CN111400930A - 基于虚实孪生空间的电力设备小样本故障诊断方法及系统 - Google Patents
基于虚实孪生空间的电力设备小样本故障诊断方法及系统 Download PDFInfo
- Publication number
- CN111400930A CN111400930A CN202010273965.3A CN202010273965A CN111400930A CN 111400930 A CN111400930 A CN 111400930A CN 202010273965 A CN202010273965 A CN 202010273965A CN 111400930 A CN111400930 A CN 111400930A
- Authority
- CN
- China
- Prior art keywords
- space
- fault
- sample
- training
- diagnosis
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 88
- 238000004088 simulation Methods 0.000 claims abstract description 54
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000012795 verification Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 230000000694 effects Effects 0.000 claims abstract description 14
- 239000013589 supplement Substances 0.000 claims abstract description 6
- 230000004927 fusion Effects 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 4
- 238000013526 transfer learning Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000009396 hybridization Methods 0.000 abstract description 4
- 238000004804 winding Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 239000003990 capacitor Substances 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G01M15/00—Testing of engines
- G01M15/02—Details or accessories of testing apparatus
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/04—Testing internal-combustion engines
- G01M15/05—Testing internal-combustion engines by combined monitoring of two or more different engine parameters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/04—Testing internal-combustion engines
- G01M15/11—Testing internal-combustion engines by detecting misfire
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种基于虚实孪生空间的电力设备小样本故障诊断方法及系统,属于电力设备的故障诊断领域,该方法包括:获取包含电力设备不同故障位置、故障类型及严重程度的测试样本组成精确实体空间;根据待诊断设备的仿真模型,仿真得到模糊镜像空间;将精确实体空间训练集与模糊镜像空间样本集进行空间杂交得到孪生空间训练样本集;将孪生空间训练样本集作为精确实体空间训练集的补充,故障类型和位置作为诊断标签,输入到深度卷积神经网络中进行训练,对精确实体空间验证集进行故障辨识与定位,验证诊断效果。本发明利用电力设备仿真来对实测样本进行数据增强,可以充分发挥电力仿真在诊断实践中的辅助作用,有效提高小样本诊断情形下的准确率。
Description
技术领域
本发明属于电力设备的故障诊断领域,更具体地,涉及一种基于虚实孪生空间的电力设备小样本故障诊断方法及系统。
背景技术
随着现代设备向高精度、智能化、高集成化的趋势发展,制造业对设备可靠性和操作安全性的要求也不断提高。然而,目前电力设备故障智能化诊断的能力较弱,而电力设备的故障样本缺乏又进一步限制了设备智能化诊断的发展。但对变压器进行故障破坏性试验以获取诊断研究所需的故障样本,无论是从经济性还是安全性角度看,都无法得到大规模的实现。数字孪生技术,可以利用真实世界的数据构建虚拟世界的数字空间模型,从而完成真实世界与虚拟空间的映射。探索如何将实际的电力变压器与仿真模型相耦合,有利于克服设备故障样本短缺的发展趋势,以便进一步探索设备的智能化故障诊断方法。
考虑到电力设备具有较高可靠性,缺陷或故障属于小概率事件,反映设备异常的数据稀少等特点;而另一方面,仿真数据相对实测数据具有易获取、不易出错等特点,因此,如何将变压器机理模型获取的仿真数据与实测数据相耦合,从而探索基于数据驱动的深度学习与模型驱动的电力设备模型相结合的智能故障诊断方法,是目前亟需解决的技术难题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提出了一种基于虚实孪生空间的电力设备小样本故障诊断方法及系统,其目的是为提高电力设备故障诊断方法的智能化程度及诊断准确率,并能够适用于安全可靠性高、故障情形少及劣化特征不统一的情形。
为实现上述目的,按照本发明的一个方面,提供了一种基于虚实孪生空间的电力设备小样本故障诊断方法,包括:
(1)获取包含电力设备不同故障位置、故障类型及严重程度的测试样本,组成精确实体空间;
(2)搭建待诊断设备的仿真模型,并设置相应的故障类型,对所述仿真模型的参数叠加随机噪声,以利用仿真得到所需数量样本,组成模糊镜像空间;
(3)将所述精确实体空间中的样本划分为训练集和验证集;
