CN112417950A - 一种gis特高频法局部放电类型诊断方法 - Google Patents

一种gis特高频法局部放电类型诊断方法 Download PDF

Info

Publication number
CN112417950A
CN112417950A CN202011049436.1A CN202011049436A CN112417950A CN 112417950 A CN112417950 A CN 112417950A CN 202011049436 A CN202011049436 A CN 202011049436A CN 112417950 A CN112417950 A CN 112417950A
Authority
CN
China
Prior art keywords
partial discharge
discharge type
ultrahigh frequency
characteristic parameters
model
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
CN202011049436.1A
Other languages
English (en)
Inventor
唐志国
曹智
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.)
North China Electric Power University
Original Assignee
North China Electric Power 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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202011049436.1A priority Critical patent/CN112417950A/zh
Publication of CN112417950A publication Critical patent/CN112417950A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G01R31/1254—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of gas-insulated power appliances or vacuum gaps
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本申请公开一种GIS特高频法局部放电类型诊断方法。所述方法包括重构局部放电特高频脉冲信号；分析重构后的信号，从中提取并保存特征参数；根据特征参数计算并保存局部放电类型诊断模型；根据局部放电类型诊断模型计算信号重构后的待测局部放电特高频信号的放电类型。采用本申请的诊断方法测量结果精准、应用范围广泛、操作简便，为GIS设备检修工作提供有效依据，减少设备故障所导致的损失。

