CN113203471A - 一种基于小波神经网络预测的变压器机械故障检测方法 - Google Patents
一种基于小波神经网络预测的变压器机械故障检测方法 Download PDFInfo
- Publication number
- CN113203471A CN113203471A CN202110497726.0A CN202110497726A CN113203471A CN 113203471 A CN113203471 A CN 113203471A CN 202110497726 A CN202110497726 A CN 202110497726A CN 113203471 A CN113203471 A CN 113203471A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- transformer
- neural network
- deviation coefficient
- vibration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 7
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000011895 specific detection Methods 0.000 abstract 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000000739 chaotic effect Effects 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
- G01H11/06—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means
- G01H11/08—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means using piezoelectric devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
- G01P15/02—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses
- G01P15/08—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses with conversion into electric or magnetic values
- G01P15/09—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses with conversion into electric or magnetic values by piezoelectric pick-up
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Protection Of Transformers (AREA)
Abstract
本发明涉及一种基于小波神经网络预测的变压器机械故障检测方法,属于电力设备检测技术领域;采用的技术方案为:采集振动信号,得到振动信号后,使用互信息法计算振动信号的时间延迟T;使用Cao方法计算振动信号的最小嵌入维数m;根据振动信号的时间延迟T和最小嵌入维数m对变压器振动信号进行相空间重构;利用重构后的相空间结合小波神经网络预测方法对待测变压器振动信号进行预测,得到预测信号vf;通过对比预测振动信号vf与正常状态振动信号vp计算得到变压器未来时间区间内的月度偏差系数Dy;观察预测振动信号月度偏差系数的变化趋势,当偏差系数过大时制定针对性的检测计划,提前排除故障;本发明用于变压器故障的在线预测。
Description
技术领域
本发明涉及一种基于小波神经网络预测的变压器机械故障检测方法,用于变压器故障的在线预测,属于电力设备检测技术领域。
背景技术
变压器是电力系统中重要的枢纽设备,在运输、安装和运行过程中会出现铁芯、绕组松动的故障,会严重威胁整个电力系统的正常运行,目前基于振动分析法的故障检测技术是根据采集到的振动信号对变压器实时的机械状态进行诊断,当机械故障程度较为轻微时,现有的检测手段无法发现,但随着时间的推移,故障程度在不断累积,最终发展到影响设备正常工作的程度,因此需要研究一种检测方法可以预测变压器未来的故障情况。
发明内容
本发明克服了现有技术存在的不足,提供了一种基于振动信号分析的变压器机械故障在线检测方法,以便于在不影响变压器正常运行的情况下,得到变压器内部机械状态的变化趋势,进而预测未来的故障情况,为电力设备检修方案的制定提供有力的数据支持。
为了解决上述技术问题,本发明采用的技术方案为:一种基于小波神经网络的变压器机械故障预测方法,通过以下步骤实现:
S1:利用PCB356A16压电式加速度传感器以及NI-9234数据采集仪组成振动信号采集系统,将加速度传感器吸附于待测变压器箱体,采集振动信号;振动信号采集点如附图2所示;
S2:得到振动信号后,使用互信息法计算振动信号的时间延迟T;
S3:使用Cao方法计算振动信号的最小嵌入维数m;
S4:根据振动信号的时间延迟T和最小嵌入维数m对变压器振动信号进行相空间重构;
S5:利用重构后的相空间结合小波神经网络预测方法对待测变压器振动信号进行预测,得到预测信号vf;
S6:通过对比预测振动信号vf与正常状态振动信号vp计算得到变压器未来时间区间内的月度偏差系数Dy;
月度偏差系数Dy是通过统计一个月内预测振动信号与正常状态振动信号的平均偏差水平来得到的,一段预测振动信号的偏差系数由式(1-1)得到,
