XGBoost诊断方法 Download PDF

Info

Publication number
CN110796120A
CN110796120A CN201911146128.8A CN201911146128A CN110796120A CN 110796120 A CN110796120 A CN 110796120A CN 201911146128 A CN201911146128 A CN 201911146128A CN 110796120 A CN110796120 A CN 110796120A
Authority
CN
China
Prior art keywords
xgboost
time domain
state
circuit breaker
classifier
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
CN201911146128.8A
Other languages
English (en)
Inventor
戚佳金
陈建新
黄南天
高旭
吕峻
江奕军
王丽群
吴非斐
王根明
俞曙江
雍继磊
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.)
State Grid Corp of China SGCC
Northeast Electric Power University
Hangzhou Power Equipment Manufacturing Co Ltd
Original Assignee
State Grid Corp of China SGCC
Northeast Dianli University
Hangzhou Power Equipment Manufacturing Co Ltd
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 State Grid Corp of China SGCC, Northeast Dianli University, Hangzhou Power Equipment Manufacturing Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201911146128.8A priority Critical patent/CN110796120A/zh
Publication of CN110796120A publication Critical patent/CN110796120A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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
    • 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
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

一种基于时域特征的断路器机械故障XGBoost诊断方法属于高压断路器机械故障判断技术领域。本发明对正常状态、铁芯卡涩状态、螺丝松动状态以及拐臂润滑不足状态四种机械状态下的高压断路器振动进行信号采集，并通过采集的数据训练XGBoost故障状态分类器，训练完成后通过分析动作产生的振动信号用于高压断路器状态的判断。XGBoost分类精度高，可并行化处理、可移植性强并且能够有效防止过拟合。