(4)将所述精确实体空间中的训练集与所述模糊镜像空间中的样本集进行空间融合,得到虚实孪生空间训练样本集;
(5)将所述虚实孪生空间训练样本集作为所述精确实体空间中的训练集的补充,并以故障类型和故障位置作为诊断标签,输入到深度神经网络中进行训练,并利用训练后的深度神经网络对所述精确实体空间中的验证集进行故障辨识与定位,验证诊断效果。
优选地,步骤(1)包括:
根据待诊断设备的诊断需求和故障特点划分区域,将划分的各区域作为电力设备不同故障位置,并根据所述待诊断设备的故障统计数据规律确定故障类型及严重程度,然后获取包含电力设备不同故障位置、故障类型及严重程度的测试样本,组成精确实体空间。
优选地,步骤(2)包括:
在搭建的待诊断设备的仿真模型中,根据步骤(1)中划分的实际故障类型和故障位置设置仿真的故障类型和故障位置,并根据实际故障程度的分布随机设置仿真的严重程度;
然后进行循环仿真,遍历不同故障区域、故障类型和故障程度,从而得到仿真的设备故障样本,由所有仿真得到的故障样本构成模糊镜像空间。
优选地,步骤(4)包括:
设数据对应的电力设备状态标签为γ,所述精确实体空间中标签为γ的样本记为SRγ={SRγ1;SRγ2;SRγ3;…},称为所述精确实体空间的子集,所述精确实体空间的子集中共含有NRγ个样本,NRγ表示所述精确实体空间中标签为γ的样本的数据量;
所述模糊镜像空间中标签为γ的样本记为SVγ={SVγ1;SVγ2;SVγ3;…},称为所述模糊镜像空间的子集,所述模糊镜像空间的子集中共含有NVγ个样本,NVγ表示所述模糊镜像空间中标签为γ的样本的数量;
对所述精确实体空间的子集及所述模糊镜像空间的子集中的所有样本进行故障特征提取,并用特征提取后的样本数据取代原来的样本数据;
从所述精确实体空间的子集中取一个标签为γ的第一待诊断设备样本数据,从所述模糊镜像空间的子集中取一个标签为γ的第二待诊断设备样本数据,对所述第一待诊断设备样本数据及所述第二待诊断设备样本数据进行融合,以此完成所述精确实体空间的子集中的各样本与所述模糊镜像空间的子集中的各样本的融合,得到虚实孪生空间训练样本集。
优选地,步骤(5)中利用深度神经网络进行故障诊断的方法为:
将深度神经网络最后一个有参数层的输出总数替换为n×m+1,以进行网络训练对故障标签进行分类与识别,实现故障的类型辨识与定位,其中,n为故障类型,m为故障位置。
优选地,所述方法还包括:
将新的待诊断数据加入到所述精确实体空间的训练集中,返回执行步骤S4,不断更新网络。
优选地,在新的待诊断数据量大于预设样本数据量,且从头训练耗时超过预设时间时,对新的待诊断数据进行特征提取,用特征提取后的新样本数据,对原本训练好的网络进行迁移学习,从而更新网络;或者,将新的待诊断数据合并到原有的所述精确实体空间中的训练集中,重新获取虚实孪生空间训练样本集,然后用新的虚实孪生空间训练样本集重新训练;
在新的待诊断数据量小于所述预设样本数据量,或从头训练耗时小于所述预设时间时,将新的待诊断数据合并到原有的所述精确实体空间中的训练集中,重新获取虚实孪生空间训练样本集,然后用新的虚实孪生空间训练样本集重新训练。
按照本发明的另一方面,提供了一种基于虚实孪生空间的电力设备小样本故障诊断系统,包括:
实际数据获取模块,用于获取包含电力设备不同故障位置、故障类型及严重程度的测试样本,组成精确实体空间;
仿真数据获取模块,用于搭建待诊断设备的仿真模型,并设置相应的故障类型,对所述仿真模型的参数叠加随机噪声,以利用仿真得到所需数量样本,组成模糊镜像空间;
样本集划分模块,用于将所述精确实体空间中的样本划分为训练集和验证集;
融合模块,用于将所述精确实体空间中的训练集与所述模糊镜像空间中的样本集进行空间融合,得到虚实孪生空间训练样本集;
诊断模块,用于将所述虚实孪生空间训练样本集作为所述精确实体空间中的训练集的补充,并以故障类型和故障位置作为诊断标签,输入到深度神经网络中进行训练,并利用训练后的深度神经网络对所述精确实体空间中的验证集进行故障辨识与定位,验证诊断效果。
按照本发明的另一方面,提供了一种计算机可读存储介质,其上存储有程序指令,所述程序指令被处理器执行时实现如上述任一所述的基于虚实孪生空间的电力设备小样本故障诊断方法。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
通过将电力设备机理模型获取的仿真数据与实测数据相耦合,探索基于数据驱动的深度学习与模型驱动的电力设备仿真模型相结合的智能故障诊断方法,能够帮助提高只有少量测试数据或是较难获取实验数据的高可靠性电力设备的诊断效果。
附图说明
图1是本发明实施例提供的一种基于虚实孪生空间的电力设备小样本故障诊断方法的流程示意图;
图2是本发明实施例提供的一种虚实孪生空间诊断方法的示意图;
图3是本发明实施例提供的一种检测数据集获取方法示意图;
图4是本发明实施例提供的一种基于虚实孪生诊断的验证准确率与传统方法的对比;
图5是本发明实施例提供的一种基于虚实孪生空间的电力设备小样本故障诊断系统的示意图。
具体实施方式
为了使本发明的目的、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用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明不仅适用于变压器绕组扫频响应分析的故障诊断,还可以推广至其他诊断领域。
本发明通过将电力设备机理模型获取的仿真数据与设备实测数据相耦合,探索基于数据驱动的深度学习与模型驱动的电力设备仿真模型相结合的智能故障诊断方法,能够帮助提高只有少量测试数据或是较难获取实验数据的高可靠性电力设备的诊断效果。
如图1所示,以电力变压器绕组的故障诊断为例,本发明实施例基于虚实孪生空间的电力设备小样本故障诊断方法,包括以下步骤:
S1:获取包含电力设备不同故障位置、故障类型及严重程度的测试样本,组成精确实体空间R;
S2:搭建待诊断设备的仿真模型,并设置相应的故障类型,对仿真模型参数叠加随机噪声,从而利用仿真得到大量样本,组成模糊镜像空间V;
S3:将步骤S1获取的精确实体空间的样本R划分为训练集Rtrain和验证集Rtest;
S4:将步骤S3获取的精确实体空间训练集Rtrain与步骤S2获取的模糊镜像空间样本集V进行空间杂交得到孪生空间训练样本集S;
S5:将孪生空间训练样本集S作为精确实体空间训练集Rtrain的补充,故障类型和位置作为诊断标签,输入到深度卷积神经网络中进行训练,对精确实体空间验证集Rtest进行故障辨识与定位,验证诊断效果;
S6:在后期的诊断过程中,将新获取的数据加入到精确实体空间的训练集Rtrain中,返回步骤S4中,不断更新网络。
