CN113705637A - 一种断路器机械故障检测方法、系统、设备及可读存储介质 - Google Patents
一种断路器机械故障检测方法、系统、设备及可读存储介质 Download PDFInfo
- Publication number
- CN113705637A CN113705637A CN202110925632.9A CN202110925632A CN113705637A CN 113705637 A CN113705637 A CN 113705637A CN 202110925632 A CN202110925632 A CN 202110925632A CN 113705637 A CN113705637 A CN 113705637A
- Authority
- CN
- China
- Prior art keywords
- fault
- circuit breaker
- characteristic quantity
- signals
- path length
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000012706 support-vector machine Methods 0.000 claims abstract description 21
- 238000012216 screening Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 description 9
- 230000009466 transformation Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009471 action Effects 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
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Emergency Protection Circuit Devices (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种断路器机械故障检测方法、系统、设备及可读存储介质,通过对断路器分闸时产生的振动信号进行小波包分解,提取小波包分解后的能量熵作为特征量,将特征量值输入一类支持向量机模型进行分类,再使用动态时间规整计算筛选出的故障信号特征量与基准特征量的最短路径长度,将最短路径长度与事先设定的阈值进行比较,从中剔除OCSVM分类错误的正常信号,完成断路器工作状态的判定,再对最终筛选出的故障信号分类,本发明通过能量熵作为特征量进行预筛选,然后利用动态时间规整方法剔除误判的正常信号,能够有效在故障分类前筛选出正常信号,有效降低了断路器机械故障的误判率,同时提升了断路器机械故障分类的准确性,提高了检测精度。
Description
技术领域
本发明属于断路器故障检测技术领域,具体涉及一种断路器机械故障检测方法、系统、设备及可读存储介质。
背景技术
高压断路器是电力系统运行过程中的重要一环,其运行状态关乎整个电力系统的安全与稳定。因此,有必要对高压断路器的运行状态进行监测和判别。调查表明断路器出现的故障大多数为机械故障,而断路器分合闸时产生的振动信号由于其测量简便,重复性好,信噪比高的优点,广泛用于高压断路器的机械状态监测和故障诊断之中。
目前,现有的检测手段大多基于人工模拟的故障信号所训练出的故障诊断模型,将未知信号输入故障诊断模型直接进行分类。但实际的工程应用中,故障的类别是难以穷尽的,即出现的故障类别若不属于人工模拟的几类故障信号,则很容易出现误判和误分类。因此,有必要提高故障类别的识别准确度。
发明内容
本发明的目的在于提供一种断路器机械故障检测方法、系统、设备及可读存储介质,以克服现有技术的不足。
为达到上述目的,本发明采用如下技术方案:
一种断路器机械故障检测方法,包括以下步骤:
S1,采集断路器分闸时产生的振动信号;
S2,对采集到的振动信号进行小波包分解,并计算小波包能量熵作为特征量;
S3,采用一类支持向量机对上述得到的特征量所对应的振动信号进行分类筛选出故障信号;
S4,采用动态时间规整方法计算筛选出的故障信号的特征量与基准特征量的最短路径长度,并与阈值进行比较,从中剔除一类支持向量机误判的正常信号;
S5,使用支持向量机对剔除了误判的正常信号的故障信号进行分类,实现断路器机械故障检测。
进一步的,通过加速度传感器采集断路器分闸时产生的振动信号,加速度传感器频率响应范围为0~20kHz,检测范围为0~20000g(g=9.8m/s2)。
进一步的,小波包分解采用db10小波基函数进行5层分解,满足如下递推关系式:
进一步的,能量熵计算过程如下:
a,将振动信号x(t)等时间划分为N段,计算得到:
式中,i=1,2,…,N;ti-1为第i段时间起始点;ti是为第i段时间结束点。
取N=5,分别将小波包分解得到的信号代入上式中可得到小波包分解各分量的能量熵值。
进一步的,一类支持向量机采用特定类的机器学习方法模型进行信号的判断,一类支持向量机的参数设置为:ν=0.1,γ=1。
进一步的,DTW采用满足一定条件的时间规整函数描述测试模板和参考模板的时间对应关系,求解两模板匹配时累计距离最小所对应的规整函数。
