CN111505490A - 基于卷积神经网络回归的交流接触器烧蚀情况评估方法 - Google Patents

基于卷积神经网络回归的交流接触器烧蚀情况评估方法 Download PDF

Info

Publication number
CN111505490A
CN111505490A CN202010206853.6A CN202010206853A CN111505490A CN 111505490 A CN111505490 A CN 111505490A CN 202010206853 A CN202010206853 A CN 202010206853A CN 111505490 A CN111505490 A CN 111505490A
Authority
CN
China
Prior art keywords
data
phase
contactor
neural network
alternating 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.)
Pending
Application number
CN202010206853.6A
Other languages
English (en)
Inventor
吴自然
吴桂初
游颖敏
闫俊涛
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.)
Yueqing Institute Of Industry Wenzhou University
Original Assignee
Yueqing Institute Of Industry Wenzhou University
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 Yueqing Institute Of Industry Wenzhou University filed Critical Yueqing Institute Of Industry Wenzhou University
Priority to CN202010206853.6A priority Critical patent/CN111505490A/zh
Publication of CN111505490A publication Critical patent/CN111505490A/zh
Pending legal-status Critical Current

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
    • G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供一种基于卷积神经网络回归的交流接触器烧蚀情况评估方法，包括获取三相交流接触器每次分断电弧实验时产生的每一相电压波形数据及每次分断电弧实验后的触头质量；计算出每次分断电弧实验的单相累计触头质量损耗及其对应离散化重构的每一相电压波形数据来构成一个数据样本，并将所有数据样本按比例随机分为训练集和测试集；构建基于卷积神经网络回归的交流接触器烧蚀评估模型；对评估模型进行训练和测试，通过比较得到训练好的评估模型；获取当前分断电弧实验时产生的每一相电压波形数据并导入训练好的评估模型中，输出质量损失估计值。实施本发明，利用卷积神经网络回归对电弧的电压信号进行学习，完成对交流接触器的烧蚀情况评估。

