CN112446309A - 一种基于冲击事件来监测异常状态的系统及方法 - Google Patents
一种基于冲击事件来监测异常状态的系统及方法 Download PDFInfo
- Publication number
- CN112446309A CN112446309A CN202011292312.6A CN202011292312A CN112446309A CN 112446309 A CN112446309 A CN 112446309A CN 202011292312 A CN202011292312 A CN 202011292312A CN 112446309 A CN112446309 A CN 112446309A
- Authority
- CN
- China
- Prior art keywords
- characteristic data
- impact event
- time point
- target device
- input
- 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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
Abstract
本发明涉及一种基于冲击事件来监测异常状态的系统及方法，其中系统包括：至少一个监测终端，用于对待监测的目标设备的运行状态进行实时监测；每个监测终端包括：至少一个信号传感器、采样单元、通信单元以及控制单元。信息处理服务器或每个监测终端能够确定设备特征数据、环境特征数据和/或输入特征数据，根据设备特征数据、环境特征数据和/或输入特征数据确定是否发生与目标设备相关联的冲击事件，当确定发生了与目标设备相关联的冲击事件时，确定冲击事件发生的时间点，并且对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息。
Description
技术领域
本发明涉及设备检测技术领域，并且更具体地，涉及一种基于冲击事件来监测异常状态的系统及方法。
背景技术
健康状态监测与诊断是对设备进行运行维护的关键技术。现有的监测技术都是根据信号特征直接诊断设备的状态。这种方式存在诊断准确性低、以及无法确定异常原因的不足。实际上，正常运行时的设备很少形成损伤，绝大部分设备损伤都是内部或外部的各种冲击事件造成的。为此，现有技术需要能够根据冲击事件来对设备进行异常诊断的技术。这种能够根据所识别的设备冲击事件来诊断设备健康状态。
发明内容
因此，本申请提出一种基于冲击事件的异常诊断系统和方法，在识别设备冲击事件的基础上诊断设备健康状态，能够更准确的诊断健康状态，确定损伤产生原因，提出更精准的维修建议。
根据本发明的一个方面，提供一种基于冲击事件来监测异常状态的系统，所述系统包括：
至少一个监测终端，用于对待监测的目标设备的运行状态进行实时监测，将至少一个监测终端中的每个监测终端设置在所述目标设备的不同位置处；
其中每个监测终端包括：
至少一个信号传感器，将每个信号传感器以贴合方式设置在所述目标设备处，用于监测所述目标设备中传递的设备信号和/或输入信号；或者，将每个信号传感器设置在所述目标设备附近的介质中，用于监测介质中传播的设备信号、输入信号和/或环境信号；
采样单元，对每个信号传感器所监测到的信息进行采样，从而获得目标设备中传递的设备信号和/或输入信号，或者介质中传播的设备信号、输入信号和/或环境信号；
通信单元，通过有线通信链路和/或无线通信链路与信息处理服务器进行通信；
控制单元，根据控制指令来控制每个监测终端的启动运行、停止运行、位置移动、软件更新、参数设置、信号采样、数据处理、异常诊断和/或工作模式；
信息处理服务器，通过有线通信链路和/或无线通信链路与至少一个监测终端进行通信，基于有线通信链路和/或无线通信链路从至少一个监测终端接收目标设备中传递的设备信号和/或输入信号，或者介质中传播的设备信号、输入信号和/或环境信号；
信息处理服务器和/或每个监测终端对目标设备中传递的设备信号和/或输入信号，或者介质中传播的设备信号、输入信号和/或环境信号进行特征提取，从而确定设备特征数据、环境特征数据和/或输入特征数据，根据设备特征数据、环境特征数据和/或输入特征数据确定是否发生与目标设备相关联的冲击事件，
当确定发生了与目标设备相关联的冲击事件时，信息处理服务器和/或每个监测终端确定冲击事件发生的时间点，并且对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息。
所述冲击事件包括内部冲击事件和/或外部冲击事件。
其中目标设备中传递的设备信号是由目标设备所包括的部件所产生的并且能够在目标设备中传递的信号；其中目标设备中传递的输入信号是由预先设置的输入器件通过与目标设备的接触所产生的信号；其中介质中传播的设备信号是由目标设备所包括的部件所产生的并且能够在目标设备附近的介质中传递的信号；其中介质中传播的输入信号是由预先设置的输入器件通过与目标设备的接触所产生的信号；所述环境信号是在目标设备附近的介质中传播的信号。
其中信息处理服务器和/或每个监测终端对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息包括：
基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点前是否处于异常状态；或者
基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点后是否处于异常状态；或者
当目标设备在冲击事件发生的时间点前和时间点后均处于异常状态时，基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据，和冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别结果确定目标设备在冲击事件发生的时间点后是否比时间点前存在更为显著的异常状态。
其中信息处理服务器和/或每个监测终端对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息包括：
基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点前的异常类型；或者，
基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点后的异常类型；或者，
将目标设备在冲击事件发生的时间点前的异常类型，与目标设备在冲击事件发生的时间点后的异常类型的比较，确定目标设备在冲击事件发生的时间点后的异常类型是否发生变化。
其中信息处理服务器和/或每个监测终端对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息包括：基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点前处于异常状态的部件；或者，
基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点后处于异常状态的部件；或者，将目标设备在冲击事件发生的时间点前的处于异常状态的部件，与目标设备在冲击事件发生的时间点后的后处于异常状态的部件进行比较，确定目标设备在冲击事件发生的时间点后处于异常状态的部件是否发生变化。
其中信息处理服务器和/或每个监测终端对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息包括：基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据进行识别，根据识别的结果确定目标设备在冲击事件发生的时间点前处于异常状态的位置；或者，
基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前后的设备特征数据、环境特征数据和/或输入特征数据进行识别，根据识别的结果确定目标设备在冲击事件发生的时间点后处于异常状态的位置；
或者，将目标设备在冲击事件发生的时间点前处于异常状态的位置与目标设备在冲击事件发生的时间点后处于异常状态的位置进行比较，确定目标设备在冲击事件发生的时间点后处于异常状态的位置是否发生变化。
其中信息处理服务器和/或每个监测终端对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息包括：
人工智能识别组件或神经网络识别组件使用理论公式、经验曲线、试验曲线、实测曲线、统计曲线、拟合曲线或大数据分析对设备特征数据、环境特征数据和/或输入特征数据进行识别，以确定识别的结果，根据识别的结果来确定目标设备是否处于异常状态。
其中信息处理服务器和/或每个监测终端对设备特征数据、环境特征数据和/或输入特征数据进行识别包括：确定检索主题并根据检索主题从多个数据格式中选择特定的数据格式，将设备特征数据、环境特征数据和/或输入特征数据生成符合特定数据格式的设备特征数据、环境特征数据和/或输入特征数据；
将设备特征数据、环境特征数据和/或输入特征数据与特定数据库中符合相同的特定数据格式的预先存储的特征数据进行比对，以确定与每个预先存储的特征数据的匹配度；
将匹配度最大的预先存储的特征数据确定为设备特征数据、环境特征数据和/或输入特征数据的匹配特征数据。