进一步的,设序列长度均为n的序列A和序列B,两个序列各个点之间的距离矩阵M:
M(i,j)=|A(i)-B(j)|,1≤i,j≤n
其中,M(i,j)表示距离矩阵M第i行第j列的元素,A(i)表示序列A的第i个点,B(j)表示序列B的第j个点;
寻找一条从矩阵左上角到右下角的路径,使得路径上的元素和最小,满足:
1)起始条件:Lmin(1,1)=M(1,1)
2)递推规则:Lmin(i,j)=min{Lmin(i,j-1),Lmin(i-1,j),Lmin(i-1,j-1)}+M(i,j)
其中,Lmin(i,j)为最短路径长度;最短路径长度的阈值选取为所有正常信号特征量与基准特征量的最短路径长度最大值。
一种断路器机械故障检测系统,包括:
信号预处理模块,用于对断路器分闸时产生的振动信号进行小波包分解,并计算得到小波包能量熵作为特征量;
预筛选模块,用于根据特征量对断路器分闸时产生的振动信号进行预筛选筛选出故障信号;
矫正模块,用于计算筛选出的故障信号的特征量与基准特征量的最短路径长度,并与阈值进行比较,从中剔除一类支持向量机误判的正常信号,筛选出真正的故障信号;
检测模块,用于对筛选出误判的正常信号的故障信号进行检测分类,输出检测结果。
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权利要求1至7任一项所述方法的步骤。
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权利要求1至7任一项所述方法的步骤。
与现有技术相比,本发明具有以下有益的技术效果:
本发明一种断路器机械故障检测方法,通过对断路器分闸时产生的振动信号进行小波包分解,提取小波包分解后的能量熵作为特征量,将特征量值输入一类支持向量机模型进行分类,分类出故障信号后,再使用动态时间规整计算筛选出的故障信号特征量与基准特征量的最短路径长度,将该最短路径长度与事先设定的阈值进行比较,从中剔除OCSVM分类错误的正常信号,完成断路器工作状态的判定,再进一步对最终筛选出的故障信号分类,实现断路器机械故障检测和分类,本发明通过能量熵作为特征量进行预筛选,然后利用动态时间规整方法剔除误判的正常信号,能够有效在故障分类前筛选出正常信号,有效降低了断路器机械故障的误判率,同时提升了断路器机械故障分类的准确性,提高了检测精度。本发明在故障分类之前加入了判别断路器工作状态的步骤,即首先判断断路器的工作状态是否正常,若不正常再进行故障分类,大大提高了断路器状态监测和故障诊断的效率和准确率,能够快速准确可靠地辨识出发生于断路器中的机械故障。
进一步的,采用动态时间规整方法剔除一类支持向量机误判的正常信号,最短路径长度的阈值选取为所有正常信号特征量与基准特征量的最短路径长度最大值,能够有效筛选出正常信号,实现误判信号的剔除。
本发明一种断路器机械故障检测系统,结构简单,能够在故障分类前首先筛选出正常信号,有效降低了断路器机械故障的误判率,同时提升了断路器机械故障分类的准确性。
附图说明
图1为本发明实施例中的断路器机械故障检测方法流程图。
图2为本发明实施例中应用OCSVM进行分类的结果图。
图3为本发明实施例中DTW基准向量的原始信号波形。
图4为本发明实施例中应用DTW计算各个信号与基准信号距离的结果图。
图5为本发明实施例中OCSVM结合DTW的故障检测流程图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
结合图1,对本发明所述的一种断路器机械故障检测方法进行具体说明,包括以下步骤:
S1,采集断路器分闸振动信号;
具体的,通过加速度传感器采集断路器分闸时产生的振动信号;
加速度传感器频率响应范围为0~20kHz,检测范围为0~20000g(g=9.8m/s2);
本实施例中以电磁斥力机构高压真空断路器为对象,共采集寿命试验中的183组正常信号,以及出现的29组故障信号(故障类型分别为导杆弯曲、斥力盘无法完全分闸和充电电压偏高)。使用示波器采集数据,采样率设置为1MHz,采样点数为100k。
S2,对采集到的振动信号进行小波包分解,并计算小波包能量熵作为特征量;
具体的,对采集到的振动信号进行5层小波包分解,计算小波包能量熵;
其中,小波包分解采用db10小波基函数进行5层分解,满足如下递推关系式:
能量熵通过以下步骤得到:
第一步,将振动信号x(t)等时间划分为N段,计算得到:
式中,i=1,2,…,N;ti-1为第i段时间起始点;ti是为第i段时间结束点。
取N=5,分别将小波包分解得到的信号代入上式中可得到小波包分解各分量的能量熵值。
S3,采用一类支持向量机对上述得到的特征量所对应的振动信号进行分类,筛选出故障信号;
将得到的小波包能量熵作为特征向量输入一类支持向量机(One-Class SupportVector Machine,OCSVM)模型进行分类;OCSVM是一种判断信号是否属于某个特定类的机器学习算法,即,若属于该类,则判定为正常数据;若不属于这个类,则判定为故障数据。OCSVM模型的参数设置为:ν=0.1,γ=1。OCSVM的分类结果如图2所示,其中,“●”代表分类正确的正常信号,“╋”代表分类正确的故障信号,“×”代表分类错误的信号。
S4,采用动态时间规整方法计算筛选出的故障信号的特征量与基准特征量的最短路径长度,并与阈值进行比较,从中剔除OCSVM误判的正常信号;
