CN114136354A - 一种基于定位分析的台区量测设备故障诊断方法及系统 - Google Patents
一种基于定位分析的台区量测设备故障诊断方法及系统 Download PDFInfo
- Publication number
- CN114136354A CN114136354A CN202111145565.5A CN202111145565A CN114136354A CN 114136354 A CN114136354 A CN 114136354A CN 202111145565 A CN202111145565 A CN 202111145565A CN 114136354 A CN114136354 A CN 114136354A
- Authority
- CN
- China
- Prior art keywords
- fault
- fault diagnosis
- measuring equipment
- component
- model
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 91
- 238000004458 analytical method Methods 0.000 title claims abstract description 51
- 238000005259 measurement Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 230000015556 catabolic process Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000006731 degradation reaction Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 abstract description 3
- 230000007246 mechanism Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000010998 test method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 239000013558 reference substance Substances 0.000 description 1
- 238000010863 targeted diagnosis Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开提供了一种基于定位分析的台区量测设备故障诊断方法及系统，包括：获取量测设备信息及设备所有元器件的运行状态信息；依据量测设备信息、事件树分析方法和故障树分析方法，定位量测设备信息的易损元器件；依据易损元器件的运行状态信息和预设的台区量测设备故障诊断模型，得到故障诊断结果；其中，所述台区量测设备故障诊断模型为单隐含层前馈神经网络模型；本公开通过先对台区量测设备的易损元器件进行定位，有重点的进行故障诊断，降低了故障诊模型的计算量，提高了诊断精度；同时，通过将加速寿命试验和加速退化试验得到的故障演变过程和结果与模型诊断的故障结果进行验证，实现了试验结果和模型诊断结果的相互验证。
Description
技术领域
本公开属于故障诊断技术领域，尤其涉及一种基于定位分析的台区量测设备故障诊断方法及系统。
背景技术
量测设备是测量仪器、测量标准、参考物质、辅助设备以及进行测量所必需的资料的总称；台区现场运行的量测设备存在的数量类型多样化和运行环境不断变化等特点，导致了对台区现场运行的量测设备的故障诊断比较困难，对其故障机理的研究更为苦难；现阶段，依据训练网络模型的方式实现台区现场运行的量测设备的故障诊断研究较多，也得到了一定的效果。
本公开发明人发现，现有的台区量测设备的故障诊断方法还存在以下缺点：
1.对台区量测设备进行故障诊断时，每次都需要对设备的整体运行状态和所有元器件进行诊断，增加了诊断计算量，影响了故障诊断效率；同时，诊断结果只能分析处设备故障的大概类型，不能针对性的落实到具体元器件以及具体故障类型上；
2.现有技术中，对台区量测设备的故障机理进行研究时，只能借助试验法对所有元器件进行试验，得到其故障机理，缺少针对性，且很难对试验结果进行快速验证。
发明内容
本公开为了解决上述问题，提出了一种基于定位分析的台区量测设备故障诊断方法及系统，本公开通过先对台区量测设备的易损元器件进行定位，有重点的进行故障诊断，降低了故障诊模型的计算量，提高了诊断精度；同时，通过将加速寿命试验和加速退化试验得到的故障演变过程和结果与模型诊断的故障结果进行验证，实现了试验结果和模型诊断结果的相互验证。
为了实现上述目的，本发明是通过如下的技术方案来实现：
第一方面，本公开提供了一种基于定位分析的台区量测设备故障诊断方法，包括：
获取量测设备信息及设备所有元器件的运行状态信息；
依据量测设备信息、事件树分析方法和故障树分析方法，定位量测设备信息的易损元器件；
依据易损元器件的运行状态信息和预设的台区量测设备故障诊断模型，得到故障诊断结果；
其中，所述台区量测设备故障诊断模型为单隐含层前馈神经网络模型。
进一步的，所述运行状态信息包括元器件的电气信息和运行环境信息。
进一步的，所述运行环境信息包括元器件的自身温度、元器件的周围环境温度、元器件的周围环境湿度、与元器件的直接作用的其他元器件的运行状态、元器件受力情况和元器件材质中的一种或多种。
