CN113506245A - 一种基于深度残差网络的高压断路器机械性能评估方法 - Google Patents
一种基于深度残差网络的高压断路器机械性能评估方法 Download PDFInfo
- Publication number
- CN113506245A CN113506245A CN202110654887.6A CN202110654887A CN113506245A CN 113506245 A CN113506245 A CN 113506245A CN 202110654887 A CN202110654887 A CN 202110654887A CN 113506245 A CN113506245 A CN 113506245A
- Authority
- CN
- China
- Prior art keywords
- circuit breaker
- residual error
- error network
- opening
- breaker
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 86
- 230000008569 process Effects 0.000 claims abstract description 57
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012795 verification Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 15
- 238000005286 illumination Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000002035 prolonged effect Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Arc-Extinguishing Devices That Are Switches (AREA)
Abstract
本发明公开了一种基于深度残差网络的高压断路器机械性能评估方法,包括以下步骤:S1:获取不同型号的断路器分闸完成图像数据、断路器分合闸过程图像数据、断路器合闸完成图像数据以及断路器分合闸过程的电流波形数据作为样本数据;S2:将步骤S1的样本数据进行数据预处理,将预处理后的样本数据分为训练数据集、测试数据集和验证数据集;本发明通过深度残差网络算法进行机器智能学习,智能化判断高压断路器的机械性能状态,提高评估结果的准确性和可靠性,使得电网能准确把握高压断路器的性能状态,延长高压断路器的使用寿命,降低电网对于高压断路器的投入成本。
Description
技术领域
本发明涉及高压断路器技术领域,尤其涉及一种基于深度残差网络的高压断路器机械性能评估方法。
背景技术
断路器是高压电网中的重要设备,主要起控制和保护设备的作用。随着使用时间的增加,断路器某些部件会不断的老化或损坏,如机械机构的磨损、触头的磨损、分合闸二次机构的故障等。这些问题都可能会导致断路器的运行失常,甚至于影响到整个电网的安全运行。
因此,对断路器性能进行定期检查,检测其运行状态至关重要。但是目前高压断路器检测方式存在较多问题,且对于高压断路器的机械性能评估准确性较低。
例如,中国专利CN201510433043.3公开了一种SF6高压断路器状态评估方法及装置。该申请在综合考虑设备老化、设备强度、电网强度的基础上,建立了设备部件及整体的基准态分析模型,提高了状态评估结果的可靠性;但是该申请的高压断路器状态评估方法在数据获取以及数据处理上存在较大缺陷,导致状态评估结果的准确性下降。
发明内容
本发明主要解决现有的技术中高压断路器的机械性能状态评估的准确性低的问题;提供一种基于深度残差网络的高压断路器机械性能评估方法,结合深度残差学习网络对高压断路器的机械性能进行评估,提高评估结果的准确性和可靠性,使得电网能准确把握高压断路器的性能状态,延长高压断路器的使用寿命。
本发明的上述技术问题主要是通过下述技术方案得以解决的:一种基于深度残差网络的高压断路器机械性能评估方法,包括以下步骤:
S1:获取不同型号的断路器分闸完成图像数据、断路器分合闸过程图像数据、断路器合闸完成图像数据以及断路器分合闸过程的电流波形数据作为样本数据;
S2:将步骤S1的样本数据进行数据预处理,将预处理后的样本数据分为训练数据集、测试数据集和验证数据集;
S3:构建深度残差网络模型,利用步骤S2的训练数据集训练深度残差网络模型,利用验证数据集验证深度残差网络模型,利用测试数据集测试深度残差网络模型;
S4:利用步骤S3训练好的深度残差网络模型进行高压断路器机械性能评估。