信息处理服务器和/或每个监测终端基于识别的结果来监测目标设备的异常信息包括：确定设备特征数据、环境特征数据和/或输入特征数据的匹配特征数据所对应的设备运行状态；基于设备运行状态来确定监测目标设备是否处于异常状态。
信息处理服务器和/或每个监测终端基于识别的结果来监测目标设备的异常信息包括：根据冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备处于正常运行时的特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点前是否处于异常状态；或者，
根据冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备处于正常运行时的特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点后是否处于异常状态；或者，
当目标设备在冲击事件发生的时间点前和时间点后均处于异常状态时，将冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据，与冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行比较，根据比较结果目标设备在冲击事件发生的时间点后是否比时间点前存在更为显著的异常状态。
信息处理服务器和/或每个监测终端基于识别的结果来监测目标设备的异常信息包括：根据冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备不同异常程度的特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点前是否处于异常状态；或者，
根据冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备不同异常程度的特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点后是否处于异常状态；或者，
当目标设备在冲击事件发生的时间点前和时间点后均处于异常状态时，将冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据，与冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行比较，根据比较结果目标设备在冲击事件发生的时间点后是否比时间点前存在更为显著的异常状态。
信息处理服务器和/或每个监测终端基于识别的结果来监测目标设备的异常信息包括：
根据冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备不同异常类型时的多个特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点前的异常类型；或者，
根据冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备不同异常类型时的多个特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点后的异常类型；或者，
将目标设备在冲击事件发生的时间点前的异常类型，与目标设备在冲击事件发生的时间点后的异常类型的比较，确定目标设备在冲击事件发生的时间点后的异常类型是否发生变化。
其中当目标设备为地下电缆时，异常类型包括：短路、单相短路、三相短路、两相短路、两相短路接地、断线、单相断线、两相断线、三相断线、击穿、爆管、爆裂、电缆架倒塌、电缆掉落、挖、铲、撞击、塌方、外物入侵、外物碰撞或局部放电；
当目标设备为架空输电线路时，异常类型包括：短路、单相短路、三相短路、两相短路、两相短路接地、断线、单相断线、两相断线、三相断线、闪络、局部放电、电塔倒塌、塔基松动、连接件松动、连接件断裂、舞动、覆冰或外物撞击。
信息处理服务器和/或每个监测终端基于识别的结果来监测目标设备的异常信息包括：
根据冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备不同部件异常时的多个特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点前处于异常状态的部件；或者，
根据冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备不同部件异常时的多个特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点后处于异常状态的部件；或者，将目标设备在冲击事件发生的时间点前的处于异常状态的部件，与目标设备在冲击事件发生的时间点后的后处于异常状态的部件进行比较，确定目标设备在冲击事件发生的时间点后处于异常状态的部件是否发生变化。
信息处理服务器和/或每个监测终端基于识别的结果来监测目标设备的异常信息包括：
根据冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备不同位置异常时的多个特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点前处于异常状态的位置；或者，
根据冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备不同位置异常时的多个特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点后处于异常状态的位置；或者，
将目标设备在冲击事件发生的时间点前处于异常状态的位置与目标设备在冲击事件发生的时间点后处于异常状态的位置进行比较，确定目标设备在冲击事件发生的时间点后处于异常状态的位置是否发生变化。
异常信息至少包括：异常类型、异常程度、异常位置和/或异常部件。
还包括，根据冲击事件的影响范围和异常状态的存在范围确定目标设备的需要检查和/或维修的范围。
信息处理服务器和/或每个监测终端基于检索结果来监测目标设备的异常状态包括：
基于使用理论公式、经验曲线、试验曲线、实测曲线、统计曲线、拟合曲线或大数据分析将设备特征数据、环境特征数据和/或输入特征数据与特定数据库中符合相同的特定数据格式的预先存储的特征数据进行比对，以确定与每个预先存储的特征数据的匹配度，根据匹配度来确定目标设备是否处于异常状态。
所述设备特征数据、环境特征数据和/或输入特征数据为时域特征、频域特征、时频域特征、功率谱特征、频谱包络线特征、微分特征、积分特征和人工智能特征中的至少一个。
信息处理服务器和/或每个监测终端基于识别的结果来监测目标设备的异常信息包括：
根据时域特征、频域特征、时频域特征、功率谱特征、频谱包络线特征、微分特征、积分特征和人工智能特征中的至少一个是否超过设定的阈值来确定目标设备是否处于异常状态。
每个信号传感器至少包括一个声纹传感器，将所述声纹传感器以贴合方式设置在目标设备上，用于监测目标设备中传递的振动信号/声音信号；或者，所述声纹传感器被设置在目标设备附近的介质中，用于监测介质中传递的振动信号/声音信号；
所述监测到的设备信号、环境信号或输入信号为声纹信号、视频信号、红外视频信号、气象信号、位置信号、电气信号和/或电磁波信号。所述目标设备为架空输电线路、或者所述目标设备为电力变压器。所述目标设备为地下电缆、配电柜、环网柜、开关柜、断路器、隔离开关、接地开关、电抗器、电容器、电抗器、风力发电机或太阳能电池装置。
信息处理服务器和/或每个监测终端能够显示或播放冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据、冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据、任意时间段内的设备特征数据、环境特征数据和/或输入特征数据，以及目标设备的运行状态。
信息处理服务器和/或每个监测终端能够按照设置的顺序和时间间隔依次显示或播放冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据、冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据、任意时间段内的设备特征数据、环境特征数据和/或输入特征数据。
根据本发明的另一方面，提供一种基于冲击事件来监测异常状态的方法，所述方法包括：
使用至少一个监测终端对待监测的目标设备的运行状态进行实时监测，其中将至少一个监测终端中的每个监测终端设置在所述目标设备的不同位置处；
将每个监测终端中的至少一个信号传感器以贴合方式设置在所述目标设备处，监测所述目标设备中传递的设备信号和/或输入信号；或者，将每个监测终端中的至少一个信号传感器设置在所述目标设备附近的介质中，监测介质中传播的设备信号、输入信号和/或环境信号；
使用监测终端的采样单元对每个信号传感器所监测到的信息进行采样，从而获得目标设备中传递的设备信号和/或输入信号，或者介质中传播的设备信号、输入信号和/或环境信号；
使用监测终端的通信单元通过有线通信链路和/或无线通信链路与信息处理服务器进行通信；
使用监测终端的控制单元根据控制指令来控制每个监测终端的启动运行、停止运行、位置移动、软件更新、参数设置、信号采样、数据处理、异常诊断和/或工作模式；
