CN112505010A - 一种基于荧光光谱的变压器故障诊断装置及方法 - Google Patents

一种基于荧光光谱的变压器故障诊断装置及方法 Download PDF

Info

Publication number
CN112505010A
CN112505010A CN202011387405.7A CN202011387405A CN112505010A CN 112505010 A CN112505010 A CN 112505010A CN 202011387405 A CN202011387405 A CN 202011387405A CN 112505010 A CN112505010 A CN 112505010A
Authority
CN
China
Prior art keywords
transformer
module
fluorescence
fault diagnosis
fluorescence 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
Application number
CN202011387405.7A
Other languages
English (en)
Inventor
戴荣英
周孟然
胡锋
卞凯
来文豪
孔茜茜
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.)
Anhui University of Science and Technology
Original Assignee
Anhui University of Science and Technology
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 Anhui University of Science and Technology filed Critical Anhui University of Science and Technology
Priority to CN202011387405.7A priority Critical patent/CN112505010A/zh
Publication of CN112505010A publication Critical patent/CN112505010A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6402—Atomic fluorescence; Laser induced fluorescence
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Optics & Photonics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明提供了一种基于荧光光谱的变压器故障诊断装置，该装置包含电源模块、激光器模块、激光荧光探头模块、光谱仪模块、识别模块，本发明还公开了一种基于荧光光谱的变压器故障诊断方法：(1)采集油样，建立光谱数据库；(2)对原始光谱进行滤波处理；(3)对变压器油样光谱数据进行特征提取；(4)将光谱数据按照5：1的比例随机划分成训练集和测试集；(5)建立GMM‑LDA识别模型，并将测试集用于模型检验与辨识；(6)变压器故障诊断。采用LIF技术结合DAE‑GMM‑LDA的方法来分析变压器油的状态，以实现变压器故障诊断，具有较高的分类识别准确率和实际应用价值，泛化能力强，非常适合变压器故障诊断的实时准确检测和推广。

