CN114689122B - 一种设备故障监测方法、装置、设备及介质 - Google Patents
一种设备故障监测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114689122B CN114689122B CN202210334994.5A CN202210334994A CN114689122B CN 114689122 B CN114689122 B CN 114689122B CN 202210334994 A CN202210334994 A CN 202210334994A CN 114689122 B CN114689122 B CN 114689122B
- Authority
- CN
- China
- Prior art keywords
- sequence
- value
- calculating
- data set
- output
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000003745 diagnosis Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 46
- 238000004590 computer program Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属变电站智能化运维管理技术领域,具体公开了一种设备故障监测方法、装置、设备及介质。获取设备数据,生成基础序列;将基础序列与预设值比较,若基础序列中的数据小于预设值则无故障发生,若基础序列中的数据大于预设值则根据基础序列生成标准序列;将标准序列输入循环神经网络中,得到与标准序列对应的标签序列;根据标准序列计算特征数据集;根据特征数据集和标签序列计算最终目标损失函数;根据最终目标损失函数获得权重值;对权重值进行轻量化处理并输出;根据最终输出参数进行故障诊断。本发明通过对设备数据进行轻量化处理使故障判断在边缘服务器或传感器处进行,无需云端服务器,提高了故障判断速度。
Description
技术领域
本发明属变电站智能化运维管理技术领域,具体涉及一种设备故障监测方法、装置、设备及介质。
背景技术
智慧变电站作为电力物联网的一个重要载体,目前变电站的巡视检查是日常运行维护的主要工作,传统的作业方式是由运维人员赴现场作业,完成后由运维人员进行巡检记录并送回主站,其工作周期长,工作效率低下,同时也浪费了人力物力资源。目前在变电站设备监测过程中,设备上安装的传感器都在固定位置进行数据采集。常规传感器没有自主运动和施动能力,同时缺乏前端数据处理能力,难以满足变电站巡检任务的需求。
当前,变电站巡检机器人的巡检策略一般由运维人员提前制定,如果遇到紧急情况,无法及时进行补充巡检。同时,机器人识别能力有限,无法自动检测到巡检对象以及其当前状态;变电站内各种一、二次设备传感器采集的数据信息也大多比较孤立,设备状态的评估主要依靠一种或有限的几种传感器数据来完成,具有一定的局限性。
现有智慧变电站运行过程中过渡依赖云中心,导致物联网的效率达不到预期,特别是对时延要求严格的场景,物联网部署变得毫无意义。例如,用于设备监控的场景下,摄像头获取现场视频及图像并传输到云中心处理的模式,不仅需要高速带宽传输大量无效数据,而且给云中心也带来巨大负担。最终结果是处理成本高昂,处理时间长,效率低下。
现有边云协同方式仅仅考虑主站与边缘侧终端的计算能力,通过计算卸载,流量控制等策略,实现边云之间协同数据处理,数据处理的质量与效率不够,影响边云协同的质量。
发明内容
本发明的目的在于,提供一种设备故障监测方法、装置、设备及介质,以解决现有技术中过于依赖云中心处理导致成本高,处理时间长,效率低的技术问题。
为实现上述目的,本发明采用如下技术方案予以实现:
第一方面,一种设备故障监测方法,包括以下步骤:
获取设备数据,生成基础序列;
将基础序列与预设值比较,若基础序列中的数据小于预设值则无故障发生,若基础序列中的数据大于预设值则根据基础序列生成标准序列;
将标准序列输入循环神经网络中,得到与标准序列对应的标签序列;
根据标准序列计算特征数据集;
根据特征数据集和标签序列计算最终目标损失函数;
根据最终目标损失函数获得权重值;
对权重值进行轻量化处理并输出;
根据最终输出参数进行故障诊断。
本发明的进一步改进在于:所述预设值为历史故障时刻设备数据的最小值。
本发明的进一步改进在于:根据基础序列生成标准序列时,对标准序列中不同种类的设备数据进行0/1标准化处理,计算标准化数据xp:
式中,x为基础序列中的数据;xmax为基础序列中x类设备数据中的最大值;xmin为基础序列中x类设备数据中的最小值;
根据标准化数据xp生成标准序列{x1p,x2p,x3p……xnp}。
本发明的进一步改进在于:根据标准序列计算特征数据集时,具体包括以下步骤:
计算标准序列{x1p,x2p,x3p……xnp}传播过程中t时刻的隐藏状态ht;;
