CN112255538A - 一种多特征优化融合的高压断路器故障诊断方法 - Google Patents
一种多特征优化融合的高压断路器故障诊断方法 Download PDFInfo
- Publication number
- CN112255538A CN112255538A CN202011096134.XA CN202011096134A CN112255538A CN 112255538 A CN112255538 A CN 112255538A CN 202011096134 A CN202011096134 A CN 202011096134A CN 112255538 A CN112255538 A CN 112255538A
- Authority
- CN
- China
- Prior art keywords
- signal
- vibration signal
- follows
- feature
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003745 diagnosis Methods 0.000 title claims abstract description 35
- 230000004927 fusion Effects 0.000 title claims abstract description 27
- 238000005457 optimization Methods 0.000 title claims abstract description 13
- 230000005236 sound signal Effects 0.000 claims abstract description 79
- 239000013598 vector Substances 0.000 claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 46
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 34
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 claims abstract description 15
- 238000007499 fusion processing Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 5
- 238000001228 spectrum Methods 0.000 claims description 19
- 238000004880 explosion Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000005315 distribution function Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3275—Fault detection or status indication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Abstract
本发明公开了一种多特征优化融合的高压断路器故障诊断方法，所述方法包括：获取断路器分合闸过程中所发出的多组初始声音信号YS(t)和振动信号YZ(t)；对每组初始声音信号YS(t)和振动信号YZ(t)做去噪加权融合处理得到一组声音信号YS″(t)和振动信号YZ″(t)；采用K‑S检验法提取声音信号YS″(t)的特征向量；采用EMD经验模态分解法提取振动信号YZ″(t)的特征向量；将声音信号YS″(t)的特征向量和振动信号YZ″(t)的特征向量融合为一个特征矩阵样本；从特征矩阵样本中按比例选取正常及故障状态多种运行情况下的样本特征矩阵；基于FWA优化的SVM故障诊断模型，输入选取的样本特征矩阵得到故障诊断结果。本发明通过多传感器数据融合的概念，对数据加权融合有效消除噪声，使数据更接近于真实值，有效提高故障诊断的效果。
Description
技术领域
本发明属于电气设备故障诊断技术领域，特别涉及一种多特征优化融合的高压断路器故障诊断方法。
背景技术
高压断路器作为电力系统中一种重要的开关电气设备，保证安全稳定工作，是提高电力系统供电可靠性的必要条件。断路器的故障诊断流程主要包括信号的采集与处理、特征向量提取以及故障识别三个步骤，其中选择合适的方法处理断路器的运行信号，提取特征向量是提高故障诊断结果的关键部分。
目前用于高压断路器故障诊断研究所采集的信号大致分为：分合闸线圈电流电压信号、机械振动及声音信号、触头行程、电弧电压和开断电流等，断路器动作的声音和振动信号复杂多变，但由于其非接触的测量方式以及信号中包含丰富的特性信息，可以更好的反应断路器的工作状态，近年来成为了研究热点。声音信号易受噪声干扰，但其频带较宽可以良好的避免失真现象，振动信号衰减小抗干扰能力强，压电加速度传感器灵敏度高可以捕捉信号的微弱变化，结合声音振动信号联合分析可发挥各自优势，提高故障诊断的准确度。
针对断路器工作时声音和振动信号的非线性、非平稳特性，常用到的特征提取方法有：小波及小波包分析、经验模态分解(empirical mode decomposition,EMD)、总体平均经验模态分解(ensemble EMD,EEMD)、希尔伯特-黄变换(Hilbert-Huang transform,HHT)等，现有的研究方法通常对声音信号与振动信号采取一致的特征提取方式，例如对信号做经验模态分解后，做希尔伯特变换取包络，提取能量熵作为特征向量。对高压断路器的做声振联合的故障诊断时，通常采用多个能量熵组合的特征级融合，或采用D-S证据理论做决策级信息融合，但对于信号源信息做处理的数据级融合方面的研究较少。
因此，亟需一种多特征优化融合的高压断路器故障诊断方法来改进声振信号的处理方法和特征向量的提取，保证最大限度的利用信号所包含的有用信息，来提高断路器的故障诊断效果。
发明内容
针对上述问题，本发明提供了一种多特征优化融合的高压断路器故障诊断方法，所述方法包括：
获取断路器分合闸过程中所发出的多组初始声音信号YS(t)和振动信号YZ(t)；
对每组初始声音信号YS(t)和振动信号YZ(t)做去噪加权融合处理得到一组声音信号YS”(t)和振动信号YZ”(t)；
采用K-S检验法提取声音信号YS”(t)的特征向量；
采用EMD经验模态分解法提取振动信号YZ”(t)的特征向量；
