CN113884292A - 基于svdd的开关设备机械故障诊断方法和系统 - Google Patents
基于svdd的开关设备机械故障诊断方法和系统 Download PDFInfo
- Publication number
- CN113884292A CN113884292A CN202111175434.1A CN202111175434A CN113884292A CN 113884292 A CN113884292 A CN 113884292A CN 202111175434 A CN202111175434 A CN 202111175434A CN 113884292 A CN113884292 A CN 113884292A
- Authority
- CN
- China
- Prior art keywords
- signal
- sample
- diagnosed
- mechanical
- fault diagnosis
- 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 104
- 238000003745 diagnosis Methods 0.000 title claims abstract description 96
- 238000000354 decomposition reaction Methods 0.000 title claims description 19
- 239000013598 vector Substances 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000000605 extraction Methods 0.000 claims abstract description 38
- 238000007781 pre-processing Methods 0.000 claims abstract description 34
- 230000009471 action Effects 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 20
- 230000009466 transformation Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 16
- 238000004146 energy storage Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Arc-Extinguishing Devices That Are Switches (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于SVDD的开关设备机械故障诊断方法和系统,该方法包括:采集开关设备在稳定运行状态下的多源信号作为待诊断样本信号;对待诊断样本信号进行截取、去噪、去趋势项的预处理操作;对预处理后的待诊断样本信号采用两步特征提取方法,提取典型特征量,形成一组特征向量;将特征向量输入至最优超球体故障诊断模型,得到诊断结果;该模型为通过SVDD方法对开关设备的稳定运行状态且机械正常状态下的正常样本进行训练得到的;进而最优超球体故障诊断模型中需要的训练样本少,易于实现、成本低、运算简单、耗时短、漏警率低、准确率高,不依赖机械故障样本,具有较强的适用性,尤其适用于机械故障早期征兆即机械缺陷的识别。
Description
技术领域
本发明属于故障诊断技术领域,更具体的说,尤其涉及一种基于SVDD的开关设备机械故障诊断方法和系统。
背景技术
作为电力系统的关键组成部分,开关设备广泛应用于输配电的各个环节,其正常运行对于电力系统的可靠平稳安全运行具有十分重要的意义。在开关设备引发的非停运事件中,由于机械缺陷未得到及时预警而发展为机械故障甚至事故的案例占比将近40%。现有技术中,基于信号进行开关设备机械缺陷/故障诊断和机械状态评估是常用的方法,其中振动信号的非侵入式的采集方式不会影响开关设备的正常运行且包含丰富的设备状态信息,能够综合反映设备内部众多元件的机械变化,可以体现80%的机械特性类缺陷/故障,逐渐成为新的研究热点。
基于信号分析的开关设备机械故障诊断方法,通常流程为采集开关设备在正常状态和多种模拟故障状态下的信号作为样本,对预处理后的信号进行相关处理后提取一组特征量形成特征向量,将该特征向量输入神经网络或支持向量机等机器学习分类算法进行模型训练,再将待分析信号的特征向量输入训练好的模型进行故障识别,从而实现故障诊断。
目前,主流的基于振动信号的开关设备机械故障诊断方法存在以下问题:
采集单个位置或多个位置的振动信号或包含振动信号的多源信号,依赖于大量多种故障模拟的样本;在实际工况下,开关设备的机械故障种类多,动作次数少,进而其故障样本少,一般仅针对特定故障进行模拟,模拟故障困难、获取代价高。
单独针对振动信号全局提取特征量分析诊断,采用的振动信号全局处理方法包括局部均值分解、经验模态分解、总体平均经验模态分解、希尔伯特-黄变换、S变换等,运算量大、耗时久、硬件要求高;或针对包含振动信号的多源信号独立提取特征量再进行融合分析诊断。
应用机器学习多类分类算法进行故障模式分类时,容易导致面向缺陷或未知故障类型样本时漏警率高的问题,即错误把缺陷或故障样本诊断为正常样本。
发明内容
有鉴于此,本发明的目的在于提供一种基于SVDD的开关设备机械故障诊断方法和系统,易于实现、成本低、运算简单、耗时短、漏警率低、准确率高,不依赖机械故障样本,具有较强的适用性,尤其适用于机械故障早期征兆即机械缺陷的识别。
本发明第一方面公开了一种基于SVDD的开关设备机械故障诊断方法,包括:
采集并将所述开关设备在稳定运行状态下,其动作过程中的多源信号作为待诊断样本信号;
对所述待诊断样本信号进行截取,并对所述待诊断样本信号中的振动信号进行去噪、去趋势项的预处理操作;