Description

一种GIS特高频法局部放电类型诊断方法
技术领域
本申请涉及局部放电类型诊断技术领域，尤其涉及一种GIS特高频法局部放电类型诊断方法。
背景技术
局部放电是引起GIS(气体绝缘组合电器)绝缘劣化的重要原因之一，不同类型的放电在绝缘劣化机理、放电发展过程以及危害性方面均有明显差异，通过对设备局部放电信号的检测可以评估设备绝缘劣化的程度，且放电类型辨识可以辅助放电源定位，为绝缘缺陷维修决策提供关键信息支撑。GIS设备在制造、安装以及运行的过程中难以避免的会出现绝缘缺陷，如介质内气隙、杂质，导体上的金属突出物等，这些区域易引发局部区域的电场畸变，当场强高到一定程度时会发生局部放电。GIS放电类型识别大多将典型缺陷分为五种类型：金属突出物缺陷、接触不良悬浮放电类缺陷、绝缘子表面沿面类缺陷、气隙缺陷和自由金属颗粒缺陷。
现有的局部放电类型诊断的一般流程：基于各放电类型建立特征参数库，训练分类器参数，再使用训练的分类器参数进行未知测试样本的诊断。特征参数库的建立以及分类器的选择会对类型诊断的准确性产生影响，此外由于局部放电本身的复杂性和随机性，所形成的特征映射空间会存在一定的重叠，采用传统的分类器训练多使用单一分类器直接进行多类型划分，无法避免不同类型数据间的重叠对分类正确率的影响。现有局部放电数据特征参数选取方面的研究尚不完善，多使用信号的幅值和相位信息提取统计参数，且对于不同放电类型间的特征空间重叠问题、不同分类器识别策略的效果还有待于深入研究。
发明内容
本申请提供了一种GIS特高频法局部放电类型诊断方法，具有自动计算、实时保存特征参数，自动保存特征模型、实用性强、操作简单的特点，解决传统局部放电信号识别的不足，广泛应用于局部放电信号的检测。所述方法包括如下步骤：
重构局部放电特高频脉冲信号；
分析重构后的信号，从中提取并保存特征参数；
根据特征参数计算并保存局部放电类型诊断模型；
根据局部放电类型诊断模型计算信号重构后的待测局部放电特高频信号的放电类型。
如上所述的GIS特高频法局部放电类型诊断方法，其中，重构局部放电特高频脉冲信号，具体为对局部放电特高频脉冲信号中的幅值(V)、相位
Figure BDA0002709092950000021
和时间(t)数组分别重构获得
Figure BDA0002709092950000022
N-V，N-Δt，ΔT-Δt放电模式信息。
如上所述的GIS特高频法局部放电类型诊断方法，其中，在不同放电模式下进行特征参数提取，处理每条放电数据获得26个特征参数，包括
Figure BDA0002709092950000023
V_ave，V_std，V_En，N_std，N_ave，N_En，Vmax_std，Vmax_ave，Vmax_En，Vave_std，Vave_ave，Vave_En，NV_std，NV_ave，NV_En，NV_α，NV_β，NΔt_α，NΔt_β，NΔt_En，Num_Δt，Δt_std，Δt_ave，ΔT_ave。
如上所述的GIS特高频法局部放电类型诊断方法，其中，获得每个特高频数据的26条特征参量后，将所属类型标号插入最后一位，构成27维数据。
如上所述的GIS特高频法局部放电类型诊断方法，其中，根据特征参数计算并保存局部放电类型诊断模型，具体包括：
对特征参数文件的每一列进行归一化处理；
将归一化处理后的特征参数文件经分类器分类策略和分层训练策略以及BPnet和SVM分类器处理后得到的模型保存。
如上所述的GIS特高频法局部放电类型诊断方法，其中，对待检测的局部放电数据经放电模式构造、特征参数提取后，插入已保存的特征参数文件，对各列数据分别归一化后取出检测数据的特征参数进行分层识别。
如上所述的GIS特高频法局部放电类型诊断方法，其中，对特征参数进行分层识别，具体为对特征参量采用分层识别策略，分别调用已保存的FC1、FC2或FC3模型完成对待测局部放电数据类型的识别。
如上所述的GIS特高频法局部放电类型诊断方法，其中，对特征参数进行分层识别，具体包括如下子步骤：
取已经保存的特征参数文件T1；
将文件M的特征参数存入T1副本文件T11中第x行，对T11中文件的每一列进行归一化处理，取出M文件归一化后的特征参数x；
调用模型FC1识别特征参数x，若FC1识别结果为0，调用FC2模型，则FC2模型输出标号i即为步骤S2中标号对应的放电类型；若FC1识别结果为1，调用FC3模型，FC3模型输出标号j，则j+3即为步骤S2中标号对应的放电类型。
本申请实现的有益效果如下：通过选取合适的局部放电特高频信号重构方法，经特征参数提取过程，获得各局部放电信号更深层次的信息，结合不同分类器采用分层识别策略完成模型训练，实现不同局部放电类型的诊断。本方法测量结果精准、应用范围广泛、操作简便，为GIS设备检修工作提供有效依据，减少设备故障所导致的损失。
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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的一种GIS特高频法局部放电类型诊断方法流程图；
图2是分层识别策略示意图；
图3展示了针对待测数据M的识别方法示意图；
图4为与GIS特高频法局部放电类型诊断方法配套的显示界面。
具体实施方式
下面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、完整地描述，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。
实施例一
本申请实施例一提供一种GIS特高频法局部放电类型诊断方法，如图1所示，包括：
步骤110、重构局部放电特高频脉冲信号；
具体地，将每条特高频信号的幅值(V)、相位
Figure BDA0002709092950000041
和时间(t)数组分别重构获得
Figure BDA0002709092950000042
N-V，N-Δt，ΔT-Δt放电模式信息，其中N为各统计区间内的放电次数，Δt为相邻两次放电的时间间隔，ΔT为一个Δt间隔内所包含的工频周期数。