Description

基于时域特征的断路器机械故障XGBoost诊断方法
技术领域
本发明属于高压断路器机械故障判断技术领域，特别是涉及到一种基于时域特征的断路器机械故障XGBoost极端梯度提升诊断方法。
背景技术
随着电力物联网的发展，电力设备状态监测与故障诊断重要性不断提高。其中，高压断路器(High Voltage Circuit Breakers，HVCBs)在电力系统中应用众多且内部构造复杂，故障信号采集易受外界条件因素的影响，故障诊断难度大。
传统的振动信号特征包括时域特征、频域特征以及时-频域特征，HVCBs振动信号处理多采用时-频域分析方法。常用时-频分析法中，采用经验模态分解和局域均值分解处理振动信号时，相近频率分量分离难度大且伴有模态混叠问题；集合经验模态分解用加入白噪声的方式抑制了模态混叠，但增加了运算量，且会分解出超出信号真实组成的多个分量。以上方法处理过程较复杂，时间复杂度高，提高了相关技术的应用成本与产业化难度。由于断路器振动信号中，不同故障状态信号在幅值、衰减程度及振动起始时间上存在差异，因此，可直接从原始振动信号中提取均值、方差、标准差等时域特征分析HVCB故障状态。
常用HVCBs故障诊断方法包括支持向量机、卷积神经网络等。由于HVCB现有的机械故障种类和故障程度少，很难得到涵盖全面故障程度的训练样本，因此，对分类器分类效果提出了更高的要求。
发明内容
本发明所要解决的技术问题是：提供一种基于时域特征的断路器机械故障XGBoost诊断方法用于解决常用HVCBs故障诊断方法很难得到涵盖全面故障程度的训练样本的技术问题。
基于时域特征的断路器机械故障XGBoost诊断方法，包括以下步骤，并且以下步骤顺次进行，
步骤一、对正常状态、铁芯卡涩状态、螺丝松动状态以及拐臂拐臂润滑不足状态四种机械状态下的高压断路器振动进行信号采集，采样信号的坐标零点为断路器动作初始时刻，信号采样率相同，振动信号记录起点与采集信号时间长度相同；
步骤二、建立17种时域特征公式，分别对四种机械状态的振动信号提取时域特征；
步骤三、在Anaconda开发环境下的Spyder软件中建立XGBoost分类器，将XGBoost分类器通过损失函数并且引入正则项进行XGBoost参数寻优，获得初步XGBoost分类器；
步骤四、四种机械状态振动信号中各取3组提取的时域特征进行特征分布展示和训练初步XGBoost分类器，通过初步XGBoost分类器的梯度提升算法获得各时域特征的重要度值，将重要度值由高到低排序，通过初步XGBoost分类器获得分离程度并由高到低排序，
由高到低选取重要度值的前指定项，删去指定项中分离程度低于设定值的特征，形成最优特征向量集；
步骤五、从步骤一中获得的四种机械状态振动信号中，各取20组振动信号通过步骤二中的时域特征公式进行特征计算后，将属于步骤三中获得的最优特征向量集的特征向量输入初步XGBoost分类器中进行进一步训练，获得训练完成的XGBoost故障状态分类器；
步骤六、将采集到的高压断路器的振动信号通过步骤二中的时域特征公式进行时域特征提取，将符合最优特征向量集的时域特征输入到步骤四中训练完成的XGBoost故障状态分类器中，获得此信号所反映的高压断路器状态。
所述步骤一中采样信号的采样率均设置为25.6kS/s。
所述步骤四中损失函数为2阶泰勒损失函数。
通过上述设计方案，本发明可以带来如下有益效果：
本发明对正常状态、铁芯卡涩状态、螺丝松动状态以及拐臂润滑不足状态四种机械状态下的高压断路器振动进行信号采集，并通过采集的数据训练XGBoost故障状态分类器，训练完成后通过分析动作产生的振动信号用于高压断路器状态的判断。XGBoost分类精度高，可并行化处理、可移植性强并且能够有效防止过拟合。
附图说明
以下结合附图和具体实施方式对本发明作进一步的说明：
图1为本发明基于时域特征的断路器机械故障XGBoost诊断方法中系统采集的正常状态实测振动信号图。
图2为本发明基于时域特征的断路器机械故障XGBoost诊断方法中系统采集的铁芯卡涩状态实测振动信号图。
图3为本发明基于时域特征的断路器机械故障XGBoost诊断方法中系统采集的螺丝松动状态实测振动信号图。
图4为本发明基于时域特征的断路器机械故障XGBoost诊断方法中系统采集的拐臂润滑不足状态实测振动信号图。
图5为本发明基于时域特征的断路器机械故障XGBoost诊断方法中不同类型振动信号的特征向量分布图。
图6为本发明基于时域特征的断路器机械故障XGBoost诊断方法中特征重要度排序图。
图7为本发明基于时域特征的断路器机械故障XGBoost诊断方法中XGBoost参数寻优结果图。
具体实施方式
基于时域特征的断路器机械故障XGBoost诊断方法，包括以下步骤：
1、高压断路器振动信号采集
