CN112179481B - 一种gis设备的机械故障诊断方法及系统 - Google Patents
一种gis设备的机械故障诊断方法及系统 Download PDFInfo
- Publication number
- CN112179481B CN112179481B CN202010906414.6A CN202010906414A CN112179481B CN 112179481 B CN112179481 B CN 112179481B CN 202010906414 A CN202010906414 A CN 202010906414A CN 112179481 B CN112179481 B CN 112179481B
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- gis equipment
- fault diagnosis
- gis
- vibration
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种GIS设备的机械故障诊断方法及系统,包括以下步骤:S1、采集待测GIS设备运行时产生的振动信号,并对该振动信号进行标准化处理;S2、计算所得标准化处理后的振动信号的显著性序列;其中,显著性序列为表示原始振动信号变化趋势的时间序列;S3、将所得显著性序列输入到预训练好的GIS设备故障诊断模型中,得到待测GIS设备的运行状态;其中,GIS设备故障诊断模型为卷积神经网络。本发明通过计算GIS设备运行时所产生的振动信号的显著性序列,来提高故障信号的区分度;并采用卷积神经网络作为GIS设备的故障诊断模型,对GIS设备的显著性序列进行识别,可精确的完成对GIS设备具体故障类型的判断。
Description
技术领域
本发明属于GIS设备故障诊断技术领域,更具体地,涉及一种GIS设备的机械故障诊断方法及系统。
背景技术
气体绝缘全封闭开关设备(gas insulated switchgear,GIS)是当今电力系统中不可或缺的设备,被广泛应用于高压、超高压领域。该设备将断路器、隔离开关、接地开关、互感器、避雷器、母线、连接件和出线终端等部件封闭在金属接地的外壳中,并在其内部充入一定压力的六氟化硫(SF6)绝缘气体。据大量资料表明,电力系统中一半以上的重大事故是由于一次设备故障所引起。近些年来,GIS设备装备量逐渐快速增长,其可靠性关系到电网的安全运行;与此同时,国网公司发布了若干个高压设备智能化的指导性文件,其中状态监测和故障诊断被视为智能电器的关键功能与难点所在。故研究一种GIS设备的故障诊断方法及系统存在重要意义。
GIS设备的故障类型分为放电性故障和机械类故障两大类。目前国内外学者针对GIS设备放电性故障的研究方法主要有脉冲电流法、超高频法和气体分解法,而针对机械类故障的相关研究还处于起步阶段,主要方法为振动分析法。振动分析法是通过将GIS设备母线触头振动频率的变化规律与正常状态下振动频率的变化规律进行比对来判断GIS设备的运行状态,仅能判断正常和松动两种运行状态,对于不同类型、不同严重程度的松动故障未进行具体分析,无法对发生的机械故障进行精确定位。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种GIS设备的机械故障诊断方法及系统,其目的在于解决现有技术无法对发生的机械故障进行精确诊断的技术问题。
为实现上述目的,第一方面,本发明提供了一种GIS设备的机械故障诊断方法,包括以下步骤:
S1、采集待测GIS设备运行时产生的振动信号,并对该振动信号进行标准化处理;
S2、计算所得标准化处理后的振动信号的显著性序列;其中,显著性序列为表示原始振动信号变化趋势的时间序列;
S3、将所得显著性序列输入到预训练好的GIS设备故障诊断模型中,得到待测GIS设备的运行状态;
其中,GIS设备故障诊断模型为卷积神经网络。
进一步优选地,上述GIS设备故障诊断模型的训练方法,包括以下步骤:
S01、在不同工况下对不同GIS设备运行时产生的振动信号进行采集,对所得各振动信号分别进行标准化处理后,计算其显著性序列;
S02、将所得各振动信号的显著性序列分别与其相应的工况一一对应,得到训练数据集;
S03、将所得训练数据集输入到GIS设备故障诊断模型中,以训练数据集中各振动信号的显著性序列为输入,对应的工况为输出,训练GIS设备故障诊断模型,得到预训练好的GIS设备故障诊断模型。
进一步优选地,上述步骤S2包括以下步骤:
S21、对标准化处理后的振动信号进行傅里叶变换,得到振动信号的幅度谱A(f)和相位谱P(f),对幅度谱进行对数运算,得到振动信号的对数谱;
S22、采用局部均值滤波器对所得对数谱L(f)进行滤波,得到振动信号的平均对数谱AL(f);
S23、将振动信号的对数谱L(f)与平均对数谱AL(f)相减,得到振动信号的谱残差R(f);
S24、基于傅里叶逆变换将所得振动信号的谱残差R(f)和相位谱P(f)重新映射回时域信号,得到振动信号的显著性序列S(x),具体为:S(x)=||F-1[exp(R(f)+iP(f))]||,其中,x为振动信号,F-1(·)表示傅里叶逆变换,i表示虚数的单位。
