CN116842438A - 一种用于变压器故障诊断的数字孪生模型构建方法及系统 - Google Patents
一种用于变压器故障诊断的数字孪生模型构建方法及系统 Download PDFInfo
- Publication number
- CN116842438A CN116842438A CN202310675378.0A CN202310675378A CN116842438A CN 116842438 A CN116842438 A CN 116842438A CN 202310675378 A CN202310675378 A CN 202310675378A CN 116842438 A CN116842438 A CN 116842438A
- Authority
- CN
- China
- Prior art keywords
- information
- transformer
- fault diagnosis
- digital twin
- data
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 38
- 238000010276 construction Methods 0.000 title claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 59
- 238000011156 evaluation Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims description 32
- 238000004088 simulation Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000013210 evaluation model Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012797 qualification Methods 0.000 claims description 3
- 238000012854 evaluation process Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000003672 processing method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种用于变压器故障诊断的数字孪生模型构建方法及系统，包括：对变压器各设备的运行状态划分信息维度，对每种信息维度下的数据点定义匹配因子，通过设定每种信息维度下各匹配因子的标准值，构建配准库；获取变压器各设备运行状态下的采样序列，判断采样序列中每个采样值与配准库中对应匹配因子的标准值的偏离度，根据偏离度判断结果得到所属信息维度的综合评分，由此对当前采样序列的可用性进行评价；根据所有采样序列的可用性评价结果得到目标数据集，以此构建用于变压器故障诊断的数字孪生模型。基于数据配准技术从大量的原始数据集中筛选出用于构建模型的数据集，准确捕捉有效数据，提升数字孪生模型的故障诊断精度和效率。
Description
技术领域
本发明涉及数字孪生技术领域，特别是涉及一种用于变压器故障诊断的数字孪生模型构建方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
目前，变压器设备状态评估主要针对设备群体，普遍采用基于理论分析、计算仿真和试验测试等手段建立的机理和因果关系模型以及统一的评价标准，评价参数和阈值的确定主要基于大量试验数据的统计分析和专家经验。然而，由于变压器故障机理的复杂性、运行环境的多样性和设备制造工艺、运行工况等存在差异，难以建立严格、完善、精确的评估和预测模型，统一标准的固定阈值判定方法难以保证对不同设备的适用性。
随着数字孪生技术的发展，相继开展了基于数字孪生技术的变压器设备状态评估方法的研究，为了使得数字孪生模型能够实现设备状态的预测功能，目前都会采用大量的运行数据去构建数字孪生模型；而对这些变压器运行状态样本集并未做统一的规划管理，导致有一部分无用的数据参与模型构建而影响预测准确度，由此也会导致有用的数据在整个模型构建过程和预测过程中被削弱贡献度，导致对积累的有用数据缺乏有效应用。
发明内容
为了解决上述问题，本发明提出了一种用于变压器故障诊断的数字孪生模型构建方法及系统，基于数据配准技术从大量的原始数据集中筛选出用于构建模型的数据集，准确捕捉有效数据，提升数字孪生模型的故障诊断精度和效率。
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供一种用于变压器故障诊断的数字孪生模型构建方法，包括：