使用动态时间规整(Dynamic Time Warping,DTW)计算筛选出的故障信号特征量与基准特征量(一组正常信号的小波包能量熵)的最短路径长度,并与阈值进行比较,从中筛选出OCSVM误判的正常信号。
其中,DTW用满足一定条件的时间规整函数描述测试模板和参考模板的时间对应关系,求解两模板匹配时累计距离最小所对应的规整函数。
设序列A和序列B的序列长度均为n,则DTW算法的步骤为:
第一步,计算两个序列各个点之间的距离矩阵M
M(i,j)=|A(i)-B(j)|,1≤i,j≤n
其中,M(i,j)表示距离矩阵M第i行第j列的元素,A(i)表示序列A的第i个点,B(j)表示序列B的第j个点。
第二步,寻找一条从矩阵左上角到右下角的路径,使得路径上的元素和最小,满足:
1)起始条件:Lmin(1,1)=M(1,1)
2)递推规则:Lmin(i,j)=min{Lmin(i,j-1),Lmin(i-1,j),Lmin(i-1,j-1)}+M(i,j)
其中,Lmin(i,j)为最短路径长度。
基准特征量的原始信号如图3所示,最短路径长度的阈值选取为所有正常信号特征量与基准特征量的最短路径长度最大值,如图4所示。
S5,使用支持向量机(Support Vector Machine,SVM)对最终筛选出的故障信号进行分类,得到故障类型,实现断路器机械故障检测。
使用SVM对最终筛选出的故障信号进行分类,得到故障类型。最终诊断结果见表一。
表一
信号类别 | 分类正确数 | 分类错误数 | 总体准确率 |
正常 | 183 | 0 | 100% |
导杆弯曲 | 13 | 0 | 100% |
斥力盘无法完全分闸 | 8 | 0 | 100% |
和充电电压偏高 | 8 | 0 | 100% |
结合表一,四种不同状态的信号均达到了100%的分类准确率,尤其是正常信号,在多达183组数据的情况下,仍然未发生将正常信号错误分类为故障信号的情况,这对实际工程应用具有重要的意义,因为实际应用中最关心的是断路器是否发生了故障,若发生了将将正常信号误判为故障信号的情况,这样又会花费时间精力去检修,这对电力系统的稳定运行是不可接受的。
本发明一个实施例中,提供了一种终端设备,该终端设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器采用中央处理单元(CPU),或者采用其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可用于真空开关机械故障诊断方法的操作。
一种真空开关机械故障诊断系统,包括:信号预处理模块,用于对获取的分闸振动信号进行S变换,得到S变换二维复数时频矩阵,然后对S变换二维复数时频矩阵进行求模运算得到S变换模矩阵,对每个子矩阵进行奇异值分解,得到奇异值矩阵,将S变换模矩阵中第i行、第j列对应的子矩阵的最大奇异值进行归一化处理,得到最大奇异值能量熵;
预训练模块,用于根据最大奇异值能量熵作为训练数据对随机森林集成学习模型进行训练,基于训练的随机森林集成学习模型对输入数据进行诊断输出诊断结果。
本发明再一个实施例中,本发明还提供了一种存储介质,具体采用计算机可读存储介质(Memory),所述计算机可读存储介质是终端设备中的记忆设备,用于存放程序和数据。计算机可读存储介质包括终端设备中的内置存储介质,提供存储空间,存储了终端的操作系统,也可包括终端设备所支持的扩展存储介质。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(Non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中可用于真空开关机械故障诊断方法的相应步骤。
如图5所示为本发明所提出的OCSVM+DTW的算法流程,本发明可以准确快速地判断出未知类型信号是否属于正常信号,本发明通过采集断路器动作产生的振动信号,利用小波包分解对振动信号进行时频分析,得到5层小波包能量熵,经过OCSVM分类出正常信号和故障信号后,再由DTW从故障信号中筛选出OCSVM分类错误的正常信号,最终达到了对正常信号和故障信号100%的分类准确率。最后,将故障信号输入SVM模型进行分类,得到具体的故障类别。
不同于传统的断路器状态监测和故障诊断方法,本发明提出的机械故障检测方法,在故障分类之前加入了判别断路器工作状态的步骤,即首先判断断路器的工作状态是否正常,若不正常再进行故障分类,大大提高了断路器状态监测和故障诊断的效率和准确率,能够快速准确可靠地辨识出发生于断路器中的机械故障。
Claims (10)
1.一种断路器机械故障检测方法,其特征在于,包括以下步骤:
S1,采集断路器分闸时产生的振动信号;
S2,对采集到的振动信号进行小波包分解,并计算小波包能量熵作为特征量;
S3,采用一类支持向量机对上述得到的特征量所对应的振动信号进行分类筛选出故障信号;
S4,采用动态时间规整方法计算筛选出的故障信号的特征量与基准特征量的最短路径长度,并与阈值进行比较,从中剔除一类支持向量机误判的正常信号;
S5,使用支持向量机对剔除了误判的正常信号的故障信号进行分类,实现断路器机械故障检测。
2.根据权利要求1所述的一种断路器机械故障检测方法,其特征在于,通过加速度传感器采集断路器分闸时产生的振动信号,加速度传感器频率响应范围为0~20kHz,检测范围为0~20000g(g=9.8m/s2)。
