CN114330452A - 训练方法、电弧故障检测方法、装置、电子设备及介质 - Google Patents
训练方法、电弧故障检测方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN114330452A CN114330452A CN202111682686.3A CN202111682686A CN114330452A CN 114330452 A CN114330452 A CN 114330452A CN 202111682686 A CN202111682686 A CN 202111682686A CN 114330452 A CN114330452 A CN 114330452A
- Authority
- CN
- China
- Prior art keywords
- training
- fault detection
- arc fault
- arc
- signals
- 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
- 238000012549 training Methods 0.000 title claims abstract description 262
- 238000001514 detection method Methods 0.000 title claims abstract description 200
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 26
- 238000003860 storage Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 108010001267 Protein Subunits Proteins 0.000 description 2
- 208000032370 Secondary transmission Diseases 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Landscapes
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本公开提供了一种训练方法、电弧故障检测方法、装置、电子设备及介质。电弧故障检测模型的训练方法包括:获取训练样本数据集,其中,训练样本数据集包括多个目标训练电流信号,目标训练电流信号包括以下至少一项:并联电弧的训练电流信号和串联电弧的训练电流信号;以及利用训练样本数据集训练初始神经网络模型,得到电弧故障检测模型。
Description
技术领域
本公开涉及电子电力技术领域,更具体地,涉及一种电弧故障检测模型的训练方法、电弧故障检测方法、电弧故障检测模型的训练装置、电弧故障检测装置、第一电子设备、第二电子设备、计算机可读存储介质和计算机程序产品。
背景技术
随着电力电子设备的广泛使用,电力利用变得更加高效和方便。然而,随着低压配电系统的现代化,也给电力安全带来了潜在的风险。电弧故障是这种严重的威胁之一。例如由于部分电弧的温度较高,容易发生电气火灾。
在实现本公开构思的过程中,发明人发现相关技术中至少存在如下问题:相关技术中电弧故障的检测方法对串联电弧故障的检测准确性较差。
发明内容
有鉴于此,本公开实施例提供了一种电弧故障检测模型的训练方法、电弧故障检测方法、电弧故障检测模型的训练装置、电弧故障检测装置、第一电子设备、第二电子设备、计算机可读存储介质和计算机程序产品
本公开实施例的一个方面提供了一种电弧故障检测模型的训练方法,包括:
获取训练样本数据集,其中,上述训练样本数据集包括多个目标训练电流信号,上述目标训练电流信号包括以下至少一项:并联电弧的训练电流信号和串联电弧的训练电流信号;以及
利用上述训练样本数据集训练初始神经网络模型,得到上述电弧故障检测模型。
根据本公开的实施例,电弧故障检测模型的训练方法,还包括:
获取由第一嵌入式设备采集的多个初始训练信号;以及
对多个上述初始训练信号进行预处理,得到多个上述目标训练电流信号。
根据本公开的实施例,上述对多个上述初始训练信号进行预处理,得到多个上述目标训练电流信号,包括:
对多个上述初始训练信号进行数据清洗处理,得到多个第一训练信号;
对每个上述第一训练信号进行分类处理,得到分类后的第一训练信号;以及
利用预设分割规则处理每个上述分类后的第一训练信号,得到与上述分类后的第一训练信号对应的多个上述目标训练电流信号。
根据本公开的实施例,上述利用预设分割规则处理每个上述分类后的第一训练信号,得到与上述分类后的第一训练信号对应的多个上述目标训练电流信号,包括:
按照信号的波形周期对每个上述分类后的第一训练信号进行分割,得到多个第二训练信号;
对每个上述第二训练信号进行降采样处理,得到多个第三训练信号;
对每个上述第三训练信号进行归一化处理,得到多个第四训练信号;以及
按照预设筛选规则对多个上述第四训练信号进行筛选,得到多个上述目标训练电流信号。
根据本公开的实施例,电弧故障检测模型的训练方法,还包括:
获取多个第一目标电流信号和与每个上述第一目标电流信号对应的标签数据,其中,上述标签数据是根据上述电弧故障检测模型处理上述第一目标电流信号得到的检测结果确定的;以及
在预设时间间隔后利用多个上述第一目标电流信号和与每个上述目标电流信号对应的标签数据训练上述电弧故障检测模型,得到新的电弧故障检测模型。
本公开实施例的另一个方面提供了一种电弧故障检测方法,包括:
响应于电弧故障检测指令,确定第二目标电流信号,其中,上述第二目标电流信号包括以下至少一项:并联电弧的电流信号和串联电弧的电流信号;以及
将上述第二目标电流信号输入电弧故障检测模型,输出与上述第二目标电流信号对应的检测结果,其中,上述电弧故障检测模型是利用如上所述的方法训练的。
根据本公开的实施例,上述响应于电弧故障检测指令,确定第二目标电流信号,包括:
响应于上述电弧故障检测指令,获取由第二嵌入式设备采集的上述第二目标电流信号。
根据本公开的实施例,电弧故障检测方法,还包括:
在上述检测结果指示上述第二目标电流信号为故障电流的情况下,向电弧保护装置发送电弧保护指令,以便上述电弧保护装置响应于上述电弧保护指令,执行电弧保护动作。
本公开实施例的另一个方面提供了一种电弧故障检测模型的训练装置,包括:
获取模块,用于获取上述训练样本数据集,其中,上述训练样本数据集包括多个目标训练电流信号,上述目标训练电流信号包括以下至少一项:并联电弧的训练电流信号和串联电弧的训练电流信号;以及
训练模块,用于利用上述训练样本数据集训练初始神经网络模型,得到上述电弧故障检测模型。
本公开实施例的另一个方面提供了一种电弧故障检测装置,包括:
确定模块,用于响应于电弧故障检测指令,确定第二目标电流信号,其中,上述第二目标电流信号包括以下至少一项:并联电弧的电流信号和串联电弧的电流信号;以及
预测模块,用于将上述第二目标电流信号输入电弧故障检测模型,输出与上述第二目标电流信号对应的检测结果,其中,上述电弧故障检测模型是利用如上所述的方法训练的。
本公开实施例的另一个方面提供了一种第一电子设备,包括:
一个或多个第一处理器;
第一存储器,用于存储一个或多个第一程序,
其中,当所述一个或多个第一程序被所述一个或多个第一处理器执行时,使得所述一个或多个第一处理器实现如上所述的训练方法。
本公开实施例的另一个方面提供了一种第二电子设备,包括:
一个或多个第二处理器;
第二存储器,用于存储一个或多个第二程序,
其中,当所述一个或多个第二程序被所述一个或多个第二处理器执行时,使得所述一个或多个第二处理器实现如上所述的检测方法。
根据本公开的实施例,所述第二电子设备包括第三嵌入式设备。
本公开实施例的另一个方面提供了一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现如上所述的训练方法或检测方法。
本公开实施例的另一个方面提供了一种计算机程序产品,所述计算机程序产品包括计算机可执行指令,所述指令在被执行时用于实现如上所述的训练方法或检测方法。
根据本公开的实施例,通过利用并联电弧和串联电弧的训练电流信号构成的训练样本数据集对初始神经网络模型进行训练,从而可以利用得到的电弧故障检测模型对采集的电流信号中的电弧故障进行检测,由于训练样本数据集包括串联电弧的训练电流信号,利用多个串联电弧的训练电流信号训练得到的电弧故障检测模型能够对电路中存在的串联电弧进行检测。此外,在训练电弧故障检测模型的过程中,能够自主学习串联电弧故障导致的电流信号中的故障特征,有效避免了人工选择故障特征造成的串联电弧故障的检测准确性较差的问题,提高了串联电弧故障的检测准确性。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的电弧故障的分类及发生位置的示意图;
图2示意性示出了根据本公开实施例的线路正常运行和电弧状态电流范围的对比示意图;
图3示意性示出了根据本公开实施例的应用电弧故障检测模型的训练方法或电弧故障检测方法的示例性系统架构;
图4示意性示出了根据本公开实施例的电弧故障检测模型的训练方法的流程图;
图5示意性示出了根据本公开实施例的初始神经网络模型的网络结构示意图;
图6示意性示出了根据本公开实施例的迭代次数与模型准确性的关系示意图一;
图7示意性示出了根据本公开实施例的迭代次数与模型准确性的关系示意图二;
图8示意性示出了根据本公开另一实施例的电弧故障检测模型的训练方法示意图;
图9示意性示出了根据本公开实施例的电弧故障检测方法示意图;
图10示意性示出了根据本公开实施例的电弧故障检测模型的训练装置的框图;
图11示意性示出了根据本公开实施例的电弧故障检测装置的框图;以及
图12示意性示出了根据本公开实施例的实现电弧故障检测模型的训练方法或电弧故障检测方法的电子设备的框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
图1示意性示出了根据本公开实施例的电弧故障的分类及发生位置的示意图。
如图1所示,根据电弧与负荷的关系,电弧故障可分为串联电弧故障和并联电弧故障。由于串联负载阻抗的限制,因此,串联电弧故障比并联电弧故障更难检测。
图2示意性示出了根据本公开实施例的线路正常运行和电弧状态电流范围的对比示意图。
如图2所示,在发生并联电弧故障的情况下,电流会增大。在发生串联电弧故障的情况下,电流会减少。并联电弧故障的电流范围约为75A~500A,而串联电弧故障的电流范围则与线路正常运行的电流范围大体一致,约为5A~30A。
基于上述内容,如果电流大于或等于预设电流阈值,则可以确定电流为并联电弧故障产生的电流。
由于在发生串联电弧故障的情况下的电流与在线路正常运行的情况下的电流大体一致,因此,较难以通过将电流与预定电流阈值比较的方式来确定是否发生串联电弧故障。针对串联电弧故障的检测方法依赖于人工设置的电弧故障特征来确定是否发生串联电弧故障,这不仅增加了工作量和工作难度,而且也限制了串联电弧故障的检测准确性。
有鉴于此,本公开提供了一种电弧故障检测模型的训练方法、电弧故障检测方法、电弧故障检测模型的训练装置、电弧故障检测装置、第一电子设备、第二电子设备、计算机可读存储介质和计算机程序产品。电弧故障检测模型的训练方法包括:获取训练样本数据集,其中,训练样本数据集包括多个目标训练电流信号,目标训练电流信号包括以下至少一项:并联电弧的训练电流信号和串联电弧的训练电流信号;以及利用训练样本数据集训练初始神经网络模型,得到电弧故障检测模型。
图3示意性示出了根据本公开实施例的可以应用电弧故障检测模型的训练方法或电弧故障检测方法的示例性系统架构300。需要注意的是,图3所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图3所示,根据该实施例的系统架构300可以包括终端设备301、302、303,网络304、第一嵌入式设备305、第二嵌入式设备306、第三嵌入式设备307和服务器308。网络304用以在终端设备301、302、303、第一嵌入式设备305、第二嵌入式设备306和第三嵌入式设备307之间提供通信链路的介质。网络304可以包括各种连接类型,例如有线和/或无线通信链路等。