ht=σ1(Uxt+Wht-1+b);
式中,σ1为第一激活函数,W、U和b为循环神经网络生成的网络参数;
根据t时刻的隐藏状态ht计算t时刻隐藏层的输出值Ot;
Ot=Vht+c;
式中,Ot为t时刻隐藏层的输出值;V和c为循环神经网络生成的网络参数;
根据t时刻隐藏层的输出值Ot,计算t时刻的预测输出值Yt;
Yt=σ2(Ot);
式中,σ2为第二激活函数;
根据不同时刻的预测输出值Yt,生成特征数据集。
本发明的进一步改进在于:根据特征数据集和标签序列计算最终目标损失函数时,具体包括以下步骤:
从标签序列{y1,y2,y3……yn}中获取t时刻的目标输出值yt;
从特征数据集中获取t时刻的预测输出值Yt;
根据预测输出值Yt和目标输出值yt计算损失函数Lt::
式中,n为输出数据的个数,i为使用的级数;
根据损失函数Lt计算最终目标损失函数L(θ):
式中,T为时间t的最大值;Lt为t时刻的损失函数。
本发明的进一步改进在于:对权重值进行轻量化处理时,具体包括以下步骤:
通过伯努利分布产生随机参数;
式中,(k)为上标,α(k)表示第(k)个预测输出值的随机参数;k为随机数;j表示丢弃后保留的数据,pdrop为丢弃概率;
根据随机参数和特征数据集,计算特征数据集中保留的特征数据Y(k);
对特征数据集中保留的特征数据Y(k)重新拟合计算新输出预测值Z:
式中,w为权重值,b为网络参数,i表示使用级数,w和b根据最终目标损失函数L(θ)生成;
通过函数f对新输出预测值Z再次修正,得到最终输出预测值H;
根据最终输出预测值H生成新的权重值w新;
对重新得到权重值w新进行丢弃,获得最后的输出参数
本发明的进一步改进在于:对若干个最后的输出参数通过聚类算法优化,形成N个簇。
第二方面,一种设备故障监测装置,包括:
基础序列生成模块:用于获取设备数据,生成基础序列;
故障判断模块:用于将基础序列与预设值比较,若基础序列中的数据小于预设值则无故障发生,若基础序列中的数据大于预设值则根据基础序列生成标准序列;
标签序列生成模块:用于将标准序列输入循环神经网络中,得到与标准序列对应的标签序列;
特征数据集生成模块:用于根据标准序列计算特征数据集;
最终目标损失函数生成模块:用于根据特征数据集和标签序列计算最终目标损失函数;
权重值获取模块:用于根据最终目标损失函数获得权重值;
轻量化处理模块:用于对权重值进行轻量化处理并输出;
故障诊断模块:根据最终输出参数进行故障诊断。
第三方面,一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种设备故障监测方法。
第四方面,一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述一种设备故障监测方法。
与现有技术相比,本发明至少包括以下有益效果:
1、本发明通过对设备数据进行轻量化处理使故障判断在边缘服务器或传感器处进行,无需云端服务器,提高了故障判断速度,降低了运营成本;
2、本发明通过聚类算法优化输出参数,进一步降低了数据大小,提高了运算效率。
3、本发明通过循环神经网络就地数据处理判断故障类型,与前端传感器实时互动,实现了边缘侧的智能故障诊断,为自动巡检打下了基础,从而实现对感知数据的高效处理。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明一种设备故障监测方法的流程图;
图2为本发明一种设备故障监测装置的结构框图;
图3为本发明一种设备故障监测方法中循环神经网络的示意图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。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。
以下详细说明均是示例性的说明,旨在对本发明提供进一步的详细说明。除非另有指明,本发明所采用的所有技术术语与本发明所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式,而并非意图限制根据本发明的示例性实施方式。
实施例1
如图1所示,一种设备故障监测方法,包括以下步骤:
通过多参量传感器实时采集,从而获取变电站设备数据,生成基础序列{x1,x2,x3……xn},设备数据包括变压器局放、温度、噪声,GIS局放,汇控柜温湿度等;
对基础序列进行数据判断,将基础序列中的数据与预设值进行比较,若基础序列中的数据小于预设值则无故障发生,若基础序列中的数据大于预设值则根据基础序列生成标准序列;预设值为历史故障时刻设备数据的最小值;如对变压器温度数据进行数据判断时,将本次获取的变压器温度数据x温与历史上变压器出现故障时的最低变压器温度数据进行比较;
根据基础序列生成标准序列时,由于不同种类的设备数据具有不同的数值范围,为有效提取数据特征,在输入神经网络之前可将不同类的数值进行0/1标准化处理,计算标准化数据xp;