利用信息处理服务器通过有线通信链路和/或无线通信链路与至少一个监测终端进行通信，以基于有线通信链路和/或无线通信链路从至少一个监测终端接收目标设备中传递的设备信号和/或输入信号，或者介质中传播的设备信号、输入信号和/或环境信号；
促使监测终端和/或信息处理服务器对目标设备中传递的设备信号和/或输入信号，或者介质中传播的设备信号、输入信号和/或环境信号进行特征提取，从而确定设备特征数据、环境特征数据和/或输入特征数据，根据设备特征数据、环境特征数据和/或输入特征数据确定是否发生与目标设备相关联的冲击事件，
当确定发生了与目标设备相关联的冲击事件时，促使监测终端和/或信息处理服务器确定冲击事件发生的时间点，并且对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息。所述冲击事件包括内部冲击事件和/或外部冲击事件。
其中目标设备中传递的设备信号是由目标设备所包括的部件所产生的并且能够在目标设备中传递的信号；其中目标设备中传递的输入信号是由预先设置的输入器件通过与目标设备的接触所产生的信号；其中介质中传播的设备信号是由目标设备所包括的部件所产生的并且能够在目标设备附近的介质中传递的信号；其中介质中传播的输入信号是由预先设置的输入器件通过与目标设备的接触所产生的信号；所述环境信号是在目标设备附近的介质中传播的信号。
其中对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息包括：
基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点前是否处于异常状态；或者
基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点后是否处于异常状态；
或者当目标设备在冲击事件发生的时间点前和时间点后均处于异常状态时，基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据，和冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别结果确定目标设备在冲击事件发生的时间点后是否比时间点前存在更为显著的异常状态。
其中对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息包括：
基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点前的异常类型；或者，
基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点后的异常类型；或者，
将目标设备在冲击事件发生的时间点前的异常类型，与目标设备在冲击事件发生的时间点后的异常类型的比较，确定目标设备在冲击事件发生的时间点后的异常类型是否发生变化。
其中对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息包括：基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点前处于异常状态的部件；或者，基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点后处于异常状态的部件；或者，将目标设备在冲击事件发生的时间点前的处于异常状态的部件，与目标设备在冲击事件发生的时间点后的后处于异常状态的部件进行比较，确定目标设备在冲击事件发生的时间点后处于异常状态的部件是否发生变化。
其中对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息包括：
基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据进行识别，根据识别的结果确定目标设备在冲击事件发生的时间点前处于异常状态的位置；或者，基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前后的设备特征数据、环境特征数据和/或输入特征数据进行识别，根据识别的结果确定目标设备在冲击事件发生的时间点后处于异常状态的位置；或者，将目标设备在冲击事件发生的时间点前处于异常状态的位置与目标设备在冲击事件发生的时间点后处于异常状态的位置进行比较，确定目标设备在冲击事件发生的时间点后处于异常状态的位置是否发生变化。
其中对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息包括：
人工智能识别组件或神经网络识别组件使用理论公式、经验曲线、试验曲线、实测曲线、统计曲线、拟合曲线或大数据分析对设备特征数据、环境特征数据和/或输入特征数据进行识别，以确定识别的结果，根据识别的结果来确定目标设备是否处于异常状态。
其中对设备特征数据、环境特征数据和/或输入特征数据进行识别包括：确定检索主题并根据检索主题从多个数据格式中选择特定的数据格式，将设备特征数据、环境特征数据和/或输入特征数据生成符合特定数据格式的设备特征数据、环境特征数据和/或输入特征数据；
将设备特征数据、环境特征数据和/或输入特征数据与特定数据库中符合相同的特定数据格式的预先存储的特征数据进行比对，以确定与每个预先存储的特征数据的匹配度；
将匹配度最大的预先存储的特征数据确定为设备特征数据、环境特征数据和/或输入特征数据的匹配特征数据。
基于识别的结果来监测目标设备的异常信息包括：确定设备特征数据、环境特征数据和/或输入特征数据的匹配特征数据所对应的设备运行状态；基于设备运行状态来确定监测目标设备是否处于异常状态。
基于识别的结果来监测目标设备的异常信息包括：根据冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备处于正常运行时的特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点前是否处于异常状态；
或者，根据冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备处于正常运行时的特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点后是否处于异常状态；
或者，当目标设备在冲击事件发生的时间点前和时间点后均处于异常状态时，将冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据，与冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行比较，根据比较结果目标设备在冲击事件发生的时间点后是否比时间点前存在更为显著的异常状态。
基于识别的结果来监测目标设备的异常信息包括：根据冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备不同异常程度的特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点前是否处于异常状态；
或者，根据冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备不同异常程度的特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点后是否处于异常状态；
或者，当目标设备在冲击事件发生的时间点前和时间点后均处于异常状态时，将冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据，与冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行比较，根据比较结果目标设备在冲击事件发生的时间点后是否比时间点前存在更为显著的异常状态。
基于识别的结果来监测目标设备的异常信息包括：根据冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备不同异常类型时的多个特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点前的异常类型；
或者，根据冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备不同异常类型时的多个特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点后的异常类型；
或者，将目标设备在冲击事件发生的时间点前的异常类型，与目标设备在冲击事件发生的时间点后的异常类型的比较，确定目标设备在冲击事件发生的时间点后的异常类型是否发生变化。
其中当目标设备为地下电缆时，异常类型包括：短路、单相短路、三相短路、两相短路、两相短路接地、断线、单相断线、两相断线、三相断线、击穿、爆管、爆裂、电缆架倒塌、电缆掉落、挖、铲、撞击、塌方、外物入侵、外物碰撞或局部放电；
当目标设备为架空输电线路时，异常类型包括：短路、单相短路、三相短路、两相短路、两相短路接地、断线、单相断线、两相断线、三相断线、闪络、局部放电、电塔倒塌、塔基松动、连接件松动、连接件断裂、舞动、覆冰或外物撞击。
