CN111874813A - 基于改进决策树算法的岸桥起重机减速器状态检测方法 - Google Patents

基于改进决策树算法的岸桥起重机减速器状态检测方法 Download PDF

Info

Publication number
CN111874813A
CN111874813A CN202010770031.0A CN202010770031A CN111874813A CN 111874813 A CN111874813 A CN 111874813A CN 202010770031 A CN202010770031 A CN 202010770031A CN 111874813 A CN111874813 A CN 111874813A
Authority
CN
China
Prior art keywords
decision tree
state
crane
reducer
shore
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
CN202010770031.0A
Other languages
English (en)
Inventor
唐刚
仲从政
邵长专
胡雄
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.)
Shanghai Maritime University
Original Assignee
Shanghai Maritime 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 Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN202010770031.0A priority Critical patent/CN111874813A/zh
Publication of CN111874813A publication Critical patent/CN111874813A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
    • B66C15/00—Safety gear
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Abstract

本发明提供一种基于改进决策树算法的岸桥起重机减速器状态检测的方法，用于检测岸桥起重机减速器是否在正常工作，包括：建立一个岸桥起重机减速器状态检测的决策树模型，然后运用决策树模型检测岸桥起重机状态，将振动传感器放置在岸桥起重机减速器上，信号传输到地面控制系统对减速器的振动信号进行预处理、傅里叶变换，得到频率幅值数据，把频率幅值数据送入建立好的岸桥起重机减速器状态检测的决策树模型，决策树模型能对送入的频率幅值数据分类，判断岸桥起重机处在正常、轮齿点蚀、轮齿折断、轴承损坏下的哪种状态，了解减速器的故障状态及时采取措施。