用户可以使用终端设备301、302、303通过网络304与第一嵌入式设备305、第二嵌入式设备306或第三嵌入式设备307交互,以接收或发送消息等。终端设备301、302、303上可以安装有各种电弧检测应用。
终端设备301、302、303可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等。
第一嵌入式设备305可以将采集的目标训练电流信号传输至终端设备301、302、303,以便于终端设备301、302、303利用采集的目标训练电流信号训练电弧故障检测模型。第二嵌入式设备306和/或第三嵌入式设备307可以集成有上述电弧故障检测模型,以便于对第二嵌入式设备306采集的第一目标电流信号或第二目标电流信号进行识别,以判断第一目标电流信号或第二目标电流信号是否为故障电流,并将识别结果反馈给终端设备。
服务器308可以是提供各种服务的服务器,例如根据用户利用终端设备101、102、103发送的消息对电弧故障检测模型进行训练。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求得到的电弧故障检测模型的训练结果等)反馈给终端设备。
需要说明的是,本公开实施例所提供的电弧故障检测模型的训练方法可以由终端设备301、302、303或服务器308执行,电弧故障检测方法可以由嵌入式设备306和/或第三嵌入式设备307执行。相应地,本公开实施例所提供的电弧故障检测模型的训练装置可以设置于终端设备中,电弧故障检测装置可以设置于嵌入式设备306和/或第三嵌入式设备307中。
应该理解,图3中的终端设备、网络、嵌入式设备和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络、嵌入式设备和服务器。
图4示意性示出了根据本公开实施例的电弧故障检测模型的训练方法的流程图。
如图4所示,该方法可以包括操作S401~S402。
在操作S401,获取训练样本数据集,其中,训练样本数据集包括多个目标训练电流信号,目标训练电流信号包括以下至少一项:并联电弧的训练电流信号和串联电弧的训练电流信号。
在操作S402,利用训练样本数据集训练初始神经网络模型,得到电弧故障检测模型。
图5示意性示出了根据本公开实施例的初始神经网络模型的网络结构示意图。
如图5所示,初始神经网络模型可以包括但不限于Keras模型。其中,Keras模型可以包括四层全连接层网络,前三层全连接层使用Relu激活函数,每一层的神经元数分别为256、128和32。最后一层全连接层使用softmax分类器,整理输出多种可能的识别结果。
根据本公开的实施例,在迭代训练的过程中可以采用优化算法对迭代次数进行控制,其中,优化算法可以包括梯度下降法、牛顿法和拟牛顿法、共轭梯度法等,例如可以为Adam优化算法。
根据本公开的实施例,在迭代训练的过程中为了避免出现模型过拟合的情况,可以采用早停法(Early Stopping)确定模型的检测准确性,当检测准确性达到一定程度后自动停止继续迭代,以减少训练次数,降低计算压力。
图6示意性示出了根据本公开实施例的迭代次数与模型的检测准确性的关系示意图一。图7示意性示出了根据本公开实施例的迭代次数与模型的检测准确性的关系示意图二。
如图6和图7所示,图中accuracy表征训练集准确率,val_loss表征测试集损失值,val_accruacy表征测试集准确率。在图6中,该模型经过70次左右的迭代即已经达到了较高的训练集准确率。如图7所示,继续迭代训练,但是考虑到模型在多次迭代的过程中可能出现过拟合的情况,从而在第96次迭代后触发EarlyStop以自动停止训练,最终得到了98%以上的测试集准确率的电弧故障检测模型。
根据本公开的实施例,训练得到的电弧故障检测模型在保证了模型准确性的同时,尽可能的压缩了网络结构,并且对权重参数进行压缩,实现了模型的轻量化处理。
根据本公开的实施例,通过利用并联电弧和串联电弧的训练电流信号构成的训练样本数据集对初始神经网络模型进行训练,从而可以利用得到的电弧故障检测模型对采集的电流信号中的电弧故障进行检测,由于训练样本数据集包括串联电弧的训练电流信号,利用多个串联电弧的训练电流信号训练得到的电弧故障检测模型能够对电路中存在的串联电弧进行检测。此外,在训练电弧故障检测模型的过程中,能够自主学习串联电弧故障导致的电流信号中的故障特征,有效避免了人工选择故障特征造成的串联电弧故障的检测准确性较差的问题,提高了串联电弧故障的检测准确性。
根据本公开的实施例,电弧故障检测模型的训练方法还可以包括如下操作。
获取由第一嵌入式设备采集的多个初始训练信号。对多个初始训练信号进行预处理,得到多个目标训练电流信号。
根据本公开的实施例,第一嵌入式设备可以包括但不限于单片机。
根据本公开的实施例,由于第一嵌入式设备采集的初始训练信号中可能存在对电弧故障检测模型的检测准确性造成影响的干扰信号,因此可以对获取的初始训练信号进行预处理,从而得到用于电弧故障检测模型训练的目标训练电流信号。其中,预处理可以包括以下至少一项:过滤和降噪等。
根据本公开的实施例,由于不同采集设备原理等不同,利用额外设备采集信号再进行训练,在信号的传输过程中发生了较多次的转换,因此,可能导致用于训练的信号中电流波形发生改变,进而对训练得到的电弧故障检测模型的预测准确性造成影响。利用第一嵌入式设备进行初始训练信号的采集,有效避免了利用示波器等额外设备进行数据采集造成的信号的二次传递转换,尽可能保证了数据的真实性。
根据本公开的实施例,对多个初始训练信号进行预处理,得到多个目标训练电流信号,可以包括如下操作。
