CN112098066A - 基于门控循环单元的高压并联电抗器故障诊断方法及系统 - Google Patents
基于门控循环单元的高压并联电抗器故障诊断方法及系统 Download PDFInfo
- Publication number
- CN112098066A CN112098066A CN202010996828.2A CN202010996828A CN112098066A CN 112098066 A CN112098066 A CN 112098066A CN 202010996828 A CN202010996828 A CN 202010996828A CN 112098066 A CN112098066 A CN 112098066A
- Authority
- CN
- China
- Prior art keywords
- shunt reactor
- voltage shunt
- error
- fault
- frequency spectrum
- 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
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请涉及基于门控循环单元的高压并联电抗器故障诊断方法及系统,具体而言,涉及检测技术领域。本申请通过周期获取一定时间段内的高压并联电抗器油箱表面的振动信号和声学信号,得到该高压并联电抗器的振动信号和声学信息,并将周期获取的多组振动信号和声学信号使用预设算法进行处理,提取多组振动信号和声学信号对应的频谱特征,从而获取到该多组振动信号和声学信号对应的频谱特征的基频比重和频谱能量,通过将频谱特征按照时间顺序分别与预设网络模型中的频谱信息进行匹配,根据匹配结果可以判断出该高压并联电抗器是否存在故障,本方法相比于现有技术,通过与预设网络模型中的频谱信息进行匹配直接得到该高压并联电抗器是否正常。
Description
技术领域
本申请涉及检测技术领域,具体而言,涉及一种基于门控循环单元的高压并联电抗器故障诊断方法及系统。
背景技术
随着经济发展以及国民生活水平日益提高,电网规模不断扩大,电网负荷不断增长,为增强电力系统中的无功补偿与无功平衡,抑制系统过电压,提高电能质量和供电可靠性,高压并联电抗器得到了广泛的使用。
由于结构原因,现有高压并联电抗器在运行过程中不可避免的会产生振动,长期运行容易导致线圈、铁心、螺栓紧固件等元器件松动,严重时还可能引起设备内部过热、放电等缺陷。
随着振动法在变压器故障诊断中的广泛应用,通过振动传感器采集振动信号这种方法越来越被研究人员所接受,该方法不与电力设备有直接的电气接触,通过分析设备表面的振动特征即可分析其内部是否存在机械缺陷。但是,传统的振动法只进行人为的、单测点采集,并且采集时长极短。现有技术的检测方法对测点人为地进行单一时刻的采集并不具有普遍意义,不同时刻的信号会受到特定的环境、工况等因素的影响,使得现有技术中的信息采集不全面,安全性较低,不能及时、全面地对电抗器进行故障诊断以保证其可靠性和完备率。
申请内容
本申请的目的在于,针对上述现有技术中的不足,提供一种基于门控循环单元的高压并联电抗器故障诊断方法及系统,以解决现有技术中的信息采集不全面,安全性较低,不能及时、全面地对电抗器进行故障诊断以保证其可靠性和完备率的问题。
为实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请提供一种基于门控循环单元的高压并联电抗器故障诊断方法,方法包括:周期获取一定时间段内的高压并联电抗器油箱表面的振动信号和声学信号;将周期获取的多组振动信号和声学信号使用预设算法进行处理,提取多组振动信号和声学信号对应的频谱特征,其中,频谱特征至少包括基频比重和频谱能量;将多组振动信号和声学信息对应的频谱特征按照时间顺序分别与预设网络模型中的频谱信息进行匹配;根据匹配结果,基于门控循环单元的高压并联电抗器故障诊断。
可选地,该方法还包括:周期获取一定时间段内多组运行正常的高压并联电抗器的油箱的振动信号和声学信号;提取运行正常的高压并联电抗器振动信号和声学信号对应的频谱特征,其中,频谱特征至少包括基频比重和频谱能量;按照时间顺序将运行正常的高压并联电抗器的基频比重和频谱能量分别进行排序,建立预设网络模型。
可选地,该将多组振动信号和声学信号对应的频谱特征按照时间顺序分别与预设网络模型中的频谱信息进行匹配的步骤包括:按照时间顺序分别将多组振动信号对应的频谱特征中的基频比重与预设网络模型中的频谱信息的基频比重进行做差,得到误差E1;按照时间顺序分别将多组振动信号对应的频谱特征中的频谱能量与预设网络模型中的频谱信息的频谱能量进行做差,得到误差E2;按照时间顺序分别将多组声学信号对应的频谱特征中的基频比重与预设网络模型中的频谱信息的基频比重进行做差,得到误差E3;按照时间顺序分别将多组声学信号对应的频谱特征中的频谱能量与预设网络模型中的频谱信息的频谱能量进行做差,得到误差E4;将误差E1、误差E2、误差E3和误差E4作为匹配结果输出。
可选地,该根据匹配结果,基于门控循环单元的高压并联电抗器故障诊断步骤包括:若误差E1处于第一预设范围之中,误差E2处于第二预设范围之中,误差E3处于第三预设范围中,且误差E4处于第四预设范围中,则高压并联电抗器不存在故障;若满足以下任何情况:误差E1不处于第一预设范围之中、误差E2不处于第二预设范围之中、误差E3不处于第三预设范围之中、误差E4不处于第四预设范围之中,则高压并联电抗器存在故障。
可选地,该方法还包括:若判断高压并联电抗器存在故障,则将高压并联电抗器振动信号和声学信号对应的频谱特征的基频比重和频谱能量分别与预设故障数据库中的基频比重和频谱能量进行匹配;根据匹配结果,得到高压并联电抗器的故障类型。