进一步的，融合故障树分析方法和事件树分析方法得到台区量测设备故障的原因和后果，所述故障树分析方法分析台区量测设备的故障原因；事件树分析方法分析台区量测设备故障原因造成的故障后果；依据故障原因和故障后果，确定量测设备信息的易损元器件的位置和类型。
进一步的，对台区量测设备故障诊断模型的训练包括：
获取元器件的历史故障数据，建立基于故障数据的状态特征库；
将状态特征库作为输入，故障类型作为输出，对单隐含层前馈神经网络模型进行训练学习，得到障诊断模型。
进一步的，通过加速寿命试验和加速退化试验得到元器件失效的物理化学演变过程，得到试验故障类型，通过试验故障类型对台区量测设备故障诊断模型诊断的结果进行验证；将验证正确对应的元器件的运行状态信息补充到所述状态特征库中。
进一步的，所述台区量测设备故障诊断模型包括输入层、隐含层和输出层；输入层的节点和元器件的运行状态种类相同，输出层至少包括有代表元器件物理故障、元器件化学故障和其他故障的节点。
第二方面，本公开还提供了一种基于定位分析的台区量测设备故障诊断系统，包括数据采集模块、定位模块和故障诊断模块；
所述数据采集模块，被配置为：获取量测设备信息及设备所有元器件的运行状态信息；
所述定位模块，被配置为：依据量测设备信息、事件树分析方法和故障树分析方法，定位量测设备信息的易损元器件；
所述故障诊断模块，被配置为：依据易损元器件的运行状态信息和预设的台区量测设备故障诊断模型，得到故障诊断结果；
其中，所述台区量测设备故障诊断模型为单隐含层前馈神经网络模型。
第三方面，本公开还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了第一方面所述的基于定位分析的台区量测设备故障诊断方法的步骤。
第四方面，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了第一方面所述的基于定位分析的台区量测设备故障诊断方法的步骤。
与现有技术相比，本公开的有益效果为：
1.本公开采用故障模式分析、事件树分析和故障树分析等手段，对引起量测设备故障的单元进行定位，识别出关键、易损元器件，再借助单隐含层前馈神经网络模型对元器件进行针对性的故障诊断，降低了故障诊模型的计算量，提高了诊断精度；
2.本公开通过将加速寿命试验和加速退化试验得到的故障演变过程和结果与模型诊断的故障结果进行验证，实现了试验结果和模型诊断结果的相互验证；同时，利用验证后的故障信息对故障数据的状态特征库进行实时更新，保证了数据库的时效性，提高了台区量测设备故障诊断模型的训练精准度。
附图说明
构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解，本实施例的示意性实施例及其说明用于解释本实施例，并不构成对本实施例的不当限定。
图1为本公开实施例1的路程图；
图2为本公开实施例1的状态特征库更新过程示意图。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
实施例1：
如图1所示，本实施例提供了一种基于定位分析的台区量测设备故障诊断方法，包括：
获取量测设备信息及设备所有元器件的运行状态信息；
针对每台量测设备，依据事件树分析方法、故障树分析方法或障模式分析方法，对引起量测设备故障的单元进行定位，识别出关键、易损元器件；
依据易损元器件的运行状态信息和预设的台区量测设备故障诊断模型，得到故障诊断结果；
其中，所述台区量测设备故障诊断模型为单隐含层前馈神经网络模型。
具体的，台区现场运行的量测设备可以是电流表或其他采集设备，量测设备先通过事件树分析方法和故障树分析方法的结合，对其发生的故障进行原因和结果分析，在此基础上，先确定设备中关键及容易发生故障的元器件，确定易发生故障的元器件后，针对性的对元器件进行故障诊断，降低了诊断模型的计算量，通过先确定关键对象，再进行针对性诊断的方式，极大的提高了故障诊断的精确度。
在本实施例中，量测设备信息包括设备名称、设备历史故障信息和设备出厂信息等；所述运行状态信息包括所有元器件的电气信息和运行环境信息；可以理解的，所述电气信息是指元器件的电流、电压和电阻等，所述所述运行环境信息是指元器件的自身温度、元器件的周围环境温度、元器件的周围环境湿度、与元器件的直接作用的其他元器件的运行状态、元器件受力情况和元器件材质等信息。
在本实施例中，融合故障树分析方法和事件树分析方法得到台区量测设备故障的原因和后果，所述故障树分析方法分析台区量测设备的故障原因；事件树分析方法分析台区量测设备故障原因造成的故障后果；依据故障原因和故障后果，确定量测设备信息的易损元器件的位置和类型。
具体的，本实施例采用领结模型分析台区量测设备常见故障类型的原因及后果，并进行风险预测；故障原因不同时，台区量测设备故障的发展趋势和可能造成的故障后果不同；台区量测设备的故障原因采用故障树分析方法，台区量测设备的故障后果，预测可能导致的最终功能故障，根据预测的台区量测设备的最终功能故障，确定引起故障的关键事件和易损元器件，比如，预测的电流表最终功能故障为测量信号出现间断性断裂时，确定的易损元器件为导线的接线部件和插头部件等；确定易损元器件后，再通过台区量测设备故障诊断模型针对性的对易损元器件进行故障诊断，预测元器件的故障类型和失效机理，比如元器件的生锈、元器件的短路、元器件的断裂和、元器件的磨损和元器件的过热等故障的确定。
在本实施例中，对台区量测设备故障诊断模型的训练包括：
获取元器件的历史故障数据，建立基于故障数据的状态特征库；
将状态特征库作为输入，故障类型作为输出，对单隐含层前馈神经网络模型进行训练学习，得到障诊断模型。
具体的，台区量测设备故障诊断模型训练过程可采用现有技术实现，主要包括：
初始化学习阶段：包括随机产生输出权重矩阵和偏执矩阵、计算初始的隐含层输出矩阵和计算初始的输出权重矩阵等内容；