对多个初始训练信号进行数据清洗处理,得到多个第一训练信号。对每个第一训练信号进行分类处理,得到分类后的第一训练信号。利用预设分割规则处理每个分类后的第一训练信号,得到与分类后的第一训练信号对应的多个目标训练电流信号。
根据本公开的实施例,数据清洗处理可以指对多个采集到的初始训练信号进行筛选,以得到可以用于电弧故障检测模型训练的第一训练信号。例如,对采集到的初始训练信号进行筛选,以将电流波形的质量较差的信号进行剔除,便于后续对第一训练信号的分类。
根据本公开的实施例,分类处理可以指按照信号中是否存在电弧将其分为可用于电弧故障检测模型训练的有弧的第一训练信号,和不能用于电弧故障检测模型训练的无弧的无效信号。
根据本公开的实施例,由于第一训练信号中的电流的波形是呈周期排列的,因此在构建训练样本数据集的过程中,可以按照预设分割规则对第一训练信号中的电流波形进行分割,例如按照将每N个波形的电流信号分割为一个目标训练电流信号,其中,N的数值可以根据实际需求具体设定,例如可以为1。
根据本公开的实施例,通过对采集到的多个初始训练信号进行数据清洗和分类处理,由于剔除了电流波形的质量较差的信号和无弧的无效信号,因此,可以得到质量较好的目标训练电流信号,从而利用目标训练电流信号进行训练得到的电弧故障检测模型在使用时能够较为准确地预测第二目标电流信号是否为故障电流。
根据本公开的实施例,利用预设分割规则处理每个分类后的第一训练信号,得到与分类后的第一训练信号对应的多个目标训练电流信号,可以包括如下操作。
按照信号的波形周期对每个分类后的第一训练信号进行分割,得到多个第二训练信号。对每个第二训练信号进行降采样处理,得到多个第三训练信号。对每个第三训练信号进行归一化处理,得到多个第四训练信号。按照预设筛选规则对多个第四训练信号进行筛选,得到多个目标训练电流信号。
根据本公开的实施例,降采样可以指降低特定信号的采样率的过程,例如可以将第二训练信号的采样率降采样至400点。
根据本公开的实施例,归一化可以指将信号中的某一参数的绝对值变成某种相对值关系。例如可以对信号频率或电流进行归一化。归一化的处理能够使得多种负载和多种电流大小的信号均可以被用于电弧故障检测模型的训练。
根据本公开的实施例,通过对第一训练信号进行分割处理,能够扩大训练样本数据集中的目标训练电流信号的数量,从而进一步地提升电弧故障检测模型在使用时串联电弧故障的检测准确性。进一步地通过降采样和归一化处理,能够使得最终的多个目标训练电流信号的参数规格相同或相似,从而利用该多个目标训练电流信号对电弧故障检测模型进行训练的训练效果较好。
图8示意性示出了根据本公开另一实施例的电弧故障检测模型的训练方法示意图。
如图8所示,电弧故障检测模型的训练方法还可以包括如下操作:
获取多个第一目标电流信号和与每个第一目标电流信号对应的标签数据,其中,标签数据是根据电弧故障检测模型处理第一目标电流信号得到的检测结果确定的。在预设时间间隔后利用多个第一目标电流信号和与每个目标电流信号对应的标签数据训练电弧故障检测模型,得到新的电弧故障检测模型。
根据本公开的实施例,预设时间间隔可以根据实际需求具体设定,例如可以为一天。
如图8所示,在电弧故障检测模型的使用过程中,可以将采集得到的第一目标电流信号输入至电弧故障检测模型中,从而可以得到与第一目标电流信号对应的检测结果,其中,检测结果可以表征第一目标电流信号是否为故障电流。将第一目标电流信号和与其对应的检测结果进行关联,从而用于电弧故障检测模型更新时的训练样本。
根据本公开的实施例,可以将第一目标电流信号对应的标签数据存储于本地存储器或云端的存储器中,以便于周期性地从存储器中获取用于模型更新的目标训练电流信号。
根据本公开的实施例,通过利用第一目标电流信号以及与检测结果对应的标签数据生成的标签数据再次训练电弧故障检测模型,使得电弧故障检测模型可以在模型使用的过程中能够及时得到更新,从而电弧故障检测模型的检测准确性可以随着模型的使用得到进一步的提升,同时对于故障电流的检测更具有针对性。
图9示意性示出了根据本公开实施例的电弧故障检测方法示意图。
如图9所示,该方法可以包括操作S901~S902。
在操作S901,响应于电弧故障检测指令,确定第二目标电流信号,其中,第二目标电流信号包括以下至少一项:并联电弧的电流信号和串联电弧的电流信号。
在操作S902,将第二目标电流信号输入电弧故障检测模型,输出与第二目标电流信号对应的检测结果,其中,电弧故障检测模型是利用根据本公开实施例所述的电弧故障模型的训练方法训练的。
根据本公开的实施例,电弧故障检测指令可以由操作者利用软件或硬件发出,也可以由操作者设定的程序自动发出。
根据本公开的实施例,在电弧故障检测模型的使用过程中,可以响应于电弧故障检测指令,将获取的第二目标电流信号输入至电弧故障检测模型,从而输出对应于该第二目标电流信号的检测结果,该检测结果可以表征该第二目标电流信号是否为故障电流。
根据本公开的实施例,通过利用并联电弧和串联电弧的训练电流信号构成的训练样本数据集对初始神经网络模型进行训练,从而可以利用得到的电弧故障检测模型对采集的电流信号中的电弧故障进行检测,由于训练样本数据集包括串联电弧的训练电流信号,利用多个串联电弧的训练电流信号训练得到的电弧故障检测模型能够对电路中存在的串联电弧进行检测。此外,在训练电弧故障检测模型的过程中,能够自主学习串联电弧故障导致的电流信号中的故障特征,有效避免了人工选择故障特征造成的串联电弧故障的检测准确性较差的问题,提高了串联电弧故障的检测准确性。
根据本公开的实施例,响应于电弧故障检测指令,确定第二目标电流信号,可以包括如下操作:
响应于电弧故障检测指令,获取由第二嵌入式设备采集的第二目标电流信号。
根据本公开的实施例,第二目标电流信号的获取可以利用第二嵌入式设备,例如可以执行电流信号采集的单片机。
根据本公开的实施例,第二嵌入式设备的使用避免了利用示波器等额外设备进行电流信号采集,从而避免了电流信号的二次传递转换,可以为后续电弧故障检测模型的更新训练提供质量较高的训练样本数据集。