Description

基于改进决策树算法的岸桥起重机减速器状态检测方法
技术领域
本发明涉及岸桥起重机减速器的故障状态检测方法，特别是一种基于改进决策树算法的岸桥起重机减速器状态检测方法。
背景技术
航运的快速发展对港口岸桥起重机的工作效率要求越来越高，岸桥起重机是否正常工作直接影响集装箱的吊装效率。岸桥起重机的减速器是岸桥起重机的重要部分，岸桥起重机如果在有故障的状态下工作会影响起重机的正常运行，减速器内部的齿轮、轴承或其他零件产生损伤不易发现，这对岸桥起重机的正常运行存在潜在的影响。而传统的人工检测的方法对岸桥起重机减速器的检测效率低，并且不能对岸桥起重机减速器进行实时检测。
决策树是一种基本的分类与回归方法。决策树模型呈树形结构，在分类问题中，表示基于特征对实例进行分类的过程。其主要优点是模型具有可读性，分类速度快。学习时，利用训练数据，根据损失函数最小化的原则建立决策树模型。预测时，对新的数据，利用决策树模型进行分类。
申请公布号为CN 109522957 A的中国专利公开了一种基于决策树算法的岸桥机械工作状态故障分类方法，该方法采用的决策树的原ID3算法，信息增益为训练元组的熵与训练元组按属性划分的期望信息的差值，这种计算属性的信息增益会有取值较多的属性比取值少的属性信息增益大的问题，倾向于选择取值较多的属性，既多值偏向问题，而属性值较多的属性并不一定是最优的，这会降低分类机械故障的准确度，并且数据量越大、属性的个数越多则建立决策树所用的时间越长。申请公布号为CN 110716820 A的中国专利提供一种基于决策树算法的故障诊断方法，该方法计算决策树节点的信息增益率采用计算每个类别出现的概率的和作为决策树结点的条件增益率，也会有多值偏向的问题。
发明内容
为解决上述决策树算法存在的多值偏向、振动数据量较大时建立决策树需要的时间长的问题，本发明提供一种基于改进决策树算法的岸桥起重机减速器状态检测的方法，包括：
步骤1：建立模型，收集的岸桥起重机减速器在正常状态以及不同故障状态的数据作为训练集与测试集数据，采用改进的ID3算法，建立一个岸桥起重机减速器状态检测的决策树模型。对建立的岸桥起重机减速器状态检测的决策树模型进行剪枝处理，用测试集数据测试所建立的岸桥起重机减速器状态检测的改进决策树模型的准确度。
步骤2：运用决策树模型检测岸桥起重机状态，将振动传感器放置在岸桥起重机减速器上，信号传输到地面控制系统，然后对采集的减速器的振动信号进行自相关卷积以去掉随机干扰噪声，突出周期性信号，对减速器的振动信号进行傅里叶变换，转换成频域信息，得到频率幅值数据，最后把频率幅值数据送入建立好的岸桥起重机减速器状态检测的决策树模型，决策树模型能对送入的频率幅值数据分类，判断岸桥起重机处在正常、轮齿点蚀、轮齿折断、轴承损坏下的哪种状态，如果减速器有故障则可以及时了解并采取措施。
所述步骤1中建立岸桥起重机减速器状态检测的决策树模型的方法：
通过放置在岸桥起重机减速器上的振动传感器每隔10秒的时间采集这一时间段内的振动数据，采集的数据涵盖岸桥起重机减速器在正常、轮齿点蚀、轮齿折断、轴承损坏等不同状态下的数据作为训练决策树的数据，对采集的减速器的振动信号先进行自相关卷积以去掉随机干扰噪声，突出周期性信号，然后再对减速器的振动信号进行傅里叶变换，转换成频域信息，得到每个小时间段在不同频率下的幅值数据，将傅里叶变换后不同状态下所有时间段内的数据储存并随机分为训练集与测试集。
在决策树的建立时采用改进的ID3算法。首先把训练集H按非类别属性L＝{L1,L2,…,Lm} 分为集合H1,H2,…,Hm，同时集合Hi(i＝1,2,…,m)又按照类别属性C＝{C1,C2,…,Cn}分为m× n个部分，形成L到C的映射，这种映射为分类矩阵Ax,c，其中aij为同时对应属性值Hi和属性值Cj的实例个数。首先建立分类矩阵Ax,c：
Figure BDA0002616219440000021
其次计算信息增益Gain(Ax,c)，信息增益Gain(Ax,c)与非类别属性信息量Info(X)、互信息量Info(C,T)之间的关系为：
Gain(Ax,c)＝Info(X)-Info(C,T)
对于给定的训练集H，非类别属性信息量Info(X)为
Figure BDA0002616219440000022