Description

一种基于荧光光谱的变压器故障诊断装置及方法
技术领域
本发明涉及电力变压器故障诊断领域，具体是一种基于荧光光谱的变压器故障诊断装置及方法。
背景技术
电网是保障经济社会发展的重要基础设施，而变压器则是智能电网发输电的关键设备，一旦出现故障，就会造成重大损失。当前，大部分变压器都使用油浸式变压器，其长时间运行会导致老化甚至内部组件出现故障。通常情况下可分为无故障、低能故障、高能放电故障、中低温过热、高温过热等情况。因此，及时发现变压器内部的潜伏性故障，可以防止重大设备损坏事故的发生，保障电力系统的安全稳定运行。
传统变压器故障检测方法为通过人工数据采样和在线参数采样相结合，然而由于人工判断一般只结合当前时刻的采样数据，人工判断费时费力，存在错误诊断的情况，不能有效地预测故障，可能造成不可估量的损失。现今变压器设备的安全性检测以及故障分析诊断技术由经典的振动诊断技术向多领域多方法发展，学科范围多样，主要包括：红外测温技术、射线扫描技术以及油液诊断技术等，油液诊断因能做早期预测而被广泛应用。然而，传统的变压器油分析方法存在测试及分析周期较长，成本较高，不能系统的反映变压器油状态与运行状况的问题，准确可靠的体系还有待完善。现行的色谱分析检测手段需要有经验的专业人员进行操作，试验周期较长。因此，如何快速准确的对变压器油状态进行辨识，以确保油浸式变压器的安全稳定运行，将成为电力企业关注的重点。
荧光现象从本质上来说是一种光致发光现象。通过检测激光照射样品后的荧光发射的方法称为激光诱导荧光(LIF)。由荧光的发光原理可知，分子荧光光谱与激发光源的波长无关，只与荧光物质本身的能级结构有关，所以，可以根据荧光谱线对荧光物质进行定性分析鉴别。照射光越强，被激发到激发态的分子数越多，因而产生的荧光强度越强，测量时灵敏度越高。一般由激光诱导荧光测量物质的特性比由一般光源诱导荧光所测的灵敏度提高2-10倍。通过LIF技术获得的荧光光谱可以体现实验样品的一些结构特性，因此能够很好的分析样品的特异性。
采用LIF技术结合降噪自动编码器(DAE)和基于高斯混合模型与线性辨别分析(GMM-LDA)相结合的方法来分析变压器油的状态，其光学检测抗电磁干扰能力强，稳定性高，可满足构建变压器故障快速、准确诊断的要求，而且检测精度较高，操作更加简单等，并且使用DAE-GMM-LDA识别算法可以自动确定最优聚类数目，实现最优特征库的自动提取，有效改善了随机选取聚类个数所导致聚类结果不稳定的缺陷，从而提高了辨识系统的稳定性，取得较高的分类准确率，较高的泛化能力。这对于变压器故障诊断有着重要的研究意义。
发明内容
本发明的目的是提供一种基于荧光光谱的变压器故障诊断装置及方法，以实现对变压器故障的准确判别。
为了实现以上所述的目的，本发明采用的技术方案如下：提供一种基于荧光光谱的变压器故障诊断装置，该装置包含电源模块、与电源模块相连的激光器模块、激光荧光探头模块、光谱仪模块、识别模块，浸没式微型荧光探头的一端通过UV/VIS石英光纤与激光器模块相连，另一端通过UV/VIS石英光纤与光谱仪模块连接，最后将USB2000+个性化配置型光谱仪与上位机相连。
作为优选，所述激光荧光探头模块采用浸没式微型荧光探头，探头采用直角光路系统，以使入射光和荧光在被测变压器油液中达到最佳分离。
作为优选，所述光谱仪模块型号为美国OceanOptics公司生产的USB2000+个性化配置型光谱仪，像素为2048，工作波段为400～800nm。
作为优选，所述激光器模块选取型号为100mW的LSR 405nm蓝紫光半导体激光器,激光入射波长设定值为405nm。
作为优选，所述识别模块包括VS2019软件和MATLAB软件，VS2019软件用来读取和调用变压器油荧光信息，用MATLAB软件建立已知的不同状态下变压器油样本激光诱导荧光光谱数据库。
为了实现以上所述的目的，本发明采用的另一个技术方案如下：提供一种基于荧光光谱的变压器故障诊断方法，包括以下步骤：
S1：获取原始荧光光谱：采集油样，利用变压器油激发出的荧光，通过光谱仪计算出荧光强度后建立已知的变压器油激光诱导荧光光谱数据库；
S2：原始光谱数据预处理：对原始光谱曲线进行滤波处理；
S3：DAE特征波长提取：对变压器油样光谱数据进行特征提取；
S4：样本数据随机划分：将光谱数据按照一定比例随机划分成训练集和测试集；
S5：建立GMM-LDA识别模型：建立GMM-LDA相结合的识别模型，并将测试集用于模型检验与辨识；
S6：变压器故障诊断。
作为优选，所述步骤S2中，采用中值滤波法(Median-Filter)对原始光谱曲线进行滤波处理，去除光谱信号的无用波段。
作为优选，所述步骤S3中，使用DAE对变压器油样光谱数据进行特征提取，降低样本维数，去除预处理后光谱数据中冗余的信息，提高检测效率，其具体步骤如下：
S31：以x∈R的向量作为输入层，通过加入噪声，并以一定的概率λ随机丢弃网络中的神经元，从而得到映射后的输入层
Figure BDA0002810068870000031