对预处理后的待诊断样本信号采用两步特征提取方法,提取典型特征量,形成一组特征向量;其中,所述典型特征量包括:关键位置时刻的特征量以及,所述关键位置时刻对应的振动短时能量和行程短时积分的特征量;所述关键位置时刻为能够反映所述开关设备的机械状态的位置对应的时刻;
将所述特征向量输入至预先训练好的最优超球体故障诊断模型,得到所述待诊断样本信号的诊断结果;其中,所述最优超球体故障诊断模型为通过SVDD(SupportVectorData Description,支持向量数据描述)方法对所述开关设备的稳定运行状态下机械正常状态的正常样本进行训练得到的。
可选的,所述两步特征提取方法包括:
先提取所述关键位置时刻的特征量;
再针对所述预处理后的待诊断样本提取所述关键位置时刻对应的振动短时能量和行程短时积分的特征量。
可选的,所述提取所述关键位置时刻的特征量包括:
通过所述多源信号中的振动信号和断口信号分别提取所述关键位置点的发生时刻,得到关键位置时刻的特征量;
其中,所述关键位置包括:行程起始点、断口位置、过冲点和行程结束点。
可选的,对所述待诊断样本信号进行截取,并对所述待诊断样本信号中的振动信号进行去噪、去趋势项的预处理操作,包括:
以所述多源信号中的动作命令发出信号对应时刻作为样本信号起始时刻点,分别对所述多源信号中的各个信号截取时长为预设时长的信号片段;其中所述预设时长需覆盖合闸动作全程;
对截取后的所述振动信号进行基于小波变换的信号阈值去噪,以及,采用最小二乘法进行去趋势项处理;其中,所述基于小波变换的信号阈值去噪方法包括:先进行小波分解,接着进行阈值处理,最后进行小波重构。
可选的,将所述特征向量输入至预先训练好的最优超球体故障诊断模型,得到所述待诊断样本信号的诊断结果,包括:
若所述特征向量落在所述最优超球体故障诊断模型内,则判定该开关设备的机械状态为正常;
若所述特征向量落在所述最优超球体故障诊断模型外,则判定该开关设备的机械状态为故障。
可选的,所述最优超球体故障诊断模型的建立过程,包括:
采集所述开关设备在稳定运行状态且机械正常状态运行下,其动作过程中的多源信号作为训练样本信号;
对所述训练样本信号进行截取,并对所述训练样本信号中的振动信号进行去噪、去趋势项的预处理操作;
对预处理后的训练样本信号采用两步特征提取方法,提取典型特征量,形成一组特征向量样本;
对提取获得的特征向量样本采用SVDD方法进行训练,得到所述最优超球体故障诊断模型。
本发明第二方面公开了一种基于SVDD的开关设备机械故障诊断系统,包括:
多源信号采集模块,用于采集所述开关设备在稳定运行状态下,其动作过程中的多源信号作为待诊断样本信号;
预处理模块,用于对所述待诊断样本信号进行截取,并对所述待诊断样本信号中的振动信号进行去噪、去趋势项的预处理操作;
两步特征提取模块,用于对预处理后的待诊断样本信号采用两步特征提取方法,提取典型特征量,形成一组特征向量;其中,典型特征量包括:关键位置时刻的特征量以及,所述关键位置对应的振动短时能量和行程短时积分的特征量;所述关键位置时刻为能够反映所述开关设备的机械状态的位置对应的时刻;
故障诊断模块,用于将所述特征向量输入至预先训练好的最优超球体故障诊断模型,得到所述待诊断样本信号的诊断结果;其中,所述最优超球体故障诊断模型为通过SVDD方法对所述开关设备稳定运行状态下机械正常状态的正常样本进行训练得到的。
可选的,两步特征提取模块用于执行两步特征提取方法时,具体用于:
先提取关键位置时刻的特征量;
再针对所述预处理后的待诊断样本提取所述关键位置对应的振动短时能量和行程短时积分的特征量。
可选的,预处理模块,用于对所述待诊断样本信号进行截取,并对所述待诊断样本信号中的振动信号进行去噪、去趋势项的预处理操作时,具体用于:
以所述多源信号中的动作命令发出信号对应时刻作为样本信号起始时刻点,分别对所述多源信号中的各个信号截取时长为预设时长的信号片段;其中所述预设时长需覆盖合闸动作全程;
对截取后的所述振动信号进行基于小波变换的信号阈值去噪,以及,采用最小二乘法进行去趋势项处理;其中,所述基于小波变换的信号阈值去噪方法包括:先进行小波分解,接着进行阈值处理,最后进行小波重构。
可选的,还包括:所述最优超球体故障诊断模型的构建模块;所述构建模块包括:
多源信号采集模块,用于采集所述开关设备在稳定运行状态且机械正常状态运行下,其动作过程中的多源信号作为训练断样本信号;
预处理模块,用于对所述训练断样本信号进行截取,并对所述训练断样本信号中的振动信号进行去噪、去趋势项的预处理操作;
两步特征提取模块,用于对预处理后的训练样本信号采用两步特征提取方法,提取典型特征量,形成一组特征向量样本;
构建单元,用于提取获得的特征向量样本采用SVDD方法进行训练,得到所述最优超球体故障诊断模型。
从上述技术方案可知,本发明提供的一种基于SVDD的开关设备机械故障诊断方法,包括:采集开关设备在稳定运行状态下,其动作过程中的多源信号作为待诊断样本信号;对待诊断样本信号进行截取,并对待诊断样本信号中的振动信号进行去噪、去趋势项的预处理操作;对预处理后的待诊断样本信号采用两步特征提取方法,提取典型特征量,形成一组特征向量;其中,典型特征量包括:关键位置时刻的特征量以及,关键位置对应的振动短时能量和行程短时积分的特征量;关键位置时刻为能够反映开关设备的机械状态的位置对应的时刻;将特征向量输入至预先训练好的最优超球体故障诊断模型,得到待诊断样本信号的诊断结果;其中,最优超球体故障诊断模型为通过SVDD方法对开关设备的稳定运行状态且机械正常状态下的正常样本进行训练得到的;也即,仅采集开关设备稳定运行状态且机械正常状态下的信号作为样本,不依赖于故障样本,且样本获取难度低、易于实现、成本低;采用两步特征提取关键位置时刻的特征向量,运算简单,计算量小,硬件要求低,成本低;同时,采用SVDD方法进行模式识别,模型训练时间短,降低对未知故障类型识别的漏警率,具有较强的适用性,尤其适用于故障早期征兆即机械缺陷的识别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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一种基于SVDD的开关设备机械故障诊断方法的流程图;