Description

基于卷积神经网络回归的交流接触器烧蚀情况评估方法
技术领域
本发明涉及交流接触器检测技术领域，尤其涉及一种基于卷积神经网络回归的交流接触器烧蚀情况评估方法。
背景技术
低压电器中的交流接触器有着通断操作频繁的特点，被广泛、大量地运用于电气控制系统中。对于交流接触器来说，触头的状态与其电寿命密切相关。触头状态反映了银-金属-氧化物合金在触头上的质量损失，该合金有助于降低接触电阻，增强抗焊接和消弧能力。然而，闭合和分断操作会烧蚀合金，也就是说，当合金大部分被烧蚀时交流接触器电寿命就达到极限。因此，对触头质量损失(即触头烧蚀)的估计可以帮助用户确定交流接触器的电寿命。
目前，触头烧蚀估计是一个电气领域的难题，主要有三个原因：首先，相对于几公斤的交流接触器，触头质量损失量非常小(每次操作的质量损失小于1毫克)；其次，触点通常在交流接触器内部，直接测量或观测触头质量变化是不切实际的；最后，由于瞬态电压和电流条件的变化，以及闭合和分断操作的相角是不恒定的，两对触点的质量损失可以有显著差异。
为了解决这一问题，国内外学者提出了许多通过间接测量和建模来估算质量损失的方法。主要的有两类：第一、通过在交流接触器中内嵌各类传感器获取数据来映射触头质量的损失，但需要修改交流接触器的结构，这对制造商和用户都不友好；比如，在《IEICETransactions on Electronics》期刊2009年发表的《Prognostic and DiagnosticTechnology for DC Actuated Contactors and Motor Starters》一文中就是通过激光距离传感器测量超程变化来估计触头质量损失；又如，还有通过在触头上连接压电堆叠获得每一次操作的超声波图，并获得了接触电阻的变化。第二、通过触电间感应的电压和电流，分析信号的变化来反映触头状态的变化，虽然实现简单，但是需要持续跟踪交流接触器的历史运行数据，一旦历史运行数据缺失，将不再有效；比如，通过电压和电流计算得到电弧能量，再通过操作数、电弧能量两个特征判断触头状态。
因此，亟需一种新的估算质量损失来评估交流接触器烧蚀情况的方法，无需在交流接触器中内嵌各类传感器获取数据来映射触头质量的损失，也不依赖于交流接触器的历史运行数据，在历史运行数据缺失的情况下，依然可以较准确地对交流接触器的烧蚀情况进行估计。
发明内容
本发明实施例所要解决的技术问题在于，提供一种基于卷积神经网络回归的交流接触器烧蚀情况评估方法，利用卷积神经网络回归对电弧的电压信号进行学习，完成对交流接触器的烧蚀情况评估，从而克服了现有技术中所存在的相关问题。
为了解决上述技术问题，本发明实施例提供了一种基于卷积神经网络回归的交流接触器烧蚀情况评估方法，所述方法包括以下步骤：
获取三相交流接触器在每次分断电弧实验时产生的每一相电压波形数据以及每次分断电弧实验后的触头质量数据；
根据所获取到的三相交流接触器每次分断电弧实验后的触头质量数据，计算出每次分断电弧实验时的累计触头质量损耗数据，并将所获取到的三相交流接触器每次分断电弧实验时产生的每一相电压波形数据均进行离散化重构，且进一步将同一次分断电弧实验时的累计触头质量损耗数据依次与每一相离散化重构后的电压波形数据组成一个数据样本，得到每次分断电弧实验各自对应的三个数据样本；
将所有的数据样本按一定比例随机分为训练集和测试集；
以每一相离散化重构后的电压波形数据为模型特征，累计触头质量损耗数据为模型标签，构建基于卷积神经网络回归的交流接触器烧蚀评估模型；
