CN113985173B - 基于统计特征典型相关分析的pfc故障检测方法 - Google Patents
基于统计特征典型相关分析的pfc故障检测方法 Download PDFInfo
- Publication number
- CN113985173B CN113985173B CN202111254775.8A CN202111254775A CN113985173B CN 113985173 B CN113985173 B CN 113985173B CN 202111254775 A CN202111254775 A CN 202111254775A CN 113985173 B CN113985173 B CN 113985173B
- Authority
- CN
- China
- Prior art keywords
- sample
- fault detection
- actual
- pfc
- output voltage
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 65
- 238000010219 correlation analysis Methods 0.000 title claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229920006926 PFC Polymers 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Measurement Of Current Or Voltage (AREA)
- Analogue/Digital Conversion (AREA)
Abstract
一种基于统计特征典型相关分析的PFC故障检测方法,属于PFC故障检测领域。本发明针对现有通过PFC变换器的输出电压对其进行故障检测,不明显的故障特征易被掩盖造成检测效果差的问题。包括:采集PFC转换器的样本输入电压和样本输出电压;对样本输入电压特征量和样本输出电压特征量进行典型相关分析,得到典型相关系数;构建样本残差矩阵,计算获得样本统计量;并确定故障检测阈值;采集实际输入电压和实际输出电压,利用实际输入电压特征量、实际输出电压特征量和典型相关系数构建实际残差矩阵,计算获得实际统计量;将实际统计量与故障检测阈值进行比较,若实际统计量大于故障检测阈值,则判定运行状态PFC转换器为故障状态。本发明用于PFC故障检测。
Description
技术领域
本发明涉及基于统计特征典型相关分析的PFC故障检测方法,属于PFC故障检测领域。
背景技术
功率因数矫正器(PFC)广泛应用于交直流功率转换装置中,可实现高功率因数和低谐波失真。由于PFC在当今工业中的重要性,确保功率变换器的连续安全运行是非常必要的。
现有PFC故障检测方法是对PFC变换器的输出进行分析,当输出电压发生特定改变时认为PFC电路发生故障。然而PFC的软故障对输出产生的影响微弱,故障特征不明显,这增大了PFC的故障检测难度。
PFC变换器的输入电压通常源于上一级输出电压,由上一级输出电压幅值的未知波动导致的PFC变换器输出电压变化,易掩盖故障特征,进而影响故障检测效果。并且在不同类型噪声条件下,PFC软故障检测率也亟待提高。
发明内容
针对现有通过PFC变换器的输出电压对其进行故障检测,不明显的故障特征易被掩盖造成检测效果差的问题,本发明提供一种基于统计特征典型相关分析的PFC故障检测方法。
本发明的一种基于统计特征典型相关分析的PFC故障检测方法,包括,
步骤一:采集N组正常状态PFC转换器的样本输入电压和样本输出电压;N为正整数;
步骤二:由样本输入电压和样本输出电压进行特征提取,获得样本输入电压特征量和样本输出电压特征量,对样本输入电压特征量和样本输出电压特征量进行典型相关分析,得到典型相关系数;
步骤三:利用样本输入电压特征量、样本输出电压特征量和典型相关系数构建样本残差矩阵,计算获得N个样本统计量;并取N个样本统计量中的最大值作为故障检测阈值;
步骤四:采集运行状态PFC转换器的实际输入电压和实际输出电压,进行特征提取获得实际输入电压特征量和实际输出电压特征量;
步骤五:利用实际输入电压特征量、实际输出电压特征量和典型相关系数构建实际残差矩阵,计算获得实际统计量;
步骤六:将实际统计量与故障检测阈值进行比较,若实际统计量大于故障检测阈值,则判定运行状态PFC转换器为故障状态。
根据本发明的基于统计特征典型相关分析的PFC故障检测方法,步骤二和步骤四中进行特征提取的方法相同;
对第i个样本输入电压,进行特征提取后获得由四个采样点确定的第i个样本输入电压初始特征值xiobs:
式中ri-in为第i个样本输入电压的最大值与最小值的差;i=1,2,3,……,N。