将声音信号YS”(t)的特征向量和振动信号YZ”(t)的特征向量融合为一个特征矩阵样本；
从特征矩阵样本中按比例选取正常及故障状态多种运行情况下的样本特征矩阵；
基于FWA优化的SVM故障诊断模型，输入选取的样本特征矩阵得到故障诊断结果。
进一步的，所述对每组初始声音信号YS(t)和振动信号YZ(t)做去噪加权融合处理得到一组声音信号YS”(t)和振动信号YZ”(t)，具体步骤如下：
I1、分别取N组初始声音信号YS(t)和振动信号YZ(t)的波形数据长度为n,则第i组声音信号YS(t)波形数据组成的列向量为：
YSi＝[Yi1Yi2…Yin]T(i＝1,2...n) (1)
I2、对声音信号YS(t)波形数据做零均值处理，对每个声音信号YS(t)波形数据减去该组数据平均值AV(YSN)：
Yi1'＝Yi1-AV(YSN) (2)
得到声音信号YS(t)预处理数据矩阵：
I3、对式(3)做单边jacobi奇异值分解，得到对应的N个奇异值δi(i＝1…N),反应了受噪音影响程度，由式(4)得到权重Wi，如下：
由式(5)计算得到数据权重估计值，如下：
I4、选取多个声音信号YS(t)波形数据平均值AV(YSN)取均值AV，按式(6)得到声音信号YS(t)最终融合数据YS”，如下：
I5、振动信号YZ(t)的融合处理与声音信号YS(t)一致，得到融合信号YZ”(t)。
进一步的，对YS'做单边jacobi奇异值分解的步骤如下：
B＝UTYS',Y∈Rm×n,m＞n (7)
其中，B为行向量正交矩阵，U的行向量和列向量均正交，将得到的B矩阵做QR分解，得到：
B＝(BT)T＝(QBRB)T＝RB TQB T (8)
令：Σ＝RB T,VT＝QB T，则YS'＝UΣVT，得到奇异值矩阵Σ，得到的奇异值分别与输入矩阵YS'各列向量一一对应。
进一步的，所述采用K-S检验法提取声音信号YS”(t)的特征向量，具体步骤如下：
II1、将融合后的声音信号YS”(t)沿时间轴平均分为f个宽度为T的区间，计算各区间内信号幅值和；
II2、使用K-S检验法比较各区间正常声音信号与故障声音信号的幅值和，标记出幅值差距大的声音信号区间，取对应幅值和作为声音信号YS”(t)的特征向量；
II3、得到不同故障声音信号对应的若干差异区间后，取所有区间交集作为特征幅值和提取区间，为降低特征维数，采用Relief-F算法选择可信度高的区间幅值和作为声音信号YS”(t)的特征向量；
II4、对选择区间的信号幅值和x按式(9)做归一化处理，得到处理后的声音信号YS”(t)特征向量x'，如下：
进一步的，K-S检验法步骤如下：
假设a：Sp(x)＝Rq(x)，b：Sp(x)≠Rq(x)，Sp(x)和Rq(x)分别为X、Y样本的经验分布函数，p、q为两个样本的容量，给定显著性水平α，将样本升序排列，得累积频数分布，计算检验统计量Dp,q：Dp,q＝max{|Sp(Xi)-Rq(Yj)|}，Xi和Yj为样本X与Y的顺序统计量；
计算在α下的给定阈值Dp,q,α，p＝q时，当Dp,q≥Dp,q,α时，拒绝假设a,认为两样本来自不同分布，存在显著性差异,阈值Dp,q,α可在给定α后，查询Kolmogonov分布函数获得；
K-S检验法得到的样本形式为：(xi,yi)，其中xi为标记区间信号幅值和，yi为样本类别。
进一步的，Relief-F算法步骤如下：
从所有样本中随机取出样本A，找出k个与A同类的近邻样本H，从与A不同类的样本集中找出k个近邻样本M，并按式(10)计算更新每个特征a对应的权重W(a)：
其中，c为样本A所属特征类别，P(c)为c类别对应比例，P(c(A))为随机选择样本A的对应类别比例，m为随机抽样次数，diff(a,A,Hj)为样本A和H在特征a上的距离，由式(11)计算diff(a,A,H)值，如下：
进一步的，所述采用EMD经验模态分解法提取振动信号YZ”(t)的特征向量，具体步骤如下：
III1、确定振动信号YZ”(t)的所有极大值点与极小值点，分别将极大值点与极小值点连接，形成上、下包络线，包络线间包含所有信号数值；
III2、取上、下包络线的平均值记为m(t),求出c(t)＝YZ”(t)-m(t)，判断c(t)是否能满足固有模态分量的成立条件，即：极值点个数和过零点个数相等，或相差最多不超过一个；在任意时刻，极大值点形成的上包络线与极小值点形成的下包络线的平均值为零；
如果满足以上两个条件，则c(t)为信号的第一个固有模态分量，分离出c(t)，得到残余函数r(t)＝YZ”(t)-c(t)，否则将c(t)作为原始数据，重复步骤III1和III2；
III3、重复步骤III1和III2，直到r(t)成为一个单调函数，不能再次分解取得固有模态分量时，结束循环；
III4、振动信号YZ”(t)可以表示为v个固有模态分量ci(t)和残余函数r(t)之和，即：
进一步的，对所述固有模态分量做离散傅里叶变换，提取能量熵、功率谱熵和空间熵，具体步骤如下：
IV1、由经验模态分解得到振动信号YZ”(t)的固有模态分量，选取包含主要信息的前r个固有模态分量，按式(13)计算各固有模态分量的能量值Ei，如下：
Ei＝∫|ci(t)|2dt (i＝1,2...r) (13)
IV2、由式(14)构造各固有模态分量能量值的总能量E，如下：
IV3、由式(15)求得第j阶固有模态分量的能量熵Hj，如下：
其中，ei为第i个固有模态分量能量占信号总能量的百分比；
IV4、对振动信号YZ”(t)分解得到的r个固有模态分量，做离散傅里叶变换得到频域信号Ci(w)，由式(16)得到信号功率谱，如下：
Si(w)＝|Ci(w)|2/2πN (16)
即Si(w)＝{Si(1),Si(2),…Si(N)},由此得到功率谱熵如下式：
其中，pi(w)为第w个功率谱在整个谱中所占百分比；
IV5、对振动信号YZ”(t)分解得到的r个固有模态分量，做Hilbert变换得到二维时频域系数矩阵，并做SVD奇异值分解，得到各阶固有模态分量对应的a个奇异值
根据熵的定义由式(18)得到第j阶固有模态分量的空间熵，如下：
IV6、将振动信号YZ”(t)的三种特征熵组合为特征矩阵G，如下：
进一步的，所述基于FWA优化的SVM故障诊断模型，输入选取的样本特征矩阵得到故障诊断结果，具体步骤如下：
V1、设置初始种群数为K，最大迭代次数为Z，惩罚因子cmin、cmax，核函数gmin、gmax；
V2、初始化种群，在特定解空间内随机产生烟花，即产生随机的核函数g与惩罚因子c，利用SVM算法进行学习训练，得到个体适应度值；
V3、计算烟花爆炸产生的火花数以及爆炸半径，由式(20)计算烟花爆炸产生的火花数Si：