进一步优选地,上述局部均值滤波器的表达式如下:
其中,q为局部均值滤波器的大小,q为正整数。
进一步优选地,上述工况包括:正常状态下的工况和出现机械故障时的工况;其中,机械故障包括:安装毛刺故障、金属异物故障、导杆不对中故障、部件松动故障和焊接处虚焊故障。
进一步优选地,上述GIS设备故障诊断模型包括级联的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第五池化层、第一全连接层和第二全连接层;
其中,上述第一全连接层和第二全连接层中的神经元个数均为GIS设备的运行状态类别数。
进一步优选地,上述第一卷积层中的卷积核个数为4,尺寸均为1×3;上述第二卷积层中的卷积核个数为16,尺寸均为1×3;上述第三卷积层中的卷积核个数为32,尺寸均为1×3;上述第四卷积层中的卷积核个数为64,尺寸均为1×3。
进一步优选地,上述各池化层的池化核尺寸均为1×2。
第二方面,本发明提供了一种GIS设备的机械故障诊断系统,包括:振动信号采集模块、振动信号处理模块、故障诊断模型训练模块和机械故障诊断模块;
振动信号采集模块用于在诊断阶段,采集待测GIS设备运行时产生的振动信号,并输出到机械故障诊断模块中;在训练阶段,在不同工况下对不同GIS设备运行时产生的振动信号进行采集,并输出到故障诊断模型训练模块;
振动信号处理模块用于对振动信号进行标准化处理后,计算其显著性序列;其中,显著性序列为表示原始振动信号变化趋势的时间序列;
故障诊断模型训练模块用于将振动信号采集模块输入的各振动信号输入到振动信号处理模块中,得到各振动信号的显著性序列,将各振动信号的显著性序列分别与其相应的工况一一对应,得到训练数据集;将所得训练数据集输入到GIS设备故障诊断模型中,以训练数据集中各振动信号的显著性序列为输入,对应的工况为输出,训练GIS设备故障诊断模型,得到预训练好的GIS设备故障诊断模型;
机械故障诊断模块用于将振动信号采集模块输入的振动信号输入到振动信号处理模块中,得到其显著性序列,将所得显著性序列输入到预训练好的GIS设备故障诊断模型中,得到待测GIS设备的运行状态;
其中,GIS设备故障诊断模型为卷积神经网络。
第三方面,本发明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存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行本发明第一方面提供的一种GIS设备的机械故障诊断方法。
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:
本发明提供了一种GIS设备的机械故障诊断方法及系统,首先计算GIS设备运行时所产生的振动信号的显著性序列,能够较好的表现振动信号的变化趋势,抑制高频噪声,提高故障信号的区分度;其次,本方法采用卷积神经网络作为GIS设备的故障诊断模型,通过对GIS设备的显著性序列进行识别,得到细分较高的GIS设备机械故障类型,能够对GIS设备的具体故障类型进行精确判断。
附图说明
图1是本发明实施例1所提供的一种GIS设备的机械故障诊断方法流程图;
图2是本发明实施例1所提供的GIS设备故障诊断模型的结构示意图。
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。
实施例1、
一种GIS设备的机械故障诊断方法,如图1所示,包括以下步骤:
S1、采集待测GIS设备运行时产生的振动信号,并对该振动信号进行标准化处理;标准化处理后,数据符合标准整体分布,可提升后续深度学习模型的收敛速度和分类精度,并防止模型梯度爆炸,提高诊断结果的精确性;
具体的,本实施例中主要采集GIS中断路器外部壳体上的振动信号;在采集待测GIS设备运行时产生的振动信号时,先采集一段时间内的振动信号,将其以一个GIS设备内部的电磁力周期为时间长度进行划分,得到多段振动信号x,本发明对每一段振动信号分别进行处理。需要说明的是,振动信号x是一组具有时间相关性的序列,记为x={x1,x2,…,xn},其中,n为振动信号x的长度;具体的,标准化处理后的振动信号为:
其中,xmean为振动信号x的平均值,xstd为振动信号x的标准差。
S2、计算所得标准化处理后的振动信号的显著性序列;其中,显著性序列为表示原始振动信号变化趋势的时间序列,对于高频噪声具有抑制作用,可以大大提高故障信号的区分度;
具体的包括以下步骤:
S21、对标准化处理后的振动信号进行傅里叶变换,得到振动信号的幅度谱A(f)和相位谱P(f),对幅度谱进行对数运算,得到振动信号的对数谱L(f)=log(A(f));
S22、采用局部均值滤波器对所得对数谱L(f)进行滤波,得到振动信号的平均对数谱AL(f);
具体的,本实施例中,局部均值滤波器的表达式如下:
其中,q为局部均值滤波器的大小,q为正整数。
采用局部均值滤波器对所得对数谱L(f)进行滤波,所得振动信号的平均对数谱AL(f)=hq(f)*L(f)。
S23、将振动信号的对数谱L(f)与平均对数谱AL(f)相减,得到振动信号的谱残差R(f)=L(f)-AL(f);