在线学习阶段：包括建立样品集和计算输出权重矩阵等。
其中，包括状态特征库的更新，通过加速寿命试验和加速退化试验得到元器件失效的物理化学演变过程，得到试验故障类型，通过试验故障类型对台区量测设备故障诊断模型诊断的结果进行验证；将验证正确对应的元器件的运行状态信息补充到所述状态特征库中。
具体的，通过加速寿命试验和加速退化试验对元器件的短路、断裂、击穿磨损、老化和腐蚀等失效机理进行研究，并与台区量测设备故障诊断模型预测的元器件失效类型进行比对；比如，在判断插头故障时，台区量测设备故障诊断模型预测和试验法得到的失效均为老化，则说明预测的结果比较准确或者试验法得到的机理比较准确。
需要说明的是，加速寿命试验和加速退化试验是对试件寿命的研究，其得到的是元器件失效的物理化学演变过程，在此基础上，可在台区量测设备故障诊断模型的诊断结果用物理化学演变来表示，以便实现试验法和台区量测设备故障诊断模型结果的直接对比。
在本实施例中，所述台区量测设备故障诊断模型包括输入层、隐含层和输出层；输入层的节点和元器件的运行状态种类相同，输出层至少包括有代表元器件物理故障、元器件化学故障和其他故障的节点。
实施例2：
本实施例提供了一种基于定位分析的台区量测设备故障诊断系统，包括数据采集模块、定位模块和故障诊断模块；
所述数据采集模块，被配置为：获取量测设备信息及设备所有元器件的运行状态信息；
所述定位模块，被配置为：依据量测设备信息、事件树分析方法和故障树分析方法，定位量测设备信息的易损元器件；
所述故障诊断模块，被配置为：依据易损元器件的运行状态信息和预设的台区量测设备故障诊断模型，得到故障诊断结果；
其中，所述台区量测设备故障诊断模型为单隐含层前馈神经网络模型。
实施例3：
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了实施例1所述的基于定位分析的台区量测设备故障诊方法的步骤。
实施例4：
本实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了实施例1所述的基于定位分析的台区量测设备故障诊方法的步骤。
以上所述仅为本实施例的优选实施例而已，并不用于限制本实施例，对于本领域的技术人员来说，本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实施例的保护范围之内。
Claims (10)
1.一种基于定位分析的台区量测设备故障诊断方法，其特征在于，包括：
获取量测设备信息及设备所有元器件的运行状态信息；
依据量测设备信息、事件树分析方法和故障树分析方法，定位量测设备信息的易损元器件；
依据易损元器件的运行状态信息和预设的台区量测设备故障诊断模型，得到故障诊断结果；
其中，所述台区量测设备故障诊断模型为单隐含层前馈神经网络模型。
2.如权利要求1所述的一种基于定位分析的台区量测设备故障诊断方法，其特征在于，所述运行状态信息包括元器件的电气信息和运行环境信息。
3.如权利要求2所述的一种基于定位分析的台区量测设备故障诊断方法，其特征在于，所述运行环境信息包括元器件的自身温度、元器件的周围环境温度、元器件的周围环境湿度、与元器件的直接作用的其他元器件的运行状态、元器件受力情况和元器件材质中的一种或多种。
4.如权利要求1所述的一种基于定位分析的台区量测设备故障诊断方法，其特征在于，融合故障树分析方法和事件树分析方法得到台区量测设备故障的原因和后果，所述故障树分析方法分析台区量测设备的故障原因；事件树分析方法分析台区量测设备故障原因造成的故障后果；依据故障原因和故障后果，确定量测设备信息的易损元器件的位置和类型。
5.如权利要求1所述的一种基于定位分析的台区量测设备故障诊断方法，其特征在于，对台区量测设备故障诊断模型的训练包括：
获取元器件的历史故障数据，建立基于故障数据的状态特征库；
将状态特征库作为输入，故障类型作为输出，对单隐含层前馈神经网络模型进行训练学习，得到障诊断模型。
6.如权利要求5所述的一种基于定位分析的台区量测设备故障诊断方法，其特征在于，通过加速寿命试验和加速退化试验得到元器件失效的物理化学演变过程，得到试验故障类型，通过试验故障类型对台区量测设备故障诊断模型诊断的结果进行验证；将验证正确对应的元器件的运行状态信息补充到所述状态特征库中。
7.如权利要求1所述的一种基于定位分析的台区量测设备故障诊断方法，其特征在于，所述台区量测设备故障诊断模型包括输入层、隐含层和输出层；输入层的节点和元器件的运行状态种类相同，输出层至少包括有代表元器件物理故障、元器件化学故障和其他故障的节点。
8.一种基于定位分析的台区量测设备故障诊断系统，其特征在于，包括数据采集模块、定位模块和故障诊断模块；
所述数据采集模块，被配置为：获取量测设备信息及设备所有元器件的运行状态信息；
所述定位模块，被配置为：依据量测设备信息、事件树分析方法和故障树分析方法，定位量测设备信息的易损元器件；
所述故障诊断模块，被配置为：依据易损元器件的运行状态信息和预设的台区量测设备故障诊断模型，得到故障诊断结果；
其中，所述台区量测设备故障诊断模型为单隐含层前馈神经网络模型。