图2是本发明实施例提供的另一种基于SVDD的开关设备机械故障诊断方法的流程图;
图3是本发明实施例提供的另一种基于SVDD的开关设备机械故障诊断方法的流程图;
图4是本发明实施例提供的另一种基于SVDD的开关设备机械故障诊断方法的流程图;
图5是本发明实施例提供的开关设备中多源信号初始图;
图6是本发明实施例提供的开关设备中多源信号截取片段;
图7是本发明实施例提供的开关设备中多源信号截取片段去噪结果;
图8是本发明实施例提供的开关设备中多源信号截取片段去趋势项结果;
图9是本发明实施例提供的一种基于SVDD的开关设备机械故障诊断方法中两步特征提取方法的流程图;
图10是本发明实施例提供的开关设备中多源信号截取片段提取关键位置时刻;
图11是本发明实施例提供的一种基于SVDD的开关设备机械故障诊断系统的示意图;
图12是本发明实施例提供的另一种基于SVDD的开关设备机械故障诊断系统的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本申请中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明实施例提供了一种基于SVDD的开关设备机械故障诊断方法,用于解决现有技术中,开关设备的机械故障种类多,动作次数少,进而其故障样本少,一般仅针对特定故障进行模拟,模拟故障困难、获取代价高;运算量大、耗时久、硬件要求高;容易导致面向缺陷或未知故障类型样本时漏警率高等问题。
参见图1,该基于SVDD的开关设备机械故障诊断方法,包括:
S101、采集开关设备在稳定运行状态下,其动作过程中的多源信号作为待诊断样本信号。
该多源信号包括:振动信号、行程信号、断口信号和动作命令发出信号。
需要说明的是,开关设备在运行和动作过程中各部件之间发生撞击、摩擦等进而产生振动信号。该振动信号传播衰减较小,很容易被振动传感器采集到,故开关设备的振动信号包含了丰富的机械状态信息。
振动信号具有稳定性,当开关设备的机械状态不发生变化且处于稳定运行状态时,开关设备的各个振动激励源的振动波和传播过程不会发生明显变化,故同一位置所采集的振动信号的重复性整体良好。并且,振动信号灵敏度高,开关设备发生细微的机械变化也能够体现在采集的振动信号上。
待诊断样本信号,不需要区分设备的状态是正常、缺陷还是故障,需要在设备稳定运行的状态下进行采集即可;也即,是在设备已经安装到实际工作现场且已经过调试与磨合,状态达到平稳之后。原因是:一方面因为振动信号非常灵敏,它周边的其他设备工作时产生的振动很可能与本设备产生的振动信号发生耦合;另一方面,设备最开始安装运行,性能不太稳定,需要一小段时间之后磨合,性能达到平稳,采集的信号重复性更高。事实上,必须在设备稳定运行的状态下进行信号采集。
S102、对待诊断样本信号进行截取,并对待诊断样本信号中的振动信号进行去噪、去趋势项的预处理操作。
需要说明的是,依据采集多源信号中的动作命令发出信号对采集多源信号中的振动信号、行程信号、断口信号进行信号截取,对截取的振动信号进行去噪、去趋势项处理。
截取方式可以是设定截取时长,对信号进行截取,当然也可以是其他方式,此处不再一一赘述,均在本申请的保护范围内。
去噪、去趋势项处理的方式有很多,此处不再一一赘述,视实际情况而定即可,均在本申请的保护范围内。
S103、对预处理后的待诊断样本信号采用两步特征提取方法,提取典型特征量,形成一组特征向量。
其中,典型特征量包括:关键位置时刻的特征量以及,关键位置对应的振动短时能量和行程短时积分的特征量;关键位置时刻为能够反映开关设备的机械状态的位置对应的时刻。
具体的,对步骤S102预处理后的振动信号、行程信号和断口信号进行两步特征提取,先针对关键位置提取关键位置时刻,再基于关键位置时刻针对振动信号和行程信号提取关键位置振动短时能量和行程短时积分特征量;进而将各个特征量组成一组特征向量。
S104、将特征向量输入至预先训练好的最优超球体故障诊断模型,得到待诊断样本信号的诊断结果。
其中,最优超球体故障诊断模型为通过SVDD方法对开关设备的稳定运行状态下机械正常状态的正常样本进行训练得到的。
将步骤S101采集的待诊断样本信号经步骤S102的预处理和步骤S103的特征向量提取,将其输入预先训练好的最优超球体故障诊断模型,进行基于SVDD的开关设备机械故障诊断。
在本实施例中,仅采集开关设备稳定运行状态且正常状态下的信号作为样本,不依赖于故障样本,且样本获取难度低、易于实现、成本低;采用两步特征提取关键位置时刻的特征向量,实现运算量小、耗时短、硬件要求低;同时,采用SVDD方法进行模式识别,模型训练时间短,降低对未知故障类型识别的漏警率,具有较强的适用性,尤其适用于故障早期征兆即机械缺陷的识别,运算简单,计算量小,硬件要求低,成本低。也就是说,最优超球体故障诊断模型中需要的训练样本少,且仅需要正常样本,易于实现、成本低、运算简单、耗时短、漏警率低、准确率高,不依赖机械故障样本,具有较强的适用性,尤其适用于机械故障早期征兆即机械缺陷的识别。
在实际应用中,参见图2,步骤S102对待诊断样本信号进行截取,并对待诊断样本信号中的振动信号进行去噪、去趋势项的预处理操作包括:
S201、以多源信号中的动作命令发出信号对应时刻作为样本信号起始时刻点,分别对多源信号中的各个信号截取时长为预设时长的信号片段。
其中,预设时长需覆盖合闸动作全程。
具体的,以动作命令发出信号的时刻tcs作为样本信号起始时刻点,将步骤S101中采集的振动信号、行程信号和断口信号样本截取时长为ΔT的信号片段,时长ΔT可依据开关设备的性能参数确定,需覆盖合闸动作全程,包含触头刚开始接触到稳定接触、至行程到达最大且保持稳定状态的过程。即样本信号截取片段起始时刻为tcs,结束时刻为tce,时长为ΔT,这三者之间关系公式为:
tce=tcs+ΔT
对某断路器,ΔT=120ms,样本信号,也即开关设备多源信号未截取之前的示意图如图5所示,截取后的样本信号,也即开关设备多源信号截取片段的示意图如图6所示。