S24、基于傅里叶逆变换将所得振动信号的谱残差R(f)和相位谱P(f)重新映射回时域信号,得到振动信号的显著性序列S(x),具体为:S(x)=||F-1[exp(R(f)+iP(f))]||,其中,x为振动信号,F-1(·)表示傅里叶逆变换,i表示虚数的单位。
S3、将所得显著性序列输入到预训练好的GIS设备故障诊断模型中,得到待测GIS设备的运行状态;
其中,GIS设备故障诊断模型为卷积神经网络。
具体的,上述GIS设备故障诊断模型的训练方法,包括以下步骤:
S01、在不同工况下对不同GIS设备运行时产生的振动信号进行采集,对所得各振动信号分别进行标准化处理后,计算其显著性序列;
具体的,上述工况包括:正常状态下的工况和出现机械故障的工况;其中,机械故障包括:安装毛刺故障、金属异物故障、导杆不对中故障、部件松动故障和焊接处虚焊故障。
需要说明的是,这里计算显著性序列的方法和上述机械故障诊断时计算显著性序列的方法相同,这里不做赘述。
S02、将所得各振动信号的显著性序列分别与其相应的工况一一对应,得到训练数据集;
具体的,本实施例中,所构造的训练数据集为Train={z1,z2,,zm},其中,zi=(xi,yi),xi为振动信号的显著性序列,yi是xi对应的工况,m为训练数据集中的数据量。
S03、将所得训练数据集输入到GIS设备故障诊断模型中,以训练数据集中各振动信号的显著性序列为输入,对应的工况为输出,训练GIS设备故障诊断模型,得到预训练好的GIS设备故障诊断模型。
进一步地,如图2所示,本实施例中,GIS设备故障诊断模型包括级联的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第五池化层、第一全连接层和第二全连接层;其中,第一卷积层中的卷积核个数为4,尺寸均为1×3;第二卷积层中的卷积核个数为16,尺寸均为1×3;第三卷积层中的卷积核个数为32,尺寸均为1×3;第四卷积层中的卷积核个数为64,尺寸均为1×3。上述各池化层的池化核尺寸均为1×2。第一全连接层和第二全连接层中的神经元个数均为GIS设备的运行状态类别数。
实施例2、
一种GIS设备的机械故障诊断系统,包括:振动信号采集模块、振动信号处理模块、故障诊断模型训练模块和机械故障诊断模块;
振动信号采集模块用于在诊断阶段,采集待测GIS设备运行时产生的振动信号,并输出到机械故障诊断模块中;在训练阶段,在不同工况下对不同GIS设备运行时产生的振动信号进行采集,并输出到故障诊断模型训练模块;
振动信号处理模块用于对振动信号进行标准化处理后,计算其显著性序列;其中,显著性序列为表示原始振动信号变化趋势的时间序列;
故障诊断模型训练模块用于将振动信号采集模块输入的各振动信号输入到振动信号处理模块中,得到各振动信号的显著性序列,将各振动信号的显著性序列分别与其相应的工况一一对应,得到训练数据集;将所得训练数据集输入到GIS设备故障诊断模型中,以训练数据集中各振动信号的显著性序列为输入,对应的工况为输出,训练GIS设备故障诊断模型,得到预训练好的GIS设备故障诊断模型;
机械故障诊断模块用于将振动信号采集模块输入的振动信号输入到振动信号处理模块中,得到其显著性序列,将所得显著性序列输入到预训练好的GIS设备故障诊断模型中,得到待测GIS设备的运行状态;
其中,GIS设备故障诊断模型为卷积神经网络。本实施例的相关技术方案同实施例1,这里不做赘述。
实施例3、
一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行本发明实施例1所提供的一种GIS设备的机械故障诊断方法。相关技术方案同实施例1,这里不再赘述。
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GIS设备的机械故障诊断方法,其特征在于,包括以下步骤:
S1、采集待测GIS设备运行时其断路器外部壳体上产生的振动信号,并对该振动信号进行标准化处理;在采集待测GIS设备运行时其中断路器外部壳体上产生的振动信号时,先采集一段时间内的振动信号,将其以一个GIS设备内部的电磁力周期为时间长度进行划分,得到多段振动信号,并对每一段振动信号分别进行标准化处理;
S2、计算所得标准化处理后的振动信号的显著性序列,以抑制振动信号中的高频噪声,提高故障信号的区分度;其中,显著性序列为表示原始振动信号变化趋势的时间序列;
S3、将所得显著性序列输入到预训练好的GIS设备故障诊断模型中,得到待测GIS设备的运行状态;
其中,所述GIS设备故障诊断模型为卷积神经网络。
2.根据权利要求1所述的GIS设备的机械故障诊断方法,其特征在于,所述GIS设备故障诊断模型的训练方法,包括以下步骤:
S01、在不同工况下对不同GIS设备运行时产生的振动信号进行采集,对所得各振动信号分别进行标准化处理后,计算其显著性序列;
S02、将所得各振动信号的显著性序列分别与其相应的工况一一对应,得到训练数据集;
S03、将所得训练数据集输入到GIS设备故障诊断模型中,以训练数据集中各振动信号的显著性序列为输入,对应的工况为输出,训练GIS设备故障诊断模型,得到预训练好的GIS设备故障诊断模型。