根据所述训练集和所述测试集，分别对所述交流接触器烧蚀评估模型进行训练和测试，并通过比较所述交流接触器烧蚀评估模型分别在训练和测试中累计触头质量损耗标签和所述卷积神经网络输出的均方误差值，得到训练好的交流接触器烧蚀评估模型；
获取三相交流接触器的当前分断电弧实验时产生的每一相电压波形数据，并将所获取到的三相交流接触器的当前分断电弧实验时产生的每一相电压波形数据导入所得到的训练好的交流接触器烧蚀评估模型中，输出结果为质量损失估计值。
其中，所述每次分断电弧实验的累计触头质量损耗数据是根据每次分断电弧实验后的每一相所有触头质量累计之和，减去分断试验前最初每一相所有触头质量累计之和，并进一步采用线性插值法处理每次分断电弧实验前后的触头质量损耗而得到的。
其中，所述采用线性插值法处理每次分断电弧实验后的累计触头质量损耗是通过公式
Figure BDA0002421403070000031
来实现的；其中，
Mi是第i次分断电弧实验时某相触头的累计质量累计损耗数据；j表示在进行第i次分断电弧实验前最近一次测量该相触头累计触头质量损耗数据的已操作次数；k表示在进行第i次分断电弧实验后最近一次测量该相触头累计触头质量损耗数据的已操作次数。
其中，所述将所获取到的三相交流接触器每次分断电弧实验时产生的每一相电压波形数据进行离散化重构的具体步骤包括：
在所获取到的三相交流接触器每次分断电弧实验时产生的每一相电压波形数据中，确定采样点，并采用线性插值法扩增所述采样点的个数，且进一步归一化将所述线性插值后的采样点数据范围限制在[0,1]内；
根据所述线性插值后的采样点及其对应的数据范围，通过预设的数据波形软件提取出一维离散化数据，并将所提取出的一维离散化数据组合成一维矩阵，且进一步将所述一维矩阵重构成满足所述交流接触器烧蚀评估模型中卷积神经网络内所需的N×N二维矩阵。
其中，以每一相离散化重构后的电压波形数据为模型特征，累计触头质量损耗数据为模型标签，构建基于卷积神经网络回归的交流接触器烧蚀评估模型的具体步骤包括：
采用深度学习框架TensorFlow实现卷积神经网络回归，建立所述交流接触器烧蚀评估模型，以每一相离散化重构后的电压波形数据为模型特征，对应的累计触头质量损耗数据作为模型标签，分别读入预测模型中，定义批次函数模块、数据读取模块、卷积神经网络CNN结构模块、模型评价指标模块、训练和测试模块；其中，所述卷积神经网络有三个卷积层、三个池化层以及两个全连接层，或有六个卷积层、三个池化层以及两个全连接层。
实施本发明实施例，具有如下有益效果：
本发明利用卷积神经网络回归对电弧的电压信号进行学习，完成对交流接触器的烧蚀情况评估，无需在交流接触器中内嵌各类传感器获取数据来映射触头质量的损失，也不依赖于交流接触器的历史运行数据，在历史运行数据缺失的情况下，依然可以较准确地对交流接触器的烧蚀情况进行估计，从而提高了评估的可靠性及精度，满足了实际应用和科研的需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的基于卷积神经网络回归的交流接触器烧蚀情况评估方法的流程图。
图2为本发明实施例提供的基于卷积神经网络回归的交流接触器烧蚀情况评估方法的算法框图。
图3为采用三个卷积层、三个池化层以及两个全连接层的卷积神经网络的结构图。
图4为采用六个卷积层、三个池化层以及两个全连接层的卷积神经网络的结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明实施例中，提供的一种基于卷积神经网络回归的交流接触器烧蚀情况评估方法，所述方法包括以下步骤：
步骤S1、获取三相交流接触器在每次分断电弧实验时产生的每一相电压波形数据以及每次分断电弧实验后的触头质量数据；