进一步地,步骤S1中划分电力设备不同故障位置时,应当根据待诊断设备的诊断需求和故障特点划分区域,故障类型及严重程度需要根据待诊断设备的故障统计数据规律确定。对于相同的故障标签尽可能多的获取样本,所有样本构成精确实体空间R。其中,使用本发明进行诊断时,每个标签的数量在2个及以上时即有效。
进一步地,步骤S2中搭建的待诊断设备的仿真模型,要根据步骤S1中划分的实际故障类型和位置设置,并根据实际故障程度的分布随机设置仿真的严重程度。例如,在正常状态值的基础上,设置循环,根据检测内容选取模型的电气参数如接地电容Cg、电容Cs、自感Ls、互感Mi(i+1)、电阻R等,令其为正常值的随机倍数;然后进行循环仿真,循环步长和异常参数的选择根据数据集的数量要求和需要检测的故障类型而定,遍历不同故障区域、故障类型和故障程度,从而能够得到仿真的设备故障样本,所有样本构成模糊镜像空间V。
进一步地,步骤S3中在诊断方法的构建过程中,将精确实体空间R的样本划分为训练集Rtrain和验证集Rtest两部分。当诊断方法构建完成后,对于新的待诊断数据,不用划分训练集与验证集,直接将所有待诊断数据加入到训练集Rtrain中。
进一步地,步骤S4将精确实体空间R训练集Rtrain与模糊镜像空间V样本集进行融合,获取虚实孪生空间S的方法有以下步骤:
1)用R-space表示精确实体空间R,V-space表示模糊镜像空间V;
2)假设数据对应的电力设备状态标签为γ,R-space中标签为γ的样本记为SRγ={SRγ1;SRγ2;SRγ3;…},称为R-space的子集(样本簇),该子集(样本簇)中共含有NRγ个样本,NRγ表示R中标签为γ的样本的数据量,类似地,V-space中标签为γ的样本簇记作SVγ={SVγ1;SVγ2;SVγ3;…},称为所述模糊镜像空间的子集,所述模糊镜像空间的子集中共含有NVγ个样本,NVγ表示所述模糊镜像空间中标签为γ的样本数量为NVγ;
3)对精确实体空间的子集及模糊镜像空间的子集中的所有样本进行故障特征提取,尽可能获取样本属于各个标签γ的差异化特征,将特征提取后的样本数据取代原本的样本数据;
进一步地,步骤S4中获取虚实孪生空间S时的特征提取方法包括多种参数指标,如均方根误差(Root Mean Square Error,RMSE)、均方误差(Mean Square Error,MSE)、平均绝对误差(Mean Absolute Error,MAE)、平均百分比误差(Mean Absolute PercentageError,MAPE)、对称平均绝对百分比误差(Symmetric Mean Absolute Percentage Error,SMAPE),以及小波分析、加窗计算等分析方法等。
进一步地,步骤S4中获取虚实孪生空间S时的融合运算包括加权平均、模糊理论、证据理论等。
进一步地,步骤S5利用深度学习网络进行故障诊断的方法为:将深度网络最后一个有参数层的输出总数替换为(故障类型n)×(故障位置m)+1(正常状态),进行网络训练对标签进行分类与识别,实现故障的类型辨识与定位。
进一步地,步骤S6在后期的诊断过程与基于虚实孪生空间方法构建的诊断模型的不断更新过程中,将新获取的数据加入到精确实体空间R进行训练集有两种方式:新增的诊断样本数据量大于预设样本数据量,且孪生诊断模型从头训练的过程耗时超过预设时间时,可以考虑采取迁移学习的方法,即对新的样本采取同样的特征提取方法后返回步骤S5:用特征提取后的新样本数据,对原本训练好的诊断模型进行迁移学习,从而更新诊断模型;有条件可以返回步骤S4:将新的样本合并到原有的Rtrain中,重新获取孪生空间训练样本集,然后用新的孪生空间训练样本集重新训练。如果新增的诊断样本数据量小于预设样本数据量,或从头训练的过程耗时小于预设时间时,一般返回S4重新生成孪生空间,再次训练。
其中,预设样本数据量及预设时间可以根据实际需要确定,预设样本数据量用于反映新增的诊断样本数据量的多少,预设时间用于反映重新训练的快慢。
本发明的一个优选实施例中,具体的实施步骤如下:
本发明提出的虚实孪生空间诊断方法的示意图如图2所示。首先根据步骤S1获取包含电力设备不同故障位置、故障类型及严重程度的测试样本。对待诊断的变压器进行扫频响应测试,记录FRA的波形,测试与设置故障的示意图如图3所示。通过绕组并联电感、并联电容、绕组间增加垫块等方式模拟不同的故障情形。如果只需要判断是否有故障,则将标签设置为“有”和“无”两个;如果需要进行故障类型判断、故障位置诊断等,则需要设置多个标签。例如:将故障类型j和故障区域i合并写做‘ji’,作为相应的标签γ,并记正常状态下的标签为‘00’,即:γ={00,11,12,…,ji}。本实施例的检测点位于绕组末端,即输出端。共设置有3种故障类型j(j=1,2,3)和7个故障区域i(i=1,2,…,7),其中故障类型j={1(饼间间距),2(饼间短路),3(变形)},故障区域的划分方式为将变压器绕组平均分为7个部分,从扫频信号输入端到输出端分别为第1至第7部分。对于绕组饼间间距故障(绕组为很多匝包起来作为一饼,很多饼组合成完整的线圈),通过在两饼绕组间并联电容进行模拟;对于绕组饼间短路故障,则通过导线将对应螺母相连模拟;对于绕组变型故障,则通过并联电容和电感进行模拟。对每种故障类型设置不同的故障程度,分别进行扫频响应测试,得到测试样本,从而组成精确实体空间R。
然后根据待诊断电力变压器的结构参数和材料特性,建立3D有限元模型,计算接地电容Cg、绕组间电容Cs、自感Ls、互感Mi(i+1)、电阻R等;然后构建变压器绕组的传递函数,将仿真得到的电路参数代入到传递函数中,通过编写程序,针对检测数据集所模拟的故障类型与故障区域,根据步骤S1的待诊断故障标签,设置循环实现对该等效电路在不同故障程度/不同故障位置/不同故障类型下的扫频响应分析,获取仿真数据,组合成为模糊镜像空间V。
通过S1与S2具体获取的数据类别和数量如表1所示。本发明实施例的变压器仿真数据共包含880组数据,检测样本集则包括220组数据。对于模糊镜像空间,仿真数据集全部都将被用于诊断方法的训练;而对于精准实体空间,检测数据集的30%(3)则用于算法训练,70%(7)用于验证效果,分别记为Rtrain,Rtest。测试集和训练集的比例可以根据需要进行设置。可以看出,检测数据集的数量是极其稀少的,本实施例中仅使用了每个标签3个样本进行训练。
表1用于诊断的测试与模拟数据集数量
标签 | 仿真数据集 | 检测数据集 | 加噪声的仿真数据集 | 总仿真集 | 总实验集 |
00 | 5 | 10 | 15 | 20 | 10 |