通过对高压断路器分闸完成时、分合闸过程以及合闸完成时的图像采集,判断高压断路器是否出现缺损、变形、卡涩等机械故障,根据高压断路器分合闸的状态判断断路器的机械性能状态,通过深度残差网络算法进行机器智能学习,智能化判断高压断路器的机械性能状态,同时,在断路器进行分合闸过程中还对其电流状态进行对比检测,使得深度残差网络的判断更加准确,提高评估结果的准确性和可靠性,使得电网能准确把握高压断路器的性能状态,延长高压断路器的使用寿命,降低电网对于高压断路器的投入成本。
作为优选,所述的断路器分合闸过程图像数据的获取方法为:
S11:寻找断路器成一定角度的两个相邻平面,在断路器分合闸过程向两个相邻平面发射圆环状的明暗条纹光照;
S12:至少采集两次断路器分合闸过程的视频数据,每次断路器分合闸的起点、终点以及时长一致;
通过两个相邻平面对断路器分合闸过程进行照射,若断路器在分合闸过程处于正常状态,这明暗条纹光照之间的间距不会产生变化,而一旦断路器在分合闸过程出现较大的波动导致振动幅度较大,则明暗条纹光照之间的间距发生改变,通过至少两次的数据采集,进行数据对比,即可明显的发现断路器是否处于正常状态,先进行视频采集后进行抽帧处理,防止出现摄像头无法及时捕捉画面的问题,后期经过周期抽帧处理后,获得断路器分合闸过程图像更具代表性。
作为优选,步骤S2中,对断路器分合闸过程的电流波形数据进行数据预处理时包括以下步骤:
S21:采集断路器分合闸过程的电流波形,对采集的电流波形通过低通滤波器和高通滤波器进行滤波处理,获得滤波后的电流信号;
S22:以周期T对滤波后电流信号进行截断处理,获得若干个截断电流信号;
S23:对若干个截断电流信号进行傅里叶变化,得到各个时刻的频率和幅值信息;
S24:对幅值进行归一化处理后根据各个时刻的频率和归一化的幅值获得时频图像;
S25:将获得的时频图像作为断路器分合闸过程的电流特征图像,将断路器分合闸过程的电流特征图像作为预处理后的样本数据。
对采集的电流信号以同样的周期T进行截断处理,使得电流波形的电流特征图像与断路器分合闸过程图像进行对应,通过电流特征图像更准确的反应断路器的机械性能,提高评估结果的准确性。
作为优选,步骤S3中构建深度残差网络模型,包括以下步骤:
S31:构建深度残差网络基本架构;
S32:将训练数据集对深度残差网络进行训练,对深度残差网络的基本参数进行调整;
S33:利用验证数据集对深度残差网络的超参数进行调整;
S34:利用测试数据集对深度残差网络的高压断路器机械性能评估能力进行测试。
深度残差网络基本架构可采用现有的深度残差网络基本架构,在现有的深度残差网络基本架构基础上,进行深度残差网络算法基本参数的修改,大大加快深度残差网络模型的建立,使其更加符合本发明的高压断路器机械性能评价。
作为优选,步骤S31中,深度残差网络的基本架构包括卷积层、残差模块、池化层和全连接层。其中,卷积层、残差模块以及池化层的数量可根据实际情况进行设置。
作为优选,所述的深度残差网络采用梯度下降法和二元交叉熵损失函数对基本参数进行优化。通过梯度下降法和二元交叉熵损失函数可快速实现深度残差网络参数的优化,使得深度残差网络的更容易进行全局收敛。
作为优选,所述的超参数包括样本数据的数量、单个样本数据的大小、神经元的个数、学习速率以及迭代次数。
作为优选,步骤S2中,对断路器分闸完成图像数据、断路器分合闸过程图像数据和断路器合闸完成图像数据进行数据预处理时包括以下步骤:
S221:对图像数据进行灰度处理,获得灰度图像;
S222:设置黄金圆,所述黄金圆内部填充0-255之间的灰度值的特征,其内部特征灰度值的具体设置方法为:其中K为黄金圆内特征的灰度值,N为灰度图像中断路器的特征数,Li为灰度图像中断路器的第i个特征的灰度值;
S223:利用黄金圆对灰度图像进行覆盖性检测,将灰度图像中灰度值大于黄金圆的部分特征进行保留,将灰度图像中灰度值小于黄金圆的部分特征进行灰度值归0处理,获得断路器分闸完成特征图像、断路器分合闸过程特征图像和断路器合闸完成特征图像。一般情况下,直接拍照获取的断路器分闸完成图像数据、断路器分合闸过程图像数据和断路器合闸完成图像数据除了断路器的结构特征外,还会有其他特征,通过黄金圆进行特征提取和增强,使得断路器特征更加明显。
本发明的有益效果是:通过对高压断路器分闸完成时、分合闸过程以及合闸完成时的图像采集,判断高压断路器是否出现缺损、变形、卡涩等机械故障,根据高压断路器分合闸的状态判断断路器的机械性能状态,通过深度残差网络算法进行机器智能学习,智能化判断高压断路器的机械性能状态,提高评估结果的准确性和可靠性,使得电网能准确把握高压断路器的性能状态,延长高压断路器的使用寿命,降低电网对于高压断路器的投入成本。
附图说明
图1是本发明实施例的高压断路器机械性能评估方法的流程框图。
