CN114817840A - 断路器状态检测方法、装置、设备及计算机可读存储介质 - Google Patents

断路器状态检测方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN114817840A
CN114817840A CN202210448501.0A CN202210448501A CN114817840A CN 114817840 A CN114817840 A CN 114817840A CN 202210448501 A CN202210448501 A CN 202210448501A CN 114817840 A CN114817840 A CN 114817840A
Authority
CN
China
Prior art keywords
circuit breaker
state detection
current
vibration
target
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
Application number
CN202210448501.0A
Other languages
English (en)
Inventor
陈晨
姚玺峰
胡应龙
林建材
张良
黄震宇
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.)
Shanghai Chint Intelligent Technology Co Ltd
Original Assignee
Shanghai Chint Intelligent Technology 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 Shanghai Chint Intelligent Technology Co Ltd filed Critical Shanghai Chint Intelligent Technology Co Ltd
Priority to CN202210448501.0A priority Critical patent/CN114817840A/zh
Publication of CN114817840A publication Critical patent/CN114817840A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • 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
    • G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
    • G01R31/3277—Testing of circuit interrupters, switches or circuit-breakers of low voltage devices, e.g. domestic or industrial devices, such as motor protections, relays, rotation switches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion 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
    • G06N3/045—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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Optimization (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Arc-Extinguishing Devices That Are Switches (AREA)

Abstract

本申请实施例提供一种断路器状态检测方法、装置、设备及计算机可读存储介质，方法包括：获取目标断路器的振动信号，以及目标断路器中分合闸电磁铁线圈的第一电流信号；根据第一电流信号中电流值的变化趋势，确定目标断路器的电流时域特征；对振动信号进行时频变换，得到目标断路器的振动时频特征；根据电流时域特征以及振动时频特征，确定目标断路器的状态检测结果。本申请实施例提供的技术方案，通过获取断路器的振动信号以及分合闸电磁铁线圈的电流信号，并分别从机械振动以及电流变化趋势两个维度来提取得到断路器的多维特征，最终利用多维特征实现对断路器的状态检测可以实现更好的状态检测效果。

Description

断路器状态检测方法、装置、设备及计算机可读存储介质
技术领域
本申请实施例涉及断路器检测技术领域，具体涉及一种断路器状态检测方法、装置、设备及计算机可读存储介质。
背景技术
断路器作为电力系统中低压侧重要的开关设备，需要保证自身的安全运行，一旦出现安全问题，可能会导致非常严重的安全事故。
目前，对断路器状态的检测主要是基于断路器的振动信号对断路器进行机械故障检测。然而，上述检测方式还存在着断路器状态检测精度不足，检测效果差的技术问题。
发明内容
本申请实施例提供一种断路器状态检测方法、装置、设备及计算机可读存储介质，旨在解决现有的断路器状态检测方法存在的检测精度不足，检测效果差的技术问题。
一方面，本申请实施例提供一种断路器状态检测方法，包括：
获取目标断路器的振动信号，以及所述目标断路器中分合闸电磁铁线圈的第一电流信号；
根据所述第一电流信号中电流值的变化趋势，确定所述目标断路器的电流时域特征；
对所述振动信号进行时频变换，得到所述目标断路器的振动时频特征；
根据所述电流时域特征以及所述振动时频特征，确定所述目标断路器的状态检测结果。
作为本申请的一种可行实施例，所述根据所述电流时域特征以及所述振动时频特征，确定所述目标断路器的状态检测结果，包括：
获取已训练的状态检测模型；所述已训练的状态检测模型是基于样本断路器的样本振动信号、样本电流信号以及状态标签对预设的初始状态检测模型进行训练得到；
将所述电流时域特征和所述振动时频特征进行相加，得到融合特征；
将所述融合特征输入至所述状态检测模型，输出所述目标断路器的状态检测结果。
作为本申请的一种可行实施例，所述获取已训练的状态检测模型之前，所述方法还包括：
根据样本断路器的样本振动信号和样本电流信号，确定所述样本断路器的电流样本特征和振动样本特征；
根据预设的初始状态检测模型对所述电流样本特征和所述振动样本特征进行处理，输出所述样本断路器的预测状态；
根据所述预测状态与所述状态标签之间的差异，对所述初始状态检测模型中的参数进行更新，得到更新后的状态检测模型；
直至利用更新后的状态检测模型对样本断路器的样本振动信号、样本电流信号进行处理所得到的预测状态与样本断路器的状态标签之间的差异满足预设条件时，将更新后的状态检测模型设为已训练的状态检测模型。
作为本申请的一种可行实施例，所述对所述振动信号进行时频变换，得到所述目标断路器的振动时频特征，包括：
根据所述第一电流信号中各时刻对应的电流值与预设电流阈值的大小关系，确定所述目标断路器的动作起止时刻；
根据所述动作起止时刻从所述振动信号中提取目标振动信号；
对所述目标振动信号进行时频变换，得到所述目标断路器的振动时频特征。
作为本申请的一种可行实施例，所述对所述目标振动信号进行时频变换，得到所述目标断路器的振动时频特征，包括：
根据所述目标振动信号的频域特征以及长度，确定目标特征频段以及目标窗大小；
根据所述目标特征频段以及所述目标窗大小，对所述目标振动信号进行傅里叶变换，得到所述目标断路器的振动时频特征。
作为本申请的一种可行实施例，所述根据所述第一电流信号中电流值的变化趋势，确定所述目标断路器的电流时域特征，包括：
获取所述目标断路器中储能电机的第二电流信号；
根据所述第一电流信号中电流值的变化趋势和所述第二电流信号中电流值的变化趋势，确定所述目标断路器的电流时域特征。
作为本申请的一种可行实施例，所述获取目标断路器的振动信号，以及所述目标断路器中分合闸电磁铁线圈的第一电流信号之后，包括：
对所述振动信号进行小波滤波处理，得到滤波后的振动信号；
对所述第一电流信号进行平滑滤波处理，得到滤波后的第一电流信号；
所述根据所述第一电流信号中电流值的变化趋势，确定所述目标断路器的电流时域特征，包括：
根据所述滤波后的第一电流信号中电流值的变化趋势，确定所述目标断路器的电流时域特征；
对所述振动信号进行时频变换，得到所述目标断路器的振动时频特征；
对所述滤波后的振动信号进行时频变换，得到所述目标断路器的振动时频特征。
另一方面，本申请实施例还提供一种断路器状态检测装置，包括：
获取模块，用于获取目标断路器的振动信号，以及所述目标断路器中分合闸电磁铁线圈的第一电流信号；
第一特征提取模块，用于根据所述第一电流信号中电流值的变化趋势，确定所述目标断路器的电流时域特征；
第二特征提取模块，用于对所述振动信号进行时频变换，得到所述目标断路器的振动时频特征；
检测模块，用于根据所述电流时域特征以及所述振动时频特征，确定所述目标断路器的状态检测结果。
另一方面，本申请实施例还提供一种断路器状态检测设备，所述断路器状态检测设备包括处理器、存储器以及存储于所述存储器中并可在所述处理器上运行的断路器状态检测程序，所述处理器执行所述断路器状态检测程序以实现上述的断路器状态检测方法中的步骤。
另一方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有断路器状态检测程序，所述断路器状态检测程序被处理器执行以实现上述的断路器状态检测方法中的步骤。
本申请实施例提供的技术方案，通过获取断路器的振动信号以及分合闸电磁铁线圈的电流信号，并分别从机械振动以及电流变化趋势两个维度来提取得到断路器的多维特征，最终利用多维特征实现对断路器的状态检测可以实现更好的状态检测效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种断路器状态检测方法的实现场景示意图；
图2为本申请实施例提供的一种断路器状态检测方法的步骤流程示意图；
图3为本申请实施例提供的一种根据电流时域特征与振动时频特征确定状态检测结果的步骤流程示意图；
图4为本申请的提供的一种状态检测模型的结构示意图；
图5为本申请实施例提供的一种训练状态检测模型的步骤流程示意图；
图6为本申请实施例提供的一种提取振动时频特征的步骤流程示意图；
图7为本申请实施例提供的另一种提取振动时频特征的步骤流程示意图；
图8为本申请实施例提供的一种提取电流时域特征的步骤流程示意图；
图9为本申请实施例提供的另一种确定电流时域特征和振动时频特征的步骤流程示意图；
图10为本申请实施例提供的一种断路器状态检测装置的结构示意图；
图11为本申请实施例提供的一种断路器状态检测设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明包含的范围。
在本申请实施例中，“示例性”一词用来表示“用作例子、例证或说明”。本申请实施例中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本申请实施例所公开的原理和特征的最广范围相一致。
本申请实施例中提供一种断路器状态检测方法、装置、设备及计算机可读存储介质，以下分别进行详细说明。
本申请实施例中断路器状态检测方法是以程序的形式部署在断路器状态检测装置上，断路器状态检测装置是以处理器的形式安装在断路器状态检测设备中，断路器状态检测设备通过相应的传感器采集得到断路器中的振动信号以及分合闸电磁铁线圈的第一电流信号后，执行如下步骤：根据第一电流信号中电流值的变化趋势，确定目标断路器的电流时域特征；对振动信号进行时频变换，得到目标断路器的振动时频特征；根据电流时域特征以及振动时频特征，确定目标断路器的状态检测结果，从而完成对断路器状态的检测。
如图1所示，图1为本申请实施例提供的一种断路器状态检测方法的实现场景示意图，本申请实施例提供的断路器状态检测方法的实现场景示意图中包括断路器101、加速度传感器102、电流传感器103以及断路器状态检测设备104，其中加速度传感器102和电流传感器103主要用于实现对断路器101的监测采集断路器101的振动信号以及电流信号，并传输给断路器状态检测设备104，而断路器状态检测设备104在接收到加速度传感器102和电流传感器103传输的装置100中振动信号以及电流信号后，通过断路器状态检测装置运行断路器状态检测方法对应的计算机存储介质，以执行对断路器的状态检测，输出断路器的状态检测结果。
需要说明的是，图1所示的断路器状态检测方法的实现场景示意图，本申请实施例描述的断路器状态检测方法的实现场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定。
基于上述所提供的断路器状态检测方法的实现场景示意图，提出了断路器状态检测方法的具体实施例。
如图2所示，图2为本申请实施例提供的一种断路器状态检测方法的步骤流程示意图，具体的，包括步骤201～204：
201，获取目标断路器的振动信号，以及所述目标断路器中分合闸电磁铁线圈的第一电流信号。
本申请实施例中，目标断路器是指需要进行状态检测的断路器，具体的，按照前述图1所提供的断路器状态检测方法的实现场景示意图，将目标断路器与加速度传感器、电流传感器以及断路器状态检测设备通讯连接，此时断路器状态检测设备就能通过加速度传感器获取到目标断路器的振动信号，通过电流传感器获取到目标断路器中分合闸电磁铁线圈的电流信号。其中，目标断路器的振动信号可以是检测断路器在XYZ三个轴向上受到的振动情况，其中每个轴向的振动信号单独输出，当然，也可以是采用一个振动信号来描述断路器受到的整体振动情况。但不管采用何种方式，都不影响本申请实施例的具体实施。
此外，需要说明的是，通常情况下，断路器状态检测设备所获取到的振动信号和电流信号通常情况下都是持续预设时长的时域信号，例如半个小时或者一个小时的时域信号。其中，预设时长可以基于用户的实际需求设定，可以理解，所采集的信号越长，则包含的信息也就越丰富，后续断路器的状态检测效果也就越好，但相应的所需的计算量也就越高，对于断路器状态检测设备的要求也就越高。此外，断路器的状态检测通常也是每隔预设周期进行的，例如，可以是每隔一个周或者半个月进行一次状态检测。当然，这里的预设周期也可以是基于用户的实际需求设定。预设周期越短，对断路器的状态检测也就越频繁，可以更及时发现断路器的状态异常，但频繁的状态检测也同样影响到断路器状态检测设备的使用寿命。具体的，作为本申请的一种可行实施例，断路器状态设备可以是每隔半个月就启动对断路器的状态检测，并通过加速度传感器和电流传感器采集半个小时的振动信号和电流信号，以实现后续的状态检测。
进一步的，考虑到传感器所采集得到的信号存在误差，因此，在断路器状态检测设备获取到振动信号以及电流信号后，还会对振动信号和电流信号进行降噪处理。作为本申请的可选实施例，考虑到振动信号与电流信号本身性质的差异，提出了一种对采集得到的信号分别采用不同降噪方法进行降噪处理的实现方案，具体的实现方案可以参阅后续图9及其解释说明的内容。
202，根据所述第一电流信号中电流值的变化趋势，确定所述目标断路器的电流时域特征。
本申请实施例中，基于电流信号中电流值的变化趋势可以分析出电流的异常波动，而这通常与目标断路器的状态异常相关。因此，基于电流信号中电流值的变化趋势所确定的电流时域特征包含了与目标断路器状态异常相关的特征。
具体的，作为本申请的一种可行实现方案，电流信号中电流值的变化趋势可以是通过差分法计算确定，也就是说，利用差分算法对电流信号进行处理，就可以得到目标断路器的电流时域特征。具体的，这里的差分算法可以是一阶差分、二阶差分或者其他高阶差分的一种或任意几种的加权组合。当然，除了通过差分提取电流信号中电流值的变化趋势外，基于其他方式提取电流值的变化趋势以得到目标断路器的电流时域特征的实现方式也是可行的，本申请实施例在此不再赘述。
进一步的，除了根据断路器中分合闸电磁铁线圈的电流信号的变化趋势以得到电流时域特征外，作为本申请的另一可选实施例，还可以通过断路器中储能电机的电流信号的变化趋势来综合得到目标断路器的电流时域特征。具体的实现方案请参阅后续图8及其解释说明的内容。
203，对所述振动信号进行时频变换，得到所述目标断路器的振动时频特征。
本申请实施例中，时频变换可以从时间和频率两个维度来实现对振动信号的分析，基于对振动信号的时频变换，可以获取到断路器在机械振动维度上的特征，也就是振动时频特征，以便于后续基于该振动时频特征以及前述所提供的电流时域特征实现对断路器的状态检测。具体的，对振动信号的时频变换可以是通过傅里叶算法来实现的，当然，通过其他方式来实现对振动信号的时频变换也是可行的，本申请实施例在此不再赘述。
进一步的，考虑到分合闸电磁铁线圈的电流信号可以体现出断路器执行机构的动作过程，而断路器在执行机构动作过程中的振动信号更能体现断路器的异常，因此，作为本申请的可选实施例，在对振动信号进行时频变换的过程中，还会进一步基于分合闸电磁铁线圈的电流信号来对振动信号进行处理，具体的实现方案可以参阅后续图6及其解释说明的内容。
204，根据所述电流时域特征以及所述振动时频特征，确定所述目标断路器的状态检测结果。
本申请实施例中，在提取得到目标断路器的电流时域特征以及振动时频特征后，就可以融合两个维度上的特征，也就是电流时域特征和振动时频特征来确定目标断路器的状态检测结果。
具体的，作为本申请的一种可行实施例，可以基于深度学习的思想来训练得到用于状态检测的状态检测模型，具体的实现方案可以参阅后续图3及其解释说明的内容。
本申请实施例提供的技术方案，通过获取断路器的振动信号以及分合闸电磁铁线圈的电流信号，并分别从机械振动以及电流变化趋势两个维度来提取得到断路器的多维特征，最终利用多维特征实现对断路器的状态检测可以实现更好的状态检测效果。
如图3所示，图3为本申请实施例提供的一种根据电流时域特征与振动时频特征确定状态检测结果的步骤流程示意图，详述如下。
本申请实施例中，提供了一种基于深度学习思想训练得到的神经网络模型来确定状态检测结果的实现方案，具体的，包括步骤301～303：
301，获取已训练的状态检测模型。
本申请实施例中，状态检测模型是基于深度学习思想所训练得到的一种神经网络模型。具体的，状态检测模型是基于样本断路器的样本振动信号、样本电流信号以及状态标签对预设的初始状态检测模型进行训练得到，该模型描述了断路器的状态与振动信号以及样本信号之间的潜在关联关系。具体的训练过程可以参阅后续图5及其解释说明的内容。
具体的，在本申请实施例中，状态检测模型作为神经网络模型的一种，主要由输入层、处理层以及输出层组成。其中，处理层是实现状态检测的基础，其具体的网络结构可以是基于实际需求所设定。例如，作为本申请一种可行实现方案，处理层主要是由若干卷积层、若干池化层以及全连接层依次串联连接，也就是说，状态检测模型在通过输入层获取到待处理的特征后，会通过处理层对输入的特征经过若干次卷积-池化处理，再通过全连接层进行处理，以最终通过输出层输出最终的状态检测结果。需要说明的是，在神经网络模型当中，特征通常是以向量的形式存在，本申请实施例在此不再赘述。
302，将所述电流时域特征和所述振动时频特征进行相加，得到融合特征。
本申请实施例中，结合前述描述可知，电流时域特征和振动时频特征都是以向量的形式存在，因此，将电流时域特征和振动时频特征进行相加，即可得到融合特征。需要说明的是，相加过程中需要保证电流时域特征和振动时频特征的维度相等，但考虑到电流时域特征和振动时频特征是分别通过等时长的电流信号和振动信号提取得到，因此，通常情况下，可以认为电流时域特征和振动时频特征的维度始终相等。本申请实施例在此不再赘述。
303，将所述融合特征输入至所述状态检测模型，输出所述目标断路器的状态检测结果。
本申请实施例中，将融合之后的特征输入至状态检测模型，经过处理层之后，即可输出最终的输出向量。需要说明的是，输出向量的维度与预先设定好的断路器的状态类别的数量相同，也就是说，输出向量中每一维度的数值即为断路器属于对应的状态类别的概率，即输出向量中每一维度的数值相加总和为1，因此，输出层可以采用softmax函数作为激活函数。
为便于理解为本申请实施例提供的状态检测模型，图4提供的一种状态检测模型的具体结构示意图，具体请参阅图4及其解释说明的内容。
本申请实施例提供的技术方案，基于深度学习的思想，利用样本断路器的样本振动信号、样本电流信号以及状态标签训练得到用于描述断路器的状态与振动信号以及样本信号之间的潜在关联关系的神经网络模型，后续就可以基于该神经网络模型实现对断路器的状态检测，检测过程中通过融合电流时域特征和振动时频特征，能够输出更准确的状态检测结果。
图4为本申请的提供的一种状态检测模型的结构示意图，详述如下。
本申请实施例中，状态检测模型由输入层-卷积层-池化层-卷积层-池化层-全连接层-输出层依次组成。其中，卷积层非线性激活函数选择使用sigmoid函数，将非线性输出映射在[0,1]，全连接层使用tanh函数激活，以提高模型的非线性效果，输出层选择使用softmax函数作为激活函数，能够使最终的输出向量中各维度的数值相加等于1，即输出向量中各维度的数值分别对应各状态类别的概率。
如图5所示，图5为本申请实施例提供的一种训练状态检测模型的步骤流程示意图，详述如下。
本申请实施例中，提供了一种训练状态检测模型的具体实现方案，具体的，包括步骤501～505：
501，根据样本断路器的样本振动信号和样本电流信号，确定所述样本断路器的电流样本特征和振动样本特征。
本申请实施例中，对于样本振动信号以及样本电流信号的处理，与前述步骤202以及步骤203所提供的方案相同，也是基于样本电流信号的变化趋势确定电流样本特征，对电流样本特征进行时频变换，确定振动样本特征。具体的实现方案本申请实施例在此不再赘述。
502，根据预设的初始状态检测模型对所述电流样本特征和所述振动样本特征进行处理，输出所述样本断路器的预测状态。
本申请实施例中，根据初始状态检测模型对电流样本特征和振动样本特征进行处理，输出样本断路器的预测状态是与前述图3所示出的方案相似，会先将电流样本特征和振动样本特征融合，得到融合样本特征，再将融合样本特征输入至预设的初始状态检测模型中，输出样本断路器的预测状态。
需要说明的是，由于最终的状态检测模型是利用该初始状态检测模型训练得到，因此，状态检测模型是与初始状态检测模型的模型结构保持一致，而仅仅在于其中各层的参数不同，即预设的初始状态检测模型也是由输入层-卷积层-池化层-卷积层-池化层-全连接层-输出层依次组成。此外，这里所输出的样本断路器的预测状态也同样是以向量的形式存在，本申请实施例在此不再赘述。
503，判断所述预测状态与所述状态标签之间的差异是否满足预设条件。若否，则执行步骤504；若是，则执行步骤505。
本申请实施例中，结合前述描述可知，预测状态是以向量的形式存在，而状态标签也可以映射到一个对应的单位向量，因此，预测状态与状态标签之间的差异可以是通过这两个向量之间的差异来描述。具体的，可以是基于两个向量的欧式距离来描述预测状态与状态标签之间的差异，当然也可以通过两个向量的余弦相似度来描述预测状态与状态标签之间的差异之间的差异。本申请实施例在此不再赘述。
进一步的，可以理解，不管采用何种方式来描述预测状态与状态标签之间的差异，该差异可以体现出状态检测模型的状态检测效果，预测状态与状态标签之间的差异越大，状态检测模型的预测结果和真实标签之间的差异也就越大，即状态检测模型的状态检测效果也就越差，反之，预测状态与状态标签之间的差异越小，则状态检测模型的状态检测效果也就越优。因此，可以通过判断差异是否满足预设条件来确定是否需要对模型进行进一步的训练。具体的，作为一种可行的实现方案，这里的预设条件可以是是否小于预设的差异阈值，此时，若预测状态与状态标签之间的差异满足该预设条件，则可以认为状态检测模型已经训练完成，反之，若预测状态与状态标签之间的差异不满足该预设条件，则可以认为状态检测模型需要进一步进行训练。
504，根据所述预测状态与所述状态标签之间的差异对所述初始状态检测模型中的参数进行更新，得到更新后的状态检测模型，并将更新后的状态检测模型作为初始状态检测模型，返回至步骤502；
本申请实施例中，结合前述描述可知，在预测状态与状态标签之间的差异不满足预设条件，也就是当前的状态检测模型的状态检测效果不够理想，仍需要进行进一步的训练时，可以基于反向传播算法，并利用预测状态与状态标签之间的差异对初始状态检测模型中的参数进行更新，得到更新后的状态检测模型，并将更新后的状态检测模型重新设为初始状态检测模型，返回至步骤502进行进一步的处理
505，将更新后的状态检测模型设为已训练的状态检测模型。
本申请实施例中，结合前述描述可知，在预测状态与状态标签之间的差异满足预设条件，也就是当前的状态检测模型的状态检测效果达到了期望效果时，就可以直接将更新后的状态检测模型设为已训练的状态检测模型，以用于后续的状态检测。
如图6所示，图6为本申请实施例提供的一种提取振动时频特征的步骤流程示意图，详述如下。
本申请实施例中，提供了一种基于电流信号来提取振动时频特征的步骤流程示意图，具体的，包括步骤601～603:
601，根据所述第一电流信号中各时刻对应的电流值与预设电流阈值的大小关系，确定所述目标断路器的动作起止时刻。
本申请实施例中，当分合闸电磁铁线圈的电流信号中的电流值小于预设电流阈值时，可以认为此时断路器未执行动作，当电流值等于此阈值时，可以认为断路器开始动作，电流值大于此阈值时认为断路器处于动作过程中，重新等于此阈值时认为断路器结束动作。因此，可以基于第一电流信号中各时刻对应的电流值与预设电流阈值的大小关系，来确定目标断路器的动作起止时刻。
602，根据所述动作起止时刻从所述振动信号中提取目标振动信号。
本申请实施例中，由于振动信号和电流信号通常情况下是同步采集得到的，因此，在基于电流信号确定断路器的动作起止时刻后，断路器状态检测设备就可以根据该动作起止时刻，从振动信号中提取得到断路器处于动作状态下的目标振动信号。
603，对所述目标振动信号进行时频变换，得到所述目标断路器的振动时频特征。
由于断路器处于动作状态下的振动信号更能反映断路器的工作异常，因此，相较于前述通过对完整的振动信号进行时频变换得到断路器的振动时频特征，本申请实施例提供的技术方案，通过对完整振动信号中断路器处于动作状态下的目标振动信号进行时频变换，来得到断路器的振动时频特征，在有效降低计算量的基础上，仍能保证较好的状态检测效果。
进一步的，结合前述描述可知，对振动信号的视频变换通常是基于傅里叶变换来实现的，由于每次所提取得到的目标振动信号在某些特征上存在较大的差异，因此，在对目标振动信号进行时频变换的过程中，需要预先根据目标振动信号来设定相应的傅里叶变换的参数，具体的实现方案可以参阅后续图7及其解释说明的内容。
如图7所示，图7为本申请实施例提供的另一种提取振动时频特征的步骤流程示意图，详述如下。
本申请实施例中，提供了一种提取目标振动信号的时频特征的技术方案，具体的，包括步骤701～702：
701，根据所述目标振动信号的频域特征以及长度，确定目标特征频段以及目标窗大小。
本申请实施例中，断路器状态检测设备会基于通过动作起止时刻所提取到的目标振动信号的频域特征和长度，重新确定合适的目标特征频段以及目标窗大小来作为提取时频特征时所用的特征频段和窗大小。具体的，目标振动信号的频域特征和长度与目标特征频段以及目标窗的对应关系可以是预先确定并存储在关联数据表中。本申请实施例再次不再赘述。
702，根据所述目标特征频段以及所述目标窗大小，对所述目标振动信号进行傅里叶变换，得到所述目标断路器的振动时频特征。
本申请实施例中，在根据目标振动信号的频域特征以及长度确定合适的目标特征频段以及目标窗大小后，利用该目标特征频段以及目标窗大小作为参数，对目标振动信号进行短时傅里叶变换，就可以获取到目标断路器的振动时频特征。
如图8所示，图8为本申请实施例提供的一种提取电流时域特征的步骤流程示意图，详述如下。
本申请实施例中，提供了一种基于分合闸电磁铁线圈的电流信号和储能电机的电流信号共同提取电流时域特征的实现方案，具体的，包括步骤801～802：
801，获取所述目标断路器中储能电机的第二电流信号。
本申请实施例中，储能电机的电流信号也可以是基于前述所提供的电流传感器采集得到。其中采集储能电机的电流信号是与采集振动信号以及采集分合闸电磁铁线圈的电流信号同步进行的，本申请实施例在此不再赘述。
802，根据所述第一电流信号中电流值的变化趋势和所述第二电流信号中电流值的变化趋势，确定所述目标断路器的电流时域特征。
相较于前述所提供的仅通过分合闸电磁铁线圈的电流信号中电流值的变化趋势来确定电流时域特征的技术方案，本申请实施例会融合分合闸电磁铁线圈的电流信号中电流值的变化趋势，以及储能电机的电流信号中电流值的变化趋势来共同确定目标断路器的电流时域特征，使得所提取得到的电流时域特征更加丰富，从而进一步提高了后续的状态检测的效果。具体的，提取储能电机的电流信号中电流值的变化趋势也可以是通过差分的方式实现，本申请实施例在此不再赘述。
如图9所示，图9为本申请实施例提供的另一种确定电流时域特征和振动时频特征的步骤流程示意图，详述如下。
本申请实施例中，提供了一种基于不同的滤波方式来对振动信号和电流信号进行滤波处理以用于后续的特征提取的实现方式，具体的，包括步骤901～904：
901，对所述振动信号进行小波滤波处理，得到滤波后的振动信号。
本申请实施例中，由于加速度传感器所直接采集得到的振动信号中存在大量噪声，通常情况下需要将振动信号中的高频噪声信号滤除，但考虑到振动信号中也存在高频段的特征信号，因此，本申请实施例选择使用小波滤波的方法来滤除振动信号中的高频段噪声信号。具体的，作为本申请的一种可行实施例，可以采用db2小波函数来进行小波滤波处理，分解尺度N选择为3，使用启发式阈值原则，从而保留对应小波分解后的低频段部分振动信号。
进一步，若断路器在XYZ三个轴向上的振动信号为单独输出，也就是振动信号包括有多个时，则需要分别对各振动信号独立进行小波滤波处理，得到滤波后的振动信号。
902，对所述第一电流信号进行平滑滤波处理，得到滤波后的第一电流信号。
本申请实施例中，电流传感器所采集到的电流信号中同样存在噪声信号，但考虑到电流信号的频段较低，而噪声的频段较高，因此直接使用平滑滤波的方法滤除高频噪声。
当然，这里提供的实施例仅仅是对分合闸电磁铁线圈的第一电流信号进行了平滑滤波，事实上，若通过电流传感器同样采集得到了储能电机的电流信号，则也需要对储能电机的电流信号进行同样的平滑滤波处理，得到滤波后的第二电流信号。
903，根据所述滤波后的第一电流信号中电流值的变化趋势，确定所述目标断路器的电流时域特征。
本申请实施例中，在对电流信号进行平滑滤波去除掉高频噪音后，利用滤波后的第一电流信号中电流值的变化趋势，可以确定更准确的电流时域特征，提高了后续状态检测的准确率。
此外，需要说明的是，除了得到更准确的电流时域特征，利用滤波后的电流信号可以得到断路器更准确的动作起止时刻，从而进一步提高了所提取得到的振动时频特征的准确性，进一步提高了后续状态检测的准确率。
904，对所述滤波后的振动信号进行时频变换，得到所述目标断路器的振动时频特征。
本申请实施例中，同样的，在对振动信号进行小波滤波去除掉高频噪音后，对滤波后的振动信号进行时频变换可以得到更准确的振动时频特征，提高了后续状态检测的准确率。
本申请实施例提供的技术方案，分别基于振动信号和电流信号的性质差异，提出了基于不同滤波方式分别对振动信号和电流信号进行滤波降噪处理的技术方案，从而得到更精确的电流时域特征和振动时频特征，有效提高了后续状态检测的准确率
为了更清楚理解本申请实施例提供的断路器状态检测的完整实现过程，下面将结合前述图1～图9所提供的内容提供一种断路器状态检测的完整实现方案，详述如下。
1)当触发断路器的状态检测指令时，断路器状态检测设备通过高带宽的加速度传感器分别采集断路器在XYZ三个轴向上的振动信号Tx、Ty及Tz，通过电流传感器采集分闸电磁铁线圈、合闸电磁铁线圈和储能电机的通电电流，得到电流信号Zo、Zc及Zm；
2)对采集得到的振动信号以及电流信号进行降噪滤波预处理；其中，采用db2小波函数，分解尺度N选择3，使用启发式阈值原则，分别对振动信号Tx、Ty及Tz进行滤波处理，得到滤波后的振动信号Tx1、Ty1及Tz1；使用平滑滤波的方法对电流信号Zo、Zc及Zm进行滤波处理，得到滤波后的电流信号Zo1、Zc1及Zm1；
3)比对Zo1、Zc1中各电流值与预设电流阈值It的大小关系，得到断路器动作起始时刻ts和动作结束时刻te，并根据ts和te从滤波后的振动信号Tx1、Ty1及Tz1中提取得到有效的目标振动信号；
4)对滤波后的电流信号Zo1、Zc1及Zm1进行一阶差分运算，得到断路器的电流时域特征；
5)根据目标振动信号的长度以及频率特征选择合适的目标特征频段和目标窗大小对目标振动信号进行处理，得到目标断路器的振动时频特征；
6)将电流时域特征和振动时频特征做矩阵加法得到融合特征Te后输入至训练好的状态检测模型处理，得到断路器对应各状态类别的概率，并将概率最高的状态类别作为断路器的状态检测结果输出；其中状态检测模型采用网络结构为输入层-卷积层-池化层-卷积层-池化层--全连接层-输出层的神经网络模型。
为了更好实施本申请实施例提供的断路器状态检测方法，在断路器状态检测方法基础之上，本申请实施例中还提供一种断路器状态检测装置。如图10所示，图10为本申请实施例提供的一种断路器状态检测装置的结构示意图。
具体的，断路器状态检测装置包括：
获取模块1001，用于获取目标断路器的振动信号，以及所述目标断路器中分合闸电磁铁线圈的第一电流信号；
第一特征提取模块1002，用于根据所述第一电流信号中电流值的变化趋势，确定所述目标断路器的电流时域特征；
第二特征提取模块1003，用于对所述振动信号进行时频变换，得到所述目标断路器的振动时频特征；
检测模块1004，用于根据所述电流时域特征以及所述振动时频特征，确定所述目标断路器的状态检测结果。
在本申请一些实施例中，上述检测模块包括：
模型获取次模块，用于获取已训练的状态检测模型；所述已训练的状态检测模型是基于样本断路器的样本振动信号、样本电流信号以及状态标签对预设的初始状态检测模型进行训练得到；
融合单元，用于将所述电流时域特征和所述振动时频特征进行相加，得到融合特征；
模型检测次模块，用于将所述融合特征输入至所述状态检测模型，输出所述目标断路器的状态检测结果。
在本申请一些实施例中，上述检测模块还包括模型训练次模块；上述模型训练次模块包括：
样本特征提取单元，用于根据样本断路器的样本振动信号和样本电流信号，确定所述样本断路器的电流样本特征和振动样本特征。
状态预测单元，用于根据预设的初始状态检测模型对所述电流样本特征和所述振动样本特征进行处理，输出所述样本断路器的预测状态。
模型更新单元，用于根据所述预测状态与所述状态标签之间的差异，对所述初始状态检测模型中的参数进行更新，得到更新后的状态检测模型。
模型确定单元，直至利用更新后的状态检测模型对样本断路器的样本振动信号、样本电流信号进行处理所得到的预测状态与样本断路器的状态标签之间的差异满足预设条件时，用于将更新后的状态检测模型设为已训练的状态检测模型。
在本申请一些实施例中，上述第二特征提取模块包括：
起止时刻确定次模块，用于根据所述第一电流信号中各时刻对应的电流值与预设电流阈值的大小关系，确定所述目标断路器的动作起止时刻；
振动信号提取次模块，用于根据所述动作起止时刻从所述振动信号中提取目标振动信号；
时频变换次模块，用于对所述目标振动信号进行时频变换，得到所述目标断路器的振动时频特征。
在本申请一些实施例中，上述时频变换次模块包括：
参数设定单元，用于根据所述目标振动信号的频域特征以及长度，确定目标特征频段以及目标窗大小；
傅里叶变换单元，用于根据所述目标特征频段以及所述目标窗大小，对所述目标振动信号进行傅里叶变换，得到所述目标断路器的振动时频特征。
在本申请一些实施例中，上述第一特征提取模块包括：
第二电流信号获取次模块，用于获取所述目标断路器中储能电机的第二电流信号；
电流时域特征确定次模块，用于根据所述第一电流信号中电流值的变化趋势和所述第二电流信号中电流值的变化趋势，确定所述目标断路器的电流时域特征。
在本申请一些实施例中，上述断路器状态检测装置包括滤波模块；上述滤波模块包括：
第一滤波次模块，用于对所述振动信号进行小波滤波处理，得到滤波后的振动信号；
第二滤波次模块，用于对所述第一电流信号进行平滑滤波处理，得到滤波后的第一电流信号；
上述第一特征提取模块，用于根据所述滤波后的第一电流信号中电流值的变化趋势，确定所述目标断路器的电流时域特征；
第二特征提取模块，用于对所述滤波后的振动信号进行时频变换，得到所述目标断路器的振动时频特征。
本申请实施例还提供一种断路器状态检测设备，如图11所示，图11为本申请实施例提供的一种断路器状态检测设备的结构示意图。
断路器状态检测设备包括存储器、处理器以及存储于存储器中，并可在处理器上运行的断路器状态检测程序，处理器执行断路器状态检测程序时实现本申请任一实施例提供的断路器状态检测方法中的步骤。
具体来讲：断路器状态检测设备可以包括一个或者一个以上处理核心的处理器1101、一个或一个以上存储介质的存储器1102、电源1103和输入单元1104等部件。本领域技术人员可以理解，图11中示出的断路器状态检测设备结构并不构成对断路器状态检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器1101是该断路器状态检测设备的控制中心，利用各种接口和线路连接整个断路器状态检测设备的各个部分，通过运行或执行存储在存储器1102内的软件程序和/或模块，以及调用存储在存储器1102内的数据，执行断路器状态检测设备的各种功能和处理数据，从而对断路器状态检测设备进行整体监控。可选的，处理器1101可包括一个或多个处理核心；优选的，处理器1101可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1101中。
存储器1102可用于存储软件程序以及模块，处理器1101通过运行存储在存储器1102的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器1102可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据断路器状态检测设备的使用所创建的数据等。此外，存储器1102可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器1102还可以包括存储器控制器，以提供处理器1101对存储器1102的访问。
断路器状态检测设备还包括给各个部件供电的电源1103，优选的，电源1103可以通过电源管理系统与处理器1101逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源1103还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该断路器状态检测设备还可包括输入单元1104，该输入单元1104可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，断路器状态检测设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，断路器状态检测设备中的处理器1101会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器1102中，并由处理器1101来运行存储在存储器1102中的应用程序，从而实现本申请任一实施例所提供的断路器状态检测方法中的步骤。
为此，本申请实施例提供一种计算机可读存储介质，该计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random AccessMemory)、磁盘或光盘等。计算机可读存储介质上存储有断路器状态检测程序，断路器状态检测程序被处理器执行时实现本申请任一实施例所提供的断路器状态检测方法中的步骤。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对其他实施例的详细描述，此处不再赘述。
具体实施时，以上各个单元或结构可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元或结构的具体实施可参见前面的方法实施例，在此不再赘述。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
以上对本申请实施例所提供的一种断路器状态检测方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种断路器状态检测方法，其特征在于，包括：
获取目标断路器的振动信号，以及所述目标断路器中分合闸电磁铁线圈的第一电流信号；
根据所述第一电流信号中电流值的变化趋势，确定所述目标断路器的电流时域特征；
对所述振动信号进行时频变换，得到所述目标断路器的振动时频特征；
根据所述电流时域特征以及所述振动时频特征，确定所述目标断路器的状态检测结果。
2.根据权利要求1所述的断路器状态检测方法，其特征在于，所述根据所述电流时域特征以及所述振动时频特征，确定所述目标断路器的状态检测结果，包括：
获取已训练的状态检测模型；所述已训练的状态检测模型是基于样本断路器的样本振动信号、样本电流信号以及状态标签对预设的初始状态检测模型进行训练得到；
将所述电流时域特征和所述振动时频特征进行相加，得到融合特征；
将所述融合特征输入至所述状态检测模型，输出所述目标断路器的状态检测结果。
3.根据权利要求2所述的断路器状态检测方法，其特征在于，所述获取已训练的状态检测模型之前，所述方法还包括：
根据样本断路器的样本振动信号和样本电流信号，确定所述样本断路器的电流样本特征和振动样本特征；
根据预设的初始状态检测模型对所述电流样本特征和所述振动样本特征进行处理，输出所述样本断路器的预测状态；
根据所述预测状态与所述状态标签之间的差异，对所述初始状态检测模型中的参数进行更新，得到更新后的状态检测模型；
直至利用更新后的状态检测模型对样本断路器的样本振动信号、样本电流信号进行处理所得到的预测状态与样本断路器的状态标签之间的差异满足预设条件时，将更新后的状态检测模型设为已训练的状态检测模型。
4.根据权利要求1所述的断路器状态检测方法，其特征在于，所述对所述振动信号进行时频变换，得到所述目标断路器的振动时频特征，包括：
根据所述第一电流信号中各时刻对应的电流值与预设电流阈值的大小关系，确定所述目标断路器的动作起止时刻；
根据所述动作起止时刻从所述振动信号中提取目标振动信号；
对所述目标振动信号进行时频变换，得到所述目标断路器的振动时频特征。
5.根据权利要求4所述的断路器状态检测方法，其特征在于，所述对所述目标振动信号进行时频变换，得到所述目标断路器的振动时频特征，包括：
根据所述目标振动信号的频域特征以及长度，确定目标特征频段以及目标窗大小；
根据所述目标特征频段以及所述目标窗大小，对所述目标振动信号进行傅里叶变换，得到所述目标断路器的振动时频特征。
6.根据权利要求1所述的断路器状态检测方法，其特征在于，所述根据所述第一电流信号中电流值的变化趋势，确定所述目标断路器的电流时域特征，包括：
获取所述目标断路器中储能电机的第二电流信号；
根据所述第一电流信号中电流值的变化趋势和所述第二电流信号中电流值的变化趋势，确定所述目标断路器的电流时域特征。
7.根据权利要求1～6任一所述的断路器状态检测方法，其特征在于，所述获取目标断路器的振动信号，以及所述目标断路器中分合闸电磁铁线圈的第一电流信号之后，包括：
对所述振动信号进行小波滤波处理，得到滤波后的振动信号；
对所述第一电流信号进行平滑滤波处理，得到滤波后的第一电流信号；
所述根据所述第一电流信号中电流值的变化趋势，确定所述目标断路器的电流时域特征，包括：
根据所述滤波后的第一电流信号中电流值的变化趋势，确定所述目标断路器的电流时域特征；
对所述振动信号进行时频变换，得到所述目标断路器的振动时频特征；
对所述滤波后的振动信号进行时频变换，得到所述目标断路器的振动时频特征。
8.一种断路器状态检测装置，其特征在于，包括：
获取模块，用于获取目标断路器的振动信号，以及所述目标断路器中分合闸电磁铁线圈的第一电流信号；
第一特征提取模块，用于根据所述第一电流信号中电流值的变化趋势，确定所述目标断路器的电流时域特征；
第二特征提取模块，用于对所述振动信号进行时频变换，得到所述目标断路器的振动时频特征；
检测模块，用于根据所述电流时域特征以及所述振动时频特征，确定所述目标断路器的状态检测结果。
9.一种断路器状态检测设备，其特征在于，所述断路器状态检测设备包括处理器、存储器以及存储于所述存储器中并可在所述处理器上运行的断路器状态检测程序，所述处理器执行所述断路器状态检测程序以实现权利要求1至7任一项所述的断路器状态检测方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有断路器状态检测程序，所述断路器状态检测程序被处理器执行以实现权利要求1至7任一项所述的断路器状态检测方法中的步骤。
CN202210448501.0A 2022-04-26 2022-04-26 断路器状态检测方法、装置、设备及计算机可读存储介质 Pending CN114817840A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210448501.0A CN114817840A (zh) 2022-04-26 2022-04-26 断路器状态检测方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210448501.0A CN114817840A (zh) 2022-04-26 2022-04-26 断路器状态检测方法、装置、设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN114817840A true CN114817840A (zh) 2022-07-29

Family

ID=82507933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210448501.0A Pending CN114817840A (zh) 2022-04-26 2022-04-26 断路器状态检测方法、装置、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN114817840A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115574929A (zh) * 2022-10-09 2023-01-06 正泰集团研发中心(上海)有限公司 电器的振动检测方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105158685A (zh) * 2015-06-25 2015-12-16 国家电网公司 断路器的检测方法、装置及系统
CN106482937A (zh) * 2016-09-30 2017-03-08 南方电网科学研究院有限责任公司 一种高压断路器机械状态的监测方法
CN113219328A (zh) * 2021-01-27 2021-08-06 中国国家铁路集团有限公司 一种基于信息融合的断路器操作机构故障智能诊断方法
CN113391207A (zh) * 2021-04-01 2021-09-14 国网宁夏电力有限公司检修公司 一种电机故障的检测方法、介质及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105158685A (zh) * 2015-06-25 2015-12-16 国家电网公司 断路器的检测方法、装置及系统
CN106482937A (zh) * 2016-09-30 2017-03-08 南方电网科学研究院有限责任公司 一种高压断路器机械状态的监测方法
CN113219328A (zh) * 2021-01-27 2021-08-06 中国国家铁路集团有限公司 一种基于信息融合的断路器操作机构故障智能诊断方法
CN113391207A (zh) * 2021-04-01 2021-09-14 国网宁夏电力有限公司检修公司 一种电机故障的检测方法、介质及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李云鹏: "基于振动-电流联合特征的弹簧高压断路器储能状态辨识方法", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 3, pages 18 - 56 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115574929A (zh) * 2022-10-09 2023-01-06 正泰集团研发中心(上海)有限公司 电器的振动检测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN112785016B (zh) 基于机器学习的新能源汽车保养维护与故障监测诊断方法
CN107219457B (zh) 基于操作附件电流的框架式断路器故障诊断及程度评估方法
CN112149373B (zh) 一种复杂模拟电路故障识别与估计方法及系统
US20160239592A1 (en) Data-driven battery aging model using statistical analysis and artificial intelligence
CN110926782B (zh) 断路器故障类型判断方法、装置、电子设备及存储介质
CN102208028A (zh) 一种适用于动态复杂系统的故障预测和诊断方法
CN112085111B (zh) 一种负荷辨识方法和装置
CN103399280A (zh) 基于nsdp-ar模型的锂离子电池循环寿命预测方法
CN116415154B (zh) 一种基于gpt的车辆故障解决方案生成方法及装置
CN114817840A (zh) 断路器状态检测方法、装置、设备及计算机可读存储介质
CN111080168B (zh) 一种基于胶囊网络的电力通信网络设备可靠性评估方法
Akhmetov et al. Fuzzy neural network with general parameter adaptation for modeling of nonlinear time-series
CN117056814B (zh) 一种变压器声纹振动故障诊断方法
CN114331214A (zh) 基于强化学习的域自适应轴承声纹故障诊断方法及系统
CN108628908A (zh) 分类用户提问-回答界限的方法、装置和电子设备
CN116399579A (zh) 变压器机械故障诊断方法、装置、计算机设备及存储介质
CN117533137A (zh) 一种电驱动系统故障预警方法及系统
Liu et al. A key-term separation based least square method for Hammerstein SOC estimation model
CN107505495A (zh) 一种电压信号扰动类别的检测方法及装置
CN113656977B (zh) 一种基于多模态特征学习的线圈故障智能诊断方法及装置
CN114355173B (zh) 一种基于多输入残差网络的模拟滤波电路故障诊断方法
CN116384240A (zh) 一种服务器能耗预测方法、装置及存储介质
CN113919388A (zh) 一种融合信号频谱幅值调制和深度学习的机电装备故障诊断方法及装置
Gandhi et al. System independent fault diagnosis for synchronous generator
CN109408152A (zh) 一种设备启动步骤的生成方法及生成装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220729