CN111382546B - 一种基于支持向量机建模对发电机绝缘系统进行寿命预测的方法 - Google Patents
一种基于支持向量机建模对发电机绝缘系统进行寿命预测的方法 Download PDFInfo
- Publication number
- CN111382546B CN111382546B CN202010264836.8A CN202010264836A CN111382546B CN 111382546 B CN111382546 B CN 111382546B CN 202010264836 A CN202010264836 A CN 202010264836A CN 111382546 B CN111382546 B CN 111382546B
- Authority
- CN
- China
- Prior art keywords
- model
- generator
- parameter
- field intensity
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000009413 insulation Methods 0.000 title claims abstract description 38
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 35
- 230000015556 catabolic process Effects 0.000 claims abstract description 54
- 230000032683 aging Effects 0.000 claims abstract description 42
- 238000012360 testing method Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 30
- 230000001066 destructive effect Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本发明公开了本发明提供了一种基于支持向量机建模对发电机绝缘系统进行寿命预测的方法,给出了利用支持向量机算法建模的具体过程,以老化时间做输入分别建立六个发电机定子线棒非破坏性电参量预测模型,每五个老化周期为单位依次分别对六个非破坏性电参量做预测,再将结果分别带入所建立的基于支持向量机的发电机绝缘剩余击穿场强的寿命预测模型,直至预测结果低于临界剩余场强,从而更加精确地实现对发电机绝缘寿命的预测。
Description
技术领域
本发明属于发电机绝缘寿命预测领域,具体的说,是一种基于风险最小支持向量机建模对发电机绝缘系统进行寿命预测的方法。
背景技术
随着现代化工业的迅猛发展,许多大型化复杂结构的安全使用已成为当前工业稳定生产的重要前提。在电力系统领域中,发电机绝缘系统在整个运行寿命期限内承受着电气、机械和热负荷等应力作用,为保障系统的正常运行,发电机绝缘系统的寿命预测已成为判断其安全的重要因素。
在现有航空发电机寿命预测领域中,较多使用的是利用支持向量机中的支持向量回归做寿命预测,例如,现有专利文献CN107944168A(一种基于最小二乘支持向量机的发电机寿命预测建模方法,2018.04.20)公开的一种寿命预测建模方法,首先对试验数据进行分析进行降噪处理,把不符合要求的边缘样本点去除,并对试验数据进行归一化处理,然后计算样本数据高斯径向基核并确定核空间,计算样本数据高斯径向基核,若核值超过设定要求,则在样本数据中取出一组或两组数据作为支持向量,如果核值低于设定要求,则去除该类点,并确立核空间向量,最后根据最小二乘算法计算支持向量机的网络系数和偏置,并构建模型。
当然,对于发电机绝缘系统寿命预测而言,我们发现,虽然两者在分析过程中选取的特征量不同,但其建模算法和手段单一,只有理论的说法,没有具体程序的实现过程,建模方法没有创新点,参数寻优、模型优化过程未突显,预测结果准确性无法保障。
现有专利文献CN10552861A(基于支撑向量机的多维度多步骤寿命预测方法,2016.04.27)公开了一种可以实现系统跨步预测及系统劣化前提预警的多维度多步骤的寿命预测方法,包括:采集数据,得到构造运行数据特征值;特征值预处理,对原始数据作滤波处理和归一化处理;选取样本数据,建立多维训练数据集和测试集;建模参数优化;利用训练数据集训练多维度多步骤寿命预测方法的模型;输入测试集数据得到预测的结果。
发明内容
