CN114266284A - 开关柜绝缘缺陷类型检测方法、装置、设备和程序产品 - Google Patents
开关柜绝缘缺陷类型检测方法、装置、设备和程序产品 Download PDFInfo
- Publication number
- CN114266284A CN114266284A CN202111320070.1A CN202111320070A CN114266284A CN 114266284 A CN114266284 A CN 114266284A CN 202111320070 A CN202111320070 A CN 202111320070A CN 114266284 A CN114266284 A CN 114266284A
- Authority
- CN
- China
- Prior art keywords
- target
- support vector
- switch cabinet
- vector machine
- parameter
- 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
Images
Abstract
本申请涉及一种开关柜绝缘缺陷类型检测方法、装置、设备和程序产品。所述方法包括:获取目标开关柜内目标气体的检测数据,该检测数据包括该目标气体的浓度、该目标气体的生成速率以及该目标开关柜的温度;将该检测数据输入至目标支持向量机中,得到该目标支持向量机的检测结果;该检测结果为该目标开关柜的绝缘缺陷类型;其中,该目标支持向量机的核函数参数以及惩罚参数为基于交叉验证算法得出的。采用本方法能够在不易受外界环境因素的干扰,并提升检测精度的情况下对开关柜进行绝缘缺陷类型检测。
Description
技术领域
本申请涉及电气设备检测技术领域,特别是涉及一种开关柜绝缘缺陷类型检测方法、装置、设备和程序产品。
背景技术
开关柜作为一种重要的配电设备,在电力系统中承担重要作用。然而开关柜长期工作在高温、高压、潮湿等恶劣的环境下,很容易因绝缘性能退化而诱发故障,而一旦开关柜发生故障,不仅可能导致线路上的其它重要设备遭到损坏,更有可能造成停电事故。因此,有必要对开关柜绝缘缺陷类型进行分析,以便根据不同的绝缘缺陷类型对开关柜进行维护,防止重大事故的发生。
现有技术中,在开关柜故障发生时,对开关柜各个模块的超声波信号、电流等数据进行检测,以根据检测结果确定开关柜导致故障的绝缘缺陷类型。
然而,现有技术中,基于超声波信号、电流等数据的检测方式易受到外界环境因素的干扰,检测精度较低。
发明内容
基于此,有必要针对上述技术问题,提供一种不易受外界环境因素的干扰,并提升了检测精度的一种开关柜绝缘缺陷类型检测方法、装置、设备和程序产品。
第一方面,本申请提供了一种开关柜绝缘缺陷类型检测方法,该方法包括:
获取目标开关柜内目标气体的检测数据,该检测数据包括该目标气体的浓度、该目标气体的生成速率以及该目标开关柜的温度;将该检测数据输入至目标支持向量机中,得到该目标支持向量机的检测结果;该检测结果为该目标开关柜的绝缘缺陷类型;其中,该目标支持向量机的核函数参数以及惩罚参数为基于交叉验证算法得出的。
在其中一个实施例中,该目标支持向量机的核函数参数以及惩罚参数的确定过程包括:构建K个初始支持向量机;获取多个参数对,每个该参数对包括不同的候选核函数参数和候选惩罚参数;对于每个该参数对,将该参数对分别赋值给该K个初始向量机,并确定赋值后的K个支持向量机的绝缘缺陷分类质量;获取最高绝缘缺陷分类质量对应的目标参数对,并将该目标参数对包括的候选核函数参数和候选惩罚参数分别作为该目标支持向量机的核函数参数以及惩罚参数。
在其中一个实施例中,该构建K个初始支持向量机,包括:获取实验数据,该实验数据包括试验开关柜在不同绝缘缺陷类型下,该试验开关柜中的该目标气体的浓度、该试验开关柜中的该目标气体的生产速率以及该试验开关柜的温度;将该实验数据划分为K个实验数据集合;基于该K个实验数据集合,执行K次模型训练过程,以得到K个该初始支持向量机;其中,该模型训练过程包括:从该K个实验数据集合中选取K-1个实验数据集合作为训练集,将未被选取的实验数据集合作为测试集;基于该训练集和测试集进行模型训练,得到该初始支持向量机。
在其中一个实施例中,该确定赋值后的K个支持向量机的绝缘缺陷分类质量,包括:对于各赋值后的支持向量机,获取该赋值后的支持向量机对应的目标测试集,并将该目标测试集作为该赋值后的支持向量机的输入,得到该赋值后的支持向量机的输出;获取该赋值后的K个支持向量机的输出的均方误差值;基于该均方误差值确定该赋值后的K个支持向量机的绝缘缺陷分类质量。
在其中一个实施例中,该获取最高绝缘缺陷分类质量对应的目标参数对,包括:获取对应的均方误差最小的该赋值后的K个支持向量机所对应的该目标参数对。
在其中一个实施例中,该方法还包括:在基于交叉验证算法确定该目标支持向量机的核函数参数以及惩罚参数之后,基于确定的核函数参数以及惩罚参数,利用该实验数据进行训练,以得到该目标支持向量机。
第二方面,本申请还提供了一种开关柜绝缘缺陷类型检测装置。该装置包括:
获取模块,用于获取目标开关柜内目标气体的检测数据,所述检测数据包括所述目标气体的浓度、所述目标气体的生成速率以及所述目标开关柜的温度;
检测模块,用于将所述检测数据输入至目标支持向量机中,得到所述目标支持向量机的检测结果;所述检测结果为所述目标开关柜的绝缘缺陷类型;其中,所述目标支持向量机的核函数参数以及惩罚参数为基于交叉验证算法得出的。
在其中一个实施例中,该装置还包括:
构建模块,用于构建K个初始支持向量机;
第二获取模块,用于获取多个参数对,每个该参数对包括不同的候选核函数参数和候选惩罚参数;
确定模块,用于对于每个该参数对,将该参数对分别赋值给该K个初始向量机,并确定赋值后的K个支持向量机的绝缘缺陷分类质量;
第三获取模块,用于获取最高绝缘缺陷分类质量对应的目标参数对,并将该目标参数对包括的候选核函数参数和候选惩罚参数分别作为该目标支持向量机的核函数参数以及惩罚参数。