式(1-1)中:vf(i)表示变压器预测振动信号,vp(i)表示变压器正常工作振动信号,D表示预测信号vf(i)与vp(i)的偏差系数,m表示选取振动信号的数据点。
利用小波神经网络预测模型分别得到待测变压器每日凌晨3点和晚8点的变压器振动预测信号的偏差系数D3AM和D8PM,求偏差系数D3AM和D8PM的平均值得到每日的当日偏差系数Dd,如式(1-2)所示;同理可以得到30天的预测振动信号当日偏差系数,计算其平均值便得到30天内预测振动信号的月度偏差系数Dy,如式(1-3)所示。
S7:观察预测振动信号月度偏差系数的变化趋势,当偏差系数过大时可以判断该时间段内变压器的松动故障将积累到威胁设备正常运转的程度,必须制定针对性的检测计划,提前排除故障;检测方法流程图如附图1所示。
本发明与现有技术相比具有的有益效果是:
1、本发明采用的检测方法无需停运待测变压器,与电力设备无电气连接,不会影响电力系统的正常运行。
2、本发明充分挖掘振动信号中包含的设备状态信息,预测变压器机械状态的未来变化趋势以及将会出现的机械故障,为设备检修方案的制定提供依据。
附图说明
下面结合附图对本发明做进一步的说明。
图1为本发明预测方法的流程图;
图2为本发明变压器上振动信号采集点的分布图;
图3为本发明互信息函数与延迟时间的数量关系图;
图4为本发明计算因子E1(m)与嵌入维数m的数量关系图;
图5为本发明小波神经网络预测波形与实际振动波形图。
具体实施方式
下面结合实施例对本发明做进一步详细说明,选取一台机械状态正常的10kV变压器为例进行说明,利用PCB356A16压电式加速度传感器以及NI-9234数据采集仪构成变压器振动信号采集系统,将振动传感器吸附在待测变压器箱体表面,然后打开调压器并将调节好的电压加在变压器上,传感器采集到的变压器振动信号通过信号传输线路传输至数据采集仪。
通过设置空载实验采集了待测变压器正常状态下铁芯振动信号,然后设置变压器铁芯松动故障,获得故障状态下变压器铁芯振动信号。
在相空间重构的过程中,时间延迟的选择至关重要,如果时间延迟取值太小,则相空间矢量中两个分量x(t)和x(t+τ)的取值过于接近,无法有效区分两个分量,导致在相空间中不能形成两个独立的坐标分量,而如果时间延迟取值太大,就会使相空间内两坐标分量独立性过强,导致混沌吸引子的轨迹完全不相关;为此,本文采用互信息法来求取时间延迟τ。
定义[s,q]=[x(t),x(t+τ)],其中s表示时间序列x(t),q表示取延迟时间为τ的时间序列x(t+τ),公式(2-1)为两个时间序列的自相关函数I(Q,S);
式(2-1)中Psq(si,qj)表示si与qj的联合分布概率,I(Q,S)表示了相空间中x(t)与x(t+τ)两分量的相关性,I(Q,S)数值越大,分量相关性越高,因此选取第一个最小值作为延迟时间。
利用互信息法计算故障状态下变压器铁芯振动信号的时间延迟,得到互信息函数值与时间延迟的数量关系如附图3(互信息函数与延迟时间的数量关系)。
由图3可知,相空间重构选取延迟时间为10。
嵌入维数的选择对于相空间重构同样重要,合适的嵌入维数可以在确保准确计算各种混沌不变量的情况下,最大限度降低计算量和噪声的影响。
本文选用Cao法计算嵌入维数,Cao法的思想是将:通过衡量相邻两点在d维和d+1维两种维度空间的距离变化来得到最佳嵌入维数。
有嵌入维数评价因子式为
E1(m)=E(m+1)/E(m0) (2-4)
如果时间序列是确定的,那么相应的重构相空间的嵌入维数E1(m)也是存在的,E1(m)将在m取到特定值m0后保持稳定,此时m0为所需要的嵌入维数;
从图4(计算因子E1(m)与嵌入维数m的数量关系)可以得到嵌入维数取值应为3。
利用沃尔夫算法可以得到变压器振动信号的最大李雅普诺夫指数为0.0023,表明变压器振动信号具有混沌动力学特性。
选取一组变压器正常状态振动信号共3000个数据采集点,其中2400个作为训练样本输入小波神经网络预测模型中,600个作为测试样本;小波神经网络得出的预测波形与实际振动信号波形如图5(小波神经网络预测波形与实际振动波形)所示,本文引入偏差系数来表述预测信号的准确率。
式中D表示偏差系数,vf(i)表示小波神经网络预测信号,vp(i)表示实际振动信号,m表示所计算的振动信号包含的数据点;测试信号的偏差系数为2.21%,说明小波神经网络预测模型对变压器振动信号有着较强的预测能力。
本发明提出了月度偏差系数Dy来预测变压器的机械状态,为了确保对变压器振动信号的实时监测,同时减少计算量,本发明结合某电力公司现场工作经验提出了月度振动信号检测方案,即每天选取凌晨3点晚8点两个振时间区间,这两个时间节点分别反应了用电负荷的低谷及高峰,同时也代表了一天中变压器振动信号强度的最小值与最大值;计算两段信号的偏差系数Dlj与Dhj并取其平均值得到当日偏差系数Ddj,如式(2-6)所示;该值可以较为准确得反映当日的变压器预测振动信号相较与正常信号的畸变水平;累计采集30天,取30天内所有当日偏差系数的平均值得到的月度偏差系数Dy;如式(2-7)所示
式中,N表示30天内的数据采集量,预测信号的月度偏差系数反映了预测信号与正常状态振动信号相比的畸变程度,进而反映出变压器铁芯的故障程度。
设置变压器铁芯紧固件预紧力减小10%,然后利用小波神经网络预测模型得到故障状态变压器预测信号的月度偏差系数变化情况如表1:
表1变压器设置故障后月度偏差系数变化情况
预测信号采集时间 | 1月 | 2月 | 3月 | 4月 | 5月 | 6月 | 7月 | 8月 |
预测信号月度偏差系数 | 3.32% | 6.87% | 10.45% | 14.67% | 21.81%. | 32.32% | 45.78% | 61.34% |