基于识别的结果来监测目标设备的异常信息包括：根据冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备不同部件异常时的多个特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点前处于异常状态的部件；或者，根据冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备不同部件异常时的多个特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点后处于异常状态的部件；或者，将目标设备在冲击事件发生的时间点前的处于异常状态的部件，与目标设备在冲击事件发生的时间点后的后处于异常状态的部件进行比较，确定目标设备在冲击事件发生的时间点后处于异常状态的部件是否发生变化。
基于识别的结果来监测目标设备的异常信息包括：根据冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备不同位置异常时的多个特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点前处于异常状态的位置；或者，根据冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备不同位置异常时的多个特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点后处于异常状态的位置；
或者，将目标设备在冲击事件发生的时间点前处于异常状态的位置与目标设备在冲击事件发生的时间点后处于异常状态的位置进行比较，确定目标设备在冲击事件发生的时间点后处于异常状态的位置是否发生变化。
还包括，根据冲击事件的影响范围和异常状态的存在范围确定目标设备的需要检查和/或维修的范围。
所述基于检索结果来监测目标设备的异常状态包括：基于使用理论公式、经验曲线、试验曲线、实测曲线、统计曲线、拟合曲线或大数据分析将设备特征数据、环境特征数据和/或输入特征数据与特定数据库中符合相同的特定数据格式的预先存储的特征数据进行比对，以确定与每个预先存储的特征数据的匹配度，根据匹配度来确定目标设备是否处于异常状态。
所述设备特征数据、环境特征数据和/或输入特征数据为时域特征、频域特征、时频域特征、功率谱特征、频谱包络线特征、微分特征、积分特征和人工智能特征中的至少一个。
所述基于识别的结果来监测目标设备的异常信息包括：根据时域特征、频域特征、时频域特征、功率谱特征、频谱包络线特征、微分特征、积分特征和人工智能特征中的至少一个是否超过设定的阈值来确定目标设备是否处于异常状态。每个信号传感器至少包括一个声纹传感器，将所述声纹传感器以贴合方式设置在目标设备上，用于监测目标设备中传递的振动信号/声音信号；或者，所述声纹传感器被设置在目标设备附近的介质中，用于监测介质中传递的振动信号/声音信号；
所述监测到的设备信号、环境信号或输入信号为声纹信号、视频信号、红外视频信号、气象信号、位置信号、电气信号和/或电磁波信号。所述目标设备为架空输电线路、或者所述目标设备为电力变压器。目标设备为地下电缆、配电柜、环网柜、开关柜、断路器、隔离开关、接地开关、电抗器、电容器、电抗器、风力发电机或太阳能电池装置。所述信息处理服务器能够显示或播放冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据、冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据、任意时间段内的设备特征数据、环境特征数据和/或输入特征数据，以及目标设备的运行状态。
所述信息处理服务器能够按照设置的顺序和时间间隔依次显示或播放冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据、冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据、任意时间段内的设备特征数据、环境特征数据和/或输入特征数据。
根据本发明的技术方案可以广泛应用到架空输电线路、地下电缆、电力变压器、配电柜、环网柜、开关柜、断路器、隔离开关、接地开关、电感器、电容器、电抗器、风力发电机、太阳能电池装置等设备，具有良好的应用价值。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明实施方式的基于冲击事件来监测异常状态的系统的结构示意图；
图2为根据本发明实施方式的对目标设备进行监测的示意图；
图3为根据本发明实施方式的基于冲击事件来监测异常状态的方法的流程图。
具体实施方式
在本申请中，信号(例如，设备信号、输入信号和/或环境信号等)应当被宽泛地、或概括地理解为直接采集到的信号或者其被处理之后的结果。
图1为根据本发明实施方式的基于冲击事件来监测异常状态的系统的结构示意图。系统包括至少一个监测终端和信息处理服务器。至少一个监测终端包括监测终端1、监测终端2、…..、监测终端n。至少一个监测终端中的每个监控终端用于对待监测的目标设备的运行状态进行实时监测。为了对待监测的目标设备的运行状态进行实时监测，将至少一个监测终端中的每个监测终端设置在目标设备的不同位置处。
如图1所示，至少一个监测终端中的每个监测终端包括：至少一个信号传感器、采样单元、通信单元和控制单元。每个信号传感器以贴合方式被设置在目标设备处，用于监测目标设备中传递的设备信号和/或输入信号。可替换地，每个信号传感器被设置在目标设备附近的介质中，用于监测介质中传播的设备信号、输入信号和/或环境信号。目标设备可以是从多个待监测的设备中随机选择的/按照预设规则选择的一个设备。目标设备可以为架空输电线路、或者目标设备为电力变压器。目标设备可以为地下电缆、配电柜、环网柜、开关柜、断路器、隔离开关、接地开关、电抗器、电容器、电抗器、风力发电机或太阳能电池装置。
目标设备中传递的设备信号是由目标设备所包括的部件所产生的并且能够在目标设备中传递的信号。目标设备中传递的输入信号是由预先设置的输入器件通过与目标设备的接触/碰撞/敲击等所产生的信号。介质中传播的设备信号是由目标设备所包括的部件所产生的并且能够在目标设备附近的介质中传递的信号。介质中传播的输入信号是由预先设置的输入器件通过与目标设备的接触/碰撞/敲击等所产生的并且能够在目标设备附近的介质中传递的信号。输入器件例如是金属锤。环境信号是在目标设备附近的介质中传播的信号，例如雷击等所产生的声音信号。介质例如是空气、氮气等。
采样单元，对每个信号传感器所监测到的信息进行采样，从而获得目标设备中传递的设备信号和/或输入信号，或者介质中传播的设备信号、输入信号和/或环境信号。通信单元，通过有线通信链路和/或无线通信链路与信息处理服务器进行通信。控制单元，根据控制指令来控制每个监测终端的启动运行、停止运行、位置移动、软件更新、参数设置、信号采样、数据处理、异常诊断和/或工作模式。
信息处理服务器，通过有线通信链路和/或无线通信链路与至少一个监测终端进行通信，基于有线通信链路和/或无线通信链路从至少一个监测终端或从每个监测终端接收目标设备中传递的设备信号和/或输入信号，或者介质中传播的设备信号、输入信号和/或环境信号。
信息处理服务器或每个监测终端均可以对目标设备中传递的设备信号和/或输入信号，或者介质中传播的设备信号、输入信号和/或环境信号进行特征提取，从而确定设备特征数据、环境特征数据和/或输入特征数据，根据设备特征数据、环境特征数据和/或输入特征数据确定是否发生与目标设备相关联的冲击事件。冲击事件包括内部冲击事件和/或外部冲击事件。其中内部冲击事件是由目标设备内部的部件或组件在运行中所产生冲击事件。外部冲击事件是由目标设备外部的任意类型的物体，例如铁器，击打目标设备所生产的冲击事件。
信息处理服务器能够显示或播放冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据、冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据、任意时间段内的设备特征数据、环境特征数据和/或输入特征数据，以及目标设备的运行状态。可替换地，信息处理服务器能够按照设置的顺序和时间间隔依次显示或播放冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据、冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据、任意时间段内的设备特征数据、环境特征数据和/或输入特征数据。
当确定发生了与目标设备相关联的冲击事件时，信息处理服务器或每个监测终端均可以确定冲击事件发生的时间点，并且对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息。
其中对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息包括：基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点前是否处于异常状态。或者，基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点后是否处于异常状态。或者，当目标设备在冲击事件发生的时间点前和时间点后均处于异常状态时，基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据，和冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别结果确定目标设备在冲击事件发生的时间点后是否比时间点前存在更为显著的异常状态。