步骤120、分析重构后的信号，从中提取并保存特征参数；
针对每条局部放电数据重构后的模式信息，分别计算各模式的统计特征参数：
(1)对于相位数组
Figure BDA0002709092950000043
计算其标准差(std)
Figure BDA0002709092950000044
及相位宽度：
Figure BDA0002709092950000051
式中
Figure BDA0002709092950000052
分别为相位数组的最大值和最小值。
(2)对于幅值数组(V)，对于该数组中的每一个元素amp(i)采用如下公式进行幅值归一化：
Figure BDA0002709092950000053
幅值归一化后计算其均值(ave)V_ave，标准差(std)V_std和熵值(En)V_En；
其中熵值定义为：
En＝-∑p(i)*log2(p(i))且p(i)＝amp(i)/∑amp(i)。
(3)对于
Figure BDA0002709092950000054
模式，将
Figure BDA0002709092950000055
均分为n等份，统计每个相位区间内的放电次数获N数组，计算N_std，N_ave和N_En。
(4)对于
Figure BDA0002709092950000056
模式，将
Figure BDA0002709092950000057
均分为n等份，统计每个相位区间内的幅值均值和最大值，获得Vmax和Vave数组，计算Vmax_std，Vmax_ave，Vmax_En及Vave_std，Vave_ave，Vave_En。
(5)对于N-V模式，将归一化后的幅值数组均分为n等份，统计每个幅值区间内的放电次数获得NV数组，计算NV_std，NV_ave，NV_En，NV_α，NV_β，
其中NV_α，NV_β为N-V模式下的威布尔分布参数，表达式如下：
N＝1-exp(-(V/α)β)
式中，N为放电次数数组，V为幅值数组，α和β为待求威布尔分布参数。
(6)对于N-Δt模式，Δt为t数组每相邻两次放电的时间间隔，将Δt数组均分为n等份，统计每个时间间隔内的放电次数获得NΔt数组，计算NΔt_α，NΔt_β和NΔt_En。并统计Δt数组内元素个数Num_Δt，计算Δt_std和Δt_ave。
(7)对于ΔT-Δt模式，针对Δt数组中的每一个元素Δti，由式
Figure BDA0002709092950000058
得到每个时间间隔内的工频周期数，并只记录大于一个工频周期的结果获得ΔT数组，计算ΔT_ave。
由此，经过特征参数提取，获得
Figure BDA0002709092950000061
V_ave，V_std，V_En，N_std，N_ave，N_En，Vmax_std，Vmax_ave，Vmax_En，Vave_std，Vave_ave，Vave_En，NV_std，NV_ave，NV_En，NV_α，NV_β，NΔt_α，NΔt_β，NΔt_En，Num_Δt，Δt_std，Δt_ave，ΔT_ave在内的共计26项特征参数。
获得每个特高频数据的26条特征参量后，将所属类型标号插入最后一位，构成27维数据，即将每条数据所属的放电类型编号加入该特征参数组并保存特征参数文件，其中编号方式为：0：尖刺放电；1：悬浮放电；2：颗粒放电；3：气隙放电；4：沿面放电。
步骤130、根据特征参数计算并保存局部放电类型诊断模型；
本申请实施例中，使用步骤120中生成的特征参数文件，对特征参数文件的每一列进行归一化处理，将归一化处理后的特征参数文件经分类器分类策略和分层训练策略以及BPnet和SVM分类器处理后得到的模型保存；
图2为分层识别策略示意图，具体地，记总的特征参数文件为T1，包含0，1，2类型放电特征参数的子文件记为T2，包含3，4类型放电特征参数的子文件记为T3。GIS设备内0，1，2类放电发生在气体中，而3和4类型放电发生在固体绝缘上，采用分层训练分类器的方法减小各类型间特征映射空间重叠问题对识别准确性的影响。训练程序开始前先对特征参数文件的每一列，即同一类特征参数进行归一化处理，程序开始后T1进入分类器1得到并保存模型FC1，该模型为二分类模型，可能输出结果为0或1；T2进入分类器2得到并保存模型FC2，该模型为三分类模型，可能输出结果为0或1或2；T3进入分类器3得到并保存模型FC3，该模型为二分类模型，可能输出结果为0或1。用于上述训练过程的分类器可以选择BPnet和SVM，采用不同分类器会自动保存对应模型。
步骤140、根据局部放电类型诊断模型计算信号重构后的待测局部放电特高频信号的放电类型；
图3展示了针对待测数据M的识别方法示意图，在检测部分中，对待检测的局部放电数据经放电模式构造、特征参数提取后，插入已保存的特征参数文件，对各列数据分别归一化后取出检测数据的特征参数进行分层识别，具体包括如下子步骤：
步骤141、读取已经保存的特征参数文件T1；
步骤142、将文件M的特征参数存入T1副本文件T11中第x行，对T11中文件的每一列进行归一化处理，取出M文件归一化后的特征参数x；
步骤143、调用模型FC1识别特征参数x，若FC1识别结果为0，调用FC2模型，则FC2模型输出标号i即为步骤S2中标号对应的放电类型；若FC1识别结果为1，调用FC3模型，FC3模型输出标号j，则j+3即为步骤S2中标号对应的放电类型。
本申请还提供了与GIS特高频法局部放电类型诊断方法配套的显示界面，如图4所示，显示界面包括文件路径选择区、训练与检测区和结果显示区；
文件路径选择区包括用于选择局部放电数据的局部放电文件路径选择区、以及用于选择特征参数的保存路径特征值存储路径选择区；
训练与检测区包括特征值训练区和局部放电检测区，特征值训练区用于选择分类器进行模型训练生成模型；局部放电检测区用于选择待检测文件进行类型识别操作；
结果显示区用于显示放电类型诊断结果。
以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (8)