从表中可以看出,设置铁芯松动故障后,变压器振动预测信号的月度偏差系数在不断增大,这是因为松动故障在铁芯磁致伸缩力的作用下,随着时间推移其严重程度逐步恶化,从而导致变压器振动信号畸变程度不断增加;运行8个月后的预测信号月度偏差系数高达61.34%,此时变压器铁芯已经处于严重的松动故障状态,必须安排相应的检修计划。
通过实验可以看到小波神经网络预测模型可以准确预测未来发生的机械故障,从而为检修方案的制定提供有力支持。
上述实施方式仅示例性说明本发明的原理及其效果,而非用于限制本发明。对于熟悉此技术的人皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改进。因此,凡举所述技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (3)
1.一种基于小波神经网络的变压器机械故障预测方法,其特征在于,通过以下步骤实现:
S1:利用PCB356A16压电式加速度传感器以及NI-9234数据采集仪组成振动信号采集系统,将加速度传感器吸附于待测变压器箱体,采集振动信号;
S2:得到振动信号后,使用互信息法计算振动信号的时间延迟T;
S3:使用Cao方法计算振动信号的最小嵌入维数m;
S4:根据振动信号的时间延迟T和最小嵌入维数m对变压器振动信号进行相空间重构;
S5:利用重构后的相空间结合小波神经网络预测方法对待测变压器振动信号进行预测,得到预测信号vf;
S6:通过对比预测振动信号vf与正常状态振动信号vp计算得到变压器未来时间区间内的月度偏差系数Dy;
S7:观察预测振动信号月度偏差系数的变化趋势,当偏差系数过大时可以判断该时间段内变压器的松动故障将积累到威胁设备正常运转的程度,必须制定针对性的检测计划,提前排除故障。
2.根据权利要求1所述的一种基于小波神经网络的变压器机械故障预测方法,其特征在于,所述S6:通过统计30天内的预测振动信号vf与正常状态振动信号vp的平均偏差水平得到预测信号vf(i)与正常状态振动信号vp(i)的偏差系数D。
3.根据权利要求2所述的一种基于小波神经网络的变压器机械故障预测方法,其特征在于,所述S6:利用小波神经网络预测模型分别得到待测变压器每日凌晨3点和晚8点的变压器振动预测信号的偏差系数D3AM和D8PM,根据偏差系数D3AM和D8PM的平均值得到每日的当日偏差系数Dd;同理得到30天的预测振动信号当日的偏差系数,计算其平均值得到30天内预测振动信号的月度偏差系数Dy。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110497726.0A CN113203471B (zh) | 2021-05-07 | 2021-05-07 | 一种基于小波神经网络预测的变压器机械故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110497726.0A CN113203471B (zh) | 2021-05-07 | 2021-05-07 | 一种基于小波神经网络预测的变压器机械故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113203471A true CN113203471A (zh) | 2021-08-03 |
CN113203471B CN113203471B (zh) | 2022-08-02 |
Family
ID=77029783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110497726.0A Active CN113203471B (zh) | 2021-05-07 | 2021-05-07 | 一种基于小波神经网络预测的变压器机械故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113203471B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114492636A (zh) * | 2022-01-26 | 2022-05-13 | 上海交通大学 | 一种变压器绕组状态信号的采集系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10176948A (ja) * | 1996-12-19 | 1998-06-30 | Meidensha Corp | 異常振動検出装置 |
WO2002065068A2 (en) * | 2001-01-12 | 2002-08-22 | Protune Corp. | Self-aligning ultrasonic sensor system, apparatus and method for detecting surface vibrations |
US20110044357A1 (en) * | 2005-06-28 | 2011-02-24 | Alon Shtern | System and method for high precision clock recovery over packet networks |
CN102915511A (zh) * | 2012-09-21 | 2013-02-06 | 四川大学 | 一种电力负荷的混沌相空间神经网络模型安全监测方法 |
US20150046897A1 (en) * | 2013-08-12 | 2015-02-12 | Synopsys, Inc. | Generalized moment based approach for variation aware timing analysis |