对变压器各设备的运行状态划分信息维度，对每种信息维度下的数据点定义匹配因子，通过设定每种信息维度下各匹配因子的标准值，构建配准库；
获取变压器各设备运行状态下的采样序列，判断采样序列中每个采样值与配准库中对应匹配因子的标准值的偏离度，根据偏离度判断结果得到所属信息维度的综合评分，由此对当前采样序列的可用性进行评价；
根据所有采样序列的可用性评价结果得到目标数据集，以此构建用于变压器故障诊断的数字孪生模型。
作为可选择的实施方式，获取包括变压器各设备的正常运行状态数据、异常运行状态数据和通过仿真工具生成的运行状态仿真数据的原始数据集，对原始数据集经预处理后得到变压器各设备运行状态下的采样序列。
作为可选择的实施方式，所述信息维度包括：基本信息、历史案例信息、运行工况信息、气象信息、告警信息、初始信息和在线监测信息。
作为可选择的实施方式，对每个采样序列下的信息维度进行赋权，所有信息维度的权重之和为1，且对每个信息维度下的匹配因子进行赋权，单个信息维度中所有匹配因子的权重之和为1，同时根据构建的数字孪生模型的故障诊断准确率反馈调节各权重和标准值。
作为可选择的实施方式，判断采样序列中每个采样值与配准库中对应匹配因子的标准值的偏离度的过程包括：根据采样值与标准值差的绝对值所占标准值的比重确定偏离度，根据偏离度换算出该匹配因子的评价得分。
作为可选择的实施方式，所属信息维度的综合评分为：根据所属信息维度中全部匹配因子的评价得分及对应的权重，得到所属信息维度的综合评分。
作为可选择的实施方式，可用性评价的过程为：根据当前采样序列中全部信息维度的综合评分及对应的权重，得到当前采样序列的评价得分，并根据与合格分的比较进行可用性评价。
第二方面，本发明提供一种用于变压器故障诊断的数字孪生模型构建系统，包括：
配准库构建模型，被配置为对变压器各设备的运行状态划分信息维度，对每种信息维度下的数据点定义匹配因子，通过设定每种信息维度下各匹配因子的标准值，构建配准库；
评价模型，被配置为获取变压器各设备运行状态下的采样序列，判断采样序列中每个采样值与配准库中对应匹配因子的标准值的偏离度，根据偏离度判断结果得到所属信息维度的综合评分，由此对当前采样序列的可用性进行评价；
模型构建模型，被配置为根据所有采样序列的可用性评价结果得到目标数据集，以此构建用于变压器故障诊断的数字孪生模型。
第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
与现有技术相比，本发明的有益效果为：
本发明提出一种用于变压器故障诊断的数字孪生模型构建方法及系统，基于数据配准技术从大量的原始数据集中筛选出用于构建模型的精准数据集，实现一致性的数据处理方法，准确捕捉有效数据，为数字孪生体的构建和分析打下良好的基础，提升数字孪生模型的故障诊断精度和效率。
本发明针对不同类型、不同来源、不同格式的数据，由于系统原因或其他非系统原因而产生的数据缺失、数据异常、格式差异等问题，对得到的数据进行格式转换、数据清洗、数据填充、数据评价等处理，将非标准化的数据标准化，将大量计算机无法直接运算的非结构化数据结构化以后进行配准，保证配准精度和效率。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
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。
图1为本发明实施例1提供的用于变压器故障诊断的数字孪生模型构建方法流程图；
图2为本发明实施例1提供的配准库示意图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
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。
实施例1
如图1所示，本实施例提供一种用于变压器故障诊断的数字孪生模型构建方法，包括：
对变压器各设备的运行状态划分信息维度，对每种信息维度下的数据点定义匹配因子，通过设定每种信息维度下各匹配因子的标准值，构建配准库；
获取变压器各设备运行状态下的采样序列，判断采样序列中每个采样值与配准库中对应匹配因子的标准值的偏离度，根据偏离度判断结果得到所属信息维度的综合评分，由此对当前采样序列的可用性进行评价；
根据所有采样序列的可用性评价结果得到目标数据集，以此构建用于变压器故障诊断的数字孪生模型。
在本实施例中，用于构建数字孪生模型的原始数据集包括变压器各设备的正常运行状态数据、异常运行状态数据和通过仿真工具生成的运行状态仿真数据，由此形成多区块、多层级、多类型的多维数据集；
其中，正常运行状态数据可以从设备日常运行状态检测系统实时记录中得到；异常运行状态数据的获取比较困难，因为正常情况下，关键零部件是不太容易发生故障的，由于设备发生故障时的数据极少，可以考虑从其他渠道获取此类数据，比如企业内部其他的部门，或者是供应链上下游的合作伙伴等；同时使用仿真工具生成运行状态仿真数据，将该数据与实体传感数据结合，可以防止故障数据的缺乏成为评估的障碍。