根据本公开的实施例,电弧故障检测方法还可以包括如下操作。
在检测结果指示第二目标电流信号为故障电流的情况下,向电弧保护装置发送电弧保护指令,以便电弧保护装置响应于电弧保护指令,执行电弧保护动作。
根据本公开的实施例,电弧保护装置可以包括但不限于脱扣器。
根据本公开的实施例,该电弧故障检测模型可以设置于第三嵌入式设备中,该第三嵌入式设备可以与电弧保护装置通信连接。在第三嵌入式设备中的电弧故障检测模型检测到该第二目标电流信号为故障电流的情况下,能够对应生成电弧保护指令并将其发送至电弧保护装置中,电弧保护装置响应于电弧保护指令,执行电弧保护动作,例如可以切断与该电弧保护装置连接的设备的电源。
根据本公开的实施例,第三嵌入式设备可以包括但不限于型号为stm32h750的单片机,该单片机为体积较小,价格较为低廉的微处理器。
需要说明的是,本公开的电弧故障检测模型可以在多种负载的情况下对电流信号进行检测,覆盖范围较广。
根据本公开的实施例,电弧故障检测模型在采用四层全连接层的keras框架的情况下,对网络结构以及权重参数进行了压缩,从而能够实现模型的轻量化,进而能够嵌入至第三嵌入式设备,有利于在保证检测准确性的的情况下,降低故障电流的检测成本。
根据本公开的实施例,利用本公开的轻量化的电弧故障检测模型,在实现较好的检测准确性的情况下,能够在128Kbyte Flash的单片机中运行,降低了对计算设备的要求。
图10示意性示出了根据本公开实施例的电弧故障检测模型的训练装置的框图。
如图10所示,电弧故障检测模型的训练装置1000可以包括获取模块1010和训练模块1020。
获取模块1010,用于获取训练样本数据集,其中,训练样本数据集包括多个目标训练电流信号,目标训练电流信号包括以下至少一项:并联电弧的训练电流信号和串联电弧的训练电流信号。
训练模块1020,用于利用训练样本数据集训练初始神经网络模型,得到电弧故障检测模型。
根据本公开的实施例,电弧故障检测模型的训练装置900还可以包括第二获取模块预处理模块。
第二获取模块,用于获取由第一嵌入式设备采集的多个初始训练信号。
预处理模块,用于对多个初始训练信号进行预处理,得到多个目标训练电流信号。
根据本公开的实施例,预处理模块可以包括数据清洗单元、分类单元和分割单元。
数据清洗单元,用于对多个初始训练信号进行数据清洗处理,得到多个第一训练信号。
分类单元,用于对每个第一训练信号进行分类处理,得到分类后的第一训练信号。
分割单元,用于利用预设分割规则处理每个分类后的第一训练信号,得到与分类后的第一训练信号对应的多个目标训练电流信号。
根据本公开的实施例,分割单元可以包括分割子单元、降采样子单元、归一化子单元和筛选子单元。
分割子单元,用于按照信号的波形周期对每个分类后的第一训练信号进行分割,得到多个第二训练信号。
降采样子单元,用于对每个第二训练信号进行降采样处理,得到多个第三训练信号。
归一化子单元,用于对每个第三训练信号进行归一化处理,得到多个第四训练信号。
筛选子单元,用于按照预设筛选规则对多个第四训练信号进行筛选,得到多个目标训练电流信号。
根据本公开的实施例,电弧故障检测模型的训练装置1000还可以包括第三获取模块和第二训练模块。
第三获取模块,用于获取多个第一目标电流信号和与每个第一目标电流信号对应的标签数据,其中,标签数据是根据电弧故障检测模型处理第一目标电流信号得到的检测结果确定的。
第二训练模块,用于在预设时间间隔后利用多个第一目标电流信号和与每个目标电流信号对应的标签数据训练电弧故障检测模型,得到新的电弧故障检测模型。
需要说明的是,本公开的实施例中电弧故障检测模型的训练装置部分与本公开的实施例中电弧故障检测模型的训练方法部分是相对应的,电弧故障检测模型的训练装置部分的描述具体参考电弧故障检测模型的训练方法部分,在此不再赘述。
图11示意性示出了根据本公开实施例的电弧故障检测装置的框图。
如图11所示,电弧故障检测装置1100可以包括确定模块1110和预测模块1120。
确定模块1110,用于响应于电弧故障检测指令,确定第二目标电流信号,其中,第二目标电流信号包括以下至少一项:并联电弧的电流信号和串联电弧的电流信号。
预测模块1120,用于将第二目标电流信号输入电弧故障检测模型,输出与第二目标电流信号对应的检测结果,其中,电弧故障检测模型是利用如上的方法训练的。
根据本公开的实施例,确定模块1110可以包括获取单元。
获取单元,用于响应于电弧故障检测指令,获取由第二嵌入式设备采集的第二目标电流信号。
根据本公开的实施例,电弧故障检测装置1100还可以包括保护模块。
保护模块,用于在检测结果指示第二目标电流信号为故障电流的情况下,向电弧保护装置发送电弧保护指令,以便电弧保护装置响应于电弧保护指令,执行电弧保护动作。
需要说明的是,本公开的实施例中电弧故障检测装置部分与本公开的实施例中电弧故障检测方法部分是相对应的,电弧故障检测装置部分的描述具体参考电弧故障检测方法部分,在此不再赘述。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArrays,PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,获取模块1010和训练模块1020,或确定模块1110和预测模块1120中的任意多个可以合并在一个模块/单元/子单元中实现,或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者,这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合,并在一个模块/单元/子单元中实现。根据本公开的实施例,获取模块1010和训练模块1020,或确定模块1110和预测模块1120中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块1010和训练模块1020,或确定模块1110和预测模块1120中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图12示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。