其中对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息包括：
基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点前的异常类型。或者，基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点后的异常类型。或者，将目标设备在冲击事件发生的时间点前的异常类型，与目标设备在冲击事件发生的时间点后的异常类型的比较，确定目标设备在冲击事件发生的时间点后的异常类型是否发生变化。
其中对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息包括：
基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点前处于异常状态的部件。或者，基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点后处于异常状态的部件；或者，将目标设备在冲击事件发生的时间点前的处于异常状态的部件，与目标设备在冲击事件发生的时间点后的后处于异常状态的部件进行比较，确定目标设备在冲击事件发生的时间点后处于异常状态的部件是否发生变化。
其中对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息包括：
基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据进行识别，根据识别的结果确定目标设备在冲击事件发生的时间点前处于异常状态的位置。或者，基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前后的设备特征数据、环境特征数据和/或输入特征数据进行识别，根据识别的结果确定目标设备在冲击事件发生的时间点后处于异常状态的位置；或者，将目标设备在冲击事件发生的时间点前处于异常状态的位置与目标设备在冲击事件发生的时间点后处于异常状态的位置进行比较，确定目标设备在冲击事件发生的时间点后处于异常状态的位置是否发生变化。
其中对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息包括：人工智能识别组件或神经网络识别组件使用理论公式、经验曲线、试验曲线、实测曲线、统计曲线、拟合曲线或大数据分析对设备特征数据、环境特征数据和/或输入特征数据进行识别，以确定识别的结果，根据识别的结果来确定目标设备是否处于异常状态。
可替换地，其中对设备特征数据、环境特征数据和/或输入特征数据进行识别包括：信息处理服务器或每个监测终端确定检索主题并根据检索主题从多个数据格式中选择特定的数据格式，将设备特征数据、环境特征数据和/或输入特征数据生成符合特定数据格式的设备特征数据、环境特征数据和/或输入特征数据。信息处理服务器或每个监测终端将设备特征数据、环境特征数据和/或输入特征数据与特定数据库中符合相同的特定数据格式的预先存储的特征数据进行比对，以确定与每个预先存储的特征数据的匹配度。信息处理服务器或每个监测终端将匹配度最大的预先存储的特征数据确定为设备特征数据、环境特征数据和/或输入特征数据的匹配特征数据。
其中基于识别的结果来监测目标设备的异常信息包括：信息处理服务器或每个监测终端确定设备特征数据、环境特征数据和/或输入特征数据的匹配特征数据所对应的设备运行状态。信息处理服务器或每个监测终端基于设备运行状态来确定监测目标设备是否处于异常状态。
其中，基于识别的结果来监测目标设备的异常信息包括：
根据冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备处于正常运行时的特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点前是否处于异常状态。或者，根据冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备处于正常运行时的特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点后是否处于异常状态。或者，当目标设备在冲击事件发生的时间点前和时间点后均处于异常状态时，将冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据，与冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行比较，根据比较结果目标设备在冲击事件发生的时间点后是否比时间点前存在更为显著的异常状态。
基于识别的结果来监测目标设备的异常信息包括：
根据冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备不同异常程度的特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点前是否处于异常状态。或者，根据冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备不同异常程度的特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点后是否处于异常状态。或者，当目标设备在冲击事件发生的时间点前和时间点后均处于异常状态时，将冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据，与冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行比较，根据比较结果目标设备在冲击事件发生的时间点后是否比时间点前存在更为显著的异常状态。
基于识别的结果来监测目标设备的异常信息包括：
根据冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备不同异常类型时的多个特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点前的异常类型。或者，根据冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备不同异常类型时的多个特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点后的异常类型。或者，将目标设备在冲击事件发生的时间点前的异常类型，与目标设备在冲击事件发生的时间点后的异常类型的比较，确定目标设备在冲击事件发生的时间点后的异常类型是否发生变化。
基于识别的结果来监测目标设备的异常信息包括：
根据冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备不同部件异常时的多个特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点前处于异常状态的部件。或者，根据冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备不同部件异常时的多个特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点后处于异常状态的部件。或者，将目标设备在冲击事件发生的时间点前的处于异常状态的部件，与目标设备在冲击事件发生的时间点后的后处于异常状态的部件进行比较，确定目标设备在冲击事件发生的时间点后处于异常状态的部件是否发生变化。
基于识别的结果来监测目标设备的异常信息包括：
根据冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备不同位置异常时的多个特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点前处于异常状态的位置。或者，根据冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据，与在特征数据库中检索得到的目标设备不同位置异常时的多个特征数据进行比较，根据比较结果确定目标设备在冲击事件发生的时间点后处于异常状态的位置。或者，将目标设备在冲击事件发生的时间点前处于异常状态的位置与目标设备在冲击事件发生的时间点后处于异常状态的位置进行比较，确定目标设备在冲击事件发生的时间点后处于异常状态的位置是否发生变化。
优选地，当目标设备为地下电缆时，异常类型包括：短路、单相短路、三相短路、两相短路、两相短路接地、断线、单相断线、两相断线、三相断线、击穿、爆管、爆裂、电缆架倒塌、电缆掉落、挖、铲、撞击、塌方、外物入侵、外物碰撞或局部放电。当目标设备为架空输电线路时，异常类型包括：短路、单相短路、三相短路、两相短路、两相短路接地、断线、单相断线、两相断线、三相断线、闪络、局部放电、电塔倒塌、塔基松动、连接件松动、连接件断裂、舞动、覆冰或外物撞击。
