CN111273125A - 基于rst-cnn的电力电缆沟道故障诊断方法 - Google Patents
基于rst-cnn的电力电缆沟道故障诊断方法 Download PDFInfo
- Publication number
- CN111273125A CN111273125A CN202010013329.7A CN202010013329A CN111273125A CN 111273125 A CN111273125 A CN 111273125A CN 202010013329 A CN202010013329 A CN 202010013329A CN 111273125 A CN111273125 A CN 111273125A
- Authority
- CN
- China
- Prior art keywords
- power cable
- decision
- attribute
- fault
- cable channel
- 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
Images
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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/083—Locating faults in cables, transmission lines, or networks according to type of conductors in cables, e.g. underground
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开了基于RST‑CNN的电力电缆沟道故障诊断方法,具体按照以下步骤实施:构建电力电缆在线监测系统,实时测量电力电缆的各种在线数据;构建特征信息表,利用信息特征数据建立条件属性表、决策属性表,构建故障诊断决策表;利用粗糙集理论对各个属性进行分析并寻找约简属性集,消除特征信息中的多余属性,对其条件属性约简特征信息并从中提取决策规则,构建约简决策表;建立基于神经网络的故障模型,并进行训练优化;对故障类型进行误差验证,获得优化故障模型,在线数据输入优化故障模型,获得故障类型;本发明的方法在弥补神经网络检测的不足的同时,能更加准确有效地判断电缆沟道的故障类型,进而能够有效率的检修。
Description
技术领域
本发明属于电力电缆沟道故障类型诊断技术领域,具体涉及基于 RST-CNN的电力电缆沟道故障诊断方法。
背景技术
电力电缆作为一种输电设备,由于其本身的优点,在现代化城市电网建设中得到广泛应用。电缆沟道管理水平的高低不但直接影响电力电缆的安全运行,广大客户的安全用电,也直接影响着行人、沟道周边单位和个人的生命和财产安全。通过对电缆沟道环境问题的分析,监测系统需要采用现代化的设备对电缆沟道的环境和安全状况进行监测,包括介质因素角、外部绝缘、泄漏电流、接地电容电流、线芯温度、电缆电流、环境温度、环境湿度进行测量采集,并能通过对监测数据进行分析,起到全程监测、实时传输、预警提示的作用,各种采集的含量可作为电力电缆沟道机械故障诊断预警所用的丰富信息。
已有的电力电缆沟道故障检测的方法有很多,其中涉及各种人工智能算法,如:模糊控制能用精确的数学工具将模糊的概念或自然语言清晰化,但其隶属函数和模糊规则的确定过程存在一定的人为因素;径向基神经网络为电缆沟道的故障诊断问题提供了一种比较好的结构体系,但存在着无法解释自己的推理过程和推理依据以及数据不充分时神经网络无法正常工作的缺点。
近年来,神经网络被提出应用于故障诊断,虽然其训练时间短且准确率较高,但是经仿真得出电缆沟道在故障诊断过程中,由于故障产生的机理不甚清楚,特征之间的关系错综复杂,表现形式多元化,重复故障特征生成也会很大程度上影响诊断的准确率。
发明内容
本发明的目的是提供基于RST-CNN的电力电缆沟道故障诊断方法,能够准确、有效地判断电缆沟道的故障类型。
本发明采用的技术方案是,基于RST-CNN的电力电缆沟道故障诊断方法,具体按照以下步骤实施:
步骤1、建立电力电缆在线监测系统,将电力电缆沟道的电缆与在线监测系统连接,通过电力电缆在线监测系统实时获得电力电缆的各种在线数据,并将在线数据划分为训练集和验证集;
步骤2、对在线数据进行信息采集,建立特征信息表,利用信息特征数据建立条件属性表、决策属性表,根据条件属性表和决策属性表构建故障诊断决策表;利用粗糙集理论对各个属性进行分析并寻找约简属性集,消除特征信息中的多余属性,最后对其条件属性约简特征信息并从中提取决策规则,构建约简决策表;