Figure BDA0002810068870000032
其中x为原始信号,
Figure BDA0002810068870000033
为带噪信号,N是由原始输入层和加入x的随机噪声的类型确定的一种分布；
S32：通过向量值函数Φ将
Figure BDA0002810068870000034
映射到隐含层y:
Figure BDA0002810068870000035
其中，W为映射到隐含层网络的权重参数，b为映射到隐含层网络的偏置项；
S33：通过随机丢弃的方法来进行优化训练，隐含层中的神经元也以概率q被随机丢弃；
S34：经过随机丢弃神经元的隐含层特征向量y被反向映射，最后重构出与原始信号相同的输出层
Figure BDA0002810068870000036
Figure BDA0002810068870000037
其中，W′为映射到输出层网络的权重参数，b为映射到输出层网络的偏置项；
S35：构造一个平方重构误差函数，使映射值
Figure BDA0002810068870000038
尽可能地接近于x，并对该函数进行最小化，得到优化后的权重和偏置等网络参数：
Figure BDA0002810068870000039
Figure BDA00028100688700000310
S36：然后由随机梯度下降法对整个网络的权重参数进行更新，求解出目标函数的最优解，最后抽取中间层y作为所需要的输出。
作为优选，所述步骤S4中，将经提取后的光谱数据按照5:1的比例随机划分成训练集和测试集；
作为优选，所述步骤S5中，利用高斯混合模型与线性辨别分析(GMM-LDA)相结合的最优聚类簇特征学习方法对训练集进行学习和训练，并将测试集用于模型检验与辨识，其具体步骤如下：
S51：输入数据集和初始聚类个数，有：
D＝{(x1,y1),(x2,y2),...,(xn,yn)},yi∈{C1,C2,...,Ck}
S52：获得D的GMM聚类模型,通过迭代更新获得GMM聚类模型参数
Figure BDA00028100688700000311
Figure BDA0002810068870000041
Figure BDA0002810068870000042
Figure BDA0002810068870000043
S53：采用LDA模型计算目标函数最小值J(W)：
Figure BDA0002810068870000044
S54：将当前的目标函数最小值J(W)与上一次的值进行比较,如果小于上次值,则继续增加聚类个数并返回S52,否则说明已经得到最小目标函数值(目标函数值收敛),执行S55；
S55：停止聚类并保留此时聚类个数K,此时得到的聚类个数K即为最终的最优聚类个数。
本发明与现有技术相比，其有益效果体现在：激光技术的应用已深入工业生产的各个方面，与传统的气相色谱法等相比，其光学检测抗电磁干扰能力强，稳定性高，免标定，无需色谱分离气体，可满足构建变压器故障快速、准确诊断的要求，而且检测精度较高，操作更加简单等；并且使用DAE算法在光谱数据中去除冗余的信息，有效降低了识别模型所需要的特征数，使建模更为高效，有效的减少建模时间；采用改进的GMM-LDA算法进行最优聚类簇特征学习，可以自动确定最优聚类数目，实现最优特征库的自动提取，有效改善了随机选取聚类个数所导致聚类结果不稳定的缺陷，从而提高了辨识系统的稳定性，取得较高的分类准确率，较高的泛化能力，非常适用于变压器油的在线、准确辨识。
附图说明
图1是本发明装置的结构框图。
图2是本发明方法的流程图。
图3是本发明的DAE基本网络结构。
图4是本发明的GMM与LDA相结合的算法流程图。
具体实施方式
下面通过具体实施例并对照附图对本发明做进一步解释说明，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1，本发明实施例包括：
提供一种基于荧光光谱的变压器故障诊断装置，该装置包含电源模块、与电源模块相连的激光器模块、激光荧光探头模块、光谱仪模块、识别模块，浸没式微型荧光探头的一端通过UV/VIS石英光纤与激光器模块相连，另一端通UV/VIS石英光纤与光谱仪模块连接，最后将USB2000+个性化配置型光谱仪与上位机相连。
所述激光荧光探头模块采用浸没式微型荧光探头，探头采用直角光路系统，以使入射光和荧光在被测变压器油液中达到最佳分离。
所述光谱仪模块型号为美国OceanOptics公司生产的USB2000+个性化配置型光谱仪，像素为2048，工作波段为400～800nm。
所述激光器模块选取型号为100mW的LSR 405nm蓝紫光半导体激光器,激光入射波长设定值为405nm。
所述识别模块包括VS2019软件和MATLAB软件，VS2019软件用来读取和调用变压器油荧光信息，用MATLAB软件建立已知的不同状态下变压器油样本激光诱导荧光光谱数据库。
基于所述变压器故障诊断装置，本发明还提供了一种基于荧光光谱的变压器故障诊断方法，包括以下步骤：
S1：获取原始荧光光谱：采集油样，利用变压器油激发出的荧光，通过光谱仪计算出荧光强度后建立已知的变压器油激光诱导荧光光谱数据库；