根据本发明的基于统计特征典型相关分析的PFC故障检测方法,对第i个样本输出电压,按输出电压时间序列、FFT序列、各阶自相关系数和差分序列分别进行包括幅值、均值、标准差、偏度和峰度的统计特征提取,获得20个第i个样本输出电压初始特征值yiobs。
根据本发明的基于统计特征典型相关分析的PFC故障检测方法,对第i个样本输入电压初始特征值xiobs和第i个样本输出电压初始特征值yiobs进行去均值计算,得到第i个样本输入电压特征量x(i)和第i个样本输出电压特征量y(i):
x(i)=xiobs-μx,
y(i)=yiobs-μy,
式中μx是样本输入电压初始特征值均值,μy是样本输入电压初始特征值均值。
根据本发明的基于统计特征典型相关分析的PFC故障检测方法,
根据本发明的基于统计特征典型相关分析的PFC故障检测方法,得到典型相关系数的方法包括:
根据输入协方差矩阵∑x、输入协方差矩阵∑y和输入输出的互协方差矩阵∑xy:
式中:
X=[x(1),x(2),…,x(N)]∈R4×N,R4×N为样本输入电压特征量集合;
Y=[y(1),y(2),…,y(N)]∈R20×N,R20×N为样本输出电压特征量集合;
结合典型相关分析方法,得到:
通过奇异值分解得到到Γs、Ψs和∑,其中Γs为第一中间变量,Ψs为第二中间变量,∑为第三中间变量,Λκ为对角阵,κ为主元个数,κ≤4;Λκ=diag(ρ1,…,ρκ),ρ1,…,ρκ均为非零常数;
令
将J作为第一典型相关系数,L作为第二典型相关系数:
J=[JsJres],L=[LsLres]。
根据本发明的基于统计特征典型相关分析的PFC故障检测方法,获得样本统计量的方法包括:
构建样本残差矩阵rc(i):
rc(i)=JTx(i)-∑LTy(i),
利用残差矩阵rc(i)构造用于故障检测的样本统计量T2(i):
式中∑rc(i)为样本残差矩阵rc(i)的协方差。
根据本发明的基于统计特征典型相关分析的PFC故障检测方法,选取样本统计量T2(i)中的最大值作为故障检测阈值i=1,2,3,……,N。
根据本发明的基于统计特征典型相关分析的PFC故障检测方法,步骤五中获得实际统计量的方法与步骤三中获得样本统计量的方法相同。
根据本发明的基于统计特征典型相关分析的PFC故障检测方法,步骤五中计算获得实际统计量T2,若T2大于故障检测阈值则判定运行状态PFC转换器为故障状态;否则判定运行状态PFC转换器为正常状态。
本发明的有益效果:本发明方法关注输入电压与输出电压之间的相关关系,所以当输入电压幅值存在未知改变导致输出电压改变,且环境中存在不同类型噪声淹没故障特征时,依然可以利用输入输出关系对PFC进行故障检测,包括故障特征微小的软故障。
由于PFC变换器控制原理各不相同,控制芯片外围电路也有差别,因此精确的物理模型难以构建。本发明方法利用输入输出电压之间的相关关系进行故障检测,无需了解具体电路结构,所以对未知结构的PFC变换器也可以进行故障检测。
因此,本发明方法与现有方法对比,至少包括以下优点:
首先,当上级电路不稳定导致输入电压幅值发生未知波动时,可以对PFC进行故障检测,包括故障特征不明显的软故障。其次,当环境中存在高斯噪声或低频噪声时,可以对PFC进行软故障检测。最后,故障检测时不需要知道PFC的具体结构,无需构建精确的物理模型。该方法具有很强的实用性。
本发明方法对于PFC变换器的元器件退化早期发生的软故障,尤其适用。
附图说明
图1是本发明所述PFC转换器的电路结构示意图;其中L为电感,D为二极管,C为电容,R为负载电阻,ui为输入电压,ud为整流后电压,ul为电感电压,il为电感电流,uo为输出电压,PI表示比例积分环节,Um为输入电压最大值,Cm为控制器参数,il *为电感电流理论值,uo *为输出电压理论值,Q为三极管;
图2是正常状态PFC转换器工作时整流后输入电压波形;
图3是正常状态PFC转换器工作时输出电压波形;
图4是采用本发明方法对运行状态PFC转换器的故障检测结果图。
具体实施方式
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,所描述的实施例仅仅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作出创造性劳动的前提下所获得的所有其它实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
具体实施方式一、结合图1至图4所示,本发明提供了一种基于统计特征典型相关分析的PFC故障检测方法,包括,
步骤一:采集N组正常状态PFC转换器的样本输入电压和样本输出电压;N为正整数;
步骤二:由样本输入电压和样本输出电压进行特征提取,获得样本输入电压特征量和样本输出电压特征量,对样本输入电压特征量和样本输出电压特征量进行典型相关分析,得到典型相关系数;