步骤3、建立基于神经网络的故障模型,将约简决策表中的约简特征信息作为神经网络的输入,经过神经网络的处理之后输出,再经过训练学习后输出故障类型;
步骤4、通过验证集对故障类型进行误差验证,当误差在预期范围内,输出相应的优化故障模型,将步骤1中实时获得电力电缆的各种在线数据输入优化故障模型,获得故障类型。
本发明的特点还在于:
步骤1具体过程为:
步骤1.1、构建电力电缆在线监测系统,具体构建方法如下:
将处理器分别连接电源模块、液晶模块、数据存储单元、以太网控制模块、CAN控制模块,将数据采集AD模块通过CAN总线连接到处理器,将信息采集单元的输入端连接电缆各项传感器;
步骤1.2、将电力电缆沟道的电缆分别与各项电缆传感器连接;
步骤1.3、利用电缆沟道在线监测系统实时监测得到电力电缆的各种在线数据。
处理器的型号为LPC2294。
电力电缆的各种在线数据具体包括:介质损耗角、外部绝缘电阻、泄露电流、接地电容电流、线芯温度、电缆电流、环境温度、环境湿度。
训练集和验证集的比例为7:3。
步骤2中提取决策规则具体过程为:
故障特征信息表S描述为如下形式:
S=(U,C,D,V,F) (1);
式(1)中:U是论域,C是条件属性集,D是决策属性集;V=Va∈C∪DVa是属性的值域,其中,Va是属性a的值域,F:U(C∪D)→V是信息决策函数;
当D≠Φ时,该信息表是一个决策信息表;
使用不可分辨关系能对论域形成一个划分U/B;其中,划分的每个小区域是一个等价类,记为如下形式:
[x]B={y∈U|(x,y)∈IND(B)};
上近似是指在基于B的划分域中能确定的被划分到X类中对象集合;下近似是指基于B的划分区域中有可能被划分到X类中对象集合;
NEGB(D)=U-∪X∈U/DB(X) (6);
其中,正区域表示就B的划分区域中能确定的被划分到某一基于D的划分区域中所有区域集合,反应的是属性B相对于D的分类能力;
POSR(D)=POSC(D) (9);
POSR(D)≠POSR-{a}(D),a∈R (10);
其中,R是C的一个相对约简。
步骤3具体过程为:
步骤3.1、将约简决策表中的约简特征信息作为神经网络的输入;
步骤3.2、将所有权值初始化为一个随机数[0,1];
步骤3.3,确定训练集输入到神经网络中,并给出目标输出向量;
步骤3.4、先从前层向后层依次计算,得到神经网络的输出值Y;再反向,即从后层向前层,依次计算各层的误差值,判定误差值与权值关系,最终得到输出值Y,该输出值Y即为故障类型。
步骤3.4判定误差值与权值关系具体过程为:若误差值小于权值则直接得到输出值Y,若误差值大于权值则再依次进行反向计算直到误差小于设定权值,得到输出值Y。
本发明基于RST-CNN的电力电缆沟道故障诊断方法的有益效果是:
(1)采用了粗糙集理论,提供了一种处理不完备信息的有效方法,具有较强的定时性分析能力;
(2)将粗糙集理论与神经网络相结合,以知决策表为工具,直接从故障样本集中导出诊断规则,可有效、方便的消除知识中多余的部分,能在提升系统整体效能的同时大大简化体统结构;
(3)使粗糙集理论的一些优点在故障诊断中的应用可得以显示,粗糙集结合神经网络能很好地应用在电力电缆沟道故障诊断方面。
附图说明
图1是本发明基于RST-CNN的电力电缆沟道故障诊断方法的流程图;
图2是本发明电力电缆在线监测系统的结构示意图;
图3是发明基于RST-CNN的电力电缆沟道故障诊断方法的神经网络结构图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于RST-CNN的电力电缆沟道故障诊断方法,如图1所示,具体按照以下步骤实施:
步骤1、建立电力电缆在线监测系统,将电力电缆沟道的电缆与在线监测系统连接,通过电力电缆在线监测系统实时获得电力电缆的各种在线数据,并将在线数据划分为训练集和验证集,训练集和验证集的比例为7:3;
具体过程为:
步骤1.1、构建电力电缆在线监测系统,如图2所示,具体构建方法如下:
将型号为LPC2294的处理器分别连接电源模块、液晶模块、数据存储单元、以太网控制模块、CAN控制模块,将数据采集AD模块通过CAN总线连接到处理器,将信息采集单元的输入端连接电缆各项传感器;
电力电缆在线监测系统中:电源模块电力电缆在线监测系统提供电能;处理器通过以太网控制器、CAN总线模块对外进行通信,处理器与信息采集单元连接,信息采集单元与电力电缆各项传感器连接,各项传感器与电缆沟道的电缆实物连接,相互配合能对获取的实时所需数据进行处理并将数据信息保存于数据存储单元内。