S2：原始光谱数据预处理：对原始光谱曲线进行滤波处理；
S3：DAE特征波长提取：对变压器油样光谱数据进行特征提取；
S4：样本数据随机划分：将光谱数据按照一定比例随机划分成训练集和测试集；
S5：建立GMM-LDA识别模型：建立GMM-LDA相结合的识别模型，并将测试集用于模型检验与辨识；
S6：变压器故障诊断。
所述步骤S2中，采用中值滤波法(Median-Filter)对原始光谱曲线进行滤波处理，去除光谱信号的无用波段。
所述步骤S3中，使用DAE对变压器油样光谱数据进行特征提取，降低样本维数，去除预处理后光谱数据中冗余的信息，提高检测效率，其具体步骤如下：
S31：以x∈R的向量作为输入层，通过加入噪声，并以一定的概率λ随机丢弃网络中的神经元，从而得到映射后的输入层
Figure BDA0002810068870000051
Figure BDA0002810068870000052
其中x为原始信号,
Figure BDA0002810068870000061
为带噪信号,N是由原始输入层和加入x的随机噪声的类型确定的一种分布；
S32：通过向量值函数Φ将
Figure BDA0002810068870000062
映射到隐含层y:
Figure BDA0002810068870000063
其中，W为映射到隐含层网络的权重参数，b为映射到隐含层网络的偏置项；
S33：通过随机丢弃的方法来进行优化训练，隐含层中的神经元也以概率q被随机丢弃；
S34：经过随机丢弃神经元的隐含层特征向量y被反向映射，最后重构出与原始信号相同的输出层
Figure BDA0002810068870000064
Figure BDA0002810068870000065
其中，W′为映射到输出层网络的权重参数，b为映射到输出层网络的偏置项；
S35：构造一个平方重构误差函数，使映射值
Figure BDA0002810068870000066
尽可能地接近于x，并对该函数进行最小化，得到优化后的权重和偏置等网络参数：
Figure BDA0002810068870000067
S36：然后由随机梯度下降法对整个网络的权重参数进行更新，求解出目标函数的最优解，最后抽取中间层y作为所需要的输出。
所述步骤S4中，将经提取后的光谱数据按照5:1的比例随机划分成训练集和测试集。
所述步骤S5中，利用高斯混合模型与线性辨别分析(GMM-LDA)相结合的最优聚类簇特征学习方法对训练集进行学习和训练，并将测试集用于模型检验与辨识，其具体步骤如下：
S51：输入数据集和初始聚类个数，有：
D＝{(x1,y1),(x2,y2),...,(xn,yn)},yi∈{C1,C2,...,Ck}
S52：获得D的GMM聚类模型,通过迭代更新获得GMM聚类模型参数
Figure BDA0002810068870000068
Figure BDA0002810068870000069
Figure BDA00028100688700000610
Figure BDA00028100688700000611
S53：采用LDA模型计算目标函数最小值J(W)：
Figure BDA0002810068870000071
S54：将当前的目标函数最小值J(W)与上一次的值进行比较,如果小于上次值,则继续增加聚类个数并返回S52,否则说明已经得到最小目标函数值(目标函数值收敛),执行S55；
S55：停止聚类并保留此时聚类个数K,此时得到的聚类个数K即为最终的最优聚类个数。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，从任何角度来看都应将实施例看做是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.一种基于荧光光谱的变压器故障诊断装置，该装置包含电源模块、与电源模块相连的激光器模块、激光荧光探头模块、光谱仪模块、识别模块，浸没式微型荧光探头的一端通过UV/VIS石英光纤与激光器模块相连，另一端通过UV/VIS石英光纤与光谱仪模块连接，最后将USB2000+个性化配置型光谱仪与上位机相连。
2.根据权利要求1所述的一种基于荧光光谱的变压器故障诊断装置，所述激光荧光探头模块采用浸没式微型荧光探头，探头采用直角光路系统，以使入射光和荧光在被测变压器油液中达到最佳分离。
3.根据权利要求1所述的一种基于荧光光谱的变压器故障诊断装置，所述光谱仪模块型号为美国OceanOptics公司生产的USB2000+个性化配置型光谱仪，像素为2048，工作波段为400～800nm。
4.根据权利要求1所述的一种基于荧光光谱的变压器故障诊断装置，所述激光器模块选取型号为100mW的LSR 405nm蓝紫光半导体激光器,激光入射波长设定值为405nm。
5.根据权利要求1所述的一种基于荧光光谱的变压器故障诊断装置，所述识别模块包括VS2019软件和MATLAB软件，VS2019软件用来读取和调用变压器油荧光信息，用MATLAB软件建立已知的不同状态下变压器油样本激光诱导荧光光谱的数据库。
