CN116930741A - 开关器件故障程度诊断方法、装置和计算机设备 - Google Patents
开关器件故障程度诊断方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN116930741A CN116930741A CN202310894981.8A CN202310894981A CN116930741A CN 116930741 A CN116930741 A CN 116930741A CN 202310894981 A CN202310894981 A CN 202310894981A CN 116930741 A CN116930741 A CN 116930741A
- Authority
- CN
- China
- Prior art keywords
- switching device
- network
- output
- fault degree
- current period
- 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 116
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000007246 mechanism Effects 0.000 claims abstract description 90
- 230000003321 amplification Effects 0.000 claims abstract description 66
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 66
- 238000000605 extraction Methods 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000004927 fusion Effects 0.000 claims description 45
- 238000004590 computer program Methods 0.000 claims description 40
- 230000015654 memory Effects 0.000 claims description 33
- 241000283153 Cetacea Species 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 26
- 230000007787 long-term memory Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 230000006403 short-term memory Effects 0.000 claims description 10
- 230000035945 sensitivity Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 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
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0499—Feedforward networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及一种开关器件故障程度诊断方法、装置和计算机设备。该方法包括：获取开关器件在当前时段内的输出数据；通过故障程度诊断模型的特征提取网络，对输出数据进行特征提取，得到当前时段内各时刻的输出初始特征；通过故障程度诊断模型的反注意力机制网络，对各时刻的输出初始特征进行特征放大处理，得到各时刻的输出放大特征；通过故障程度诊断模型的全连接网络，根据各时刻的输出放大特征，确定开关器件的故障程度。通过上述方法可以在不影响关器件所在线路的情况下提高故障诊断灵敏度。
Description
技术领域
本申请涉及人工智能技术领域，特别是涉及一种开关器件故障程度诊断方法、装置和计算机设备。
背景技术
开关器件在人们的生产生活中扮演着不可或缺的角色，由于开关器件经常用于汽车的制动系统以及大型机器的启停系统，尤其是用于电动汽车的牵引控制系统的功率开关器件，其稳定运行与人们的人身安全也息息相关，因此对开关器件的故障诊断尤为重要。
传统的开关器件故障诊断需要加装传感器对开关器件进行故障诊断，但是加装传感器会对开关器件所在的线路产生影响，且在一定的应用环境下(如车载环境)空间十分有限，难以通过加装传感器来实现在线测量，此外，对于一些微弱的故障，传感器无法做到准确识别，导致传统的故障诊断方法灵敏度较低，因此，急需一种不影响开关器件所在的线路，且灵敏度较高的故障诊断方法。