还包括，根据冲击事件的影响范围和异常状态的存在范围确定目标设备的需要检查和/或维修的范围。并且基于检索结果来监测目标设备的异常状态包括：基于使用理论公式、经验曲线、试验曲线、实测曲线、统计曲线、拟合曲线或大数据分析将设备特征数据、环境特征数据和/或输入特征数据与特定数据库中符合相同的特定数据格式的预先存储的特征数据进行比对，以确定与每个预先存储的特征数据的匹配度，根据匹配度来确定目标设备是否处于异常状态。
设备特征数据、环境特征数据和/或输入特征数据为时域特征、频域特征、时频域特征、功率谱特征、频谱包络线特征、微分特征、积分特征和人工智能特征中的至少一个。此外，基于识别的结果来监测目标设备的异常信息包括：根据时域特征、频域特征、时频域特征、功率谱特征、频谱包络线特征、微分特征、积分特征和人工智能特征中的至少一个是否超过设定的阈值来确定目标设备是否处于异常状态。
每个信号传感器至少包括一个声纹传感器，将声纹传感器以贴合方式设置在目标设备上，用于监测目标设备中传递的振动信号/声音信号；或者，声纹传感器被设置在目标设备附近的介质中，用于监测介质中传递的振动信号/声音信号。监测到的设备信号、环境信号或输入信号为声纹信号、视频信号、红外视频信号、气象信号、位置信号、电气信号和/或电磁波信号。
图2为根据本发明实施方式的对目标设备进行监测的示意图。如图2所示，以贴合方式被设置在目标设备200的信号传感器202-1、202-3、202-4以及202-5。设置在目标设备200附近的介质(空气)中的信号传感器202-2和202-6。信号传感器202-1至202-6可以属于同一监测终端或属于不同的监测终端。例如，监测终端A包括信号传感器202-1、202-2和202-3；并且监测终端B包括信号传感器202-4、202-5和202-6。
信号传感器202-1、202-3、202-4以及202-5以贴合方式被设置在目标设备200处，用于监测目标设备200中传递的设备信号和/或输入信号。信号传感器202-2和202-6被设置在目标设备200附近的介质中，用于监测介质中传播的设备信号、输入信号和/或环境信号。目标设备200可以是从多个待监测的设备中随机选择的/按照预设规则选择的一个设备。目标设备200可以为架空输电线路、或者目标设备200为电力变压器。目标设备可以为地下电缆、配电柜、环网柜、开关柜、断路器、隔离开关、接地开关、电抗器、电容器、电抗器、风力发电机或太阳能电池装置。
目标设备200中传递的设备信号是由目标设备所包括的部件所产生的并且能够在目标设备中传递的信号。例如，设备信号是由部件201在运行时由于故障所产生的并且能够在目标设备中传递的信号。
目标设备中传递的输入信号是由预先设置的输入器件通过与目标设备的接触/碰撞/敲击等所产生的信号。例如，输入信号是由输入器件203通过与目标设备的接触/碰撞/敲击等所产生的(能够在目标设备中传递的信号)信号。
介质中传播的设备信号是由目标设备所包括的部件所产生的并且能够在目标设备附近的介质中传递的信号。例如，设备信号是由部件201在运行时由于故障所产生的并且能够在目标设备200附近的介质中传递的信号。
介质中传播的输入信号是由预先设置的输入器件通过与目标设备的接触/碰撞/敲击等所产生的并且能够在目标设备附近的介质中传递的信号。例如，输入信号是由输入器件203通过与目标设备的接触/碰撞/敲击等所产生的信号并且在目标设备附近的介质中传递的信号。
输入器件例如是金属锤。环境信号是在目标设备附近的介质中传播的信号，例如雷击204等所产生的声音信号。介质例如是空气、氮气等。
图3为根据本发明实施方式的基于冲击事件来监测异常状态的方法的流程图。方法300从步骤301处开始。
在步骤301，利用至少一个信号传感器监测目标设备中传递的设备信号和/或输入信号；或者，监测介质中传播的设备信号、输入信号和/或环境信号。本申请使用至少一个监测终端对待监测的目标设备的运行状态进行实时监测，其中将至少一个监测终端中的每个监测终端设置在目标设备的不同位置处。具体地，将每个监测终端中的至少一个信号传感器以贴合方式设置在目标设备处，监测目标设备中传递的设备信号和/或输入信号；或者，将每个监测终端中的至少一个信号传感器设置在目标设备附近的介质中，监测介质中传播的设备信号、输入信号和/或环境信号。
在步骤302，对每个信号传感器所监测到的信息进行采样，从而获得目标设备中传递的设备信号和/或输入信号，或者介质中传播的设备信号、输入信号和/或环境信号。
在步骤303，通过有线通信链路和/或无线通信链路与信息处理服务器进行通信。
在步骤304，根据控制指令来控制每个监测终端的启动运行、停止运行、位置移动、软件更新、参数设置、信号采样、数据处理、异常诊断和/或工作模式。
在步骤305，对目标设备中传递的设备信号和/或输入信号，或者介质中传播的设备信号、输入信号和/或环境信号进行特征提取，从而确定设备特征数据、环境特征数据和/或输入特征数据，根据设备特征数据、环境特征数据和/或输入特征数据确定是否发生与目标设备相关联的冲击事件。
冲击事件包括内部冲击事件和/或外部冲击事件。其中内部冲击事件是由目标设备内部的部件或组件在运行中所产生冲击事件。外部冲击事件是由目标设备外部的任意类型的物体，例如铁器，击打目标设备所生产的冲击事件。
在步骤306，当确定发生了与目标设备相关联的冲击事件时，促使监测终端和/或信息处理服务器确定冲击事件发生的时间点，并且对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息。
其中对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息包括：基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点前是否处于异常状态。或者，基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点后是否处于异常状态。或者，当目标设备在冲击事件发生的时间点前和时间点后均处于异常状态时，基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据，和冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别结果确定目标设备在冲击事件发生的时间点后是否比时间点前存在更为显著的异常状态。
其中对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息包括：
基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点前的异常类型。或者，基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点后的异常类型。或者，将目标设备在冲击事件发生的时间点前的异常类型，与目标设备在冲击事件发生的时间点后的异常类型的比较，确定目标设备在冲击事件发生的时间点后的异常类型是否发生变化。
其中对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息包括：
基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点前处于异常状态的部件。或者，基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点后处于异常状态的部件；或者，将目标设备在冲击事件发生的时间点前的处于异常状态的部件，与目标设备在冲击事件发生的时间点后的后处于异常状态的部件进行比较，确定目标设备在冲击事件发生的时间点后处于异常状态的部件是否发生变化。
其中对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息包括：
基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据进行识别，根据识别的结果确定目标设备在冲击事件发生的时间点前处于异常状态的位置。或者，基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前后的设备特征数据、环境特征数据和/或输入特征数据进行识别，根据识别的结果确定目标设备在冲击事件发生的时间点后处于异常状态的位置；或者，将目标设备在冲击事件发生的时间点前处于异常状态的位置与目标设备在冲击事件发生的时间点后处于异常状态的位置进行比较，确定目标设备在冲击事件发生的时间点后处于异常状态的位置是否发生变化。
其中对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息包括：人工智能识别组件或神经网络识别组件使用理论公式、经验曲线、试验曲线、实测曲线、统计曲线、拟合曲线或大数据分析对设备特征数据、环境特征数据和/或输入特征数据进行识别，以确定识别的结果，根据识别的结果来确定目标设备是否处于异常状态。
Claims (10)
1.一种基于冲击事件来监测异常状态的系统，所述系统包括：
至少一个监测终端，用于对待监测的目标设备的运行状态进行实时监测，将至少一个监测终端中的每个监测终端设置在所述目标设备的不同位置处；
其中每个监测终端包括：
至少一个信号传感器，将每个信号传感器以贴合方式设置在所述目标设备处，用于监测所述目标设备中传递的设备信号和/或输入信号；或者，将每个信号传感器设置在所述目标设备附近的介质中，用于监测介质中传播的设备信号、输入信号和/或环境信号；