6.基于权利要求1所述的一种基于荧光光谱的变压器故障诊断装置的识别方法，包括以下步骤：
S1：获取原始荧光光谱：采集油样，利用变压器油激发出的荧光，通过光谱仪计算出荧光强度后建立已知的变压器油激光诱导荧光光谱数据库；
S2：原始光谱数据预处理：对原始光谱曲线进行滤波处理；
S3：DAE特征波长提取：对变压器油样光谱数据进行特征提取；
S4：样本数据随机划分：将光谱数据按照一定比例随机划分成训练集和测试集；
S5：建立GMM-LDA识别模型：建立GMM-LDA相结合的识别模型，并将测试集用于模型检验与辨识；
S6：变压器故障诊断。
7.根据权利要求6所述的一种基于荧光光谱的变压器故障诊断识别方法，其特征在于：所述的步骤S2中，采用中值滤波法(Median-Filter)对原始光谱曲线进行滤波处理，去除光谱信号的无用波段。
8.根据权利要求6所述的一种基于荧光光谱的变压器故障诊断识别方法，其特征在于：所述的步骤S3中，使用DAE对变压器油样光谱数据进行特征提取，降低样本维数，去除预处理后光谱数据中冗余的信息，提高检测效率，其具体步骤如下：
S31：以x∈R的向量作为输入层，通过加入噪声，并以一定的概率λ随机丢弃网络中的神经元，从而得到映射后的输入层
Figure FDA0002810068860000021
Figure FDA0002810068860000022
其中x为原始信号,
Figure FDA0002810068860000023
为带噪信号,N是由原始输入层和加入x的随机噪声的类型确定的一种分布；
S32：通过向量值函数Φ将
Figure FDA0002810068860000024
映射到隐含层y:
Figure FDA0002810068860000025
其中，W为映射到隐含层网络的权重参数，b为映射到隐含层网络的偏置项；
S33：通过随机丢弃的方法来进行优化训练，隐含层中的神经元也以概率q被随机丢弃；
S34：经过随机丢弃神经元的隐含层特征向量y被反向映射，最后重构出与原始信号相同的输出层
Figure FDA0002810068860000026
Figure FDA0002810068860000027
其中，W′为映射到输出层网络的权重参数，b为映射到输出层网络的偏置项；
S35：构造一个平方重构误差函数，使映射值
Figure FDA0002810068860000028
尽可能地接近于x，并对该函数进行最小化，得到优化后的权重和偏置等网络参数：
Figure FDA0002810068860000029
S36：然后由随机梯度下降法对整个网络的权重参数进行更新，求解出目标函数的最优解，最后抽取中间层y作为所需要的输出。
9.根据权利要求6所述的一种基于荧光光谱的变压器故障诊断识别方法，其特征在于：所述的步骤S4中，将经提取后的光谱数据按照5:1的比例随机划分成训练集和测试集。
10.根据权利要求6所述的一种基于荧光光谱的变压器故障诊断识别方法，其特征在于：所述的步骤S5中，利用高斯混合模型与线性辨别分析(GMM-LDA)相结合的最优聚类簇特征学习方法对训练集进行学习和训练，并将测试集用于模型检验与辨识，其具体步骤如下：
S51：输入数据集和初始聚类个数，有：
D＝{(x1,y1),(x2,y2),...,(xn,yn)},yi∈{C1,C2,...,Ck}
S52：获得D的GMM聚类模型,通过迭代更新获得GMM聚类模型参数
Figure FDA00028100688600000210
Figure FDA0002810068860000031
Figure FDA0002810068860000032
Figure FDA0002810068860000033
S53：采用LDA模型计算目标函数最小值J(W)：
Figure FDA0002810068860000034
S54：将当前的目标函数最小值J(W)与上一次的值进行比较,如果小于上次值,则继续增加聚类个数并返回S52,否则说明已经得到最小目标函数值(目标函数值收敛),执行S55；
S55：停止聚类并保留此时聚类个数K,此时得到的聚类个数K即为最终的最优聚类个数。
CN202011387405.7A 2020-12-01 2020-12-01 一种基于荧光光谱的变压器故障诊断装置及方法 Pending CN112505010A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011387405.7A CN112505010A (zh) 2020-12-01 2020-12-01 一种基于荧光光谱的变压器故障诊断装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011387405.7A CN112505010A (zh) 2020-12-01 2020-12-01 一种基于荧光光谱的变压器故障诊断装置及方法