在本实施例中，对原始数据集进行数据预处理；具体包括：
(1)数据缺失值处理方法；
由于存储和调取等多种因素的影响，数据值存在缺失值较为常见。根据数据缺失数量多少将数据缺失划分为单变量的缺失和多变量的缺失。
当缺失的数据是单变量，且当缺失的数据不会影响到数据分析的结果时，认定为完全随机缺失，此种情况下的处理方法是列表删除或成对删除。
当缺失的数据是单变量，并且不能判断出所缺失的数据是否是机器或人为操作所致，通常认定缺失结果符合随机缺失特性，进行缺失值处理时可采用平滑预测或者单值插补进行填补数据。
当缺失的数据是多变量，且数据在所属列表中难以发觉存在的规律，则可以通过极大似然估计或者最大期望值算法进行缺失数据的补充。
(2)数据异常值处理方法；
异常值通常被称为“离群点”，对于异常值的处理，通常使用的方法有下面几种：
a)简单的统计分析。拿到数据后可以对数据进行一个简单的描述性统计分析，譬如最大最小值可以用来判断这个变量的取值是否超过了合理的范围，如客户的年龄为-20岁或200岁，显然是不合常理的，为异常值。
b)原则。如果数据服从正态分布，在/>原则下，异常值为一组测定值中与平均值的偏差超过3倍标准差的值。如果数据服从正态分布，距离平均值/>之外的值出现的概率为/>属于极个别的小概率事件。如果数据不服从正态分布，也可以用远离平均值的多少倍标准差来描述。
c)基于模型检测。首先建立一个数据模型，异常是那些同模型不能完美拟合的对象；如果模型是簇的集合，则异常是不显著属于任何簇的对象；在使用回归模型时，异常是相对远离预测值的对象；
(3)当对数据进行清洗之后，会因为剔除异常点而需要对数据进行填充，通常对简单数据利用平滑预测和插值法来处理缺失值，对复杂的数据采用随机森林算法进行数据填充处理。
最终得到经预处理后的变压器各设备运行状态下的采样序列。
在本实施例中，构建配准库是数据配准的重要环节，其目的是通过定义变压器各设备的运行状态中各信息维度的标准值作为基准，对待匹配数据进行总体合理性比对分析。得到合理的目标数据集。
配准库的构建要全方位考虑变压器状态数据的标准参量，根据变压器状态评估数据的类型、含义、来源等，将信息维度划分为多个类型，每个类型又包括多个匹配因子，多类型多因子的数据构建成配准库，具体定义如下：
对变压器各设备的运行状态划分的信息维度包括：基本信息、历史案例信息、运行工况信息、气象信息、告警信息、初始信息、在线监测信息等，每一信息维度包括多个数据点，每个数据点定义为一个单独的匹配因子，每个匹配因子独立进行测量值的采样，且每个匹配因子的测量值都有对应的参考标准值，参考标准值可来自于历史数据和专家经验，如图2所示。
在本实施例中，对每个采样序列下的信息维度进行赋权，并使所有信息维度的权重之和为1，每个信息维度下各个匹配因子也进行赋权，单个信息维度中所有匹配因子的权重之和为1；上述权重在进行数据配准之前进行配准，可由人为定义，同时根据构建得到的数字孪生模型的诊断性能再反馈调节各权重，以实现在构建数字孪生模型过程中的逐步调优。
在本实施例中，对变压器各设备运行状态下的采样序列，根据配准库进行数据配准，以得到用于构建变压器故障诊断数字孪生模型的目标数据集；具体包括：
(1)每个匹配因子的评价：
根据第i个匹配因子的采样值与该匹配因子的标准值的比对，得到该匹配因子的采样值的偏离度P，偏离度指采样值与标准值差的绝对值所占标准值的比重，具体为P＝|A-X|/A；其中，A为标准值，X为采样值；
然后，根据偏离度换算出该匹配因子的评价得分Qi，当偏离度P为0时，Qi＝1，P越大，Qi越接近0，Qi的取值空间为[0-1]，即采样值在标准值区间内时，Qi＝1，不在标准值区间内，根据与标准值的偏离程度取值，越远离正常区间，取值越接近0；
可以理解的，具体的换算方式可根据不同匹配因子的实际量测数据设定合理的取值逻辑，可由人为定义，在此不做限定。
(2)每个信息维度的评价：
根据第j个信息维度中全部匹配因子的评价得分及权重，得到该信息维度的评价得分Wj：
其中，Nj为第j个信息维度中匹配因子的个数；Ki为第i个匹配因子在所在信息维度的权重，所有匹配因子的权重满足条件：
(3)目标数据集的可用性评价：
根据当前采样序列中全部信息维度的评价得分及权重，得到当前采样序列的评价得分S；
其中，m为当前采样序列中信息维度的个数；Lj为信息维度的权重，所有信息维度的权重满足条件：
(4)结合不同设备类型，结合专家经验定义目标数据集的合格分S合格，当目标数据集的评价得分>＝S合格，则判断该目标数据集为目标匹配数据集。