具体为，在AC-4实验条件下，采样频率设置为30kHz，操作次数为6000次。将交流三相电中每一相视为独立的开关系统进行研究。即交流接触器有三个开关系统，每个相位开关系统由两个静触头和一个具有两触点的动触头组成。
分断电弧实验(即交流接触器接通-断开操作)开始时，记录分别记录每一相触头的质量和ma0、mb0、mc0以及三者之和m0，之后每操作600次再对各相触头质量进行测量，重复操作n＝10次，并记录每次操作后的每一相触头的质量和man、mbn、mcn以及三者之和mn；其中，下标n代表第n次测量。
同样，每次分断电弧实验都需要通过数据采集采集系统获得每一相电压波形数据，即各相的电压Ua、Ub、Uc。当然，数据采集采集系统不仅仅局限于每一相电压波形数据，还有每一相电流波形数据。
步骤S2、根据所获取到的三相交流接触器每次分断电弧实验后的触头质量数据，计算出每次分断电弧实验时的累计触头质量损耗数据，并将所获取到的三相交流接触器每次分断电弧实验时产生的每一相电压波形数据均进行离散化重构，且进一步将同一次分断电弧实验时的累计触头质量损耗数据依次与每一相离散化重构后的电压波形数据组成一个数据样本，得到每次分断电弧实验各自对应的三个数据样本；
具体为，对单相电压波形数据和触头质量数据进行预处理。首先，每次分断电弧实验的累计触头质量损耗数据是根据每次分断电弧实验后的每一相所有触头质量累计之和，减去分断试验前最初每一相所有相触头质量累计之和，并进一步采用线性插值法处理每次分断电弧实验前后的触头质量损耗而得到的；其次，在所获取到的交流接触器每次分断电弧实验时产生的每一相电压波形数据中，确定采样点，并采用线性插值法扩增采样点的个数，且进一步归一化将线性插值后的采样点数据范围限制在[0,1]内；根据线性插值后的采样点及其对应的数据范围，通过预设的数据波形软件提取出一维离散化数据，并将所提取出的一维离散化数据组合成一维矩阵，且进一步将一维矩阵重构成满足步骤S3交流接触器烧蚀评估模型中卷积神经网络内所需的N×N二维矩阵；最后，将同一次分断电弧实验时的累计触头质量损耗数据依次与每一相离散化重构后的电压波形数据组成一个数据样本，得到每次分断电弧实验各自对应的三个数据样本。
在一个实施例中，交流接触器操作6000次，则共计测量触头质量11次，包括实现开始前的1次称重。为满足每一次操作都有对应的累计质量损失与其对应，需要在已有数据上进行分断线性插值操作，具体操作如下公式所示：
Figure BDA0002421403070000061
其中，Mi是第i次分断电弧实验时某相触头的累计质量累计损耗数据；j表示在进行第i次分断电弧实验前最近一次测量该相触头累计触头质量损耗数据的已操作次数；k表示在进行第i次分断电弧实验后最近一次测量该相触头累计触头质量损耗数据的已操作次数。
依据实验要求，每一个周期的采样数据点为30000/50＝600点，这不满足卷积神经网络的输入要求。在对数据进行重构之前需要对周期电压信号Ua、Ub、Uc进行线性插值，以使其长度满足N×N，具体实施例中将其线性插值为1024点，满足32×32。
除此外，还需要对线性插值后的信号进行标准化(也称作归一化)，具体的重构方法如下式所示：
Figure BDA0002421403070000062
其中，Gc是重组后的矩阵，c表示通道索引Wc通道的波形，max和min分别返回波形中的最大值和最小值。只取电压一个通道，则每一相特征重构为32×32，其值范围为[0,1]。