可选地,该根据匹配结果,得到高压并联电抗器的故障类型的步骤之后还包括:根据高压并联电抗器的故障类型进行故障报警。
可选地,该若判断高压并联电抗器存在故障,则将高压并联电抗器振动信号和声学信号对应的频谱特征的基频比重和频谱能量分别与预设故障数据库中的基频比重和频谱能量进行匹配步骤之前还包括:获取多组运行不正常的高压并联电抗器油箱表面的振动信号和声学信号;提取运行不正常的高压并联电抗器振动信号和声学信号对应的频谱特征,其中,频谱特征至少包括基频比重和频谱能量;将运行不正常的高压并联电抗器振动信号和声学信号对应的基频比重和频谱能量放置在预设故障数据库中。
可选地,该根据匹配结果,得到高压并联电抗器的故障类型的步骤之后还包括,将高压并联电抗器振动信号和声学信号对应的频谱特征的基频比重和频谱能量加入到预设故障数据库中。
可选地,该将周期获取的多组振动信号和声学信号使用预设算法进行处理,提取多组振动信号和声学信号对应的频谱特征的步骤具体包括:使用傅里叶变换提取多组振动信号和声学信号对应的基频比重和频谱能量。
第二方面,本申请提供一种基于门控循环单元的高压并联电抗器故障诊断系统,系统包括:获取模块、提取模块、匹配模块和判断模块;获取模块,用于周期获取一定时间段内的高压并联电抗器油箱表面的振动信号和声学信号;提取模块,用于将周期获取的多组振动信号和声学信号使用预设算法进行处理,提取多组振动信号和声学信号对应的频谱特征,其中,频谱特征至少包括基频比重和频谱能量;匹配模块,用于将多组振动信号和声学信号对应的频谱特征按照时间顺序分别与预设网络模型中的频谱信息进行匹配;判断模块,用于根据匹配结果,基于门控循环单元的高压并联电抗器故障诊断。
第三方面,本申请提供一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述基于门控循环单元的高压并联电抗器故障诊断方法方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质包括计算机程序,所述计算机程序运行时控制所述计算机可读存储介质所在电子设备执行上述基于门控循环单元的高压并联电抗器故障诊断方法方法。
本申请的有益效果是:
本申请提供的基于门控循环单元的高压并联电抗器故障诊断方法,通过周期获取一定时间段内的高压并联电抗器油箱表面的振动信号和声学信号,得到该高压并联电抗器的振动信号和声学信号,并将周期获取的多组振动信号和声学信号使用预设算法进行处理,提取多组振动信号和声学信号对应的频谱特征,得到该多组振动信号和声学信号对应的频谱特征的基频比重和频谱能量,通过将频谱特征按照时间顺序分别与预设网络模型中的频谱信息进行匹配,根据匹配结果可以判断出该高压并联电抗器是否存在故障,本方法相比于现有技术,通过提取振动信号和声学信号的频谱特征,并通过与预设网络模型中的频谱信息进行匹配直接得到该高压并联电抗器是否正常,避免了侵入式检测和停机检测,并且高压并联电抗器在运行的过程中必然会产生振动,则本申请的检测灵敏度高,可以在故障发生初期,检测出故障,避免事故的发生,提高了高压并联电抗器使用的安全性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请提供的一种应用场景示意图;
图2为本申请提供的一种基于门控循环单元的高压并联电抗器故障诊断方法的流程示意图;
图3为本申请提供的一种基于门控循环单元的高压并联电抗器故障诊断方法的振动信号时域波形和频谱图;
图4为本申请提供的另一种基于门控循环单元的高压并联电抗器故障诊断方法的流程示意图;
图5为本申请提供的一种基于门控循环单元的高压并联电抗器故障诊断方法的样本分组方式图;
图6为本申请提供的一种基于门控循环单元的高压并联电抗器故障诊断方法的振动信号基频比重预测结果图;
图7为本申请提供的一种基于门控循环单元的高压并联电抗器故障诊断方法的振动信号频谱能量预测结果图;
图8为本申请提供的一种基于门控循环单元的高压并联电抗器故障诊断方法的声学信号基频比重预测结果图;
图9为本申请提供的一种基于门控循环单元的高压并联电抗器故障诊断方法的声学信号频谱能量预测结果图;
图10为本申请提供的一种基于门控循环单元的高压并联电抗器故障诊断系统的模块示意图;
图11为本申请提供的另一种基于门控循环单元的高压并联电抗器故障诊断系统的模块示意图;
图12为本申请提供的另一种基于门控循环单元的高压并联电抗器故障诊断系统的模块示意图。
具体实施方式
下面将结合本申请中附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
图1为本申请提供的一种应用场景示意图,如图1所示,本申请中的方法可以应用于图1所示的电子设备10。如图1所示,电子设备10可以包括:存储器11、处理器12、网络模块13、振动传感器14和传声器15。
存储器11、处理器12、网络模块13、振动传感器14和传声器15相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器11中存储有至少一个可以软件或固件(firmware)的形式存储于所述存储器11中的功能模块,所述处理器12通过运行存储在存储器11内的软件或硬件形式的功能模块,从而执行各种功能应用以及数据处理,即实现本申请中由电子设备10执行的方法。
其中,所述存储器11可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)、磁盘或固态硬盘等。其中,存储器11用于存储程序,所述处理器12在接收到执行指令后,执行所述程序。
所述处理器12可能是一种集成电路芯片,具有数据的处理能力。上述的处理器12可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等。可以实现或者执行本申请中的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,一般的,该处理器可以是MCM-100,采样频率为10kHz,具有上电自启动功能,集成的WiFi模块可实现数据实时传输至用户。