Publications (1)

Publication Number Publication Date
CN112505010A true CN112505010A (zh) 2021-03-16

Family

ID=74969194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011387405.7A Pending CN112505010A (zh) 2020-12-01 2020-12-01 一种基于荧光光谱的变压器故障诊断装置及方法

Country Status (1)

Country Link
CN (1) CN112505010A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113238129A (zh) * 2021-05-12 2021-08-10 国网安徽省电力有限公司电力科学研究院 一种基于荧光分析的变压器故障诊断方法及系统
CN114417954A (zh) * 2021-12-01 2022-04-29 江苏权正检验检测有限公司 一种提升食品检测效果的信息处理方法及系统
CN115615969A (zh) * 2022-09-27 2023-01-17 国网安徽省电力有限公司五河县供电公司 一种变压器故障诊断方法、系统及电子设备
CN115774005A (zh) * 2022-12-05 2023-03-10 国网安徽省电力有限公司电力科学研究院 基于荧光光谱校正的变压器故障程度预测方法
CN115774005B (zh) * 2022-12-05 2024-10-29 国网安徽省电力有限公司电力科学研究院 基于荧光光谱校正的变压器故障程度预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060064291A1 (en) * 2004-04-21 2006-03-23 Pattipatti Krishna R Intelligent model-based diagnostics for system monitoring, diagnosis and maintenance
CN107844755A (zh) * 2017-10-23 2018-03-27 重庆邮电大学 一种结合dae和cnn的脑电信号特征提取与分类方法
CN109187480A (zh) * 2018-11-28 2019-01-11 安徽理工大学 一种双激光lif技术的花生油掺杂大豆油判别装置
CN109270044A (zh) * 2018-11-28 2019-01-25 安徽理工大学 一种激光诱导荧光植物油掺杂浓茶水鉴定方法
CN110858477A (zh) * 2018-08-13 2020-03-03 中国科学院声学研究所 一种基于降噪自动编码器的语种识别分类方法及装置
CN111398238A (zh) * 2020-05-13 2020-07-10 安徽理工大学 一种食用油掺杂蓖麻油的激光诱导荧光光谱识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060064291A1 (en) * 2004-04-21 2006-03-23 Pattipatti Krishna R Intelligent model-based diagnostics for system monitoring, diagnosis and maintenance
CN107844755A (zh) * 2017-10-23 2018-03-27 重庆邮电大学 一种结合dae和cnn的脑电信号特征提取与分类方法
CN110858477A (zh) * 2018-08-13 2020-03-03 中国科学院声学研究所 一种基于降噪自动编码器的语种识别分类方法及装置
CN109187480A (zh) * 2018-11-28 2019-01-11 安徽理工大学 一种双激光lif技术的花生油掺杂大豆油判别装置
CN109270044A (zh) * 2018-11-28 2019-01-25 安徽理工大学 一种激光诱导荧光植物油掺杂浓茶水鉴定方法
CN111398238A (zh) * 2020-05-13 2020-07-10 安徽理工大学 一种食用油掺杂蓖麻油的激光诱导荧光光谱识别方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
LEPING ZHANG ET AL: "Anomaly Detection method of Smart Meters data based on GMM-LDA clustering feature Learning and PSO Support Vector Machine", 《2019 IEEE SUSTAINABLE POWER AND ENERGY CONFERENCE (ISPEC)》 *
LEPING ZHANG ET AL: "Anomaly Detection method of Smart Meters data based on GMM-LDA clustering feature Learning and PSO Support Vector Machine", 《2019 IEEE SUSTAINABLE POWER AND ENERGY CONFERENCE (ISPEC)》, 30 January 2020 (2020-01-30), pages 19303613 *
LEPING ZHANG ET AL: "Anomaly Detection method of Smart Meters data based on GMM-LDA clustering feature Learning and PSO Support Vector Machine", 2019 IEEE SUSTAINABLE POWER AND ENERGY CONFERENCE (ISPEC), no. 19303613, pages 2407 - 2412, XP033696851, DOI: 10.1109/iSPEC48194.2019.8974989 *
叶文强等: "基于DAE+CNN辐射源信号识别算法", 《计算机应用研究》 *
叶文强等: "基于DAE+CNN辐射源信号识别算法", 《计算机应用研究》, vol. 36, no. 12, 31 December 2019 (2019-12-31), pages 3815 - 3818 *
周孟然等: "iPLS波段筛选方法在食用油品上快速检测研究", 《激光杂志》 *
周孟然等: "iPLS波段筛选方法在食用油品上快速检测研究", 《激光杂志》, vol. 41, no. 07, 31 July 2020 (2020-07-31), pages 13 - 17 *
周孟然等: "iPLS波段筛选方法在食用油品上快速检测研究", 激光杂志, vol. 41, no. 07, pages 13 - 17 *
陈晖: "基于时间分辨荧光技术的食用植物油质量安全检测方法的研究", 中国博士学位论文全文数据库 工程科技Ⅰ辑, no. 02, pages 014 - 179 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113238129A (zh) * 2021-05-12 2021-08-10 国网安徽省电力有限公司电力科学研究院 一种基于荧光分析的变压器故障诊断方法及系统
CN114417954A (zh) * 2021-12-01 2022-04-29 江苏权正检验检测有限公司 一种提升食品检测效果的信息处理方法及系统
CN114417954B (zh) * 2021-12-01 2023-12-26 江苏权正检验检测有限公司 一种提升食品检测效果的信息处理方法及系统
CN115615969A (zh) * 2022-09-27 2023-01-17 国网安徽省电力有限公司五河县供电公司 一种变压器故障诊断方法、系统及电子设备
CN115615969B (zh) * 2022-09-27 2023-12-15 国网安徽省电力有限公司五河县供电公司 一种变压器故障诊断方法、系统及电子设备
CN115774005A (zh) * 2022-12-05 2023-03-10 国网安徽省电力有限公司电力科学研究院 基于荧光光谱校正的变压器故障程度预测方法
CN115774005B (zh) * 2022-12-05 2024-10-29 国网安徽省电力有限公司电力科学研究院 基于荧光光谱校正的变压器故障程度预测方法