将同一次分断电弧实验时的累计触头质量损耗数据与A相离散化重构后的电压波形数据组成一个数据样本，又与B相离散化重构后的电压波形数据组成一个数据样本，再与C相离散化重构后的电压波形数据组成一个数据样本，使得每次分断电弧实验均具有三个数据样本。此时，共采集有效样本47538个。
步骤S3、将所有的数据样本按一定比例随机分为训练集和测试集；
具体过程为，将上述47538个有效样本按照4:1的比例分为训练集和测试集，即38030个训练实例和9508个测试实例。
步骤S4、以每一相离散化重构后的电压波形数据为模型特征，累计触头质量损耗数据为模型标签，构建基于卷积神经网络回归的交流接触器烧蚀评估模型；
具体为，采用深度学习框架TensorFlow实现卷积神经网络回归，建立所述交流接触器烧蚀评估模型，以每一相离散化重构后的电压波形数据为模型特征，累计触头质量损耗数据作为模型标签，分别读入预测模型中，定义批次函数模块、数据读取模块、CNN结构模块、模型评价指标模块、训练和测试模块；其中，卷积神经网络有三个卷积层、三个池化层以及两个全连接层(图3)，或有六个卷积层、三个池化层以及两个全连接层(图4)。图3、4中，Conv代表卷积层，Pool代表池化层，FC代表全连接层。
步骤S5、根据所述训练集和所述测试集，分别对所述交流接触器烧蚀评估模型进行训练和测试，并通过比较所述交流接触器烧蚀评估模型分别在训练和测试中触头总质量损耗标签和所述卷积神经网络输出的均方误差值，得到训练好的交流接触器烧蚀评估模型；
具体为，采用训练集的样本对交流接触器烧蚀评估模型进行训练，采用测试集的样本对交流接触器烧蚀评估模型进行测试，通过求实际标签与CNN模型输出的均方误差值(MSE)来评估触头质量损耗的误差值，即采用误差的反向传播算法来进行训练，直至卷积神经网络收敛，得到训练好的交流接触器烧蚀评估模型。
在一个实施例中，卷积神经网络采用三个卷积层、三个池化层以及两个全连接层，以优化估计的触头累计质量损失和实际触头累计质量损失之间的均方误差为目标，采用Adam优化算法更新参数以最小化损失函数，优化器的初始学习率设置为0.0004。最终测试的结果显示均方误差达到0.00773，这种情况下估计的质量损失对应与实际的质量损失的绝对误差为0.88g，错误率最低为8.93％。
在另一个实施例中，卷积神经网络采用有六个卷积层、三个池化层以及两个全连接层，以优化估计的触头累计质量损失和实际触头累计质量损失之间的均方误差为目标，采用Adam优化算法更新参数以最小化损失函数，优化器的初始学习率设置为0.0004。最终测试的结果显示均方误差达到0.00508，这种情况下估计的质量损失对应与实际的质量损失的绝对误差为0.0713g，误差率最低为7.24％。
步骤S6、获取三相交流接触器的当前分断电弧实验时产生的每一相电压波形数据，并将所获取到的三相交流接触器的当前分断电弧实验时产生的每一相电压波形数据导入所得到的训练好的交流接触器烧蚀评估模型中，输出结果为质量损失估计值。
具体为，获取三相交流接触器实际待测的每一相电压波形数据，送入训练好的交流接触器烧蚀评估模型中，此时训练好的交流接触器烧蚀评估模型输出结果为质量损失估计值。
实施本发明实施例，具有如下有益效果：
本发明利用卷积神经网络回归对电弧的电压信号进行学习，完成对交流接触器的烧蚀情况评估，无需在交流接触器中内嵌各类传感器获取数据来映射触头质量的损失，也不依赖于交流接触器的历史运行数据，在历史运行数据缺失的情况下，依然可以较准确地对交流接触器的烧蚀情况进行估计，从而提高了评估的可靠性及精度，满足了实际应用和科研的需求。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (5)