对正常状态、铁芯卡涩状态、螺丝松动状态以及拐臂润滑不足状态四种机械状态下的高压断路器振动进行信号采集，采样信号的坐标零点为断路器动作初始时刻，信号采样率相同，振动信号记录起点与采集信号时间长度相同；
2、时域特征计算
建立17种时域特征计算公式，分别对四种机械状态的振动信号提取时域特征。
考虑到边缘计算以及云计算技术的发展可应用于电力设备的状态监测领域，特征提取环节为缓解应用于实际工程中数据传输的压力，直接对振动信号提取17种时域特征用于断路器的机械状态分析，如表1所示。
表1时域特征计算公式
Figure BDA0002282250210000041
其中：Fmv为均值；Fstd为标准差；Ftv为方差；Fsv为偏斜度；Fkv为峭度；Fppv为峰值；Fsta为方根幅值；Fav为平均幅值；Frms为均方根值；Fpv为峰值；Fsf为波形指标；Fcf为峰值指标；Fif为脉冲指标；Fmf为裕度指标；Fse为Shannon熵；Fre为Renyi熵；Fte为Tsallis熵；N为采样点总数；x(n)为第n个采样点的幅值；max为取最大值函数；min为取最小值函数；pn为第n个采样点幅值出现的概率；K为常系数；α为阶数。
3、XGBoost参数寻优
将高压断路器在正常状态、铁芯卡涩、拐臂润滑不足、螺丝松动四种状态下的振动信号各取20组作为分类器的训练样本，对训练样本进行特征计算后，将属于最优特征子集的特征向量输入XGBoost中进行训练，得到最终训练完成的XGBoost故障状态分类器。为了提高XGBoost分类准确度和分类效果，需要对XGBoost模型中的参数进行优化。
XGBoost算法的精度高，可并行化处理、可移植性强并且能够有效防止过拟合。XGBoost基于损失函数2阶泰勒展开进行优化，提升了可分离性。为了避免过拟合和降低XGBoost模型复杂度，在损失函数之外还引入了正则项整体求最优解。
假设模型有k个决策树，即
Figure BDA0002282250210000051
其中，
Figure BDA0002282250210000052
为模型当前k棵树在i时刻的输出结果，fk(xi)是第k棵树对应的预测模型。其损失函数L为
Figure BDA0002282250210000053
其中
Figure BDA0002282250210000054
是训练误差，定义模型的正则项为
Figure BDA0002282250210000055
T为叶子数，w为叶子权重，γ为叶子树惩罚系数，λ为叶子权重惩罚系数。则第i个样本在第t次迭代的预测结果
Figure BDA0002282250210000056
以表示为
式(3)中为第i个样本在t次迭代的预测结果；fi(xi)为第i个样本对应的预测模型，fi(xi)为第t次迭代对应的预测模型，损失函数可以表示为
Figure BDA0002282250210000061
对损失函数泰勒展开有
Figure BDA0002282250210000062
并定义gi为预测误差对于该模型的一阶导数，hi为预测误差对于该模型的二阶导数：
Figure BDA0002282250210000063
Figure BDA0002282250210000064
移除常数项有
将Ij＝{i|q(xi＝j)}定义为第j个叶子点，即
Figure BDA0002282250210000066
然后将上式求导并令求导结果等于0，可得
Figure BDA0002282250210000067
把wj的最优解
Figure BDA0002282250210000068
带入目标函数，得到
Figure BDA0002282250210000071
式中，gi为预测误差对于模型的一阶导数，hi为预测误差对于模型的二阶导数，T为叶子数，γ为叶子树惩罚系数，λ为叶子权重惩罚系数。
XGBoost的分割步骤发生在每个已有的叶子节点，取代了传统GBDT分割标准最小化均方差的方法，能够更加有效地枚举树的结构。信息增益如下
Figure BDA0002282250210000072
式中，gi为预测误差对于模型的一阶导数，hi为预测误差对于模型的二阶导数，IL为分割后左节点的集合，IR为分割后右节点的集合，I是所有节点的集合，T为叶子数，γ为叶子树惩罚系数，λ为叶子权重惩罚系数。
从上式可知，这个信息增益是利用分割后的某种值减分裂前的某种值，优化了目标函数。
XGBoost在顺序创建或者增加决策树时，每个决策树都会试图去纠正之前学习中存在的错误。而且当树的规模达到一定程度后，分类效果已经达到最优，即使再增加树的棵树以及树的深度并不会达到更好的效果，因此，需要XGBoost决策树的规模以及决策树的深度进行寻优。在寻优时运用对数损失(Log loss)，对数损失越小，达到的效果就会越好。根据对数损失来判断树的棵树与树的深度的对分类效果的影响，来找到XGBoost最优参数，获得初步XGBoost分类器。
