CN114034957B - 一种基于工况划分的变压器振动异常检测方法 - Google Patents

一种基于工况划分的变压器振动异常检测方法 Download PDF

Info

Publication number
CN114034957B
CN114034957B CN202111340240.2A CN202111340240A CN114034957B CN 114034957 B CN114034957 B CN 114034957B CN 202111340240 A CN202111340240 A CN 202111340240A CN 114034957 B CN114034957 B CN 114034957B
Authority
CN
China
Prior art keywords
transformer
working condition
neural network
double
convolutional neural
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
Application number
CN202111340240.2A
Other languages
English (en)
Other versions
CN114034957A (zh
Inventor
廖振朝
林志军
陈永昌
康宽政
李瑞德
易永海
黄毅成
谭炯照
黎益发
黄亮浩
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.)
Jiangmen Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Jiangmen Power Supply Bureau of Guangdong Power Grid 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 Jiangmen Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Jiangmen Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202111340240.2A priority Critical patent/CN114034957B/zh
Publication of CN114034957A publication Critical patent/CN114034957A/zh
Application granted granted Critical
Publication of CN114034957B publication Critical patent/CN114034957B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明公开了一种基于工况划分的变压器振动异常检测方法，包括，根据负载电流和电压划分变压器运行工况；利用加速度传感器采集变压器表面振动信号，基于所述变压器表面振动信号和变压器运行工况，训练双分支卷积神经网络分类模型；利用训练后的双分支卷积神经网络分类模型对所述变压器表面振动信号进行分类，根据分类结果与当前实际工况的一致性，判断变压器的运行状态；本发明采取二维灰度预处理方法对信号进行预处理，保留了原始信号特征，同时基于变压器振动产生机理划分运行工况，采用双分支卷积神经网络对振动图像进行自适应特征提取，充分发掘电流与电压和工况信息之间的映射关系，且无需人工干预，减低对专家经验的要求。