在其中一个实施例中,该构建模块,具体用于:获取实验数据,该实验数据包括试验开关柜在不同绝缘缺陷类型下,该试验开关柜中的该目标气体的浓度、该试验开关柜中的该目标气体的生产速率以及该试验开关柜的温度;将该实验数据划分为K个实验数据集合;基于该K个实验数据集合,执行K次模型训练过程,以得到K个该初始支持向量机;其中,该模型训练过程包括:从该K个实验数据集合中选取K-1个实验数据集合作为训练集,将未被选取的实验数据集合作为测试集;基于该训练集和测试集进行模型训练,得到该初始支持向量机。
在其中一个实施例中,该确定模块,具体用于:对于各赋值后的支持向量机,获取该赋值后的支持向量机对应的目标测试集,并将该目标测试集作为该赋值后的支持向量机的输入,得到该赋值后的支持向量机的输出;获取该赋值后的K个支持向量机的输出的均方误差值;基于该均方误差值确定该赋值后的K个支持向量机的绝缘缺陷分类质量。
在其中一个实施例中,该第三获取模块,具体用于:获取对应的均方误差最小的该赋值后的K个支持向量机所对应的该目标参数对。
在其中一个实施例中,该装置还包括:
训练模块,用于在基于交叉验证算法确定该目标支持向量机的核函数参数以及惩罚参数之后,基于确定的核函数参数以及惩罚参数,利用该实验数据进行训练,以得到该目标支持向量机。
第三方面,本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器,该存储器存储有计算机程序,该处理器执行该计算机程序时实现以下步骤:
获取目标开关柜内目标气体的检测数据,该检测数据包括该目标气体的浓度、该目标气体的生成速率以及该目标开关柜的温度;将该检测数据输入至目标支持向量机中,得到该目标支持向量机的检测结果;该检测结果为该目标开关柜的绝缘缺陷类型;其中,该目标支持向量机的核函数参数以及惩罚参数为基于交叉验证算法得出的。
第四方面,本申请还提供了一种计算机可读存储介质。该计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取目标开关柜内目标气体的检测数据,该检测数据包括该目标气体的浓度、该目标气体的生成速率以及该目标开关柜的温度;将该检测数据输入至目标支持向量机中,得到该目标支持向量机的检测结果;该检测结果为该目标开关柜的绝缘缺陷类型;其中,该目标支持向量机的核函数参数以及惩罚参数为基于交叉验证算法得出的。
第五方面,本申请还提供了一种计算机程序产品。该计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取目标开关柜内目标气体的检测数据,该检测数据包括该目标气体的浓度、该目标气体的生成速率以及该目标开关柜的温度;将该检测数据输入至目标支持向量机中,得到该目标支持向量机的检测结果;该检测结果为该目标开关柜的绝缘缺陷类型;其中,该目标支持向量机的核函数参数以及惩罚参数为基于交叉验证算法得出的。
上述开关柜绝缘缺陷类型检测方法、装置、设备和程序产品,通过获取目标开关柜内目标气体的检测数据,并将该检测数据输入至目标支持向量机中,得到该的检测结果,该检测结果即为目标开关柜的绝缘缺陷类型;即目标支持向量机根据气体分解特性进行目标开关柜的绝缘缺陷类型的检测,因此,不易受外界因素影响;其中,由于该目标支持向量机的核函数参数以及惩罚参数为基于交叉验证算法得出的,使得该目标支持向量机的检测精度大大提高。
附图说明
图1为一个实施例中开关柜绝缘缺陷类型检测方法的应用环境图;
图2为一个实施例中开关柜绝缘缺陷类型检测方法的流程示意图;
图3为一个实施例中确定核函数参数以及惩罚参数的流程示意图;
图4为一个实施例中构建K个初始支持向量机的流程示意图;
图5为一个实施例中确定绝缘缺陷分类质量的流程示意图;
图6为一个实施例中确定目标支持向量机并进行绝缘缺陷类型检测的流程示意图;
图7为一个实施例中一种开关柜绝缘缺陷类型检测装置的结构框图;
图8为一个实施例中第二种开关柜绝缘缺陷类型检测装置的结构框图;
图9为一个实施例中第三种开关柜绝缘缺陷类型检测装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
开关柜作为电力系统进行发电、输电、配电和电能转换的过程中,进行开合、控制和保护的重要用电设备,其安全运行将直接影响电力系统供电的可靠性。然而开关柜在制造、配送、安装、运行和检修等过程中,不可避免的会造成开关柜内出现各种绝缘缺陷,这些缺陷在持续运行电压下会引发局部放电,致使开关柜内空气发生分解,产生各种气体分解产物,固体绝缘材料受损后还会产生CO、CO2等气体。这些产物大多数对人体和环境有危害,其中酸性气体与水汽反应后生成的酸会腐蚀金属设备和绝缘构件,进一步破坏开关柜内的绝缘性能。若此时不加以监测而放任其继续发展,必将导致开关柜绝缘故障,不仅可能对线路上的其它重要设备造成损坏,更有可能诱发停电事故,对企业造成巨大的经济损失。开关柜作为一种重要的配电设备,在电力系统中承担着断开和闭合正常的电力线路、输送和倒换运行负荷的作用。然而开关柜长期工作在高温、高压、潮湿等恶劣的环境下,很容易因绝缘性能退化而诱发故障,而一旦开关柜发生故障,不仅可能导致线路上的其它重要设备遭到损坏,更有可能造成停电事故。因此,有必要对开关柜绝缘缺陷类型进行分析,以便根据不同的绝缘缺陷类型对开关柜进行维护,防止重大事故的发生。
现有技术中,在开关柜故障发生时,对开关柜各个模块的超声波信号、电流等数据进行检测,以确定开关柜导致故障的绝缘缺陷类型。
然而,现有技术中,基于超声波信号、电流等数据的检测方式易受到外界环境因素的干扰,检测精度较低。
本申请实施例提供的开关柜绝缘缺陷类型检测方法,可以应用于如图1所示的应用环境中。其中,电化学传感器101和高精度温度传感器102均与计算机设备103连接;电化学传感器101将采集到的目标开关柜内的各气体组分的浓度数据传输至计算机设备103,高精度温度传感器102将采集到的目标开关柜内的温度数据传输至计算机设备103,计算机设备103根据接收到的各气体组分的浓度数据和温度数据,进行后续处理,以实现对目标开关柜劣化程度的判断。其中,计算机设备103可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、服务器或者是多个服务器组成的服务器集群。