为更加精确的预测发电机绝缘寿命,本发明提供了一种基于支持向量机建模对发电机绝缘系统进行寿命预测的方法,给出了利用支持向量机算法建模的具体过程,以老化时间做输入分别建立六个发电机定子线棒非破坏性电参量预测模型,每五个老化周期为单位依次分别对六个非破坏性电参量做预测,再将结果分别带入所建立的基于支持向量机的发电机绝缘剩余击穿场强的寿命预测模型,直至预测结果低于临界剩余场强,从而实现对发电机绝缘寿命的预测。
本发明通过下述技术方案实现:一种基于支持向量机建模对发电机绝缘系统进行寿命预测的方法,包括以下步骤:
S1,通过老化试验获取各个老化周期所对应的非破坏性电参量和剩余击穿场强数据,剔除相关性不大的非破坏性电参量,选取剩余老化周期数据中,至少两组老化周期数据作为模型测试集,剩余老化周期数据作为模型样本集,并对模型样本集进行归一化处理;
S2,利用参数寻优函数获取寻优参数;
S3,构建支持向量机回归模型,将获取的寻优参数和归一化处理后的模型样本集代入支持向量机回归模型,训练得到发电机绝缘剩余击穿场强的寿命预测模型;
S4,对所述寿命预测模型进行双重验证,步骤如下:
S4a,将各模型样本集所对应的非破坏性电参量代入所述寿命预测模型,获得模型预测剩余击穿场强,将该数据与实际剩余击穿场强进行比对,若两者误差在允许范围内,则按步骤S4b进行;若两者误差超过允许范围,则返回步骤S2,重新确定寻优参数,
S4b,将模型测试集所对应的非破坏性电参量代入所述寿命预测模型,获得模型预测剩余击穿场强,将该数据与实际剩余击穿场强进行比对,若两者误差在允许范围内,则按步骤S5进行,若两者误差超过允许范围,则返回步骤S2,重新确定寻优参数;
S5,以老化周期替代非破坏性电参量,按步骤S1至S4所述方法,分别建立六个发电机定子线棒非破坏性电参量预测模型,并对其进行验证;
S6,以时间为输入项,每五个老化周期为单位依次输入六个发电机定子线棒非破坏性电参量预测模型,得到各个老化周期对应的非破坏性电参量,将对应的非破坏性电参量带入步骤S3所建立的发电机绝缘剩余击穿场强的寿命预测模型中,预测对应的剩余击穿场强,直至剩余击穿场强达到临界阈值,此时所对应的老化周期则为发电机寿命。
所述步骤S1中,运用威尔逊公式对老化试验获得的各个非破坏性电参量进行相关性检测,以剔除相关性不大的非破坏性电参量,所述威尔逊公式如下式(1)所示:
其中,Cov(X,Y)为X与Y的协方差,Var[X]为X的方差,Var[Y]为Y的方差。
所述步骤S1中,选取两至三组老化周期数据作为模型测试集。
所述步骤S1中,根据模型样本集建立训练集和检验集,对训练集和检验集进行归一化处理。
所述步骤S1中,归一化处理公式如下式(2)所示:
所述步骤S2中,寻优参数包括惩罚参数c和核函数参数g,采用参数寻优函数经交叉验证而得到,参数寻优函数如下式(3)所示:
[bestCVmse,bestc,bestg]=SVMcgForRegress(train_label,train_matirx,cmin,cmax,gmin,gmax) (3)
输入:
train_label:训练集的标签,
train_matirx:训练集,
cmin,cmax:惩罚参数c的变化范围,
gmin,gmax:RBF核参数g的变化范围;
输出:
best:最佳的惩罚参数c,
best:最佳的核函数参数g。
所述训练集为击穿场强。
所述步骤S3中,将步骤S2中获取的惩罚参数c和核函数参数g、步骤S1中归一化处理后的训练集和检验集带入支持向量机回归模型建立函数:
model=svmtrain(train_label,train_matrix,[‘libsvm_options’]; (4)
输入:
- train_label:训练集的标签,
- train_matrix:训练集的属性,
- libsvm_options:选项参数的设定,也是参数寻优后的结果;
输出:
- model:训练得到的发电机绝缘剩余击穿场强的寿命预测模型,
[predicted_label,accuracy]=svmpredict(test_label,test_matrix,model,[‘libsvm_options’]); (5)
输入:
- test _label:检验集的标签,
- test _matrix:检验集的属性,
- model:由svmtrain得到的回归预测模型,
- libsvm_options:选项参数;
输出:
- predicted_label:预测得到的回归结果,
- accuracy:回归预测准确率。
所述步骤S4中,剩余击穿场强误差的允许范围不大于3%。