步骤1.2、将电力电缆沟道的电缆分别与各项电缆传感器连接;
步骤1.3、利用电缆沟道在线监测系统实时监测得到电力电缆的各种在线数据。
电力电缆的各种在线数据具体包括:介质损耗角、外部绝缘电阻、泄露电流、接地电容电流、线芯温度、电缆电流、环境温度、环境湿度。
步骤2、对在线数据进行信息采集,构建特征信息表,利用信息特征数据建立条件属性表、决策属性表,根据条件属性表和决策属性表构建故障诊断决策表;利用粗糙集理论对各个属性进行分析并寻找约简属性集,消除特征信息中的多余属性,最后对其条件属性约简特征信息并从中提取决策规则,构建约简决策表;
提取决策规则具体过程为:
故障特征信息表S描述为如下形式:
S=(U,C,D,V,F) (1);
式(1)中:U是论域,C是条件属性集,D是决策属性集;V=Va∈C∪DVa是属性的值域,其中,Va是属性a的值域,F:U(C∪D)→V是信息决策函数;
当D≠Φ时,该信息表是一个决策信息表;
使用不可分辨关系能对论域形成一个划分U/B;其中,划分的每个小区域是一个等价类,记为如下形式:
[x]B={y∈U|(x,y)∈IND(B)};
上近似是指在基于B的划分域中能确定的被划分到X类中对象集合;下近似是指基于B的划分区域中有可能被划分到X类中对象集合;
POSB(D)=∪X∈U/D B(X) (5);
NEGB(D)=U-∪X∈U/DB(X) (6);
其中,正区域表示就B的划分区域中能确定的被划分到某一基于D的划分区域中所有区域集合,反应的是属性B相对于D的分类能力;
k=γP(Q)=|POSP(Q)|/|U| (8);
POSR(D)=POSC(D) (9);
POSR(D)≠POSR-{a}(D),a∈R (10);
其中,R是C的一个相对约简。
步骤3、建立基于神经网络的故障模型,将约简决策表中的约简特征信息作为神经网络的输入,经过神经网络的处理之后输出,再经过训练学习后输出故障类型;
具体过程为:
步骤3.1、将约简决策表中的约简特征信息作为神经网络的输入;
步骤3.2、将所有权值初始化为一个随机数[0,1];
步骤3.3,确定训练集输入到神经网络中,并给出目标输出向量;
步骤3.4、先从前层向后层依次计算,得到神经网络的输出值Y;再反向,即从后层向前层,依次计算各层的误差值,若误差值小于权值则直接得到输出值Y,若误差值大于权值则再依次进行反向计算直到误差小于设定权值,最终得到输出值Y,该输出值Y即为故障类型。
步骤4、通过验证集对故障类型进行误差验证,当误差在预期范围内,输出相应的优化故障模型,将步骤1中实时获得电力电缆的各种在线数据输入优化故障模型,获得故障类型。
实施例
构建电缆沟道在线监测系统,具体构建方法如下:如图2所示,将处理器分别连接电源模块、数据存储单元、以太网控制器、CAN控制模块,将信息采集单元的输入端连接各项传感器;其中,处理器的型号为LPC2294;将电力电缆沟道的实物与各项对应传感器连接;
选用某110kV XLPE电缆电力电缆沟道作为被测设备,通过电力电缆沟道在线监测系统对该电力电缆沟道的运行状况进行监测与分析,通过一系列实验得到电力电缆沟道各项传感器数据,再经过数据处理,最终得到电力电缆沟道实时监测数据;
通过上位机分别进行数据采集,进行归一化与处理后,然后构建特征信息表,如表1所示。
表1
其中,例如第二组样本数据,如果用介质损耗角tanσ来判断,电缆状态应该为良好,预警等级为4级;如果用外部绝缘Re来判断,电缆状态应该为优,预警等级为5级;如果用泄漏电流Iout来判断,电缆状态应该为故障,预警等级为2级;如果用接地电容电流Ic来判断,电缆状态应该为故障,预警等级为2级,由这组数据可知该电缆可能发生绝缘故障,需要及时断电检修或更换电缆。由上面分析可知,用单一参数进行预警取决于选取的指标,并不能全面体现电缆状态,需要多因素综合考虑。五类故障样本数据:A表示电缆正常、B表示电缆绝缘故障、C表示电缆负载过大、D表示电缆环境因素异常、E表示综合故障。
通过采集的信息特征数据建立条件属性表,如图表2所示,决策属性表,如图表3所示,再根据条件属性表、决策属性表建立故障诊断决策表,如图表4所示;
表2
表3
表4
利用粗糙集理论对原始的电缆沟道故障决策表进行属性约简,消除特征信息中的多余属性,最后约简特征信息并从中提取决策规则,建立约简决策表,如表5所示:
表5
将表5中的特征信息作为神经网络的输入经过训练学习得到输出,经仿真验证,该方法准确率可达到94.3%。
通过上述方式,本发明基于RST-CNN的电力电缆沟道故障诊断方法,采用故障集理论分析采集故障信号,并且从中提取约简故障决策信息,在结合神经网络进行电力电缆沟道故障诊断,在弥补神经网络检测的不足的同时,能更加准确有效地判断电缆沟道的故障类型,进而能够有效率的检修。
