CN113295702A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113295702A
CN113295702A CN202110551204.4A CN202110551204A CN113295702A CN 113295702 A CN113295702 A CN 113295702A CN 202110551204 A CN202110551204 A CN 202110551204A CN 113295702 A CN113295702 A CN 113295702A
Authority
CN
China
Prior art keywords
electrical equipment
fault diagnosis
training
diagnosis model
characteristic quantity
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
Application number
CN202110551204.4A
Other languages
English (en)
Other versions
CN113295702B (zh
Inventor
李国亮
刘玉娇
康文文
王坤
代二刚
李森
韩锋
燕重阳
杨凤文
郑国伟
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.)
State Grid Corp of China SGCC
North China Electric Power University
Zaozhuang Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
North China Electric Power University
Zaozhuang Power Supply Co of State Grid Shandong Electric Power Co Ltd
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 State Grid Corp of China SGCC, North China Electric Power University, Zaozhuang Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110551204.4A priority Critical patent/CN113295702B/zh
Publication of CN113295702A publication Critical patent/CN113295702A/zh
Application granted granted Critical
Publication of CN113295702B publication Critical patent/CN113295702B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4472—Mathematical theories or simulation
    • 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
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Acoustics & Sound (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Complex Calculations (AREA)

Abstract

本发明实施例涉及故障诊断技术领域，公开了一种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。上述电气设备故障诊断模型训练方法包括：采集电气设备在不同运行状态下的声音信号、振动信号和红外图像；对振动信号和声音信号进行降噪分解处理，得到振动信号的第一特征量和声音信号的第二特征量；对红外图像进行小波分解，得到红外图像的第三特征量；将第一特征量、第二特征量和第三特征量进行融合，得到特征向量，并基于特征向量构建多维样本数据集；基于多维样本数据集，训练电气设备故障诊断模型。上述方法能够提高电气设备故障诊断模型识别的准确率。