网络模块13用于通过网络建立电子设备10与外部通信终端之间的通信连接,实现网络信号及数据的收发操作。上述网络信号可包括无线信号或者有线信号。
振动传感器14可以是PCB603C01,该传感器灵敏度为100mV/g,量程为±50g,频带为5-10kHz,适用温度为-54℃~+121℃。
传声器15可以是MPA201,该传声器灵敏度为10mV/Pa,量程为16dB—134dB,频带为20—20kHz,适用温度为-30℃~80℃。
可以理解,图1所示的结构仅为示意,电子设备10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
在上述基础上,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质包括计算机程序,所述计算机程序运行时控制所述计算机可读存储介质所在电子设备10执行下述的方法。
图2为本申请提供的一种基于门控循环单元的高压并联电抗器故障诊断方法的流程示意图,如图2所示,本申请提供一种基于门控循环单元的高压并联电抗器故障诊断方法,方法包括:
S101、周期获取一定时间段内的高压并联电抗器油箱表面的振动信号和声学信号。
将振动传感器14设置在该高压并联电抗器的油箱正面的中心,因为该高压并联电抗器的油箱正面中心位置距离该高压并联电抗器的铁芯和绕组最近,且振动传感器紧贴在该高压并联电抗器外壁上,该振动传感器的采样周期和采样频率根据实际需要进行设置,在此不做具体限定,一般的,该振动传感器的采样频率设置为10kHz,每30分钟采集一次,每次采集时长为0.2s,该振动传感器14的设置数量根据实际而定,在此不做具体限定,为了方便说明,声学信号和震动信号均通过振动传感器14进行获取,该振动传感器14得到该高压并联电抗器油箱表面的振动信号和声学信号,并将该振动信号制作为频谱图,图3为本申请提供的一种基于门控循环单元的高压并联电抗器故障诊断方法的时域波形和频谱图,如图3所示,其中,上图表示振动信号的时域波形,横坐标表示时间,单位为秒(s),纵坐标表示振动加速度,单位为g(1g=9.8m/s2);下图表示振动信号的频谱图,横坐标为频率(Hz),纵坐标为g(1g=9.8m/s2),需要说明的是,该电抗器的震动信号和声学信号不同,同时获取该电抗器的震动信号和声学信号用于去除杂质震动信息,使得对电抗器是否正常工作的判断更加准确。
S102、将周期获取的多组振动信号和声学信号使用预设算法进行处理,提取多组振动信号和声学信号对应的频谱特征。
使用预设算法对该多组振动信号和声学信号进行计算,得到该振动信号和声学信号对应的频谱特征,该频谱特征一般为基频比重和频谱能量,具体地,使用傅里叶变换提取多组振动信号和声学信号对应的基频比重和频谱能量。
S103、将多组振动信号和声学信息对应的频谱特征按照时间顺序分别与预设网络模型中的频谱信息进行匹配。
将多组振动信号和声学信号对应的频谱特征的基频比重和频谱能量数据分别按照时间顺序分别与预设的网络模型中的频谱信息进行一一对应的匹配,具体的,预设网络模型中有48组基频比重和频谱能量的数据,可以采集大于48组高压并联电抗器的振动信号和声学信号的基频比重和频谱能量数据,大于48组数据的前一部分和后一部分数据去除,只剩余48组数据,与预设网络模型中有48组基频比重和频谱能量的数据进行匹配,以提高基于门控循环单元的高压并联电抗器故障诊断准确性。
S104、根据匹配结果,基于门控循环单元的高压并联电抗器故障诊断。
分别使用基频比重和频谱能量与预设网络模型中的基频比重和频谱能量进行匹配,其匹配过程分别两部分,第一部分可以是分别使用48组振动信号的基频比重与预设网络模型中的频谱信息的基频比重进行误差计算,其误差大于预设关于振动基频比重的误差阈值,则不匹配,误差不大于预设关于振动基频比重的误差阈值,则匹配;还可以是,分别使用48组基频比重与预设网络模型中的频谱信息的基频比重进行误差计算,其误差不处于预设关于振动基频比重的误差阈值,则不匹配,误差处于预设关于振动基频比重的误差阈值,则匹配;第二部分可以是分别使用48组频谱能量与预设网络模型中的频谱信息的频谱能量进行误差计算,其误差大于预设关于振动频谱能量的误差阈值,则不匹配,误差不大于预设关于振动频谱能量的误差阈值,则匹配;还可以是,分别使用48组频谱能量与预设网络模型中的频谱信息的频谱能量进行误差计算,其误差不处于预设关于振动频谱能量的误差阈值范围,则不匹配,误差处于预设关于振动频谱能量的误差阈值范围,则匹配;第三部分可以是分别使用48组声学频谱能量与预设网络模型中的频谱信息的频谱能量进行误差计算,其误差大于预设关于声学频谱能量的误差阈值,则不匹配,误差不大于预设关于声学频谱能量的误差阈值,则匹配;还可以是,分别使用48组声学频谱能量与预设网络模型中的频谱信息的频谱能量进行误差计算,其误差不处于预设关于声学频谱能量的误差阈值范围,则不匹配,误差处于预设关于声学频谱能量的误差阈值范围,则匹配;第四部分可以是分别使用48组声学频谱能量与预设网络模型中的频谱信息的频谱能量进行误差计算,其误差大于预设关于声学频谱能量的误差阈值,则不匹配,误差不大于预设关于声学频谱能量的误差阈值,则匹配;还可以是,分别使用48组声学频谱能量与预设网络模型中的频谱信息的频谱能量进行误差计算,其误差不处于预设关于声学频谱能量的误差阈值范围,则不匹配,误差处于预设关于声学频谱能量的误差阈值范围,则匹配,且通过四个部分是否匹配,基于门控循环单元的高压并联电抗器故障诊断,一般的,若满足四个部分均匹配的条件,则判断高压并联电抗器不存在故障,若四个部分中有一个以上的部分不匹配,则判断高压并联电抗器存在故障。
可选地,该判断方法还包括:
周期获取一定时间段内多组运行正常的高压并联电抗器的油箱的振动信号和声学信号;提取运行正常的高压并联电抗器振动信号和声学信号对应的频谱特征,其中,频谱特征至少包括基频比重和频谱能量;按照时间顺序将运行正常的高压并联电抗器的基频比重和频谱能量分别进行排序,建立预设网络模型。
此为建立预设网络模型的过程,建立过程与上述S101、S102、S103和S104大致相同,不同点仅在,获取的是运行正常的高压并联电抗器油箱表面的振动信号和声学信号,使用运行正常的高压并联电抗器油箱表面的振动信号和声学信号对应的频谱特征,即基频比重和频谱能量作为预设网络模型的数据,获取多组运行正常的高压并联电抗器油箱表面的振动信号和声学信息,当将待测的高压并联电抗器的油箱的振动信号和声学信号对应的频谱特征与该正常运行的高压并联电抗器的油箱的振动信号与声学信号对应的频谱特征进行匹配时,若待测的高压并联电抗器的油箱的振动信号和声学信号对应的频谱特征与运行正常的高压并联电抗器油箱表面的振动信号和声学信号对应的频谱特征不对应,则表示待测的高压并联电抗器的油箱存在故障。
图4为本申请提供的另一种基于门控循环单元的高压并联电抗器故障诊断方法的流程示意图,如图4所示,可选地,该将多组振动信号和声学信号对应的频谱特征按照时间顺序分别与预设网络模型中的频谱信息进行匹配的步骤包括:
S201、按照时间顺序分别将多组振动信号对应的频谱特征中的基频比重与预设网络模型中的频谱信息的基频比重进行做差,得到误差E1。
S202、按照时间顺序分别将多组振动信号对应的频谱特征中的频谱能量与预设网络模型中的频谱信息的频谱能量进行做差,得到误差E2。
S203、按照时间顺序分别将多组声学信号对应的频谱特征中的基频比重与预设网络模型中的频谱信息的基频比重进行做差,得到误差E3。
S204、按照时间顺序分别将多组声学信号对应的频谱特征中的频谱能量与预设网络模型中的频谱信息的频谱能量进行做差,得到误差E4。
S205、将误差E1、误差E2、误差E3和误差E4作为匹配结果输出。
分别按照时间顺序分别将多组振动信号和声学信号对应的频谱特征中的基频比重和频谱能量与预设网络模型中的频谱信息的基频比重和频谱能量进行误差计算,得到误差E1、误差E2、误差E3和误差E4,并将误差E1、误差E2、误差E3和误差E4作为匹配结果进行输出,需要说明的是,得到该误差E1、误差E2、误差E3和误差E4的时间无先后顺序。
可选地,该根据匹配结果,基于门控循环单元的高压并联电抗器故障诊断步骤包括:
若误差E1处于第一预设范围之中,误差E2处于第二预设范围之中,误差E3处于第三预设范围中,且误差E4处于第四预设范围中,则高压并联电抗器不存在故障;若满足以下任何情况:误差E1不处于第一预设范围之中、误差E2不处于第二预设范围之中、误差E3不处于第三预设范围之中、误差E4不处于第四预设范围之中,则高压并联电抗器存在故障。
分别使用基频比重和频谱能量与预设网络模型中的基频比重和频谱能量进行匹配,其匹配过程分别四部分,第一部分分别使用48组实测振动信号的基频比重与预设网络模型中的振动信号基频比重进行误差计算,得到误差E1,其误差E1不处于预设关于振动基频比重的误差阈值,则不匹配,误差E1处于预设关于振动基频比重的误差阈值,则匹配;第二部分别使用48组实测振动信号的频谱能量与预设网络模型中的振动信号频谱能量进行误差计算,得到误差E2,其误差E2不处于预设关于振动频谱能量的误差阈值范围,则不匹配,误差E2处于预设关于振动频谱能量误差阈值范围,则匹配;第三部分分别使用48组实测声学信号的基频比重与预设网络模型中的声学信号基频比重进行误差计算,得到误差E3,其误差E3不处于预设关于声学基频比重的误差阈值,则不匹配,误差E3处于预设关于声学基频比重的误差阈值,则匹配;第四部分别使用48组实测声学信号的频谱能量与预设网络模型中的声学信号频谱能量进行误差计算,得到误差E4,其误差E4不处于预设关于声学频谱能量的误差阈值范围,则不匹配,误差E4处于预设关于声学频谱能量误差阈值范围,则匹配,且通过各个部分分别是否匹配,基于门控循环单元的高压并联电抗器故障诊断,一般的,四个部分均匹配,则判断高压并联电抗器不存在故障,若四个部分中大于一个部分不匹配,则判断高压并联电抗器存在故障。
可选地,该判断方法还包括:
若判断高压并联电抗器存在故障,则将高压并联电抗器振动信号和声学信号对应的频谱特征的基频比重和频谱能量分别与预设故障数据库中的基频比重和频谱能量进行匹配。
该预设故障数据库中可以包括多组运行不正常的高压并联电抗器的振动信号和声学信号对应的频谱特征,使用多组该待测的高压并联电抗器振动信号和声学信号,若多组中有多数数据匹配成功,则表示故障类型匹配成功,若多组运行不正常的高压并联电抗器的振动信号只有一两组数据匹配成功,则继续对待测高压并联电抗器进行检测,且不能对待测高压并联电抗器的故障类型完成检测。
根据匹配结果,得到高压并联电抗器的故障类型。
该预设故障数据库中应包括基频比重和频谱能量分别与故障类型的对应关系。
可选地,该根据匹配结果,得到高压并联电抗器的故障类型的步骤之后还包括:
根据高压并联电抗器的故障类型进行故障报警。
该报警方式可以是声音报警,可以是信息报警,还可以是其他报警方式,在此不做具体赘述。
可选地,该若判断高压并联电抗器存在故障,则将高压并联电抗器振动信号和声学信号对应的频谱特征的基频比重和频谱能量分别与预设故障数据库中的基频比重和频谱能量进行匹配步骤之前还包括:
获取多组运行不正常的高压并联电抗器油箱表面的振动信号和声学信号;
提取运行不正常的高压并联电抗器振动信号和声学信号对应的频谱特征,其中,频谱特征至少包括基频比重和频谱能量;将运行不正常的高压并联电抗器振动信号和声学信号对应的基频比重和频谱能量放置在预设故障数据库中。
上述为建立预设故障数据库的过程,其过程与建立预设网络模型的过程类似,不同处在于获取的是运行不正常的高压并联电抗器振动信号和声学信号,并对运行不正常的高压并联电抗器振动信号和声学信号进行数据分析和处理。