同一个训练集的分类矩阵Ax,c是不变的，在决策树建立时aijlog2aij的值会重复计算，因此先计算aijlog2aij的所有值然后储存到一个数组中，在建立决策树的过程中只需从数组中读取，减少重复计算的次数，减少决策树训练的时间。
信息增益表示不确定性减少程度，计算基于分类矩阵的信息增益Gain(Ax,c)的方法为：
Figure BDA0002616219440000023
最后计算加入权重因子的信息增益，使用权重因子t，让分类矩阵的信息增益在[0,1]范围内比较，通过使用分类矩阵与加入权重因子t，能够克服原ID3算法的多值偏向问题，提高决策树算法对起重机减速器的状态分类的准确度。
Figure BDA0002616219440000024
加入权重因子后的分类矩阵的信息增量增益为Q：
Figure BDA0002616219440000025
将频域信息中的不同的频率作为决策树的属性，将每个时间段内不同频率下的幅值和岸桥起重机减速器在这一段时间内的状态分别作为决策树分类的数据和标签，本发明能够检测岸桥起重机的状态有正常、轮齿点蚀、轮齿折断、轴承损坏这四种状态，求出振动信号频域信息中幅值在每个频率属性下的信息增益Q，比较不同频率属性下的Q的大小，将信息增益最大对应的频率属性作为决策树的根节点。
训练数据经过根节点分类后新形成新的样本集合，对当前样本集合计算所有属性的信息增益Q，选择信息增益最大的属性作为测试属性，把测试属性取值相同的样本划为同一个样本子集，如果样本子集的类别属性只含有单个属性，则分支为叶节点，判断其属性并标记上相应的状态，然后返回调用处；否则对样本子集递归调用本算法，然后按照上面的步骤继续对该节点的分支进行节点的划分，针对每一个分支节点继续进行信息增益Q的计算，如此循环，直到没有新的节点分支，将岸桥起重机减速器的不同故障状态作为决策树的树叶，将岸桥起重机减速器的不同故障状态下频域信息频率幅值的范围作为决策树的节点分类的条件，建立一个岸桥起重机减速器状态检测的决策树模型。
所述步骤1中，在决策树创建时由于数据中的噪声及离群点，许多分支是训练数据中的异常，需要对决策树剪枝，采用设置阈值来限制到达节点的样本个数的剪枝方法来处理决策树对数据的过拟合问题。建立决策树后用测试数据测试决策树的分类准确度，检测决策树能否根据一段时间传感器采集的岸桥起重机减速器的实时数据将减速器的状态准确分类。
与现有技术相比，本发明具有以下有益效果：
1.在建立决策树的过程中aijlog2aij的值从数组中读取，不用重复计算，减少决策树训练的时间，缩短建立检测岸桥起重机减速器状态的决策树模型的训练时间；
2.在建立决策树的过程中加入权重因子的信息增益，让分类矩阵的信息增益在[0,1]范围内比较，抑制起重机减速器振动数据量较大时决策树分类偏向取值较多的属性，提高岸桥起重机减速器故障状态检测的精度；
3.放置在岸桥起重机减速器上的震动传感器将信号传输到地面控制系统，能够实时远程在线自动检测岸桥起重机减速箱的故障状态，不需要停下机器人工接近减速箱检查，检测方式易于实现，能够降低岸桥起重机减速器后期维护的成本。
附图说明
图1是建立决策树的流程图；
图2是建立决策树节点的流程图；
图3是生成的决策树的示意图。
具体实施方式
下面结合附图和具体实施例对本发明提出的一种基于改进决策树算法的岸桥起重机减速器状态检测方法作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式，仅用以方便、明晰地辅助说明本发明实施例的目的。
本发明提出的一种基于改进决策树算法的岸桥起重机减速器状态检测方法，能够抑制起重机减速器状态分类时决策树的多值偏向问题，提高岸桥起重机减速器故障状态检测的精度，并且减少决策树训练所用的时间，能够实时远程在线自动检测岸桥起重机减速箱的故障状态，检测方式简便。
一种基于改进决策树算法的岸桥起重机减速器状态检测的方法包括：
步骤1：建立模型，收集的岸桥起重机减速器在正常状态以及不同故障状态的数据作为训练集与测试集数据，采用改进的ID3算法，建立一个岸桥起重机减速器状态检测的决策树模型。对建立的岸桥起重机减速器状态检测的决策树模型进行剪枝处理，用测试集数据测试所建立的岸桥起重机减速器状态检测的改进决策树模型的准确度。