在一个实施例中,如图2所示,提供了一种开关柜绝缘缺陷类型检测方法,以该方法应用于图1中的计算机设备103为例进行说明,包括以下步骤:
步骤201,获取目标开关柜内目标气体的检测数据,该检测数据包括该目标气体的浓度、该目标气体的生成速率以及该目标开关柜的温度。
其中,将需要进行绝缘缺陷类型检测的开关柜作为目标开关柜,计算机设备103获取目标开关柜的检测数据,根据该检测数据,实现对目标开关柜的绝缘缺陷类型的检测,该检测数据包括目标气体的浓度、目标气体的生成速率以及该目标开关柜的温度;其中,目标开关柜内空气发生局部放电时会产生臭氧、一氧化氮、二氧化氮、五氧化二氮等气体分解产物,其中一氧化氮、五氧化二氮等气体分解产物是反应中间产物,二氧化氮等气体为反应最终产物;且,目标开关柜过热故障时,会有明显的升温,随后空气中会慢慢产生CO等气体,因此,将目标开关柜中的体二氧化氮、一氧化氮和一氧化碳作为目标气体,即作为目标开关柜绝缘缺陷类型判断的特征参数;相应的,目标气体的浓度即目标开关柜内二氧化氮、一氧化氮和一氧化碳的气体浓度;目标气体的生成速率指目标开关柜内生成二氧化氮、一氧化氮和一氧化碳气体的速率,该生成速率可以由各目标气体的浓度净增长除以检测时间得到,其中,检测时间可以为人为设定的固定时长,各目标气体的浓度净增长为气体采集开始和结束的浓度差值;由于目标开关柜过热故障时,会有明显的升温,因此,将目标开关柜的温度也作为检测数据之一,可以由高精度温度传感器采集目标开关柜的温度。
步骤202,将该检测数据输入至目标支持向量机中,得到该目标支持向量机的检测结果;该检测结果为该目标开关柜的绝缘缺陷类型;其中,该目标支持向量机的核函数参数以及惩罚参数为基于交叉验证算法得出的。
其中,支持向量机(Support Vector Machine,SVM)是一类按监督学习方式对数据进行二元分类的广义线性分类器,目标支持向量机为训练好的可以根据输入的检测数据,输出开关柜绝缘缺陷类型的支持向量机;其中,影响该目标支持向量机分类的准确性的两个重要参数为核函数参数和惩罚参数,而交叉验证算法的基本思想为将原始数据进行分组,一部分做为训练集,另一部分做为验证集,先用训练集对分类器进行训练,再利用验证集来测试训练得到的模型,以此来做为评价分类器的性能指标,由于支持向量机即为一种分类器,因此,可以采用交叉验证算法,确定最优的核函数参数和惩罚参数,并应用于该目标支持向量,提升该目标支持向量机的检测精度,实现对目标开关柜的绝缘缺陷类型的检测。
上述开关柜绝缘缺陷类型检测方法中,通过获取目标开关柜内目标气体的检测数据,并将该检测数据输入至目标支持向量机中,得到该的检测结果,该检测结果即为目标开关柜的绝缘缺陷类型;即目标支持向量机根据气体分解特性进行目标开关柜的绝缘缺陷类型的检测,因此,不易受外界因素影响;其中,由于该目标支持向量机的核函数参数以及惩罚参数为基于交叉验证算法得出的,使得该目标支持向量机的检测精度大大提高。
在一个实施例中,如图3所示,其示出了本申请实施例提供的一种确定核函数参数以及惩罚参数的流程示意图;该目标支持向量机的核函数参数以及惩罚参数的确定过程包括:
步骤301,构建K个初始支持向量机;
其中,初始向量机指构建的候选的支持向量机,从该初始向量机中,可以选择判断结果最准确的一个支持向量机作为目标支持向量机,用于目标开关柜的绝缘缺陷类型的检测。
请参考图4,其示出了本申请实施例提供的一种构建K个初始支持向量机的流程示意图;该构建K个初始支持向量机,包括:
步骤401,获取实验数据,该实验数据包括试验开关柜在不同绝缘缺陷类型下,该试验开关柜中的该目标气体的浓度、该试验开关柜中的该目标气体的生产速率以及该试验开关柜的温度。
其中,确定目标支持向量机之前,首先需要获取大量绝缘缺陷类型的相关实验数据,基于该实验数据,得到目标支持向量机,用于后续对目标开关柜进行绝缘缺陷类型的检测;将用于获取实验数据的开关柜作为试验开关柜,开关柜可以有不同的绝缘缺陷类型,因此,可以对试验开关柜制造不同的绝缘缺陷类型,以获取实验数据,其中,绝缘缺陷类型包括固体金属突出、过热故障、绝缘子气隙、绝缘子表面金属污秽及自由金属微粒缺陷。
示例性地,获取实验数据的过程可以如下:在不同的绝缘缺陷类型下,不断改变试验开关柜的绝缘劣化程度,例如,固体金属突出缺陷下可以通过改变固体金属突出物大小实现对试验开关柜设定不同的绝缘劣化程度,通过逐渐改变试验开关柜的放电量、电压值,直至观察到试验开关柜发生明显局部放电或者过热故障现象时停止实验,得出不同固体金属突出缺陷程度下试验开关柜发生局部放电的时间,并采集试验开关柜中的一氧化碳、一氧化氮和二氧化氮气体的浓度和试验开关柜的温度;改变试验开关柜的绝缘缺陷类型,重复上述实验,得到在不同绝缘缺陷类型下,一氧化碳、一氧化氮和二氧化氮气体的浓度,并根据各气体的浓度净增长除以发生局部放电的时间,得到一氧化碳、一氧化氮和二氧化氮气体的生成速率,各气体的浓度净增长为气体采集开始和结束的浓度差值;由此,得到试验开关柜中的目标气体的浓度、试验开关柜中的该目标气体的生产速率以及试验开关柜的温度;所得到的各数据为离散数据,并各数据进行归一化处理后存储至数据库;需要说明的是,本申请对获取绝缘劣化实验数据的过程不做限制,只要可以获取该绝缘劣化实验数据的实验方法均可;可选的,归一化处理可以选用min-max标准化公式,将各数据变为[0,1]之间的值,min-max标准化公式如下:
上式中,为归一化后实验数据取值,xi为归一化前实验数据取值,xmin为该类实验数据的最小值,如,对一氧化碳浓度进行归一化处理,xmin为一氧化碳浓度数据中的最小值;xmax为该类实验数据的最大值,如,对一氧化碳浓度进行归一化处理,xmax为一氧化碳浓度数据中的最大值。