图2是本发明实施例的电流波形数据进行数据预处理方法的流程框图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:一种基于深度残差网络的高压断路器机械性能评估方法,如图1所示,包括以下步骤:
S1:获取不同型号的断路器分闸完成图像数据、断路器分合闸过程图像数据、断路器合闸完成图像数据以及断路器分合闸过程的电流波形数据作为样本数据;断路器分合闸过程图像数据的获取方法为:
S11:寻找断路器成一定角度的两个相邻平面,在断路器分合闸过程向两个相邻平面发射圆环状的明暗条纹光照;
S12:至少采集两次断路器分合闸过程的视频数据,每次断路器分合闸的起点、终点以及时长一致;
S2:将步骤S1的样本数据进行数据预处理,将预处理后的样本数据分为训练数据集、测试数据集和验证数据集;如图2所示,对断路器分合闸过程的电流波形数据进行数据预处理时包括以下步骤:
S21:采集断路器分合闸过程的电流波形,对采集的电流波形通过低通滤波器和高通滤波器进行滤波处理,获得滤波后的电流信号;
S22:以周期T对滤波后电流信号进行截断处理,获得若干个截断电流信号;
S23:对若干个截断电流信号进行傅里叶变化,得到各个时刻的频率和幅值信息;
S24:对幅值进行归一化处理后根据各个时刻的频率和归一化的幅值获得时频图像;
S25:将获得的时频图像作为断路器分合闸过程的电流特征图像,将断路器分合闸过程的电流特征图像作为预处理后的样本数据;
对断路器分闸完成图像数据、断路器分合闸过程图像数据和断路器合闸完成图像数据进行数据预处理时包括以下步骤:
S221:对图像数据进行灰度处理,获得灰度图像;
S222:设置黄金圆,所述黄金圆内部填充0-255之间的灰度值的特征,其内部特征灰度值的具体设置方法为:其中K为黄金圆内特征的灰度值,N为灰度图像中断路器的特征数,Li为灰度图像中断路器的第i个特征的灰度值;
S223:利用黄金圆对灰度图像进行覆盖性检测,将灰度图像中灰度值大于黄金圆的部分特征进行保留,将灰度图像中灰度值小于黄金圆的部分特征进行灰度值归0处理,获得断路器分闸完成特征图像、断路器分合闸过程特征图像和断路器合闸完成特征图像。
S3:构建深度残差网络模型,包括以下步骤:
S31:构建深度残差网络基本架构,设置卷积层数量、残差模块数量、池化层数量和全连接层;
S32:将训练数据集对深度残差网络进行训练,采用梯度下降法和二元交叉熵损失函数对基本参数进行优化调整;
S33:利用验证数据集对深度残差网络的超参数进行调整;超参数包括样本数据的数量、单个样本数据的大小、神经元的个数、学习速率以及迭代次数;
S34:利用测试数据集对深度残差网络的高压断路器机械性能评估能力进行测试。
S4:利用步骤S3训练好的深度残差网络模型进行高压断路器机械性能评估。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (8)
1.一种基于深度残差网络的高压断路器机械性能评估方法,其特征在于,包括以下步骤:
S1:获取不同型号的断路器分闸完成图像数据、断路器分合闸过程图像数据、断路器合闸完成图像数据以及断路器分合闸过程的电流波形数据作为样本数据;
S2:将步骤S1的样本数据进行数据预处理,将预处理后的样本数据分为训练数据集、测试数据集和验证数据集;
S3:构建深度残差网络模型,利用步骤S2的训练数据集训练深度残差网络模型,利用验证数据集验证深度残差网络模型,利用测试数据集测试深度残差网络模型;
S4:利用步骤S3训练好的深度残差网络模型进行高压断路器机械性能评估。
3.根据权利要求2所述的一种基于深度残差网络的高压断路器机械性能评估方法,其特征在于,
步骤S2中,对断路器分合闸过程的电流波形数据进行数据预处理时包括以下步骤:
S21:采集断路器分合闸过程的电流波形,对采集的电流波形通过低通滤波器和高通滤波器进行滤波处理,获得滤波后的电流信号;
S22:以周期T对滤波后电流信号进行截断处理,获得若干个截断电流信号;
S23:对若干个截断电流信号进行傅里叶变化,得到各个时刻的频率和幅值信息;
S24:对幅值进行归一化处理后根据各个时刻的频率和归一化的幅值获得时频图像;
S25:将获得的时频图像作为断路器分合闸过程的电流特征图像,将断路器分合闸过程的电流特征图像作为预处理后的样本数据。
4.根据权利要求1或2或3所述的一种基于深度残差网络的高压断路器机械性能评估方法,其特征在于,
步骤S3中构建深度残差网络模型,包括以下步骤:
S31:构建深度残差网络基本架构;
S32:将训练数据集对深度残差网络进行训练,对深度残差网络的基本参数进行调整;
S33:利用验证数据集对深度残差网络的超参数进行调整;
S34:利用测试数据集对深度残差网络的高压断路器机械性能评估能力进行测试。
5.根据权利要求4所述的一种基于深度残差网络的高压断路器机械性能评估方法,其特征在于,
步骤S31中,深度残差网络的基本架构包括卷积层、残差模块、池化层和全连接层。