4、特征向量可分离程度分析
对断路器原始振动信号进行时域特征提取后，不同状态间的特征存在一定的差异性，4种状态各取3组数据进行特征分布展示，可以看出每个特征的可分离程度，特征分离越明显，特征的类可分性越好，越利于状态识别。XGBoost分类器使用了梯度提升算法，一个属性越多的被用来在模型中构建决策树，它的重要性就相对越高。因此在提升树被创建后，可以直接地得到每个属性的重要度值，它衡量了特征在提升决策树构建中的价值，重要度值越大在状态识别时做出的贡献越大。以特征重要度值为主要判断依据，将17种时域特征进行重要度值排序，再根据特征的可分离性进行辅助筛选，由高到低选取重要度值的前指定项，删去指定项中分离程度低于设定值的特征，形成最优特征向量集。
5、进一步训练XGBoost分类器，获得训练完成后的XGBoost分类器
将HVCBs在正常状态、铁芯卡涩、拐臂润滑不足、螺丝松动四种状态下的振动信号各取20组作为分类器的训练样本，将训练样本原始信号进行时域信特征提取，得到17组特征向量，选出属于最优特征子集的特征向量，建立特征向量Excel表格，输入XGBoost中进行训练，Excel表格中每行代表一种特征，每列为具体的归一化特征值，得到训练完成后的XGBoost分类器。
6、高压断路器状态判断
将采集到的高压断路器的振动信号进行特征提取，然后将符合最优特征子集的特征输入到训练好的XGBoost中，就能得到此信号所反映的高压断路器状态。
实施例：
1、高压断路器振动信号采集
以弹簧操动机构的LW9-72.5型SF6HVCB为例，压电式加速度传感器与NI9234数据采集卡用于采集、记录振动信号数据，共同组成信号采集系统。采样信号的坐标零点为断路器将要动作时刻(触发卡为信号采集卡发送信号采集指令)，信号采样率设置为25.6kS/s，4种机械状态下的振动信号记录起点与采集信号时间长度相同。
图1～图4分别为系统采集的正常状态、铁芯卡涩状态、螺丝松动状态以及拐臂拐臂润滑不足状态的实测振动信号，与正常信号相比较，铁芯卡涩波形的最大幅值出现时间较晚；螺丝松动波形的幅值小，振动维持时间长，衰减过程较慢；拐臂润滑不足波形的幅值相对偏小。因此可直接提取时域特征，对HVCB机械状态进行识别。
3、XGBoost参数寻优
XGBoost算法精度高，可并行化处理、可移植性强并且能够有效防止过拟合。XGBoost基于损失函数2阶泰勒展开进行优化，提升了可分离性。为了避免过拟合和降低XGBoost模型复杂度，在损失函数之外还引入了正则项整体求最优解，引入阈值γ控制树的规模，节点分割以增益值大于γ为前提，优化了目标函数。
XGBoost在顺序创建或者增加决策树时，每个决策树都会试图去纠正之前学习中存在的错误。而且当树的规模达到一定程度后，分类效果已经达到最优，即使再增加树的棵树以及树的深度并不会达到更好的效果，因此，对XGBoost决策树的规模以及决策树的深度进行了寻优。
在寻优时运用对数损失(Log loss)，对数损失越小，达到的效果就会越好。由于XGBoost中默认树的棵树为100，在寻优时树的棵树取[50,100,150,200]，树的深度取[2,4,6,8]。参数寻优结果如图7所示，当树的深度取值为4时，XGBoost效果已经达到最优，树的深度大于4时与等于4时的曲线重合，因此图中没有进行展示。从图可知，树的深度取4、树的规模取150时，分类效果已经达到最优。因此，实验分析时，树的规模取150、深度取4，所以初步XGBoost分类器中树的规模取150、深度取4。
4、特征向量可分离程度分析
对断路器原始振动信号直接特征提取后，4种状态各取3组进行特征分布展示，如图5所示。从图中可以看出，不同状态间的特征存在一定的差异性，输入到分类器中具有一定的类可分性。为验证特征分布图中展示特征分类能力的有效，在XGBoost训练模型时输出各特征的重要度值如图6所示，特征F7、F3、F1、F6、F12、F8以及F13重要度值较其它特征更大，在状态识别时做出的贡献更大，从图5特征分布图中也可以看出这7种特征的可分离程度高，而且特征向量整体具有较好的可分离程度。
5、进一步训练XGBoost分类器
将HVCBs在正常状态、铁芯卡涩、拐臂润滑不足、螺丝松动四种状态下的振动信号各取20组作为分类器的训练样本，将训练样本原始信号进行时域信特征提取，得到17组特征向量，选出属于最优特征子集的特征向量，建立特征向量Excel表格(每行代表一种特征，每列为具体的归一化特征值)输入XGBoost中进行训练，得到训练完成后的XGBoost分类器。
6、高压断路器状态判断
在具体应用时，将采集到的高压断路器的振动信号进行时域特征提取，然后将符合最优特征子集的特征输入到训练好的XGBoost中，就能得到此信号所反映的高压断路器状态。