1.一种基于卷积神经网络回归的交流接触器烧蚀情况评估方法，其特征在于，所述方法包括以下步骤：
获取三相交流接触器在每次分断电弧实验时产生的每一相电压波形数据以及每次分断电弧实验后的触头质量数据；
根据所获取到的三相交流接触器每次分断电弧实验后的触头质量数据，计算出每次分断电弧实验时的累计触头质量损耗数据，并将所获取到的三相交流接触器每次分断电弧实验时产生的每一相电压波形数据均进行离散化重构，且进一步将同一次分断电弧实验时的累计触头质量损耗数据依次与每一相离散化重构后的电压波形数据组成一个数据样本，得到每次分断电弧实验各自对应的三个数据样本；
将所有的数据样本按一定比例随机分为训练集和测试集；
以每一相离散化重构后的电压波形数据为模型特征，累计触头质量损耗数据为模型标签，构建基于卷积神经网络回归的交流接触器烧蚀评估模型；
根据所述训练集和所述测试集，分别对所述交流接触器烧蚀评估模型进行训练和测试，并通过比较所述交流接触器烧蚀评估模型分别在训练和测试中累计触头质量损耗标签和所述卷积神经网络输出的均方误差值，得到训练好的交流接触器烧蚀评估模型；
获取三相交流接触器的当前分断电弧实验时产生的每一相电压波形数据，并将所获取到的三相交流接触器的当前分断电弧实验时产生的每一相电压波形数据导入所得到的训练好的交流接触器烧蚀评估模型中，输出结果为质量损失估计值。
2.如权利要求1所述的基于卷积神经网络回归的交流接触器烧蚀情况评估方法，其特征在于，所述每次分断电弧实验的累计触头质量损耗数据是根据每次分断电弧实验后的每一相所有触头质量累计之和，减去分断试验前最初每一相所有相触头质量累计之和，并进一步采用线性插值法处理每次分断电弧实验前后的触头质量损耗而得到的。
3.如权利要求2所述的基于卷积神经网络回归的交流接触器烧蚀情况评估方法，其特征在于，所述采用线性插值法处理每次分断电弧实验后的累计触头质量损耗是通过公式
Figure FDA0002421403060000021
来实现的；其中，
Mi是第i次分断电弧实验时某相触头的累计质量累计损耗数据；j表示在进行第i次分断电弧实验前最近一次测量该相触头累计触头质量损耗数据的已操作次数；k表示在进行第i次分断电弧实验后最近一次测量该相触头累计触头质量损耗数据的已操作次数。
4.如权利要求1所述的基于卷积神经网络回归的交流接触器烧蚀情况评估方法，其特征在于，所述将所获取到的三相交流接触器每次分断电弧实验时产生的每一相电压波形数据进行离散化重构的具体步骤包括：
在所获取到的三相交流接触器每次分断电弧实验时产生的每一相电压波形数据中，确定采样点，并采用线性插值法扩增所述采样点的个数，且进一步归一化将所述线性插值后的采样点数据范围限制在[0,1]内；
根据所述线性插值后的采样点及其对应的数据范围，通过预设的数据波形软件提取出一维离散化数据，并将所提取出的一维离散化数据组合成一维矩阵，且进一步将所述一维矩阵重构成满足所述交流接触器烧蚀评估模型中卷积神经网络内所需的N×N二维矩阵。
5.如权利要求1所述的基于卷积神经网络回归的交流接触器烧蚀情况评估方法，其特征在于，以每一相离散化重构后的电压波形数据为模型特征，累计触头质量损耗数据为模型标签，构建基于卷积神经网络回归的交流接触器烧蚀评估模型的具体步骤包括：
采用深度学习框架TensorFlow实现卷积神经网络回归，建立所述交流接触器烧蚀评估模型，以每一相离散化重构后的电压波形数据为模型特征，对应的累计触头质量损耗数据作为模型标签，分别读入预测模型中，定义批次函数模块、数据读取模块、卷积神经网络CNN结构模块、模型评价指标模块、训练和测试模块；其中，所述卷积神经网络有三个卷积层、三个池化层以及两个全连接层，或有六个卷积层、三个池化层以及两个全连接层。
CN202010206853.6A 2020-03-23 2020-03-23 基于卷积神经网络回归的交流接触器烧蚀情况评估方法 Pending CN111505490A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010206853.6A CN111505490A (zh) 2020-03-23 2020-03-23 基于卷积神经网络回归的交流接触器烧蚀情况评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010206853.6A CN111505490A (zh) 2020-03-23 2020-03-23 基于卷积神经网络回归的交流接触器烧蚀情况评估方法