6.根据权利要求5所述的一种基于深度残差网络的高压断路器机械性能评估方法,其特征在于,
所述深度残差网络采用梯度下降法和二元交叉熵损失函数对基本参数进行优化。
7.根据权利要求4所述的一种基于深度残差网络的高压断路器机械性能评估方法,其特征在于,
所述超参数包括样本数据的数量、单个样本数据的大小、神经元的个数、学习速率以及迭代次数。
8.根据权利要求1所述的一种基于深度残差网络的高压断路器机械性能评估方法,其特征在于,
步骤S2中,对断路器分闸完成图像数据、断路器分合闸过程图像数据和断路器合闸完成图像数据进行数据预处理时包括以下步骤:
S221:对图像数据进行灰度处理,获得灰度图像;
S222:设置黄金圆,所述黄金圆内部填充0-255之间的灰度值的特征,其内部特征灰度值的具体设置方法为:其中K为黄金圆内特征的灰度值,N为灰度图像中断路器的特征数,Li为灰度图像中断路器的第i个特征的灰度值;
S223:利用黄金圆对灰度图像进行覆盖性检测,将灰度图像中灰度值大于黄金圆的部分特征进行保留,将灰度图像中灰度值小于黄金圆的部分特征进行灰度值归0处理,获得断路器分闸完成特征图像、断路器分合闸过程特征图像和断路器合闸完成特征图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110654887.6A CN113506245A (zh) | 2021-06-11 | 2021-06-11 | 一种基于深度残差网络的高压断路器机械性能评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110654887.6A CN113506245A (zh) | 2021-06-11 | 2021-06-11 | 一种基于深度残差网络的高压断路器机械性能评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113506245A true CN113506245A (zh) | 2021-10-15 |
Family
ID=78010155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110654887.6A Pending CN113506245A (zh) | 2021-06-11 | 2021-06-11 | 一种基于深度残差网络的高压断路器机械性能评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113506245A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105353301A (zh) * | 2015-10-23 | 2016-02-24 | 华北电力大学(保定) | 一种断路器状态评估参数获取方法 |
CN109164381A (zh) * | 2018-09-07 | 2019-01-08 | 广西电网有限责任公司电力科学研究院 | 一种高压断路器机械状态在线监测与故障辨识方法及装置 |
CN110084148A (zh) * | 2019-04-09 | 2019-08-02 | 东南大学 | 一种高压断路器机械故障诊断方法 |
WO2020099940A1 (en) * | 2018-11-14 | 2020-05-22 | Qure.Ai Technologies Private Limited | Application of deep learning for medical imaging evaluation |
US20210042580A1 (en) * | 2018-10-10 | 2021-02-11 | Tencent Technology (Shenzhen) Company Limited | Model training method and apparatus for image recognition, network device, and storage medium |
CN112729381A (zh) * | 2020-12-11 | 2021-04-30 | 广州致新电力科技有限公司 | 一种基于神经网络的高压断路器的故障诊断方法 |
-
2021
- 2021-06-11 CN CN202110654887.6A patent/CN113506245A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105353301A (zh) * | 2015-10-23 | 2016-02-24 | 华北电力大学(保定) | 一种断路器状态评估参数获取方法 |