Description

一种基于工况划分的变压器振动异常检测方法
技术领域
本发明涉及变压器振动异常检测的技术领域，尤其涉及一种基于工况划分的变压器振动异常检测方法。
背景技术
变压器是电力系统的关键设备之一，其运行状况对电网的安全、稳定运行具有重要影响。运行电压、负载电流会对变压器振动产生影响，变压器铁芯振动基频幅值与电源电压大小成正比，绕组振动基频幅值与负载电流大小成正比，由此可以通过变压器振动信号分析绕组和铁心工作状态。目前传统的变压器故障诊断方法一般采用人工特征提取结合浅层人工神经网络，这种方法依赖于专家经验且诊断能力不足。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
为解决上述技术问题，本发明提供如下技术方案：包括，根据负载电流和电压划分变压器运行工况；利用加速度传感器采集变压器表面振动信号，基于所述变压器表面振动信号和变压器运行工况，训练双分支卷积神经网络分类模型；利用训练后的双分支卷积神经网络分类模型对所述变压器表面振动信号进行分类，根据分类结果与当前实际工况的一致性，判断变压器的运行状态。
作为本发明所述的基于工况划分的变压器振动异常检测方法的一种优选方案，其中：划分变压器运行工况包括，根据负载电流IN将变压器电流运行工况划分为(0-60％IN]、(60％IN-80％IN]、(80％IN-100％IN]和(100％IN-150％IN)四个区间；根据电压UN将变压器电压运行工况划分为(80％UN-95％UN]、(95％UN-100％UN]和(100％UN-120％UN)三个区间；将变压器电流运行工况和变压器电压运行工况两两组合，获得12种变压器运行工况。
作为本发明所述的基于工况划分的变压器振动异常检测方法的一种优选方案，其中：采集变压器表面振动信号包括，将加速度传感器放置到变压器表面振动幅度最大处，加速度传感器的采样率设定为10K，采样间隔为5分钟，每次采样时长为0.5秒，每次采样获取5000个数据点。
作为本发明所述的基于工况划分的变压器振动异常检测方法的一种优选方案，其中：训练双分支卷积神经网络分类模型包括，将变压器表面振动信号进行灰度预处理，得到振动图像；将所述振动图像输入至双分支卷积神经网络分类模型进行迭代训练，获得模型参数。
作为本发明所述的基于工况划分的变压器振动异常检测方法的一种优选方案，其中：还包括，双分支卷积神经网络分类模型的卷积和池化层数为6，全连接层数为2，激活函数为ReLU，输出层函数为Sigmoid；所述双分支卷积神经网络分类模型为双分支结构，且结构中包括批量归一化层，每个分支的最后池化层采用全局平均池化，其余池化层采用最大池化层。
作为本发明所述的基于工况划分的变压器振动异常检测方法的一种优选方案，其中：所述灰度预处理包括，将变压器表面振动信号p(i)先后进行归一化处理、离散化处理和取整，获得灰度值信号pm(i)：
将灰度值信号pm(i)进行长度截取，截取长度为N，截取后的n个离散信号pn(i)为：
pn(i)＝pm(i,i+N2-1)
将离散信号pn(i)转换为N×N的二维矩阵，即灰度矩阵：
其中，f为取整函数。
作为本发明所述的基于工况划分的变压器振动异常检测方法的一种优选方案，其中：还包括，双分支卷积神经网络分类模型的输出为基于变压器表面振动信号和变压器运行工况中的电流、电压所属区间。
作为本发明所述的基于工况划分的变压器振动异常检测方法的一种优选方案，其中：判断变压器的运行状态包括，若在60分钟内，双分支卷积神经网络分类模型的每次分类间隔不低于15分钟，且分类结果与当前实际工况不一致的情况出现2次或2次以上，则判定当前变压器运行状态为注意；若在6小时内，双分支卷积神经网络分类模型的每次分类间隔不低于30分钟，且分类结果与当前实际工况不一致的情况出现5次或5次以上，则判定当前变压器运行状态为告警；若在12小时内，双分支卷积神经网络分类模型的每次分类间隔不低于60分钟，且分类结果与当前实际工况不一致的情况出现8次或8次以上，则判定当前变压器运行状态为故障；若同时满足上述三种情况中的任意2种或全部满足，判定当前变压器运行状态为异常程度最高状态；若当前实际工况与双分支卷积神经网络分类模型的分类结果一致，则判定当前变压器运行状态为正常。
本发明的有益效果：本发明采取二维灰度预处理方法对信号进行预处理，保留了原始信号特征，同时基于变压器振动产生机理划分运行工况，采用双分支卷积神经网络对振动图像进行自适应特征提取，充分发掘电流与电压和工况信息之间的映射关系，且无需人工干预，减低对专家经验的要求。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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它的附图。其中：