Publications (1)

Publication Number Publication Date
CN111505490A true CN111505490A (zh) 2020-08-07

Family

ID=71867128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010206853.6A Pending CN111505490A (zh) 2020-03-23 2020-03-23 基于卷积神经网络回归的交流接触器烧蚀情况评估方法

Country Status (1)

Country Link
CN (1) CN111505490A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132182A (zh) * 2020-08-20 2020-12-25 上海大学 一种基于机器学习快速预测三元金合金电阻率的方法
CN113591363A (zh) * 2021-07-29 2021-11-02 云南电网有限责任公司保山供电局 一种基于多频超声检测的变压器油介质损耗回归预测方法
CN114137403A (zh) * 2021-11-22 2022-03-04 重庆大学 一种基于辐射电磁波的有载分接开关电气寿命评估系统和方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104282448A (zh) * 2013-08-11 2015-01-14 济南大学 一种耐电弧烧蚀铜基电接触复合材料
CN107680835A (zh) * 2017-10-13 2018-02-09 中国电力科学研究院 一种基于神经网络的断路器弧触头烧蚀状态评估方法
CN109061462A (zh) * 2018-09-14 2018-12-21 广西电网有限责任公司电力科学研究院 一种高压断路器触头烧蚀故障评估方法
CN109164382A (zh) * 2018-09-10 2019-01-08 广西电网有限责任公司电力科学研究院 一种高压断路器触头电侵蚀故障诊断方法
CN110174610A (zh) * 2019-05-17 2019-08-27 温州大学 一种基于卷积神经网络来获取交流接触器电寿命的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104282448A (zh) * 2013-08-11 2015-01-14 济南大学 一种耐电弧烧蚀铜基电接触复合材料
CN107680835A (zh) * 2017-10-13 2018-02-09 中国电力科学研究院 一种基于神经网络的断路器弧触头烧蚀状态评估方法
CN109164382A (zh) * 2018-09-10 2019-01-08 广西电网有限责任公司电力科学研究院 一种高压断路器触头电侵蚀故障诊断方法
CN109061462A (zh) * 2018-09-14 2018-12-21 广西电网有限责任公司电力科学研究院 一种高压断路器触头烧蚀故障评估方法
CN110174610A (zh) * 2019-05-17 2019-08-27 温州大学 一种基于卷积神经网络来获取交流接触器电寿命的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HECHEN CUI,ET AL: "Convolutional Neural Networks for Electrical Endurance Prediction of Alternating Current Contactors", 《IEEE TRANSACTIONS ON COMPONENTS, PACKAGING AND MANUFACTURING TECHNOLOGY》 *
催和臣: "交流接触器电寿命预测的深度学习模型及实验", 《中国优秀博硕士学位论文全文数据库（硕士） 工程科技II辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132182A (zh) * 2020-08-20 2020-12-25 上海大学 一种基于机器学习快速预测三元金合金电阻率的方法
CN112132182B (zh) * 2020-08-20 2024-03-22 上海大学 一种基于机器学习快速预测三元金合金电阻率的方法
CN113591363A (zh) * 2021-07-29 2021-11-02 云南电网有限责任公司保山供电局 一种基于多频超声检测的变压器油介质损耗回归预测方法
CN113591363B (zh) * 2021-07-29 2023-12-12 云南电网有限责任公司保山供电局 一种基于多频超声检测的变压器油介质损耗回归预测方法
CN114137403A (zh) * 2021-11-22 2022-03-04 重庆大学 一种基于辐射电磁波的有载分接开关电气寿命评估系统和方法

Similar Documents

Publication Publication Date Title
CN111505490A (zh) 基于卷积神经网络回归的交流接触器烧蚀情况评估方法
CN109917205B (zh) 一种基于特征提取和多层感知机的电磁阀故障诊断装置及方法
CN110376457A (zh) 基于半监督学习算法的非侵入式负荷监测方法及装置
CN113378778B (zh) 一种基于自编码器的有载分接开关故障诊断方法
CN113125095A (zh) 一种基于深度学习的万能式断路器触头系统剩余机械寿命预测方法
CN109685246A (zh) 环境数据预估方法、装置及存储介质、服务器
CN113516310B (zh) 一种变压器故障预警方法及系统
CN117056814B (zh) 一种变压器声纹振动故障诊断方法
CN116150901A (zh) 一种基于注意力增强时频Transformer的滚动轴承剩余寿命预测方法
CN115408864A (zh) 电子式互感器误差状态自适应预测方法、系统及设备
CN117272102A (zh) 一种基于双注意力机制的变压器故障诊断方法
CN116628621A (zh) 多元时序数据异常事件诊断方法、装置、设备及存储介质
CN116718924A (zh) 一种基于电磁检测技术的数字孪生电池构建方法
CN117521512A (zh) 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法
CN117150244B (zh) 基于电参数分析的智能配电柜状态监测方法及系统
CN113809365A (zh) 氢燃料电池系统电压衰减的确定方法、系统及电子设备
CN117454100A (zh) 一种面向工程结构的缺失数据重构方法
CN112880726A (zh) 基于变分模态分解样本熵的传感器故障诊断方法和装置
CN117930055A (zh) 镍镉蓄电池健康状态预测方法、装置、设备及存储介质
CN116561569A (zh) 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法
CN115935814A (zh) 一种基于arima-svm模型的变压器故障预测方法
CN115238733A (zh) 一种高压断路器合分闸线圈运行状态评估方法及相关设备
CN115348485A (zh) 设备监测数据的处理方法、装置、计算机设备和程序产品
CN113466681A (zh) 一种基于小样本学习的断路器寿命预测方法
CN116342110B (zh) 一种列车多温度测量回路智能故障诊断和容错测量方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200807