Description

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
技术领域
本发明涉及故障诊断技术领域，具体涉及一种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。
背景技术
近年来，电气设备故障诊断方法大多采用单一的振动信号、声音信号、电流信号等进行分析。这在一定程度上能够区分故障信号和正常信号，但是存在描述片面、某些故障不能区分等缺点。同时，在电气设备的信号采集过程中，极容易受周围环境的影响，混入噪声，影响对于电气设备故障的诊断。
对电气设备信号进行采集和降噪处理后，还需要根据信号诊断电气设备是否发生故障以及故障的类型。传统的诊断方法，存在诊断精度低，局限性较高等不足，难以推广。随着人工智能、机器学习等理论技术的发展，此类智能算法被应用在故障诊断领域，计算机智能算法能够提高传统方法的诊断精度，并且缩短了计算时间，为电气设备故障诊断提供了便利。
发明内容
有鉴于此，本发明实施例提供了一种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，以解决现有技术中故障判断分类识别准确率低的问题。
为达到上述目的，本发明采用如下技术方案：
第一方面，本发明实施例提供了一种电气设备故障诊断模型训练方法，包括：采集电气设备不同运行状态下的声音信号、振动信号和红外图像；对所述振动信号进行降噪分解处理，得到所述振动信号的第一特征量；对所述声音信号进行降噪分解处理，得到所述声音信号的第二特征量；对所述红外图像进行小波分解，得到所述红外图像的第三特征量；将所述第一特征量、所述第二特征量和所述第三特征量进行合并，得到多维样本的特征向量，并基于所述特征向量构建多维样本数据集；基于所述多维样本数据集，训练电气设备故障诊断模型。
本发明实施例中，将第一特征量、第二特征量和第三特征量融合得到特征向量，作为训练电气设备故障诊断模型的训练样本，由于该训练样本是经降噪处理后的多维融合信号，比单一信号诊断能更全面的反映故障状态，可有效地提高电气设备故障诊断模型识别准确率。
基于第一方面，在本发明的一些实施例中，所述对所述振动信号进行降噪分解处理，得到所述振动信号的第一特征量，包括：对所述振动信号采用集合经验模态分解方法进行分解，得到第一振动信号分解量，根据所述第一振动信号分解量计算能量熵，得到所述第一特征量。
基于第一方面，在一些实施例中，所述对所述声音信号进行降噪分解处理，得到所述声音信号的第二特征量，包括：对所述声音信号采用集合经验模态分解方法进行分解，得到第一声音信号分解量；对所述第一声音信号分解量进行改进小波阈值降噪，得到第二声音信号分解量；根据所述第二声音信号分解量计算能量熵，得到所述第二特征量。
本发明实施例中，使用集合经验模态分解对振动信号和声音信号进行分解得到各自的分解量后，对声音信号的分解量采用改进小波阈值函数进一步重构降噪，解决了声音信号相比振动信号更容易受周围环境的影响，噪声更多，只用集合经验模态分解难以降噪的问题。
基于第一方面，在一些实施例中，所述对所述红外图像进行小波变换，得到所述红外图像的第三特征量，包括：应用小波函数对红外图像进行第一预设尺度的分解；将分解后的红外图像分别进行低频重构和高频重构，得到低频图像和多个方向上的高频图像，低频重构的尺度为第二预设尺度和第三预设尺度，高频重构的尺度为第四预设尺度；将低频图像和多个方向上的高频图像的均值作为红外图像信号的第三特征量；其中，多个方向可以为水平、垂直和对角方向等；第一预设尺度、第二预设尺度、第三预设尺度和第四预设尺度可以根据具体的图像信息来确定最优重构尺度值。
基于第一方面，在一些实施例中，所述将所述第一特征量、所述第二特征量和所述第三特征量进行合并，得到特征向量，并基于所述特征向量构建多维样本数据集，包括：将第一特征量第二特征量和第三特征量进行合并；合并后的特征向量包括振动信号能量熵、声音信号能量熵和红外图像信号各方向图像均值。
基于第一方面，在一些实施例中，所述基于所述多维样本数据集，训练电气设备故障诊断模型，包括：将所述多维样本数据集分为训练集和测试集；基于所述训练集，构建支持向量机SVM分类器，所述SVM分类器是电气设备故障诊断模型的核心；通过改进花朵授粉算法优化SVM分类器的惩罚参数c和核函数参数g，训练电气设备故障诊断模型；所述改进花朵授粉算法为在蛙跳思想的基础上，引入高斯、柯西混合变异策略对花朵授粉算法进行改进得到。
本发明实施例中，所采用的模型优化算法是不同于网格算法、粒子群算法、烟花算法等传统方法的改进花朵授粉算法(IFPA)，改进花朵授粉算法为在蛙跳思想的基础上，引入高斯、柯西混合变异策略对花朵授粉算法进行改进得到，较原始花朵授粉算法收敛速度快，不易陷入局部极小值。使用IFPA来优化SVM分类器参数，寻找全局最优值，以得到最佳电气设备故障诊断模型，快速准确地对电气设备故障类型进行分类。