11/21/31 | 5/5/5 | 10/10/10 | 15/15/15 | 60 | 30 |
12/22/32 | 5/5/5 | 10/10/10 | 15/15/15 | 60 | 30 |
13/23/33 | 5/5/5 | 10/10/10 | 15/15/15 | 60 | 30 |
14/24/34 | 5/5/5 | 10/10/10 | 15/15/15 | 60 | 30 |
15/25/35 | 5/5/5 | 10/10/10 | 15/15/15 | 60 | 30 |
16/26/36 | 5/5/5 | 10/10/10 | 15/15/15 | 60 | 30 |
17/27/37 | 5/5/5 | 10/10/10 | 15/15/15 | 60 | 30 |
Total | 110 | 220 | 330 | 440 | 220 |
接下来进行第S4步,空间杂交融合。将S3步划分出来的精确实体空间训练集与第S2步获取的模糊镜像空间样本集进行空间杂交得到孪生空间训练样本集。首先用R-space表示精确实体空间,V-space表示模糊镜像空间。假设数据对应的电力设备状态标签为γ,则有γ={‘00’,‘11’,‘12’,…,‘37’}。R-space中标签为γ的样本记为SRγ={SRγ1;SRγ2;SRγ3;…},称为R-space的子集(样本簇);类似地,V-space中标签为γ的样本簇记作SVγ={SVγ1;SVγ2;SVγ3;…}。为了简洁明了,本实施例省略步骤S4中的特征提取步骤,直接使用FR曲线进行诊断,并采取加权融合的方式将3)步获取的精确实体空间训练集与模糊镜像空间样本集进行空间融合,得到虚实孪生空间训练样本集S。
具体的方法如下:对于R-space中的每个样本数据,从V-space中依次取出相同标签(γ)的待诊断设备数据,如SRγ1和SVγ2,对其进行融合运算,将R空间与V空间的样本集按照随机比例相互融合。用符号表示样本融合计算,该计算过程用融合函数表示,有:本发明实施例所采用的加权融合法的计算方式如下式所示:
Sγ=α(λRγ)·SRγ+β(λVγ)·SVγ
其中的α(λRγ),β(λVγ),分别代表R-space与V-space的γ标签的权重分配矩阵。本发明实施例中变权参数的设定值ρ={α,β}={(α1,α2,…),(β1,β2,…)}。故参数的约束方程组P(ρ)为:
当遍历完成R-space与V-space空间中的每个样本数据后,共同组成孪生空间的样本集S。
接下来根据步骤S5,将孪生空间的训练样本集S作为精确实体空间训练集Rtrain的补充,故障类型和位置作为诊断标签,输入到深度卷积神经网络中进行训练,对精确实体空间验证集Rtest进行故障辨识与定位,验证诊断效果。采取本发明的虚实孪生空间故障诊断方法,基于MobileNet-V2的验证效果、直接采用基于MobileNet-V2的深度学习、以及传统方法SVM的效果如附图4所示。可以看出,采用基于MobileNet-V2的深度迁移学习方法进行诊断的效果好于SVM,而在考虑本发明提出的虚实孪生空间后,诊断的准确率又较MobileNet-V2有进一步的提高。
最后,在后期的诊断过程中,将新获取的数据加入到精确实体空间的训练集中,返回步骤S4中,不断训练并优化诊断网络。
如图5所示,在本发明的另一实施例中,还提供了一种基于虚实孪生空间的电力设备小样本故障诊断系统,包括:
实际数据获取模块501,用于获取包含电力设备不同故障位置、故障类型及严重程度的测试样本,组成精确实体空间;
仿真数据获取模块502,用于搭建待诊断设备的仿真模型,并设置相应的故障类型,对仿真模型的参数叠加随机噪声,以利用仿真得到所需数量样本,组成模糊镜像空间;
样本集划分模块503,用于将精确实体空间中的样本划分为训练集和验证集;
融合模块504,用于将精确实体空间中的训练集与模糊镜像空间中的样本集进行空间融合,得到虚实孪生空间训练样本集;
诊断模块505,用于将虚实孪生空间训练样本集作为精确实体空间中的训练集的补充,并以故障类型和故障位置作为诊断标签,输入到深度神经网络中进行训练,并利用训练后的深度神经网络对精确实体空间中的验证集进行故障辨识与定位,验证诊断效果。
其中,各模块的具体实施方式可以参考上述方法实施例的描述,本发明实施例将不再复述。
在本发明的另一实施例中,还提供了一种计算机可读存储介质,其上存储有程序指令,该程序指令被处理器执行时实现如上述的基于虚实孪生空间的电力设备小样本故障诊断方法。
需要指出,根据实施的需要,可将本申请中描述的各个步骤/部件拆分为更多步骤/部件,也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件,以实现本发明的目的。
上述根据本发明的方法可在硬件、固件中实现,或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码,或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如,RAM、ROM、闪存等),当所述软件或计算机代码被计算机、处理器或硬件访问且执行时,实现在此描述的处理方法。此外,当通用计算机访问用于实现在此示出的处理的代码时,代码的执行将通用计算机转换为用于执行在此示出的处理的专用计算机。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于虚实孪生空间的电力设备小样本故障诊断方法,其特征在于,包括:
(1)获取包含电力设备不同故障位置、故障类型及严重程度的测试样本,组成精确实体空间;
(2)搭建待诊断设备的仿真模型,并设置相应的故障类型,对所述仿真模型的参数叠加随机噪声,以利用仿真得到所需数量样本,组成模糊镜像空间;
(3)将所述精确实体空间中的样本划分为训练集和验证集;
(4)将所述精确实体空间中的训练集与所述模糊镜像空间中的样本集进行空间融合,得到虚实孪生空间训练样本集;
(5)将所述虚实孪生空间训练样本集作为所述精确实体空间中的训练集的补充,并以故障类型和故障位置作为诊断标签,输入到深度神经网络中进行训练,并利用训练后的深度神经网络对所述精确实体空间中的验证集进行故障辨识与定位,验证诊断效果。
2.根据权利要求1所述的方法,其特征在于,步骤(1)包括:
根据待诊断设备的诊断需求和故障特点划分区域,将划分的各区域作为电力设备不同故障位置,并根据所述待诊断设备的故障统计数据规律确定故障类型及严重程度,然后获取包含电力设备不同故障位置、故障类型及严重程度的测试样本,组成精确实体空间。
3.根据权利要求2所述的方法,其特征在于,步骤(2)包括:
在搭建的待诊断设备的仿真模型中,根据步骤(1)中划分的实际故障类型和故障位置设置仿真的故障类型和故障位置,并根据实际故障程度的分布随机设置仿真的严重程度;
然后进行循环仿真,遍历不同故障区域、故障类型和故障程度,从而得到仿真的设备故障样本,由所有仿真得到的故障样本构成模糊镜像空间。
4.根据权利要求1至3任意一项所述的方法,其特征在于,步骤(4)包括:
设数据对应的电力设备状态标签为γ,所述精确实体空间中标签为γ的样本记为SRγ={SRγ1;SRγ2;SRγ3;…},称为所述精确实体空间的子集,所述精确实体空间的子集中共含有NRγ个样本,NRγ表示所述精确实体空间中标签为γ的样本的数据量;
所述模糊镜像空间中标签为γ的样本记为SVγ={SVγ1;SVγ2;SVγ3;…},称为所述模糊镜像空间的子集,所述模糊镜像空间的子集中共含有NVγ个样本,NVγ表示所述模糊镜像空间中标签为γ的样本的数量;
对所述精确实体空间的子集及所述模糊镜像空间的子集中的所有样本进行故障特征提取,并用特征提取后的样本数据取代原来的样本数据;
从所述精确实体空间的子集中取一个标签为γ的第一待诊断设备样本数据,从所述模糊镜像空间的子集中取一个标签为γ的第二待诊断设备样本数据,对所述第一待诊断设备样本数据及所述第二待诊断设备样本数据进行融合,以此完成所述精确实体空间的子集中的各样本与所述模糊镜像空间的子集中的各样本的融合,得到虚实孪生空间训练样本集。
6.根据权利要求1所述的方法,其特征在于,步骤(5)中利用深度神经网络进行故障诊断的方法为:
将深度神经网络最后一个有参数层的输出总数替换为n×m+1,以进行网络训练对故障标签进行分类与识别,实现故障的类型辨识与定位,其中,n为故障类型,m为故障位置。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将新的待诊断数据加入到所述精确实体空间的训练集中,返回执行步骤S4,不断更新网络。
8.根据权利要求7所述的方法,其特征在于,在新的待诊断数据量大于预设样本数据量,且从头训练耗时超过预设时间时,对新的待诊断数据进行特征提取,用特征提取后的新样本数据,对原本训练好的网络进行迁移学习,从而更新网络;或者,将新的待诊断数据合并到原有的所述精确实体空间中的训练集中,重新获取虚实孪生空间训练样本集,然后用新的虚实孪生空间训练样本集重新训练;
在新的待诊断数据量小于所述预设样本数据量,或从头训练耗时小于所述预设时间时,将新的待诊断数据合并到原有的所述精确实体空间中的训练集中,重新获取虚实孪生空间训练样本集,然后用新的虚实孪生空间训练样本集重新训练。
9.一种基于虚实孪生空间的电力设备小样本故障诊断系统,其特征在于,包括:
实际数据获取模块,用于获取包含电力设备不同故障位置、故障类型及严重程度的测试样本,组成精确实体空间;
仿真数据获取模块,用于搭建待诊断设备的仿真模型,并设置相应的故障类型,对所述仿真模型的参数叠加随机噪声,以利用仿真得到所需数量样本,组成模糊镜像空间;
样本集划分模块,用于将所述精确实体空间中的样本划分为训练集和验证集;
融合模块,用于将所述精确实体空间中的训练集与所述模糊镜像空间中的样本集进行空间融合,得到虚实孪生空间训练样本集;
诊断模块,用于将所述虚实孪生空间训练样本集作为所述精确实体空间中的训练集的补充,并以故障类型和故障位置作为诊断标签,输入到深度神经网络中进行训练,并利用训练后的深度神经网络对所述精确实体空间中的验证集进行故障辨识与定位,验证诊断效果。
10.一种计算机可读存储介质,其上存储有程序指令,其特征在于,所述程序指令被处理器执行时实现如权利要求1至8任一所述的基于虚实孪生空间的电力设备小样本故障诊断方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010273965.3A CN111400930B (zh) | 2020-04-09 | 2020-04-09 | 基于虚实孪生空间的电力设备小样本故障诊断方法及系统 |
US17/124,499 US11913854B2 (en) | 2020-04-09 | 2020-12-17 | Method and system for fault diagnosis with small samples of power equipment based on virtual and real twin spaces |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010273965.3A CN111400930B (zh) | 2020-04-09 | 2020-04-09 | 基于虚实孪生空间的电力设备小样本故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111400930A true CN111400930A (zh) | 2020-07-10 |
CN111400930B CN111400930B (zh) | 2022-04-15 |
Family
ID=71431548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010273965.3A Active CN111400930B (zh) | 2020-04-09 | 2020-04-09 | 基于虚实孪生空间的电力设备小样本故障诊断方法及系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11913854B2 (zh) |
CN (1) | CN111400930B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084675A (zh) * | 2020-09-17 | 2020-12-15 | 南方电网科学研究院有限责任公司 | 一种gis设备的数字孪生体的构建方法、装置及存储介质 |
CN112418451A (zh) * | 2020-11-05 | 2021-02-26 | 武汉大学 | 基于数字孪生的变压器故障诊断定位系统 |
CN112464559A (zh) * | 2020-11-24 | 2021-03-09 | 山东交通学院 | 一种用于燃料电池发动机故障预测的数据融合方法及系统 |
CN112465124A (zh) * | 2020-12-15 | 2021-03-09 | 武汉智能装备工业技术研究院有限公司 | 孪生深度时空神经网络模型获取/故障诊断方法、装置 |
CN112491468A (zh) * | 2020-11-20 | 2021-03-12 | 福州大学 | 基于孪生节点辅助传感的fbg传感网络节点故障定位方法 |