1.一种GIS特高频法局部放电类型诊断方法，其特征在于，包括如下步骤：
重构局部放电特高频脉冲信号；
分析重构后的信号，从中提取并保存特征参数；
根据特征参数计算并保存局部放电类型诊断模型；
根据局部放电类型诊断模型计算信号重构后的待测局部放电特高频信号的放电类型。
2.如权利要求1所述的GIS特高频法局部放电类型诊断方法，其特征在于，重构局部放电特高频脉冲信号，具体为对局部放电特高频脉冲信号中的幅值(V)、相位
Figure FDA0002709092940000011
和时间(t)数组分别重构获得
Figure FDA0002709092940000012
N-V，N-Δt，ΔT-Δt放电模式信息。
3.如权利要求1所述的GIS特高频法局部放电类型诊断方法，其特征在于，在不同放电模式下进行特征参数提取，处理每条放电数据获得26个特征参数，包括
Figure FDA0002709092940000013
V_ave，V_std，V_En，N_std，N_ave，N_En，Vmax_std，Vmax_ave，Vmax_En，Vave_std，Vave_ave，Vave_En，NV_std，NV_ave，NV_En，NV_α，NV_β，NΔt_α，NΔt_β，NΔt_En，Num_Δt，Δt_std，Δt_ave，ΔT_ave。
4.如权利要求3所述的GIS特高频法局部放电类型诊断方法，其特征在于，获得每个特高频数据的26条特征参量后，将所属类型标号插入最后一位，构成27维数据。
5.如权利要求1所述的GIS特高频法局部放电类型诊断方法，其特征在于，根据特征参数计算并保存局部放电类型诊断模型，具体包括：
对特征参数文件的每一列进行归一化处理；
将归一化处理后的特征参数文件经分类器分类策略和分层训练策略以及BPnet和SVM分类器处理后得到的模型保存。
6.如权利要求1所述的GIS特高频法局部放电类型诊断方法，其特征在于，对待检测的局部放电数据经放电模式构造、特征参数提取后，插入已保存的特征参数文件，对各列数据分别归一化后取出检测数据的特征参数进行分层识别。
7.如权利要求6所述的GIS特高频法局部放电类型诊断方法，其特征在于，对特征参数进行分层识别，具体为对特征参量采用分层识别策略，分别调用已保存的FC1、FC2或FC3模型完成对待测局部放电数据类型的识别。
8.如权利要求7所述的GIS特高频法局部放电类型诊断方法，其特征在于，对特征参数进行分层识别，具体包括如下子步骤：
取已经保存的特征参数文件T1；
将文件M的特征参数存入T1副本文件T11中第x行，对T11中文件的每一列进行归一化处理，取出M文件归一化后的特征参数x；
调用模型FC1识别特征参数x，若FC1识别结果为0，调用FC2模型，则FC2模型输出标号i即为步骤S2中标号对应的放电类型；若FC1识别结果为1，调用FC3模型，FC3模型输出标号j，则j+3即为步骤S2中标号对应的放电类型。
CN202011049436.1A 2020-09-29 2020-09-29 一种gis特高频法局部放电类型诊断方法 Pending CN112417950A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011049436.1A CN112417950A (zh) 2020-09-29 2020-09-29 一种gis特高频法局部放电类型诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011049436.1A CN112417950A (zh) 2020-09-29 2020-09-29 一种gis特高频法局部放电类型诊断方法