在本实施例中，根据最后配准得到的目标数据集，构建用于变压器故障诊断的数字孪生模型，并采用该数字孪生模型进行变压器故障诊断后，根据诊断准确率对该数字孪生模型进行校验，可通过判断哪一类型的故障诊断准确率低，就对哪一类数据的信息维度的权重、匹配因子的权重和标准值进行调整，直至故障诊断准确率满足要求。
实施例2
本实施例提供一种用于变压器故障诊断的数字孪生模型构建系统，包括：
配准库构建模型，被配置为对变压器各设备的运行状态划分信息维度，对每种信息维度下的数据点定义匹配因子，通过设定每种信息维度下各匹配因子的标准值，构建配准库；
评价模型，被配置为获取变压器各设备运行状态下的采样序列，判断采样序列中每个采样值与配准库中对应匹配因子的标准值的偏离度，根据偏离度判断结果得到所属信息维度的综合评分，由此对当前采样序列的可用性进行评价；
模型构建模型，被配置为根据所有采样序列的可用性评价结果得到目标数据集，以此构建用于变压器故障诊断的数字孪生模型。
此处需要说明的是，上述模块对应于实施例1中所述的步骤，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中，还提供：
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种用于变压器故障诊断的数字孪生模型构建方法，其特征在于，包括：
对变压器各设备的运行状态划分信息维度，对每种信息维度下的数据点定义匹配因子，通过设定每种信息维度下各匹配因子的标准值，构建配准库；
获取变压器各设备运行状态下的采样序列，判断采样序列中每个采样值与配准库中对应匹配因子的标准值的偏离度，根据偏离度判断结果得到所属信息维度的综合评分，由此对当前采样序列的可用性进行评价；
根据所有采样序列的可用性评价结果得到目标数据集，以此构建用于变压器故障诊断的数字孪生模型。
2.如权利要求1所述的一种用于变压器故障诊断的数字孪生模型构建方法，其特征在于，获取包括变压器各设备的正常运行状态数据、异常运行状态数据和通过仿真工具生成的运行状态仿真数据的原始数据集，对原始数据集经预处理后得到变压器各设备运行状态下的采样序列。
3.如权利要求1所述的一种用于变压器故障诊断的数字孪生模型构建方法，其特征在于，所述信息维度包括：基本信息、历史案例信息、运行工况信息、气象信息、告警信息、初始信息和在线监测信息。
4.如权利要求1所述的一种用于变压器故障诊断的数字孪生模型构建方法，其特征在于，对每个采样序列下的信息维度进行赋权，所有信息维度的权重之和为1，且对每个信息维度下的匹配因子进行赋权，单个信息维度中所有匹配因子的权重之和为1，同时根据构建的数字孪生模型的故障诊断准确率反馈调节各权重和标准值。
5.如权利要求1所述的一种用于变压器故障诊断的数字孪生模型构建方法，其特征在于，判断采样序列中每个采样值与配准库中对应匹配因子的标准值的偏离度的过程包括：根据采样值与标准值差的绝对值所占标准值的比重确定偏离度，根据偏离度换算出该匹配因子的评价得分。
6.如权利要求5所述的一种用于变压器故障诊断的数字孪生模型构建方法，其特征在于，所属信息维度的综合评分为：根据所属信息维度中全部匹配因子的评价得分及对应的权重，得到所属信息维度的综合评分。
7.如权利要求6所述的一种用于变压器故障诊断的数字孪生模型构建方法，其特征在于，可用性评价的过程为：根据当前采样序列中全部信息维度的综合评分及对应的权重，得到当前采样序列的评价得分，并根据与合格分的比较进行可用性评价。
8.一种用于变压器故障诊断的数字孪生模型构建系统，其特征在于，包括：
配准库构建模型，被配置为对变压器各设备的运行状态划分信息维度，对每种信息维度下的数据点定义匹配因子，通过设定每种信息维度下各匹配因子的标准值，构建配准库；
评价模型，被配置为获取变压器各设备运行状态下的采样序列，判断采样序列中每个采样值与配准库中对应匹配因子的标准值的偏离度，根据偏离度判断结果得到所属信息维度的综合评分，由此对当前采样序列的可用性进行评价；
模型构建模型，被配置为根据所有采样序列的可用性评价结果得到目标数据集，以此构建用于变压器故障诊断的数字孪生模型。
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310675378.0A CN116842438A (zh) | 2023-06-08 | 2023-06-08 | 一种用于变压器故障诊断的数字孪生模型构建方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310675378.0A CN116842438A (zh) | 2023-06-08 | 2023-06-08 | 一种用于变压器故障诊断的数字孪生模型构建方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116842438A true CN116842438A (zh) | 2023-10-03 |