由式(21)计算烟花爆炸半径Ai：
其中，h为限制火花总数的常数，Ymax为当前种群最差适应度值，f(xi)为烟花个体xi的适应度值，A'为最大爆炸半径，Ymin为当前种群最佳适应度值，ε为常数；
V4、将做高斯变异后的烟花引入种群，保证种群的多样性；
V5、对超出边界的火花采用映射规则；
V6、对整个空间的烟花保留最优个体，利用锦标赛原则选择适应度较小的个体作为下一代烟花，个体选择概率如下：
其中，Fmax为烟花集合Ω中个体的最大适应度值；
V7、若满足算法的终止条件，则返回最优参数值，否则返回步骤V3，在烟花、高斯变异烟花以及火花中选择一定数量的个体作为烟花，进入下一代迭代，求得最优解。
本发明通过多传感器数据融合的概念，考虑到传感器测量位置等因素对测量结果的影响，对断路器声振源信号做数据集融合，采用零均值法和奇异值分解得到信号的对应权重，对数据加权融合有效消除噪声，使数据更接近于真实值，并减小其余提取特征向量和故障诊断步骤的计算量；
本发明提取声音信号的特征区间幅值和，并求得声振信号的多种特征熵联合为特征矩阵，包含更多的断路器分合闸的工作信息，也可用于判断更多种类的断路器故障；
采用FWA算法寻找支持向量机的最优参数，有效提高故障诊断的效果。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
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一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1示出了本发明实施例的故障诊断框架图；
图2示出了本发明实施例的信号数据级去噪融合算法的流程框图；
图3示出了本发明实施例的提取振动信号EMD分解算法流程图；
图4示出了本发明实施例的故障诊断特征矩阵结构框图；
图5示出了本发明实施例的基于FWA的SVM参数寻优流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的在于针对现有技术的弊端，提供一种多特征优化融合的高压断路器故障诊断方法，使用多个声音振动传感器采集断路器运行信息，基于传感器的位置不同采集的信号有所差异，进而对多路数据采用滤波加权融合的方式处理，将每一个传感器的数据作为列向量，组合为输入矩阵做单边Jacobi(求对称矩阵的全部特征值以及相应的特征向量的一种方法)变换，得到对应多路信号的奇异值并作为权重，使信号去除噪声后更接近于真实值。分别采用不同的方式提取融合后的声振信号(声音信号和振动信号)多种特征，首先对不同类别的声音信号做分段处理，并计算每个信号区间的幅值和，采用两样本的K-S检验算法，提取故障信号与正常信号幅值差较大的区间，取得标记区间交集后，根据Relief-F算法选择可信度高的区间幅值和，作为声音信号的特征值。对于振动信号采用经验模态分解后提取包含重要信息的固有模态分量(IMF)，采用时频域联合分析方法，提取各阶能量熵、功率谱熵、以及空间熵作为振动信号的特征值。将声音信号和振动信号的两类特征向量联合为特征矩阵，包含断路器更多的运行信息，输入基于烟花算法FWA(FireWorkAlgorithem)优化的支持向量机模型进行故障诊断，确保高压断路器的稳定运行。
示例性的，图1示出了本发明实施例的故障诊断框架图，如图1所示，图中的YS(t)、YZ(t)为传感器采集到的初始声音信号与振动信号；
对每组声振信号做去噪加权融合处理，取每个传感器收集到声振信号的一组结果，长度为n，作为列向量构建输入矩阵，对矩阵做零均值处理后，进行单边的Jacobi变换，取得对应每组传感器数据的奇异值，从而得到噪声对信号的影响权值，将多路信号通过加权平均的方式融合为一路信号YS”(t)和YZ”(t)；
对各类融合后的声音信号分为f段，并计算各区间幅值和，由K-S检验法标记正常信号与故障信号幅值有明显差异的区间，取各类别的差异区间交集的幅值和，并用Relief-F算法减小特征维数，进一步提取可信度高的区间幅值和作为特征向量，进行归一化处理；
由于振动信号包含丰富的断路器运行信息，对其做时频域分析可得到更多的有效信息，有利于断路器故障状态的表述。对融合后的振动信号YZ”(t)做经验模态分解，取前M阶包含主要信息的固有模态分量(IMF)，并对IMF做离散傅里叶变换，提取能量熵与功率谱熵。对IMF做Hilbert变换，得到二维时频域系数矩阵，反应了信号幅值对应与时间和频率的时频特征，对矩阵做奇异值分解，求得各阶IMF分量的空间熵，最后将能量熵、功率谱熵、以及空间熵联合作为振动信号的特征向量；
按照以上步骤，分别对正常和故障情况下的声音信号和振动信号做处理后，提取声音信号区间幅值和，以及前M阶振动信号IMF分量的能量熵、功率谱熵、空间熵，将四种特征向量组合为一个特征矩阵样本；
基于烟花算法FWA优化的SVM支持向量机，按比例选取断路器不同状态下的特征矩阵作为训练数据，得到最优参数的分类模型，再加入新的测试数据，检测基于数据融合处理后的声振信号经SVM分类后的故障诊断准确度。
示例性的，图2示出了本发明实施例的信号数据级去噪融合算法的流程框图，如图2所示，具体步骤如下：
I1、分别取N组初始声音信号YS(t)和振动信号YZ(t)的波形数据长度为n,则第i组声音信号YS(t)波形数据组成的列向量为：
YSi＝[Yi1Yi2…Yin]T(i＝1,2...n) (1)
I2、对声音信号YS(t)波形数据做零均值处理，对每个声音信号YS(t)波形数据减去该组数据平均值AV(YSN)：
Yi1'＝Yi1-AV(YSN) (2)
得到声音信号YS(t)预处理数据矩阵：
I3、对式(3)做单边jacobi奇异值分解，得到对应的N个奇异值δi(i＝1…N),反应了受噪音影响程度，由式(4)得到权重Wi，如下：
由式(5)计算得到数据权重估计值，如下：
I4、选取多个声音信号YS(t)波形数据平均值AV(YSN)取均值AV，按式(6)得到声音信号YS(t)最终融合数据YS”，如下：
I5、振动信号YZ(t)的融合处理与声音信号YS(t)一致，得到融合信号YZ”(t)。
其中，对YS'做单边jacobi奇异值分解的步骤如下：
B＝UTYS',Y∈Rm×n,m＞n (7)
其中，B为行向量正交矩阵，U的行向量和列向量均正交，将得到的B矩阵做QR分解，得到：
B＝(BT)T＝(QBRB)T＝RB TQB T (8)
令：Σ＝RB T,VT＝QB T，则YS'＝UΣVT，得到奇异值矩阵Σ，得到的奇异值分别与输入矩阵YS'各列向量一一对应。