5.根据权利要求1所述的一种断路器机械故障检测方法,其特征在于,一类支持向量机采用特定类的机器学习方法模型进行信号的判断,一类支持向量机的参数设置为:ν=0.1,γ=1。
6.根据权利要求1所述的一种断路器机械故障检测方法,其特征在于,DTW采用满足一定条件的时间规整函数描述测试模板和参考模板的时间对应关系,求解两模板匹配时累计距离最小所对应的规整函数。
7.根据权利要求6所述的一种断路器机械故障检测方法,其特征在于,具体的,设序列长度均为n的序列A和序列B,两个序列各个点之间的距离矩阵M:
M(i,j)=|A(i)-B(j)|,1≤i,j≤n
其中,M(i,j)表示距离矩阵M第i行第j列的元素,A(i)表示序列A的第i个点,B(j)表示序列B的第j个点;
寻找一条从矩阵左上角到右下角的路径,使得路径上的元素和最小,满足:
1)起始条件:Lmin(1,1)=M(1,1)
2)递推规则:Lmin(i,j)=min{Lmin(i,j-1),Lmin(i-1,j),Lmin(i-1,j-1)}+M(i,j)
其中,Lmin(i,j)为最短路径长度;最短路径长度的阈值选取为所有正常信号特征量与基准特征量的最短路径长度最大值。
8.一种断路器机械故障检测系统,其特征在于,包括:
信号预处理模块,用于对断路器分闸时产生的振动信号进行小波包分解,并计算得到小波包能量熵作为特征量;
预筛选模块,用于根据特征量对断路器分闸时产生的振动信号进行预筛选筛选出故障信号;
矫正模块,用于计算筛选出的故障信号的特征量与基准特征量的最短路径长度,并与阈值进行比较,从中剔除一类支持向量机误判的正常信号,筛选出真正的故障信号;
检测模块,用于对筛选出误判的正常信号的故障信号进行检测分类,输出检测结果。
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权利要求1至7任一项所述方法的步骤。
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权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110925632.9A CN113705637B (zh) | 2021-08-12 | 2021-08-12 | 一种断路器机械故障检测方法、系统、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110925632.9A CN113705637B (zh) | 2021-08-12 | 2021-08-12 | 一种断路器机械故障检测方法、系统、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113705637A true CN113705637A (zh) | 2021-11-26 |
CN113705637B CN113705637B (zh) | 2024-04-02 |
Family
ID=78652428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110925632.9A Active CN113705637B (zh) | 2021-08-12 | 2021-08-12 | 一种断路器机械故障检测方法、系统、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705637B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114611551A (zh) * | 2022-03-04 | 2022-06-10 | 浙江浙能兰溪发电有限责任公司 | 一种基于小波包能量谱熵的机电故障分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107796602A (zh) * | 2016-08-31 | 2018-03-13 | 华北电力大学(保定) | 一种声振信号融合处理的断路器故障诊断方法 |
CN107817098A (zh) * | 2017-10-12 | 2018-03-20 | 东北电力大学 | 一种高压断路器机械故障诊断方法 |
CN112083327A (zh) * | 2020-09-08 | 2020-12-15 | 广东电网有限责任公司广州供电局 | 一种高压真空断路器机械故障诊断方法及系统 |
CN112083328A (zh) * | 2020-09-08 | 2020-12-15 | 广东电网有限责任公司广州供电局 | 一种高压断路器故障诊断方法及系统和装置 |
WO2021103496A1 (zh) * | 2019-11-29 | 2021-06-03 | 国网天津市电力公司电力科学研究院 | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 |
-
2021
- 2021-08-12 CN CN202110925632.9A patent/CN113705637B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107796602A (zh) * | 2016-08-31 | 2018-03-13 | 华北电力大学(保定) | 一种声振信号融合处理的断路器故障诊断方法 |