基于第一方面，在一些实施例中，所述通过改进花朵授粉算法优化SVM分类器的惩罚参数c和核函数参数g，训练电气设备故障诊断模型包括：初始化算法参数和花粉种群，所述花粉种群中的个体代表SVM分类器的惩罚参数c和核函数参数g的值；根据所述惩罚参数c和核函数参数g设定所述SVM分类器，以所述SVM分类器对所述训练集分类输出的准确率为适应度，评估每个花粉个体的初始适应度值；以所述适应度值为依据，对所述花粉种群进行更新迭代，得到所属花粉种群的全局最优解，该最优解即为所述惩罚参数c和核函数参数g的最优值；以所述惩罚参数c和核函数参数g的最优值设定最佳SVM分类器，得到以最佳SVM分类器为核心的电气设备故障诊断模型。
本发明实施例的第二方面提供了一种电气设备故障诊断方法，包括：获取电气设备的多种物理数据，包括但不限于声音信号，振动信号和红外图像。对所述多种物理数据进行处理，将融合后的多维信号输入上述第一方面所述电气设备故障诊断模型训练方法训练得到的电气设备故障诊断模型，确定所述电气设备的故障。
本发明实施例中提供的电气设备故障诊断方法，基于多种物理信号融合和对诊断模型通过人工智能算法进行分类训练的方法解决了现有电气设备故障诊断方法较为片面、某些故障不能区分，故障识别准确率较低的问题。
第三方面，本发明实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述电气设备故障诊断模型训练方法的步骤或如上述第二方面中所述电气设备故障诊断方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述电气设备故障诊断模型训练方法的步骤或如上述第二方面中所述电气设备故障诊断方法的步骤。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的电气设备故障诊断模型训练方法的流程示意图；
图2是本发明实施例提供的拒合故障声音和振动信号的时域图；
图3是本发明实施例提供的声音信号EEMD分解图及其频谱图；
图4是本发明实施例提供的声音信号分解后各个IMF分量的相关系数；
图5是本发明实施例提供的原始信号、加噪信号与三种阈值函数处理后的信号对比图；
图6是本发明实施例提供的断路器原始红外图像；
图7是本发明实施例提供的断路器原始红外图像经分解重构后的图像；
图8是本发明实施例提供的改进花朵授粉算法(IFPA)流程图；
图9是本发明实施例提供的PSO、FPA、SFLA以及IFPA算法寻优结果图；
图10是本发明实施例提供的电气设备故障诊断方法的流程示意图；
图11是本发明实施例提供的断路器故障诊断流程图；
图12是本发明实施例提供的终端设备的示意图。
具体实施方式
下面结合具体实施例对本发明进行更清楚的说明。以下实施例将有助于本领域的技术人员进一步理解本发明的作用，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
本发明实施例提供的一种电气设备故障诊断模型训练方法，如图1所示，该电气设备故障诊断模型训练方法可以包括步骤101至步骤104。
步骤101：采集电气设备不同运行状态下的声音信号、振动信号和红外图像。
本实施例中，以Z65型真空断路器作为测试设备，模拟了断路器正常合闸、基座松动、拒合、合闸弹簧与分闸弹簧连杆脱落等四种运行状态。以25.6k Hz/s的采样频率使用数据采集器进行采样，对以上四种状态分别进行了20次模拟实验，共得到80组原始数据，这些数据包括断路器在不同工作状态下的声音信号，振动信号和红外图像。
步骤102：对振动信号进行降噪分解处理，得到振动信号的第一特征量，对声音信号进行降噪分解处理，得到声音信号的第二特征量，对红外图像进行小波分解，得到红外图像的第三特征量。
在一具体实施方式中，步骤102的过程可以包含步骤A1至步骤A4。
步骤A1，采用集合经验模态分解方法将声音信号和振动信号进行分解，得到第一声音信号分解量和第一振动信号分解量。
集合经验模态分解(Ensemble empirical mode decomposition，EEMD)是一种可处理非线性、非平稳信号的自适应信号时频处理方法，EEMD是先在EMD的基础上加入白噪声，然后将信号分解为不同时间尺度的本征模态函数(Intrinsic Mode Function，IMF)，如式(1)所示，之后各个分量再进行总体平均运算，消除白噪声的影响，从而得到最终分解量。EEMD在一定程度上削弱了EMD中存在的模态混叠现象。使用EEMD分解声音信号和振动信号，得到第一声音信号分解量和第一振动信号分解量。
Figure BDA0003075497060000061
式中imfi(t)为EEMD分解得到的第i个IMF分量，rn(t)为余量。
步骤A2，对第一声音信号分解量进行改进小波阈值降噪，得到第二声音信号分解量。
以断路器的拒合故障为例，其声音和振动信号波形时域如图2，声音信号的幅值较大，其噪声较明显，因此采用EEMD对声音信号和振动信号进行分解得到第一声音信号分解量和第一振动信号分解量后，再对含噪的第一声音信号分解量进行改进小波阈值降噪得到第二声音信号分解量。
改进小波阈值降噪的原理是信号通过小波变换后产生含有信号的重要信息的小波系数，信号的小波系数较大，噪声的小波系数较小，并且噪声的小波系数要小于信号的小波系数，通过选取一个合适的阀值，大于阀值的小波系数被认为是有信号产生的，予以保留，小于阀值的则认为是噪声产生的，予以去除，根据小波系数将信号重构，得到降噪后的信号。