Claims (8)
1.基于RST-CNN的电力电缆沟道故障诊断方法,其特征在于,具体按照以下步骤实施:
步骤1、建立电力电缆在线监测系统,将电力电缆沟道的电缆与在线监测系统连接,通过电力电缆在线监测系统实时获得电力电缆的各种在线数据,并将在线数据划分为训练集和验证集;
步骤2、对在线数据进行信息采集,构建特征信息表,利用信息特征数据建立条件属性表、决策属性表,根据条件属性表和决策属性表构建故障诊断决策表;利用粗糙集理论对各个属性进行分析并寻找约简属性集,消除特征信息中的多余属性,最后对其条件属性约简特征信息并从中提取决策规则,构建约简决策表;
步骤3、建立基于神经网络的故障模型,将约简决策表中的约简特征信息作为神经网络的输入,经过神经网络的处理之后输出,再经过训练学习后输出故障类型;
步骤4、通过验证集对故障类型进行误差验证,当误差在预期范围内,输出相应的优化故障模型,将步骤1中实时获得电力电缆的各种在线数据输入优化故障模型,获得故障类型。
2.根据权利要求1所述基于RST-CNN的电力电缆沟道故障诊断方法,其特征在于,所述步骤1具体过程为:
步骤1.1、构建电力电缆在线监测系统,具体构建方法如下:
将处理器分别连接电源模块、液晶模块、数据存储单元、以太网控制模块、CAN控制模块,将数据采集AD模块通过CAN总线连接到处理器,将信息采集单元的输入端连接电缆各项传感器;
步骤1.2、将电力电缆沟道的电缆分别与各项电缆传感器连接;
步骤1.3、利用电缆沟道在线监测系统实时监测得到电力电缆的各种在线数据。
3.根据权利要求2所述基于RST-CNN的电力电缆沟道故障诊断方法,其特征在于,所述处理器的型号为LPC2294。
4.根据权利要求1或2所述基于RST-CNN的电力电缆沟道故障诊断方法,其特征在于,所述电力电缆的各种在线数据具体包括:介质损耗角、外部绝缘电阻、泄露电流、接地电容电流、线芯温度、电缆电流、环境温度、环境湿度。
5.根据权利要求1所述基于RST-CNN的电力电缆沟道故障诊断方法,其特征在于,所述训练集和验证集的比例为7:3。
6.根据权利要求1所述基于RST-CNN的电力电缆沟道故障诊断方法,其特征在于,步骤2中所述提取决策规则具体过程为:
故障特征信息表S描述为如下形式:
S=(U,C,D,V,F) (1);
式(1)中:U是论域,C是条件属性集,D是决策属性集;V=Va∈C∪DVa是属性的值域,其中,Va是属性a的值域,F:U(C∪D)→V是信息决策函数;
当D≠Φ时,该信息表是一个决策信息表;
使用不可分辨关系能对论域形成一个划分U/B;其中,划分的每个小区域是一个等价类,记为如下形式:
[x]B={y∈U|(x,y)∈IND(B)};
上近似是指在基于B的划分域中能确定的被划分到X类中对象集合;下近似是指基于B的划分区域中有可能被划分到X类中对象集合;
POSB(D)=∪X∈U/D B(X) (5);
NEGB(D)=U-∪X∈U/DB(X) (6);
其中,正区域表示就B的划分区域中能确定的被划分到某一基于D的划分区域中所有区域集合,反应的是属性B相对于D的分类能力;
k=γP(Q)=|POSP(Q)|/|U| (8);
POSR(D)=POSC(D) (9);
POSR(D)≠POSR-{a}(D),a∈R (10);
其中,R是C的一个相对约简。
7.根据权利要求1所述基于RST-CNN的电力电缆沟道故障诊断方法,其特征在于,步骤3具体过程为:
步骤3.1、将约简决策表中的约简特征信息作为神经网络的输入;
步骤3.2、将所有权值初始化为一个随机数[0,1];
步骤3.3,确定训练集输入到神经网络中,并给出目标输出向量;
步骤3.4、先从前层向后层依次计算,得到神经网络的输出值Y;再反向,即从后层向前层,依次计算各层的误差值,判定误差值与权值关系,最终得到输出值Y,该输出值Y即为故障类型。
8.根据权利要求7所述基于RST-CNN的电力电缆沟道故障诊断方法,其特征在于,步骤3.4所述判定误差值与权值关系具体过程为:若误差值小于权值则直接得到输出值Y,若误差值大于权值则再依次进行反向计算直到误差小于设定权值,得到输出值Y。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010013329.7A CN111273125A (zh) | 2020-01-07 | 2020-01-07 | 基于rst-cnn的电力电缆沟道故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010013329.7A CN111273125A (zh) | 2020-01-07 | 2020-01-07 | 基于rst-cnn的电力电缆沟道故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111273125A true CN111273125A (zh) | 2020-06-12 |