Similar Documents

Publication Publication Date Title
CN112505010A (zh) 一种基于荧光光谱的变压器故障诊断装置及方法
CN101995395B (zh) 一种激光诱导多种光谱联合指纹网络在线检测材料的方法
Hu et al. Identification of mine water inrush using laser-induced fluorescence spectroscopy combined with one-dimensional convolutional neural network
CN109211803B (zh) 一种基于显微多光谱技术对微塑料进行快速识别的装置
US10718713B2 (en) Unknown sample determining method, unknown sample determining instrument, and unknown sample determining program
CN111398233A (zh) 一种红酒品质的激光光谱检测方法
CN103712939B (zh) 一种基于紫外可见光谱的污染物浓度拟合方法
CN108169213A (zh) 一种激光诱导击穿光谱谱峰元素自动识别方法
CN116030310A (zh) 一种基于激光诱导击穿光谱技术的样品分类方法及系统
Ruan et al. A modified backward elimination approach for the rapid classification of Chinese ceramics using laser-induced breakdown spectroscopy and chemometrics
CN109142251A (zh) 随机森林辅助人工神经网络的libs定量分析方法
CN117332371A (zh) 基于激光光声信息融合的材料服役行为多维度检测方法
CN105277531B (zh) 一种基于分档的煤质特性测量方法
CN108827925A (zh) 基于光纤式荧光光谱技术的食用植物油真伪快速检测方法和检测装置
CN117558358A (zh) 一种基于光谱识别分子类型的方法、系统、介质和设备
CN117972571A (zh) 一种基于油中溶解气体的变压器故障诊断方法
CN117233547A (zh) 一种油纸绝缘局部放电的融合识别方法及系统
CN111929285A (zh) 一种激光诱导荧光红酒掺杂酒精的光谱识别方法
CN116973344A (zh) 一种基于图神经网络模型的古陶瓷检测方法及装置
CN111272735A (zh) 一种激光诱导击穿光谱的检测方法
CN116297404A (zh) 一种激光诱导击穿光谱定量分析方法
CN114935565B (zh) 基于激光诱导荧光技术葡萄汁中罗丹明b含量的检测方法
CN104297205A (zh) 一种快速、无损的食用油鉴别方法
Hou et al. Rapid identification of rice seed based on inverse Fourier transform of laser-induced breakdown spectroscopy
CN112378892B (zh) 一种基于拉曼光谱的化妆品真伪无损鉴别方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210316