9.一种计算机可读存储介质，其上存储有计算机程序，用于指纹图谱相似度计算，其特征在于，该程序被处理器执行时实现了如权利要求1-7任一项所述的基于定位分析的台区量测设备故障诊断方法的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现了如权利要求1-7任一项所述的基于定位分析的台区量测设备故障诊断方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111145565.5A CN114136354A (zh) | 2021-09-28 | 2021-09-28 | 一种基于定位分析的台区量测设备故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111145565.5A CN114136354A (zh) | 2021-09-28 | 2021-09-28 | 一种基于定位分析的台区量测设备故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114136354A true CN114136354A (zh) | 2022-03-04 |
Family
ID=80394888
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111145565.5A Pending CN114136354A (zh) | 2021-09-28 | 2021-09-28 | 一种基于定位分析的台区量测设备故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114136354A (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1553328A (zh) * | 2003-06-08 | 2004-12-08 | 华为技术有限公司 | 基于故障树分析的系统故障定位方法及装置 |
| US20050149570A1 (en) * | 2003-12-19 | 2005-07-07 | Kabushiki Kaisha Toshiba | Maintenance support method, storage medium, and maintenance support apparatus |
| CN101419267A (zh) * | 2008-12-03 | 2009-04-29 | 中国电力科学研究院 | 一种电网故障在线快速诊断与分析方法 |
| CN103310389A (zh) * | 2013-05-31 | 2013-09-18 | 南方电网科学研究院有限责任公司 | 基于故障模式与故障树建立的架空输电线路故障检修方法 |
| CN104331843A (zh) * | 2014-10-30 | 2015-02-04 | 华中科技大学 | 一种基于蝴蝶结模型的变压器故障风险评估方法 |
| CN104537487A (zh) * | 2014-12-25 | 2015-04-22 | 云南电网公司电力科学研究院 | 一种输变电设备运行动态风险的评估方法 |
| CN107766879A (zh) * | 2017-09-30 | 2018-03-06 | 中国南方电网有限责任公司 | 基于特征信息抽取的mlp电网故障原因诊断方法 |
| CN107862052A (zh) * | 2017-11-08 | 2018-03-30 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种故障案例库、故障树及故障谱构建方法 |
| CN108776270A (zh) * | 2018-04-18 | 2018-11-09 | 云南电网有限责任公司怒江供电局 | 一种串补平台故障定位装置 |
| CN109061341A (zh) * | 2018-07-10 | 2018-12-21 | 杭州安脉盛智能技术有限公司 | 基于神经网络的卡尔曼滤波变压器故障预测方法和系统 |
| CN111091292A (zh) * | 2019-12-18 | 2020-05-01 | 中国科学院合肥物质科学研究院 | 一种核电站实时风险动态建模分析系统 |
| CN111537830A (zh) * | 2020-03-26 | 2020-08-14 | 南方电网科学研究院有限责任公司 | 一种基于云边架构和小波神经网络的配电网故障诊断方法 |
| CN112285484A (zh) * | 2020-10-15 | 2021-01-29 | 国家电网公司华北分部 | 基于深度神经网络的电力系统故障诊断信息融合方法及装置 |
-
2021
- 2021-09-28 CN CN202111145565.5A patent/CN114136354A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1553328A (zh) * | 2003-06-08 | 2004-12-08 | 华为技术有限公司 | 基于故障树分析的系统故障定位方法及装置 |
| US20050149570A1 (en) * | 2003-12-19 | 2005-07-07 | Kabushiki Kaisha Toshiba | Maintenance support method, storage medium, and maintenance support apparatus |
| CN101419267A (zh) * | 2008-12-03 | 2009-04-29 | 中国电力科学研究院 | 一种电网故障在线快速诊断与分析方法 |
| CN103310389A (zh) * | 2013-05-31 | 2013-09-18 | 南方电网科学研究院有限责任公司 | 基于故障模式与故障树建立的架空输电线路故障检修方法 |
| CN104331843A (zh) * | 2014-10-30 | 2015-02-04 | 华中科技大学 | 一种基于蝴蝶结模型的变压器故障风险评估方法 |