Family
ID=71001620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010013329.7A Pending CN111273125A (zh) | 2020-01-07 | 2020-01-07 | 基于rst-cnn的电力电缆沟道故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111273125A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036449A (zh) * | 2020-08-11 | 2020-12-04 | 广州番禺电缆集团有限公司 | 基于智能电缆的故障分析决策平台及故障分析方法 |
CN112036710A (zh) * | 2020-08-12 | 2020-12-04 | 国家电网有限公司 | 一种高压电缆复合状态评价方法、系统、存储介质及设备 |
CN112269100A (zh) * | 2020-10-13 | 2021-01-26 | 中国南方电网有限责任公司超高压输电公司柳州局 | 智能化电缆沟的检测方法及检测装置 |
CN113358157A (zh) * | 2021-06-10 | 2021-09-07 | 国网甘肃省电力公司兰州供电公司 | 基于rst-pnn-ga的电力设备温升检测预警方法 |
CN117111585A (zh) * | 2023-09-08 | 2023-11-24 | 广东工业大学 | 基于容差子关系粗糙集的数控机床健康状态预测方法 |
CN117176249A (zh) * | 2023-11-01 | 2023-12-05 | 深圳市光网世纪科技有限公司 | 一种光纤网络用智能监测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819244A (zh) * | 2010-05-05 | 2010-09-01 | 淄博文广电气有限公司 | 交联聚乙烯电力电缆故障的在线预警方法 |
CN102096023A (zh) * | 2010-12-17 | 2011-06-15 | 西安四方机电有限责任公司 | 一种电力电缆故障的测试装置及测试方法 |
CN105652149A (zh) * | 2015-12-23 | 2016-06-08 | 国网安徽省电力公司蚌埠供电公司 | 电力电缆监测及预警的操作系统 |
CN107450016A (zh) * | 2017-07-24 | 2017-12-08 | 西安工程大学 | 基于rst‑cnn的高压断路器故障诊断方法 |
-
2020
- 2020-01-07 CN CN202010013329.7A patent/CN111273125A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819244A (zh) * | 2010-05-05 | 2010-09-01 | 淄博文广电气有限公司 | 交联聚乙烯电力电缆故障的在线预警方法 |
CN102096023A (zh) * | 2010-12-17 | 2011-06-15 | 西安四方机电有限责任公司 | 一种电力电缆故障的测试装置及测试方法 |
CN105652149A (zh) * | 2015-12-23 | 2016-06-08 | 国网安徽省电力公司蚌埠供电公司 | 电力电缆监测及预警的操作系统 |
CN107450016A (zh) * | 2017-07-24 | 2017-12-08 | 西安工程大学 | 基于rst‑cnn的高压断路器故障诊断方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036449A (zh) * | 2020-08-11 | 2020-12-04 | 广州番禺电缆集团有限公司 | 基于智能电缆的故障分析决策平台及故障分析方法 |
CN112036710A (zh) * | 2020-08-12 | 2020-12-04 | 国家电网有限公司 | 一种高压电缆复合状态评价方法、系统、存储介质及设备 |