图1为本发明第一个实施例所述的基于工况划分的变压器振动异常检测方法的双分支卷积神经网络分类模型结构示意图；
图2为本发明第二个实施例所述的基于工况划分的变压器振动异常检测方法的60％UN-60％IN工况下的振动信号预处理示意图；
图3为本发明第二个实施例所述的基于工况划分的变压器振动异常检测方法的60％UN-80％IN工况下的振动信号预处理示意图；
图4为本发明第二个实施例所述的基于工况划分的变压器振动异常检测方法的60％UN-100％IN工况下的振动信号预处理示意图；
图5为本发明第二个实施例所述的基于工况划分的变压器振动异常检测方法的电压分支的测试精度和损失曲线示意图；
图6为本发明第二个实施例所述的基于工况划分的变压器振动异常检测方法的电流分支的测试精度和损失曲线示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的第一个实施例，该实施例提供了一种基于工况划分的变压器振动异常检测方法，包括：
S1：根据负载电流和电压划分变压器运行工况。
根据负载电流IN将变压器电流运行工况划分为(0-60％IN]、(60％IN-80％IN]、(80％IN-100％IN]和(100％IN-150％IN)四个区间；
根据电压UN将变压器电压运行工况划分为(80％UN-95％UN]、(95％UN-100％UN]和(100％UN-120％UN)三个区间；
将变压器电流运行工况和变压器电压运行工况两两组合，获得12种变压器运行工况。
S2：利用加速度传感器采集变压器表面振动信号，基于变压器表面振动信号和变压器运行工况，训练双分支卷积神经网络分类模型。
(1)采集变压器表面振动信号
将加速度传感器放置到变压器表面振动幅度最大处，加速度传感器的采样率设定为10K，采样间隔为5分钟，每次采样时长为0.5秒，每次采样的同时记录负载电流与电压值，每次采样获取5000个数据点。
(2)训练双分支卷积神经网络分类模型
本实施例基于VGGNet16网络建立双分支卷积神经网络分类模型，其结构如图1所示。
对应于工况电流和电压双标签，本实施例将网络的单分支结构改为双分支结构，进而加强对数据的特征提取能力；
建立双分支的同时，不可避免地增加了网络的训练参数，故优化上层网络结构，引入批量归一化层(Batch Normalization，BN)，解决因网络加深而导致的训练收敛慢的问题，从而省去网络拟合过程中dropout、L2正则项参数的选择问题。
另外，为降低信息损失，每个分支的最后池化层采用全局平均池化，其余池化层采用最大池化层，同时去掉一个全连接层，进一步减少网络参数，防止模型训练过拟合。
进一步的，对模型进行训练
(1)将变压器表面振动信号进行灰度预处理，得到振动图像；
变压器表面振动信号为非线性、时变信号，采集到的信号除变压器本身磁致伸缩引起的振动外还包含环境中的噪声，因此需要对信号预处理，以保留原始信号的特征，具体的：
①将变压器表面振动信号p(i)先后进行归一化处理、离散化处理和取整，获得灰度值信号pm(i)：
②将灰度值信号pm(i)进行长度截取，截取长度为N，截取后的n个离散信号pn(i)为：
pn(i)＝pm(i,i+N2-1)
通常N的取值为32、64和128等，截取后的长度为N2。
③将离散信号pn(i)转换为N×N的二维矩阵，即灰度矩阵：
其中，f为取整函数。
(2)将振动图像输入至双分支卷积神经网络分类模型进行迭代训练，获得模型参数。
因此，训练获得的双分支卷积神经网络分类模型的卷积和池化层数为6，全连接层数为2，激活函数为ReLU，输出层函数为Sigmoid；网络超参数设置为：batch＝16，epoch＝50，α＝0.001。输入为振动二维灰度图像，独立输出为基于振动图像和同期工况数据中电流电压所属区间。
S3：利用训练后的双分支卷积神经网络分类模型对变压器表面振动信号进行分类，根据分类结果与当前实际工况的一致性，判断变压器的运行状态。
双分支卷积神经网络分类模型的输出为基于变压器表面振动信号和变压器运行工况中的电流、电压所属区间。
(1)若在60分钟内，双分支卷积神经网络分类模型的每次分类间隔不低于15分钟，且分类结果与当前实际工况不一致的情况出现2次或2次以上，则判定当前变压器运行状态为注意；
(2)若在6小时内，双分支卷积神经网络分类模型的每次分类间隔不低于30分钟，且分类结果与当前实际工况不一致的情况出现5次或5次以上，则判定当前变压器运行状态为告警；
(3)若在12小时内，双分支卷积神经网络分类模型的每次分类间隔不低于60分钟，且分类结果与当前实际工况不一致的情况出现8次或8次以上，则判定当前变压器运行状态为故障；
(4)若同时满足(1)、(2)、(3)中的任意2种或全部满足，判定当前变压器运行状态为异常程度最高状态；
(5)若当前实际工况与双分支卷积神经网络分类模型的分类结果一致，则判定当前变压器运行状态为正常。
实施例2