步骤2：运用决策树模型检测岸桥起重机状态，将振动传感器放置在岸桥起重机减速器上，信号传输到地面控制系统，然后对采集的减速器的振动信号进行自相关卷积以去掉随机干扰噪声，突出周期性信号，对减速器的振动信号进行傅里叶变换，转换成频域信息，得到频率幅值数据，最后把频率幅值数据送入建立好的岸桥起重机减速器状态检测的决策树模型，决策树模型能对送入的频率幅值数据分类，判断岸桥起重机处在正常、轮齿点蚀、轮齿折断、轴承损坏下的哪种状态，如果减速器有故障则可以及时了解并采取措施。
所述步骤1中建立岸桥起重机减速器状态检测的决策树模型的方法：
通过放置在岸桥起重机减速器上的振动传感器每隔10秒的时间采集这一时间段内的振动数据，采集的数据涵盖岸桥起重机减速器在正常、轮齿点蚀、轮齿折断、轴承损坏等不同状态下的数据作为训练决策树的数据，对采集的减速器的振动信号先进行自相关卷积以去掉随机干扰噪声，突出周期性信号，然后再对减速器的振动信号进行傅里叶变换，转换成频域信息，得到每个小时间段在不同频率下的幅值数据，将傅里叶变换后不同状态下所有时间段内的数据储存并随机分为训练集与测试集。
建立决策树的流程图如图1所示，在决策树的建立时采用改进的ID3算法。首先把训练集H按非类别属性L＝{L1,L2,…,Lm}分为集合H1,H2,…,Hm，同时集合Hi(i＝1,2,…,m)又按照类别属性C＝{C1,C2,…,Cn}分为m×n个部分，形成L到C的映射，这种映射为分类矩阵Ax,c，其中aij为同时对应属性值Hi和属性值Cj的实例个数。首先建立分类矩阵Ax,c：
Figure BDA0002616219440000041
其次计算信息增益Gain(Ax,c)，信息增益Gain(Ax,c)与非类别属性信息量Info(X)、互信息量Info(C,T)之间的关系为：
Gain(Ax,c)＝Info(X)-Info(C,T)
对于给定的训练集H，非类别属性信息量Info(X)为：
Figure BDA0002616219440000042
同一个训练集的分类矩阵Ax,c是不变的，在决策树建立时aijlog2aij的值会重复计算，因此先计算aijlog2aij的所有值然后储存到一个数组中，在建立决策树的过程中只需从数组中读取，减少重复计算的次数，减少决策树训练的时间。
信息增益表示不确定性减少程度，计算基于分类矩阵的信息增益Gain(Ax,c)的方法为：
Figure BDA0002616219440000043
最后计算加入权重因子的信息增益，使用权重因子t，让分类矩阵的信息增益在[0,1]范围内比较，通过使用分类矩阵与加入权重因子t，能够克服原ID3算法的多值偏向问题，提高决策树算法对起重机减速器的状态分类的准确度。
Figure BDA0002616219440000044
加入权重因子后的分类矩阵的信息增量增益为Q：
Figure BDA0002616219440000051
将频域信息中的不同的频率作为决策树的属性，将每个时间段内不同频率下的幅值和岸桥起重机减速器在这一段时间内的状态分别作为决策树分类的数据和标签，本发明能够检测岸桥起重机的状态有正常、轮齿点蚀、轮齿折断、轴承损坏这四种状态，求出振动信号频域信息中幅值在每个频率属性下的信息增益Q，比较不同频率属性下的Q的大小，将信息增益最大对应的频率属性作为决策树的根节点。
决策树中间节点的建立方式如图2所示，训练数据经过根节点分类后新形成新的样本集合，对当前样本集合计算所有属性的信息增益Q，选择信息增益最大的属性作为测试属性，把测试属性取值相同的样本划为同一个样本子集，如果样本子集的类别属性只含有单个属性，则分支为叶节点，判断其属性并标记上相应的状态，然后返回调用处；否则对样本子集递归调用本算法，然后按照上面的步骤继续对该节点的分支进行节点的划分，针对每一个分支节点继续进行信息增益Q的计算，如此循环，直到没有新的节点分支，将岸桥起重机减速器的不同故障状态作为决策树的树叶，将岸桥起重机减速器的不同故障状态下频域信息频率幅值的范围作为决策树的节点分类的条件，建立一个岸桥起重机减速器状态检测的决策树模型。
所述步骤1中，在决策树创建时由于数据中的噪声及离群点，许多分支是训练数据中的异常，需要对决策树剪枝，采用设置阈值来限制到达节点的样本个数的剪枝方法来处理决策树对数据的过拟合问题，建立的决策树的示意图如图3所示。建立决策树后用测试数据测试决策树的分类准确度，检测决策树能否根据一段时间传感器采集的岸桥起重机减速器的实时数据将减速器的状态准确分类。