式中,x为基础序列中的数据;xmax为基础序列中x类设备数据中的最大值;xmin为基础序列中x类设备数据中的最小值;xp是经标准化处理后的设备数据;经过处理后,不同的设备数据数值均落在0到1的区间,拥有统一的数值标准;
根据标准化数据xp生成标准序列{x1p,x2p,x3p……xnp};
将标准序列{x1p,x2p,x3p……xnp}输入循环神经网络(RNN)中,得到与标准序列{x1p,x2p,x3p……xnp}对应的标签序列{y1,y2,y3……yn};
如图3所示,根据标准序列{x1p,x2p,x3p……xnp}建立动态系统模型,计算标准序列{x1p,x2p,x3p……xnp}传播过程中t时刻的隐藏状态ht,ht取决于当前时刻t的输入xt与上一时刻t-1的隐藏状态ht-1:
ht=σ1(Uxt+Wht-1+b);
σ1=tanh;
式中,σ1为第一激活函数采用双曲正切函数tanh,W、U和b为循环神经网络生成的网络参数;
根据t时刻的隐藏状态ht计算t时刻隐藏层的输出值Ot;
Ot=Vht+c;
式中,Ot为t时刻隐藏层的输出值;V和c为循环神经网络生成的网络参数;
利用t时刻隐藏层的输出值Ot,计算t时刻的预测输出值Yt;
Yt=σ2(Ot);
式中,σ2为第二激活函数采用softmax函数;
根据不同时刻的预测输出值Yt,生成特征数据集;
根据t时刻的预测输出值Yt和t时刻的目标输出值yt之间的均方误差做为损失函数Lt以量化当前模型的性能;t时刻的目标输出值yt从标签序列{y1,y2,y3……yn}中获取;
式中,n为输出数据的个数;
在RNN的反向传播过程中采用梯度下降法更新网络参数,由于在传播序列上的每个位置都存在误差,因此根据损失函数Lt计算最终目标损失函数L(θ);
式中,T为时间t的最大值;Lt为t时刻的损失函数。
由于深度卷积层,是由特征层升维后得到,含有冗余信息,为了进一步优化网络模型,在深度卷积层后进行轻量化处理,以概率p随机丢弃冗余神经元节点,使得这部分神经元节点在推理阶段不参与计算;
根据伯努利分布产生随机参数;
式中,(k)为上标,α(k)表示第(k)个预测输出值的随机参数;k为随机数;j表示丢弃后保留的数据,pdrop为丢弃概率;
根据随机参数和特征数据集,计算特征数据集中保留的特征数据Y(k);
对特征数据集中保留的特征数据Y(k)重新拟合计算新输出预测值Z:
式中,w为权重值,b为网络参数,i表示使用级数,w和b根据最终目标损失函数L(θ)生成;
通过函数f对新输出预测值Z再次修正,得到最终输出预测值H;
最终输出预测值H用于在下次迭代过程中生成新的网络参数b和权重值w新;
对重新得到权重值w新进行丢弃,获得最后的输出参数:
原有M个参数W进一步通过聚类算法优化,形成N个簇,通过这两个步骤,可以减少参数的体积5-10倍。
{W1,W2…WM}→{Q1,Q2…QN}
对最终输出参数进行故障诊断,若诊断结果为故障,则直接发出警报;若诊断结果为正常,则再次获取设备数据进行二次诊断,若二次诊断结果为故障,则直接发出警报;若诊断结果为正常,则结束流程。
实施例2
如图2所示,一种设备故障监测装置,包括:
基础序列生成模块:用于获取设备数据,生成基础序列;
故障判断模块:用于将基础序列与预设值比较,若基础序列中的数据小于预设值则无故障发生,若基础序列中的数据大于预设值则根据基础序列生成标准序列;
标签序列生成模块:用于将标准序列输入循环神经网络中,得到与标准序列对应的标签序列;
特征数据集生成模块:用于根据标准序列计算特征数据集;
最终目标损失函数生成模块:用于根据特征数据集和标签序列计算最终目标损失函数;
权重值获取模块:用于根据最终目标损失函数获得权重值;
轻量化处理模块:用于对权重值进行轻量化处理并输出;
故障诊断模块:根据最终输出参数进行故障诊断。
实施例3
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时上述一种设备故障监测方法。
实施例4
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述一种设备故障监测方法。
由技术常识可知,本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此,上述公开的实施方案,就各方面而言,都只是举例说明,并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (6)
1.一种设备故障监测方法,其特征在于,包括以下步骤:
获取设备数据,生成基础序列;
将基础序列与预设值比较,若基础序列中的数据小于预设值则无故障发生,若基础序列中的数据大于预设值则根据基础序列生成标准序列;
将标准序列输入循环神经网络中,得到与标准序列对应的标签序列;
根据标准序列计算特征数据集;
根据特征数据集和标签序列计算最终目标损失函数;
根据最终目标损失函数获得权重值;
对权重值进行轻量化处理并输出;
根据最终输出参数进行故障诊断;
根据基础序列生成标准序列时,对标准序列中不同种类的设备数据进行0/1标准化处理,计算标准化数据,并根据标准化数据生成标准序列;