步骤三:利用样本输入电压特征量、样本输出电压特征量和典型相关系数构建样本残差矩阵,计算获得N个样本统计量;并取N个样本统计量中的最大值作为故障检测阈值;
步骤四:采集运行状态PFC转换器的实际输入电压和实际输出电压,进行特征提取获得实际输入电压特征量和实际输出电压特征量;
步骤五:利用实际输入电压特征量、实际输出电压特征量和典型相关系数构建实际残差矩阵,计算获得实际统计量;
步骤六:将实际统计量与故障检测阈值进行比较,若实际统计量大于故障检测阈值,则判定运行状态PFC转换器为故障状态。
基于典型相关分析(CCA)的故障检测方法是一种多元统计方法,核心是利用两个过程变量的相关性,这两个过程变量通常是输入输出。
进一步,步骤二和步骤四中进行特征提取的方法相同;
对第i个样本输入电压,进行特征提取后获得由四个采样点确定的第i个样本输入电压初始特征值xiobs:
式中ri-in为第i个样本输入电压的最大值与最小值的差;i=1,2,3,……,N。
对第i个样本输出电压,按输出电压时间序列、FFT序列、各阶自相关系数和差分序列分别进行包括幅值、均值、标准差、偏度和峰度的统计特征提取,获得20个第i个样本输出电压初始特征值yiobs。
本实施方式中采用5个统计特征分析输出电压,对于每个样本输出电压共可得到20个统计特征进行输出电压分析。
基于CCA的故障检测方法主要针对输入输出的相关性。用xiobs∈R4和yiobs∈R20表示输入电压特征量和输出电压特征量。对第i个样本输入电压初始特征值xiobs和第i个样本输出电压初始特征值yiobs进行去均值计算,得到第i个样本输入电压特征量x(i)和第i个样本输出电压特征量y(i):
x(i)=xiobs-μx,
y(i)=yiobs-μy,
式中μx是样本输入电压初始特征值均值,μy是样本输入电压初始特征值均值。
再进一步,得到典型相关系数的方法包括:
根据输入协方差矩阵∑x、输入协方差矩阵∑y和输入输出的互协方差矩阵∑xy:
式中:
X=[x(1),x(2),…,x(N)]∈R4×N,R4×N为样本输入电压特征量集合;
Y=[y(1),y(2),…,y(N)]∈R20×N,R20×N为样本输出电压特征量集合;
结合典型相关分析方法,得到:
通过奇异值分解(SVD)得到到Γs、Ψs和∑,其中Γs为第一中间变量,Ψs为第二中间变量,∑为第三中间变量,Λκ为对角阵,κ为主元个数,κ≤4;Λκ=diag(ρ1,…,ρκ),ρ1,…,ρκ均为非零常数;
由CCA方法可知和/>具有密切的相关性。
令
将J作为第一典型相关系数,L作为第二典型相关系数:
J=[JsJres],L=[LsLres]。
再进一步,为了得到输入输出之间的相关关系,进行N次实验,获得N个样本统计量。
获得样本统计量的方法包括:
构建样本残差矩阵rc(i):
rc(i)=JTx(i)-∑LTy(i),
利用残差信号可以构造用于故障检测的统计量,利用残差矩阵rc(i)构造用于故障检测的样本统计量T2(i):
式中∑rc(i)为样本残差矩阵rc(i)的协方差。
选取样本统计量T2(i)中的最大值作为故障检测阈值i=1,2,3,……,N。
再进一步,步骤五中获得实际统计量的方法与步骤三中获得样本统计量的方法相同。
步骤五中计算获得实际统计量T2,若T2大于故障检测阈值则判定运行状态PFC转换器为故障状态;否则,当T2小于或等于故障检测阈值/>时,判定运行状态PFC转换器为正常状态。
图4中共100个测试样本,前50个为正常状态样本,后50个为软故障状态样本。其中虚线为故障检测阈值,前50个测试样本的统计量小于阈值,判定为正常状态,后50个样本的统计量大于阈值,判定为故障状态。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其它所述实施例中。
Claims (5)
1.一种基于统计特征典型相关分析的PFC故障检测方法,其特征在于包括,
步骤一:采集N组正常状态PFC转换器的样本输入电压和样本输出电压;N为正整数;
步骤二:由样本输入电压和样本输出电压进行特征提取,获得样本输入电压特征量和样本输出电压特征量,对样本输入电压特征量和样本输出电压特征量进行典型相关分析,得到典型相关系数;
步骤三:利用样本输入电压特征量、样本输出电压特征量和典型相关系数构建样本残差矩阵,计算获得N个样本统计量;并取N个样本统计量中的最大值作为故障检测阈值;
步骤四:采集运行状态PFC转换器的实际输入电压和实际输出电压,进行特征提取获得实际输入电压特征量和实际输出电压特征量;
步骤五:利用实际输入电压特征量、实际输出电压特征量和典型相关系数构建实际残差矩阵,计算获得实际统计量;
步骤六:将实际统计量与故障检测阈值进行比较,若实际统计量大于故障检测阈值,则判定运行状态PFC转换器为故障状态;