为了对本方法中采用的技术效果加以验证说明，本实施例对本方法进行仿真测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
将采集的变压器表面振动信号进行灰度预处理，结果如图2～4所示，分别为不同工况(60％UN-60％IN、60％UN-80％IN、60％UN-100％IN)的预处理结果。
进一步的，对双分支卷积神经网络分类模型的分类精度进行测试，结果如图5、图6所示，图5为电压分支的测试精度和损失曲线，图6为电流分支的测试精度和损失曲线，两分支在第10Epoch时，模型开始逐渐收敛，到第20Epoch时已基本收敛完成，两路分支的检测准确率接近100％，由此可证明双分支卷积神经网络分类模型检测能力的可靠性。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种基于工况划分的变压器振动异常检测方法，其特征在于：包括，
根据负载电流和电压划分变压器运行工况；
利用加速度传感器采集变压器表面振动信号，基于所述变压器表面振动信号和变压器运行工况，训练双分支卷积神经网络分类模型；
所述训练双分支卷积神经网络分类模型包括，
将变压器表面振动信号进行灰度预处理，得到振动图像；
将所述振动图像输入至双分支卷积神经网络分类模型进行迭代训练，获得模型参数；
双分支卷积神经网络分类模型的卷积和池化层数为6，全连接层数为2，激活函数为ReLU，输出层函数为Sigmoid；所述双分支卷积神经网络分类模型为双分支结构，且结构中包括批量归一化层，每个分支的最后池化层采用全局平均池化，其余池化层采用最大池化层；
利用训练后的双分支卷积神经网络分类模型对所述变压器表面振动信号进行分类，根据分类结果与当前实际工况的一致性，判断变压器的运行状态；
具体的，双分支卷积神经网络分类模型的输出为基于变压器表面振动信号和变压器运行工况中的电流、电压所属区间；
判断变压器的运行状态包括，
若在60分钟内，双分支卷积神经网络分类模型的每次分类间隔不低于15分钟，且分类结果与当前实际工况不一致的情况出现2次或2次以上，则判定当前变压器运行状态为注意；
若在6小时内，双分支卷积神经网络分类模型的每次分类间隔不低于30分钟，且分类结果与当前实际工况不一致的情况出现5次或5次以上，则判定当前变压器运行状态为告警；
若在12小时内，双分支卷积神经网络分类模型的每次分类间隔不低于60分钟，且分类结果与当前实际工况不一致的情况出现8次或8次以上，则判定当前变压器运行状态为故障；
若同时满足上述三种情况中的任意2种或全部满足，判定当前变压器运行状态为异常程度最高状态；
若当前实际工况与双分支卷积神经网络分类模型的分类结果一致，则判定当前变压器运行状态为正常。
2.如权利要求1所述的基于工况划分的变压器振动异常检测方法，其特征在于：划分变压器运行工况包括，
根据负载电流I N将变压器电流运行工况划分为(0-60％IN]、(60％IN-80％IN]、(80％IN-100％IN]和(100％IN-150％IN)四个区间；
根据电压U N将变压器电压运行工况划分为(80％UN-95％UN]、(95％UN-100％UN]和(100％UN-120％UN)三个区间；
将变压器电流运行工况和变压器电压运行工况两两组合，获得12种变压器运行工况。
3.如权利要求2所述的基于工况划分的变压器振动异常检测方法，其特征在于：采集变压器表面振动信号包括，
将加速度传感器放置到变压器表面振动幅度最大处，加速度传感器的采样率设定为10K，采样间隔为5分钟，每次采样时长为0.5秒，每次采样获取5000个数据点。
4.如权利要求3所述的基于工况划分的变压器振动异常检测方法，其特征在于：所述灰度预处理包括，
将变压器表面振动信号p(i)先后进行归一化处理、离散化处理和取整，获得灰度值信号pm(i)：
将灰度值信号pm(i)进行长度截取，截取长度为N，截取后的n个离散信号pn(i)为：
pn(i)＝pm(i，i+N2-1)
将离散信号pn(i)转换为N×N的二维矩阵，即灰度矩阵：
其中，f为取整函数。
CN202111340240.2A 2021-11-12 2021-11-12 一种基于工况划分的变压器振动异常检测方法 Active CN114034957B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111340240.2A CN114034957B (zh) 2021-11-12 2021-11-12 一种基于工况划分的变压器振动异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111340240.2A CN114034957B (zh) 2021-11-12 2021-11-12 一种基于工况划分的变压器振动异常检测方法