步骤402,将该实验数据划分为K个实验数据集合。
其中,可以将数据库中存储的实验数据进行划分,从而根据划分的数据进行交叉验证;将该实验数据划分为K个实验数据集合,每一试验数据集合中均被划分有不同绝缘缺陷类型下得到的试验开关柜的一氧化碳、一氧化氮和二氧化氮气体的浓度和生成速率,以及试验开关柜的温度;从而得到K个实验数据集合,其中,K为大于零的正整数,可以根据实际需要设定K的取值。
步骤403,基于该K个实验数据集合,执行K次模型训练过程,以得到K个该初始支持向量机;其中,该模型训练过程包括:从该K个实验数据集合中选取K-1个实验数据集合作为训练集,将未被选取的实验数据集合作为测试集;基于该训练集和测试集进行模型训练,得到该初始支持向量机。
其中,根据得到的K个实验数据集合,采用交叉验证算法,对支持向量机进行训练,得到K各初始支持向量机;具体训练过程可以为:从K个实验数据集合中选择一个实验数据集合作为测试集,将剩余K-1个实验数据集合作为训练集,将该训练集和测试集输入支持向量机,做支持向量机进行数据分类的训练,得到一个初始支持向量机;分别将每一个实验数据集合作为测试集,同时将剩余的K-1个实验数据集合作为训练集,输入支持向量机,进行数据分类的训练,共进行K次训练,得到K个初始支持向量机。
步骤302,获取多个参数对,每个该参数对包括不同的候选核函数参数和候选惩罚参数。
其中,采用遍历算法对预先确定的预设支持向量机在一定范围内进行多次遍历搜索,由于支持向量机每次进行分类时,其产生的核函数参数和惩罚参数均不同,因此,每次遍历搜索得到一个核函数参数和惩罚参数,将其作为候选核函数参数和候选惩罚参数,构成一个参数对;多次遍历搜索得到多个参数对,每个参数对包括不同的候选核函数参数和候选惩罚参数,遍历搜索范围可以为2-10-210;具体地,该预设支持向量机的决策函数为:
上式中,ω为预设支持向量机中的权向量,b为预设支持向量机中偏差值,为核函数,m为5类绝缘缺陷类型的标号,具体地,过热故障缺陷、固体金属突出物缺陷、绝缘子气隙缺陷、绝缘子表面金属污秽缺陷及自由金属微粒缺陷缺陷依次标号为1,2,3,4,5;xi为输入的实验数据,具体地,目标气体的浓度、目标气体的生成速率、目标气体的温度依次为i=1,2,3;即,在预设支持向量机中,根据m的不同,每一绝缘缺陷类型对应一个决策函数,将数据库中各绝缘缺陷类型对应的实验数据可以对应的输入各决策函数中,使该预设支持向量机对各实验数据进行5次二元分类;并且,每次进行5次二元分类时,以一种绝缘缺陷类型数据划分为+1类,其余4种绝缘缺陷类型数据划分为-1类,分别将5类绝缘缺陷类型作为+1类进行5次二元分类;并且,上述核函数的具体可以为高斯径向基核函数,该高斯径向基核函数表达式如下:
K(x,xi)=exp(-g||x-xi||2),g>0
上式中,g为核函数参数,g=1/2σ2,σ为核函数宽度参数,x为预设支持向量机需要进行分类的数据,xi为预设支持向量机训练时用到的数据。
在此过程中,预设支持向量机根据目标函数,对各决策函数进行优化,当目标函数值最小时,得到的决策函数的各参数为最优;该目标函数如下:
上式中,C为惩罚参数,C>0;ξ为松弛因子,ξ≥0;为第m类绝缘缺陷数据中所输入的第t类数据的松弛因子;N为样本容量;ωm为预设支持向量机中的权向量;为权向量的转置;b为预设支持向量机中偏差值;m=1,2,3,4,5;yt∈{1,2,...,m},yt为数据类型标签,t为样本的索引,t=1,2,...,N;;预设支持向量机在进行数据分类时,目标函数值不断变化,当目标函数最小时,其对应的ω和b使得该决策函数最优。
其中,目标函数的约束条件为:
上式中,为第m类绝缘缺陷数据中所输入的第t类数据的松弛因子;为第t类数据所对应的绝缘缺陷类型对应的权向量的转置;bm为预设支持向量机中五个绝缘缺陷类型分别对应的偏差值;byt为第t类数据所对应的绝缘缺陷类型对应的偏差值;xi为预设支持向量机训练样本集中的用于训练的数据,训练样本集为yt为数据类型标签,yt∈{1,2,...,m}。
最终得到的预设支持向量机中可以进行多种数据分类的决策函数如下:
步骤303,对于每个参数对,将该参数对分别赋值给该K个初始向量机,并确定赋值后的K个支持向量机的绝缘缺陷分类质量。
其中,将得到的多个参数对,分别赋值给各个初始向量机,使得各初始向量机可以使用所赋值的参数对包含的候选惩罚参数和候选核函数参数作为候选惩罚参数和核函数参数,从而进行对实验数据进行分类;根据赋值后的K个支持向量机的分类情况,确定赋值后的K个支持向量机各自绝缘缺陷分类质量,其中,各赋值后的K个支持向量机对实验数据的分类越准确,则其绝缘缺陷分类质量越高。
步骤304,获取最高绝缘缺陷分类质量对应的目标参数对,并将该目标参数对包括的候选核函数参数和候选惩罚参数分别作为该目标支持向量机的核函数参数以及惩罚参数。
其中,根据赋值后的K个支持向量机的绝缘缺陷分类质量,获取绝缘缺陷分类质量最高的支持向量机所使用的参数对作为目标参数对,将该目标参数对包括的候选核函数参数和候选惩罚参数作为最终进行目标开关柜绝缘缺陷类型检测的目标支持向量机的核函数参数和惩罚参数。
通过构建K个初始向量机,并将得到的多个候选惩罚参数和候选核函数参数分别赋值给各初始向量机,从而可以得到赋值不同的各初始向量机的绝缘缺陷类型的分类质量,以助于根据该绝缘缺陷类型分类质量,确定最优的惩罚参数和核函数参数,使得根据该最优的惩罚参数和核函数参数进行绝缘缺陷类型检测的目标支持向量机的检测结果更加准确。
在一个实施例中,如图5所示,其示出了本申请实施例提供的一种确定绝缘缺陷分类质量的流程示意图,该确定赋值后的K个支持向量机的绝缘缺陷分类质量,包括:
步骤501,对于各赋值后的支持向量机,获取该赋值后的支持向量机对应的目标测试集,并将该目标测试集作为该赋值后的支持向量机的输入,得到该赋值后的支持向量机的输出。
其中,将所划分的K个实验数据集合分别作为目标测试集,输入各赋值后的支持向量机中,各赋值后的支持向量机对输入的目标测试集中的数据进行分类,得到分类结果,即为赋值后的支持向量机的输出。