可选地,该根据匹配结果,得到高压并联电抗器的故障类型的步骤之后还包括,将高压并联电抗器振动信号和声学信号对应的频谱特征的基频比重和频谱能量加入到预设故障数据库中。
若待测高压并联电抗器被判断存在故障,则将该待测高压并联电抗器的振动信号和声学信号对应的频谱特征存入该预设故障数据库中,以增加该预设故障数据库的数据量,提高判断故障类型的准确度。
可选地,该将周期获取的多组振动信号和声学信号使用预设算法进行处理,提取多组振动信号和声学信号对应的频谱特征的步骤具体包括:
使用傅里叶变换提取多组振动信号和声学信号对应的基频比重和频谱能量。
为了方便说明,在此对计算基频比重和频谱能量的过程进行具体说明,具体过程如下,为了方便说明,以测量得到17天的振动数据,共计连续816个样本进行举例说明:
基频比重的公式表示为式(1),频谱能量的公式表示为式(2)
振动信号和声学信号分别包含以上两种特征,由此形成四个向量,每个向量的维数为816,即每个向量分别包含以时间顺序排列的816个特征值,对这四个向量分别以滑动窗口的方式进行分组,窗口大小为480,滑动步长为48,图5为本申请提供的一种基于门控循环单元的高压并联电抗器故障诊断方法的样本分组方式图,如图5所示。
建立门控循环单元预测模型,确定输入神经元个数为480,输出神经元个数为48,隐层神经元个数为24,隐层层数为1,设置预测模型的迭代次数为1000,学习率为0.01,误差阈值为0.001,每一次迭代都按照样本分组情况经历多步长的训练,训练过程如下:
式(3)表示更新门的计算过程
zt=σ(Wzxt+Uzht-1+bz) (3)
其中,xt表示当前时间步的神经元的输入,形式为480维数的向量,无单位;Wz为更新门中与当前时刻输入xt对应的权重,形式为24*480大小的矩阵,无单位;Ur为更新门中与上一时刻输出ht-1对应的权重,形式为24*48大小的矩阵,无单位;ht-1为上一时间步的输出,形式为48维数的向量,无单位;br是偏置向量,形式为24维数的向量,无单位;σ为sigmoid函数,用来将变量映射到在0到1之间,公式为:
式(4)中,j为sigmoid激活函数的自变量,形式为数值,无单位;σ(j)为自变量j经过映射后的结果,其范围在0到1之间,形式为数值,无单位;
式(5)表示重置门的计算过程
rt=σ(Wrxt+Urht-1+br) (5)
其中,xt表示当前时间步的神经元的输入,形式为480维数的向量,无单位;Wr为更新门中与当前时间步的输入xt对应的权重,形式为24*480大小的矩阵,无单位;Ur为更新门中与上一时刻输出ht-1对应的权重,形式为24*48大小的矩阵,无单位;ht-1为上一时间步的输出,形式为48维数的向量,无单位;br是偏置向量,形式为24维数的向量,无单位;σ为sigmoid函数。更新门rt的取值范围是[0,1],它的作用是决定候选状态对上一时刻输出ht-1的依赖程度。
公式(6)表示候选输出状态h~t的计算过程,xt表示当前时间步的神经元的输入,形式为480维数的向量,无单位;Wc表示与当前时间步的输入xt对应的权重矩阵,形式为24*480大小的矩阵,无单位;Uc表示重置门rt和上一时刻输出状态的ht-1相乘结果对应的权重矩阵,形式为24*48大小的矩阵,无单位;bc为偏置向量,形式为24维数的向量,无单位;tanh表示双曲正切激活函数,公式为:
式(7)中,k为tanh激活函数的自变量,形式为数值,无单位;tanh(k)为自变量k经过映射后的结果,其范围在-1到1之间,形式为数值,无单位;
经过以上步骤的多次计算,最终在完成1000次迭代之前网络达到最佳拟合度。
图6为本申请提供的一种基于门控循环单元的高压并联电抗器故障诊断方法的基频比重预测结果图;图7为本申请提供的一种基于门控循环单元的高压并联电抗器故障诊断方法的频谱能量预测结果图;图8为本申请提供的一种基于门控循环单元的高压并联电抗器故障诊断方法的声学信号基频比重预测结果图;图9为本申请提供的一种基于门控循环单元的高压并联电抗器故障诊断方法的声学信号频谱能量预测结果图;根据预测模型对历史数据的训练,可以获得电抗器油箱表面未来48个振动信号特征,如图6-9所示,即本申请的数据还可以对未来一段时间的高压并联电抗器的状态进行预测,其中,图6中横坐标表示时间,单位为小时,纵坐标表示模型预测出来的振动信号基频比重;图7中横坐标表示时间,单位为小时,纵坐标表示模型预测出来的振动信号频谱能量;图8中横坐标表示时间,单位为小时,纵坐标表示模型预测出来的声学信号基频比重;图9中横坐标表示时间,单位为小时,纵坐标表示模型预测出来的声学信号频谱能量。
本申请提供的基于门控循环单元的高压并联电抗器故障诊断方法,通过周期获取一定时间段内的高压并联电抗器油箱表面的振动信号和声学信号,得到该高压并联电抗器油箱表面的振动信号和声学信息,并将周期获取的多组振动信号和声学信号使用预设算法进行处理,提取多组振动信号和声学信号对应的频谱特征,获得该多组振动信号和声学信号对应的频谱特征的基频比重和频谱能量,通过将频谱特征按照时间顺序分别与预设网络模型中的频谱信息进行匹配,根据匹配结果可以判断出该高压并联电抗器是否存在故障,本方法相比于现有技术,通过检测振动信号的频谱特征,并通过与预设网络模型中的频谱信息进行匹配直接得到该高压并联电抗器是否正常,本发明构建的预测模型对电抗器振动信号的基频比重和频谱能量两个特征预测精度较高,效果良好,在关注一个周期内的,当两者之间的误差在短时间内超过一定阈值,则说明机械结构临界性松动对振动特征造成的频繁干扰,此时油箱内部机械状态也将偏离自然趋势和原本的特征规律,而误差的大小也恰好可以反映内部缺陷或故障的严重程度。在本发明的实施例中,预测结果和实际测量结果的整体波动趋势相吻合,局部误差在可接受范围内,预测出来的趋势与实际趋势并没有偏离,说明电抗器振动形态符合自然规律且没有受到干扰,因此可判断内部没有出现机械故障,避免了侵入式检测和停机检测,并且高压并联电抗器在运行的过程中必然会产生振动,则本申请的检测灵敏度高,可以在故障发生初期,检测出故障,避免事故的发生,提高了高压并联电抗器使用的安全性。