步骤二和步骤四中进行特征提取的方法相同;
对第i个样本输入电压,进行特征提取后获得由四个采样点确定的第i个样本输入电压初始特征值xiobs:
式中ri-in为第i个样本输入电压的最大值与最小值的差;i=1,2,3,……,N;
对第i个样本输出电压,按输出电压时间序列、FFT序列、各阶自相关系数和差分序列分别进行包括幅值、均值、标准差、偏度和峰度的统计特征提取,获得20个第i个样本输出电压初始特征值yiobs;
对第i个样本输入电压初始特征值xiobs和第i个样本输出电压初始特征值yiobs进行去均值计算,得到第i个样本输入电压特征量x(i)和第i个样本输出电压特征量y(i):
x(i)=xiobs-μx,
y(i)=yiobs-μy,
式中μx是样本输入电压初始特征值均值,μy是样本输入电压初始特征值均值;
得到典型相关系数的方法包括:
根据输入协方差矩阵∑x、输入协方差矩阵∑y和输入输出的互协方差矩阵∑xy:
式中:
X=[x(1),x(2),…,x(N)]∈R4×N,R4×N为样本输入电压特征量集合;
Y=[y(1),y(2),…,y(N)]∈R20×N,R20×N为样本输出电压特征量集合;
结合典型相关分析方法,得到:
通过奇异值分解得到到Γs、Ψs和∑,其中Γs为第一中间变量,Ψs为第二中间变量,Σ为第三中间变量,Λκ为对角阵,κ为主元个数,κ≤4;Λκ=diag(ρ1,…,ρκ),ρ1,…,ρκ均为非零常数;
令
将J作为第一典型相关系数,L作为第二典型相关系数:
J=[JsJres],L=[LsLres]。
2.根据权利要求1所述的基于统计特征典型相关分析的PFC故障检测方法,其特征在于,获得样本统计量的方法包括:
构建样本残差矩阵rc(i):
rc(i)=JTx(i)-ΣLTy(i),
利用残差矩阵rc(i)构造用于故障检测的样本统计量T2(i):
式中Σrc(i)为样本残差矩阵rc(i)的协方差。
3.根据权利要求2所述的基于统计特征典型相关分析的PFC故障检测方法,其特征在于,选取样本统计量T2(i)中的最大值作为故障检测阈值
4.根据权利要求3所述的基于统计特征典型相关分析的PFC故障检测方法,其特征在于,步骤五中获得实际统计量的方法与步骤三中获得样本统计量的方法相同。
5.根据权利要求3所述的基于统计特征典型相关分析的PFC故障检测方法,其特征在于,步骤五中计算获得实际统计量T2,若T2大于故障检测阈值则判定运行状态PFC转换器为故障状态;否则判定运行状态PFC转换器为正常状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111254775.8A CN113985173B (zh) | 2021-10-27 | 2021-10-27 | 基于统计特征典型相关分析的pfc故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111254775.8A CN113985173B (zh) | 2021-10-27 | 2021-10-27 | 基于统计特征典型相关分析的pfc故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113985173A CN113985173A (zh) | 2022-01-28 |
CN113985173B true CN113985173B (zh) | 2024-03-15 |
Family
ID=79742440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111254775.8A Active CN113985173B (zh) | 2021-10-27 | 2021-10-27 | 基于统计特征典型相关分析的pfc故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113985173B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110879372A (zh) * | 2019-12-03 | 2020-03-13 | 中南大学 | 基于特征相关的牵引系统主回路接地故障诊断方法及系统 |
CN111260024A (zh) * | 2020-01-08 | 2020-06-09 | 中南大学 | 基于长短期记忆和典型相关结合的故障检测方法及系统 |
CN112229435A (zh) * | 2020-10-28 | 2021-01-15 | 震兑工业智能科技有限公司 | 基于规范变量分析的船舶主机偶发性故障检测方法及系统 |
CN112486137A (zh) * | 2020-10-23 | 2021-03-12 | 中国电力科学研究院有限公司 | 有源配电网故障特征库构建方法、系统及故障诊断方法 |