CN112684379A (zh) * | 2020-11-25 | 2021-04-20 | 江苏科技大学 | 一种基于数字孪生的变压器故障诊断系统及其方法 |
CN112752172A (zh) * | 2020-12-15 | 2021-05-04 | 烽火通信科技股份有限公司 | 一种基于迁移学习的光通道故障诊断方法和系统 |
CN112947368A (zh) * | 2021-02-02 | 2021-06-11 | 安徽理工大学 | 一种三相异步电动机故障诊断装置及方法 |
CN113238165A (zh) * | 2021-02-09 | 2021-08-10 | 重庆大学 | 一种基于ifra和svm的电抗器匝间短路故障检测方法 |
CN113313361A (zh) * | 2021-05-11 | 2021-08-27 | 国网山东省电力公司淄博供电公司 | 一种基于数字孪生的开关柜设备状态评估系统构建方法 |
CN113379123A (zh) * | 2021-06-09 | 2021-09-10 | 中德(珠海)人工智能研究院有限公司 | 基于数字孪生的故障预测方法、装置、服务器及存储介质 |
CN113436184A (zh) * | 2021-07-15 | 2021-09-24 | 南瑞集团有限公司 | 基于改进孪生网络的电力设备图像缺陷判别方法及系统 |
CN114241271A (zh) * | 2021-11-16 | 2022-03-25 | 电子科技大学 | 一种多孪生迁移学习融合多信息的机械故障智能诊断方法 |
CN115792505A (zh) * | 2023-02-02 | 2023-03-14 | 天津津轨汇海科技发展有限公司 | 一种轨道交通供电管理方法及系统 |
WO2023044907A1 (en) * | 2021-09-27 | 2023-03-30 | Siemens Aktiengesellschaft | Method and device for monitoring equipment health and computer readable storage medium |
CN117973235A (zh) * | 2024-04-01 | 2024-05-03 | 安徽农业大学 | 一种仿真运动学振动数据的离心泵故障模式诊断方法 |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220026879A1 (en) * | 2020-07-22 | 2022-01-27 | Micron Technology, Inc. | Predictive maintenance of components used in machine automation |
CN114155975A (zh) * | 2021-11-26 | 2022-03-08 | 广州金域医学检验中心有限公司 | 样本录入方法、装置、设备及存储介质 |
CN114311609A (zh) * | 2022-01-17 | 2022-04-12 | 安徽理工大学 | 一种基于数字孪生的挤塑机故障诊断系统 |
CN114640581B (zh) * | 2022-01-24 | 2024-05-28 | 浪潮通信信息系统有限公司 | 一种基于数字孪生的算力网络处理方法及装置 |
CN114662569A (zh) * | 2022-03-04 | 2022-06-24 | 西北工业大学 | 一种基于数字孪生的水下滑翔机故障实时诊断方法 |
CN114358092B (zh) * | 2022-03-10 | 2022-05-27 | 武汉格蓝若智能技术有限公司 | 一种电容式电压互感器内绝缘性能在线诊断方法及系统 |
CN114841021B (zh) * | 2022-07-04 | 2022-10-11 | 北京航空航天大学杭州创新研究院 | 数字孪生模型的修正方法、装置、电子设备和存储介质 |
CN117011213A (zh) * | 2022-08-25 | 2023-11-07 | 腾讯科技(深圳)有限公司 | 一种缺陷检测模型的训练方法和相关装置 |
CN115561583A (zh) * | 2022-12-07 | 2023-01-03 | 国网冀北电力有限公司 | 一种基于数字孪生技术的电力设备巡检方法、装置及系统 |
CN115983494B (zh) * | 2023-02-10 | 2023-09-12 | 广东工业大学 | 一种新建小样本风电场的短期风电功率预测方法及系统 |
CN116400209A (zh) * | 2023-03-10 | 2023-07-07 | 广东电网有限责任公司佛山供电局 | 一种配电变压器的调压开关故诊断方法及装置 |
CN115994458B (zh) * | 2023-03-23 | 2023-07-18 | 华南理工大学 | 一种虚实集成的多智能体集群系统仿真方法 |
CN117172757A (zh) * | 2023-11-02 | 2023-12-05 | 中国农业大学 | 一种无人渔场水产养殖设备机组故障诊断系统及方法 |
CN117471979B (zh) * | 2023-12-27 | 2024-03-08 | 成都川哈工机器人及智能装备产业技术研究院有限公司 | 一种基于数字孪生平台的数据采集处理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334740A (zh) * | 2019-06-05 | 2019-10-15 | 武汉大学 | 人工智能推理融合的电力设备故障检测定位方法 |
CN110442936A (zh) * | 2019-07-24 | 2019-11-12 | 中国石油大学(北京) | 基于数字孪生模型的设备故障诊断方法、装置及系统 |
CN110780146A (zh) * | 2019-12-10 | 2020-02-11 | 武汉大学 | 基于多阶段迁移学习的变压器故障辨识与定位诊断方法 |
CN110879917A (zh) * | 2019-11-08 | 2020-03-13 | 北京交通大学 | 一种基于迁移学习的电力系统暂态稳定自适应评估方法 |