S202、对截取后的振动信号进行基于小波变换的信号阈值去噪,以及,采用最小二乘法进行去趋势项处理。
需要说明的是,采集的开关设备在稳定运行工况下的振动信号是一种典型的包含了大量的现场噪声的非周期非线性非平稳信号,频率范围覆盖低频段和高频段。小波变换是一种信号的时间-频率分析方法,兼顾时域和频域信息,在不同的频率段调节不同的时域取样步长,在低频段降低时间分辨率提升频率分辨率,在高频段提高时间分辨率降低频率分辨率,很适合于非平稳的振动信号和提取信号局部特征的分析。包含噪声的信号经过小波变换后,即将信号分解为一系列小波函数的叠加,有效信号和噪声产生的小波系数模值大小不同,通常,噪声的小波系数模值小于有效信号的小波系数模值。因此,本申请采用基于小波变换的信号阈值去噪方法,通过选择适当的阈值,减小噪声的干扰,将有效信号提取出来,提升信噪比。
其中,对振动信号进行基于小波变换的信号阈值去噪方法包括:先进行小波分解、接着阈值处理和最后小波重构。去噪后的振动信号如图7所示。
具体的,小波分解:选取适当的小波基,确定分解层数,用小波变换方法对信号进行分解。阈值处理:选取适当的阈值选择方式和阈值函数,将小于阈值的小波系数置零,保留有效信号的小波系数。小波重构:将经过阈值处理后的小波系数重构,就可以得到去噪后的信号。
采集的开关设备在稳定运行工况下的振动信号,由于放大器随温度变化产生零点漂移、传感器频率范围外的性能不稳定及传感器周围的环境干扰等会导致数据偏离基线,甚至偏离基线的大小会随着时间变化,称之为信号的趋势项。本申请采用最小二乘法对振动信号进行去趋势项处理。去趋势项后的振动信号如图8所示。
在实际应用中,上述步骤S103中所涉及的两步特征提取方法,参见图3(在图1的基础之上进行展示)包括:
S301、提取关键位置时刻的特征量。
具体的,通过多源信号中的振动信号和断口信号分别提取关键位置点的发生时刻,得到关键位置时刻的特征量。
其中,关键位置包括:行程起始点、断口位置、过冲点和行程结束点。
具体的,如图9所示,对行程信号提取行程起始点时刻、过冲点时刻和行程结束点时刻;对断口信号提取断口位置时刻。
需要说明的是,采集的振动信号是开关设备各振动激励源发生振动之后经历传播衰减的综合体现,传感器测点与振动激励源的距离分布不同,则采集到的振动信号的波形、幅值和频率分布也不相同。振动信号测点距离振动距离源的位置越近,越能反映该部位的机械状态变化。选取该振动测点能够反映开关设备该部位机械状态的关键位置点,本申请选择的关键位置点为行程起始点L1、断口位置L2、过冲点L3、行程结束点L4,由振动信号和断口信号分别提取关键位置点的发生时刻如图10所示。
S302、针对预处理后的待诊断样本提取关键位置对应的振动短时能量和行程短时积分的特征量。
也就是说,提取特征量包括:关键位置时刻、关键位置振动短时能量和行程短时积分特征量。
对行程信号:行程起始点时刻、过冲点时刻、行程结束点时刻、断口位置时刻提取短时行程积分,以及振动信号:行程起始点时刻、过冲点时刻、行程结束点时刻、断口位置时刻提取短时振动积分。
需要说明的是,开关设备的机械结构十分复杂,发生机械缺陷时,操作机构、分合闸弹簧、铁芯等机械结构多种因素存在耦合。其电动储能过程为,储能电机输出转矩带动大链轮转动,大链轮与小链轮之间通过链条连接,储能轴与小链轮之间通过棘轮传动,储能电机输出的机械能通过链轮、链条、棘轮传递到与棘轮相连的储能轴上,储能轴使合闸弹簧拉伸储能,实现断路器的电动储能。当接收到动作命令发出信号,断路器的电磁铁线圈通过直流电,铁芯受到衔铁吸合力向衔铁方向运动,撞击脱扣器,释放合闸弹簧,合闸弹簧的机械能依次通过凸轮、驱动四连杆、连扳、主轴,带动绝缘杆运动,绝缘杆与动触头相连接,动触头开始加速运动靠近静触头,当动静触头接触时,动触头速度最大发生弹跳,在缓冲器的制动下最终静止,与静触头完全连接。合闸动作中,储能电机的电能转化为合闸弹簧的机械能,储能电机的电能稳定且能量转化率稳定,进而转化为传动机构的动能,最终以热的形式完全释放。操作全程发生激烈的振动,其关键位置点的振动信号和行程信号均涵盖了丰富的机械状态信息。本申请提取开关设备合闸动作过程中关键位置点对应的时间段的振动短时能量和行程短时积分作为特征量。
设经过预处理后的振动信号X(t)为{xk},k=1,2,......n,行程信号S(t)为{sk},k=1,2,......n,振动信号和行程信号采集频率为f,则关键位置Li对应的窗长N的振动短时能量公式为:
关键位置Li对应的窗长N的的行程短时积分公式为:
在本实施例中,采用两步特征提取方法,选取该振动测点能够反映开关设备机械状态的关键位置点,先提取关键位置时刻,再针对振动信号和行程信号提取关键位置时刻对应的短时能量和短时积分的局部特征量,相比针对时频全局提取特征量的方法和多信号独立提取特征量的方法,运算简单,计算量小,融合程度好,硬件要求低,成本低。
在实际应用中,将特征向量输入至预先训练好的最优超球体故障诊断模型,得到待诊断样本信号的诊断结果包括:
若特征向量落在最优超球体故障诊断模型内,则判定该开关设备的机械状态为正常;若特征向量落在最优超球体故障诊断模型外,则判定该开关设备的机械状态为故障。
具体的,步骤S101中获取的待诊断样本通过步骤S102和步骤S103的方法提取出12维特征向量,作为待诊断样本输入步骤四训练好的最优超球体模型,若待诊断样本在特征空间的像在最优超球体之内,则视其为正常点,判断该开关设备的机械状态为正常;若待诊断样本在特征空间中的像落在最优超球体之外,则视其为异常点,判断该开关设备的机械状态为故障。
在实际应用中,最优超球体故障诊断模型的建立过程,参见图4,包括:
S401、采集开关设备在稳定运行状态且机械正常状态运行下,其动作过程中的多源信号作为训练样本信号。
需要说明的是,步骤S401与上述步骤S101相同,不同的是,本步骤S401限定在开关设备在稳定运行状态且正常运行下的多源信号,而步骤S101为开关设备在稳定运行状态的多源信号;此处不再一一赘述,详情参见上述实施例,均在本申请的保护范围内。