CN107290041A (zh) * | 2017-07-28 | 2017-10-24 | 河海大学 | 一种基于相空间重构和kpcm聚类的变压器绕组松动状态监测方法 |
US20180031716A1 (en) * | 2016-07-26 | 2018-02-01 | International Business Machines Corporation | Parallel Dipole Line Trap Seismometer and Vibration Sensor |
CN108072517A (zh) * | 2017-11-30 | 2018-05-25 | 西安理工大学 | 一种旋转机械微弱故障信号检测方法 |
CN110555468A (zh) * | 2019-08-15 | 2019-12-10 | 武汉科技大学 | 一种联合递归图和cnn的脑电信号识别方法及系统 |
US20190383705A1 (en) * | 2016-11-29 | 2019-12-19 | Sts Defence Limited | Engine health diagnostic apparatus and method |
CN110927490A (zh) * | 2019-12-02 | 2020-03-27 | 吉林松江河水力发电有限责任公司 | 基于ivmd排列熵和cwoa-svm的变压器绕组故障诊断方法 |
CN111397728A (zh) * | 2020-04-08 | 2020-07-10 | 河海大学 | 一种基于混沌理论和GOA-Kmeans的高压并联电抗器铁芯与绕组松动状态监测方法 |
US20200234165A1 (en) * | 2018-01-26 | 2020-07-23 | Dalian University Of Technology | Prediction method for aero-engine starting exhaust temperature |
CN111553495A (zh) * | 2020-04-29 | 2020-08-18 | 山东卓文信息科技有限公司 | 一种基于概率神经网络的小型断路器故障分析方法 |
CN112331274A (zh) * | 2020-03-06 | 2021-02-05 | 西安工程大学 | 基于相重构和神经网络的变压器油中溶解气体预测方法 |
-
2021
- 2021-05-07 CN CN202110497726.0A patent/CN113203471B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10176948A (ja) * | 1996-12-19 | 1998-06-30 | Meidensha Corp | 異常振動検出装置 |
WO2002065068A2 (en) * | 2001-01-12 | 2002-08-22 | Protune Corp. | Self-aligning ultrasonic sensor system, apparatus and method for detecting surface vibrations |
US20110044357A1 (en) * | 2005-06-28 | 2011-02-24 | Alon Shtern | System and method for high precision clock recovery over packet networks |
CN102915511A (zh) * | 2012-09-21 | 2013-02-06 | 四川大学 | 一种电力负荷的混沌相空间神经网络模型安全监测方法 |
US20150046897A1 (en) * | 2013-08-12 | 2015-02-12 | Synopsys, Inc. | Generalized moment based approach for variation aware timing analysis |
US20180031716A1 (en) * | 2016-07-26 | 2018-02-01 | International Business Machines Corporation | Parallel Dipole Line Trap Seismometer and Vibration Sensor |
US20190383705A1 (en) * | 2016-11-29 | 2019-12-19 | Sts Defence Limited | Engine health diagnostic apparatus and method |
CN107290041A (zh) * | 2017-07-28 | 2017-10-24 | 河海大学 | 一种基于相空间重构和kpcm聚类的变压器绕组松动状态监测方法 |
CN108072517A (zh) * | 2017-11-30 | 2018-05-25 | 西安理工大学 | 一种旋转机械微弱故障信号检测方法 |
US20200234165A1 (en) * | 2018-01-26 | 2020-07-23 | Dalian University Of Technology | Prediction method for aero-engine starting exhaust temperature |
CN110555468A (zh) * | 2019-08-15 | 2019-12-10 | 武汉科技大学 | 一种联合递归图和cnn的脑电信号识别方法及系统 |