图10为本申请提供的一种基于门控循环单元的高压并联电抗器故障诊断系统的模块示意图;如图10所示,本申请还提供一种基于门控循环单元的高压并联电抗器故障诊断系统,系统包括:获取模块31、提取模块32、匹配模块33和判断模块34;
获取模块31,用于周期获取一定时间段内的高压并联电抗器油箱表面的振动信号和声学信号;
提取模块32,用于将周期获取的多组振动信号和声学信号使用预设算法进行处理,提取多组振动信号和声学信号对应的频谱特征,其中,频谱特征至少包括基频比重和频谱能量;
匹配模块33,用于将多组振动信号和声学信号对应的频谱特征按照时间顺序分别与预设网络模型中的频谱信息进行匹配;
判断模块34,用于根据匹配结果,基于门控循环单元的高压并联电抗器故障诊断。
图11为本申请提供的另一种基于门控循环单元的高压并联电抗器故障诊断系统的模块示意图;如图11所示,可选的,该系统还包括建模模块35,建模模块用于周期获取一定时间段内多组运行正常的高压并联电抗器油箱表面的振动信号和声学信号;
提取运行正常的高压并联电抗器振动信号和声学信号对应的频谱特征,其中,频谱特征至少包括基频比重和频谱能量;
按照时间顺序将运行正常的高压并联电抗器的基频比重和频谱能量分别进行排序,建立预设网络模型。
可选的,该匹配模块具体用于按照时间顺序分别将多组振动信号对应的频谱特征中的基频比重与预设网络模型中的频谱信息的基频比重进行误差计算,得到误差E1;
按照时间顺序分别将多组振动信号对应的频谱特征中的频谱能量与预设网络模型中的频谱信息的频谱能量进行误差计算,得到误差E2;
按照时间顺序分别将多组声学信号对应的频谱特征中的频谱能量与预设网络模型中的频谱信息的基频比重进行误差计算,得到误差E3;
按照时间顺序分别将多组声学信号对应的频谱特征中的频谱能量与预设网络模型中的频谱信息的频谱能量进行误差计算,得到误差E4;
将误差E1、误差E2、误差E3和误差E4作为匹配结果输出。
可选的,该判断模块34具体用于若误差E1处于第一预设范围之中,误差E2处于第二预设范围之中,误差E3处于第三预设范围之中,且误差E4处于第四预设范围之中,则高压并联电抗器不存在故障,若结果符合以下任一条件:误差E1不处于第一预设范围之中;误差E2不处于第二预设范围之中,误差E3不处于第三预设范围之中,误差E4不处于第四预设范围之中,则高压并联电抗器存在故障。
可选的,该判断模块34还用于若判断高压并联电抗器存在故障,则将高压并联电抗器振动信号和声学信号对应的频谱特征的基频比重和频谱能量分别与预设故障数据库中的基频比重和频谱能量进行匹配;
根据匹配结果,得到高压并联电抗器的故障类型。
图12为本申请提供的另一种基于门控循环单元的高压并联电抗器故障诊断系统的模块示意图,如图12所示,可选的,该系统还包括报警模块36,报警模块用于根据高压并联电抗器的故障类型进行故障报警。
可选的,该建模模块34还用于获取多组运行不正常的高压并联电抗器油箱表面的振动信号和声学信号;
提取运行不正常的高压并联电抗器振动信号和声学信号对应的频谱特征,其中,频谱特征至少包括基频比重和频谱能量;
将运行不正常的高压并联电抗器振动信号和声学信号对应的基频比重和频谱能量放置在预设故障数据库中。
可选的,根据匹配结果,得到高压并联电抗器的故障类型的步骤之后还包括,将高压并联电抗器振动信号和声学信号对应的频谱特征的基频比重和频谱能量加入到预设故障数据库中。
可选的,该提取模块32用于使用傅里叶变换提取多组振动信号和声学信号对应的基频比重和频谱能量。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,也可以通过其它的方式实现。以上所描述的系统和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的装置来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,电子设备,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本申请提供一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述基于门控循环单元的高压并联电抗器故障诊断方法方法。
本申请提供一种计算机可读存储介质,所述计算机可读存储介质包括计算机程序,所述计算机程序运行时控制所述计算机可读存储介质所在电子设备执行上述基于门控循环单元的高压并联电抗器故障诊断方法方法
以上所述仅为本申请的可选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于门控循环单元的高压并联电抗器故障诊断方法,其特征在于,所述方法包括:
周期获取一定时间段内的所述高压并联电抗器油箱表面的振动信号和声学信号;
将周期获取的多组振动信号和声学信号使用预设算法进行处理,提取多组所述振动信号和声学信号对应的频谱特征,其中,所述频谱特征至少包括基频比重和频谱能量;
将多组所述振动信号和声学信息对应的频谱特征按照时间顺序分别与预设网络模型中的频谱信息进行匹配;
根据匹配结果,判断所述高压并联电抗器是否存在故障。
2.根据权利要求1所述的基于门控循环单元的高压并联电抗器故障诊断方法,其特征在于,所述方法还包括:
周期获取一定时间段内多组运行正常的所述高压并联电抗器的油箱的振动信号和声学信号;
提取运行正常的所述高压并联电抗器振动信号和声学信号对应的频谱特征,其中,所述频谱特征至少包括基频比重和频谱能量;