由于多路传感器的本身差异与测量位置的不同导致原始声音信号和振动信号数据产生偏差，数据做零均值处理后，再对由多路数据构成的列向量矩阵做SVD分解，得到对应的N个奇异值δi(i＝1…N)，每个δi值反应了数据受噪音影响程度，由奇异值可作为数据加权的基础从而获得权重Wi，将多路传感器数据按照加权平均的思想融合为一路数据，有效减小噪声对原始数据的影响，并显著减小后期提取信号特征的计算量。
示例性的，图3示出了本发明实施例的提取振动信号EMD分解算法流程图，如图3所示，具体步骤如下：
III1、确定振动信号YZ”(t)的所有极大值点与极小值点，分别将极大值点与极小值点连接，形成上、下包络线，包络线间包含所有信号数值；
III2、取上、下包络线的平均值记为m(t),求出c(t)＝YZ”(t)-m(t)，判断c(t)是否能满足固有模态分量的成立条件，即：极值点个数和过零点个数相等，或相差最多不超过一个；在任意时刻，极大值点形成的上包络线与极小值点形成的下包络线的平均值为零；
如果满足以上两个条件，则c(t)为信号的第一个固有模态分量，分离出c(t)，得到残余函数r(t)＝YZ”(t)-c(t)，否则将c(t)作为原始数据，重复步骤III1和III2；
III3、重复步骤III1和III2，直到r(t)成为一个单调函数，不能再次分解取得固有模态分量时，结束循环；
III4、振动信号YZ”(t)可以表示为v个固有模态分量ci(t)和残余函数r(t)之和，即：
示例性的，图4示出了本发明实施例的故障诊断特征矩阵结构框图，如图4所示，采用K-S检验法提取声音信号YS”(t)的特征向量，具体步骤如下：
II1、将融合后的声音信号YS”(t)沿时间轴平均分为f个宽度为T的区间，计算各区间内信号幅值和；
II2、使用K-S检验法比较各区间正常声音信号与故障声音信号的幅值和，标记出幅值差距大的声音信号区间，取对应幅值和作为声音信号YS”(t)的特征向量；
K-S检验法步骤如下：
假设a：Sp(x)＝Rq(x)，b：Sp(x)≠Rq(x)，Sp(x)和Rq(x)分别为X、Y样本的经验分布函数，p、q为两个样本的容量，给定显著性水平α，将样本升序排列，得累积频数分布，计算检验统计量Dp,q：Dp,q＝max{|Sp(Xi)-Rq(Yj)|}，Xi和Yj为样本X与Y的顺序统计量；
计算在α下的给定阈值Dp,q,α，p＝q时，当Dp,q≥Dp,q,α时，拒绝假设a,认为两样本来自不同分布，存在显著性差异,阈值Dp,q,α可在给定α后，查询Kolmogonov分布函数获得；
K-S检验法得到的样本形式为：(xi,yi)，其中xi为标记区间信号幅值和，yi为样本类别。
II3、得到不同故障声音信号对应的若干差异区间后，取所有区间交集作为特征幅值和提取区间，为降低特征维数，采用Relief-F算法选择可信度高的区间幅值和作为声音信号YS”(t)的特征向量；
Relief-F算法步骤如下：
从所有样本中随机取出样本A，找出k个与A同类的近邻样本H，从与A不同类的样本集中找出k个近邻样本M，并按式(10)计算更新每个特征a对应的权重W(a)：
其中，c为样本A所属特征类别，P(c)为c类别对应比例，P(c(A))为随机选择样本A的对应类别比例，m为随机抽样次数，diff(a,A,Hj)为样本A和H在特征a上的距离，由式(11)计算diff(a,A,H)值，如下：
II4、对选择区间的信号幅值和x按式(9)做归一化处理，得到处理后的声音信号YS”(t)特征向量x'，如下：
对所述固有模态分量做离散傅里叶变换，提取能量熵、功率谱熵和空间熵，具体步骤如下：
IV1、由经验模态分解得到振动信号YZ”(t)的固有模态分量，选取包含主要信息的前r个固有模态分量，按式(13)计算各固有模态分量的能量值Ei，如下：
Ei＝∫|ci(t)|2dt (i＝1,2...r) (13)
IV2、由式(14)构造各固有模态分量能量值的总能量E，如下：
IV3、由式(15)求得第j阶固有模态分量的能量熵Hj，如下：
其中，ei为第i个固有模态分量能量占信号总能量的百分比；
IV4、对振动信号YZ”(t)分解得到的r个固有模态分量，做离散傅里叶变换得到频域信号Ci(w)，由式(16)得到信号功率谱，如下：
Si(w)＝|Ci(w)|2/2πN (16)
即Si(w)＝{Si(1),Si(2),…Si(N)},由此得到功率谱熵如下式：
其中，pi(w)为第w个功率谱在整个谱中所占百分比；
IV5、对振动信号YZ”(t)分解得到的r个固有模态分量，做Hilbert变换得到二维时频域系数矩阵，并做SVD奇异值分解，得到各阶固有模态分量对应的a个奇异值
根据熵的定义由式(18)得到第j阶固有模态分量的空间熵，如下：
IV6、将振动信号YZ”(t)的三种特征熵组合为特征矩阵G，如下：
将四种特征向量联合为特征矩阵样本，等待故障诊断。
示例性的，图5示出了本发明实施例的基于FWA的SVM参数寻优流程图，如图5所示，具体步骤如下：
V1、设置初始种群数为K，最大迭代次数为Z，惩罚因子cmin、cmax，
核函数gmin、gmax；
V2、初始化种群，在特定解空间内随机产生烟花，即产生随机的核函数g与惩罚因子c，利用SVM算法进行学习训练，得到个体适应度值；
V3、计算烟花爆炸产生的火花数以及爆炸半径，由式(20)计算烟花爆炸产生的火花数Si：
由式(21)计算烟花爆炸半径Ai：
其中，h为限制火花总数的常数，Ymax为当前种群最差适应度值，f(xi)为烟花个体xi的适应度值，A'为最大爆炸半径，Ymin为当前种群最佳适应度值，ε为常数；
V4、将做高斯变异后的烟花引入种群，保证种群的多样性；
V5、对超出边界的火花采用映射规则；
V6、对整个空间的烟花保留最优个体，利用锦标赛原则选择适应度较小的个体作为下一代烟花，个体选择概率如下：
其中，Fmax为烟花集合Ω中个体的最大适应度值；
V7、若满足算法的终止条件，则返回最优参数值，否则返回步骤V3，在烟花、高斯变异烟花以及火花中选择一定数量的个体作为烟花，进入下一代迭代，求得最优解。
本发明实施例通过多传感器数据融合的概念，考虑到传感器测量位置等因素对测量结果的影响，对断路器声振源信号做数据集融合，采用零均值法和奇异值分解得到信号的对应权重，对数据加权融合有效消除噪声，使数据更接近于真实值，并减小其余提取特征向量和故障诊断步骤的计算量；本发明提取声音信号的特征区间幅值和，并求得声振信号的多种特征熵联合为特征矩阵，包含更多的断路器分合闸的工作信息，也可用于判断更多种类的断路器故障；采用FWA算法寻找支持向量机的最优参数，有效提高故障诊断的效果。
尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种多特征优化融合的高压断路器故障诊断方法，其特征在于，所述方法包括：
获取断路器分合闸过程中所发出的多组初始声音信号YS(t)和振动信号YZ(t)；
对每组初始声音信号YS(t)和振动信号YZ(t)做去噪加权融合处理得到一组声音信号YS”(t)和振动信号YZ”(t)；
采用K-S检验法提取声音信号YS”(t)的特征向量；
采用EMD经验模态分解法提取振动信号YZ”(t)的特征向量；
将声音信号YS”(t)的特征向量和振动信号YZ”(t)的特征向量融合为一个特征矩阵样本；
从特征矩阵样本中按比例选取正常及故障状态多种运行情况下的样本特征矩阵；
基于FWA优化的SVM故障诊断模型，输入选取的样本特征矩阵得到故障诊断结果。
2.根据权利要求1所述的多特征优化融合的高压断路器故障诊断方法，其特征在于，所述对每组初始声音信号YS(t)和振动信号YZ(t)做去噪加权融合处理得到一组声音信号YS”(t)和振动信号YZ”(t)，具体步骤如下：
I1、分别取N组初始声音信号YS(t)和振动信号YZ(t)的波形数据长度为n,则第i组声音信号YS(t)波形数据组成的列向量为：
YSi＝[Yi1Yi2...Yin]T(i＝1,2...n) (1)
I2、对声音信号YS(t)波形数据做零均值处理，对每个声音信号YS(t)波形数据减去该组数据平均值AV(YSN)：
Yi1'＝Yi1-AV(YSN) (2)
得到声音信号YS(t)预处理数据矩阵：
I3、对式(3)做单边jacobi奇异值分解，得到对应的N个奇异值δi(i＝1…N),反应了受噪音影响程度，由式(4)得到权重Wi，如下：
由式(5)计算得到数据权重估计值，如下：
I4、选取多个声音信号YS(t)波形数据平均值AV(YSN)取均值AV，按式(6)得到声音信号YS(t)最终融合数据YS”，如下：
I5、振动信号YZ(t)的融合处理与声音信号YS(t)一致，得到融合信号YZ”(t)。
3.根据权利要求2所述的多特征优化融合的高压断路器故障诊断方法，其特征在于，对YS'做单边jacobi奇异值分解的步骤如下：
B＝UTYS',Y∈Rm×n,m＞n (7)
其中，B为行向量正交矩阵，U的行向量和列向量均正交，将得到的B矩阵做QR分解，得到：
B＝(BT)T＝(QBRB)T＝RB TQB T (8)
令：Σ＝RB T,VT＝QB T，则YS'＝UΣVT，得到奇异值矩阵Σ，得到的奇异值分别与输入矩阵YS'各列向量一一对应。
4.根据权利要求3所述的多特征优化融合的高压断路器故障诊断方法，其特征在于，所述采用K-S检验法提取声音信号YS”(t)的特征向量，具体步骤如下：
II1、将融合后的声音信号YS”(t)沿时间轴平均分为f个宽度为T的区间，计算各区间内信号幅值和；
II2、使用K-S检验法比较各区间正常声音信号与故障声音信号的幅值和，标记出幅值差距大的声音信号区间，取对应幅值和作为声音信号YS”(t)的特征向量；
II3、得到不同故障声音信号对应的若干差异区间后，取所有区间交集作为特征幅值和提取区间，为降低特征维数，采用Relief-F算法选择可信度高的区间幅值和作为声音信号YS”(t)的特征向量；
II4、对选择区间的信号幅值和x按式(9)做归一化处理，得到处理后的声音信号YS”(t)特征向量x'，如下：
5.根据权利要求4所述的多特征优化融合的高压断路器故障诊断方法，其特征在于，K-S检验法步骤如下：
假设a：Sp(x)＝Rq(x)，b：Sp(x)≠Rq(x)，Sp(x)和Rq(x)分别为X、Y样本的经验分布函数，p、q为两个样本的容量，给定显著性水平α，将样本升序排列，得累积频数分布，计算检验统计量Dp,q：Dp,q＝max{|Sp(Xi)-Rq(Yj)|}，Xi和Yj为样本X与Y的顺序统计量；
计算在α下的给定阈值Dp,q,α，p＝q时，当Dp,q≥Dp,q,α时，拒绝假设a,认为两样本来自不同分布，存在显著性差异,阈值Dp,q,α可在给定α后，查询Kolmogonov分布函数获得；
K-S检验法得到的样本形式为：(xi,yi)，其中xi为标记区间信号幅值和，yi为样本类别。
6.根据权利要求4所述的多特征优化融合的高压断路器故障诊断方法，其特征在于，Relief-F算法步骤如下：
从所有样本中随机取出样本A，找出k个与A同类的近邻样本H，从与A不同类的样本集中找出k个近邻样本M，并按式(10)计算更新每个特征a对应的权重W(a)：
其中，c为样本A所属特征类别，P(c)为c类别对应比例，P(c(A))为随机选择样本A的对应类别比例，m为随机抽样次数，diff(a,A,Hj)为样本A和H在特征a上的距离，由式(11)计算diff(a,A,H)值，如下：
7.根据权利要求4所述的多特征优化融合的高压断路器故障诊断方法，其特征在于，所述采用EMD经验模态分解法提取振动信号YZ”(t)的特征向量，具体步骤如下：
III1、确定振动信号YZ”(t)的所有极大值点与极小值点，分别将极大值点与极小值点连接，形成上、下包络线，包络线间包含所有信号数值；
III2、取上、下包络线的平均值记为m(t),求出c(t)＝YZ”(t)-m(t)，判断c(t)是否能满足固有模态分量的成立条件，即：极值点个数和过零点个数相等，或相差最多不超过一个；在任意时刻，极大值点形成的上包络线与极小值点形成的下包络线的平均值为零；
如果满足以上两个条件，则c(t)为信号的第一个固有模态分量，分离出c(t)，得到残余函数r(t)＝YZ”(t)-c(t)，否则将c(t)作为原始数据，重复步骤III1和III2；
III3、重复步骤III1和III2，直到r(t)成为一个单调函数，不能再次分解取得固有模态分量时，结束循环；
III4、振动信号YZ”(t)可以表示为v个固有模态分量ci(t)和残余函数r(t)之和，即：
8.根据权利要求7所述的多特征优化融合的高压断路器故障诊断方法，其特征在于，对所述固有模态分量做离散傅里叶变换，提取能量熵、功率谱熵和空间熵，具体步骤如下：
IV1、由经验模态分解得到振动信号YZ”(t)的固有模态分量，选取包含主要信息的前r个固有模态分量，按式(13)计算各固有模态分量的能量值Ei，如下：
Ei＝∫|ci(t)|2dt(i＝1,2...r) (13)
IV2、由式(14)构造各固有模态分量能量值的总能量E，如下：
IV3、由式(15)求得第j阶固有模态分量的能量熵Hj，如下：
其中，ei为第i个固有模态分量能量占信号总能量的百分比；
IV4、对振动信号YZ”(t)分解得到的r个固有模态分量，做离散傅里叶变换得到频域信号Ci(w)，由式(16)得到信号功率谱，如下：
