CN115219883A - 一种电气自动化设备自动检测系统及检测方法 - Google Patents
一种电气自动化设备自动检测系统及检测方法 Download PDFInfo
- Publication number
- CN115219883A CN115219883A CN202210998554.XA CN202210998554A CN115219883A CN 115219883 A CN115219883 A CN 115219883A CN 202210998554 A CN202210998554 A CN 202210998554A CN 115219883 A CN115219883 A CN 115219883A
- Authority
- CN
- China
- Prior art keywords
- sensor
- fault
- diagnosis model
- fault diagnosis
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 238000003745 diagnosis Methods 0.000 claims description 66
- 238000012549 training Methods 0.000 claims description 50
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 230000001902 propagating effect Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 12
- 239000013598 vector Substances 0.000 description 9
- 230000004044 response Effects 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- 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
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明提供了一种电气自动化设备自动检测系统及检测方法，方法包括：控制测试模块对电气自动化设备上的第一传感器输出测试信号；获取第一传感器输出的反馈电压信号；对第一传感器输出的反馈电压信号进行分析，若第一传感器输出的反馈电压信号超过阈值且持续时间超过设定时常，则判定第一传感器出现故障，输出与第一传感器对应的故障代码；从存储器中调用预设的固定值取代第一传感器的输出信号。在本发明能够先对电气自动化设备中的传感器进行主动测试，判断传感器是否出现故障，以避免因为传感器本身出现故障而造成对电气自动化设备中的电气元件出现故障误报的可能性。并能在传感器出现故障之后主动输出与传感器对应的故障代码。
Description
技术领域
本发明涉及电气自动化设备技术领域，尤其涉及一种电气自动化设备自动检测系统及检测方法。
背景技术
电气自动化设备具有众多的功能模块、完善的嵌入式解决方案可以最大程度地满足众多用户的个性化需求，广泛应用于工业、农业、国防等领域，已经成为高新技术产业的重要组成部分，在国民经济中发挥着越来越重要的作用。
电气自动化设备一般配有自动检测系统，通过对电气自动化设备中的功能模块进行自检，及时确认、排除可能出现的电气故障，保障电气自动化设备安全、稳定地运行。目前，大多数的检测数据需要通过传感器进行获取，但是若传感器出现故障，导致获取的检测数据不准，会导致整个自动检测系统失效。
并且，传统故障检测方法一般包括两个步骤：第一步是从故障电气量中通过信号分解算法人工提取相应的统计量，并将其作为故障分类的特征向量；第二步是将特征向量输入到搭建的故障诊断模型中进行故障分类。
现有技术中，还利用局部特征尺度分解、希尔伯特变换和带通滤波算法，提取相应奇异谱的分布参数作为特征向量，输入到支持向量机(Support Vector Machine,SVM)中进行故障分类。现有技术中还通过希尔伯特变换和离散傅立叶变换得到电压的均方根、谐波信息和突变信息来构造特征矩阵进行故障分类。现有技术中还通过对故障信号进行小波分解来构造均方根和欧氏距离，输入到改进的SVM中完成电气自动化设备故障分类。以上通过人工提取特征向量的方法均取得了良好的分类效果，但随着电气自动化设备故障工况的复杂性增强，数据之间的非线性和随机性增大，此时人工提取的特征向量表征信号间差异的能力往往较弱，可能导致分类效果降低。
发明内容
本发明的目的在于提供一种电气自动化设备自动检测系统及检测方法，以解决背景技术中所提出的技术问题。
为了达到上述目的，第一方面，本申请实施例提供了一种电气自动化设备自动检测方法，包括：
控制测试模块对电气自动化设备上的第一传感器输出测试信号；
获取所述第一传感器输出的反馈电压信号；
对所述第一传感器输出的反馈电压信号进行分析，若所述第一传感器输出的反馈电压信号超过阈值且持续时间超过设定时常，则判定所述第一传感器出现故障，输出与所述第一传感器对应的故障代码；
从存储器中调用预设的固定值取代所述第一传感器的输出信号。
可选的，所述方法还包括，在判定所述第一传感器出现故障后：
获取与所述第一传感器相关的第二传感器的输出信号；
对所述第二传感器的输出信号进行转换计算，获取代用参数值；
用所述代用参数值取代所述第一传感器的输出信号。
可选的，所述方法还包括：
获取所述电气自动化设备上检查点的电路信号；
对所述电路信号进行预处理；
调用预设的故障诊断模型对预处理后的所述电路信号进行分析，得到电气元件故障类型分析结果；其中，所述故障诊断模型为对所述检查点正常状态时输出的电路信号和/或故障状态时输出的电路信号进行机器学习训练后得到的用于输出所述电气元件故障类型分析结果的模型。
可选的，所述故障诊断模型的训练方法包括：
构建训练样本；
构建初始故障诊断模型；
利用所述训练样本对所述初始故障诊断模型进行训练，获得所述故障诊断模型。
可选的，利用所述训练样本对所述初始故障诊断模型进行训练，获得所述故障诊断模型，包括：
S1：将所述训练样本输入所述初始故障诊断模型，对各训练样本进行故障特征提取，得到故障状态标签；
S2：计算故障状态标签和真实状态标签之间的误差，以及各训练样本的权重；
S3：根据各训练样本的权重对误差进行加权后反向传播更新所述初始故障诊断模型的参数；
S4：重复步骤S1～S3，直到所述初始故障诊断模型收敛或达到指定的迭代次数，得到所述故障诊断模型。
可选的，在步骤S4之后，还包括：
S5：构建验证样本；
S6：将所述验证样本输入所述故障诊断模型，测试所述故障诊断模型的精度。
第二方面，本申请实施例还提供了一种电气自动化设备自动检测系统，包括：
第一控制模块，用于控制测试模块对电气自动化设备上的第一传感器输出测试信号；
第一获取模块，用于获取所述第一传感器输出的反馈电压信号；
第一故障分析模块，用于对所述第一传感器输出的反馈电压信号进行分析，若所述第一传感器输出的反馈电压信号超过阈值且持续时间超过设定时常，则判定所述第一传感器出现故障，输出与所述第一传感器对应的故障代码；
第一信号取代模块，用于从存储器中调用预设的固定值取代所述第一传感器的输出信号。
可选的，所述系统还包括：
第二获取模块，用于获取与所述第一传感器相关的第二传感器的输出信号；
代用参数值获取模块，用于对所述第二传感器的输出信号进行转换计算，获取代用参数值；
第二信号取代模块，用于用所述代用参数值取代所述第一传感器的输出信号。
可选的，所述系统还包括：
电路信号获取模块，用于获取所述电气自动化设备上检查点的电路信号；
预处理模块，用于对所述电路信号进行预处理；
第二故障分析模块，用于调用预设的故障诊断模型对预处理后的所述电路信号进行分析，得到电气元件故障类型分析结果；其中，所述故障诊断模型为对所述检查点正常状态时输出的电路信号和/或故障状态时输出的电路信号进行机器学习训练后得到的用于输出所述电气元件故障类型分析结果的模型。
可选的，所述故障诊断模型的训练方法包括：
构建训练样本；
构建初始故障诊断模型；
利用所述训练样本对所述初始故障诊断模型进行训练，获得所述故障诊断模型。
在本发明提供的电气自动化设备自动检测方法和系统，能够先对电气自动化设备中的传感器进行主动测试，判断传感器是否出现故障，以避免因为传感器本身出现故障而造成对电气自动化设备中的电气元件出现故障误报的可能性。在传感器出现故障之后主动输出与传感器对应的故障代码，方便维修人员准确定位发生故障的传感器。
并且，在确认传感器发生故障之后，会从存储器中调用预设的固定值取代发生故障的传感器的输出信号作为应急参数，从而保证电气自动化设备中需要使用该传感器输出信号作为参数的电气模块能够维持一定时间的正常运转，整个电气自动化设备不会因为其中的一个或者几个传感器出现故障而停机。
最后，本申请获取电气自动化设备上检查点的电路信号后，利用故障诊断模型对电路信号进行分析，可以主动识别电气元件故障类型。克服了传统故障分类方法对人工提取特征向量环节的依赖，有效提高了对电气自动化设备中电气元件故障的分析识别速度和识别准确度。
附图说明
图1为本发明实施例提供的一种电气自动化设备自动检测方法的方法流程图；
图2为本发明实施例提供的一种电气自动化设备自动检测系统的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素，此外，本申请不同实施例中具有同样命名的部件、特征、要素可能具有相同含义，也可能具有不同含义，其具体含义需以其在该具体实施例中的解释或者进一步结合该具体实施例中上下文进行确定。
应当理解，尽管在本文可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本文范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语"如果"可以被解释成为"在……时"或"当……时"或"响应于确定"。再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。本申请使用的术语“或”、“和/或”、“包括以下至少一个”等可被解释为包括性的，或意味着任一个或任何组合。例如，“包括以下至少一个：A、B、C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A和B和C”，再如，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A和B和C”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
应该理解的是，虽然本申请实施例中的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
需要说明的是，在本文中，采用了诸如S1、S2等步骤代号，其目的是为了更清楚简要地表述相应内容，不构成顺序上的实质性限制，本领域技术人员在具体实施时，可能会先执行S2后执行S1等，但这些均应在本申请的保护范围之内。
实施例一：
如图1所示，本实施例提供了一种电气自动化设备自动检测方法，该方法用于对电气自动化设备中的传感器进行主动故障检测，以排除传感器本身出现故障而导致自动检测系统认为电气自动化设备中的电气元件出现故障的问题。
具体的，该方法可以包括：
S101：控制测试模块对电气自动化设备上的第一传感器输出测试信号。
测试模块中包含有测试电路，可以在每次电气自动化设备启动时、或者定时控制测试模块中的测试电路向第一传感器输出测试信号，以主动测试该第一传感器本身是否发生故障。第一传感器接收到测试信号后，会输出一个反馈电压信号。
本实施例中，测试模块中的测试电路输出的测试信号可以是电压信号和/或电流信号。
S102：获取所述第一传感器输出的反馈电压信号。
S103：对所述第一传感器输出的反馈电压信号进行分析，若所述第一传感器输出的反馈电压信号超过阈值且持续时间超过设定时常，则判定所述第一传感器出现故障，输出与所述第一传感器对应的故障代码。
在第一传感器正常的情况下，第一传感器接收到测试信号输出的反馈电压信号应该是一个固定值。但是在实际情况下，受外界环境和空间的干扰，第一传感器输出的反馈电压信号，都有一定的变化范围。采用监测反馈电压信号的变化是否在规定的范围内来确定第一传感器是否有故障，若第一传感器输出的反馈电压信号电压数值多次偏离正常工作范围且持续一定时间，即可判定该第一传感器发生故障，从内部存储器中调用与该第一传感器发生故障后对应的故障代码，将该故障代码输出，及时提醒维修管理人员对第一传感器进行维修更换。
S104：从存储器中调用预设的固定值取代所述第一传感器的输出信号。
在某些情况下，电气自动化设备的正常运行需要使用第一传感器的输出信号作为运转控制参数。若第一传感器确认存在故障的情况下，可以从存储器中调出一预设的固定值作为电气自动化设备的应急参数，以维持电气自动化设备运转，使整个电气自动化设备不会因为其中的一个或者几个传感器出现故障而停机。
在一些情况下，第一传感器采集的参数会与第二传感器采集的参数相关，即可以用第二传感器的输出信号进行转换计算后得到的参数作为第一传感器的输出信号的代用参数值。第二传感器的工作性质与第一传感器的工作性质相关，且第二传感器没有出现故障，处于正常工作状态。
因此，本申请的方法还包括，在判定所述第一传感器出现故障后：
S105：获取与所述第一传感器相关的第二传感器的输出信号。
S106：对所述第二传感器的输出信号进行转换计算，获取代用参数值。
具体的换算公式可以根据第一传感器采集的参数与第二传感器采集的参数之间的关系推导得出，并将推导出的公式存储在存储器中直接调用即可。
S107：用所述代用参数值取代所述第一传感器的输出信号。
同步骤S104中的原理相同，以代用参数值作为电气自动化设备的应急参数，以维持电气自动化设备运转，使整个电气自动化设备不会因为其中的一个或者几个传感器出现故障而停机。并且，由于第二传感器的输出信号是实时和动态的，从而使换算后得到的代用参数值也是实时和动态的，有效保证了电气自动化设备控制参数的实时有效。
本实施例中，对传感器的故障检测完成之后，还要对电气自动化设备上的电气元件的故障进行检测，及时识别电气元件的故障类型。因此，本申请的检测方法还包括：
S201：获取所述电气自动化设备上检查点的电路信号。
通过获取检查点上的电路信号，例如电流信号、电压信号和/或温度信号等，将电路信号作为检测的输入信号。
S202：对所述电路信号进行预处理。
例如，将温度信号转换为电流或者电压信号，对电流信号、电压信号进行滤波、离散小波包分解处理、快速傅里叶变换和/或归一化的数据预处理。
S203：调用预设的故障诊断模型对预处理后的所述电路信号进行分析，得到电气元件故障类型分析结果。其中，所述故障诊断模型为对所述检查点正常状态时输出的电路信号和/或故障状态时输出的电路信号进行机器学习训练后得到的用于输出所述电气元件故障类型分析结果的模型。
具体的，所述故障诊断模型的训练方法包括：
S10：构建训练样本。
以确定的长度d截取不经任何处理的原始信号，对分段后的每截原始信号标记上对应的原始故障状态标签，从而构建训练样本。
S20：构建初始故障诊断模型。
基于深度学习理论构建初始故障诊断模型，可用的深度学习理论包括但不限于：卷积神经网络、自编码器、循环神经网络等。初始故障诊断模型包括输入层、卷积层、池化层、全连接层等。S30：利用所述训练样本对所述初始故障诊断模型进行训练，获得所述故障诊断模型。
具体的，利用所述训练样本对所述初始故障诊断模型进行训练，获得所述故障诊断模型，包括：
S1：将所述训练样本输入所述初始故障诊断模型，对各训练样本进行故障特征提取，得到故障状态标签。
S2：计算故障状态标签和真实状态标签之间的误差，以及各训练样本的权重。
S3：根据各训练样本的权重对误差进行加权后反向传播更新所述初始故障诊断模型的参数。
S4：重复步骤S1～S3，直到所述初始故障诊断模型收敛或达到指定的迭代次数，得到所述故障诊断模型。
可选的，在步骤S4之后，还包括：
S5：构建验证样本。
具体的，本实施例中，构建验证样本可以在步骤S10中同步进行，即以确定的长度d截取不经任何处理的原始信号，将其分为训练样本和验证样本即可。
S6：将所述验证样本输入所述故障诊断模型，测试所述故障诊断模型的精度。
实施本发明实施例提供的方法，能够先对电气自动化设备中的传感器进行主动测试，判断传感器是否出现故障，以避免因为传感器本身出现故障而造成对电气自动化设备中的电气元件出现故障误报的可能性。在传感器出现故障之后主动输出与传感器对应的故障代码，方便维修人员准确定位发生故障的传感器。
并且，在确认传感器发生故障之后，会从存储器中调用预设的固定值取代发生故障的传感器的输出信号作为应急参数，从而保证电气自动化设备中需要使用该传感器输出信号作为参数的电气模块能够维持一定时间的正常运转，整个电气自动化设备不会因为其中的一个或者几个传感器出现故障而停机。
最后，本申请获取电气自动化设备上检查点的电路信号后，利用故障诊断模型对电路信号进行分析，可以主动识别电气元件故障类型。克服了传统故障分类方法对人工提取特征向量环节的依赖，有效提高了对电气自动化设备中电气元件故障的分析识别速度和识别准确度。
实施例二：
基于与实施例一相同的发明构思，本实施例二提供了一种电气自动化设备自动检测系统。如图2所示，该自动检测系统可以包括：
第一控制模块301，用于控制测试模块对电气自动化设备上的第一传感器输出测试信号。
第一获取模块302，用于获取所述第一传感器输出的反馈电压信号。
第一故障分析模块303，用于对所述第一传感器输出的反馈电压信号进行分析，若所述第一传感器输出的反馈电压信号超过阈值且持续时间超过设定时常，则判定所述第一传感器出现故障，输出与所述第一传感器对应的故障代码。
第一信号取代模块304，用于从存储器中调用预设的固定值取代所述第一传感器的输出信号。
可选的，所述系统还包括：
第二获取模块305，用于获取与所述第一传感器相关的第二传感器的输出信号。
代用参数值获取模块306，用于对所述第二传感器的输出信号进行转换计算，获取代用参数值。
第二信号取代模块307，用于用所述代用参数值取代所述第一传感器的输出信号。
可选的，所述系统还包括：
电路信号获取模块401，用于获取所述电气自动化设备上检查点的电路信号。
预处理模块402，用于对所述电路信号进行预处理。
第二故障分析模块403，用于调用预设的故障诊断模型对预处理后的所述电路信号进行分析，得到电气元件故障类型分析结果。其中，所述故障诊断模型为对所述检查点正常状态时输出的电路信号和/或故障状态时输出的电路信号进行机器学习训练后得到的用于输出所述电气元件故障类型分析结果的模型。
可选的，所述故障诊断模型的训练方法包括：
构建训练样本。
构建初始故障诊断模型。
利用所述训练样本对所述初始故障诊断模型进行训练，获得所述故障诊断模型。
本实施例提供的自动检测系统，能够先对电气自动化设备中的传感器进行主动测试，判断传感器是否出现故障，以避免因为传感器本身出现故障而造成对电气自动化设备中的电气元件出现故障误报的可能性。在传感器出现故障之后主动输出与传感器对应的故障代码，方便维修人员准确定位发生故障的传感器。
并且，在确认传感器发生故障之后，会从存储器中调用预设的固定值取代发生故障的传感器的输出信号作为应急参数，从而保证电气自动化设备中需要使用该传感器输出信号作为参数的电气模块能够维持一定时间的正常运转，整个电气自动化设备不会因为其中的一个或者几个传感器出现故障而停机。
最后，自动检测系统获取电气自动化设备上检查点的电路信号后，利用故障诊断模型对电路信号进行分析，可以主动识别电气元件故障类型。克服了传统故障分类方法对人工提取特征向量环节的依赖，有效提高了对电气自动化设备中电气元件故障的分析识别速度和识别准确度。
上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。
Claims (10)
1.一种电气自动化设备自动检测方法，其特征在于，包括：
控制测试模块对电气自动化设备上的第一传感器输出测试信号；
获取所述第一传感器输出的反馈电压信号；
对所述第一传感器输出的反馈电压信号进行分析，若所述第一传感器输出的反馈电压信号超过阈值且持续时间超过设定时常，则判定所述第一传感器出现故障，输出与所述第一传感器对应的故障代码；
从存储器中调用预设的固定值取代所述第一传感器的输出信号。
2.如权利要求1所述的一种电气自动化设备自动检测方法，其特征在于，所述方法还包括，在判定所述第一传感器出现故障后：
获取与所述第一传感器相关的第二传感器的输出信号；
对所述第二传感器的输出信号进行转换计算，获取代用参数值；
用所述代用参数值取代所述第一传感器的输出信号。
3.如权利要求1所述的一种电气自动化设备自动检测方法，其特征在于，所述方法还包括：
获取所述电气自动化设备上检查点的电路信号；
对所述电路信号进行预处理；
调用预设的故障诊断模型对预处理后的所述电路信号进行分析，得到电气元件故障类型分析结果；其中，所述故障诊断模型为对所述检查点正常状态时输出的电路信号和/或故障状态时输出的电路信号进行机器学习训练后得到的用于输出所述电气元件故障类型分析结果的模型。
4.如权利要求3所述的一种电气自动化设备自动检测方法，其特征在于，所述故障诊断模型的训练方法包括：
构建训练样本；
构建初始故障诊断模型；
利用所述训练样本对所述初始故障诊断模型进行训练，获得所述故障诊断模型。
5.如权利要求4所述的一种电气自动化设备自动检测方法，其特征在于，利用所述训练样本对所述初始故障诊断模型进行训练，获得所述故障诊断模型，包括：
S1：将所述训练样本输入所述初始故障诊断模型，对各训练样本进行故障特征提取，得到故障状态标签；
S2：计算故障状态标签和真实状态标签之间的误差，以及各训练样本的权重；
S3：根据各训练样本的权重对误差进行加权后反向传播更新所述初始故障诊断模型的参数；
S4：重复步骤S1～S3，直到所述初始故障诊断模型收敛或达到指定的迭代次数，得到所述故障诊断模型。
6.如权利要求5所述的一种电气自动化设备自动检测方法，其特征在于，在步骤S4之后，还包括：
S5：构建验证样本；
S6：将所述验证样本输入所述故障诊断模型，测试所述故障诊断模型的精度。
7.一种电气自动化设备自动检测系统，其特征在于，包括：
第一控制模块，用于控制测试模块对电气自动化设备上的第一传感器输出测试信号；
第一获取模块，用于获取所述第一传感器输出的反馈电压信号；
第一故障分析模块，用于对所述第一传感器输出的反馈电压信号进行分析，若所述第一传感器输出的反馈电压信号超过阈值且持续时间超过设定时常，则判定所述第一传感器出现故障，输出与所述第一传感器对应的故障代码；
第一信号取代模块，用于从存储器中调用预设的固定值取代所述第一传感器的输出信号。
8.如权利要求7所述的一种电气自动化设备自动检测系统，其特征在于，所述系统还包括：
第二获取模块，用于获取与所述第一传感器相关的第二传感器的输出信号；
代用参数值获取模块，用于对所述第二传感器的输出信号进行转换计算，获取代用参数值；
第二信号取代模块，用于用所述代用参数值取代所述第一传感器的输出信号。
9.如权利要求7所述的一种电气自动化设备自动检测系统，其特征在于，所述系统还包括：
电路信号获取模块，用于获取所述电气自动化设备上检查点的电路信号；
预处理模块，用于对所述电路信号进行预处理；
第二故障分析模块，用于调用预设的故障诊断模型对预处理后的所述电路信号进行分析，得到电气元件故障类型分析结果；其中，所述故障诊断模型为对所述检查点正常状态时输出的电路信号和/或故障状态时输出的电路信号进行机器学习训练后得到的用于输出所述电气元件故障类型分析结果的模型。
10.如权利要求9所述的一种电气自动化设备自动检测系统，其特征在于，所述故障诊断模型的训练方法包括：
构建训练样本；
构建初始故障诊断模型；
利用所述训练样本对所述初始故障诊断模型进行训练，获得所述故障诊断模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210998554.XA CN115219883A (zh) | 2022-08-19 | 2022-08-19 | 一种电气自动化设备自动检测系统及检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210998554.XA CN115219883A (zh) | 2022-08-19 | 2022-08-19 | 一种电气自动化设备自动检测系统及检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115219883A true CN115219883A (zh) | 2022-10-21 |
Family
ID=83615884
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210998554.XA Withdrawn CN115219883A (zh) | 2022-08-19 | 2022-08-19 | 一种电气自动化设备自动检测系统及检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115219883A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116028849A (zh) * | 2022-12-30 | 2023-04-28 | 西安重装智慧矿山工程技术有限公司 | 基于深度自编码网络的乳化液泵故障诊断方法 |
-
2022
- 2022-08-19 CN CN202210998554.XA patent/CN115219883A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116028849A (zh) * | 2022-12-30 | 2023-04-28 | 西安重装智慧矿山工程技术有限公司 | 基于深度自编码网络的乳化液泵故障诊断方法 |
| CN116028849B (zh) * | 2022-12-30 | 2024-05-14 | 西安重装智慧矿山工程技术有限公司 | 基于深度自编码网络的乳化液泵故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108983710B (zh) | 工序分析装置、工序分析方法以及存储介质 | |
| CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
| AU2018201487B2 (en) | Method and system for health monitoring and fault signature identification | |
| US20150346066A1 (en) | Asset Condition Monitoring | |
| CN109523752B (zh) | 一种设备故障预警方法、装置、电子设备和介质 | |
| US20140365179A1 (en) | Method and Apparatus for Detecting and Identifying Faults in a Process | |
| CN111325159B (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
| CN111709447A (zh) | 电网异常检测方法、装置、计算机设备和存储介质 | |
| CN102265227A (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
| CN115219883A (zh) | 一种电气自动化设备自动检测系统及检测方法 | |
| CN117406048B (zh) | 一种变压器放电故障诊断方法及装置 | |
| CN116686005A (zh) | 解析装置、解析系统、解析程序以及解析方法 | |
| CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
| US20220083039A1 (en) | Abnormality detection apparatus, abnormality detection system, and learning apparatus, and methods for the same and nontemporary computer-readable medium storing the same | |
| CN116702005A (zh) | 一种基于神经网络的数据异常诊断方法和电子设备 | |
| JP2019113914A (ja) | データ識別装置およびデータ識別方法 | |
| KR100973527B1 (ko) | 반도체식 가스센서의 고장진단장치 및 방법 | |
| CN110598680A (zh) | 一种机械设备健康状态评估方法、系统和可读存储介质 | |
| CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
| CN113869373A (zh) | 设备异常检测方法、装置、计算机设备和存储介质 | |
| CN114219035A (zh) | 一种多传感器的数据融合方法及装置 | |
| CN116643170B (zh) | 电机轴系振动测试方法、装置和计算机设备 | |
| CN110542851A (zh) | 断路器操作机构故障诊断方法、装置、计算机和存储介质 | |
| CN114637645B (zh) | 一种传感器量测数据的校验方法 | |
| CN113627088B (zh) | 基于基因编程和数据融合的机器性能退化评估方法及系统 |
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: 20221021 |