步骤502,获取该赋值后的K个支持向量机的输出的均方误差值。
其中,各赋值后的K个支持向量机对各目标测试集中的数据进行分类输出后,均计算其均方误差值,该均方误差值可以表示该赋值后的支持向量机对于目标测试集中的数据分类的准确性。
步骤503,基于该均方误差值确定该赋值后的K个支持向量机的绝缘缺陷分类质量。
该获取最高绝缘缺陷分类质量对应的目标参数对,包括:获取对应的均方误差最小的该赋值后的K个支持向量机所对应的该目标参数对。
其中,每一赋值后的支持向量机均对应计算其均方误差值,均方误差值越小,则说明该赋值后的支持向量机的绝缘缺陷分类结果越准确,从而其使用的目标参数对包含的候选惩罚参数和候选核函数参数越适合用于目标支持向量机中。
在一个实施例中,该方法还包括:在基于交叉验证算法确定该目标支持向量机的核函数参数以及惩罚参数之后,基于确定的核函数参数以及惩罚参数,利用该实验数据进行训练,以得到该目标支持向量机。
其中,当确定目标支持向量机的核函数参数以及惩罚参数之后,将数据库中的实验数据输入至目标支持向量机中,目标支持向量机对该实验数据进行预测分类,并不断调整误差,得到输入为目标气体的浓度、目标气体的生成速率和目标开关柜的温度,输出为目标开关柜的绝缘缺陷类型的目标支持向量机。
在一个实施例中,如图6所示,其示出了本申请实施例提供的一种确定目标支持向量机并进行绝缘缺陷类型检测的流程示意图,包括:
步骤601,获取实验数据。
该实验数据包括试验开关柜在不同绝缘缺陷类型下,该试验开关柜中的该目标气体的浓度、该试验开关柜中的该目标气体的生产速率以及该试验开关柜的温度。其中,目标气体为二氧化氮、一氧化氮和一氧化碳气体;获取实验数据的过程为:在不同的绝缘缺陷类型下,不断改变试验开关柜的绝缘劣化程度,通过逐渐改变试验开关柜的放电量、电压值,直至观察到试验开关柜发生明显局部放电或者过热故障现象时停止实验,得出不同绝缘缺陷类型下试验开关柜发生局部放电的时间,并采集试验开关柜中的一氧化碳、一氧化氮和二氧化氮气体的浓度和试验开关柜的温度,将得到的数据进行归一化处理,并存储于数据库。
步骤602,将实验数据划分为K个实验数据集合,执行K次模型训练过程,得到K个初始支持向量机。
将该实验数据划分为K个实验数据集合,每一试验数据集合中均被划分有不同绝缘缺陷类型下得到的试验开关柜的一氧化碳、一氧化氮和二氧化氮气体的浓度和生成速率,以及试验开关柜的温度;从该K个实验数据集合中选取K-1个实验数据集合作为训练集,将未被选取的实验数据集合作为测试集;每一实验数据集合均作为一次测试集,同时将剩余的K-1个实验数据集合作为训练集,将该训练集和测试集输入支持向量机,做支持向量机进行数据分类的训练,共进行K次训练,得到K个初始支持向量机。
步骤603,获取多个参数对,每个该参数对包括不同的候选核函数参数和候选惩罚参数。
采用遍历算法对预先确定的预设支持向量机在一定范围内进行多次遍历搜索,由于支持向量机每次进行分类时,其产生的核函数参数和惩罚参数均不同,因此,每次遍历搜索得到一个核函数参数和惩罚参数,将其作为候选核函数参数和候选惩罚参数,构成一个参数对;多次遍历搜索得到多个参数对,每个参数对包括不同的候选核函数参数和候选惩罚参数,遍历搜索范围可以为2-10-210;该预设支持向量机为预先对不同绝缘缺陷类型的实验数据进行分类的支持向量机。
步骤604,对于每个参数对,将该参数对分别赋值给该K个初始向量机,并获取赋值后的K个支持向量机的均方误差值。
将得到的多个参数对,分别赋值给各个初始向量机,使得各初始向量机可以使用所赋值的参数对包含的候选惩罚参数和候选核函数参数作为候选惩罚参数和核函数参数,从而进行对实验数据进行分类;各赋值后的K个支持向量机对各目标测试集中的数据进行分类输出后,均计算其均方误差值,得到每一赋值后的支持向量机的进行数据分类的均方误差值。
步骤605,将均方误差值最小的赋值后的支持向量机所使用的参数对作为目标参数对。
步骤606,目标参数对包含的候选核函数参数和候选惩罚参数作为目标支持向量机的核函数参数和惩罚参数,并利用实验数据进行训练,得到目标支持向量机。
其中,当确定目标支持向量机的核函数参数以及惩罚参数之后,将数据库中的实验数据输入至目标支持向量机中,目标支持向量机对该实验数据进行预测分类,并不断调整误差,得到输入为目标气体的浓度、目标气体的生成速率和目标开关柜的温度,输出为目标开关柜的绝缘缺陷类型的目标支持向量机。
步骤607,获取目标开关柜的检测数据并输入至目标支持向量机中,得到该目标支持向量机的检测结果。
对于需要检测绝缘缺陷类型的目标开关柜,获取该目标开关柜的检测数据,该检测数据包括目标开关柜内二氧化氮、一氧化氮和一氧化碳的气体浓度,二氧化氮、一氧化氮和一氧化碳气体的生成速率,以及目标开关柜的温度;将该检测数据输入目标支持向量机中,得到目标支持向量机的检测结果,该检测结果为目标开关柜的绝缘缺陷类型。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的开关柜绝缘缺陷类型检测方法的开关柜绝缘缺陷类型检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个开关柜绝缘缺陷类型检测装置实施例中的具体限定可以参见上文中对于开关柜绝缘缺陷类型检测方法的限定,在此不再赘述。
在一个实施例中,如图7所示,提供了一种开关柜绝缘缺陷类型检测装置,该装置700包括:获取模块701和检测模块702,其中:
获取模块701,用于获取目标开关柜内目标气体的检测数据,所述检测数据包括所述目标气体的浓度、所述目标气体的生成速率以及所述目标开关柜的温度;
检测模块702,用于将所述检测数据输入至目标支持向量机中,得到所述目标支持向量机的检测结果;所述检测结果为所述目标开关柜的绝缘缺陷类型;其中,所述目标支持向量机的核函数参数以及惩罚参数为基于交叉验证算法得出的。