当开关设备机械状态正常且处于稳定运行工况时,同步采集合闸动作过程中的振动信号、行程信号、断口信号和动作命令发出信号,重复动作多次以获取多组信号作为正常样本,将该正常样本进行训练。
采集开关设备正常运行状态的多源数据信号,指的是设备的性能状态为正常完好、没有出现缺陷或者故障,相对于设备异常状态而言,即设备发生机械缺陷或故障;严谨的讲,应该是在设备稳定运行且设备状态为正常时,即步骤S401中,采集多源数据作为正常样本,用以训练得到最优超球体故障诊断模型。
S402、对训练样本信号进行截取,并对训练样本信号中的振动信号进行去噪、去趋势项的预处理操作。
需要说明的是,步骤S402与上述步骤S102相同,不同的是,本步骤S402限定在开关设备在稳定运行状态且正常运行下的多源信号,而步骤S102为开关设备在稳定运行状态的多源信号;此处不再一一赘述,详情参见上述实施例,均在本申请的保护范围内。
S403、对预处理后的训练样本信号采用两步特征提取方法,提取典型特征量,形成一组特征向量样本。
需要说明的是,步骤S403与上述步骤S103相同,不同的是,本步骤S403限定在开关设备在稳定运行状态且正常运行下的多源信号,而步骤S103为开关设备在稳定运行状态的多源信号;此处不再一一赘述,详情参见上述实施例,均在本申请的保护范围内。
S404、对提取获得的特征向量样本采用SVDD方法进行训练,得到最优超球体故障诊断模型。
SVDD是一种基于边界数据的描述方法,是目前流行的单类分类方法。该通过对目标样本的学习,将目标样本映射到高维的特征空间,形成围绕目标样本的边界或区域即超球体,通过最小化目标样本支撑域体积达到错误接受率最小的目的,适用于处理小样本、高维的单类分类问题。
也就是说,SVDD方法的目标是寻找一个包含所有或几乎所有的目标样本且体积最小的超球体。它的主要思想是:通过非线性映射将目标训练样本映射到高维的特征空间,在特征空间中找到一个包含全部或大部分被映射到高维的特征空间的目标训练样本且体积最小的超球体(最优超球体),即其边界函数可通过一个超球面来刻画。若通过非线性映射,新样本点在高维的特征空间中的像落入最优超球体内,则该样本被视为一个正常点;否则,若新样本点在高维的特征空间中的像落在最优超球体之外,则该样本被视为一个异常点。理想情况下,SVDD方法应该能够把样本空间中其他所有可能的异常样本排除在外,很适用于开关设备的机械故障单类分类问题。
也就是说,步骤S401中获取的正常样本通过步骤S402和步骤S403的方法提取出12维特征向量,作为SVDD方法的正常输入样本,完成SVDD方法的训练过程,得到最优超球体模型。
在本实施例中,采集开关设备正常运行状态下的信号作为样本,不依赖于故障样本,且样本获取难度低、易于实现、成本低,进而采用SVDD的单类分类方法进行模式识别,模型训练时间短,降低对未知故障类型识别的漏警率,具有较强的适用性,尤其适用于故障早期征兆即机械缺陷的识别。
本发明另一实施例提供了一种基于SVDD的开关设备机械故障诊断系统,如图11所示,该基于SVDD的开关设备机械故障诊断系统包括:多源信号采集模块、预处理模块、两步特征提取模块、故障诊断模块。
多源信号采集模块,用于采集开关设备在稳定运行状态下,其动作过程中的多源信号作为待诊断样本信号。
具体的,多源信号采集模块将在开关设备机械状态正常且处于稳定运行工况下时,同步采集合闸动作过程中的振动信号、行程信号、断口信号和动作命令发出信号,重复动作多次以采集多组信号作为正常样本;诊断状态下,多源信号采集模块将在开关设备处于稳定运行工况时,同步采集动作过程中的振动信号、行程信号、断口信号和动作命令发出信号作为待诊断样本。
预处理模块,用于对待诊断样本信号进行截取,并对待诊断样本信号中的振动信号进行去噪、去趋势项的预处理操作。
具体的,预处理模块依据采集的动作命令发出信号对采集的振动信号、行程信号、断口信号进行信号截取,对截取的振动信号进行去噪、去趋势项处理。
两步特征提取模块,用于对预处理后的待诊断样本信号采用两步特征提取方法,提取典型特征量,形成一组特征向量。
其中,典型特征量包括:关键位置时刻的特征量以及,关键位置对应的振动短时能量和行程短时积分的特征量;关键位置时刻为能够反映开关设备的机械状态的位置对应的时刻。
两步特征提取模块对预处理后的振动信号、行程信号和断口信号进行两步特征提取,先针对关键位置提取关键位置时刻,再基于关键位置时刻针对振动信号和行程信号提取关键位置振动短时能量和行程短时积分特征量。
故障诊断模块,用于将特征向量输入至预先训练好的最优超球体故障诊断模型,得到待诊断样本信号的诊断结果。
其中,最优超球体故障诊断模型为通过SVDD方法对开关设备稳定运行状态下机械正常状态的正常样本进行训练得到的。
具体的,故障诊断模块将多源采集模块采集的待诊断样本经预处理模块和特征处理模块提取的特征向量,输入模型训练模块得到的最优超球体模型,进行基于SVDD的开关设备机械故障诊断。
在本实施例中,各个模块的工作过程和原理,详情参见实施例图1,此处不再一一赘述,均在本申请的保护范围内。
在实际应用中,两步特征提取模块用于执行两步特征提取方法时,具体用于:
先提取关键位置时刻的特征量;再针对预处理后的待诊断样本提取关键位置对应的短时能量和短时积分的特征量。
在实际应用中,预处理模块,用于对待诊断样本信号进行截取,并对待诊断样本信号中的振动信号进行去噪、去趋势项的预处理操作时,具体用于:
以多源信号中的动作命令发出信号对应时刻作为样本信号起始时刻点,分别对多源信号中的各个信号截取时长为预设时长的信号片段;其中预设时长需覆盖合闸动作全程。
对截取后的振动信号进行基于小波变换的信号阈值去噪,以及,采用最小二乘法进行去趋势项处理;其中,基于小波变换的信号阈值去噪方法包括:先进行小波分解,接着进行阈值处理,最后进行小波重构。
在实际应用中,在上述各个模块的基础之上,如图12所示,该基于SVDD的开关设备机械故障诊断系统还可以包括:最优超球体故障诊断模型的构建模块。
最优超球体故障诊断模型的构建模块的功能是将多源采集模块采集的正常样本经预处理模块和两步特征处理模块提取的特征向量作为SVDD的输入向量,进行训练获取最优超球体模型并作为开关设备机械诊断模型存储。也就是说,该最优超球体故障诊断模型的构建模块主要用于构建故障诊断模块中的最优超球体故障诊断模型。