CN112269100A (zh) * | 2020-10-13 | 2021-01-26 | 中国南方电网有限责任公司超高压输电公司柳州局 | 智能化电缆沟的检测方法及检测装置 |
CN113358157A (zh) * | 2021-06-10 | 2021-09-07 | 国网甘肃省电力公司兰州供电公司 | 基于rst-pnn-ga的电力设备温升检测预警方法 |
CN117111585A (zh) * | 2023-09-08 | 2023-11-24 | 广东工业大学 | 基于容差子关系粗糙集的数控机床健康状态预测方法 |
CN117111585B (zh) * | 2023-09-08 | 2024-02-09 | 广东工业大学 | 基于容差子关系粗糙集的数控机床健康状态预测方法 |
CN117176249A (zh) * | 2023-11-01 | 2023-12-05 | 深圳市光网世纪科技有限公司 | 一种光纤网络用智能监测系统 |
CN117176249B (zh) * | 2023-11-01 | 2024-06-25 | 深圳市光网世纪科技有限公司 | 一种光纤网络用智能监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN110879377B (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
CN111899905B (zh) | 一种基于核动力装置的故障诊断方法及系统 | |
CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN114559819A (zh) | 一种基于信号处理的电动汽车电池安全预警方法 | |
CN114676742A (zh) | 一种基于注意力机制和残差网络的电网异常用电检测方法 | |
CN112906764B (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 | |
CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
CN111784537B (zh) | 一种配电网状态参数监测方法、装置及电子设备 | |
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 | |
CN115614292B (zh) | 一种立式水泵机组振动监测装置及其方法 | |
CN116625686B (zh) | 一种航空发动机轴承故障在线诊断方法 | |
CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
CN115793590A (zh) | 适用于系统安全运维的数据处理方法及平台 | |
CN114115199A (zh) | 新能源环卫车辆的监测及故障诊断系统 | |
CN114581699A (zh) | 考虑多源信息时基于深度学习模型的变压器状态评估方法 | |
CN117810491A (zh) | 一种基于深度学习的燃料电池系统故障诊断方法及系统 | |
CN116259161B (zh) | 一种电力故障预警系统 | |
CN115880472A (zh) | 一种电力红外图像数据智能诊断分析系统 | |
Bai et al. | Towards trustworthy remaining useful life prediction through multi-source information fusion and a novel LSTM-DAU model | |
CN110441725A (zh) | 基于自适应神经模糊推理的智能电表故障诊断方法及装置 | |
CN111061191B (zh) | 一种基于分布式的油气储罐远程运维方法 | |
CN118669281A (zh) | 一种风电机的在线状态评估方法、装置、设备及存储介质 | |
Dong et al. | Log fusion technology of power information system based on fuzzy reasoning |
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: 20200612 |
|
RJ01 | Rejection of invention patent application after publication |