发明内容
基于此，有必要针对上述技术问题，提供一种能够在不影响关器件所在线路的情况下提高故障诊断灵敏度的开关器件故障程度诊断方法、装置和计算机设备。
第一方面，本申请提供了一种开关器件故障程度诊断方法。该方法包括：
获取开关器件在当前时段内的输出数据；
通过故障程度诊断模型的特征提取网络，对输出数据进行特征提取，得到当前时段内各时刻的输出初始特征；
通过故障程度诊断模型的反注意力机制网络，对各时刻的输出初始特征进行特征放大处理，得到各时刻的输出放大特征；其中，反注意力机制网络的参数是基于鲸鱼优化算法优化得到；
通过故障程度诊断模型的全连接网络，根据各时刻的输出放大特征，确定开关器件的故障程度。
在其中一个实施例中，反注意力机制网络的参数的优化方式，包括：
将反注意力机制网络的可选参数分为至少两组参数集；
确定注意力机制网络基于各组参数集运行时对应的损失率，并将损失率最小的一组参数集作为最优集；
判断可选参数的分组次数是否达到预设次数；
若达到，则从最优集包含的可选参数中，选择反注意力机制网络的参数。
在其中一个实施例中，判断可选参数的分组次数是否达到预设次数之后，还包括：
若未达到，则对最优集包含的可选参数进行划分，得到新划分的至少两组参数集，并基于新划分的至少两组参数集，返回执行确定注意力机制网络基于各组参数集运行时对应的损失率的操作。
在其中一个实施例中，故障程度诊断模型还包括长短期记忆网络；通过故障程度诊断模型的全连接网络，根据各时刻的输出放大特征，确定开关器件的故障程度，包括：
通过故障程度诊断模型的长短期记忆网络，对各时刻的输出放大特征进行融合，得到当前时段的输出融合特征；
通过故障程度诊断模型的全连接网络，根据当前时段的输出融合特征，确定开关器件的故障程度。
在其中一个实施例中，故障程度诊断模型的特征提取网络包括多源特征提取层和特征融合层；
通过故障程度诊断模型的特征提取网络，对输出数据进行特征提取，得到当前时段内各时刻的输出初始特征，包括：
通过多源特征提取层，提取输出数据的频域特征和时域特征；
通过特征融合层，对频域特征和时域特征进行特征融合，得到当前时段内各时刻的输出初始特征。
在其中一个实施例中，获取开关器件在当前时段内的输出数据，包括：
构建开关器件的虚拟孪生模型；
通过虚拟孪生模型，采集开关器件在当前时段内的输出数据。
第二方面，本申请还提供了一种开关器件故障程度诊断装置。该装置包括：
数据获取模块，用于获取开关器件在当前时段内的输出数据；
特征获取模块，用于通过故障程度诊断模型的特征提取网络，对输出数据进行特征提取，得到当前时段内各时刻的输出初始特征；
特征放大模块，用于通过故障程度诊断模型的反注意力机制网络，对各时刻的输出初始特征进行特征放大处理，得到各时刻的输出放大特征；其中，反注意力机制网络的参数是基于鲸鱼优化算法优化得到；
故障诊断模块，用于通过故障程度诊断模型的全连接网络，根据各时刻的输出放大特征，确定开关器件的故障程度。
第三方面，本申请还提供了一种计算机设备。计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
获取开关器件在当前时段内的输出数据；
通过故障程度诊断模型的特征提取网络，对输出数据进行特征提取，得到当前时段内各时刻的输出初始特征；
通过故障程度诊断模型的反注意力机制网络，对各时刻的输出初始特征进行特征放大处理，得到各时刻的输出放大特征；其中，反注意力机制网络的参数是基于鲸鱼优化算法优化得到；
通过故障程度诊断模型的全连接网络，根据各时刻的输出放大特征，确定开关器件的故障程度。
第四方面，本申请还提供了一种计算机可读存储介质。计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取开关器件在当前时段内的输出数据；
通过故障程度诊断模型的特征提取网络，对输出数据进行特征提取，得到当前时段内各时刻的输出初始特征；
通过故障程度诊断模型的反注意力机制网络，对各时刻的输出初始特征进行特征放大处理，得到各时刻的输出放大特征；其中，反注意力机制网络的参数是基于鲸鱼优化算法优化得到；
通过故障程度诊断模型的全连接网络，根据各时刻的输出放大特征，确定开关器件的故障程度。
第五方面，本申请还提供了一种计算机程序产品。计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取开关器件在当前时段内的输出数据；
通过故障程度诊断模型的特征提取网络，对输出数据进行特征提取，得到当前时段内各时刻的输出初始特征；