按照时间顺序将运行正常的所述高压并联电抗器的基频比重和频谱能量分别进行排序,建立所述预设网络模型。
3.根据权利要求2所述的基于门控循环单元的高压并联电抗器故障诊断方法,其特征在于,所述将多组所述振动信号和声学信号对应的频谱特征按照时间顺序分别与预设网络模型中的频谱信息进行匹配的步骤包括:
按照时间顺序分别将多组振动信号对应的频谱特征中的基频比重与所述预设网络模型中的频谱信息的基频比重进行做差,得到误差E1;
按照时间顺序分别将多组振动信号对应的频谱特征中的频谱能量与所述预设网络模型中的频谱信息的频谱能量进行做差,得到误差E2;
按照时间顺序分别将多组声学信号对应的频谱特征中的基频比重与所述预设网络模型中的频谱信息的基频比重进行做差,得到误差E3;
按照时间顺序分别将多组声学信号对应的频谱特征中的频谱能量与所述预设网络模型中的频谱信息的频谱能量进行做差,得到误差E4;
将所述误差E1、误差E2、误差E3和所述误差E4作为匹配结果输出。
4.根据权利要求3所述的基于门控循环单元的高压并联电抗器故障诊断方法,其特征在于,所述根据匹配结果,判断所述高压并联电抗器是否存在故障的步骤包括:
若所述误差E1处于第一预设范围之中,所述误差E2处于第二预设范围之中,所述误差E3处于第三预设范围中,且所述误差E4处于第四预设范围中,则所述高压并联电抗器不存在故障;
若满足以下任何情况:所述误差E1不处于第一预设范围之中、所述误差E2不处于第二预设范围之中、所述误差E3不处于第三预设范围之中、所述误差E4不处于第四预设范围之中,则所述高压并联电抗器存在故障。
5.根据权利要求1所述的基于门控循环单元的高压并联电抗器故障诊断方法,其特征在于,所述方法还包括:
若判断所述高压并联电抗器存在故障,则将所述高压并联电抗器振动信号和声学信号对应的频谱特征的基频比重和频谱能量分别与预设故障数据库中的基频比重和频谱能量进行匹配;
根据匹配结果,得到所述高压并联电抗器的故障类型。
6.根据权利要求5所述的基于门控循环单元的高压并联电抗器故障诊断方法,其特征在于,所述根据匹配结果,得到所述高压并联电抗器的故障类型的步骤之后还包括:
根据所述高压并联电抗器的故障类型进行故障报警。
7.根据权利要求5所述的基于门控循环单元的高压并联电抗器故障诊断方法,其特征在于,所述若判断所述高压并联电抗器存在故障,则将所述高压并联电抗器振动信号和声学信号对应的频谱特征的基频比重和频谱能量分别与预设故障数据库中的基频比重和频谱能量进行匹配步骤之前还包括:
获取多组运行不正常的所述高压并联电抗器油箱表面的振动信号和声学信号;
提取运行不正常的所述高压并联电抗器振动信号和声学信号对应的频谱特征,其中,所述频谱特征至少包括基频比重和频谱能量;
将运行不正常的所述高压并联电抗器振动信号和声学信号对应的基频比重和频谱能量放置在预设故障数据库中。
8.根据权利要求5所述的基于门控循环单元的高压并联电抗器故障诊断方法,其特征在于,所述根据匹配结果,得到所述高压并联电抗器的故障类型的步骤之后还包括,将所述高压并联电抗器振动信号和声学信号对应的频谱特征的基频比重和频谱能量加入到预设故障数据库中。
9.根据权利要求1所述的基于门控循环单元的高压并联电抗器故障诊断方法,其特征在于,所述将周期获取的多组振动信号和声学信号使用预设算法进行处理,提取多组所述振动信号和声学信号对应的频谱特征的步骤具体包括:
使用傅里叶变换提取多组所述振动信号和声学信号对应的基频比重和频谱能量。
10.一种基于门控循环单元的高压并联电抗器故障诊断系统,其特征在于,所述系统包括:获取模块、提取模块、匹配模块和判断模块;
所述获取模块,用于周期获取一定时间段内的所述高压并联电抗器油箱表面的振动信号和声学信号;
所述提取模块,用于将周期获取的多组振动信号和声学信号使用预设算法进行处理,提取多组所述振动信号和声学信号对应的频谱特征,其中,所述频谱特征至少包括基频比重和频谱能量;
所述匹配模块,用于将多组所述振动信号和声学信号对应的频谱特征按照时间顺序分别与预设网络模型中的频谱信息进行匹配;
所述判断模块,用于根据匹配结果,判断所述高压并联电抗器是否存在故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010996828.2A CN112098066A (zh) | 2020-09-21 | 2020-09-21 | 基于门控循环单元的高压并联电抗器故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010996828.2A CN112098066A (zh) | 2020-09-21 | 2020-09-21 | 基于门控循环单元的高压并联电抗器故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112098066A true CN112098066A (zh) | 2020-12-18 |
Family
ID=73754702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010996828.2A Pending CN112098066A (zh) | 2020-09-21 | 2020-09-21 | 基于门控循环单元的高压并联电抗器故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112098066A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115219016A (zh) * | 2022-09-20 | 2022-10-21 | 烟台辰宇汽车部件有限公司 | 一种推力杆故障预警装置及方法 |