本发明与现有技术相比,具有以下优点及有益效果:
(1)本发明利用支持向量机建模,具体涉及的建模中间环节复杂,得到的结果准确性高,预测结果被认可程度更高。最终结果是通过输入老化周期得到发电机绝缘寿命,利用支持向量机算法建模的具体函数和程序,具体实现输入到输出的中间环节复杂,除了做数据处理等常规操作之外,首先,建立通过老化试验得到的非破坏性电参量和剩余击穿场强的回归模型,通过校验判断模型的精确度,若精确度不高继续对参数做调整直到达到预测效果。之后,建立老化时间和各非破坏性电参量(剔除相关性低的特征量后)的预测模型,每五个老化周期为单位依次分别对六个非破坏性电参量做预测,再将结果分别代入所建立的基于支持向量机的发电机绝缘剩余击穿场强的寿命预测模型,直至预测结果低于临界剩余场强。
(2)本发明所述建模过程清晰,有程序实现过程。
(3)本发明将非破坏性电参量作为中间量,建立老化周期和寿命的关系,结果不突兀,有据可依。
附图说明
图1为本发明方法的流程示意图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例:
本实施例涉及一种基于风险最小支持向量机建模对发电机绝缘系统进行寿命预测的方法,能更加精确的预测发电机绝缘寿命,参见图1所示,其具体步骤如下:
S1,为建立非破坏性参量与击穿场强之间的关系,须获得老化试验各个老化周期多对应的非破坏性电参量和剩余击穿场强数据。
首先运用威尔逊公式对老化试验获得的各个非破坏性电参量进行相关性检测,以剔除相关性不大的非破坏性电参量,所述威尔逊公式如下式(1)所示:
其中,Cov(X,Y)为X与Y的协方差,Var[X]为X的方差,Var[Y]为Y的方差。
将相关性小的非破坏特征参量剔除之后剩余的数据选取两至三组老化周期数据作为模型测试集以检验所建立的基于发电机绝缘剩余击穿场强的寿命预测模型的准确性,剩余老化周期数据作为模型样本集,参与基于发电机绝缘剩余击穿场强的寿命预测模型的建立。
由于老化试验所得到的非破坏性电参量大小差别很大,不同的量纲和量纲单位会影响到数据处理的结果,因此需要对根据模型样本集建立的训练集和检验集进行归一化处理。归一化处理公式如下式(2)所示:
S2,为构建支持向量机回归模型,需要对惩罚参数c和核函数参数g进行赋值。惩罚参数c和核函数参数g的值采用交叉验证得到。参数寻优函数如下式(3)所示:
[bestCVmse,bestc,bestg]=SVMcgForRegress(train_label,train_matirx,cmin,cmax,gmin,gmax) (3)
输入:
train_label:训练集的标签,
train_matirx:训练集,
cmin,cmax:惩罚参数c的变化范围,
gmin,gmax:RBF核参数g的变化范围;
输出:
best:最佳的惩罚参数c,
best:最佳的核函数参数g。
S3,构建支持向量机回归模型,将步骤S2中获取的惩罚参数c和核函数参数g、步骤S1中归一化处理后的训练集和检验集带入支持向量机回归模型建立函数:
model=svmtrain(train_label,train_matrix,[‘libsvm_options’]; (4)
输入:
- train_label:训练集的标签,
- train_matrix:训练集的属性,
- libsvm_options:选项参数的设定,也是参数寻优后的结果;
输出:
- model:训练得到的发电机绝缘剩余击穿场强的寿命预测模型,
[predicted_label,accuracy]=svmpredict(test_label,test_matrix,model,[‘libsvm_options’]); (5)
输入:
- test _label:检验集的标签,
- test _matrix:检验集的属性,
- model:由svmtrain得到的回归预测模型,
- libsvm_options:选项参数;
输出:
- predicted_label:预测得到的回归结果,
- accuracy:回归预测准确率。
S4,对步骤S3所建立的基于支持向量机的发电机绝缘剩余击穿场强的寿命预测模型进行双重验证,步骤如下:
S4a,将各模型样本集所对应的非破坏性电参量代入所述寿命预测模型,获得模型预测剩余击穿场强,将该数据与实际剩余击穿场强进行比对,若两者误差在允许范围内,则按步骤S4b进行;若两者误差超过允许范围,则返回步骤S2,修改惩罚参数c和核函数参数g寻优范围,获得新的最佳惩罚参数c和核函数参数g;