根据标准序列计算特征数据集时,先计算标准序列传播过程中t时刻的隐藏状态;
根据t时刻的隐藏状态计算t时刻隐藏层的输出值;
根据t时刻隐藏层的输出值,计算t时刻的预测输出值;
根据不同时刻的预测输出值,生成特征数据集;
根据特征数据集和标签序列计算最终目标损失函数时,具体包括以下步骤:
从标签序列中获取t时刻的目标输出值;
从特征数据集中获取t时刻的预测输出值;
根据预测输出值和目标输出值计算损失函数:
根据损失函数计算最终目标损失函数;
对权重值进行轻量化处理时,具体包括以下步骤:
通过伯努利分布产生随机参数;
根据随机参数和特征数据集,计算特征数据集中保留的特征数据;
对特征数据集中保留的特征数据重新拟合计算新输出预测值:
通过函数对新输出预测值再次修正,得到最终输出预测值;
根据最终输出预测值生成新的权重值;
对重新得到权重值进行随机丢弃,获得最后的输出参数。
2.根据权利要求1所述的一种设备故障监测方法,其特征在于,所述预设值为历史故障时刻设备数据的最小值。
3.根据权利要求1所述的一种设备故障监测方法,其特征在于,对若干个最后的输出参数通过聚类算法优化,形成N个簇。
4.一种设备故障监测装置,其特征在于,包括:
基础序列生成模块:用于获取设备数据,生成基础序列;
故障判断模块:用于将基础序列与预设值比较,若基础序列中的数据小于预设值则无故障发生,若基础序列中的数据大于预设值则根据基础序列生成标准序列;
标签序列生成模块:用于将标准序列输入循环神经网络中,得到与标准序列对应的标签序列;
特征数据集生成模块:用于根据标准序列计算特征数据集;
最终目标损失函数生成模块:用于根据特征数据集和标签序列计算最终目标损失函数;
权重值获取模块:用于根据最终目标损失函数获得权重值;
轻量化处理模块:用于对权重值进行轻量化处理并输出;
故障诊断模块:根据最终输出参数进行故障诊断;
根据基础序列生成标准序列时,对标准序列中不同种类的设备数据进行0/1标准化处理,计算标准化数据,并根据标准化数据生成标准序列;
根据标准序列计算特征数据集时,先计算标准序列传播过程中t时刻的隐藏状态;
根据t时刻的隐藏状态计算t时刻隐藏层的输出值;
根据t时刻隐藏层的输出值,计算t时刻的预测输出值;
根据不同时刻的预测输出值,生成特征数据集;
根据特征数据集和标签序列计算最终目标损失函数时,具体包括以下步骤:
从标签序列中获取t时刻的目标输出值;
从特征数据集中获取t时刻的预测输出值;
根据预测输出值和目标输出值计算损失函数:
根据损失函数计算最终目标损失函数;
对权重值进行轻量化处理时,具体包括以下步骤:
通过伯努利分布产生随机参数;
根据随机参数和特征数据集,计算特征数据集中保留的特征数据;
对特征数据集中保留的特征数据重新拟合计算新输出预测值:
通过函数对新输出预测值再次修正,得到最终输出预测值;
根据最终输出预测值生成新的权重值;
对重新得到权重值进行随机丢弃,获得最后的输出参数。
5.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现权利要求1-3任一项所述一种设备故障监测方法。
6.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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1-3任一项所述一种设备故障监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210334994.5A CN114689122B (zh) | 2022-03-31 | 2022-03-31 | 一种设备故障监测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210334994.5A CN114689122B (zh) | 2022-03-31 | 2022-03-31 | 一种设备故障监测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114689122A CN114689122A (zh) | 2022-07-01 |
CN114689122B true CN114689122B (zh) | 2023-11-10 |
Family
ID=82140177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210334994.5A Active CN114689122B (zh) | 2022-03-31 | 2022-03-31 | 一种设备故障监测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114689122B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106199351A (zh) * | 2016-06-27 | 2016-12-07 | 国网北京市电力公司 | 局部放电信号的分类方法和装置 |