CN110927490A (zh) * | 2019-12-02 | 2020-03-27 | 吉林松江河水力发电有限责任公司 | 基于ivmd排列熵和cwoa-svm的变压器绕组故障诊断方法 |
CN112331274A (zh) * | 2020-03-06 | 2021-02-05 | 西安工程大学 | 基于相重构和神经网络的变压器油中溶解气体预测方法 |
CN111397728A (zh) * | 2020-04-08 | 2020-07-10 | 河海大学 | 一种基于混沌理论和GOA-Kmeans的高压并联电抗器铁芯与绕组松动状态监测方法 |
CN111553495A (zh) * | 2020-04-29 | 2020-08-18 | 山东卓文信息科技有限公司 | 一种基于概率神经网络的小型断路器故障分析方法 |
Non-Patent Citations (2)
Title |
---|
戎子睿 等: "基于相空间轨迹识别和多判据融合的变压器保护新策略", 《中国电机工程学报》 * |
毛向向 等: "基于深度卷积神经网络的机电系统故障分类识别方法", 《电子测量与仪器学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114492636A (zh) * | 2022-01-26 | 2022-05-13 | 上海交通大学 | 一种变压器绕组状态信号的采集系统 |
CN114492636B (zh) * | 2022-01-26 | 2023-11-24 | 上海交通大学 | 一种变压器绕组状态信号的采集系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113203471B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021232655A1 (zh) | 一种基于振动特征的高压并联电抗器机械状态评估方法 | |
Yan et al. | A dynamic multi-scale Markov model based methodology for remaining life prediction | |
CN101900789A (zh) | 基于小波变换与分形维数的容差模拟电路故障诊断方法 | |
CN113203471B (zh) | 一种基于小波神经网络预测的变压器机械故障检测方法 | |
CN103968939B (zh) | 基于平均位移法的变压器绕组松动故障检测方法 | |
Lu et al. | Physics-based intelligent prognosis for rolling bearing with fault feature extraction | |
CN114372344B (zh) | 一种次同步振荡阻尼特性影响因素的量化辨识方法 | |
CN117150216B (zh) | 一种电力数据回归分析方法及系统 | |
CN105406461A (zh) | 一种配电网停电事件的负荷自适应动态监测方法 | |
CN117471346A (zh) | 用于确定退役电池模组剩余寿命和健康状态的方法及系统 | |
CN117290685A (zh) | 一种基于历史数据的电厂电力设备专家诊断系统及方法 | |
CN114924157A (zh) | 一种基于5g传输的并联电抗器状态监测方法及系统 | |
CN114611768A (zh) | 一种配电网业扩配套容量时序建设规模预测方法 | |
Ge et al. | Remaining useful life prediction of machinery based on KS distance and LSTM neural network | |
Liu et al. | Research on online monitoring technology for transmission tower bolt looseness | |
CN113514743A (zh) | 一种基于多维特征的gis局部放电模式识别系统构建方法 | |
CN103928923B (zh) | 一种基于灵敏度分析的网络稳态电能质量预警方法 | |
Zhang et al. | A multi-fault modeling approach for fault diagnosis and failure prognosis of engineering systems | |
CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
Cao et al. | Gas turbine bearing wear monitoring method based on magnetic plug inductance sensor | |
CN115292776A (zh) | 一种基于索力监测数据的斜拉桥车致索力实时在线提取方法 | |
CN111351655A (zh) | 一种铁路机车齿轮箱中齿轮故障诊断方法 | |
A Rahim et al. | Relationship between time domain and frequency domain strain signal–Application to real data | |
CN113673010A (zh) | 一种基于监测数据的钢箱梁评估方法与系统 | |
Altmann et al. | Theoretical development of localized pseudo 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 | ||
GR01 | Patent grant |