在本实施例中，采用EEMD对声音信号进行分解后，得到第一声音信号分解量，其中包括8个分量和1个余量，分解图及其各个分量的频谱见图3。频带越宽，包含的噪声越多，同时也保留更多的信号有效信息，根据频带宽度计算第一声音信号分解量中各IMF分量的相关系数如图4，设相关系数大于等于0.1时，表示该分量保留了信号的有效信息。故选取相关系数大于等于0.1的前五阶分量进行改进小波阈值降噪，得到第二声音信号分解量。
其中，经典的小波阈值函数为小波硬、软两种阈值函数。前者有断点，后者容易使信号失真。基于以上缺点，本发明提出一种改进阈值函数，该函数较硬阈值来说，去除了断点；较软阈值来说，改善了信号失真的情况。改进阈值函数的表达式如下：
Figure BDA0003075497060000071
式(2)中：Nj为第j层的小波系数长度，通过调节因子a∈[0,+∞)来调节阈值函数的趋势，采用分层阈值，对信号进行降噪。a→0时，整体趋向软阈值；a→∞时，整体趋向硬阈值；ωj,k→λ时，ω'j,k＝0，保证了ωj,k＝λ处的连续性。
为验证提出的阈值函数是否有效，用MATLAB对信号进行仿真，下式(3)为纯净信号：
f(t)＝10e-26tcos(100πt) (3)
在纯净信号中，加入信噪比为2dB的噪声，然后采用db3小波基函数，进行4层分解，分别使用软阈值、硬阈值和本发明提出的改进阈值函数进行降噪，降噪后的信号见图5。图6中(a)为原始信号，(b)为加噪信号，(c)为硬阈值处理后的信号，(d)为软阈值处理后的信号，(e)为改进阈值处理后的信号。
使用硬阈值降噪，信号中平缓部分噪点较多；使用软阈值降噪，平滑掉了波动部分的一些有用信号；使用改进阈值降噪，保留波动部分有用信息的同时，平缓部分的噪点较少。
用均方误差(MSE)与信噪比(NSR)衡量降噪效果，见表1。
表1三种阈值函数降噪后的信噪比和均方误差
评判标准 软阈值 硬阈值 改进阈值
信噪比/dB 10.3212 7.9551 11.9694
均方误差 0.3074 0.4037 0.2543
改进的小波阈值降噪函数的信噪比高于其它两种方法，均方误差小于其它两种方法。实验表明，本发明提出的改进阈值函数能在保留信号有用信息的同时，去除更多的噪声，降噪效果较好。
为验证降噪效果，再将原始信号加入信噪比为5dB的噪声，分别使用EEMD以及其和三种阈值函数联合降噪方法，对比其降噪效果，见表2。
表2 EEMD及其和三种小波阈值函数联合降噪后的信噪比
Figure BDA0003075497060000081
EEMD和小波阈值联合降噪普遍比单一EEMD降噪的信噪比高，而EEMD分别和三种阈值函数结合降噪后，改进阈值的信噪比最高。因此，使用EEMD和改进小波阈值函数降噪去掉的噪声更多，降噪效果更好。
步骤A3，利用小波变换将红外图像进行小波分解、滤波、重构，得到红外图像均值。
一些实施例中，可以应用小波函数对红外图像进行第一预设尺度的分解；将分解后的红外图像分别进行低频重构和高频重构，得到低频图像和多个方向上的高频图像，低频重构的尺度为第二预设尺度和第三预设尺度，高频重构的尺度为第四预设尺度；将低频图像和多个方向上的高频图像的均值作为红外图像信号的特征量。其中，多个方向可以为水平、垂直和对角方向等。第一预设尺度、第二预设尺度、第三预设尺度和第四预设尺度可以根据具体的图像信息确定最优重构尺度值。
以下以利用小波变换对断路器动作时的红外图像进行小波分解、滤波、重构为例进行说明。
首先，可以应用小波函数sym5对原始图像进行尺度为2的分解，然后将小波分解后的图像结构进行尺度为1和尺度为2的低频重构以及尺度为2的高频重构，获取其在水平、垂直、对角方向的高频图像，计算各图像的均值作为红外图像信号的特征量。经小波变换对原始红外图像进行小波分解、重构，得到的图像如图6、图7所示。对红外图像进行均值计算，见表3。
表3红外图像分解均值
Figure BDA0003075497060000091
步骤A4，对第一振动信号分解量提取能量熵值作为第一特征量，对第二声音信号分解量提取能量熵值作为第二特征量，对经小波分解重构的红外图像提取图像均值，作为第三特征量。
对第一振动信号分解量和第二声音信号分解量的前五阶IMF分量计算能量熵，作为第一特征量和第二特征量；以各红外图像小波分解重构后的图像均值作为第三特征量。
对于电气设备为断路器的情况，红外图像分解重构后的图像均值见表3，振动信号分解量和声音信号分解量的前五阶IMF分量的能量熵值见表4和表5。其中，故障1代表基座松动，故障2代表拒合，故障3代表合闸弹簧与分闸弹簧连杆脱落。
表4声音信号能量熵
Figure BDA0003075497060000101
表5振动信号能量熵
Figure BDA0003075497060000102
步骤103：将第一特征量、第二特征量和第三特征量进行合并，得到特征向量，并基于特征向量构建多维样本数据集。
将第一特征量第二特征量和第三特征量进行合并，合并后的特征向量包括振动信号能量熵[E1，E2，E3，E4，E5]、声音信号能量熵[E6，E7，E8，E9，E10]、红外图像信号各方向图像均值[低频1、低频2、高频(水平)、高频(垂直)、高频(对角)]。