在一个实施例中,如图8所示,提供了第二种开关柜绝缘缺陷类型检测装置,该装置800还包括:
构建模块703,用于构建K个初始支持向量机;
第二获取模块704,用于获取多个参数对,每个该参数对包括不同的候选核函数参数和候选惩罚参数;
确定模块705,用于对于每个该参数对,将该参数对分别赋值给该K个初始向量机,并确定赋值后的K个支持向量机的绝缘缺陷分类质量;
第三获取模块706,用于获取最高绝缘缺陷分类质量对应的目标参数对,并将该目标参数对包括的候选核函数参数和候选惩罚参数分别作为该目标支持向量机的核函数参数以及惩罚参数。
在一个实施例中,该构建模块703,具体用于:获取实验数据,该实验数据包括试验开关柜在不同绝缘缺陷类型下,该试验开关柜中的该目标气体的浓度、该试验开关柜中的该目标气体的生产速率以及该试验开关柜的温度;将该实验数据划分为K个实验数据集合;基于该K个实验数据集合,执行K次模型训练过程,以得到K个该初始支持向量机;其中,该模型训练过程包括:从该K个实验数据集合中选取K-1个实验数据集合作为训练集,将未被选取的实验数据集合作为测试集;基于该训练集和测试集进行模型训练,得到该初始支持向量机。
在一个实施例中,该确定模块705,具体用于:对于各赋值后的支持向量机,获取该赋值后的支持向量机对应的目标测试集,并将该目标测试集作为该赋值后的支持向量机的输入,得到该赋值后的支持向量机的输出;获取该赋值后的K个支持向量机的输出的均方误差值;基于该均方误差值确定该赋值后的K个支持向量机的绝缘缺陷分类质量。
在一个实施例中,该第三获取模块706,具体用于:获取对应的均方误差最小的该赋值后的K个支持向量机所对应的该目标参数对。
在一个实施例中,如图9所示,提供了第三种开关柜绝缘缺陷类型检测装置,该装置900还包括:
训练模块707,用于在基于交叉验证算法确定该目标支持向量机的核函数参数以及惩罚参数之后,基于确定的核函数参数以及惩罚参数,利用该实验数据进行训练,以得到该目标支持向量机。
上述开关柜绝缘缺陷类型检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储开关柜绝缘缺陷类型检测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种开关柜绝缘缺陷类型检测方法。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取目标开关柜内目标气体的检测数据,该检测数据包括该目标气体的浓度、该目标气体的生成速率以及该目标开关柜的温度;将该检测数据输入至目标支持向量机中,得到该目标支持向量机的检测结果;该检测结果为该目标开关柜的绝缘缺陷类型;其中,该目标支持向量机的核函数参数以及惩罚参数为基于交叉验证算法得出的。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
构建K个初始支持向量机;获取多个参数对,每个该参数对包括不同的候选核函数参数和候选惩罚参数;对于每个参数对,将该参数对分别赋值给该K个初始向量机,并确定赋值后的K个支持向量机的绝缘缺陷分类质量;获取最高绝缘缺陷分类质量对应的目标参数对,并将该目标参数对包括的候选核函数参数和候选惩罚参数分别作为该目标支持向量机的核函数参数以及惩罚参数。
该构建K个初始支持向量机,包括:获取实验数据,该实验数据包括试验开关柜在不同绝缘缺陷类型下,该试验开关柜中的该目标气体的浓度、该试验开关柜中的该目标气体的生产速率以及该试验开关柜的温度;将该实验数据划分为K个实验数据集合;基于该K个实验数据集合,执行K次模型训练过程,以得到K个该初始支持向量机;其中,该模型训练过程包括:从该K个实验数据集合中选取K-1个实验数据集合作为训练集,将未被选取的实验数据集合作为测试集;基于该训练集和测试集进行模型训练,得到该初始支持向量机;
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对于各赋值后的支持向量机,获取该赋值后的支持向量机对应的目标测试集,并将该目标测试集作为该赋值后的支持向量机的输入,得到该赋值后的支持向量机的输出;获取该赋值后的K个支持向量机的输出的均方误差值;基于该均方误差值确定该赋值后的K个支持向量机的绝缘缺陷分类质量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
在基于交叉验证算法确定该目标支持向量机的核函数参数以及惩罚参数之后,基于确定的核函数参数以及惩罚参数,利用该实验数据进行训练,以得到该目标支持向量机。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标开关柜内目标气体的检测数据,该检测数据包括该目标气体的浓度、该目标气体的生成速率以及该目标开关柜的温度;将该检测数据输入至目标支持向量机中,得到该目标支持向量机的检测结果;该检测结果为该目标开关柜的绝缘缺陷类型;其中,该目标支持向量机的核函数参数以及惩罚参数为基于交叉验证算法得出的。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
构建K个初始支持向量机;获取多个参数对,每个该参数对包括不同的候选核函数参数和候选惩罚参数;对于每个参数对,将该参数对分别赋值给该K个初始向量机,并确定赋值后的K个支持向量机的绝缘缺陷分类质量;获取最高绝缘缺陷分类质量对应的目标参数对,并将该目标参数对包括的候选核函数参数和候选惩罚参数分别作为该目标支持向量机的核函数参数以及惩罚参数。
该构建K个初始支持向量机,包括:获取实验数据,该实验数据包括试验开关柜在不同绝缘缺陷类型下,该试验开关柜中的该目标气体的浓度、该试验开关柜中的该目标气体的生产速率以及该试验开关柜的温度;将该实验数据划分为K个实验数据集合;基于该K个实验数据集合,执行K次模型训练过程,以得到K个该初始支持向量机;其中,该模型训练过程包括:从该K个实验数据集合中选取K-1个实验数据集合作为训练集,将未被选取的实验数据集合作为测试集;基于该训练集和测试集进行模型训练,得到该初始支持向量机;