Claims (1)

1.基于改进决策树算法的岸桥起重机减速器状态检测的方法，其特征在于，包含：
首先建立一个岸桥起重机减速器状态检测的决策树模型，然后运用决策树模型检测岸桥起重机状态，将振动传感器放置在岸桥起重机减速器上，信号传输到地面控制系统，然后对采集的减速器的振动信号进行自相关卷积以去掉随机干扰噪声，突出周期性信号，对减速器的振动信号进行傅里叶变换，得到频率幅值数据，把频率幅值数据送入建立好的岸桥起重机减速器状态检测的决策树模型，决策树模型能对送入的频率幅值数据分类，判断岸桥起重机处在正常、轮齿点蚀、轮齿折断、轴承损坏下的哪种状态，如果减速器有故障则可以及时了解并采取措施；
所述建立岸桥起重机减速器状态检测的决策树模型的方法：采集的数据涵盖岸桥起重机减速器在正常、轮齿点蚀、轮齿折断、轴承损坏等不同状态下的数据作为训练决策树的数据，通过傅里叶变换，转换成频域信息，建立训练数据与测试数据，将频域信息中的不同的频率作为决策树的属性，将每个时间段内不同频率下的幅值和岸桥起重机减速器在这一段时间内的状态分别作为决策树的数据和标签，用训练集训练决策树模型，建立一个岸桥起重机减速器状态检测的决策树模型；
把训练集H按非类别属性L＝{L1,L2,…,Lm}分为集合H1,H2,…,Hm，同时集合Hi(i＝1,2,…,m)又按照类别属性C＝{C1,C2,…,Cn}分为m×n个部分，形成L到C的映射，这种映射为分类矩阵Ax,c，其中aij为同时对应属性值Hi和属性值Cj的实例个数；建立分类矩阵Ax,c：
Figure FDA0002616219430000011
对于给定的训练集H，计算非类别属性信息量Info(X)为：
Figure FDA0002616219430000012
计算aijlog2aij的所有值然后储存到一个数组中，在训练的过程中只需从数组中读取，减少重复计算的次数，减少决策树训练的时间；
信息增益表示不确定性减少程度，计算基于分类矩阵的信息增益Gain(Ax,c)的方法为：
Figure FDA0002616219430000013
加入权重因子的信息增益，使用权重因子t，让分类矩阵的信息增益在[0,1]范围内比较，通过使用分类矩阵与加入权重因子t，克服原ID3算法的多值偏向问题，提高决策树算法对起重机减速器的状态分类的准确度；
Figure FDA0002616219430000014
加入权重因子后的分类矩阵的信息增增益为：
Figure FDA0002616219430000015
求出振动信号频域信息中幅值在每个频率属性下的的信息增益Q，比较不同频率属性下的Q的大小，将信息增益最大对应的频率属性作为决策树的根节点；
采用设置阈值来限制到达节点的样本个数对决策树进行剪枝，来处理决策树对数据的过拟合问题，建立决策树后用测试数据测试决策树。
CN202010770031.0A 2020-08-04 2020-08-04 基于改进决策树算法的岸桥起重机减速器状态检测方法 Pending CN111874813A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010770031.0A CN111874813A (zh) 2020-08-04 2020-08-04 基于改进决策树算法的岸桥起重机减速器状态检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010770031.0A CN111874813A (zh) 2020-08-04 2020-08-04 基于改进决策树算法的岸桥起重机减速器状态检测方法

Publications (1)

Publication Number Publication Date
CN111874813A true CN111874813A (zh) 2020-11-03

Family

ID=73210112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010770031.0A Pending CN111874813A (zh) 2020-08-04 2020-08-04 基于改进决策树算法的岸桥起重机减速器状态检测方法

Country Status (1)