CN108764372A (zh) * | 2018-06-08 | 2018-11-06 | Oppo广东移动通信有限公司 | 数据集的构建方法和装置、移动终端、可读存储介质 |
CN110647980A (zh) * | 2019-09-18 | 2020-01-03 | 成都理工大学 | 一种基于gru神经网络的时间序列预测方法 |
CN110874506A (zh) * | 2018-08-31 | 2020-03-10 | 青岛大数华创科技有限公司 | 一种低温设备故障预测的方法 |
CN111414932A (zh) * | 2020-01-07 | 2020-07-14 | 北京航空航天大学 | 一种飞行器多尺度信号的分类识别与故障检测方法 |
WO2020202857A1 (en) * | 2019-03-29 | 2020-10-08 | Mitsubishi Electric Corporation | Predictive classification of future operations |
CN112729381A (zh) * | 2020-12-11 | 2021-04-30 | 广州致新电力科技有限公司 | 一种基于神经网络的高压断路器的故障诊断方法 |
CN112926728A (zh) * | 2021-03-22 | 2021-06-08 | 南京理工大学 | 一种永磁同步电机小样本匝间短路故障诊断方法 |
CN113095413A (zh) * | 2021-04-14 | 2021-07-09 | 山东建筑大学 | 变工况故障诊断方法、系统、存储介质及设备 |
CN113486877A (zh) * | 2021-06-08 | 2021-10-08 | 广西大学 | 基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法 |
CN113723703A (zh) * | 2021-09-07 | 2021-11-30 | 东莞理工学院 | 基于多源数据融合和深度学习的水质预测方法及其系统 |
WO2022034983A1 (ko) * | 2020-08-14 | 2022-02-17 | 주식회사 한국파워셀 | 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8924033B2 (en) * | 2010-05-12 | 2014-12-30 | Alstom Grid Inc. | Generalized grid security framework |
US20200380369A1 (en) * | 2019-05-31 | 2020-12-03 | Nvidia Corporation | Training a neural network using selective weight updates |
CN110334740A (zh) * | 2019-06-05 | 2019-10-15 | 武汉大学 | 人工智能推理融合的电力设备故障检测定位方法 |
-
2022
- 2022-03-31 CN CN202210334994.5A patent/CN114689122B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106199351A (zh) * | 2016-06-27 | 2016-12-07 | 国网北京市电力公司 | 局部放电信号的分类方法和装置 |
CN108764372A (zh) * | 2018-06-08 | 2018-11-06 | Oppo广东移动通信有限公司 | 数据集的构建方法和装置、移动终端、可读存储介质 |
CN110874506A (zh) * | 2018-08-31 | 2020-03-10 | 青岛大数华创科技有限公司 | 一种低温设备故障预测的方法 |
WO2020202857A1 (en) * | 2019-03-29 | 2020-10-08 | Mitsubishi Electric Corporation | Predictive classification of future operations |
CN110647980A (zh) * | 2019-09-18 | 2020-01-03 | 成都理工大学 | 一种基于gru神经网络的时间序列预测方法 |
CN111414932A (zh) * | 2020-01-07 | 2020-07-14 | 北京航空航天大学 | 一种飞行器多尺度信号的分类识别与故障检测方法 |
WO2022034983A1 (ko) * | 2020-08-14 | 2022-02-17 | 주식회사 한국파워셀 | 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치 |
CN112729381A (zh) * | 2020-12-11 | 2021-04-30 | 广州致新电力科技有限公司 | 一种基于神经网络的高压断路器的故障诊断方法 |
CN112926728A (zh) * | 2021-03-22 | 2021-06-08 | 南京理工大学 | 一种永磁同步电机小样本匝间短路故障诊断方法 |
CN113095413A (zh) * | 2021-04-14 | 2021-07-09 | 山东建筑大学 | 变工况故障诊断方法、系统、存储介质及设备 |
CN113486877A (zh) * | 2021-06-08 | 2021-10-08 | 广西大学 | 基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法 |
CN113723703A (zh) * | 2021-09-07 | 2021-11-30 | 东莞理工学院 | 基于多源数据融合和深度学习的水质预测方法及其系统 |
Non-Patent Citations (2)
Title |
---|
LightweightNet: Toward fast and lightweight convolutional neural networks via architecture distillation;Ting-Bing Xu 等;《Pattern Recognition》;272-284 * |
基于量测数据贝叶斯概率矩阵分解的变压器运行状态监测方法;程逍 等;《电力系统及其自动化学报》;第34卷(第1期);100-107 * |
Also Published As
Publication number | Publication date |
---|---|
CN114689122A (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529719B (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
CN112418277A (zh) | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 | |
CN108764456B (zh) | 机载目标识别模型构建平台、机载目标识别方法及设备 | |
CN112130086B (zh) | 一种动力电池剩余寿命预测方法及系统 | |
CN113159341A (zh) | 融合深度强化学习和专家经验的配电网辅助决策方法及系统 | |
CN113536670B (zh) | 一种群体产品剩余寿命预测的联邦迁移学习方法 | |
CN113252701B (zh) | 基于云边协同的输电线路绝缘子自爆缺陷检测系统及方法 | |
CN106709607A (zh) | 分布式光伏电站智能监控运维系统 | |
CN115598557B (zh) | 一种基于恒压充电电流的锂电池soh估计方法 | |
CN112803398A (zh) | 基于经验模态分解和深度神经网络的负荷预测方法及系统 | |
CN113988398A (zh) | 一种风电机组功率预测方法、装置、电子设备和存储介质 | |
CN115908051A (zh) | 一种电力系统储能容量确定方法 | |
CN114689122B (zh) | 一种设备故障监测方法、装置、设备及介质 | |
CN111679970B (zh) | 机器人软件系统运行环境状态预测方法 | |
CN105207255B (zh) | 一种适用于风电出力的电力系统调峰计算方法 | |
CN116415714A (zh) | 风电功率预测方法、装置、电子设备及可读存储介质 | |
CN113158134B (zh) | 非侵入式负荷辨识模型的构建方法、装置和存储介质 | |
CN111988192A (zh) | 一种基于机器学习的列车通信网络故障诊断方法 | |
CN113570473B (zh) | 设备故障监测方法、装置、计算机设备和存储介质 | |
CN116109058A (zh) | 一种基于深度强化学习的变电站巡视管理方法和装置 | |
CN115441475A (zh) | 一种电网输电线路功率紧急控制方法 | |
CN112801815B (zh) | 一种基于联邦学习的电力通信网络故障预警方法 | |
CN114692729A (zh) | 基于深度学习的新能源场站不良数据辨识与修正方法 | |
CN112036472A (zh) | 一种电力系统视觉图像分类方法及系统 | |
Yu et al. | Look-ahead power grid dispatch method based on A2C algorithm |
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 |