CN110889238A (zh) * | 2019-12-06 | 2020-03-17 | 北京航空航天大学 | 一种数字孪生驱动的热压罐管控系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160188675A1 (en) * | 2014-12-29 | 2016-06-30 | Ge Aviation Systems Llc | Network for digital emulation and repository |
US10404569B2 (en) * | 2016-08-22 | 2019-09-03 | General Electric Company | Internet of things associate |
US10388075B2 (en) * | 2016-11-08 | 2019-08-20 | Rockwell Automation Technologies, Inc. | Virtual reality and augmented reality for industrial automation |
US9881430B1 (en) * | 2017-02-22 | 2018-01-30 | General Electric Company | Digital twin system for a cooling system |
CN111316312A (zh) * | 2017-11-08 | 2020-06-19 | 株式会社东芝 | 技能基础系统、技能模型化装置及技能流通方法 |
US11087920B2 (en) * | 2018-03-30 | 2021-08-10 | General Electric Company | System and method for transformer control |
US20190302712A1 (en) * | 2018-03-30 | 2019-10-03 | General Electric Company | System and method for motor drive control |
US10826932B2 (en) * | 2018-08-22 | 2020-11-03 | General Electric Company | Situation awareness and dynamic ensemble forecasting of abnormal behavior in cyber-physical system |
-
2020
- 2020-04-09 CN CN202010273965.3A patent/CN111400930B/zh active Active
- 2020-12-17 US US17/124,499 patent/US11913854B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334740A (zh) * | 2019-06-05 | 2019-10-15 | 武汉大学 | 人工智能推理融合的电力设备故障检测定位方法 |
CN110442936A (zh) * | 2019-07-24 | 2019-11-12 | 中国石油大学(北京) | 基于数字孪生模型的设备故障诊断方法、装置及系统 |
CN110879917A (zh) * | 2019-11-08 | 2020-03-13 | 北京交通大学 | 一种基于迁移学习的电力系统暂态稳定自适应评估方法 |
CN110889238A (zh) * | 2019-12-06 | 2020-03-17 | 北京航空航天大学 | 一种数字孪生驱动的热压罐管控系统 |
CN110780146A (zh) * | 2019-12-10 | 2020-02-11 | 武汉大学 | 基于多阶段迁移学习的变压器故障辨识与定位诊断方法 |
Non-Patent Citations (3)
Title |
---|
JIAJUN DUAN,YIGANG HE,XIAOXIN WU等: "Anti-Interference Deep Visual Identification Method for Fault Localization of Transformer Using a Winding Model", 《SENSORS》 * |
YONG YANG,ZHU CHEN,JING YAN等: "State Evaluation of Power Transformer Based on Digital Twin", 《2019 IEEE INTERNATIONAL CONFERENCE ON SERVICE OPERATIONS AND LOGISTICS, AND INFORMATICS (SOLI)》 * |
阮 羚,谢齐家,高胜友等: "人工神经网络和信息融合技术在变压器状态评估中的应用", 《高电压技术》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084675A (zh) * | 2020-09-17 | 2020-12-15 | 南方电网科学研究院有限责任公司 | 一种gis设备的数字孪生体的构建方法、装置及存储介质 |
CN112084675B (zh) * | 2020-09-17 | 2024-05-07 | 南方电网科学研究院有限责任公司 | 一种gis设备的数字孪生体的构建方法、装置及存储介质 |
CN112418451A (zh) * | 2020-11-05 | 2021-02-26 | 武汉大学 | 基于数字孪生的变压器故障诊断定位系统 |
CN112491468A (zh) * | 2020-11-20 | 2021-03-12 | 福州大学 | 基于孪生节点辅助传感的fbg传感网络节点故障定位方法 |
CN112464559A (zh) * | 2020-11-24 | 2021-03-09 | 山东交通学院 | 一种用于燃料电池发动机故障预测的数据融合方法及系统 |
CN112684379A (zh) * | 2020-11-25 | 2021-04-20 | 江苏科技大学 | 一种基于数字孪生的变压器故障诊断系统及其方法 |
CN112752172A (zh) * | 2020-12-15 | 2021-05-04 | 烽火通信科技股份有限公司 | 一种基于迁移学习的光通道故障诊断方法和系统 |
CN112752172B (zh) * | 2020-12-15 | 2022-03-25 | 烽火通信科技股份有限公司 | 一种基于迁移学习的光通道故障诊断方法和系统 |
CN112465124A (zh) * | 2020-12-15 | 2021-03-09 | 武汉智能装备工业技术研究院有限公司 | 孪生深度时空神经网络模型获取/故障诊断方法、装置 |