图12示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图12所示,根据本公开实施例的电子设备1200包括处理器1201,其可以根据存储在只读存储器(Read-Only Memory,ROM)1202中的程序或者从存储部分1208加载到随机访问存储器(Random Access Memory,RAM)1203中的程序而执行各种适当的动作和处理。处理器1201例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器1201还可以包括用于缓存用途的板载存储器。处理器1201可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1203中,存储有电子设备1200操作所需的各种程序和数据。处理器1201、ROM 1202以及RAM 1203通过总线1204彼此相连。处理器1201通过执行ROM 1202和/或RAM1203中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 1202和RAM 1203以外的一个或多个存储器中。处理器1201也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备1200还可以包括输入/输出(I/O)接口1205,输入/输出(I/O)接口1205也连接至总线1204。系统1200还可以包括连接至I/O接口1205的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1206;包括诸如阴极射线管(CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分1207;包括硬盘等的存储部分1208;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至I/O接口1205。可拆卸介质1211,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1210上,以便于从其上读出的计算机程序根据需要被安装入存储部分1208。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1209从网络上被下载和安装,和/或从可拆卸介质1211被安装。在该计算机程序被处理器1201执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开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可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM(Erasable Programmable Read Only Memory,EPROM)或闪存)、便携式紧凑磁盘只读存储器(Computer Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 1202和/或RAM 1203和/或ROM 1202和RAM 1203以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行本公开实施例所提供的方法的程序代码,当计算机程序产品在电子设备上运行时,该程序代码可以应用于第一电子设备或第二电子设备,以使得第一电子设备实现电弧故障检测模型的训练方法,第二电子设备实现电弧故障检测方法,其中,第二电子设备可以包括第三嵌入式设备。
其中,嵌入设有上述电弧故障检测模型的第三嵌入式设备可以包括单片机和FPGA。
例如,第三嵌入式设备可以为stm32h7系列的单片机,由于该单片机的微控制单元(Microcontroller Unit,MCU)最高晶振频率为480MHz,并具有16位模数转换器的转换准确性,因此,其可以满足电弧故障检测的随机性和实时性所要求的转换准确性,无需外接模数转换器,且能够实现实时保护电路。
通过stm32cubeAI软件工具,可以将电弧故障检测模型转换为stm32mcu的优化代码,以使电弧故障检测模型的复杂度和内存需求最小化,并省去了人工在嵌入式设备上搭建电弧故障检测模型的工作。stm32h7系列的单片机具有较为完善的开发环境,能够较为简单地将结构复杂和参数较多的电弧故障检测模型转换成单片机可执行的C语言代码。
由于stm32h7系列的单片机不需要外接AD转换模块,因此,该单片机的体积较小,从而便于将嵌入设有上述电弧故障检测模型的单片机安装在线路中各个安装位置,且成本较低。
在该计算机程序被处理器1201执行时,执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分1209被下载和安装,和/或从可拆卸介质1211被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (15)
1.一种电弧故障检测模型的训练方法,包括:
获取训练样本数据集,其中,所述训练样本数据集包括多个目标训练电流信号,所述目标训练电流信号包括以下至少一项:并联电弧的训练电流信号和串联电弧的训练电流信号;以及
利用所述训练样本数据集训练初始神经网络模型,得到所述电弧故障检测模型。
2.根据权利要求1所述的方法,还包括:
获取由第一嵌入式设备采集的多个初始训练信号;以及
对多个所述初始训练信号进行预处理,得到多个所述目标训练电流信号。
3.根据权利要求2所述的方法,其中,所述对多个所述初始训练信号进行预处理,得到多个所述目标训练电流信号,包括:
对多个所述初始训练信号进行数据清洗处理,得到多个第一训练信号;