在实际应用中,最优超球体故障诊断模型的构建模块,包括:
多源信号采集模块,还用于采集开关设备在稳定运行状态且机械正常状态下,其动作过程中的多源信号作为训练样本信号。
预处理模块,还用于对训练样本信号进行截取,并对训练样本信号中的振动信号进行去噪、去趋势项的预处理操作。
两步特征提取模块,还用于对预处理后的训练样本信号采用两步特征提取方法,提取典型特征量,形成一组特征向量样本。
构建单元,用于对针对特征向量样本采用基于边界数据的描述方法进行构建,得到最优超球体故障诊断模型。
本说明书中的各个实施例中记载的特征可以相互替换或者组合,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
专业人员还可以进一步意识到,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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于SVDD的开关设备机械故障诊断方法,其特征在于,包括:
采集并将所述开关设备在稳定运行状态下,其动作过程中的多源信号作为待诊断样本信号;
对所述待诊断样本信号进行截取,并对所述待诊断样本信号中的振动信号进行去噪、去趋势项的预处理操作;
对预处理后的待诊断样本信号采用两步特征提取方法,提取典型特征量,形成一组特征向量;其中,所述典型特征量包括:关键位置时刻的特征量以及,所述关键位置时刻对应的振动短时能量和行程短时积分的特征量;所述关键位置时刻为能够反映所述开关设备的机械状态的位置对应的时刻;
将所述特征向量输入至预先训练好的最优超球体故障诊断模型,得到所述待诊断样本信号的诊断结果;其中,所述最优超球体故障诊断模型为通过SVDD方法对所述开关设备稳定运行状态下机械正常状态的正常样本进行训练得到的。
2.根据权利要求1所述的基于SVDD的开关设备机械故障诊断方法,其特征在于,所述两步特征提取方法包括:
先提取所述关键位置时刻的特征量;
再针对所述预处理后的待诊断样本提取所述关键位置时刻对应的振动短时能量和行程短时积分的特征量。
3.根据权利要求2所述的基于SVDD的开关设备机械故障诊断方法,其特征在于,所述提取所述关键位置时刻的特征量包括:
通过所述多源信号中的振动信号和断口信号分别提取所述关键位置点的发生时刻,得到关键位置时刻的特征量;
其中,所述关键位置包括:行程起始点、断口位置、过冲点和行程结束点。
4.根据权利要求1所述的基于SVDD的开关设备机械故障诊断方法,其特征在于,对所述待诊断样本信号进行截取,并对所述待诊断样本信号中的振动信号进行去噪、去趋势项的预处理操作,包括:
以所述多源信号中的动作命令发出信号对应时刻作为样本信号起始时刻点,分别对所述多源信号中的各个信号截取时长为预设时长的信号片段;其中所述预设时长需覆盖合闸动作全程;
对截取后的所述振动信号进行基于小波变换的信号阈值去噪,以及,采用最小二乘法进行去趋势项处理;其中,所述基于小波变换的信号阈值去噪方法包括:先进行小波分解,接着进行阈值处理,最后进行小波重构。
5.根据权利要求1所述的基于SVDD的开关设备机械故障诊断方法,其特征在于,将所述特征向量输入至预先训练好的最优超球体故障诊断模型,得到所述待诊断样本信号的诊断结果,包括:
若所述特征向量落在所述最优超球体故障诊断模型内,则判定该开关设备的机械状态为正常;
若所述特征向量落在所述最优超球体故障诊断模型外,则判定该开关设备的机械状态为故障。
6.根据权利要求1-5任一项所述的基于SVDD的开关设备机械故障诊断方法,其特征在于,所述最优超球体故障诊断模型的建立过程,包括:
采集所述开关设备在稳定运行状态且机械正常状态下,其动作过程中的多源信号作为训练样本信号;
对所述训练样本信号进行截取,并对所述训练样本信号中的振动信号进行去噪、去趋势项的预处理操作;
对预处理后的训练样本信号采用两步特征提取方法,提取典型特征量,形成一组特征向量样本;
对提取获得的特征向量样本采用SVDD方法进行训练,得到所述最优超球体故障诊断模型。
7.一种基于SVDD的开关设备机械故障诊断系统,其特征在于,包括:
多源信号采集模块,用于采集所述开关设备在稳定运行状态下,其动作过程中的多源信号作为待诊断样本信号;
预处理模块,用于对所述待诊断样本信号进行截取,并对所述待诊断样本信号中的振动信号进行去噪、去趋势项的预处理操作;
两步特征提取模块,用于对预处理后的待诊断样本信号采用两步特征提取方法,提取典型特征量,形成一组特征向量;其中,典型特征量包括:关键位置时刻的特征量以及,所述关键位置对应的振动短时能量和行程短时积分的特征量;所述关键位置时刻为能够反映所述开关设备的机械状态的位置对应的时刻;
故障诊断模块,用于将所述特征向量输入至预先训练好的最优超球体故障诊断模型,得到所述待诊断样本信号的诊断结果;其中,所述最优超球体故障诊断模型为通过SVDD方法对所述开关设备稳定运行状态下机械正常状态的正常样本进行训练得到的。
8.根据权利要求7所述的基于SVDD的开关设备机械故障诊断系统,其特征在于,两步特征提取模块用于执行两步特征提取方法时,具体用于:
先提取关键位置时刻的特征量;
再针对所述预处理后的待诊断样本提取所述关键位置对应的振动短时能量和行程短时积分的特征量。
9.根据权利要求7所述的基于SVDD的开关设备机械故障诊断系统,其特征在于,预处理模块,用于对所述待诊断样本信号进行截取,并对所述待诊断样本信号中的振动信号进行去噪、去趋势项的预处理操作时,具体用于:
以所述多源信号中的动作命令发出信号对应时刻作为样本信号起始时刻点,分别对所述多源信号中的各个信号截取时长为预设时长的信号片段;其中所述预设时长需覆盖合闸动作全程;
对截取后的所述振动信号进行基于小波变换的信号阈值去噪,以及,采用最小二乘法进行去趋势项处理;其中,所述基于小波变换的信号阈值去噪方法包括:先进行小波分解,接着进行阈值处理,最后进行小波重构。