CN117451160A (zh) * | 2023-10-23 | 2024-01-26 | 国网宁夏电力有限公司中卫供电公司 | 一种用于预防电压暂降的电抗器的震动监控设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304960A (zh) * | 2017-12-29 | 2018-07-20 | 中车工业研究院有限公司 | 一种轨道交通设备故障诊断方法 |
CN109033612A (zh) * | 2018-07-20 | 2018-12-18 | 广西电网有限责任公司电力科学研究院 | 一种基于振动噪声及bp神经网络的变压器故障诊断方法 |
CN111638028A (zh) * | 2020-05-20 | 2020-09-08 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
-
2020
- 2020-09-21 CN CN202010996828.2A patent/CN112098066A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304960A (zh) * | 2017-12-29 | 2018-07-20 | 中车工业研究院有限公司 | 一种轨道交通设备故障诊断方法 |
CN109033612A (zh) * | 2018-07-20 | 2018-12-18 | 广西电网有限责任公司电力科学研究院 | 一种基于振动噪声及bp神经网络的变压器故障诊断方法 |
CN111638028A (zh) * | 2020-05-20 | 2020-09-08 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
Non-Patent Citations (1)
Title |
---|
钱国超: ""电力变压器振动频谱特征值在绕组变形检测中的应用"", 《云南电力技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115219016A (zh) * | 2022-09-20 | 2022-10-21 | 烟台辰宇汽车部件有限公司 | 一种推力杆故障预警装置及方法 |
CN117451160A (zh) * | 2023-10-23 | 2024-01-26 | 国网宁夏电力有限公司中卫供电公司 | 一种用于预防电压暂降的电抗器的震动监控设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021232655A1 (zh) | 一种基于振动特征的高压并联电抗器机械状态评估方法 | |
CN111474510A (zh) | 一种非平稳输出的电压互感器的误差评估方法及系统 | |
CN110533294B (zh) | 一种基于人工智能技术的核电厂运行故障报警方法 | |
CN117554821A (zh) | 基于深度学习网络的储能电池在线监测管理方法及系统 | |
CN112098066A (zh) | 基于门控循环单元的高压并联电抗器故障诊断方法及系统 | |
CN108535635A (zh) | 一种基于eemd和hmm的模拟电路间歇故障诊断方法 | |
Kharlamova et al. | A digital twin of battery energy storage systems providing frequency regulation | |
CN113325357A (zh) | 基于输出时间序列差分的电压互感器误差评估方法及系统 | |
CN114062993A (zh) | 一种基于时间卷积网络的cvt误差状态预测方法 | |
CN105137354A (zh) | 一种基于神经网络电机故障检测方法 | |
CN114169631A (zh) | 一种基于数据分析的油田电力负荷管控系统 | |
CN116662771A (zh) | 电容式电压互感器自适应pca误差定量评价的方法及系统 | |
CN114280490A (zh) | 一种锂离子电池荷电状态估计方法及系统 | |
CN115877205A (zh) | 一种伺服电机的故障智能诊断系统及其诊断方法 | |
CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
CN111474476B (zh) | 一种电机故障预测方法 | |
Jiang et al. | Multi-objective optimal placement of sensors based on quantitative evaluation of fault diagnosability | |
CN115146715B (zh) | 用电安全隐患诊断方法、装置、设备及存储介质 | |
CN116008733A (zh) | 一种基于集成深度神经网络的单相接地故障诊断方法 | |
CN116340810A (zh) | 基于随机森林的变压器出线部位局部放电诊断方法和装置 | |
CN115828698A (zh) | 基于内嵌物理信息学习的输电塔风振动力响应预测方法 | |
CN116184141B (zh) | 一种气体绝缘设备故障诊断方法及系统 | |
CN118275034B (zh) | 一种智能抗干扰压力变送器 | |
CN117629636B (zh) | 一种燃机滚动轴承的健康评估、故障诊断方法及系统 | |
CN118445604A (zh) | 一种设备故障监测方法及装置 |
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: 20201218 |
|
RJ01 | Rejection of invention patent application after publication |