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对于各赋值后的支持向量机,获取该赋值后的支持向量机对应的目标测试集,并将该目标测试集作为该赋值后的支持向量机的输入,得到该赋值后的支持向量机的输出;获取该赋值后的K个支持向量机的输出的均方误差值;基于该均方误差值确定该赋值后的K个支持向量机的绝缘缺陷分类质量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
在基于交叉验证算法确定该目标支持向量机的核函数参数以及惩罚参数之后,基于确定的核函数参数以及惩罚参数,利用该实验数据进行训练,以得到该目标支持向量机。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种开关柜绝缘缺陷类型检测方法,其特征在于,所述方法包括:
获取目标开关柜内目标气体的检测数据,所述检测数据包括所述目标气体的浓度、所述目标气体的生成速率以及所述目标开关柜的温度;
将所述检测数据输入至目标支持向量机中,得到所述目标支持向量机的检测结果;所述检测结果为所述目标开关柜的绝缘缺陷类型;
其中,所述目标支持向量机的核函数参数以及惩罚参数为基于交叉验证算法得出的。
2.根据权利要求1所述的方法,其特征在于,所述目标支持向量机的核函数参数以及惩罚参数的确定过程包括:
构建K个初始支持向量机;
获取多个参数对,每个所述参数对包括不同的候选核函数参数和候选惩罚参数;
对于每个所述参数对,将所述参数对分别赋值给所述K个初始向量机,并确定赋值后的K个支持向量机的绝缘缺陷分类质量;
获取最高绝缘缺陷分类质量对应的目标参数对,并将所述目标参数对包括的候选核函数参数和候选惩罚参数分别作为所述目标支持向量机的核函数参数以及惩罚参数。
3.根据权利要求2所述的方法,其特征在于,所述构建K个初始支持向量机,包括:
获取实验数据,所述实验数据包括试验开关柜在不同绝缘缺陷类型下,所述试验开关柜中的所述目标气体的浓度、所述试验开关柜中的所述目标气体的生产速率以及所述试验开关柜的温度;
将所述实验数据划分为K个实验数据集合;
基于所述K个实验数据集合,执行K次模型训练过程,以得到K个所述初始支持向量机;其中,所述模型训练过程包括:
从所述K个实验数据集合中选取K-1个实验数据集合作为训练集,将未被选取的实验数据集合作为测试集;
基于所述训练集和测试集进行模型训练,得到所述初始支持向量机。
4.根据权利要求3所述的方法,其特征在于,所述确定赋值后的K个支持向量机的绝缘缺陷分类质量,包括:
对于各赋值后的支持向量机,获取所述赋值后的支持向量机对应的目标测试集,并将所述目标测试集作为所述赋值后的支持向量机的输入,得到所述赋值后的支持向量机的输出;
获取所述赋值后的K个支持向量机的输出的均方误差值;
基于所述均方误差值确定所述赋值后的K个支持向量机的绝缘缺陷分类质量。
5.根据权利要求4所述的方法,其特征在于,所述获取最高绝缘缺陷分类质量对应的目标参数对,包括:
获取对应的均方误差最小的所述赋值后的K个支持向量机所对应的所述目标参数对。
6.根据权利要求3所述的方法,其特征在于,所述方法还包括:
在基于交叉验证算法确定所述目标支持向量机的核函数参数以及惩罚参数之后,基于确定的核函数参数以及惩罚参数,利用所述实验数据进行训练,以得到所述目标支持向量机。
7.一种开关柜绝缘缺陷类型检测装置,其特征在于,所述装置包括:
获取模块,用于获取目标开关柜内目标气体的检测数据,所述检测数据包括所述目标气体的浓度、所述目标气体的生成速率以及所述目标开关柜的温度;
检测模块,用于将所述检测数据输入至目标支持向量机中,得到所述目标支持向量机的检测结果;所述检测结果为所述目标开关柜的绝缘缺陷类型;
其中,所述目标支持向量机的核函数参数以及惩罚参数为基于交叉验证算法得出的。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,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6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111320070.1A CN114266284A (zh) | 2021-11-09 | 2021-11-09 | 开关柜绝缘缺陷类型检测方法、装置、设备和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111320070.1A CN114266284A (zh) | 2021-11-09 | 2021-11-09 | 开关柜绝缘缺陷类型检测方法、装置、设备和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114266284A true CN114266284A (zh) | 2022-04-01 |
Family
ID=80824977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111320070.1A Pending CN114266284A (zh) | 2021-11-09 | 2021-11-09 | 开关柜绝缘缺陷类型检测方法、装置、设备和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114266284A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664567A (zh) * | 2023-07-26 | 2023-08-29 | 山东艾迈科思电气有限公司 | 一种固体绝缘开关柜质量评估方法及系统 |
CN117804637A (zh) * | 2024-03-01 | 2024-04-02 | 山东本草堂中药饮片有限公司 | 用于中药材深加工的烘焙温度智能监测方法 |
