CN115130520A - 基于多线路关联的电路故障诊断方法及其系统 - Google Patents
基于多线路关联的电路故障诊断方法及其系统 Download PDFInfo
- Publication number
- CN115130520A CN115130520A CN202210817587.XA CN202210817587A CN115130520A CN 115130520 A CN115130520 A CN 115130520A CN 202210817587 A CN202210817587 A CN 202210817587A CN 115130520 A CN115130520 A CN 115130520A
- Authority
- CN
- China
- Prior art keywords
- feature
- circuit
- matrix
- neural network
- convolutional neural
- 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.)
- Withdrawn
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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及安全用电领域下的智能检测,其具体地公开了一种基于多线路关联的电路故障诊断方法及其系统,其通过卷积神经网络模型来对实验室整体电路中各条线路的电流信号波形图进行局部的隐含关联特征提取以及对所述实验室整体电路的高维电路逻辑拓扑特征进行表达,并使用具有三维卷积核的卷积神经网络来提取出所述各条线路的电流信号之间的关联特征信息,进一步再对得到的电路整体特征向量进行柯西重概率化以消除初始特征维度较高的问题,进而提高卷积神经网络的训练效果。这样,就能够对实验室的整体电路中的电弧故障进行准确地预警。
Description
技术领域
本申请涉及安全用电领域下的智能检测,且更为具体地,涉及一种基于多线路关联的电路故障诊断方法及其系统。
背景技术
安全用电是避免实验室火灾事故的关键因素之一。实验室用电线路老化,用电负荷高或超负荷用电的情况,都会导致电弧故障发生,或损坏实验仪器,或引发电气火灾事故。因此,期待一种用于实验室安全的电路故障预警方案来对实验室整体电路中的电弧故障进行诊断。
深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
近年来,深度学习以及神经网络的发展,尤其是卷积神经网络的发展,为实验室安全的电路故障预警提供了新的解决思路和方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于多线路关联的电路故障诊断方法及其系统,其通过卷积神经网络模型来对实验室整体电路中各条线路的电流信号波形图进行局部的隐含关联特征提取以及对所述实验室整体电路的高维电路逻辑拓扑特征进行表达,并使用具有三维卷积核的卷积神经网络来提取出所述各条线路的电流信号之间的关联特征信息,进一步再对得到的电路整体特征向量进行柯西重概率化以消除初始特征维度较高的问题,进而提高卷积神经网络的训练效果。这样,就能够对实验室的整体电路中的电弧故障进行准确地预警。
根据本申请的一个方面,提供了一种基于多线路关联的电路故障诊断方法,其包括:训练阶段,包括:通过电流传感器获取部署于实验室的整体电路中各条线路的电流信号的波形图;将各条所述线路的电流信号的波形图分别通过第一卷积神经网络以获得多个第一特征矩阵;将所述多个第一特征矩阵按照样本维度构造为输入张量后通过使用三维卷积核的第二卷积神经网络以获得电流整体特征向量;对所述电路整体特征向量进行柯西重概率化以获得修正后电路整体特征向量,其中,对所述电路整体特征向量进行柯西重概率化表示计算以所述电路整体特征向量中各个位置的特征值为幂的自然指数函数值除以以所述电路整体特征向量中各个位置的特征值为幂的自然指数函数值的加和之商加上一的对数值;获取所述实验室的整体电路中各条线路的邻接矩阵,所述邻接矩阵中非对角线位置上各个位置的特征值表示相应两条线路之间的串并联关联,其中,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为1,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为0,其中,所述邻接矩阵中对角线位置上各个位置的特征值为1;将所述邻接矩阵通过第三卷积神经网络以获得邻接特征矩阵;将所述邻接特征矩阵与所述修正后电路整体特征向量进行矩阵相乘以将所述修正后电路整体特征向量映射到所述邻接特征矩阵的高维特征空间中以获得分类特征向量;将所述分类特征向量通过分类器以获得分类损失函数值;以及基于所述分类损失函数值对所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络进行训练;以及推断阶段,包括:通过电流传感器获取部署于实验室的整体电路中各条线路的电流信号的波形图;将各条所述线路的电流信号的波形图分别通过经训练阶段训练完成的所述第一卷积神经网络以获得多个第一特征矩阵;将所述多个第一特征矩阵按照样本维度构造为输入张量后通过经训练阶段训练完成的所述使用三维卷积核的第二卷积神经网络以获得电流整体特征向量;获取于实验室的整体电路中各条线路的邻接矩阵,所述邻接矩阵中非对角线位置上各个位置的特征值表示相应两条线路之间的串并联关联,其中,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为1,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为0,其中,所述邻接矩阵中对角线位置上各个位置的特征值为1;将所述邻接矩阵通过经训练阶段训练完成的所述第三卷积神经网络以获得邻接特征矩阵;将所述邻接特征矩阵与所述电路整体特征向量进行矩阵相乘以获得分类特征向量;以及将所述分类特征向量通过分类器以获得分类结果,所述分类结果用于表示实验室的整体电路中是否存在低压电弧故障。
根据本申请提供的基于多线路关联的电路故障诊断方法及其系统,其通过卷积神经网络模型来对实验室整体电路中各条线路的电流信号波形图进行局部的隐含关联特征提取以及对所述实验室整体电路的高维电路逻辑拓扑特征进行表达,并使用具有三维卷积核的卷积神经网络来提取出所述各条线路的电流信号之间的关联特征信息,进一步再对得到的电路整体特征向量进行柯西重概率化以消除初始特征维度较高的问题,进而提高卷积神经网络的训练效果。这样,就能够对实验室的整体电路中的电弧故障进行准确地预警。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于多线路关联的电路故障诊断方法的场景示意图。
图2A为根据本申请实施例的基于多线路关联的电路故障诊断方法中训练阶段的流程图。
图2B为根据本申请实施例的基于多线路关联的电路故障诊断方法中推断阶段的流程图。
图3A为根据本申请实施例的基于多线路关联的电路故障诊断方法中训练阶段的架构示意图。
图3B为根据本申请实施例的基于多线路关联的电路故障诊断方法中推断阶段的架构示意图。
图4为根据本申请实施例的基于多线路关联的电路故障诊断系统的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如前所述,安全用电是避免实验室火灾事故的关键因素之一。实验室用电线路老化,用电负荷高或超负荷用电的情况,都会导致电弧故障发生,或损坏实验仪器,或引发电气火灾事故。因此,期待一种用于实验室安全的电路故障预警方案来对实验室整体电路中的电弧故障进行诊断。
深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
近年来,深度学习以及神经网络的发展,尤其是卷积神经网络的发展,为实验室安全的电路故障预警提供了新的解决思路和方案。
相应地,电路故障预警分析可基于对实验室各条线路的电流信号的分析来进行,但实验室的各条线路之间存在关联,如果单从各条线路的电流情况来进行故障预警,其准确率较低,容易出现误报的情况。
基于此,在本申请的技术方案中,本申请发明人尝试基于实验室各条线路的电流信号的全局来构建电路故障预警方案。具体地,首先通过电流传感器获取部署于实验室的整体电路中各条线路的电流信号的波形图。考虑到所述电流信号的波形图本质上是一个二维数据,因此,使用在图像处理领域具有优异表现的卷积神经网络模型对各条所述线路的电流信号的波形图进行特征提取以获得多个第一特征矩阵。这里,相较于常规的电流特征分析手段,例如,基于傅里叶变化的频域分析手段或者基于小波包变化的频域分析手段,使用所述卷积神经网络模型能够从所述电流信号的图像表征域中提取出用于故障诊断的高维隐含局部关联特征。
进一步地,为了提取各条线路的电流信号之间的关联,在本申请实施例中,将所述多个第一特征矩阵按照样本维度构造为输入张量后通过使用三维卷积核的第二卷积神经网络以获得电流整体特征向量。
特别地,由于第一特征矩阵是各个样本在高维特征空间内的特征分布表示,在将其样本维度构造为张量后,通过第二卷积神经网络的特征提取会遇到初始特征维度高的问题,从而在级联的第一卷积神经网络和第二卷积神经网络的端到端训练中影响第二卷积神经网络的训练效果,因此在训练过程中,对电路整体特征向量进行柯西重概率化,表示为:
也就是,通过对特征向量的概率性解释来促进第二卷积神经网络的训练,使得在训练过程当中,第二卷积神经网络由于初始特征维度高所造成的参数损失的鲁棒性能够随迭代自我适应,提高第二卷积神经网络的训练效果。
在实验室中,各条线路连接于多个不同的电器设备,其中,在这些电器设备中,有的是串联电路关系,有的是并联电路关系,也就是,所述各条线路之间存在一定的电路逻辑拓扑关系。在本申请实施例中,以邻接矩阵来表示所述电路逻辑拓扑关系,其中,所述邻接矩阵中非对角线位置上各个位置的特征值表示相应两条线路之间的串并联关联,其中,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为1,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为0,其中,所述邻接矩阵中对角线位置上各个位置的特征值为1。
同样地,以卷积神经网络对所述邻接矩阵进行显式空间编码以得到所述实验室的整体电路的高维电路逻辑拓扑表达。接着,将所述邻接特征矩阵与所述修正后电路整体特征向量进行矩阵相乘以获得包含高维电路逻辑拓扑信息和电流特征的高维表达的分类特征向量,并将所述分类特征向量通过分类器以获得分类损失函数值。接着,以所述分类损失函数值对所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络进行训练,以使得所述第一至第三卷积神经网络能够提取到更能有利于进行电路故障判断的特征。
在训练完成后,在推断过程中,可直接将未修正的电路整体特征向量映射到拓扑空间中得到分类特征向量。
基于此,本申请提出了一种基于多线路关联的电路故障诊断方法,其包括训练阶段,包括:通过电流传感器获取部署于实验室的整体电路中各条线路的电流信号的波形图;将各条所述线路的电流信号的波形图分别通过第一卷积神经网络以获得多个第一特征矩阵;将所述多个第一特征矩阵按照样本维度构造为输入张量后通过使用三维卷积核的第二卷积神经网络以获得电流整体特征向量;对所述电路整体特征向量进行柯西重概率化以获得修正后电路整体特征向量,其中,对所述电路整体特征向量进行柯西重概率化表示计算以所述电路整体特征向量中各个位置的特征值为幂的自然指数函数值除以以所述电路整体特征向量中各个位置的特征值为幂的自然指数函数值的加和之商加上一的对数值;获取所述实验室的整体电路中各条线路的邻接矩阵,所述邻接矩阵中非对角线位置上各个位置的特征值表示相应两条线路之间的串并联关联,其中,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为1,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为0,其中,所述邻接矩阵中对角线位置上各个位置的特征值为1;将所述邻接矩阵通过第三卷积神经网络以获得邻接特征矩阵;将所述邻接特征矩阵与所述修正后电路整体特征向量进行矩阵相乘以将所述修正后电路整体特征向量映射到所述邻接特征矩阵的高维特征空间中以获得分类特征向量;将所述分类特征向量通过分类器以获得分类损失函数值;以及,基于所述分类损失函数值对所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络进行训练;以及,推断阶段,包括:通过电流传感器获取部署于实验室的整体电路中各条线路的电流信号的波形图;将各条所述线路的电流信号的波形图分别通过经训练阶段训练完成的所述第一卷积神经网络以获得多个第一特征矩阵;将所述多个第一特征矩阵按照样本维度构造为输入张量后通过经训练阶段训练完成的所述使用三维卷积核的第二卷积神经网络以获得电流整体特征向量;获取于实验室的整体电路中各条线路的邻接矩阵,所述邻接矩阵中非对角线位置上各个位置的特征值表示相应两条线路之间的串并联关联,其中,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为1,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为0,其中,所述邻接矩阵中对角线位置上各个位置的特征值为1;将所述邻接矩阵通过经训练阶段训练完成的所述第三卷积神经网络以获得邻接特征矩阵;将所述邻接特征矩阵与所述电路整体特征向量进行矩阵相乘以获得分类特征向量;以及,将所述分类特征向量通过分类器以获得分类结果,所述分类结果用于表示实验室的整体电路中是否存在低压电弧故障。
图1图示了根据本申请实施例的基于多线路关联的电路故障诊断方法的场景示意图。如图1所示,在该应用场景中,在训练阶段中,首先,通过部署于实验室(例如,如图1中所示意的L)的整体电路(例如,如图1中所示意的T)中的电流传感器(例如,如图1中所示意的R)获取各条线路的电流信号的波形图,并且根据所述实验室的整体电路中各条线路的逻辑关系构造所述邻接矩阵。然后,将获得的所述各条线路的电流信号的波形图以及所述各条线路的逻辑关系构造所述邻接矩阵输入至部署有基于多线路关联的电路故障诊断算法的服务器(例如,如图1中所示意的S)中,其中,所述服务器能够基于基于多线路关联的电路故障诊断算法以所述各条线路的电流信号的波形图以及所述各条线路的逻辑关系构造所述邻接矩阵对基于多线路关联的电路故障诊断方法的所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络进行训练。
在训练完成后,在推断阶段中,首先,通过部署于实验室(例如,如图1 中所示意的L)的整体电路(例如,如图1中所示意的T)中的电流传感器(例如,如图1中所示意的R)获取各条线路的电流信号的波形图,并且根据所述实验室的整体电路中各条线路的逻辑关系构造所述邻接矩阵。然后,将所述各条线路的电流信号的波形图以及所述各条线路的逻辑关系构造所述邻接矩阵输入部署有基于多线路关联的电路故障诊断算法的服务器(例如,如图1中所示意的S),其中,所述服务器能够以基于多线路关联的电路故障诊断算法对所述各条线路的电流信号的波形图以及所述各条线路的逻辑关系构造所述邻接矩阵进行处理,以生成用于表示实验室的整体电路中是否存在低压电弧故障的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2A图示了根据本申请实施例的基于多线路关联的电路故障诊断方法中训练阶段的流程图。图2B图示了根据本申请实施例的基于多线路关联的电路故障诊断方法中推断阶段的流程图。如图2A所示,根据本申请实施例的基于多线路关联的电路故障诊断方法,包括:训练阶段,包括:S110,通过电流传感器获取部署于实验室的整体电路中各条线路的电流信号的波形图;S120,将各条所述线路的电流信号的波形图分别通过第一卷积神经网络以获得多个第一特征矩阵;S130,将所述多个第一特征矩阵按照样本维度构造为输入张量后通过使用三维卷积核的第二卷积神经网络以获得电流整体特征向量;S140,对所述电路整体特征向量进行柯西重概率化以获得修正后电路整体特征向量,其中,对所述电路整体特征向量进行柯西重概率化表示计算以所述电路整体特征向量中各个位置的特征值为幂的自然指数函数值除以以所述电路整体特征向量中各个位置的特征值为幂的自然指数函数值的加和之商加上一的对数值;S150,获取所述实验室的整体电路中各条线路的邻接矩阵,所述邻接矩阵中非对角线位置上各个位置的特征值表示相应两条线路之间的串并联关联,其中,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为1,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为0,其中,所述邻接矩阵中对角线位置上各个位置的特征值为1;S160,将所述邻接矩阵通过第三卷积神经网络以获得邻接特征矩阵;S170,将所述邻接特征矩阵与所述修正后电路整体特征向量进行矩阵相乘以将所述修正后电路整体特征向量映射到所述邻接特征矩阵的高维特征空间中以获得分类特征向量;S180,将所述分类特征向量通过分类器以获得分类损失函数值;以及,S190,基于所述分类损失函数值对所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络进行训练。
如图2B所示,根据本申请实施例的基于多线路关联的电路故障诊断方法,还包括:推断阶段,包括:S210,通过电流传感器获取部署于实验室的整体电路中各条线路的电流信号的波形图;S220,将各条所述线路的电流信号的波形图分别通过经训练阶段训练完成的所述第一卷积神经网络以获得多个第一特征矩阵;S230,将所述多个第一特征矩阵按照样本维度构造为输入张量后通过经训练阶段训练完成的所述使用三维卷积核的第二卷积神经网络以获得电流整体特征向量;S240,获取于实验室的整体电路中各条线路的邻接矩阵,所述邻接矩阵中非对角线位置上各个位置的特征值表示相应两条线路之间的串并联关联,其中,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为1,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为0,其中,所述邻接矩阵中对角线位置上各个位置的特征值为1;S250,将所述邻接矩阵通过经训练阶段训练完成的所述第三卷积神经网络以获得邻接特征矩阵;S260,将所述邻接特征矩阵与所述电路整体特征向量进行矩阵相乘以获得分类特征向量;以及,S270,将所述分类特征向量通过分类器以获得分类结果,所述分类结果用于表示实验室的整体电路中是否存在低压电弧故障。
图3A图示了根据本申请实施例的基于多线路关联的电路故障诊断方法中训练阶段的架构示意图。如图3A所示,在训练阶段中,在该网络架构中,首先,将获得的各条所述线路的电流信号的波形图(例如,如图3中所示意的P1)分别通过第一卷积神经网络(例如,如图3中所示意的CNN1)以获得多个第一特征矩阵(例如,如图3中所示意的MF1);接着,将所述多个第一特征矩阵按照样本维度构造为输入张量(例如,如图3中所示意的TE) 后通过使用三维卷积核的第二卷积神经网络(例如,如图3中所示意的CNN2) 以获得电流整体特征向量(例如,如图3中所示意的VF1);然后,对所述电路整体特征向量进行柯西重概率化以获得修正后电路整体特征向量(例如,如图3中所示意的VF2);接着,将获得的所述邻接矩阵(例如,如图3中所示意的M)通过第三卷积神经网络(例如,如图3中所示意的CNN3)以获得邻接特征矩阵(例如,如图3中所示意的MF2);然后,将所述邻接特征矩阵与所述修正后电路整体特征向量进行矩阵相乘以将所述修正后电路整体特征向量映射到所述邻接特征矩阵的高维特征空间中以获得分类特征向量(例如,如图3中所示意的VF);接着,将所述分类特征向量通过分类器(例如,如图3中所示意的圈S)以获得分类损失函数值(例如,如图3 中所示意的CLV);以及,最后,基于所述分类损失函数值对所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络进行训练。
图3B图示了根据本申请实施例的基于多线路关联的电路故障诊断方法中推断阶段的架构示意图。如图3B所示,在推断阶段中,在该网络结构中,首先,将获得的各条所述线路的电流信号的波形图(例如,如图3中所示意的P1)分别通过经训练阶段训练完成的所述第一卷积神经网络(例如,如图3中所示意的CN1)以获得多个第一特征矩阵(例如,如图3中所示意的 MF1);接着,将所述多个第一特征矩阵按照样本维度构造为输入张量(例如,如图3中所示意的TE)后通过经训练阶段训练完成的所述使用三维卷积核的第二卷积神经网络(例如,如图3中所示意的CN2)以获得电流整体特征向量(例如,如图3中所示意的VF1);然后,将获得的所述邻接矩阵 (例如,如图3中所示意的M)通过经训练阶段训练完成的所述第三卷积神经网络(例如,如图3中所示意的CN3)以获得邻接特征矩阵(例如,如图 3中所示意的MF2);接着,将所述邻接特征矩阵与所述电路整体特征向量进行矩阵相乘以获得分类特征向量(例如,如图3中所示意的VF);以及,最后,将所述分类特征向量通过分类器(例如,如图3中所示意的圈S)以获得分类结果,所述分类结果用于表示实验室的整体电路中是否存在低压电弧故障。
更具体地,在训练阶段中,在步骤S110和步骤S120中,通过电流传感器获取部署于实验室的整体电路中各条线路的电流信号的波形图,并将各条所述线路的电流信号的波形图分别通过第一卷积神经网络以获得多个第一特征矩阵。如前所述,应可以理解,电路故障预警分析可基于对实验室各条线路的电流信号的分析来进行,但是,由于实验室的各条线路之间存在关联,如果单从所述各条线路的电流情况来进行故障预警,其准确率较低,容易出现误报的情况。因此,在本申请的技术方案中,期望基于所述实验室各条线路的电流信号的全局来构建电路故障预警方案。
也就是,具体地,在本申请的技术方案中,首先通过电流传感器获取部署于实验室的整体电路中各条线路的电流信号的波形图。应可以理解,考虑到所述电流信号的波形图本质上是一个二维数据,因此,进一步使用在图像处理领域具有优异表现的卷积神经网络模型对各条所述线路的电流信号的波形图进行特征提取以获得多个第一特征矩阵。这里,相较于常规的电流特征分析手段,例如,基于傅里叶变化的频域分析手段或者基于小波包变化的频域分析手段,使用所述卷积神经网络模型能够从所述电流信号的图像表征域中提取出用于故障诊断的高维隐含局部关联特征。
具体地,在本申请实施例中,将各条所述线路的电流信号的波形图分别通过第一卷积神经网络以获得多个第一特征矩阵的过程,包括:所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行:对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图;对所述卷积特征图进行沿通道维度的全局均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络的最后一层的输出为所述第一特征矩阵。
更具体地,在训练阶段中,在步骤S130中,将所述多个第一特征矩阵按照样本维度构造为输入张量后通过使用三维卷积核的第二卷积神经网络以获得电流整体特征向量。也就是,进一步地,为了提取所述各条线路的电流信号之间的关联性特征,在本申请的技术方案中,将所述多个第一特征矩阵按照样本维度构造为输入张量后通过使用三维卷积核的第二卷积神经网络以获得电流整体特征向量。
具体地,在本申请实施例中,将所述多个第一特征矩阵按照样本维度构造为输入张量后通过使用三维卷积核的第二卷积神经网络以获得电流整体特征向量的过程,包括:所述使用三维卷积核的第二卷积神经网络以如下公式对所述输入张量进行编码以获得所述电流整体特征向量;
其中,所述公式为:
更具体地,在训练阶段中,在步骤S140中,对所述电路整体特征向量进行柯西重概率化以获得修正后电路整体特征向量,其中,对所述电路整体特征向量进行柯西重概率化表示计算以所述电路整体特征向量中各个位置的特征值为幂的自然指数函数值除以以所述电路整体特征向量中各个位置的特征值为幂的自然指数函数值的加和之商加上一的对数值。应可以理解,特别地,由于所述第一特征矩阵是各个样本在高维特征空间内的特征分布表示,在将其样本维度构造为张量后,通过所述第二卷积神经网络的特征提取会遇到初始特征维度高的问题,从而在级联的所述第一卷积神经网络和所述第二卷积神经网络的端到端训练中影响所述第二卷积神经网络的训练效果,因此在训练过程中,进一步对电路整体特征向量进行柯西重概率化。这样,通过对所述特征向量的概率性解释来促进所述第二卷积神经网络的训练,使得在训练过程当中,所述第二卷积神经网络由于初始特征维度高所造成的参数损失的鲁棒性能够随迭代自我适应,提高所述第二卷积神经网络的训练效果。
具体地,在本申请实施例中,对所述电路整体特征向量进行柯西重概率化以获得修正后电路整体特征向量的过程,包括:以如下公式对所述电路整体特征向量进行柯西重概率化以获得所述修正后电路整体特征向量;
其中,所述公式为:
更具体地,在训练阶段中,在步骤S150和步骤S160中,获取所述实验室的整体电路中各条线路的邻接矩阵,所述邻接矩阵中非对角线位置上各个位置的特征值表示相应两条线路之间的串并联关联,其中,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为1,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为0,其中,所述邻接矩阵中对角线位置上各个位置的特征值为1,并将所述邻接矩阵通过第三卷积神经网络以获得邻接特征矩阵。应可以理解,在实验室中,所述各条线路连接于多个不同的电器设备,其中,在这些电器设备中,有的是串联电路关系,有的是并联电路关系,也就是,所述各条线路之间存在一定的电路逻辑拓扑关系。因此,在本申请的技术方案中,进一步以邻接矩阵来表示所述电路逻辑拓扑关系,这里,所述邻接矩阵中非对角线位置上各个位置的特征值表示相应两条线路之间的串并联关联,在一个具体示例中,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为1,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为0,其中,所述邻接矩阵中对角线位置上各个位置的特征值为1。然后,同样地,以卷积神经网络对所述邻接矩阵进行显式空间编码以得到所述实验室的整体电路的高维电路逻辑拓扑表达。
具体地,在本申请实施例中,将所述邻接矩阵通过第三卷积神经网络以获得邻接特征矩阵的过程,包括:所述第三卷积神经网络的各层在层的正向传递中对输入数据分别进行:使用所述第三卷积神经网络的各层的卷积单元对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图;使用所述第三卷积神经网络的各层的池化单元对所述卷积特征图进行沿通道维度的全局均值池化以得到池化特征矩阵;以及,使用所述第三卷积神经网络的各层的激活单元对所述池化特征矩阵进行基于非线性激活函数的激活以得到激活特征矩阵,其中,所述非线性激活函数为Sigmoid函数;其中,所述第三卷积神经网络的最后一层的输出的所述激活特征矩阵为所述邻接特征矩阵。
更具体地,在训练阶段中,在步骤S170、步骤S180和步骤S190中,将所述邻接特征矩阵与所述修正后电路整体特征向量进行矩阵相乘以将所述修正后电路整体特征向量映射到所述邻接特征矩阵的高维特征空间中以获得分类特征向量,并将所述分类特征向量通过分类器以获得分类损失函数值,再基于所述分类损失函数值对所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络进行训练。也就是,在本申请的技术方案中,接着,将所述邻接特征矩阵与所述修正后电路整体特征向量进行矩阵相乘,以将所述修正后电路整体特征向量映射到所述邻接特征矩阵的高维特征空间中,从而获得包含高维电路逻辑拓扑信息和电流特征的高维表达的分类特征向量。然后,将所述分类特征向量通过分类器以获得分类损失函数值。接着,就可以以所述分类损失函数值对所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络进行训练,以使得所述第一至第三卷积神经网络能够提取到更能有利于进行电路故障判断的特征。
具体地,在本申请实施例中,将所述分类特征向量通过分类器以获得分类损失函数值的过程,包括:使用所述分类器以如下公式对所述分类特征向量进行处理以得到所述分类结果;其中,所述公式为: softmax{(Wn,Bn):…:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为分类特征向量。
在训练完成后,进入推断阶段。也就是,通过训练阶段将所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络进行训练完成后,将得到的训练完成后的所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络用于实际的推断阶段中。进而,重复上述步骤就可以直接将未修正的电路整体特征向量映射到拓扑空间中得到分类特征向量,然后通过分类器获得用于表示实验室的整体电路中是否存在低压电弧故障的分类结果。
具体地,在推断阶段中,首先,通过电流传感器获取部署于实验室的整体电路中各条线路的电流信号的波形图。接着,将各条所述线路的电流信号的波形图分别通过经训练阶段训练完成的所述第一卷积神经网络以获得多个第一特征矩阵。然后,将所述多个第一特征矩阵按照样本维度构造为输入张量后通过经训练阶段训练完成的所述使用三维卷积核的第二卷积神经网络以获得电流整体特征向量。接着,获取于实验室的整体电路中各条线路的邻接矩阵,所述邻接矩阵中非对角线位置上各个位置的特征值表示相应两条线路之间的串并联关联,其中,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为1,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为0,其中,所述邻接矩阵中对角线位置上各个位置的特征值为1。然后,将所述邻接矩阵通过经训练阶段训练完成的所述第三卷积神经网络以获得邻接特征矩阵。接着,将所述邻接特征矩阵与所述电路整体特征向量进行矩阵相乘以获得分类特征向量。最后,将所述分类特征向量通过分类器以获得分类结果,所述分类结果用于表示实验室的整体电路中是否存在低压电弧故障。
综上,基于本申请实施例的基于多线路关联的电路故障诊断方法被阐明,其通过卷积神经网络模型来对实验室整体电路中各条线路的电流信号波形图进行局部的隐含关联特征提取以及对所述实验室整体电路的高维电路逻辑拓扑特征进行表达,并使用具有三维卷积核的卷积神经网络来提取出所述各条线路的电流信号之间的关联特征信息,进一步再对得到的电路整体特征向量进行柯西重概率化以消除初始特征维度较高的问题,进而提高卷积神经网络的训练效果。这样,就能够对实验室的整体电路中的电弧故障进行准确地预警。
示例性系统
图4图示了根据本申请实施例的基于多线路关联的电路故障诊断系统的框图。如图4所示,根据本申请实施例的基于多线路关联的电路故障诊断系统400,包括:训练模块410和推断模块420。
如图4所示,所述训练模块410,包括:波形图获取单元411,用于通过电流传感器获取部署于实验室的整体电路中各条线路的电流信号的波形图;第一卷积单元412,用于将各条所述线路的电流信号的波形图分别通过第一卷积神经网络以获得多个第一特征矩阵;第二卷积单元413,用于将所述多个第一特征矩阵按照样本维度构造为输入张量后通过使用三维卷积核的第二卷积神经网络以获得电流整体特征向量;修正单元414,用于对所述电路整体特征向量进行柯西重概率化以获得修正后电路整体特征向量,其中,对所述电路整体特征向量进行柯西重概率化表示计算以所述电路整体特征向量中各个位置的特征值为幂的自然指数函数值除以以所述电路整体特征向量中各个位置的特征值为幂的自然指数函数值的加和之商加上一的对数值;邻接矩阵获取单元415,用于获取所述实验室的整体电路中各条线路的邻接矩阵,所述邻接矩阵中非对角线位置上各个位置的特征值表示相应两条线路之间的串并联关联,其中,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为1,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为0,其中,所述邻接矩阵中对角线位置上各个位置的特征值为1;第三卷积单元416,用于将所述邻接矩阵通过第三卷积神经网络以获得邻接特征矩阵;矩阵相乘单元417,用于将所述邻接特征矩阵与所述修正后电路整体特征向量进行矩阵相乘以将所述修正后电路整体特征向量映射到所述邻接特征矩阵的高维特征空间中以获得分类特征向量;分类损失函数值计算单元418,用于将所述分类特征向量通过分类器以获得分类损失函数值;以及,训练单元419,用于基于所述分类损失函数值对所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络进行训练。
如图4所示,所述推断模块420,包括:信号数据获取单元421,用于通过电流传感器获取部署于实验室的整体电路中各条线路的电流信号的波形图;第一特征矩阵生成单元422,用于将各条所述线路的电流信号的波形图分别通过经训练阶段训练完成的所述第一卷积神经网络以获得多个第一特征矩阵;电流整体特征向量生成单元423,用于将所述多个第一特征矩阵按照样本维度构造为输入张量后通过经训练阶段训练完成的所述使用三维卷积核的第二卷积神经网络以获得电流整体特征向量;邻接矩阵数据获取单元424,用于获取于实验室的整体电路中各条线路的邻接矩阵,所述邻接矩阵中非对角线位置上各个位置的特征值表示相应两条线路之间的串并联关联,其中,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为1,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为0,其中,所述邻接矩阵中对角线位置上各个位置的特征值为1;邻接特征矩阵生成单元425,用于将所述邻接矩阵通过经训练阶段训练完成的所述第三卷积神经网络以获得邻接特征矩阵;分类特征向量生成单元426,用于将所述邻接特征矩阵与所述电路整体特征向量进行矩阵相乘以获得分类特征向量;以及,分类单元427,用于将所述分类特征向量通过分类器以获得分类结果,所述分类结果用于表示实验室的整体电路中是否存在低压电弧故障。
这里,本领域技术人员可以理解,上述基于多线路关联的电路故障诊断系统400中的各个单元和模块的具体功能和操作已经在上面参考图1到图 3B的基于多线路关联的电路故障诊断方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的基于多线路关联的电路故障诊断系统 400可以实现在各种终端设备中,例如基于多线路关联的电路故障诊断算法的服务器等。在一个示例中,根据本申请实施例的基于多线路关联的电路故障诊断系统400可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于多线路关联的电路故障诊断系统400可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于多线路关联的电路故障诊断系统400同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于多线路关联的电路故障诊断系统400 与该终端设备也可以是分立的设备,并且该基于多线路关联的电路故障诊断系统400可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种基于多线路关联的电路故障诊断方法,其特征在于,包括:训练阶段,包括:通过电流传感器获取部署于实验室的整体电路中各条线路的电流信号的波形图;将各条所述线路的电流信号的波形图分别通过第一卷积神经网络以获得多个第一特征矩阵;将所述多个第一特征矩阵按照样本维度构造为输入张量后通过使用三维卷积核的第二卷积神经网络以获得电流整体特征向量;对所述电路整体特征向量进行柯西重概率化以获得修正后电路整体特征向量,其中,对所述电路整体特征向量进行柯西重概率化表示计算以所述电路整体特征向量中各个位置的特征值为幂的自然指数函数值除以以所述电路整体特征向量中各个位置的特征值为幂的自然指数函数值的加和之商加上一的对数值;获取所述实验室的整体电路中各条线路的邻接矩阵,所述邻接矩阵中非对角线位置上各个位置的特征值表示相应两条线路之间的串并联关联,其中,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为1,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为0,其中,所述邻接矩阵中对角线位置上各个位置的特征值为1;将所述邻接矩阵通过第三卷积神经网络以获得邻接特征矩阵;将所述邻接特征矩阵与所述修正后电路整体特征向量进行矩阵相乘以将所述修正后电路整体特征向量映射到所述邻接特征矩阵的高维特征空间中以获得分类特征向量;将所述分类特征向量通过分类器以获得分类损失函数值;以及基于所述分类损失函数值对所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络进行训练;以及推断阶段,包括:通过电流传感器获取部署于实验室的整体电路中各条线路的电流信号的波形图;将各条所述线路的电流信号的波形图分别通过经训练阶段训练完成的所述第一卷积神经网络以获得多个第一特征矩阵;将所述多个第一特征矩阵按照样本维度构造为输入张量后通过经训练阶段训练完成的所述使用三维卷积核的第二卷积神经网络以获得电流整体特征向量;获取于实验室的整体电路中各条线路的邻接矩阵,所述邻接矩阵中非对角线位置上各个位置的特征值表示相应两条线路之间的串并联关联,其中,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为1,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为0,其中,所述邻接矩阵中对角线位置上各个位置的特征值为1;将所述邻接矩阵通过经训练阶段训练完成的所述第三卷积神经网络以获得邻接特征矩阵;将所述邻接特征矩阵与所述电路整体特征向量进行矩阵相乘以获得分类特征向量;以及将所述分类特征向量通过分类器以获得分类结果,所述分类结果用于表示实验室的整体电路中是否存在低压电弧故障。
2.根据权利要求1所述的基于多线路关联的电路故障诊断方法,其中,将各条所述线路的电流信号的波形图分别通过第一卷积神经网络以获得多个第一特征矩阵,包括:所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行:对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图;对所述卷积特征图进行沿通道维度的全局均值池化以得到池化特征图;以及对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络的最后一层的输出为所述第一特征矩阵。
5.根据权利要求4所述的基于多线路关联的电路故障诊断方法,其中,将所述邻接矩阵通过第三卷积神经网络以获得邻接特征矩阵,包括:所述第三卷积神经网络的各层在层的正向传递中对输入数据分别进行:使用所述第三卷积神经网络的各层的卷积单元对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图;使用所述第三卷积神经网络的各层的池化单元对所述卷积特征图进行沿通道维度的全局均值池化以得到池化特征矩阵;以及使用所述第三卷积神经网络的各层的激活单元对所述池化特征矩阵进行基于非线性激活函数的激活以得到激活特征矩阵,其中,所述非线性激活函数为Sigmoid函数;其中,所述第三卷积神经网络的最后一层的输出的所述激活特征矩阵为所述邻接特征矩阵。
6.根据权利要求5所述的基于多线路关联的电路故障诊断方法,其中,将所述分类特征向量通过分类器以获得分类损失函数值,包括:使用所述分类器以如下公式对所述分类特征向量进行处理以得到所述分类结果;其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为分类特征向量。
7.一种基于多线路关联的电路故障诊断系统,其特征在于,包括:训练模块,包括:波形图获取单元,用于通过电流传感器获取部署于实验室的整体电路中各条线路的电流信号的波形图;第一卷积单元,用于将各条所述线路的电流信号的波形图分别通过第一卷积神经网络以获得多个第一特征矩阵;第二卷积单元,用于将所述多个第一特征矩阵按照样本维度构造为输入张量后通过使用三维卷积核的第二卷积神经网络以获得电流整体特征向量;修正单元,用于对所述电路整体特征向量进行柯西重概率化以获得修正后电路整体特征向量,其中,对所述电路整体特征向量进行柯西重概率化表示计算以所述电路整体特征向量中各个位置的特征值为幂的自然指数函数值除以以所述电路整体特征向量中各个位置的特征值为幂的自然指数函数值的加和之商加上一的对数值;邻接矩阵获取单元,用于获取所述实验室的整体电路中各条线路的邻接矩阵,所述邻接矩阵中非对角线位置上各个位置的特征值表示相应两条线路之间的串并联关联,其中,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为1,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为0,其中,所述邻接矩阵中对角线位置上各个位置的特征值为1;第三卷积单元,用于将所述邻接矩阵通过第三卷积神经网络以获得邻接特征矩阵;矩阵相乘单元,用于将所述邻接特征矩阵与所述修正后电路整体特征向量进行矩阵相乘以将所述修正后电路整体特征向量映射到所述邻接特征矩阵的高维特征空间中以获得分类特征向量;分类损失函数值计算单元,用于将所述分类特征向量通过分类器以获得分类损失函数值;以及训练单元,用于基于所述分类损失函数值对所述第一卷积神经网络、所述第二卷积神经网络和所述第三卷积神经网络进行训练;以及推断模块,包括:信号数据获取单元,用于通过电流传感器获取部署于实验室的整体电路中各条线路的电流信号的波形图;第一特征矩阵生成单元,用于将各条所述线路的电流信号的波形图分别通过经训练阶段训练完成的所述第一卷积神经网络以获得多个第一特征矩阵;电流整体特征向量生成单元,用于将所述多个第一特征矩阵按照样本维度构造为输入张量后通过经训练阶段训练完成的所述使用三维卷积核的第二卷积神经网络以获得电流整体特征向量;邻接矩阵数据获取单元,用于获取于实验室的整体电路中各条线路的邻接矩阵,所述邻接矩阵中非对角线位置上各个位置的特征值表示相应两条线路之间的串并联关联,其中,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为1,如果相应两条线路是串联关系,则所述邻接矩阵对应位置的特征值为0,其中,所述邻接矩阵中对角线位置上各个位置的特征值为1;邻接特征矩阵生成单元,用于将所述邻接矩阵通过经训练阶段训练完成的所述第三卷积神经网络以获得邻接特征矩阵;分类特征向量生成单元,用于将所述邻接特征矩阵与所述电路整体特征向量进行矩阵相乘以获得分类特征向量;以及分类单元,用于将所述分类特征向量通过分类器以获得分类结果,所述分类结果用于表示实验室的整体电路中是否存在低压电弧故障。
10.根据权利要求9所述的基于多线路关联的电路故障诊断系统,其中,所述第三卷积单元,进一步用于:使用所述第三卷积神经网络的各层的卷积单元对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图;使用所述第三卷积神经网络的各层的池化单元对所述卷积特征图进行沿通道维度的全局均值池化以得到池化特征矩阵;以及,使用所述第三卷积神经网络的各层的激活单元对所述池化特征矩阵进行基于非线性激活函数的激活以得到激活特征矩阵,其中,所述非线性激活函数为Sigmoid函数;其中,所述第三卷积神经网络的最后一层的输出的所述激活特征矩阵为所述邻接特征矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210817587.XA CN115130520A (zh) | 2022-07-12 | 2022-07-12 | 基于多线路关联的电路故障诊断方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210817587.XA CN115130520A (zh) | 2022-07-12 | 2022-07-12 | 基于多线路关联的电路故障诊断方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115130520A true CN115130520A (zh) | 2022-09-30 |
Family
ID=83382955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210817587.XA Withdrawn CN115130520A (zh) | 2022-07-12 | 2022-07-12 | 基于多线路关联的电路故障诊断方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115130520A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116930749A (zh) * | 2023-06-15 | 2023-10-24 | 浙江联大科技有限公司 | 管状电机的遇阻检测系统及其方法 |
-
2022
- 2022-07-12 CN CN202210817587.XA patent/CN115130520A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116930749A (zh) * | 2023-06-15 | 2023-10-24 | 浙江联大科技有限公司 | 管状电机的遇阻检测系统及其方法 |
CN116930749B (zh) * | 2023-06-15 | 2024-02-13 | 浙江联大科技有限公司 | 管状电机的遇阻检测系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114825257B (zh) | Led灯检测的漏电保护装置及其漏电保护方法 | |
CN109766952B (zh) | 基于偏最小二乘法和极限学习机的光伏阵列故障检测方法 | |
CN115099285A (zh) | 基于神经网络模型的智能检测方法及其系统 | |
CN109635763B (zh) | 一种人群密度估计方法 | |
CN115235612B (zh) | 伺服电机的故障智能诊断系统及其诊断方法 | |
CN115013298B (zh) | 污水泵的实时性能在线监测系统及其监测方法 | |
CN115834433B (zh) | 基于物联网技术的数据处理方法及系统 | |
CN115761642A (zh) | 基于图像处理的破碎作业监控方法及其系统 | |
CN114355240A (zh) | 配电网接地故障诊断方法及装置 | |
CN115577248A (zh) | 风力发电机组的故障诊断系统及其方法 | |
CN116247824B (zh) | 电力设备的控制方法及其系统 | |
CN113554100B (zh) | 异构图注意力网络增强的Web服务分类方法 | |
CN115797708A (zh) | 一种输配电同步数据采集方法 | |
CN116679161A (zh) | 一种电网线路故障诊断方法、设备和介质 | |
CN116579618B (zh) | 基于风险管理的数据处理方法、装置、设备及存储介质 | |
CN115130520A (zh) | 基于多线路关联的电路故障诊断方法及其系统 | |
CN115324843A (zh) | 基于监测数据的风力发电机组的故障诊断系统及其方法 | |
CN117269644A (zh) | 电流互感器的线路故障监测系统及其方法 | |
CN115146676A (zh) | 电路故障检测方法及其系统 | |
CN115580564A (zh) | 一种物联网通信网关动态调用装置 | |
CN115266159A (zh) | 列车牵引系统的故障诊断方法及其系统 | |
CN113610119B (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
CN114528883A (zh) | 一种风电变流器igbt故障识别方法 | |
CN115510900A (zh) | 电路故障自动诊断方法及其诊断系统 | |
CN115143128B (zh) | 小型潜水电泵的故障诊断方法及其系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220930 |
|
WW01 | Invention patent application withdrawn after publication |