对每个所述第一训练信号进行分类处理,得到分类后的第一训练信号;以及
利用预设分割规则处理每个所述分类后的第一训练信号,得到与所述分类后的第一训练信号对应的多个所述目标训练电流信号。
4.根据权利要求3所述的方法,其中,所述利用预设分割规则处理每个所述分类后的第一训练信号,得到与所述分类后的第一训练信号对应的多个所述目标训练电流信号,包括:
按照信号的波形周期对每个所述分类后的第一训练信号进行分割,得到多个第二训练信号;
对每个所述第二训练信号进行降采样处理,得到多个第三训练信号;
对每个所述第三训练信号进行归一化处理,得到多个第四训练信号;以及
按照预设筛选规则对多个所述第四训练信号进行筛选,得到多个所述目标训练电流信号。
5.根据权利要求1~4中任一项所述的方法,还包括:
获取多个第一目标电流信号和与每个所述第一目标电流信号对应的标签数据,其中,所述标签数据是根据所述电弧故障检测模型处理所述第一目标电流信号得到的检测结果确定的;以及
在预设时间间隔后利用多个所述第一目标电流信号和与每个所述目标电流信号对应的标签数据训练所述电弧故障检测模型,得到新的电弧故障检测模型。
6.一种电弧故障检测方法,包括:
响应于电弧故障检测指令,确定第二目标电流信号,其中,所述第二目标电流信号包括以下至少一项:并联电弧的电流信号和串联电弧的电流信号;以及
将所述第二目标电流信号输入电弧故障检测模型,输出与所述第二目标电流信号对应的检测结果,其中,所述电弧故障检测模型是利用根据权利要求1~5中任一项所述的方法训练的。
7.根据权利要求6所述的方法,其中,所述响应于电弧故障检测指令,确定第二目标电流信号,包括:
响应于所述电弧故障检测指令,获取由第二嵌入式设备采集的所述第二目标电流信号。
8.根据权利要求6所述的方法,还包括:
在所述检测结果指示所述第二目标电流信号为故障电流的情况下,向电弧保护装置发送电弧保护指令,以便所述电弧保护装置响应于所述电弧保护指令,执行电弧保护动作。
9.一种电弧故障检测模型的训练装置,包括:
获取模块,用于获取所述训练样本数据集,其中,所述训练样本数据集包括多个目标训练电流信号,所述目标训练电流信号包括以下至少一项:并联电弧的训练电流信号和串联电弧的训练电流信号;以及
训练模块,用于利用所述训练样本数据集训练初始神经网络模型,得到所述电弧故障检测模型。
10.一种电弧故障检测装置,包括:
确定模块,用于响应于电弧故障检测指令,确定第二目标电流信号,其中,所述第二目标电流信号包括以下至少一项:并联电弧的电流信号和串联电弧的电流信号;以及
预测模块,用于将所述第二目标电流信号输入电弧故障检测模型,输出与所述第二目标电流信号对应的检测结果,其中,所述电弧故障检测模型是利用根据权利要求1~5中任一项所述的方法训练的。
11.一种第一电子设备,包括:
一个或多个第一处理器;
第一存储器,用于存储一个或多个第一程序,
其中,当所述一个或多个第一程序被所述一个或多个第一处理器执行时,使得所述一个或多个第一处理器实现权利要求1~5中任一项所述的方法。
12.一种第二电子设备,包括:
一个或多个第二处理器;
第二存储器,用于存储一个或多个第二程序,
其中,当所述一个或多个第二程序被所述一个或多个第二处理器执行时,使得所述一个或多个第二处理器实现权利要求6~8中任一项所述的方法。
13.根据权利要求12所述的设备,所述第二电子设备包括第三嵌入式设备。
14.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现权利要求1~5中任一项所述的方法或权利要求6~8中任一项所述的方法。
15.一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时用于实现权利要求1~5中任一项所述的方法或权利要求6~8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111682686.3A CN114330452A (zh) | 2021-12-31 | 2021-12-31 | 训练方法、电弧故障检测方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111682686.3A CN114330452A (zh) | 2021-12-31 | 2021-12-31 | 训练方法、电弧故障检测方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114330452A true CN114330452A (zh) | 2022-04-12 |
Family
ID=81023520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111682686.3A Pending CN114330452A (zh) | 2021-12-31 | 2021-12-31 | 训练方法、电弧故障检测方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330452A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110702966A (zh) * | 2019-10-17 | 2020-01-17 | 北京航天常兴科技发展股份有限公司 | 一种基于概率神经网络的故障电弧检测方法、装置及系统 |
CN111239569A (zh) * | 2020-03-12 | 2020-06-05 | 杭州电弧数据科技有限公司 | 电弧故障检测方法、装置、设备及存储介质 |
CN112505512A (zh) * | 2020-01-02 | 2021-03-16 | 青岛鼎信通讯股份有限公司 | 一种故障电弧的识别方法、装置、设备及介质 |