S4b,将模型测试集所对应的非破坏性电参量代入所述寿命预测模型,获得模型预测剩余击穿场强,将该数据与实际剩余击穿场强进行比对,若两者误差在允许范围(剩余击穿场强的误差允许范围不超过3%)内,则按步骤S5进行,若两者误差超过允许范围,则返回步骤S2,修改惩罚参数c和核函数参数g寻优范围,获得新的最佳惩罚参数c和核函数参数g;
S5,若步骤S4验证了所建立的基于支持向量机的发电机绝缘剩余击穿场强的寿命预测模型可以精确的预测发电机剩余击穿场强,则说明支持向量机适用于发电机剩余击穿场强的预测。故以老化周期替代非破坏性电参量,重复步骤S1至S4所述方法,将老化周期做输入分别建立六个发电机定子线棒非破坏性电参量预测模型,并对其进行验证;
S6,以时间为输入项,每五个老化周期为单位依次输入六个发电机定子线棒非破坏性电参量预测模型,得到各个老化周期对应的非破坏性电参量,将对应的非破坏性电参量带入步骤S3所建立的发电机绝缘剩余击穿场强的寿命预测模型中,预测对应的剩余击穿场强,直至剩余击穿场强达到临界阈值,此时所对应的老化周期则为发电机寿命。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (6)
1.一种基于支持向量机建模对发电机绝缘系统进行寿命预测的方法,其特征在于:包括以下步骤:
S1,通过老化试验获取各个老化周期所对应的非破坏性电参量和剩余击穿场强数据,剔除相关性不大的非破坏性电参量,选取剩余老化周期数据中,至少两组老化周期数据作为模型测试集,剩余老化周期数据作为模型样本集,根据模型样本集建立训练集和检验集,对训练集和检验集进行归一化处理;
S2,利用参数寻优函数获取寻优参数,寻优参数包括惩罚参数c和核函数参数g,采用参数寻优函数经交叉验证而得到,参数寻优函数如下式(3)所示:
[bestCVmse,bestc,bestg]=SVMcgForRegress(train_label,train_matirx,cmin,cmax,gmin,gmax) (3)
输入:
train_label:训练集的标签,
train_matirx:训练集,
cmin,cmax:惩罚参数c的变化范围,
gmin,gmax:RBF核参数g的变化范围;
输出:
bestc:最佳的惩罚参数c,
bestg:最佳的核函数参数g;
S3,构建支持向量机回归模型,将获取的寻优参数和归一化处理后的模型样本集代入支持向量机回归模型,训练得到发电机绝缘剩余击穿场强的寿命预测模型;
S4,对所述寿命预测模型进行双重验证,步骤如下:
S4a,将各模型样本集所对应的非破坏性电参量代入所述寿命预测模型,获得模型预测剩余击穿场强,将该数据与实际剩余击穿场强进行比对,若两者误差在允许范围3%内,则按步骤S4b进行;若两者误差超过允许范围,则返回步骤S2,重新确定寻优参数,
S4b,将模型测试集所对应的非破坏性电参量代入所述寿命预测模型,获得模型预测剩余击穿场强,将该数据与实际剩余击穿场强进行比对,若两者误差在允许范围3%内,则按步骤S5进行,若两者误差超过允许范围,则返回步骤S2,重新确定寻优参数,
S5,以老化周期替代非破坏性电参量,按步骤S1至S4所述方法,分别建立六个发电机定子线棒非破坏性电参量预测模型,并对其进行验证;
S6,以时间为输入项,每五个老化周期为单位依次输入六个发电机定子线棒非破坏性电参量预测模型,得到各个老化周期对应的非破坏性电参量,将对应的非破坏性电参量带入步骤S3所建立的发电机绝缘剩余击穿场强的寿命预测模型中,预测对应的剩余击穿场强,直至剩余击穿场强达到临界阈值,此时所对应的老化周期则为发电机寿命。
3.根据权利要求1所述的一种基于支持向量机建模对发电机绝缘系统进行寿命预测的方法,其特征在于:所述步骤S1中,选取两至三组老化周期数据作为模型测试集。
5.根据权利要求1所述的一种基于支持向量机建模对发电机绝缘系统进行寿命预测的方法,其特征在于:所述训练集为击穿场强。
6.根据权利要求5所述的一种基于支持向量机建模对发电机绝缘系统进行寿命预测的方法,其特征在于:所述步骤S3中,将步骤S2中获取的惩罚参数c和核函数参数g、步骤S1中归一化处理后的训练集和检验集带入支持向量机回归模型建立函数:
model=svmtrain(train_label,train_matrix,[‘libsvm_options’]); (4)
输入:
- train_label:训练集的标签,
- train_matrix:训练集的属性,
- libsvm_options:选项参数的设定,也是参数寻优后的结果;
输出:
- model:训练得到的发电机绝缘剩余击穿场强的寿命预测模型,