采样单元，对每个信号传感器所监测到的信息进行采样，从而获得目标设备中传递的设备信号和/或输入信号，或者介质中传播的设备信号、输入信号和/或环境信号；
通信单元，通过有线通信链路和/或无线通信链路与信息处理服务器进行通信；
控制单元，根据控制指令来控制每个监测终端的启动运行、停止运行、位置移动、软件更新、参数设置、信号采样、数据处理、异常诊断和/或工作模式；
信息处理服务器，通过有线通信链路和/或无线通信链路与至少一个监测终端进行通信，基于有线通信链路和/或无线通信链路从至少一个监测终端接收目标设备中传递的设备信号和/或输入信号，或者介质中传播的设备信号、输入信号和/或环境信号；
对目标设备中传递的设备信号和/或输入信号，或者介质中传播的设备信号、输入信号和/或环境信号进行特征提取，从而确定设备特征数据、环境特征数据和/或输入特征数据，根据设备特征数据、环境特征数据和/或输入特征数据确定是否发生与目标设备相关联的冲击事件，
当确定发生了与目标设备相关联的冲击事件时，确定冲击事件发生的时间点，并且对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息。
2.根据权利要求1所述的系统，所述冲击事件包括内部冲击事件和/或外部冲击事件。
3.根据权利要求1所述的系统，其中对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息包括：
基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点前是否处于异常状态；
或者
基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点后是否处于异常状态；
或者
当目标设备在冲击事件发生的时间点前和时间点后均处于异常状态时，基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据，和冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别结果确定目标设备在冲击事件发生的时间点后是否比时间点前存在更为显著的异常状态。
4.根据权利要求3所述的系统，其中对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息包括：
基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点前的异常类型；
或者，
基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点后的异常类型；
或者，
将目标设备在冲击事件发生的时间点前的异常类型，与目标设备在冲击事件发生的时间点后的异常类型的比较，确定目标设备在冲击事件发生的时间点后的异常类型是否发生变化。
5.根据权利要求3所述的系统，其中对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息包括：
基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点前处于异常状态的部件；
或者，
基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点后处于异常状态的部件；
或者，
将目标设备在冲击事件发生的时间点前的处于异常状态的部件，与目标设备在冲击事件发生的时间点后的后处于异常状态的部件进行比较，确定目标设备在冲击事件发生的时间点后处于异常状态的部件是否发生变化。
6.一种基于冲击事件来监测异常状态的方法，所述方法包括：
使用至少一个监测终端对待监测的目标设备的运行状态进行实时监测，其中将至少一个监测终端中的每个监测终端设置在所述目标设备的不同位置处；
将每个监测终端中的至少一个信号传感器以贴合方式设置在所述目标设备处，监测所述目标设备中传递的设备信号和/或输入信号；或者，将每个监测终端中的至少一个信号传感器设置在所述目标设备附近的介质中，监测介质中传播的设备信号、输入信号和/或环境信号；
使用每个监测终端的采样单元对每个信号传感器所监测到的信息进行采样，从而获得目标设备中传递的设备信号和/或输入信号，或者介质中传播的设备信号、输入信号和/或环境信号；
使用每个监测终端的通信单元通过有线通信链路和/或无线通信链路与信息处理服务器进行通信；
使用每个监测终端的控制单元根据控制指令来控制每个监测终端的启动运行、停止运行、位置移动、软件更新、参数设置、信号采样、数据处理、异常诊断和/或工作模式；
利用信息处理服务器通过有线通信链路和/或无线通信链路与至少一个监测终端进行通信，以基于有线通信链路和/或无线通信链路从至少一个监测终端接收目标设备中传递的设备信号和/或输入信号，或者介质中传播的设备信号、输入信号和/或环境信号；
促使监测终端和/或信息处理服务器对目标设备中传递的设备信号和/或输入信号，或者介质中传播的设备信号、输入信号和/或环境信号进行特征提取，从而确定设备特征数据、环境特征数据和/或输入特征数据，根据设备特征数据、环境特征数据和/或输入特征数据确定是否发生与目标设备相关联的冲击事件，
当确定发生了与目标设备相关联的冲击事件时，促使监测终端和/或信息处理服务器确定冲击事件发生的时间点，并且对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息。
7.根据权利要求6所述的方法，所述冲击事件包括内部冲击事件和/或外部冲击事件。
8.根据权利要求6所述的方法，其中目标设备中传递的设备信号是由目标设备所包括的部件所产生的并且能够在目标设备中传递的信号；
其中目标设备中传递的输入信号是由预先设置的输入器件通过与目标设备的接触所产生的信号；
其中介质中传播的设备信号是由目标设备所包括的部件所产生的并且能够在目标设备附近的介质中传递的信号；
其中介质中传播的输入信号是由预先设置的输入器件通过与目标设备的接触所产生的信号；
所述环境信号是在目标设备附近的介质中传播的信号。
9.根据权利要求6所述的方法，其中对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息包括：
基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点前是否处于异常状态；
或者
基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点后是否处于异常状态；
或者
当目标设备在冲击事件发生的时间点前和时间点后均处于异常状态时，基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据，和冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别结果确定目标设备在冲击事件发生的时间点后是否比时间点前存在更为显著的异常状态。
10.根据权利要求6所述的方法，其中对设备特征数据、环境特征数据和/或输入特征数据进行识别，以基于识别的结果来监测目标设备的异常信息包括：
基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点前的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点前的异常类型；
或者，
基于人工智能识别组件或神经网络识别组件对冲击事件发生的时间点后的设备特征数据、环境特征数据和/或输入特征数据进行识别，基于识别的结果确定目标设备在冲击事件发生的时间点后的异常类型；
或者，
将目标设备在冲击事件发生的时间点前的异常类型，与目标设备在冲击事件发生的时间点后的异常类型的比较，确定目标设备在冲击事件发生的时间点后的异常类型是否发生变化。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011292312.6A CN112446309A (zh) | 2020-11-18 | 2020-11-18 | 一种基于冲击事件来监测异常状态的系统及方法 |
| PCT/CN2021/107896 WO2022105285A1 (zh) | 2020-11-18 | 2021-07-22 | 一种基于冲击事件来监测异常状态的系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011292312.6A CN112446309A (zh) | 2020-11-18 | 2020-11-18 | 一种基于冲击事件来监测异常状态的系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112446309A true CN112446309A (zh) | 2021-03-05 |
Family
ID=74737569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011292312.6A Pending CN112446309A (zh) | 2020-11-18 | 2020-11-18 | 一种基于冲击事件来监测异常状态的系统及方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112446309A (zh) |