通过故障程度诊断模型的反注意力机制网络，对各时刻的输出初始特征进行特征放大处理，得到各时刻的输出放大特征；其中，反注意力机制网络的参数是基于鲸鱼优化算法优化得到；
通过故障程度诊断模型的全连接网络，根据各时刻的输出放大特征，确定开关器件的故障程度。
上述开关器件故障程度诊断方法、装置和计算机设备。通过故障程度诊断模型的特征提取网络提取当前时段内输出数据的输出初始特征，再通过故障程度诊断模型的反注意力机制网络对输出初始特征进行放大得到输出放大特征，最终将输出放大特征输入至故障程度诊断模型的全连接网络，实现对开关器件进行故障诊断，上述方案不需要额外增加传感器，只根据开关器件的输出数据即可完成对开关器件的故障检测，避免了对开关器件所在线路的影响，且由于本方案中通过故障程度诊断模型的反注意力机制网络对输出初始特征进行了放大，即使开关器件只发生了微弱故障，也能够检测到，增加了对开关器件检测的灵敏度，此外，上述方案通过鲸鱼优化算法对反注意力机制网络的参数进行优化，提高了反注意力机制网络特征放大的效果。
附图说明
图1为一个实施例中开关器件故障程度诊断方法的应用环境图；
图2为一个实施例中开关器件故障程度诊断方法的流程示意图；
图3为一个实施例中获取输出数据方法的流程示意图；
图4为一个实施例中对反注意力机制优化方法的流程示意图；
图5为一个实施例中确定开关器件故障程度方法的流程示意图；
图6为另一个实施例中开关器件故障程度诊断方法的流程示意图；
图7为一个实施例中开关器件故障程度诊断装置的结构框图；
图8为另一个实施例中开关器件故障程度诊断装置的结构框图；
图9为又一个实施例中开关器件故障程度诊断装置的结构框图；
图10为再一个实施例中开关器件故障程度诊断装置的结构框图；
图11为还一个实施例中开关器件故障程度诊断装置的结构框图；
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的开关器件故障程度诊断方法，可以应用于如图1所示的应用环境中。在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储做相关处理时所需的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现下述任意实施例所示的开关器件故障程度诊断方法。
在一个实施例中，如图2所示，提供了一种开关器件故障程度诊断方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
S201，获取开关器件在当前时段内的输出数据。
其中，开关器件可以是电动汽车中用于电力电子变换器上的核心功率开关器件，也可以是其他场景下的开关器件，此处不做限定。
其中，输出数据为电压传感器和电流传感器检测到开关器件的输出电压数据和输出电流数据，当开关器件处于逆变器中时，输出数据可以为三相电数据。
具体的，可以直接从开关器件所在线路中常驻的电压传感器和电流传感器获取开关器件在当前时段内两个周期的输出电压波形图和输出电流波形图；也可以将电压传感器和电流传感器连接开关器件，获取开关器件在当前时段内两个周期的输出电压波形图和输出电流波形图。
可选的，也可以先构建开关器件的虚拟孪生模型；再通过虚拟孪生模型，采集开关器件在当前时段内的输出数据。
具体的，根据开关器件的尺寸参数以及性能参数，在虚拟空间1:1构建开关器件的虚拟孪生模型，给开关器件通电后，开关器件会将输出数据同步至虚拟孪生模型，此时可以获取虚拟孪生模型在当前时段内的输出数据作为开关器件在当前时段内的输出数据。
可选的，如图3所示，由于此时开关器件处于逆变器中，因此此时的输出数据为三相电数据，可以将开关器件S31所在线路的电压传感器S32和电流传感器S33连接至控制系统S34，通过控制系统S34获取两个周期的三相电压波形图和三相电流的初始波形图S35，再对初始波形图S35分别进行峭度、均方根、最大值等处理，得到第一处理结果，以及对初始波形图进行变分模态分解、经验模态分解、小波分析等处理，得到第二处理结果，最后将第一处理结果和第二处理结果融合得到优化后的目标波形图S36，将目标波形图S36作为开关器件S31在当前时段内的输出数据。
S202，通过故障程度诊断模型的特征提取网络，对输出数据进行特征提取，得到当前时段内各时刻的输出初始特征。
其中，故障程度诊断模型为用于诊断开关器件故障程度的神经网络模型；其中包括的特征提取网络为故障程度诊断模型中用于进行特征提取的网络。
输出初始特征可以是输出数据经特征提取网络提取出来的特征。
具体的，将开关器件在当前时段的输出数据输入至故障程度诊断模型的特征提取网络，提取输出数据在当前时段内各时刻的输出初始特征。