[predicted_label,accuracy]=svmpredict(test_label,test_matrix,model,[‘libsvm_options’]); (5)
输入:
- test _label:检验集的标签,
- test _matrix:检验集的属性,
- model:由svmtrain得到的回归预测模型,
- libsvm_options:选项参数;
输出:
- predicted_label:预测得到的回归结果,
- accuracy:回归预测准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010264836.8A CN111382546B (zh) | 2020-04-07 | 2020-04-07 | 一种基于支持向量机建模对发电机绝缘系统进行寿命预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010264836.8A CN111382546B (zh) | 2020-04-07 | 2020-04-07 | 一种基于支持向量机建模对发电机绝缘系统进行寿命预测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111382546A CN111382546A (zh) | 2020-07-07 |
CN111382546B true CN111382546B (zh) | 2023-06-30 |
Family
ID=71221932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010264836.8A Active CN111382546B (zh) | 2020-04-07 | 2020-04-07 | 一种基于支持向量机建模对发电机绝缘系统进行寿命预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111382546B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113051713B (zh) * | 2021-03-01 | 2023-03-21 | 东方电气集团科学技术研究院有限公司 | 基于图像灰度共生矩阵多特征提取的复合材料老化预测方法 |
CN113283657B (zh) * | 2021-06-01 | 2023-05-26 | 国网山东省电力公司嘉祥县供电公司 | 一种电力应急物资需求的预测方法 |
CN113884794A (zh) * | 2021-09-28 | 2022-01-04 | 南方电网调峰调频发电有限公司检修试验分公司 | 一种电机线棒主绝缘老化状态评估方法 |
CN113884839A (zh) * | 2021-11-04 | 2022-01-04 | 国网四川省电力公司电力科学研究院 | 一种电容式电压互感器多参量绝缘状态评估方法及系统 |
CN114781278B (zh) * | 2022-06-17 | 2022-09-27 | 天津理工大学 | 一种基于数据驱动的机电设备寿命预测方法及系统 |
CN117877028B (zh) * | 2024-03-13 | 2024-05-14 | 浙江大学 | 基于微观图像特征的电机绝缘寿命预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110596547A (zh) * | 2019-09-19 | 2019-12-20 | 上海电力大学 | 逆变器驱动电机的匝绝缘状态在线监测方法 |
CN110675712A (zh) * | 2019-08-27 | 2020-01-10 | 西安电子科技大学 | 一种电力电缆振荡波局部放电检测实操培训系统 |
CN110738331A (zh) * | 2019-09-19 | 2020-01-31 | 智慧航海(青岛)科技有限公司 | 一种智能船舶机舱系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8384338B2 (en) * | 2009-01-30 | 2013-02-26 | Eaton Corporation | System and method for determining stator winding resistance in an AC motor using motor drives |