在本实施例中，还可以提取第一振动信号分解量的特征量形成特征向量；提取第二声音信号分解量的特征量形成特征向量；将第二声音信号分解量和第一振动信号分解量进行融合，得到声振信号联合分解量，提取特征量，形成特征向量，以之作为对比，验证采用多维信号融合特征判断电气设备故障的效果。
步骤104：基于多维样本数据集，训练电气设备故障诊断模型。
在一些实施例中步骤104可以包括步骤1041至步骤1043。
步骤1041：将多维样本数据集分为训练集和测试集。
步骤1042：基于所述训练集，构建支持向量机SVM分类器，SVM分类器是电气设备故障诊断模型的核心。
支持向量机(Support Vector Machine,SVM)是定义在特征空间上的间隔最大的线性分类器，SVM包括核技巧，通过引入核函数使它可以处理非线性的分类问题。本实施例中选择径向基函数作为SVM的核函数，径向基函数作为核函数的SVM分类器的准确率取决于惩罚参数c和核函数参数g，惩罚参数c越大，对误差容忍度越低，容易出现过拟合，c越小，对误差容忍度越高，容易出现欠拟合。g越大，训练准确度越高，但容易过拟合，核函数参数g越小，训练准确度越低，容易欠拟合。
将所述训练集输入SVM分类器，可知分类器的故障判断准确率，以此确定算法寻优过程中的适应度值。
步骤1043：通过改进花朵授粉算法优化SVM分类器的惩罚参数c和核函数参数g，训练电气设备故障诊断模型
本发明采用改进后的花朵授粉算法(Flower Pollination Algorithm，FPA)优化参数c和g，借鉴蛙跳思想以及混合变异策略解决了传统通过PSO算法优化参数c和g收敛速度慢，易陷入局部极小值的缺点，提高了SVM分类准确率。
步骤1043具体可分为以下几个步骤：
步骤B1：初始化算法参数和花粉种群，花粉种群中的个体代表SVM分类器的惩罚参数c和核函数参数g的值。
步骤B2：根据所述惩罚参数c和核函数参数g设定所述SVM分类器，以所述SVM分类器对所述训练集分类输出的准确率为适应度，评估每个花粉个体的初始适应度值。
步骤B3：以所述适应度值为依据，对所述花粉种群进行更新迭代，得到所属花粉种群的全局最优解，该最优解即为所述惩罚参数c和核函数参数g的最优值。
步骤B4：以所述惩罚参数c和核函数参数g的最优值设定最佳SVM分类器，得到以最佳SVM分类器为核心的电气设备故障诊断模型。
通过IFPA进行参数优化的算法流程如图8所示，首先初始化算法参数和花粉种群，当种群迭代次数小于给定值时不断进行种群迭代，进行种群迭代的过程先判断种群是否操作完成，操作完成执行全局搜索，未操作完成执行局部搜索，执行全局搜索时首先判断随机数是否小于给定阈值，当小于给定阈值时进行全局授粉，否则进行局部授粉。通过种群的不断迭代，达到设定的迭代次数后输出SVM分类器c和g参数的最优解，进而得到优化后的电气设备故障诊断模型。
花朵授粉算法FPA通过模拟自然界花朵自花授粉、异花授粉的一系列过程，寻求全局最优解。自花授粉可看作局部搜索，异花授粉看作全局搜索。
在FPA算法中，在迭代次数N_iter之内，当rand<p条件成立时进行全局授粉，即按式(4)对解进行更新，并做越界处理。rand是随机生成的数，取值范围在[0,1]之间。p为给定转换概率，转换概率p一般在运行时给出一个[0,1]的数值，通常取0.6-0.8。判断的时候，rand随机产生一个数，并判断是否小于p，这时p已经提前预置好[0,1]之间的某个值了。
Figure BDA0003075497060000121
式(4)中：
Figure BDA0003075497060000122
分别是第t+1代、第t代的解；g*是全局最优解，按照适应度值判定全局最优解；L为步长，公式如下：
Figure BDA0003075497060000123
式(5)中：λ＝3/2，Γ(λ)为标准的伽马函数，s为移动步长。
当p<rand条件成立，则进行局部授粉，即按下式对解进行更新，并进行越界处理。
Figure BDA0003075497060000124
式(6)中：ε为[0,1]上服从均匀分布的常数，
Figure BDA0003075497060000125
为同一代不同的花粉。
从上述可知，FPA算法局部搜索能力较弱，且没有变异功能，易陷入局部最优。
蛙跳算法是一种启发式搜索算法，其通过不断更新较差个体，提升算法的局部搜索能力。局部搜索时，高斯变异效果较好；全局搜索时，柯西变异效果较好。因此，文中在蛙跳思想的基础上，引入高斯、柯西混合变异策略改进FPA的局部搜索方法，改进后FPA的局部搜索步骤如下：
首先，规模为m*n的青蛙初始种群为U(1),U(2),...,U(m*n)，每个青蛙对应解空间的候选解为U(t)＝(U1 t,U2 t,...,Ud t)，d为搜索维度。按适应度从优到差进行排序，确定全局最优解gb，适应度是表示青蛙对当前环境的适应情况，分析的时候，用青蛙距离最优位置的距离来表示。根据距离的大小选中最优位置青蛙，并记作当前全局最优解gb。按式(7)分成m个模因组，每个模因组中存在n个个体。
Mk＝{U(k+m(i-1))|1≤i≤n},1≤k≤m (7)
式(7)中：Mk为第k个模因组。