CN112947368A (zh) * | 2021-02-02 | 2021-06-11 | 安徽理工大学 | 一种三相异步电动机故障诊断装置及方法 |
CN112947368B (zh) * | 2021-02-02 | 2022-06-07 | 安徽理工大学 | 基于数字孪生和迁移学习的三相异步电动机故障诊断装置 |
CN113238165A (zh) * | 2021-02-09 | 2021-08-10 | 重庆大学 | 一种基于ifra和svm的电抗器匝间短路故障检测方法 |
CN113313361A (zh) * | 2021-05-11 | 2021-08-27 | 国网山东省电力公司淄博供电公司 | 一种基于数字孪生的开关柜设备状态评估系统构建方法 |
CN113379123A (zh) * | 2021-06-09 | 2021-09-10 | 中德(珠海)人工智能研究院有限公司 | 基于数字孪生的故障预测方法、装置、服务器及存储介质 |
WO2022257925A1 (zh) * | 2021-06-09 | 2022-12-15 | 五邑大学 | 基于数字孪生的故障预测方法、装置、服务器及存储介质 |
CN113436184A (zh) * | 2021-07-15 | 2021-09-24 | 南瑞集团有限公司 | 基于改进孪生网络的电力设备图像缺陷判别方法及系统 |
CN113436184B (zh) * | 2021-07-15 | 2024-05-24 | 南瑞集团有限公司 | 基于改进孪生网络的电力设备图像缺陷判别方法及系统 |
WO2023044907A1 (en) * | 2021-09-27 | 2023-03-30 | Siemens Aktiengesellschaft | Method and device for monitoring equipment health and computer readable storage medium |
CN114241271A (zh) * | 2021-11-16 | 2022-03-25 | 电子科技大学 | 一种多孪生迁移学习融合多信息的机械故障智能诊断方法 |
CN114241271B (zh) * | 2021-11-16 | 2023-04-25 | 电子科技大学 | 一种多孪生迁移学习融合多信息的机械故障智能诊断方法 |
CN115792505A (zh) * | 2023-02-02 | 2023-03-14 | 天津津轨汇海科技发展有限公司 | 一种轨道交通供电管理方法及系统 |
CN117973235A (zh) * | 2024-04-01 | 2024-05-03 | 安徽农业大学 | 一种仿真运动学振动数据的离心泵故障模式诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
US20210319156A1 (en) | 2021-10-14 |
CN111400930B (zh) | 2022-04-15 |
US11913854B2 (en) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111400930B (zh) | 基于虚实孪生空间的电力设备小样本故障诊断方法及系统 | |
Huang et al. | Interlaced sparse self-attention for semantic segmentation | |
CN110514924B (zh) | 深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法 | |
CN107610194B (zh) | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 | |
Xia et al. | Automatic generation method of test scenario for ADAS based on complexity | |
CN106796716B (zh) | 用于为低分辨率图像提供超分辨率的设备和方法 | |
CN111650453B (zh) | 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统 | |
CN109993733A (zh) | 肺部病灶的检测方法、系统、存储介质、终端及显示系统 | |
CN113076804B (zh) | 基于YOLOv4改进算法的目标检测方法、装置及系统 | |
CN109671071A (zh) | 一种基于深度学习的地下管道缺陷定位及等级判定方法 | |
CN109726746A (zh) | 一种模板匹配的方法及装置 | |
CN114511521B (zh) | 基于多重表示与多重子域自适应的轮胎瑕疵检测方法 | |
CN115017773A (zh) | 一种三维网格模型的降维方法、电子设备和介质 | |
CN115099328A (zh) | 基于对抗网络的交通流量预测方法、系统、设备及存储介质 | |
CN117422619A (zh) | 图像重建模型的训练方法、图像重建方法、装置及设备 | |
CN113256543A (zh) | 一种基于图卷积神经网络模型的点云补全方法 | |
CN109102078A (zh) | 一种机器学习的优化方法、系统、计算机存储介质和电子设备 | |
CN115345257A (zh) | 飞行轨迹分类模型训练方法、分类方法、装置及存储介质 | |
CN107608838A (zh) | 一种存储设备测试方法、系统、设备及计算机存储介质 | |
CN112017273A (zh) | 基于模式密度函数模拟算法的多分辨率岩心孔隙融合方法 | |
JP7513041B2 (ja) | 情報処理システム、情報処理方法、およびプログラム | |
CN117973870B (zh) | 消防场景的风险评估模型的训练系统及方法 | |
CN117195626B (zh) | 一种基于生成对抗网络的建筑自由曲面网格结构划分的设计方法 | |
CN113971686B (zh) | 基于背景修复和胶囊网络的目标跟踪方法 | |
CN114578250B (zh) | 一种基于双三角结构矩阵的锂电池soh估计方法 |
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 |