3.根据权利要求1所述的GIS设备的机械故障诊断方法,其特征在于,所述步骤S2包括以下步骤:
S21、对标准化处理后的振动信号进行傅里叶变换,得到振动信号的幅度谱A(f)和相位谱P(f),对幅度谱进行对数运算,得到振动信号的对数谱;
S22、采用局部均值滤波器对所得对数谱L(f)进行滤波,得到振动信号的平均对数谱AL(f);
S23、将振动信号的对数谱L(f)与平均对数谱AL(f)相减,得到振动信号的谱残差R(f);
S24、基于傅里叶逆变换将所得振动信号的谱残差R(f)和相位谱P(f)重新映射回时域信号,得到振动信号的显著性序列S(x),具体为:S(x)=||F-1[exp(R(f)+iP(f))]||,其中,x为振动信号,F-1(·)表示傅里叶逆变换,i表示虚数的单位。
5.根据权利要求2所述的GIS设备的机械故障诊断方法,其特征在于,所述工况包括:正常状态下的工况和出现机械故障时的工况;其中,机械故障包括:安装毛刺故障、金属异物故障、导杆不对中故障、部件松动故障和焊接处虚焊故障。
6.根据权利要求1或2所述的GIS设备的机械故障诊断方法,其特征在于,所述GIS设备故障诊断模型包括级联的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第五池化层、第一全连接层和第二全连接层;
其中,所述第一全连接层和第二全连接层中的神经元个数均为GIS设备的运行状态类别数。
7.根据权利要求6所述的GIS设备的机械故障诊断方法,其特征在于,所述第一卷积层中的卷积核个数为4,尺寸均为1×3;所述第二卷积层中的卷积核个数为16,尺寸均为1×3;所述第三卷积层中的卷积核个数为32,尺寸均为1×3;所述第四卷积层中的卷积核个数为64,尺寸均为1×3。
8.根据权利要求6所述的GIS设备的机械故障诊断方法,其特征在于,所述各池化层的池化核尺寸均为1×2。
9.一种GIS设备的机械故障诊断系统,其特征在于,包括:振动信号采集模块、振动信号处理模块、故障诊断模型训练模块和机械故障诊断模块;
所述振动信号采集模块用于在诊断阶段,采集待测GIS设备运行时其断路器外部壳体上产生的振动信号,并输出到所述机械故障诊断模块中;在训练阶段,在不同工况下对不同GIS设备运行时产生的振动信号进行采集,并输出到所述故障诊断模型训练模块;在采集待测GIS设备运行时其中断路器外部壳体上产生的振动信号时,先采集一段时间内的振动信号,将其以一个GIS设备内部的电磁力周期为时间长度进行划分,得到多段振动信号;
所述振动信号处理模块用于对振动信号进行标准化处理后,计算其显著性序列,以抑制振动信号中的高频噪声,提高故障信号的区分度;其中,显著性序列为表示原始振动信号变化趋势的时间序列;
所述故障诊断模型训练模块用于将所述振动信号采集模块输入的各振动信号输入到所述振动信号处理模块中,得到各振动信号的显著性序列,将各振动信号的显著性序列分别与其相应的工况一一对应,得到训练数据集;将所得训练数据集输入到GIS设备故障诊断模型中,以训练数据集中各振动信号的显著性序列为输入,对应的工况为输出,训练GIS设备故障诊断模型,得到预训练好的GIS设备故障诊断模型;
所述机械故障诊断模块用于将所述振动信号采集模块输入的振动信号输入到所述振动信号处理模块中,得到其显著性序列,将所得显著性序列输入到预训练好的GIS设备故障诊断模型中,得到待测GIS设备的运行状态;
其中,所述GIS设备故障诊断模型为卷积神经网络。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行权利要求1-8任意一项所述的GIS设备的机械故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010906414.6A CN112179481B (zh) | 2020-09-01 | 2020-09-01 | 一种gis设备的机械故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010906414.6A CN112179481B (zh) | 2020-09-01 | 2020-09-01 | 一种gis设备的机械故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112179481A CN112179481A (zh) | 2021-01-05 |
CN112179481B true CN112179481B (zh) | 2023-01-06 |
Family
ID=73924055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010906414.6A Active CN112179481B (zh) | 2020-09-01 | 2020-09-01 | 一种gis设备的机械故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112179481B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114264945B (zh) * | 2021-12-13 | 2023-08-04 | 广东电网有限责任公司 | 一种设备状态的检测方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9652723B2 (en) * | 2015-06-05 | 2017-05-16 | Sas Institute Inc. | Electrical transformer failure prediction |