Claims (3)

1.基于时域特征的断路器机械故障XGBoost诊断方法，其特征是：包括以下步骤，并且以下步骤顺次进行，
步骤一、对正常状态、铁芯卡涩状态、螺丝松动状态以及拐臂拐臂润滑不足状态四种机械状态下的高压断路器振动进行信号采集，采样信号的坐标零点为断路器动作初始时刻，信号采样率相同，振动信号记录起点与采集信号时间长度相同；
步骤二、建立17种时域特征公式，分别对四种机械状态的振动信号提取时域特征；
步骤三、在Anaconda开发环境下的Spyder软件中建立XGBoost分类器，将XGBoost分类器通过损失函数并且引入正则项进行XGBoost参数寻优，获得初步XGBoost分类器；
步骤四、四种机械状态振动信号中各取3组提取的时域特征进行特征分布展示和训练初步XGBoost分类器，通过初步XGBoost分类器的梯度提升算法获得各时域特征的重要度值，将重要度值由高到低排序，通过初步XGBoost分类器获得分离程度并由高到低排序，
由高到低选取重要度值的前指定项，删去指定项中分离程度低于设定值的特征，形成最优特征向量集；
步骤五、从步骤一中获得的四种机械状态振动信号中，各取20组振动信号通过步骤二中的时域特征公式进行特征计算后，将属于步骤三中获得的最优特征向量集的特征向量输入初步XGBoost分类器中进行进一步训练，获得训练完成的XGBoost故障状态分类器；
步骤六、将采集到的高压断路器的振动信号通过步骤二中的时域特征公式进行时域特征提取，将符合最优特征向量集的时域特征输入到步骤四中训练完成的XGBoost故障状态分类器中，获得此信号所反映的高压断路器状态。
2.根据权利要求1所述的基于时域特征的断路器机械故障XGBoost诊断方法，其特征是：所述步骤一中采样信号的采样率均设置为25.6kS/s。
3.根据权利要求1所述的基于时域特征的断路器机械故障XGBoost诊断方法，其特征是：所述步骤四中损失函数为2阶泰勒损失函数。
CN201911146128.8A 2019-11-21 2019-11-21 基于时域特征的断路器机械故障XGBoost诊断方法 Pending CN110796120A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911146128.8A CN110796120A (zh) 2019-11-21 2019-11-21 基于时域特征的断路器机械故障XGBoost诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911146128.8A CN110796120A (zh) 2019-11-21 2019-11-21 基于时域特征的断路器机械故障XGBoost诊断方法

Publications (1)

Publication Number Publication Date
CN110796120A true CN110796120A (zh) 2020-02-14

Family

ID=69445603

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911146128.8A Pending CN110796120A (zh) 2019-11-21 2019-11-21 基于时域特征的断路器机械故障XGBoost诊断方法

Country Status (1)