然后，循环更新每个模因组中最优和最差个体。先确定模因组中最优、最差个体分别为pb、pw，对pw按式(8)和式(9)进行组内最优更新，若优于原始个体适应度，则更新pw；否则，对pw按式(8)和式(10)进行全局最优更新，若仍优于原始个体适应度，则更新pw；否则，直接对pw按式(11)进行柯西变异。
pw'＝pw+s,||s||≤smax (8)
s＝rand*(pb-pw) (9)
s＝rand*(gb-pw) (10)
pw'＝pw+pw*Cauchy(0,1) (11)
式(11)中：Cauchy(0,1)为服从柯西分布的值。
最后，按式(12)对pb做高斯变异操作。若变异后的个体pb’优于gb，对原始pb进行更新。
pb'＝pb+pb*N(0,1) (12)
式中N(0,1)服从标准正态分布。
为了快速收敛，在每次迭代完成后，判断是否满足收敛条件，若满足收敛条件，则退出循环。收敛条件：迭代若干次，全局最优值不变时，终止算法；迭代次数达到总迭代次数，终止算法。
本发明在FPA的基础上，引入蛙跳思想，通过高斯、柯西混合变异策略得到改进后的花朵授粉算法(Improved Flower Pollination Algorithm，IFPA)，该改进花朵授粉算法(IFPA)局部搜索能力较强，不易陷入局部极值。
为验证改进花朵授粉算法(IFPA)的性能，使用Griewank多峰基准函数进行测试，Griewank公式为：
Figure BDA0003075497060000141
将IFPA算法与PSO、FPA和SFLA算法做对比实验见图9。参数如下：维数：20，迭代次数：200，IFPA：n＝4，m＝5，p＝0.8，g＝0.1；PSO：NP＝20；FPA：p＝0.8；SFLA：n＝4，m＝5。
在高维函数寻优方面，IFPA算法较PSO和SFLA算法，有较强的高维寻优能力；较FPA算法，能更快收敛到最优解，所需的迭代次数更少。
本发明实施例还提供了一种电气设备故障诊断方法，如图10所示，该电气设备故障诊断方法可以包括步骤201至步骤204。
步骤201：获取电气设备的多种物理数据，包括声音信号，振动信号和红外图像。
步骤202：对多种物理数据分别进行降噪分解处理，提取特征量。
步骤203：融合多种物理数据的特征量，得到多维信号融合的特征向量。
步骤204：将特征向量输入电气设备故障诊断模型训练方法训练得到的电气设备故障诊断模型，确定电气设备的故障。
为验证本实施例中电气设备故障诊断方法的效果，将多维信号融合的数据样本输入优化后的IFPA-SVM分类模型进行故障诊断，同时将声音信号、振动信号、声振联合、红外图像的数据样本输入到IFPA-SVM分类模型中进行对比；另外将声音信号、振动信号、声振联合、红外图像、多维信号融合的数据样本分别输入到PSO-SVM、SFLA-SVM、FPA-SVM分类模型中进行对比，诊断结果准确率见表6。
表6四种分类器的识别准确率
Figure BDA0003075497060000151
从声、振、红外图像信号融合来看，IFPA-SVM分类器的准确率高于其他三种分类器，达到96.25％。而四种分类器多维信号融合的准确率，相对于单一声音信号、振动信号以及红外图像信号，各有不同程度的提高，故上述电气设备故障诊断方法，确实能有效提高分类识别准确率。
图11以断路器为例说明故障诊断模型训练和故障诊断的过程。首先采集断路器的多维信号，然后对其中的断路器声振信号使用集合经验模态分解(EEMD)进行分解，选取若干阶本征模态函数(IMF)分量，对声音信号的IMF分量采用改进小波阈值函数进一步重构降噪，分别提取声振信号IMF分量的能量熵；同时，对断路器的红外图像进行小波变换，分析红外图像信息，提取特征，计算均值；然后，融合多维信号特征构建样本数据集，分为训练集和测试集，利用训练集作为训练样本使用改进算法优化SVM的参数c和g，获得最佳SVM分类器；最后，将测试集输入最佳SVM分类器，输出分类结果，进行故障判断。
图12是本发明一实施例提供的终端设备的示意图。如图10所示，该实施例的终端设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42，例如电器设备故障诊断程序。所述处理器40执行所述计算机程序42时实现上述电器设备故障诊断方法实施例中的步骤，例如图10所示的201至204。
所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图12仅仅是终端设备4的示例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述终端设备4的内部存储单元，例如终端设备4的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的终端设备和方法，可以通过其它的方式实现。例如，以上所描述的终端设备实施例仅仅是示意性的，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；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，均应包含在本发明的保护范围之内。