可选的，故障程度诊断模型的特征提取网络包括多源特征提取层和特征融合层，可以先通过多源特征提取层，提取输出数据的频域特征和时域特征；再通过特征融合层，对频域特征和时域特征进行特征融合，得到当前时段内各时刻的输出初始特征。
其中，时域特征为以时间为横坐标的函数波形图；频域特征为以频率为横坐标的函数波形图。
具体的，先将开关器件在当前时段的输出数据输入至故障程度诊断模型的特征提取网络中的多源特征提取层，提取输出数据的频域特征和时域特征，再将提取到的输出数据的频域特征和时域特征输入至故障程度诊断模型的特征提取网络中的特征融合层，对输出数据的频域特征和时域特征进行融合得到当前时段内各时刻的输出初始特征。
S203，通过故障程度诊断模型的反注意力机制网络，对各时刻的输出初始特征进行特征放大处理，得到各时刻的输出放大特征。
其中，反注意力机制网络为用于对特征进行放大的神经网络。反注意力机制网络的参数是基于鲸鱼优化算法优化得到；鲸鱼算法为一种用于进行参数优化的算法；需要说明的是，如何基于鲸鱼优化算法优化得到反注意力机制网络的参数，将在后续实施例进行详细介绍。
具体的，将当前时段内各时刻的输出初始特征输入至故障程度诊断模型中基于鲸鱼优化算法优化后的反注意力机制网络中，对各时刻的输出初始特征进行特征放大处理，得到各时刻的输出放大特征。
S204，通过故障程度诊断模型的全连接网络，根据各时刻的输出放大特征，确定开关器件的故障程度。
其中，故障程度通常分为无退化、轻微退化、严重退化、轻微故障和严重故障五个等级。
具体的，将各时刻的输出放大特征输入至故障程度诊断模型的全连接网络，全连接网络根据各时刻的输出放大特征与开关器件的故障程度之间的对应关系，确定开关器件的故障程度。
上述实施例中的方案，通过故障程度诊断模型的特征提取网络提取当前时段内输出数据的输出初始特征，再通过故障程度诊断模型的反注意力机制网络对输出初始特征进行放大得到输出放大特征，最终将输出放大特征输入至故障程度诊断模型的全连接网络，实现对开关器件进行故障诊断，上述方案不需要额外增加传感器，只根据开关器件的输出数据即可完成对开关器件的故障检测，避免了对开关器件所在线路的影响，且由于本方案中通过故障程度诊断模型的反注意力机制网络对输出初始特征进行了放大，即使开关器件只发生了微弱故障，也能够检测到，增加了对开关器件检测的灵敏度，此外，上述方案通过鲸鱼优化算法对反注意力机制网络的参数进行优化，提高了反注意力机制网络特征放大的效果。
需要说明的是，当开关器件为电动汽车中用于电力电子变换器上的核心功率开关器件时，可以实时在线检测核心功率开关器件所在车辆系统的输出数据，从而根据车辆系统的输出数据，通过上述实施例中S201-S204的方法对核心功率开关器件进行故障诊断，S201-S204中的方法已在上述实施例中详细阐述，此处不再赘述。
上述实施例从整体讲述了如何对开关器件的故障程度进行诊断，其中的反注意力机制网络起到了放大特征，增加故障诊断灵敏度的作用，而使用鲸鱼优化算法对反注意力机制网络进行优化则使反注意力机制网络的特征放大效果达到最优，因此在本实施例中，如图4所示，详细阐述了利用鲸鱼优化算法对反注意力机制网络的进行参数优化的方法，具体方法包括：
S401，将反注意力机制网络的可选参数分为至少两组参数集。
其中，反注意力机制网络的可选参数是预先为反注意力机制网络中的各网络层设置的可供选择的参数值。该可选参数可以为多个具体的可选参数，也可以为一个参数选择区间。
具体的，将反注意力机制网络的可选参数分为若干个组，若可选参数是多个具体的可选参数时，可以将可选参数分为多个由具体参数组成的可选参数组；若可选参数是一个参数选择区间时，可以将可选参数分为多个参数选择区间。
需要说明的是每一组参数都是一组参数集，每一组参数对应一个鲸鱼优化算法中的鲸鱼个体，需要说明的是，在进行可选参数分组时，不一定要采用平均分的分组方法。
S402，确定注意力机制网络基于各组参数集运行时对应的损失率，并将损失率最小的一组参数集作为最优集。
具体的，选取每组参数集中的中位值和/或平均值作为反注意力机制网络的参数对开关器件的故障程度进行预测，根据预测得到的预测值与真实值计算损失率，并将损失率最小的参数对应的一组参数集作为最优集，最优集对应的鲸鱼个体即为最优鲸鱼个体。
S403，判断可选参数的分组次数是否达到预设次数，若是，执行S404，若否，执行S405。
具体的，每进行一次分组，都对分组次数数值进行更新(即在已有分组次数的基础上加1)，每次挑选出最优集后，将分组次数与预设次数进行比较，判断分组次数是否达预设次数。
S404，若达到，则从最优集包含的可选参数中，选择反注意力机制网络的参数。
具体的，若分组次数达到了预设次数，则说明最优集中的可选参数对应的损失率已经达到要求，此时从最优集中选取中位数或平均数作为反注意力机制网络的参数，也可以从最优集中选取任一可选参数作为反注意力机制网络的参数。