Si(w)＝|Ci(w)|2/2πN (16)
即Si(w)＝{Si(1),Si(2),…Si(N)},由此得到功率谱熵如下式：
其中，pi(w)为第w个功率谱在整个谱中所占百分比；
IV5、对振动信号YZ”(t)分解得到的r个固有模态分量，做Hilbert变换得到二维时频域系数矩阵，并做SVD奇异值分解，得到各阶固有模态分量对应的a个奇异值
根据熵的定义由式(18)得到第j阶固有模态分量的空间熵，如下：
IV6、将振动信号YZ”(t)的三种特征熵组合为特征矩阵G，如下：
9.根据权利要求8所述的多特征优化融合的高压断路器故障诊断方法，其特征在于，所述基于FWA优化的SVM故障诊断模型，输入选取的样本特征矩阵得到故障诊断结果，具体步骤如下：
V1、设置初始种群数为K，最大迭代次数为Z，惩罚因子cmin、cmax，核函数gmin、gmax；
V2、初始化种群，在特定解空间内随机产生烟花，即产生随机的核函数g与惩罚因子c，利用SVM算法进行学习训练，得到个体适应度值；
V3、计算烟花爆炸产生的火花数以及爆炸半径，由式(20)计算烟花爆炸产生的火花数Si：
由式(21)计算烟花爆炸半径Ai：
其中，h为限制火花总数的常数，Ymax为当前种群最差适应度值，f(xi)为烟花个体xi的适应度值，A'为最大爆炸半径，Ymin为当前种群最佳适应度值，ε为常数；
V4、将做高斯变异后的烟花引入种群，保证种群的多样性；
V5、对超出边界的火花采用映射规则；
V6、对整个空间的烟花保留最优个体，利用锦标赛原则选择适应度较小的个体作为下一代烟花，个体选择概率如下：
其中，Fmax为烟花集合Ω中个体的最大适应度值；
V7、若满足算法的终止条件，则返回最优参数值，否则返回步骤V3，在烟花、高斯变异烟花以及火花中选择一定数量的个体作为烟花，进入下一代迭代，求得最优解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011096134.XA CN112255538B (zh) | 2020-10-14 | 2020-10-14 | 一种多特征优化融合的高压断路器故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011096134.XA CN112255538B (zh) | 2020-10-14 | 2020-10-14 | 一种多特征优化融合的高压断路器故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112255538A true CN112255538A (zh) | 2021-01-22 |
| CN112255538B CN112255538B (zh) | 2024-04-23 |
Family
ID=74242992
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011096134.XA Active CN112255538B (zh) | 2020-10-14 | 2020-10-14 | 一种多特征优化融合的高压断路器故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112255538B (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112949524A (zh) * | 2021-03-12 | 2021-06-11 | 中国民用航空飞行学院 | 一种基于经验模态分解与多核学习的发动机故障检测方法 |
| CN112986870A (zh) * | 2021-01-26 | 2021-06-18 | 国网江苏省电力有限公司南京供电分公司 | 基于振动法的分布式电力变压器绕组状态监测方法及系统 |
| CN113108898A (zh) * | 2021-05-08 | 2021-07-13 | 陕煤集团神木红柳林矿业有限公司 | 一种基于声振联合监测的堆煤保护方法 |
| CN113252322A (zh) * | 2021-04-27 | 2021-08-13 | 国网安徽省电力有限公司亳州供电公司 | 一种含噪背景下的断路器机械故障诊断方法及装置 |
| CN113255777A (zh) * | 2021-05-28 | 2021-08-13 | 郑州轻工业大学 | 基于多模态敏感特征选取融合的设备故障预警方法及系统 |
| CN113297922A (zh) * | 2021-04-30 | 2021-08-24 | 广西电网有限责任公司电力科学研究院 | 一种高压开关柜故障诊断方法、装置及存储介质 |
| CN113295702A (zh) * | 2021-05-20 | 2021-08-24 | 国网山东省电力公司枣庄供电公司 | 电气设备故障诊断模型训练方法和电气设备故障诊断方法 |
| CN113447768A (zh) * | 2021-05-25 | 2021-09-28 | 南方电网科学研究院有限责任公司 | 多重雷下的断路器绝缘水平评估方法及装置 |
| CN113533962A (zh) * | 2021-07-29 | 2021-10-22 | 上海交通大学 | 基于多物理信号传感器决策融合的感应电机健康诊断系统 |
| CN114509158A (zh) * | 2022-01-04 | 2022-05-17 | 东南大学 | 一种声振融合的叶片裂纹故障检测方法及应用 |
| CN115993504A (zh) * | 2023-03-23 | 2023-04-21 | 山东盛日电力集团有限公司 | 一种电气设备的智能故障诊断方法及系统 |
| CN116449255A (zh) * | 2023-03-09 | 2023-07-18 | 国网浙江省电力有限公司嘉兴供电公司 | 一种箱式变压器的故障检测系统及方法 |
| CN116736099A (zh) * | 2023-06-15 | 2023-09-12 | 中国铁路上海局集团有限公司徐州供电段 | 一种铁路开关柜断路器故障诊断方法 |
| CN116839908A (zh) * | 2023-06-07 | 2023-10-03 | 北京建筑大学 | 一种心理声学特征的齿轮箱声振信息融合诊断方法及系统 |
| CN116989593A (zh) * | 2023-09-25 | 2023-11-03 | 苏州弘皓光电科技有限公司 | 一种电炉运行故障的监测预警方法 |