Publications (2)

Publication Number Publication Date
CN114034957A CN114034957A (zh) 2022-02-11
CN114034957B true CN114034957B (zh) 2023-10-03

Family

ID=80144248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111340240.2A Active CN114034957B (zh) 2021-11-12 2021-11-12 一种基于工况划分的变压器振动异常检测方法

Country Status (1)

Country Link
CN (1) CN114034957B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08104473A (ja) * 1994-10-04 1996-04-23 Hitachi Ltd エレベーターの監視診断方法及び装置
CN106768262A (zh) * 2016-11-11 2017-05-31 华北电力大学（保定） 一种基于表面振动信号分析的变压器在线监测方法
CN106934456A (zh) * 2017-03-16 2017-07-07 山东理工大学 一种深度卷积神经网络模型构建方法
CN110031703A (zh) * 2019-04-25 2019-07-19 国网冀北电力有限公司检修分公司 一种超特高压变压器的异常工况判别方法及系统
CN110068462A (zh) * 2019-05-14 2019-07-30 北京科技大学 一种电机轴承故障诊断方法及装置
CN110595775A (zh) * 2019-09-19 2019-12-20 电子科技大学 基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法
CN111665066A (zh) * 2020-05-18 2020-09-15 东华大学 基于卷积神经网络的设备故障自适应上下预警界生成方法
CN112215722A (zh) * 2020-10-07 2021-01-12 华中科技大学 主导失稳模式判别模型构建方法、主导失稳模式判别方法
CN112284736A (zh) * 2020-10-23 2021-01-29 天津大学 一种基于多通道注意力模块的卷积神经网络故障诊断方法
CN113435492A (zh) * 2021-06-21 2021-09-24 华中科技大学 一种基于主动学习的电力系统主导失稳模式判别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08104473A (ja) * 1994-10-04 1996-04-23 Hitachi Ltd エレベーターの監視診断方法及び装置
CN106768262A (zh) * 2016-11-11 2017-05-31 华北电力大学（保定） 一种基于表面振动信号分析的变压器在线监测方法
CN106934456A (zh) * 2017-03-16 2017-07-07 山东理工大学 一种深度卷积神经网络模型构建方法
CN110031703A (zh) * 2019-04-25 2019-07-19 国网冀北电力有限公司检修分公司 一种超特高压变压器的异常工况判别方法及系统
CN110068462A (zh) * 2019-05-14 2019-07-30 北京科技大学 一种电机轴承故障诊断方法及装置
CN110595775A (zh) * 2019-09-19 2019-12-20 电子科技大学 基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法
CN111665066A (zh) * 2020-05-18 2020-09-15 东华大学 基于卷积神经网络的设备故障自适应上下预警界生成方法
CN112215722A (zh) * 2020-10-07 2021-01-12 华中科技大学 主导失稳模式判别模型构建方法、主导失稳模式判别方法
CN112284736A (zh) * 2020-10-23 2021-01-29 天津大学 一种基于多通道注意力模块的卷积神经网络故障诊断方法
CN113435492A (zh) * 2021-06-21 2021-09-24 华中科技大学 一种基于主动学习的电力系统主导失稳模式判别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Hybrid Convolutional Network for Prediction of Anti-cancer Drug Response;Jie Bai,et al.;《11th International Conference on Information Science and Technology (ICIST)》;第636-645页 *
基于地理信息系统的电网规划图形分层解决方案;廖振朝等;《中国新技术新产品》(第01期);第27-28页 *
融合双眼特征的糖网病图像识别方法;王娇等;《中南民族大学学报(自然科学版) 》;第39卷(第6期);第607-613页 *

Also Published As

Publication number Publication date
CN114034957A (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
CN113128561A (zh) 一种机床轴承故障诊断方法
CN113255078A (zh) 一种样本不均衡条件下的轴承故障检测方法及装置
CN111914883A (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN111007566B (zh) 一种曲率驱动扩散全卷积网络地震数据坏道重建与去噪方法
Miao et al. An enhanced multifeature fusion method for rotating component fault diagnosis in different working conditions
CN111914705A (zh) 提升电抗器健康状态评估准确率的信号生成方法及装置
CN106596105A (zh) 一种轴承故障诊断方法、装置及系统
CN114964782A (zh) 基于压缩感知的滚动轴承故障诊断声发射信号处理方法、系统
CN114034957B (zh) 一种基于工况划分的变压器振动异常检测方法
CN113576472A (zh) 一种基于全卷积神经网络的血氧信号分割方法
CN114048787A (zh) 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统
CN117076935A (zh) 数字孪生辅助的机械故障数据轻量级生成方法及系统
CN112528548A (zh) 一种自适应深度耦合卷积自编码多模态数据融合方法
CN117110744A (zh) 一种基于声纹分析的变压器故障诊断方法及系统
CN111445445A (zh) 基于半监督异常检测的碳纤维复合芯导线损伤检测方法
CN116776284A (zh) 用于机电设备的故障诊断方法、计算机设备及存储介质
CN116484258A (zh) 电梯曳引机轴承故障诊断方法
CN114781450B (zh) 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法
CN116541771A (zh) 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法
CN113705405B (zh) 一种核管道故障诊断方法
CN115758233A (zh) 一种高速精密带钢冷轧机主传动齿轮箱故障诊断方法
CN115828088A (zh) 基于深度学习的高压并联电抗器振动异常故障诊断方法
CN111946695B (zh) 一种结合多通道残差与深度学习的作动器故障诊断方法
CN114266013A (zh) 基于深度学习虚拟感知网络的传动系统振动解耦方法
CN111967507A (zh) 基于离散余弦变换和U-Net的时序异常检测方法

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