CN113592071A (zh) * | 2021-06-22 | 2021-11-02 | 广州大学 | 设备故障识别模型训练、识别方法、系统、装置及介质 |
CN113627547A (zh) * | 2021-08-16 | 2021-11-09 | 河北工业大学 | 训练方法、电弧检测方法、装置、电子设备及存储介质 |
CN113848439A (zh) * | 2021-09-27 | 2021-12-28 | 深圳供电局有限公司 | 故障电弧检测方法、装置、计算机设备和存储介质 |
-
2021
- 2021-12-31 CN CN202111682686.3A patent/CN114330452A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110702966A (zh) * | 2019-10-17 | 2020-01-17 | 北京航天常兴科技发展股份有限公司 | 一种基于概率神经网络的故障电弧检测方法、装置及系统 |
CN112505512A (zh) * | 2020-01-02 | 2021-03-16 | 青岛鼎信通讯股份有限公司 | 一种故障电弧的识别方法、装置、设备及介质 |
CN111239569A (zh) * | 2020-03-12 | 2020-06-05 | 杭州电弧数据科技有限公司 | 电弧故障检测方法、装置、设备及存储介质 |
CN113592071A (zh) * | 2021-06-22 | 2021-11-02 | 广州大学 | 设备故障识别模型训练、识别方法、系统、装置及介质 |
CN113627547A (zh) * | 2021-08-16 | 2021-11-09 | 河北工业大学 | 训练方法、电弧检测方法、装置、电子设备及存储介质 |
CN113848439A (zh) * | 2021-09-27 | 2021-12-28 | 深圳供电局有限公司 | 故障电弧检测方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020259421A1 (zh) | 一种业务系统的监控方法及装置 | |
CN112436968B (zh) | 一种网络流量的监测方法、装置、设备及存储介质 | |
CN110806954B (zh) | 评估云主机资源的方法、装置、设备及存储介质 | |
US11115295B2 (en) | Methods and systems for online monitoring using a variable data | |
CN109871315B (zh) | 基于机器学习的系统升级失败的诊断方法及装置 | |
US11449798B2 (en) | Automated problem detection for machine learning models | |
EP3796115B1 (en) | Anomaly detection for robotic arms using vibration data | |
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
US20140351414A1 (en) | Systems And Methods For Providing Prediction-Based Dynamic Monitoring | |
CN115686908A (zh) | 一种数据处理方法及相关设备 | |
US11119879B2 (en) | Detection of resource bottlenecks in execution of workflow tasks using provenance data | |
CN113963186A (zh) | 目标检测模型的训练方法、目标检测方法及相关装置 | |
CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
CN114330452A (zh) | 训练方法、电弧故障检测方法、装置、电子设备及介质 | |
CN116755974A (zh) | 云计算平台运维方法、装置、电子设备及存储介质 | |
CN113032237B (zh) | 数据处理方法及装置、电子设备和计算机可读存储介质 | |
US20210279597A1 (en) | System for predictive maintenance using discriminant generative adversarial networks | |
CN110413482B (zh) | 检测方法和装置 | |
CN113326889A (zh) | 用于训练模型的方法和装置 | |
CN104883273A (zh) | 虚拟化服务管理平台中业务影响模型的处理方法和系统 | |
US20240121017A1 (en) | Method and network device for determining causes of network slice performance degradation in an open radio access network, o-ran | |
CN115292146B (zh) | 一种系统容量预估方法、系统、设备及存储介质 | |
CN115206078B (zh) | 基于云数据分析的铁路锚固检测及预警方法、系统及设备 | |
US20240144074A1 (en) | Methods, systems, articles of manufacture and apparatus to manage training for machine learning models | |
WO2024046166A1 (zh) | 一种故障检测方法以及相关装置 |
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 |