CN113447759A (zh) * | 2021-06-24 | 2021-09-28 | 中国电力科学研究院有限公司 | 一种多分类的rvm电网故障判别方法和系统 |
-
2021
- 2021-10-27 CN CN202111254775.8A patent/CN113985173B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110879372A (zh) * | 2019-12-03 | 2020-03-13 | 中南大学 | 基于特征相关的牵引系统主回路接地故障诊断方法及系统 |
CN111260024A (zh) * | 2020-01-08 | 2020-06-09 | 中南大学 | 基于长短期记忆和典型相关结合的故障检测方法及系统 |
CN112486137A (zh) * | 2020-10-23 | 2021-03-12 | 中国电力科学研究院有限公司 | 有源配电网故障特征库构建方法、系统及故障诊断方法 |
CN112229435A (zh) * | 2020-10-28 | 2021-01-15 | 震兑工业智能科技有限公司 | 基于规范变量分析的船舶主机偶发性故障检测方法及系统 |
CN113447759A (zh) * | 2021-06-24 | 2021-09-28 | 中国电力科学研究院有限公司 | 一种多分类的rvm电网故障判别方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113985173A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11409933B2 (en) | Method for diagnosing analog circuit fault based on cross wavelet features | |
CN109740687B (zh) | 一种基于dlae的发酵过程故障监测方法 | |
CN108875126A (zh) | 电解电容剩余寿命预测方法 | |
CN110954779A (zh) | 一种基于s变换与多维分形的电压暂降源特征识别方法 | |
CN102841233A (zh) | 一种电流互感器二次电流补偿方法 | |
CN112362987A (zh) | 一种基于稳健估计的避雷器故障诊断方法 | |
CN111353131B (zh) | 一种码载偏离度阈值计算的方法 | |
CN118228006B (zh) | 一种基于fpga技术的芯片检测方法及系统 | |
CN112149296A (zh) | 一种判定水文时间序列平稳性类型的方法 | |
CN115639502A (zh) | 异常工况下变压器绕组运行状态下的综合评估方法及系统 | |
CN113985173B (zh) | 基于统计特征典型相关分析的pfc故障检测方法 | |
CN109782158B (zh) | 一种基于多级分类的模拟电路诊断方法 | |
US9696717B2 (en) | Apparatus and method of segmenting sensor data output from a semiconductor manufacturing facility | |
CN111079647A (zh) | 一种断路器缺陷识别方法 | |
CN112528230B (zh) | 基于精密度和分布转换修正的参数一致性控制方法及装置 | |
CN116008665A (zh) | 一种电力系统谐波阻抗估计方法 | |
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 | |
CN115270857A (zh) | 基于数据融合的变电站故障诊断方法 | |
CN112924856B (zh) | 基于断路器振动过程突变时刻检测的信号通道切换方法 | |
CN112116917B (zh) | 基于相位跃变度的电抗器本体与风机声信号分离方法 | |
CN114970311A (zh) | 一种远端模块寿命预测模型的建立方法与寿命预测方法 | |
CN112034232A (zh) | 一种供电系统电压暂降检测方法 | |
CN117872052B (zh) | 一种基于局部放电高频电流脉冲的缺陷识别方法及装置 | |
CN116073322B (zh) | 一种防止直流电压偏移引起保护误动的分析装置及方法 | |
CN114756823B (zh) | 提升花椒光谱模型预测能力的方法 |
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 |