-
2021
- 2021-11-09 CN CN202111320070.1A patent/CN114266284A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664567A (zh) * | 2023-07-26 | 2023-08-29 | 山东艾迈科思电气有限公司 | 一种固体绝缘开关柜质量评估方法及系统 |
CN116664567B (zh) * | 2023-07-26 | 2023-09-29 | 山东艾迈科思电气有限公司 | 一种固体绝缘开关柜质量评估方法及系统 |
CN117804637A (zh) * | 2024-03-01 | 2024-04-02 | 山东本草堂中药饮片有限公司 | 用于中药材深加工的烘焙温度智能监测方法 |
CN117804637B (zh) * | 2024-03-01 | 2024-05-07 | 山东本草堂中药饮片有限公司 | 用于中药材深加工的烘焙温度智能监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109032829B (zh) | 数据异常检测方法、装置、计算机设备及存储介质 | |
Lindemann et al. | Anomaly detection in discrete manufacturing using self-learning approaches | |
WO2020049087A1 (en) | Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance | |
Hu et al. | Memristor crossbar based hardware realization of BSB recall function | |
CN114266284A (zh) | 开关柜绝缘缺陷类型检测方法、装置、设备和程序产品 | |
BR102018003437A2 (pt) | sistema para proteger um sistema de controle de rede de energia elétrica, método computadorizado para proteger um sistema de controle de rede de energia elétrica e meio não transitório | |
Benouioua et al. | PEMFC stack voltage singularity measurement and fault classification | |
Li et al. | Online dynamic security assessment of wind integrated power system using SDAE with SVM ensemble boosting learner | |
CN111709447A (zh) | 电网异常检测方法、装置、计算机设备和存储介质 | |
US20220198111A1 (en) | Device for generating verification vector for circuit design verification, circuit design system, and reinforcement learning method of the device and the circuit design system | |
CN111325159B (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
CN116167010B (zh) | 具有智能迁移学习能力的电力系统异常事件快速识别方法 | |
CN115238980A (zh) | 基于注意力机制的时空图卷积神经网络的微电网暂态功角轨迹预测方法 | |
CN112444748A (zh) | 电池异常检测方法、装置、电子设备及存储介质 | |
Bellizio et al. | Machine-learned security assessment for changing system topologies | |
CN117368745B (zh) | 基于深度学习的硬包锂电池安全监测方法及装置 | |
CN113093985B (zh) | 传感器数据链路异常检测方法、装置和计算机设备 | |
CN114446019A (zh) | 告警信息处理方法、装置、设备、存储介质和产品 | |
Kharlamova et al. | Cyberattack detection methods for battery energy storage systems | |
CN116611003A (zh) | 一种变压器故障诊断方法、装置、介质 | |
CN113110961A (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN113887676B (zh) | 设备故障预警方法、装置、设备和存储介质 | |
Saha et al. | Implementation of self-organizing map and logistic regression in dissolved gas analysis of transformer oils | |
CN114580973B (zh) | 一种变压器生产过程的质量监测方法及系统 | |
CN110865939B (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 |
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 |