CN109164381A (zh) * | 2018-09-07 | 2019-01-08 | 广西电网有限责任公司电力科学研究院 | 一种高压断路器机械状态在线监测与故障辨识方法及装置 |
US20210042580A1 (en) * | 2018-10-10 | 2021-02-11 | Tencent Technology (Shenzhen) Company Limited | Model training method and apparatus for image recognition, network device, and storage medium |
WO2020099940A1 (en) * | 2018-11-14 | 2020-05-22 | Qure.Ai Technologies Private Limited | Application of deep learning for medical imaging evaluation |
CN110084148A (zh) * | 2019-04-09 | 2019-08-02 | 东南大学 | 一种高压断路器机械故障诊断方法 |
CN112729381A (zh) * | 2020-12-11 | 2021-04-30 | 广州致新电力科技有限公司 | 一种基于神经网络的高压断路器的故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
孙曙光;张强;杜太行;金少华;王佳兴;: "基于分合闸线圈电流的万能式断路器故障诊断", 仪器仪表学报, no. 02, 15 February 2018 (2018-02-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109324604B (zh) | 一种基于多源信号的智能列车综合故障分析方法 | |
CN106528975B (zh) | 一种应用于电路与系统的故障预测与健康管理方法 | |
CN110006645B (zh) | 一种多源融合的高压断路器机械故障诊断方法 | |
KR101822829B1 (ko) | 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법 | |
CN109766952B (zh) | 基于偏最小二乘法和极限学习机的光伏阵列故障检测方法 | |
CN108535635B (zh) | 一种基于eemd和hmm的模拟电路间歇故障诊断方法 | |
CN110060368B (zh) | 基于潜在特征编码的机械异常检测方法 | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN113567845A (zh) | 一种基于深度置信网络的高压断路器生命周期智能评估方法 | |
CN116383633A (zh) | 一种多因素综合分析的机制砂振动筛故障检测方法及系统 | |
CN117076955A (zh) | 一种高压变频器的故障检测方法及系统 | |
CN111652212A (zh) | 基于深度学习的交叉杆端部紧固螺栓丢失故障检测方法 | |
CN116977807A (zh) | 基于多传感器融合的冷库智能监控系统及方法 | |
CN116977907A (zh) | 基于图像识别的电力巡检故障诊断方法及系统 | |
CN112598666B (zh) | 一种基于卷积神经网络的电缆隧道异常检测方法 | |
CN116796261B (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
CN113506245A (zh) | 一种基于深度残差网络的高压断路器机械性能评估方法 | |
CN110956112B (zh) | 一种新的高可靠性回转支承寿命评估方法 | |
CN116433034B (zh) | 一种基于机器学习的虚拟电厂运行风险检测方法 | |
CN117347796A (zh) | 一种基于智能网关的开关设备局部放电诊断系统及方法 | |
CN110135021B (zh) | 基于多源信号和rbf神经网络的atru系统故障分级诊断方法 | |
CN114089181A (zh) | 基于XG-Boost的MMC开关管开路故障检测方法 | |
CN110703080B (zh) | 一种gis尖刺放电诊断方法、放电程度识别方法及装置 | |
CN118211124B (zh) | 一种变压器故障预测方法及系统 | |
CN111537889A (zh) | 一种数据驱动的梯次电池rul预测与分类方法 |
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 |