10.根据权利要求8或9所述的基于SVDD的开关设备机械故障诊断系统,其特征在于,还包括:所述最优超球体故障诊断模型的构建模块;所述构建模块包括:
多源信号采集模块,用于采集所述开关设备在稳定运行状态且机械正常状态运行下,其动作过程中的多源信号作为训练样本信号;
预处理模块,用于对所述训练样本信号进行截取,并对所述训练样本信号中的振动信号进行去噪、去趋势项的预处理操作;
两步特征提取模块,用于对预处理后的训练样本信号采用两步特征提取方法,提取典型特征量,形成一组特征向量样本;
构建单元,用于对提取获得的特征向量样本采用SVDD方法进行训练,得到所述最优超球体故障诊断模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111175434.1A CN113884292B (zh) | 2021-10-09 | 2021-10-09 | 基于svdd的开关设备机械故障诊断方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111175434.1A CN113884292B (zh) | 2021-10-09 | 2021-10-09 | 基于svdd的开关设备机械故障诊断方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113884292A true CN113884292A (zh) | 2022-01-04 |
CN113884292B CN113884292B (zh) | 2023-07-21 |
Family
ID=79005790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111175434.1A Active CN113884292B (zh) | 2021-10-09 | 2021-10-09 | 基于svdd的开关设备机械故障诊断方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113884292B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115826556A (zh) * | 2022-11-14 | 2023-03-21 | 国家石油天然气管网集团有限公司 | 基于多维参数和svdd模型的泵故障诊断方法、装置和设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101907681A (zh) * | 2010-07-15 | 2010-12-08 | 南京航空航天大学 | 基于gsd_svdd的模拟电路动态在线故障诊断方法 |
KR20120092762A (ko) * | 2011-01-10 | 2012-08-22 | 고려대학교 산학협력단 | 카메라 환경에서의 비정상 소리 탐지 및 식별 시스템 |
CN105956514A (zh) * | 2016-04-15 | 2016-09-21 | 南京航空航天大学 | 一种振动数据驱动的直升机旋翼异常检测方法 |
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 |
CN108010029A (zh) * | 2017-12-27 | 2018-05-08 | 江南大学 | 基于深度学习和支持向量数据描述的织物疵点检测方法 |
US20190095400A1 (en) * | 2017-09-28 | 2019-03-28 | Sas Institute Inc. | Analytic system to incrementally update a support vector data description for outlier identification |
CN110719250A (zh) * | 2018-07-13 | 2020-01-21 | 中国科学院沈阳自动化研究所 | 基于PSO-SVDD的Powerlink工控协议异常检测方法 |
KR102143593B1 (ko) * | 2019-10-18 | 2020-08-11 | 주식회사 모비젠 | 오토인코더 기반 IoT기기의 이상징후 탐지 방법 및 그 시스템 |
US20200363474A1 (en) * | 2018-03-28 | 2020-11-19 | Abb Schweiz Ag | Apparatus and method for fault diagnosis for circuit breaker |
CN113252322A (zh) * | 2021-04-27 | 2021-08-13 | 国网安徽省电力有限公司亳州供电公司 | 一种含噪背景下的断路器机械故障诊断方法及装置 |
-
2021
- 2021-10-09 CN CN202111175434.1A patent/CN113884292B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101907681A (zh) * | 2010-07-15 | 2010-12-08 | 南京航空航天大学 | 基于gsd_svdd的模拟电路动态在线故障诊断方法 |
KR20120092762A (ko) * | 2011-01-10 | 2012-08-22 | 고려대학교 산학협력단 | 카메라 환경에서의 비정상 소리 탐지 및 식별 시스템 |
CN105956514A (zh) * | 2016-04-15 | 2016-09-21 | 南京航空航天大学 | 一种振动数据驱动的直升机旋翼异常检测方法 |
US20190095400A1 (en) * | 2017-09-28 | 2019-03-28 | Sas Institute Inc. | Analytic system to incrementally update a support vector data description for outlier identification |