| WO2024045387A1 (zh) * | 2022-08-31 | 2024-03-07 | 南方电网调峰调频发电有限公司储能科研院 | 一种"听振"结合的电厂密封设备漏气监测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160255446A1 (en) * | 2015-02-27 | 2016-09-01 | Giuliano BERNARDI | Methods, Systems, and Devices for Adaptively Filtering Audio Signals |
| CN106017879A (zh) * | 2016-05-18 | 2016-10-12 | 河北工业大学 | 基于振声信号特征融合的万能式断路器机械故障诊断方法 |
| CN107796602A (zh) * | 2016-08-31 | 2018-03-13 | 华北电力大学（保定） | 一种声振信号融合处理的断路器故障诊断方法 |
| US20180330588A1 (en) * | 2017-05-12 | 2018-11-15 | Thomson Licensing | Device and method for walker identification |
| CN109444728A (zh) * | 2018-09-21 | 2019-03-08 | 国网河南省电力公司济源供电公司 | 一种基于动态加权混合聚类算法的断路器故障诊断方法 |
| CN110119713A (zh) * | 2019-05-14 | 2019-08-13 | 云南电网有限责任公司电力科学研究院 | 基于d-s证据理论的高压断路器机械故障诊断方法 |
| CN110929763A (zh) * | 2019-10-30 | 2020-03-27 | 西安交通大学 | 基于多源数据融合的中压真空断路器机械故障诊断方法 |
-
2020
- 2020-10-14 CN CN202011096134.XA patent/CN112255538B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160255446A1 (en) * | 2015-02-27 | 2016-09-01 | Giuliano BERNARDI | Methods, Systems, and Devices for Adaptively Filtering Audio Signals |
| CN106017879A (zh) * | 2016-05-18 | 2016-10-12 | 河北工业大学 | 基于振声信号特征融合的万能式断路器机械故障诊断方法 |
| CN107796602A (zh) * | 2016-08-31 | 2018-03-13 | 华北电力大学（保定） | 一种声振信号融合处理的断路器故障诊断方法 |
| US20180330588A1 (en) * | 2017-05-12 | 2018-11-15 | Thomson Licensing | Device and method for walker identification |
| CN109444728A (zh) * | 2018-09-21 | 2019-03-08 | 国网河南省电力公司济源供电公司 | 一种基于动态加权混合聚类算法的断路器故障诊断方法 |
| CN110119713A (zh) * | 2019-05-14 | 2019-08-13 | 云南电网有限责任公司电力科学研究院 | 基于d-s证据理论的高压断路器机械故障诊断方法 |
| CN110929763A (zh) * | 2019-10-30 | 2020-03-27 | 西安交通大学 | 基于多源数据融合的中压真空断路器机械故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| BENBIN CHEN: "State Evaluation of Vacuum Circuit Breaker Based on Multi-sensor Fusion", IEEE, pages 589 - 593 * |
| 孙曙光: "基于多特征融合与改进QPSO-RVM的万能式断路器故障振声诊断方法", 电工技术学报, vol. 32, no. 19, pages 107 - 117 * |
| 李沐峰: "基于声振信号融合的断路器同期性分析方法研究", 硕士电子期刊, no. 03, pages 1 - 54 * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112986870A (zh) * | 2021-01-26 | 2021-06-18 | 国网江苏省电力有限公司南京供电分公司 | 基于振动法的分布式电力变压器绕组状态监测方法及系统 |
| CN112949524A (zh) * | 2021-03-12 | 2021-06-11 | 中国民用航空飞行学院 | 一种基于经验模态分解与多核学习的发动机故障检测方法 |
| CN113252322A (zh) * | 2021-04-27 | 2021-08-13 | 国网安徽省电力有限公司亳州供电公司 | 一种含噪背景下的断路器机械故障诊断方法及装置 |
| CN113252322B (zh) * | 2021-04-27 | 2022-05-31 | 国网安徽省电力有限公司亳州供电公司 | 一种含噪背景下的断路器机械故障诊断方法及装置 |
| CN113297922A (zh) * | 2021-04-30 | 2021-08-24 | 广西电网有限责任公司电力科学研究院 | 一种高压开关柜故障诊断方法、装置及存储介质 |
| CN113108898B (zh) * | 2021-05-08 | 2023-03-31 | 陕煤集团神木红柳林矿业有限公司 | 一种基于声振联合监测的堆煤保护方法 |
| CN113108898A (zh) * | 2021-05-08 | 2021-07-13 | 陕煤集团神木红柳林矿业有限公司 | 一种基于声振联合监测的堆煤保护方法 |
| CN113295702A (zh) * | 2021-05-20 | 2021-08-24 | 国网山东省电力公司枣庄供电公司 | 电气设备故障诊断模型训练方法和电气设备故障诊断方法 |
| CN113447768A (zh) * | 2021-05-25 | 2021-09-28 | 南方电网科学研究院有限责任公司 | 多重雷下的断路器绝缘水平评估方法及装置 |