| WO (1) | WO2022105285A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113553758A (zh) * | 2021-06-16 | 2021-10-26 | 华北电力大学 | 一种基于马尔科夫系统事件链进行状态识别的方法及系统 |
| WO2022105285A1 (zh) * | 2020-11-18 | 2022-05-27 | 华北电力大学 | 一种基于冲击事件来监测异常状态的系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105021957A (zh) * | 2015-08-03 | 2015-11-04 | 西南石油大学 | 一种电力电缆附件故障识别方法及系统 |
| CN106706294A (zh) * | 2016-12-30 | 2017-05-24 | 航天科工深圳（集团）有限公司 | 基于声学指纹的开关设备机械状态监测系统和方法 |
| CN109507583A (zh) * | 2018-11-13 | 2019-03-22 | 交控科技股份有限公司 | 一种电动转撤机监测方法及系统 |
| CN111322206A (zh) * | 2020-02-28 | 2020-06-23 | 唐智科技湖南发展有限公司 | 一种风电机组机械大部件的智慧运维系统及方法 |
| CN111509841A (zh) * | 2020-04-14 | 2020-08-07 | 佛山市威格特电气设备有限公司 | 一种带挖掘机特征量识别的电缆防外力破坏预警装置 |
| CN111653291A (zh) * | 2020-06-01 | 2020-09-11 | 莫毓昌 | 一种基于声纹的电力设备智能健康监测方法 |
| CN112649502A (zh) * | 2020-11-18 | 2021-04-13 | 华北电力大学 | 一种基于声纹诊断来监测异常状态的系统及方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9297864B2 (en) * | 2010-05-19 | 2016-03-29 | Power Distribution, Inc. | Current metering and abnormal event monitoring system |
| US11668485B2 (en) * | 2019-08-21 | 2023-06-06 | Lg Electronics Inc. | Artificial intelligence air conditioner and method for calibrating sensor data of air conditioner |
| CN112446309A (zh) * | 2020-11-18 | 2021-03-05 | 华北电力大学 | 一种基于冲击事件来监测异常状态的系统及方法 |
-
2020
- 2020-11-18 CN CN202011292312.6A patent/CN112446309A/zh active Pending
-
2021
- 2021-07-22 WO PCT/CN2021/107896 patent/WO2022105285A1/zh active Application Filing
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105021957A (zh) * | 2015-08-03 | 2015-11-04 | 西南石油大学 | 一种电力电缆附件故障识别方法及系统 |
| CN106706294A (zh) * | 2016-12-30 | 2017-05-24 | 航天科工深圳（集团）有限公司 | 基于声学指纹的开关设备机械状态监测系统和方法 |
| CN109507583A (zh) * | 2018-11-13 | 2019-03-22 | 交控科技股份有限公司 | 一种电动转撤机监测方法及系统 |
| CN111322206A (zh) * | 2020-02-28 | 2020-06-23 | 唐智科技湖南发展有限公司 | 一种风电机组机械大部件的智慧运维系统及方法 |
| CN111509841A (zh) * | 2020-04-14 | 2020-08-07 | 佛山市威格特电气设备有限公司 | 一种带挖掘机特征量识别的电缆防外力破坏预警装置 |
| CN111653291A (zh) * | 2020-06-01 | 2020-09-11 | 莫毓昌 | 一种基于声纹的电力设备智能健康监测方法 |
| CN112649502A (zh) * | 2020-11-18 | 2021-04-13 | 华北电力大学 | 一种基于声纹诊断来监测异常状态的系统及方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022105285A1 (zh) * | 2020-11-18 | 2022-05-27 | 华北电力大学 | 一种基于冲击事件来监测异常状态的系统及方法 |
| CN113553758A (zh) * | 2021-06-16 | 2021-10-26 | 华北电力大学 | 一种基于马尔科夫系统事件链进行状态识别的方法及系统 |
| CN113553758B (zh) * | 2021-06-16 | 2023-11-28 | 华北电力大学 | 一种基于马尔科夫系统事件链进行状态识别的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022105285A1 (zh) | 2022-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112418053B (zh) | 一种基于递进式识别来监测异常状态的系统及方法 | |
| WO2022105287A1 (zh) | 一种基于声纹诊断来监测异常状态的系统及方法 | |
| EP2457304B1 (en) | Protective relay monitoring system and method of comparing behavior patterns | |
| CN112446309A (zh) | 一种基于冲击事件来监测异常状态的系统及方法 | |
| KR102192609B1 (ko) | 순시유도전압센서를 이용한 부분방전 모니터링 감시기능이 탑재된 배전반(고압 배전반, 저압 배전반, 분전반, 모터제어반) | |
| US20020118022A1 (en) | Arc detection | |
| CN111551352B (zh) | 一种gis设备的断路器的状态的检测方法及系统 | |
| JP3852097B2 (ja) | 絶縁診断システム | |
| CN113671361A (zh) | 基于多源信号融合的高压断路器特性参数预测方法及系统 | |
| CN103336228B (zh) | 一种发电机定子绝缘故障检修方法和系统 | |
| JP4048467B2 (ja) | 電気機器の遠隔監視診断システム | |
| CN110988557A (zh) | 一种基于实时电流检测的设备故障检测装置 | |
| US9188632B1 (en) | Self learning radio frequency monitoring system for identifying and locating faults in electrical distribution systems | |
| CN116502623B (zh) | 一种基于文本分析的变电设备运行监管系统及方法 | |
| CN102288881B (zh) | 变压器油纸绝缘尖刺放电缺陷严重程度诊断方法 | |
| CN110849419A (zh) | 一种开关柜状态监测诊断方法及系统 | |
| CN114280433B (zh) | 一种基于放大电路的变压器套管局部放电风险评估方法 | |
| CN210952934U (zh) | 一种开关柜状态监测诊断系统 | |
| KR100368425B1 (ko) | 가스절연개폐장치의 동작상태 감시진단 방법 | |
| KR20220133048A (ko) | 전력기기 자가진단 시스템 및 방법 | |
| CN117407679B (zh) | 智能末屏传感器的数据采集方法及系统 | |
| CN217931886U (zh) | 检测及定位装置 | |
| CN110553830B (zh) | 一种金属封闭开关设备机械特性在线检测方法 | |
| CN215678615U (zh) | 一种基于多重传感器的局部放电监测系统 | |
| CN107894253B (zh) | 一种过电压保护器的监控系统及监控方法 |
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 |