CN109799454A (zh) * | 2018-12-29 | 2019-05-24 | 西安交通大学 | 基于粒子群优化的发电机主绝缘剩余击穿场强预测方法 |
CN110362045B (zh) * | 2019-06-14 | 2021-07-16 | 上海电力学院 | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 |
-
2020
- 2020-04-07 CN CN202010264836.8A patent/CN111382546B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675712A (zh) * | 2019-08-27 | 2020-01-10 | 西安电子科技大学 | 一种电力电缆振荡波局部放电检测实操培训系统 |
CN110596547A (zh) * | 2019-09-19 | 2019-12-20 | 上海电力大学 | 逆变器驱动电机的匝绝缘状态在线监测方法 |
CN110738331A (zh) * | 2019-09-19 | 2020-01-31 | 智慧航海(青岛)科技有限公司 | 一种智能船舶机舱系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111382546A (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111382546B (zh) | 一种基于支持向量机建模对发电机绝缘系统进行寿命预测的方法 | |
EP2410312A1 (en) | A method for computer-assisted analyzing of a technical system | |
CN111177655B (zh) | 一种数据处理方法、装置及电子设备 | |
JP2008059601A (ja) | 双峰性データを判別する方法 | |
CN113591234B (zh) | 一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法 | |
CN113591215B (zh) | 基于不确定性的异常卫星组件布局检测方法 | |
CN115841255B (zh) | 基于在线分析的建筑工程现场预警方法及系统 | |
CN115049019B (zh) | 金属有机框架对砷的吸附性能评估方法、装置及相关设备 | |
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 | |
CN113435699A (zh) | 一种质量智能管控方法及系统 | |
CN117218495A (zh) | 一种电表箱的风险检测方法及系统 | |
CN115800272A (zh) | 基于拓扑识别的电网故障分析方法、系统、终端及介质 | |
CN117113166A (zh) | 一种基于改进的集成学习的工业锅炉故障检测方法 | |
CN116186221A (zh) | 应用于在线对话平台的大数据分析方法及系统 | |
CN111160667A (zh) | 一种提高食品安全预测模型鲁棒性的方法及装置 | |
CN113484817A (zh) | 基于tsvm模型的智能电能表自动化检定系统异常检测方法 | |
CN112926760B (zh) | 预测模型的建立装置、建立方法与产品品质监控系统 | |
CN114819391A (zh) | 基于历史数据集时间跨度优化的光伏发电功率预测方法 | |
CN107679478A (zh) | 输电线路空间负荷状态的提取方法和系统 | |
CN114565051A (zh) | 基于神经元影响程度的产品分类模型的测试方法 | |
CN115100592B (zh) | 一种输电通道外破隐患识别方法、装置及存储介质 | |
CN112240964B (zh) | 一种用于配电网故障类型识别的方法 | |
CN113807441B (zh) | 半导体结构制备中的异常传感器监测方法及其装置 | |
CN116453437B (zh) | 显示屏模组的测试方法、装置、设备及存储介质 | |
CN114739673B (zh) | 一种轴承振动信号特征可解释性降维与故障诊断方法 |
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 |