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 |
CN108010029A (zh) * | 2017-12-27 | 2018-05-08 | 江南大学 | 基于深度学习和支持向量数据描述的织物疵点检测方法 |
US20200363474A1 (en) * | 2018-03-28 | 2020-11-19 | Abb Schweiz Ag | Apparatus and method for fault diagnosis for circuit breaker |
CN110719250A (zh) * | 2018-07-13 | 2020-01-21 | 中国科学院沈阳自动化研究所 | 基于PSO-SVDD的Powerlink工控协议异常检测方法 |
KR102143593B1 (ko) * | 2019-10-18 | 2020-08-11 | 주식회사 모비젠 | 오토인코더 기반 IoT기기의 이상징후 탐지 방법 및 그 시스템 |
CN113252322A (zh) * | 2021-04-27 | 2021-08-13 | 国网安徽省电力有限公司亳州供电公司 | 一种含噪背景下的断路器机械故障诊断方法及装置 |
Non-Patent Citations (3)
Title |
---|
QIANG NIU 等: "Fault Condition Detection Based on Wavelet Packet Transform and Support Vector Data Description", 2008 SECOND INTERNATIONAL SYMPOSIUM ON INTELLIGENT INFORMATION TECHNOLOGY APPLICATION * |
刘俊辰: "基于改进SVDD算法的高压断路器机械故障诊断研究", 中国优秀硕士学位论文全文数据库 工程科技II辑 * |
陈士刚 等: "不完备故障类别下基于Multi-SVDD的高压隔离开关故障诊断方法", 电工技术学报 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115826556A (zh) * | 2022-11-14 | 2023-03-21 | 国家石油天然气管网集团有限公司 | 基于多维参数和svdd模型的泵故障诊断方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113884292B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107817098B (zh) | 一种高压断路器机械故障诊断方法 | |
CN109270441B (zh) | 基于振动信号的高压断路器分闸特性参数在线检测方法 | |
CN110926778B (zh) | 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 | |
CN103810374B (zh) | 一种基于mfcc特征提取的机器故障预测方法 | |
Yang et al. | Condition evaluation for opening damper of spring operated high-voltage circuit breaker using vibration time-frequency image | |
CN106482937A (zh) | 一种高压断路器机械状态的监测方法 | |
CN105528741B (zh) | 一种基于多信号特征融合的断路器状态识别方法 | |
WO2016206056A1 (zh) | 断路器的检测方法、装置及系统 | |
CN112729381B (zh) | 一种基于神经网络的高压断路器的故障诊断方法 | |
CN111950526A (zh) | 基于深度学习断路器储能机构故障诊断方法 | |
CN115932561A (zh) | 一种基于声纹识别的高压断路器机械故障在线诊断方法 | |
CN113642439B (zh) | 一种有载分接开关的机械状态异常检测方法、装置及设备 | |
CN103558022A (zh) | 基于振动信号聚类的配电开关机械状态诊断方法 | |
CN1232834C (zh) | 基于振动分析的真空断路器触头关合时刻的在线检测方法 | |
CN104636746B (zh) | 一种基于局部区域小波变换的gis设备特征值提取方法 | |
CN113408458A (zh) | 一种基于振动信号特征熵融合的断路器故障诊断方法 | |
CN108362488A (zh) | 基于mpe与svm的oltc机械故障诊断方法 | |
CN113884292A (zh) | 基于svdd的开关设备机械故障诊断方法和系统 | |
CN109784310A (zh) | 基于ceemdan及加权时频熵的配电开关机械故障特征提取方法 | |
CN112083328A (zh) | 一种高压断路器故障诊断方法及系统和装置 | |
CN112557966A (zh) | 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 | |
CN110263944A (zh) | 一种多变量故障预测方法和装置 | |
CN116243155A (zh) | 断路器故障诊断方法、装置、设备以及存储介质 | |
CN112352165B (zh) | 用于监测断路器的方法以及使用该方法的装置和物联网 | |
CN113297922A (zh) | 一种高压开关柜故障诊断方法、装置及存储介质 |
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 |