Country Link
CN (1) CN111874813A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113049250A (zh) * 2021-03-10 2021-06-29 天津理工大学 基于mpu6050和决策树的电机故障诊断方法及系统
EP4201865A1 (en) 2021-12-21 2023-06-28 Hiab AB A working equipment system, and a method of the working equipment system

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105329776A (zh) * 2015-12-04 2016-02-17 中国安全生产科学研究院 基于uwb的起重机作业全息监控及预警系统
CN108152059A (zh) * 2017-12-20 2018-06-12 西南交通大学 基于多传感器数据融合的高速列车转向架故障检测方法
CN109522957A (zh) * 2018-11-16 2019-03-26 上海海事大学 基于决策树算法的港口岸桥机械工作状态故障分类的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105329776A (zh) * 2015-12-04 2016-02-17 中国安全生产科学研究院 基于uwb的起重机作业全息监控及预警系统
CN108152059A (zh) * 2017-12-20 2018-06-12 西南交通大学 基于多传感器数据融合的高速列车转向架故障检测方法
CN109522957A (zh) * 2018-11-16 2019-03-26 上海海事大学 基于决策树算法的港口岸桥机械工作状态故障分类的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
唐刚，李庆中，胡雄: "《基于SVM 的岸桥起升电动机工作状态分类》", 《上海海事大学学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113049250A (zh) * 2021-03-10 2021-06-29 天津理工大学 基于mpu6050和决策树的电机故障诊断方法及系统
CN113049250B (zh) * 2021-03-10 2023-04-21 天津理工大学 基于mpu6050和决策树的电机故障诊断方法及系统
EP4201865A1 (en) 2021-12-21 2023-06-28 Hiab AB A working equipment system, and a method of the working equipment system

Similar Documents

Publication Publication Date Title
CN107480705B (zh) 一种自来水管漏水检测方法
CN110334764B (zh) 基于集成深度自编码器的旋转机械智能故障诊断方法
CN109783903B (zh) 一种基于时间序列的工业用水管道故障诊断方法及系统
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN111680820B (zh) 分布式光伏电站故障诊断方法和装置
CN111238815B (zh) 一种样本不平衡下基于数据增强的轴承故障识别方法
CN111874813A (zh) 基于改进决策树算法的岸桥起重机减速器状态检测方法
CN110243603B (zh) 基于Welch转换-径向基神经网的滚动轴承故障诊断方法
CN102155988A (zh) 设备监诊方法
CN113514743B (zh) 一种基于多维特征的gis局部放电模式识别系统构建方法
CN113237619B (zh) 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质
CN114893360A (zh) 风电机组塔筒异常振动识别和运行状态监测方法及系统
CN114354184A (zh) 一种基于深度学习的大型回转装备主轴健康预警模型建立方法和装置
CN107765259B (zh) 一种基于提升小波改进阈值的输电线路激光测距信号去噪方法
CN116625683A (zh) 一种风电机组轴承故障识别方法、系统、装置及电子设备
CN116956215A (zh) 一种传动系统故障诊断方法及系统
CN116773961A (zh) 基于振动信号高频特征分析的输电线路腐蚀检测方法
CN116432527A (zh) 一种空化预测方法、装置、存储介质及电子设备
CN114046816B (zh) 基于轻量级梯度提升决策树的传感器信号故障诊断方法
CN115270875A (zh) 一种基于深度学习的隔膜泵运行状态监测方法
CN115754507A (zh) 一种基于振动信号的变压器故障诊断方法、装置和设备
CN115578084A (zh) 基于深度卷积自编码器的风电机组变频器故障预警方法
CN114970610A (zh) 一种基于格拉姆角场增强的电力变压器状态辨识方法及装置
CN109506936B (zh) 基于流向图和非朴素贝叶斯推理的轴承故障程度识别方法
CN117093854B (zh) 变压器机械故障诊断方法、设备及存储介质

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201103