Family
ID=88162586
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310675378.0A Pending CN116842438A (zh) | 2023-06-08 | 2023-06-08 | 一种用于变压器故障诊断的数字孪生模型构建方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116842438A (zh) |
-
2023
- 2023-06-08 CN CN202310675378.0A patent/CN116842438A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2018203321B2 (en) | Anomaly detection system and method | |
| Chien et al. | Analysing semiconductor manufacturing big data for root cause detection of excursion for yield enhancement | |
| AU2012284497B2 (en) | Monitoring system using kernel regression modeling with pattern sequences | |
| US9256224B2 (en) | Method of sequential kernel regression modeling for forecasting and prognostics | |
| US9250625B2 (en) | System of sequential kernel regression modeling for forecasting and prognostics | |
| US20130024415A1 (en) | Monitoring Method Using Kernel Regression Modeling With Pattern Sequences | |
| CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
| CN112083244B (zh) | 综合化航空电子设备故障智能诊断系统 | |
| CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
| CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
| JP7296548B2 (ja) | 作業効率評価方法、作業効率評価装置、及びプログラム | |
| CN111898673A (zh) | 一种基于emd与lstm的溶解氧含量预测方法 | |
| CN118134246A (zh) | 基于深度学习的水工监测大数据分析方法 | |
| CN111314110B (zh) | 一种用于分布式系统的故障预警方法 | |
| CN116660761B (zh) | 一种锂离子电池检测方法及系统 | |
| CN117977536A (zh) | 一种智能电网负荷辨识方法 | |
| TWI639908B (zh) | 製程偵錯與診斷方法 | |
| CN116842438A (zh) | 一种用于变压器故障诊断的数字孪生模型构建方法及系统 | |
| CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
| CN115600695A (zh) | 一种计量设备的故障诊断方法 | |
| Sogi et al. | A time series forecasting model for equipment failure prediction using IoT sensor data | |
| Shao et al. | Data-model-linked remaining useful life prediction method with small sample data: A case of subsea valve | |
| CN118536090B (zh) | 一种基于仓储温湿度监测生成粮温场图方法 | |
| CN118361650B (zh) | 一种基于大数据模型的智能疏水方法 | |
| CN117647725B (zh) | Pcba的老化测试方法及系统 |
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 |