| CN113447768B (zh) * | 2021-05-25 | 2022-03-15 | 南方电网科学研究院有限责任公司 | 多重雷下的断路器绝缘水平评估方法及装置 |
| CN113255777A (zh) * | 2021-05-28 | 2021-08-13 | 郑州轻工业大学 | 基于多模态敏感特征选取融合的设备故障预警方法及系统 |
| CN113533962A (zh) * | 2021-07-29 | 2021-10-22 | 上海交通大学 | 基于多物理信号传感器决策融合的感应电机健康诊断系统 |
| CN114509158A (zh) * | 2022-01-04 | 2022-05-17 | 东南大学 | 一种声振融合的叶片裂纹故障检测方法及应用 |
| WO2024045387A1 (zh) * | 2022-08-31 | 2024-03-07 | 南方电网调峰调频发电有限公司储能科研院 | 一种"听振"结合的电厂密封设备漏气监测方法 |
| CN116449255A (zh) * | 2023-03-09 | 2023-07-18 | 国网浙江省电力有限公司嘉兴供电公司 | 一种箱式变压器的故障检测系统及方法 |
| CN116449255B (zh) * | 2023-03-09 | 2023-12-22 | 国网浙江省电力有限公司嘉兴供电公司 | 一种箱式变压器的故障检测系统及方法 |
| CN115993504A (zh) * | 2023-03-23 | 2023-04-21 | 山东盛日电力集团有限公司 | 一种电气设备的智能故障诊断方法及系统 |
| CN115993504B (zh) * | 2023-03-23 | 2023-08-18 | 山东盛日电力集团有限公司 | 一种电气设备的智能故障诊断方法及系统 |
| CN116839908A (zh) * | 2023-06-07 | 2023-10-03 | 北京建筑大学 | 一种心理声学特征的齿轮箱声振信息融合诊断方法及系统 |
| CN116736099A (zh) * | 2023-06-15 | 2023-09-12 | 中国铁路上海局集团有限公司徐州供电段 | 一种铁路开关柜断路器故障诊断方法 |
| CN116736099B (zh) * | 2023-06-15 | 2023-12-05 | 中国铁路上海局集团有限公司徐州供电段 | 一种铁路开关柜断路器故障诊断方法 |
| CN116989593A (zh) * | 2023-09-25 | 2023-11-03 | 苏州弘皓光电科技有限公司 | 一种电炉运行故障的监测预警方法 |
| CN116989593B (zh) * | 2023-09-25 | 2023-12-12 | 苏州弘皓光电科技有限公司 | 一种电炉运行故障的监测预警方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112255538B (zh) | 2024-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112255538A (zh) | 一种多特征优化融合的高压断路器故障诊断方法 | |
| CN109684673B (zh) | 一种电力系统暂态稳定结果的特征提取和聚类分析方法 | |
| Do et al. | Convolutional-neural-network-based partial discharge diagnosis for power transformer using UHF sensor | |
| CN110070060B (zh) | 一种轴承设备的故障诊断方法 | |
| CN111275198A (zh) | 一种轴承异常检测方法及系统 | |
| CN113376516A (zh) | 一种基于深度学习的中压真空断路器运行故障自诊断与预警方法 | |
| CN108470194B (zh) | 一种特征筛选方法及装置 | |
| KR102314824B1 (ko) | 딥러닝 기반 감지상황에서의 음향 사건 탐지 방법 | |
| CN110568082A (zh) | 一种基于声发射信号的缆索断丝的判别方法 | |
| CN113884844A (zh) | 一种变压器局部放电类型识别方法及系统 | |
| CN115993511A (zh) | 一种局部放电类型高精度检测识别装置、方法和设备 | |
| CN111461183A (zh) | 改进人工鱼群算法优化bp神经网络的平轮故障检测方法 | |
| CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
| CN112906672A (zh) | 钢轨缺陷识别方法及系统 | |
| CN116257777B (zh) | 分类模型融合的密封继电器多余物检测与材质识别方法 | |
| CN106073802A (zh) | 运动状态下的血氧饱和度监测装置 | |
| KR102407834B1 (ko) | 긴 펄스 레이더 신호의 속성 기반 분류 방법 및 장치 | |
| CN116503710A (zh) | 基于自适应卷积神经网络的gis局部放电类型识别方法 | |
| JP5134605B2 (ja) | 信号識別装置 | |
| RU2148274C1 (ru) | Способ идентификации личности по особенностям подписи | |
| CN115563500A (zh) | 基于数据增强技术的配电设备局部放电模式识别方法、装置及系统 | |
| CN115239971A (zh) | Gis局部放电类型识别模型训练方法、识别方法及系统 | |
| CN113341283A (zh) | 一种变压器套管局部放电模式识别方法 | |
| CN114997248B (zh) | 一种基于原型学习的开放集干扰识别模型和方法 | |
| Finotti et al. | Evaluation of computational intelligence methods using statistical analysis to detect structural damage |
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 |