CN107817098A (zh) * | 2017-10-12 | 2018-03-20 | 东北电力大学 | 一种高压断路器机械故障诊断方法 |
WO2021103496A1 (zh) * | 2019-11-29 | 2021-06-03 | 国网天津市电力公司电力科学研究院 | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 |
CN112083327A (zh) * | 2020-09-08 | 2020-12-15 | 广东电网有限责任公司广州供电局 | 一种高压真空断路器机械故障诊断方法及系统 |
CN112083328A (zh) * | 2020-09-08 | 2020-12-15 | 广东电网有限责任公司广州供电局 | 一种高压断路器故障诊断方法及系统和装置 |
Non-Patent Citations (1)
Title |
---|
樊浩;李兴文;苏海博;陈立;史宗谦;: "基于主成分分析――支持向量机优化模型的断路器故障诊断方法研究", 高压电器, no. 06 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114611551A (zh) * | 2022-03-04 | 2022-06-10 | 浙江浙能兰溪发电有限责任公司 | 一种基于小波包能量谱熵的机电故障分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113705637B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11409933B2 (en) | Method for diagnosing analog circuit fault based on cross wavelet features | |
WO2017128455A1 (zh) | 一种基于广义多核支持向量机的模拟电路故障诊断方法 | |
CN108414923A (zh) | 一种基于深度置信网络特征提取的模拟电路故障诊断方法 | |
CN115688018B (zh) | 一种多工况下轴承的状态监测与故障诊断方法 | |
CN113642754A (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
CN113297922B (zh) | 一种高压开关柜故障诊断方法、装置及存储介质 | |
CN110879351A (zh) | 一种基于rcca-svm的非线性模拟电路故障诊断方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
Sun et al. | Data-driven fault diagnosis method based on second-order time-reassigned multisynchrosqueezing transform and evenly mini-batch training | |
CN110020637B (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
CN111079647A (zh) | 一种断路器缺陷识别方法 | |
CN113705637A (zh) | 一种断路器机械故障检测方法、系统、设备及可读存储介质 | |
CN113252323B (zh) | 一种基于人耳听觉特性的断路器机械故障识别方法及系统 | |
CN109557434A (zh) | 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法 | |
CN113703422A (zh) | 一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法 | |
CN113945862A (zh) | 一种配电网高阻接地故障识别方法、装置及设备 | |
CN112748331A (zh) | 一种基于ds证据融合的断路器机械故障识别方法及装置 | |
CN113139963A (zh) | 缺陷检测方法和装置 | |
CN116610990A (zh) | 一种基于特征空间差异化的断路器隐患识别方法及装置 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
CN116167277A (zh) | 一种基于Elman网络的电力设备故障诊断方法和系统、介质 | |
CN116026588A (zh) | 一种基于集成学习的轴承故障诊断与预警方法 | |
CN115456013A (zh) | 基于运行数据的风电机组变流器功率模块故障诊断方法 | |
CN109782156B (zh) | 基于人工免疫诊断网络的模拟电路故障诊断方法 | |
CN113884822A (zh) | 一种局部放电特高频信号的分类识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |