CN115825239A - 一种发电机定子线棒绝缘缺陷识别方法 - Google Patents
一种发电机定子线棒绝缘缺陷识别方法 Download PDFInfo
- Publication number
- CN115825239A CN115825239A CN202211515430.8A CN202211515430A CN115825239A CN 115825239 A CN115825239 A CN 115825239A CN 202211515430 A CN202211515430 A CN 202211515430A CN 115825239 A CN115825239 A CN 115825239A
- Authority
- CN
- China
- Prior art keywords
- defect
- wavelet packet
- insulation
- stator bar
- wavelet
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 108
- 238000009413 insulation Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000003745 diagnosis Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 24
- 238000001514 detection method Methods 0.000 description 9
- 238000002604 ultrasonography Methods 0.000 description 8
- 230000032798 delamination Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013075 data extraction Methods 0.000 description 4
- 230000004807 localization Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种发电机定子线棒绝缘缺陷识别方法,涉及电机故障诊断和人工智能技术领域,包括以下步骤:S1、采集发电机定子线棒绝缘的超声图像,并将超声图像中的二维图像转变成一维数据;S2、利用奇异值分解算法,对转变后的一维数据进行降噪处理,并保留一维数据中的主要信息;S3、采用小波包变换算法提取降噪后不同绝缘缺陷超声信号的小波包能量特征;S4、构建量子衍生概率神经网络,并将提取的小波包能量特征输入到量子衍生概率神经网络中,输出发电机定子线棒绝缘缺陷的识别结果。本发明提供的方法,能够自适应的挖掘超声信号蕴含的特征,实现了定子线棒绝缘缺陷的智能识别,有效提高了识别算法的精确度和准确率。
Description
技术领域
本发明涉及电机故障诊断和人工智能技术领域,更具体地说涉及一种基于特征提取的量子衍生概率神经网络的发电机定子线棒绝缘缺陷识别方法。
背景技术
随着科技的快速发展,电机作为重要的驱动设备,被广泛应用于生产生活的诸多领域中,并在现代化建设和工业制造中发挥着无可替代的作用。电机绝缘缺陷通常分为集中性缺陷和分布性缺陷,绝缘缺陷会直接影响电气设备的使用周期及其运行寿命。目前,我国电气设备制造企业及应用部门多采用的是定期维修和预防性试验制度对发电机进行维护,基本上能保证两次大修期间发电机和电力系统的安全运行。但这类检修手段较为滞后且对设备的固有缺陷及运行缺陷无法进行无损定位及定位的自适应识别。
现有技术中,公开号为CN112465781A的专利,公开了一种基于视频的风电机组主要部件缺陷识别方法,包括如下步骤:S1、将嵌入式系统集成到摄像头内,利用嵌入式系统完成设备缺陷识别工作;S2、将OpenCV函数库移植到嵌入式系统当中运行,并对OpenCV函数库进行裁剪,并保留有视频转换的转换功能的ffmpeg的库,v4l2的视频协议库;本发明通过将OpenCV函数库移植到嵌入式系统,并将该种嵌入式系统集成到摄像头内,利用嵌入式系统完成设备缺陷识别工作,对于烟雾运动部分的检测是基于图像差分法,可以及时发现设备缺陷并发送给客户端,提醒运检人员及时处理设备缺陷,预防设备故障发生,解决了人工巡检设备缺陷实时性差的弊端。
上述专利公开的缺陷识别方法,基于视频对风电机组主要部件的缺陷进行识别,其没有公开对发电机定子线棒绝缘缺陷进行识别。发电机定子线棒绝缘缺陷是指绝缘的内部会出现气隙、分层、裂纹和脱壳等缺陷。引起绝缘的局部放电、电树等现象甚至造成绝缘的电击穿,缺陷的存在不仅降低绝缘的使用寿命,而且影响系统的运行可靠性,对大电机的正常运行危害极大。进行绝缘缺陷的识别,有助于提前发现缺陷,提前解除隐患,对电机的正常安全运行有重大意义。
近年来超声检测技术和人工智能技术不断发展。超声检测技术的应用范围很广,超声检测技术可以在不改变、不损害材料和工作的状态以及使用性能的前提下,测定其变化量,从而判断材料及结构是否存在缺陷。人工智能领域以神经网络为代表的机器学习算法获得了高速的发展,并在诸多领域内实现了应用。神经网络可以在海量数据中自适应地学习数据内部的隐性关系,并有效掌握反映数据性质的本质特征。因此,神经网络可以解决传统算法难以处理的问题,将其应用于发电机定子线棒绝缘缺陷识别是一种新的思路。
发明内容
为了克服上述现有技术中存在的缺陷,本发明公开了一种发电机定子线棒绝缘缺陷识别方法,本发明的目的是解决现有技术中采样传统定期维修和预防性试验制度对发电机定子线棒绝缘缺陷识别存在的问题。本发明通过提取超声检测图像特征和建立卷积神经网络分析特征,从而识别出发电机定子线棒绝缘缺陷。
为了实现以上目的,本发明采用的技术方案:
一种发电机定子线棒绝缘缺陷识别方法,包括以下步骤:
一、数据采集提取转变
S1、采集发电机定子线棒绝缘的超声图像,并将超声图像中的二维图像转变成一维数据;
优选的,所述S1步骤中,所述超声图像包括无缺陷的超声图像、分层缺陷的超声图像和裂纹缺陷的超声图像。
上述步骤中,采集无缺陷的超声图像的目的是作为与有缺陷数据的对比,形成对照;采集分层缺陷和裂纹缺陷的超声图像的目的是作为实验数据,验证智能算法的有效性;将二维图像转变成一维数据的目的是方便对原始数据进行处理。
上述步骤中,可通过数字式探伤仪采集电机绝缘无缺陷和分层缺陷、裂纹缺陷的图像,通过数据提取算法提取图像中的数据,将二维图像变成一维数据。
优选的,所述S1步骤包括以下步骤:
S11、采集发电机定子线棒绝缘的无缺陷超声图像;
S12、采集发电机定子线棒绝缘的分层缺陷超声图像和裂纹缺陷超声图像;
S13、提取无缺陷超声图像、分层缺陷超声图像和裂纹缺陷超声图像中的数据,将二维图像转变成一维数据。
上述步骤中,首先对没有缺陷的发电机定子线棒绝缘采用数字探伤仪进行超声检测,采集到无缺陷的超声图像。可通过人工制造缺陷的方法,采集定子绝缘分层缺陷和裂纹缺陷的超声图像。将采集到的超声图像通过数据提取算法提取图像中的数据,将二维图像变成一维数据。
二、奇异值分解算法降噪
S2、利用奇异值分解算法,对转变后的一维数据进行降噪处理,并保留一维数据中的主要信息;
上述步骤中,对采集到的原始数据采用奇异值分解(SVD)算法进行降噪处理,保留数据的主要信息。奇异值分解是一种优良的过滤方法,其处理信号过程不包含参数,该方法对非平稳非线性信号处理能力非常强大。
上述步骤中,对一维数据进行降噪处理的目的是剔除原始数据中对结果影响不大的数据和有可能对结果造成错判的数据,保留一维数据中的主要信息的目的是利用保留的信息通过智能算法对缺陷进行识别。
优选的,所述S2步骤包括以下步骤:
上述步骤中,对于任意长度为N的一维序列信号,在绝缘缺陷诊断领域可以采用构造Hankel矩阵来实现。将信号序列构造为左上角为t(1),右下角为t(N)的Hankel矩阵。
S23、利用奇异值分解后的A表示若干子矩阵之和,再对各个子矩阵进行信号重构,保留信号的主要信息,并消除噪声的影响。
上述步骤中,子矩阵是指矩阵A的每一个奇异值所对应的矩阵。
三、特征提取
S3、采用小波包变换算法提取降噪后不同绝缘缺陷超声信号的小波包能量特征;
上述步骤中,提取不同绝缘缺陷超声信号的小波包能量特征的目的是作为特征量输入到概率神经网络中,进行缺陷识别。
优选的,所述S3步骤包括以下步骤:
上述步骤中,多分辨率分析的逐级正交分解可以用统一为上述递推关系式。小波包分解实现了对小波空间的精细分割,在包含大量细小边缘,纹理等细节信息的信号处理上,能够无冗余,无疏漏地进行时频局部化分析,并获得比二进制小波变换更加全面的时频信息。
S35、根据小波包分解对超声缺陷信号进行三层小波包分解,并计算出原始小波包树的最优完整树;
S36、对最优小波包完整树的第三层小波包节点进行信号重构,获得8个小波包重构信号,其中,每个信号包括了从低频到高频的不同频段的信息;
S37、计算每个频段信号的频谱能量特征值,得到不同绝缘缺陷超声信号的小波包能量特征。
四、缺陷识别
S4、构建量子衍生概率神经网络,并将提取的小波包能量特征输入到量子衍生概率神经网络中,输出发电机定子线棒绝缘缺陷的识别结果。
上述步骤中,根据样本性质及分类要求,确定概率神经网络的拓扑结构。量子衍生概率神经网络包括输入层、隐含层和求和层,输入层节点数等于样本维数,隐含层节点数等于样本数量,求和层节点数等于样本类别数。将采集到的样本经前述步骤提取出能量特征指标,并采用量子态描述后,输入训练好的量子衍生概率神经网络模型中,模型输出未知样本的故障类别,即完成了电机的故障诊断。
优选的,所述S4步骤包括以下步骤:
S41、构建量子衍生概率神经网络模型并训练模型;模型的训练可采用S1步骤采集的图像。
S42、采用量子态描述测试样本的能量特征指标;
优选的,所述量子态描述为:
其中,x为原始样本,X为转换为量子态的样本。
S43、将量子态描述后的测试样本输入量子衍生概率神经网络模型中,数据传递至模型隐含层,隐含层的每个神经元节点计算量子态输入向量与该节点中心的相似系数;
上述步骤中,量子衍生概率神经网络输入层接收未知样本的值,将数据传递至隐含层,隐含层的每个神经元节点计算量子态输入向量与该节点中心的相似系数。
优选的,所述S43步骤中,第k个未知样本与第j个节点中心的相似系数为:
其中,r为相似系数,x为未知样本,w为输入层与隐含层的权值,d为未知样本个数。
S44、计算隐含层节点的输出,并通过高斯函数返回实值;
优选的,所述S44步骤中,隐含层节点的输出为:
S45、在求和层中,将隐含层中属于同一类别的节点输出进行加权平均;
优选的,所述S45步骤中,第k个未知样本求和层第c类的输出为:
其中, h为隐含层节点的输出,j为该缺陷类别的第j个样本,L为不同缺陷类别数。
S46、在输出层中,取求和层中最小的一个作为样本的输出类别,即电机故障的诊断结果。
上述步骤中,输出层取求和层中最小的一个作为样本的输出类别,即电机故障的诊断结果,用下式表示。计算测试样本在PNN模型下的输出类别,输出层取前步得到的求和层各类输出值中最小的作为模型的最终输出,即电机故障状态的诊断结果。第k个测试样本的输出类别可用下式表示。
通过以上步骤,即实现了对电机运行故障的诊断。
本发明的有益效果:
本发明提供的方法,通过提取超声检测图像特征和建立卷积神经网络分析特征,从而识别出电机绝缘缺陷,能够自适应的挖掘超声信号蕴含的特征,实现了定子线棒绝缘缺陷的智能识别,有效提高了识别算法的精确度和准确率。
附图说明
图1为本发明方法的流程图;
图2为本发明小波包分解示意图;
图3为本发明概率神经网络拓扑结构图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、特征和效果。
实施例1
一种发电机定子线棒绝缘缺陷识别方法,如图1-3所示,包括以下步骤:
S1、采集发电机定子线棒绝缘的超声图像,并将超声图像中的二维图像转变成一维数据;
S2、利用奇异值分解算法,对转变后的一维数据进行降噪处理,并保留一维数据中的主要信息;
S3、采用小波包变换算法提取降噪后不同绝缘缺陷超声信号的小波包能量特征;
S4、构建量子衍生概率神经网络,并将提取的小波包能量特征输入到量子衍生概率神经网络中,输出发电机定子线棒绝缘缺陷的识别结果。
本实施例中,通过提取超声检测图像特征和建立卷积神经网络分析特征,从而识别出电机绝缘缺陷,能够自适应的挖掘超声信号蕴含的特征,实现了定子线棒绝缘缺陷的智能识别,有效提高了识别算法的精确度。
实施例2
本实施例在实施例1的基础上,对S1步骤做进一步的阐述。
S1步骤中,所述超声图像包括无缺陷的超声图像、分层缺陷的超声图像和裂纹缺陷的超声图像。可通过数字式探伤仪采集电机绝缘无缺陷和分层缺陷、裂纹缺陷的图像,通过数据提取算法提取图像中的数据,将二维图像变成一维数据。
S1步骤包括以下步骤:
S11、采集发电机定子线棒绝缘的无缺陷超声图像;
S12、采集发电机定子线棒绝缘的分层缺陷超声图像和裂纹缺陷超声图像;
S13、提取无缺陷超声图像、分层缺陷超声图像和裂纹缺陷超声图像中的数据,将二维图像转变成一维数据。
上述步骤中,首先对没有缺陷的发电机定子线棒绝缘采用数字探伤仪进行超声检测,采集到无缺陷的超声图像。可通过人工制造缺陷的方法,采集定子绝缘分层缺陷和裂纹缺陷的超声图像。将采集到的超声图像通过数据提取算法提取图像中的数据,将二维图像变成一维数据。
实施例3
本实施例在实施例2的基础上,对S2步骤做进一步的阐述。
S2步骤中,对采集到的原始数据采用奇异值分解(SVD)算法进行降噪处理,保留数据的主要信息。奇异值分解是一种优良的过滤方法,其处理信号过程不包含参数,该方法对非平稳非线性信号处理能力非常强大。
S2步骤包括以下步骤:
上述步骤中,对于任意长度为N的一维序列信号,在绝缘缺陷诊断领域可以采用构造Hankel矩阵来实现。将信号序列构造为左上角为t(1),右下角为t(N)的Hankel矩阵。
S23、利用奇异值分解后的A表示若干子矩阵之和,再对各个子矩阵进行信号重构,保留信号的主要信息,并消除噪声的影响。
上述步骤中,子矩阵是指矩阵A的每一个奇异值所对应的矩阵。
实施例4
本实施例在实施例3的基础上,对S3步骤做进一步的阐述。
S3步骤中,对进行降噪处理后的一维超声信号进行特征提取,具体算法采用小波包变换。
S3步骤包括以下步骤:
上述步骤中,多分辨率分析的逐级正交分解可以用统一为上述递推关系式。小波包分解实现了对小波空间的精细分割,在包含大量细小边缘,纹理等细节信息的信号处理上,能够无冗余,无疏漏地进行时频局部化分析,并获得比二进制小波变换更加全面的时频信息。
S35、根据小波包分解对超声缺陷信号进行三层小波包分解,并计算出原始小波包树的最优完整树;
S36、对最优小波包完整树的第三层小波包节点进行信号重构,获得8个小波包重构信号,其中,每个信号包括了从低频到高频的不同频段的信息;
S37、计算每个频段信号的频谱能量特征值,得到不同绝缘缺陷超声信号的小波包能量特征。
实施例5
本实施例在实施例4的基础上,对S4步骤做进一步的阐述。
S4步骤中,构建概率神经网络模型,通过样本性质给定概率神经网络拓扑结构,输入层节点数等于样本维数d,隐含层节点数等于样本数量,求和层节点数等于样本类别数,本发明中取3,分别是无缺陷、分层缺陷和裂纹缺陷。将超声信号数据划分为训练样本和测试样本,本发明在原始样本集合中随机抽取10%的数据作为测试样本,剩余样本为训练样本。
S4步骤包括以下步骤:
S41、构建量子衍生概率神经网络模型并训练模型;
S42、采用量子态描述测试样本的能量特征指标;
所述量子态描述为:
其中,x为原始样本,X为转换为量子态的样本。
S43、将量子态描述后的测试样本输入量子衍生概率神经网络模型中,数据传递至模型隐含层,隐含层的每个神经元节点计算量子态输入向量与该节点中心的相似系数;
上述步骤中,量子衍生概率神经网络输入层接收未知样本的值,将数据传递至隐含层,隐含层的每个神经元节点计算量子态输入向量与该节点中心的相似系数。
所述S43步骤中,第k个未知样本与第j个节点中心的相似系数为:
其中,r为相似系数,x为未知样本,w为输入层与隐含层的权值,d为未知样本个数。
S44、计算隐含层节点的输出,并通过高斯函数返回实值;
所述S44步骤中,隐含层节点的输出为:
S45、在求和层中,将隐含层中属于同一类别的节点输出进行加权平均;
所述S45步骤中,第k个未知样本求和层第c类的输出为:
其中,h为隐含层节点的输出,j为该缺陷类别的第j个样本,L为不同缺陷类别数。
S46、在输出层中,取求和层中最小的一个作为样本的输出类别,即电机故障的诊断结果。
上述步骤中,输出层取求和层中最小的一个作为样本的输出类别,即电机故障的诊断结果,用下式表示。计算测试样本在PNN模型下的输出类别,输出层取前步得到的求和层各类输出值中最小的作为模型的最终输出,即电机故障状态的诊断结果。第k个测试样本的输出类别可用下式表示。
通过以上步骤,即实现了对电机运行故障的诊断。
以上对本发明的实施方式进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种等同变型或替换,这些等同或替换均包含在本发明权利要求所限定的范围内。
Claims (10)
1.一种发电机定子线棒绝缘缺陷识别方法,其特征在于,包括以下步骤:
S1、采集发电机定子线棒绝缘的超声图像,并将超声图像中的二维图像转变成一维数据;
S2、利用奇异值分解算法,对转变后的一维数据进行降噪处理,并保留一维数据中的主要信息;
S3、采用小波包变换算法提取降噪后不同绝缘缺陷超声信号的小波包能量特征;
S4、构建量子衍生概率神经网络,并将提取的小波包能量特征输入到量子衍生概率神经网络中,输出发电机定子线棒绝缘缺陷的识别结果。
2.如权利要求1所述的缺陷识别方法,其特征在于,所述S1步骤包括以下步骤:
S11、采集发电机定子线棒绝缘的无缺陷超声图像;
S12、采集发电机定子线棒绝缘的分层缺陷超声图像和裂纹缺陷超声图像;
S13、提取无缺陷超声图像、分层缺陷超声图像和裂纹缺陷超声图像中的数据,将二维图像转变成一维数据。
4.如权利要求1所述的缺陷识别方法,其特征在于,所述S3步骤包括以下步骤:
S35、根据小波包分解对超声缺陷信号进行三层小波包分解,并计算出原始小波包树的最优完整树;
S36、对最优小波包完整树的第三层小波包节点进行信号重构,获得8个小波包重构信号,其中,每个信号包括了从低频到高频的不同频段的信息;
S37、计算每个频段信号的频谱能量特征值,得到不同绝缘缺陷超声信号的小波包能量特征。
6.如权利要求1所述的缺陷识别方法,其特征在于,所述S4步骤包括以下步骤:
S41、构建量子衍生概率神经网络模型并训练模型;
S42、采用量子态描述测试样本的能量特征指标;
S43、将量子态描述后的测试样本输入量子衍生概率神经网络模型中,数据传递至模型隐含层,隐含层的每个神经元节点计算量子态输入向量与该节点中心的相似系数;
S44、计算隐含层节点的输出,并通过高斯函数返回实值;
S45、在求和层中,将隐含层中属于同一类别的节点输出进行加权平均;
S46、在输出层中,取求和层中最小的一个作为样本的输出类别,即电机故障的诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211515430.8A CN115825239A (zh) | 2022-11-30 | 2022-11-30 | 一种发电机定子线棒绝缘缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211515430.8A CN115825239A (zh) | 2022-11-30 | 2022-11-30 | 一种发电机定子线棒绝缘缺陷识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115825239A true CN115825239A (zh) | 2023-03-21 |
Family
ID=85532905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211515430.8A Pending CN115825239A (zh) | 2022-11-30 | 2022-11-30 | 一种发电机定子线棒绝缘缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115825239A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117969449A (zh) * | 2024-03-29 | 2024-05-03 | 三峡金沙江云川水电开发有限公司 | 一种太赫兹检测发电机定子线棒绝缘缺陷的方法及系统 |
-
2022
- 2022-11-30 CN CN202211515430.8A patent/CN115825239A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117969449A (zh) * | 2024-03-29 | 2024-05-03 | 三峡金沙江云川水电开发有限公司 | 一种太赫兹检测发电机定子线棒绝缘缺陷的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740523B (zh) | 一种基于声学特征和神经网络的电力变压器故障诊断方法 | |
CN110109015B (zh) | 一种基于深度学习的异步电动机故障监测与诊断方法 | |
CN109000930B (zh) | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 | |
CN112200244B (zh) | 一种基于递阶对抗训练的航天发动机异常智能检测方法 | |
CN108398268B (zh) | 一种轴承性能退化评估方法 | |
CN109884419B (zh) | 一种智慧电网电能质量在线故障诊断方法 | |
CN101799368A (zh) | 一种机电设备非线性故障预测方法 | |
CN117009770A (zh) | 一种基于SDP和视觉Transformer编码的轴承故障诊断方法 | |
CN113947114B (zh) | 基于Transformer神经网络和轴心轨迹的燃气轮机转子故障诊断方法 | |
CN110147739A (zh) | 一种基于多重分形谱算法的电抗器故障识别方法 | |
CN115825239A (zh) | 一种发电机定子线棒绝缘缺陷识别方法 | |
CN114120974A (zh) | 一种基于深度学习的风机叶片故障诊断方法 | |
CN116399588A (zh) | 一种小样本下基于WPD和AFRB-LWUNet的滚动轴承故障诊断方法 | |
CN117289013A (zh) | 用于脉冲电流测试的数据处理方法及系统 | |
CN115166514A (zh) | 一种基于自适应频谱分割去噪的电机故障识别方法及系统 | |
CN114036977A (zh) | 基于二维图像编码特征的风机电能质量扰动监测方法 | |
CN113449618A (zh) | 一种基于特征融合和混类增强进行深度学习滚动轴承故障诊断方法 | |
CN114519293A (zh) | 基于小样本机器学习模型的电缆本体故障识别方法 | |
CN113270110A (zh) | 一种zpw-2000a轨道电路发送器、接收器故障诊断方法 | |
CN115356599B (zh) | 一种多模态城市电网故障诊断方法及系统 | |
CN114383845B (zh) | 一种基于嵌入式零样本学习模型的轴承复合故障诊断方法 | |
CN115564075A (zh) | 一种城市电网主配一体故障协同诊断方法、系统 | |
CN114371002B (zh) | 基于dae-cnn的行星齿轮箱故障诊断方法 | |
CN116244600A (zh) | 一种gis间歇性放电模式识别模型的构建方法、系统及设备 | |
CN114528869A (zh) | 一种风机叶片损伤识别方法 |
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 |