| CN104537487A (zh) * | 2014-12-25 | 2015-04-22 | 云南电网公司电力科学研究院 | 一种输变电设备运行动态风险的评估方法 |
| CN107766879A (zh) * | 2017-09-30 | 2018-03-06 | 中国南方电网有限责任公司 | 基于特征信息抽取的mlp电网故障原因诊断方法 |
| CN107862052A (zh) * | 2017-11-08 | 2018-03-30 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种故障案例库、故障树及故障谱构建方法 |
| CN108776270A (zh) * | 2018-04-18 | 2018-11-09 | 云南电网有限责任公司怒江供电局 | 一种串补平台故障定位装置 |
| CN109061341A (zh) * | 2018-07-10 | 2018-12-21 | 杭州安脉盛智能技术有限公司 | 基于神经网络的卡尔曼滤波变压器故障预测方法和系统 |
| CN111091292A (zh) * | 2019-12-18 | 2020-05-01 | 中国科学院合肥物质科学研究院 | 一种核电站实时风险动态建模分析系统 |
| CN111537830A (zh) * | 2020-03-26 | 2020-08-14 | 南方电网科学研究院有限责任公司 | 一种基于云边架构和小波神经网络的配电网故障诊断方法 |
| CN112285484A (zh) * | 2020-10-15 | 2021-01-29 | 国家电网公司华北分部 | 基于深度神经网络的电力系统故障诊断信息融合方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110007220B (zh) | 一种断路器机构运行状态诊断方法及装置 | |
| CN106874187B (zh) | 代码覆盖率收集方法和装置 | |
| CN110245085B (zh) | 利用在线模型检验的嵌入式实时操作系统验证方法及系统 | |
| US9606902B2 (en) | Malfunction influence evaluation system and evaluation method using a propagation flag | |
| Hu et al. | Enhancing software reliability estimates using modified adaptive testing | |
| CN110083514B (zh) | 软件测试缺陷评估方法、装置、计算机设备及存储介质 | |
| CN111852769B (zh) | 风机scada数据的偏航静态偏差角预测方法及系统 | |
| CN115392037A (zh) | 设备故障预测方法、装置、设备及存储介质 | |
| CN115128438A (zh) | 一种芯片内部故障监测方法及其装置 | |
| KR102597250B1 (ko) | 초고압 전력 케이블의 수명 평가 방법 | |
| CN114443463A (zh) | 用于选择用来测试程序代码的模糊测试方法的方法和装置 | |
| CN112345972B (zh) | 基于停电事件的配电网线变关系异常诊断方法、装置及系统 | |
| CN114136354A (zh) | 一种基于定位分析的台区量测设备故障诊断方法及系统 | |
| CN116994641A (zh) | 一种半导体老化测试方法及其系统 | |
| CN117192369A (zh) | 基于数字孪生技术的曳引电机监测与诊断方法 | |
| CN112486969B (zh) | 应用于大数据和深度学习的数据清洗方法及云服务器 | |
| CN114064489A (zh) | 一种自动化测试方法、装置、设备及可读存储介质 | |
| CN110865939B (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
| Xu et al. | Data-driven SOC estimation with adaptive residual generator for Li-ion battery | |
| Acuña-Ureta et al. | A gentle correctness verification of the theory of uncertain event prognosis to compute failure time probability | |
| Kuball et al. | Test-adequacy and statistical testing: combining different properties of a test-set | |
| CN113468805B (zh) | 传感器极寒环境可靠性评估方法、电子设备及存储介质 | |
| Grebe et al. | Fmeda–accurate product failure metrics | |
| CN117571742B (zh) | 基于人工智能实现芯片质检的方法及装置 | |
| Yeon et al. | Fault detection and diagnostic coverage for the domain control units of vehicle E/E systems on functional safety |
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 |