Country Link
CN (1) CN110796120A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111965456A (zh) * 2020-08-17 2020-11-20 红相股份有限公司 一种电力设备机械故障的诊断方法
CN112232212A (zh) * 2020-10-16 2021-01-15 广东石油化工学院 三重并发故障分析方法、系统、大机组设备及存储介质
CN112270227A (zh) * 2020-10-16 2021-01-26 广东石油化工学院 一种油膜涡动与摩擦并发故障分析方法及分析系统
CN112284721A (zh) * 2020-10-16 2021-01-29 广东石油化工学院 一种大机组摩擦与转子不平衡双重故障分析方法及系统
CN112504435A (zh) * 2020-11-23 2021-03-16 长春工程学院 一种高压断路器基座螺丝松动故障检测方法
CN112989906A (zh) * 2020-12-04 2021-06-18 中国船舶重工集团公司第七一五研究所 基于改进集成经验模态分解与XGBoost模型的光纤周界信号特征识别方法
CN113361359A (zh) * 2021-05-31 2021-09-07 电子科技大学 一种基于XGBoost算法的核电管道故障识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107817098A (zh) * 2017-10-12 2018-03-20 东北电力大学 一种高压断路器机械故障诊断方法
CN108680348A (zh) * 2018-05-14 2018-10-19 国网山东省电力公司莱芜供电公司 一种基于随机森林的断路器机械故障诊断方法及系统
CN109100646A (zh) * 2018-08-17 2018-12-28 国网江苏省电力有限公司检修分公司 一种高压断路器故障诊断方法
CN109829236A (zh) * 2019-01-31 2019-05-31 浙江工业大学 一种基于XGBoost特征提取的压缩机故障诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107817098A (zh) * 2017-10-12 2018-03-20 东北电力大学 一种高压断路器机械故障诊断方法
CN108680348A (zh) * 2018-05-14 2018-10-19 国网山东省电力公司莱芜供电公司 一种基于随机森林的断路器机械故障诊断方法及系统
CN109100646A (zh) * 2018-08-17 2018-12-28 国网江苏省电力有限公司检修分公司 一种高压断路器故障诊断方法
CN109829236A (zh) * 2019-01-31 2019-05-31 浙江工业大学 一种基于XGBoost特征提取的压缩机故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张钰等: "Xgboost在滚动轴承故障诊断中的应用", 《噪声与振动控制》 *
陈明华等: "基于XGBoost的电力系统暂态稳定预测方法", 《电网技术》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111965456A (zh) * 2020-08-17 2020-11-20 红相股份有限公司 一种电力设备机械故障的诊断方法
CN112232212A (zh) * 2020-10-16 2021-01-15 广东石油化工学院 三重并发故障分析方法、系统、大机组设备及存储介质
CN112270227A (zh) * 2020-10-16 2021-01-26 广东石油化工学院 一种油膜涡动与摩擦并发故障分析方法及分析系统
CN112284721A (zh) * 2020-10-16 2021-01-29 广东石油化工学院 一种大机组摩擦与转子不平衡双重故障分析方法及系统
CN112504435A (zh) * 2020-11-23 2021-03-16 长春工程学院 一种高压断路器基座螺丝松动故障检测方法
CN112989906A (zh) * 2020-12-04 2021-06-18 中国船舶重工集团公司第七一五研究所 基于改进集成经验模态分解与XGBoost模型的光纤周界信号特征识别方法
CN113361359A (zh) * 2021-05-31 2021-09-07 电子科技大学 一种基于XGBoost算法的核电管道故障识别方法

Similar Documents

Publication Publication Date Title
CN110796120A (zh) 基于时域特征的断路器机械故障XGBoost诊断方法
CN109948597B (zh) 一种高压断路器机械故障诊断方法
CN110728360A (zh) 一种基于bp神经网络的微能源器件能量识别方法
CN109085469A (zh) 一种用于识别电缆局部放电信号的信号类型的方法及系统
CN109034054B (zh) 基于lstm的谐波多标签分类方法
CN110726898B (zh) 一种配电网故障类型识别方法
CN109163911A (zh) 一种基于改进的蝙蝠算法优化elm的发动机燃油系统故障诊断方法
CN110070102B (zh) 用于电能质量扰动类型识别的序列对序列模型建立方法
CN111931983B (zh) 一种降水量预测方法及系统
CN115580445B (zh) 一种未知攻击入侵检测方法、装置和计算机可读存储介质
CN110808580B (zh) 基于小波变换和极限学习机的电压暂降源快速辨识方法
CN115659665A (zh) 一种基于野马优化算法的电压暂降源信号降噪与识别的方法
CN111368892A (zh) 一种广义s变换和svm的电能质量扰动高效识别方法
CN113988136B (zh) 一种基于深度学习与智能优化的中压断路器故障诊断方法
CN111626312A (zh) 基于快速多分离字典学习的风力机轴承故障诊断方法
CN115600088A (zh) 一种基于振动信号的配电变压器故障诊断方法
CN114897138A (zh) 基于注意力机制和深度残差网络的系统故障诊断方法
Wang et al. Research on feature extraction and recognition method of underwater acoustic target based on deep convolutional network
CN116559650A (zh) 一种基于多维熵距的自动转换开关故障识别方法
CN116403032A (zh) 基于多域信息融合与深度学习的断路器故障评估方法
CN115275990A (zh) 一种用于区域电网宽频振荡风险的评估方法与系统
CN117725480A (zh) 一种避雷器故障智能检测方法及系统
CN114740730A (zh) 基于卷积神经网络的svg参数优化辨识方法
CN114563671A (zh) 一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法
CN114239653A (zh) 一种基于kpca-miv-lstm的故障电弧多域识别方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200214

RJ01 Rejection of invention patent application after publication