CN105931255A (zh) * | 2016-05-18 | 2016-09-07 | 天津工业大学 | 基于显著性和深度卷积神经网络的图像中目标定位方法 |
CN108709723B (zh) * | 2018-03-23 | 2019-06-28 | 河海大学 | 一种气体绝缘组合开关设备的机械故障在线诊断方法 |
CN109299705B (zh) * | 2018-10-24 | 2021-08-20 | 电子科技大学 | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 |
CN110595775B (zh) * | 2019-09-19 | 2021-03-30 | 电子科技大学 | 基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法 |
CN111562110B (zh) * | 2020-05-25 | 2021-02-26 | 南京理工大学 | 基于卷积神经网络的故障诊断模型及跨部件故障诊断方法 |
-
2020
- 2020-09-01 CN CN202010906414.6A patent/CN112179481B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112179481A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110926778A (zh) | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 | |
CN112069930A (zh) | 提升gis设备故障诊断准确率的振动信号处理方法及装置 | |
CN112179481B (zh) | 一种gis设备的机械故障诊断方法及系统 | |
CN109782126B (zh) | 基于类人概念学习的配电网早期故障检测方法 | |
CN105445618A (zh) | 一种小电流接地系统故障选线方法及装置 | |
CN113191247A (zh) | 一种gis设备机械故障诊断方法及系统 | |
CN117129201A (zh) | 开关机械特性动态性能检测系统 | |
CN111521913A (zh) | 基于频段能量分析与随机森林的gis诊断系统及方法 | |
CN110929673A (zh) | 一种基于itd排列熵和cgwo-svm的变压器绕组振动信号识别方法 | |
CN112924810B (zh) | 一种基于高频信号识别的电力电缆故障诊断方法及系统 | |
CN113033889B (zh) | 高压输电线路故障预测方法、装置及终端设备 | |
CN115905835A (zh) | 一种融合多维特征的低压交流电弧故障诊断方法 | |
CN112649694B (zh) | 一种小电流接地系统单相接地故障的判定方法 | |
CN109344814A (zh) | 一种gis机械状态信号特征提取方法 | |
CN112600176A (zh) | 一种高频暂态分量方向纵联保护方法及系统 | |
CN117849691B (zh) | 一种电容式电压互感器多维协同运行监测预警系统和方法 | |
KR100477215B1 (ko) | 웨이브렛변환을 이용한 가스절연개폐장치의 부분방전검출방법 | |
CN111505420B (zh) | 一种线路避雷器状态的在线监测与诊断方法及系统 | |
CN112630638B (zh) | 一种断路器瓷套闪络辨识方法和系统 | |
CN113722659B (zh) | 一种基于缺陷模式的变电主设备诊断方法和系统 | |
Feng et al. | Research on Online Monitoring of Converter Transformer Bushing Based on Multi-Sensor Fusion Technology | |
CN219552603U (zh) | 一种燃机发电机与汽机发电机的同期录波系统 | |
CN216350908U (zh) | 计量用电压互感器电路 | |
CN111913135B (zh) | 一种利用牛顿迭代法辨识变压器绕组形变故障的方法 | |
CN114371399A (zh) | 组合电器间歇性放电监测捕捉、趋势分析方法及系统 |
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 |