Publications (1)

Publication Number Publication Date
CN112417950A true CN112417950A (zh) 2021-02-26

Family

ID=74854222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011049436.1A Pending CN112417950A (zh) 2020-09-29 2020-09-29 一种gis特高频法局部放电类型诊断方法

Country Status (1)

Country Link
CN (1) CN112417950A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113866571A (zh) * 2021-08-06 2021-12-31 厦门欧易奇机器人有限公司 一种局放源定位方法、装置以及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108051711A (zh) * 2017-12-05 2018-05-18 国网浙江省电力公司检修分公司 基于状态特征映射的固体绝缘表面缺陷诊断方法
CN109116193A (zh) * 2018-06-14 2019-01-01 国网浙江省电力有限公司检修分公司 基于局放信号综合熵值的电气设备危险性放电判别方法
CN110672988A (zh) * 2019-08-29 2020-01-10 国网江西省电力有限公司电力科学研究院 一种基于分层式诊断的局部放电模式识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108051711A (zh) * 2017-12-05 2018-05-18 国网浙江省电力公司检修分公司 基于状态特征映射的固体绝缘表面缺陷诊断方法
CN109116193A (zh) * 2018-06-14 2019-01-01 国网浙江省电力有限公司检修分公司 基于局放信号综合熵值的电气设备危险性放电判别方法
CN110672988A (zh) * 2019-08-29 2020-01-10 国网江西省电力有限公司电力科学研究院 一种基于分层式诊断的局部放电模式识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘昌标: "GIS特高频局部放电特征量优选及类型识别研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, pages 042 - 510 *
唐志国 等: "卷积神经网络迁移学习在局部放电类型诊断中的应用", 《高压电器》, vol. 58, no. 04, pages 158 - 164 *
张连根 等: "GIS局部放电深度分层放电类型诊断方法研究", 《高压电器》, pages 25 - 32 *
王彩雄: "基于特高频法的GIS局部放电故障诊断研究", 《中国博士论文全文数据库 工程科技II辑》, pages 042 - 133 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113866571A (zh) * 2021-08-06 2021-12-31 厦门欧易奇机器人有限公司 一种局放源定位方法、装置以及设备

Similar Documents

Publication Publication Date Title
JP4997069B2 (ja) 不良検出方法及び不良検出装置
CN112036301A (zh) 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法
JP7470784B2 (ja) 異常機器トレース検出および分類
CN114781467B (zh) 一种基于振动相似度的故障检测方法
US20230194624A1 (en) Battery management system for classifying a battery module
CN115758200A (zh) 一种基于相似度度量的振动信号故障识别方法及系统
CN113805018A (zh) 一种配电网10kV电缆局部放电故障类型智能识别方法
CN112417950A (zh) 一种gis特高频法局部放电类型诊断方法
CN113222884B (zh) 检查样本的方法和其系统
CN109557434B (zh) 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法
Yan et al. Bearing performance degradation assessment based on the continuous-scale mathematical morphological particle and feature fusion
Koo et al. A unified defect pattern analysis of wafer maps using density-based clustering
CN109917245B (zh) 考虑相位差的超声检测局部放电信号模式识别方法
TW202209119A (zh) 基於晶圓分格圖的根本原因分析
JP2000077495A (ja) 検査システム及びそれを用いた電子デバイスの製造方法
Karthikeyan et al. A heuristic complex probabilistic neural network system for partial discharge pattern classification
US20090137068A1 (en) Method and Computer Program Product for Wafer Manufacturing Process Abnormalities Detection
Saucedo-Dorantes et al. Novelty Detection Methodology Based on Self-Organizing Maps for Power Quality Monitoring
CN117647725B (zh) Pcba的老化测试方法及系统
CN112464146B (zh) 一种基于历史遥测数据的关键分系统及单机关联性健康基线构建方法
CN115511106B (zh) 基于时序数据生成训练数据的方法、设备和可读存储介质
TWI731671B (zh) 異常晶片檢測方法與異常晶片檢測系統
Niranjan et al. Machine Learning-Based Adaptive Outlier Detection for Underkill Reduction in Analog/RF IC Testing
Tanaka et al. Improving Anomalous Sound Detection by Distance Matrix-Based Visualization of Measurement Flaws
Ahmed et al. Multivariate Time Series Modeling for Long Term Partial Discharge Measurements in Medium Voltage XLPE Cables

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