Claims (10)

1.一种电气设备故障诊断模型训练方法，其特征在于，包括：
采集电气设备不同运行状态下的声音信号、振动信号和红外图像；
对所述振动信号进行降噪分解处理，得到所述振动信号的第一特征量；对所述声音信号进行降噪分解处理，得到所述声音信号的第二特征量；对所述红外图像进行小波分解，得到所述红外图像的第三特征量；
将所述第一特征量、所述第二特征量和所述第三特征量进行合并，得到多维样本的特征向量，并基于所述特征向量构建多维样本数据集；
基于所述多维样本数据集，训练电气设备故障诊断模型。
2.如权利要求1所述的电气设备故障诊断模型训练方法，其特征在于，所述对所述振动信号进行降噪分解处理，得到所述振动信号的第一特征量，包括：
对所述振动信号采用集合经验模态分解方法进行分解，得到第一振动信号分解量；
根据所述第一振动信号分解量计算能量熵，得到所述第一特征量。
3.如权利要求1所述的电气设备故障诊断模型训练方法，其特征在于，所述对所述声音信号进行降噪分解处理，得到所述声音信号的第二特征量，包括：
对所述声音信号采用集合经验模态分解方法进行分解，得到第一声音信号分解量；
对所述第一声音信号分解量进行改进小波阈值降噪，得到第二声音信号分解量；
根据所述第二声音信号分解量计算能量熵，得到所述第二特征量。
4.如权利要求1所述的电气设备故障诊断模型训练方法，其特征在于，所述对所述红外图像进行小波变换，得到所述红外图像的第三特征量，包括：
应用小波函数对所述红外图像进行第一预设尺度的分解；
将分解后的红外图像分别进行低频重构和高频重构，得到低频图像和多个方向上的高频图像，所述低频重构的尺度为第二预设尺度和第三预设尺度，所述高频重构的尺度为第四预设尺度；
将所述低频图像和所述多个方向上的高频图像的均值作为所述红外图像的第三特征量；
其中，所述多个方向为水平、垂直和对角方向；
第一预设尺度、第二预设尺度、第三预设尺度和第四预设尺度根据具体的图像信息来确定最优重构尺度值。
5.如权利要求1所述的电气设备故障诊断模型训练方法，其特征在于，所述将所述第一特征量、所述第二特征量和所述第三特征量进行合并，得到特征向量，并基于所述特征向量构建多维样本数据集，包括：
将第一特征量第二特征量和第三特征量进行合并；
合并后的特征向量包括振动信号能量熵、声音信号能量熵和红外图像信号各方向图像均值。
6.如权利要求1所述的电气设备故障诊断模型训练方法，其特征在于，所述基于所述多维样本数据集，训练电气设备故障诊断模型，包括：
将所述多维样本数据集分为训练集和测试集；
基于所述训练集，构建支持向量机SVM分类器，所述SVM分类器是电气设备故障诊断模型的核心；
通过改进花朵授粉算法优化SVM分类器的惩罚参数c和核函数参数g，训练电气设备故障诊断模型；所述改进花朵授粉算法为在蛙跳思想的基础上，引入高斯、柯西混合变异策略对花朵授粉算法进行改进得到。
7.如权利要求6所述的电气设备故障诊断模型训练方法，其特征在于，所述通过改进花朵授粉算法优化SVM分类器的惩罚参数c和核函数参数g，训练电气设备故障诊断模型包括：
初始化算法参数和花粉种群，所述花粉种群中的个体代表SVM分类器的惩罚参数c和核函数参数g的值；
根据所述惩罚参数c和核函数参数g设定所述SVM分类器，以所述SVM分类器对所述训练集分类输出的准确率为适应度，评估每个花粉个体的初始适应度值；
以所述适应度值为依据，对所述花粉种群进行更新迭代，得到所属花粉种群的全局最优解，该最优解即为所述惩罚参数c和核函数参数g的最优值；
以所述惩罚参数c和核函数参数g的最优值设定最佳SVM分类器，得到以最佳SVM分类器为核心的电气设备故障诊断模型。
8.一种电气设备故障诊断方法，其特征在于，包括：
获取电气设备的多种物理数据，所述多种物理数据包括声音信号，振动信号和红外图像；
基于通过如权利要求1至7任一项所述的电气设备故障诊断模型训练方法训练得到的电气设备故障诊断模型，对所述多种物理数据进行处理，确定所述电气设备的故障。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述电气设备故障诊断模型训练方法的步骤，或如权利要求8中任一项所述电气设备故障诊断方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述电气设备故障诊断模型训练方法的步骤，或如权利要求8中任一项所述电气设备故障诊断方法的步骤。
CN202110551204.4A 2021-05-20 2021-05-20 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 Active CN113295702B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110551204.4A CN113295702B (zh) 2021-05-20 2021-05-20 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110551204.4A CN113295702B (zh) 2021-05-20 2021-05-20 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

Publications (2)

Publication Number Publication Date
CN113295702A true CN113295702A (zh) 2021-08-24
CN113295702B CN113295702B (zh) 2022-09-02

Family

ID=77323041

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110551204.4A Active CN113295702B (zh) 2021-05-20 2021-05-20 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

Country Status (1)

Country Link
CN (1) CN113295702B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113743609A (zh) * 2021-08-27 2021-12-03 西安交通大学 一种面向多信号的快速断点检测方法、系统、设备及存储介质
CN115615540A (zh) * 2022-12-20 2023-01-17 潍坊百特磁电科技有限公司 一种永磁自卸除铁器的托辊故障识别方法、设备及介质
CN116810825A (zh) * 2023-08-30 2023-09-29 泓浒(苏州)半导体科技有限公司 一种真空环境下晶圆传送机械臂异常监测方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104894335A (zh) * 2015-06-25 2015-09-09 长春工业大学 一种aod炉喷溅预报分析仪信息融合方法
US20160033583A1 (en) * 2014-07-31 2016-02-04 Schneider Electric USA, Inc. System to identify potential electrical network faults combining vibration and power quality analysis
WO2019090878A1 (zh) * 2017-11-09 2019-05-16 合肥工业大学 基于向量值正则核函数逼近的模拟电路故障诊断方法
CN110047306A (zh) * 2019-04-23 2019-07-23 杜泽臣 一种智能交通网络
CN110471376A (zh) * 2019-07-10 2019-11-19 深圳市乾行达科技有限公司 一种工业现场故障检测方法及设备
CN110977964A (zh) * 2019-11-26 2020-04-10 汕头大学 一种电厂设备运行微漏探测用智能巡检机器人及检测方法
CN210397211U (zh) * 2019-08-15 2020-04-24 深圳市鸿泰安全技术有限公司 一种用于烘干设备风机故障监控的装置
CN112069930A (zh) * 2020-08-20 2020-12-11 国网山西省电力公司电力科学研究院 提升gis设备故障诊断准确率的振动信号处理方法及装置
TW202101143A (zh) * 2019-02-21 2021-01-01 日商日本特科諾能源管理諮詢有限公司 配電箱（高壓受電設備）自動安全檢查系統
CN112255538A (zh) * 2020-10-14 2021-01-22 国网青海省电力公司海西供电公司 一种多特征优化融合的高压断路器故障诊断方法
CN112257585A (zh) * 2020-10-22 2021-01-22 国网青海省电力公司海西供电公司 一种基于概率密度的断路器状态监测方法
CN212675396U (zh) * 2020-08-26 2021-03-09 重庆新禹智能科技有限公司 一种压缩机故障诊断用可在线监控的振动噪声检测装置
CN112816871A (zh) * 2021-02-02 2021-05-18 安徽理工大学 一种构建三相异步电动机数字孪生体的终端感知系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160033583A1 (en) * 2014-07-31 2016-02-04 Schneider Electric USA, Inc. System to identify potential electrical network faults combining vibration and power quality analysis
CN104894335A (zh) * 2015-06-25 2015-09-09 长春工业大学 一种aod炉喷溅预报分析仪信息融合方法
WO2019090878A1 (zh) * 2017-11-09 2019-05-16 合肥工业大学 基于向量值正则核函数逼近的模拟电路故障诊断方法
TW202101143A (zh) * 2019-02-21 2021-01-01 日商日本特科諾能源管理諮詢有限公司 配電箱（高壓受電設備）自動安全檢查系統
CN110047306A (zh) * 2019-04-23 2019-07-23 杜泽臣 一种智能交通网络
CN110471376A (zh) * 2019-07-10 2019-11-19 深圳市乾行达科技有限公司 一种工业现场故障检测方法及设备
CN210397211U (zh) * 2019-08-15 2020-04-24 深圳市鸿泰安全技术有限公司 一种用于烘干设备风机故障监控的装置
CN110977964A (zh) * 2019-11-26 2020-04-10 汕头大学 一种电厂设备运行微漏探测用智能巡检机器人及检测方法
CN112069930A (zh) * 2020-08-20 2020-12-11 国网山西省电力公司电力科学研究院 提升gis设备故障诊断准确率的振动信号处理方法及装置
CN212675396U (zh) * 2020-08-26 2021-03-09 重庆新禹智能科技有限公司 一种压缩机故障诊断用可在线监控的振动噪声检测装置
CN112255538A (zh) * 2020-10-14 2021-01-22 国网青海省电力公司海西供电公司 一种多特征优化融合的高压断路器故障诊断方法
CN112257585A (zh) * 2020-10-22 2021-01-22 国网青海省电力公司海西供电公司 一种基于概率密度的断路器状态监测方法
CN112816871A (zh) * 2021-02-02 2021-05-18 安徽理工大学 一种构建三相异步电动机数字孪生体的终端感知系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A. GLOWACZ ET AL.: "FAULT DIAGNOSIS OF THREE PHASE INDUCTION MOTOR USING CURRENT SIGNAL, MSAF-RATIO15 AND SELECTED CLASSIFIERS", 《ARCH. METALL. MATER.》 *
李鹏等: "变电设备智能传感与状态感知技术及应用", 《高电压技术》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113743609A (zh) * 2021-08-27 2021-12-03 西安交通大学 一种面向多信号的快速断点检测方法、系统、设备及存储介质
CN113743609B (zh) * 2021-08-27 2024-04-02 西安交通大学 一种面向多信号的快速断点检测方法、系统、设备及存储介质
CN115615540A (zh) * 2022-12-20 2023-01-17 潍坊百特磁电科技有限公司 一种永磁自卸除铁器的托辊故障识别方法、设备及介质
CN116810825A (zh) * 2023-08-30 2023-09-29 泓浒(苏州)半导体科技有限公司 一种真空环境下晶圆传送机械臂异常监测方法及系统
CN116810825B (zh) * 2023-08-30 2023-11-03 泓浒(苏州)半导体科技有限公司 一种真空环境下晶圆传送机械臂异常监测方法及系统

Also Published As

Publication number Publication date
CN113295702B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN113295702B (zh) 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
CN108714026B (zh) 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法
WO2021068454A1 (zh) 一种基于bp神经网络的微能源器件能量识别方法
CN105426842B (zh) 基于支持向量机和表面肌电信号的多类手部动作识别方法
CN111524606A (zh) 一种基于随机森林算法的肿瘤数据统计方法
CN109948647A (zh) 一种基于深度残差网络的心电图分类方法及系统
CN109389171B (zh) 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法
CN111460956A (zh) 一种基于数据增强与损失加权的不平衡心电样本分类方法
CN109101910A (zh) 一种基于噪声甄别的大地电磁信号去噪方法
CN104636580A (zh) 一种基于人脸的健康监控手机
CN112085111B (zh) 一种负荷辨识方法和装置
CN102184451B (zh) 一种基于多小波融合特征的神经元动作特征提取方法
CN110458189A (zh) 压缩感知和深度卷积神经网络电能质量扰动分类方法
CN110543832A (zh) 基于随机森林和卷积神经网络的脑电数据分类方法
CN115545086B (zh) 一种可迁移的特征自动选取声学诊断方法及系统
CN110502989A (zh) 一种小样本高光谱人脸识别方法及系统
CN117743768B (zh) 基于去噪生成对抗网络和扩散模型的信号去噪方法及系统
CN111289251A (zh) 一种滚动轴承细粒度故障识别方法
CN114742097A (zh) 一种基于轴承振动信号自动确定变分模态分解参数的优化算法
CN114371009A (zh) 基于改进随机森林的高速列车轴承故障诊断方法
Li et al. A new denoising method based on decomposition mixing of hydro-acoustic signal
CN112151067B (zh) 一种基于卷积神经网络的数字音频篡改被动检测方法
WO2021179198A1 (zh) 图像特征可视化方法、图像特征可视化装置及电子设备
CN117235576A (zh) 一种基于黎曼空间的运动想象脑电意图分类方法
CN110610203A (zh) 基于dwt和极限学习机的电能质量扰动分类方法

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
GR01 Patent grant
GR01 Patent grant