S405，若未达到，则对最优集包含的可选参数进行划分，得到新划分的至少两组参数集，并基于新划分的至少两组参数集，返回执行确定注意力机制网络基于各组参数集运行时对应的损失率的操作。
具体的，若分组次数仍未达到了预设次数，则说明最优集中的可选参数对应的损失率还未达到要求，此时需要对最优集中的可选参数继续进行分组操作(具体方式与S401中的方法类似)，得到多组参数集，每个参数集对应一个鲸鱼优化算法中的鲸鱼个体，重新执行确定注意力机制网络基于各组参数集运行时对应的损失率的操作，确定注意力机制网络基于各组参数集运行时对应的损失率的方法已在步骤S402中描述，此处不再赘述。
上述实施例利用鲸鱼优化算法，将反注意力机制分为多组参数集，根据注意力机制网络基于各组参数集运行时对应的损失率，从多组参数集中选出最优集，当分组次数达到预设次数时，从最优集中选取可选参数作为反注意力机制网络的参数，利用鲸鱼优化算法对反注意力机制网络的参数进行优化，可以增加参数优化效率，利用优化后的反注意力机制网络进行特征放大，增加了特征放大的效果。
在上述实施例的基础上，如图5所示，故障程度诊断模型还包括长短期记忆网络，在根据各时刻的输出放大特征，确定开关器件的故障程度时，还可以通过长短期记忆网络对对各时刻的输出放大特征进行融合，具体方法包括：
S501，通过故障程度诊断模型的长短期记忆网络，对各时刻的输出放大特征进行融合，得到当前时段的输出融合特征。
其中，长短期记忆网络为用于对长期特征和短期特征进行特征融合的网络。
具体的，将各时刻的输出放大特征输入至故障程度诊断模型的长短期记忆网络中，对各时刻的输出放大特征进行特征融合，得到当前时段的输出融合特征。
S502，通过故障程度诊断模型的全连接网络，根据当前时段的输出融合特征，确定开关器件的故障程度。
具体的，将当前时段的输出融合特征输入至故障程度诊断模型的全连接网络，全连接网络根据当前时段的输出融合特征与开关器件的故障程度之间的对应关系，确定开关器件的故障程度。
上述实施例，通过故障程度诊断模型的长短期记忆网络，对各时刻的输出放大特征进行融合，再根据当前时段的输出融合特征，通过故障程度诊断模型的全连接网络，确定开关器件的故障程度，此种方法中的长短期记忆网络可以对长期特征和短期特征进行特征融合，避免了在对故障进行诊断时仅根据短期特征进行诊断而导致故障诊断不准确的情况，大大增加了故障诊断的准确性。
为了更全面的展示本方案，本实施例给出了一种开关器件故障程度诊断方法的可选方式，如图6所示：
S601，将反注意力机制网络的可选参数分为至少两组参数集。
S602，确定注意力机制网络基于各组参数集运行时对应的损失率，并将损失率最小的一组参数集作为最优集。
S603，判断可选参数的分组次数是否达到预设次数，若否，执行S604，若是，执行S605。
S604，若未达到，则对最优集包含的可选参数进行划分，得到新划分的至少两组参数集，并基于新划分的至少两组参数集，返回执行确定注意力机制网络基于各组参数集运行时对应的损失率的操作。
S605，若达到，则从最优集包含的可选参数中，选择反注意力机制网络的参数。
S606，构建开关器件的虚拟孪生模型。
S607，通过虚拟孪生模型，采集开关器件在当前时段内的输出数据。
S608，通过多源特征提取层，提取输出数据的频域特征和时域特征。
S609，通过特征融合层，对频域特征和时域特征进行特征融合，得到当前时段内各时刻的输出初始特征。
S610，通过反注意力机制网络，对各时刻的输出初始特征进行特征放大处理，得到各时刻的输出放大特征。
其中，反注意力机制网络的参数是基于鲸鱼优化算法优化得到。
S611，通过长短期记忆网络，对各时刻的输出放大特征进行融合，得到当前时段的输出融合特征。
S612，通过全连接网络，根据当前时段的输出融合特征，确定开关器件的故障程度。
上述S601-S612的具体过程可以参见上述方法实施例的描述，其实现原理和技术效果类似，在此不再赘述。
需要说明的是，601-S605对应的是基于鲸鱼算法对反注意力机制网络的参数进行优化的过程，S606-S612对应的是通过故障程度诊断模型对开关器件的故障程度进行诊断的过程。
应该理解的是，虽然如上的各实施例所涉及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，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的开关器件故障程度诊断方法的开关器件故障程度诊断装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个开关器件故障程度诊断装置实施例中的具体限定可以参见上文中对于开关器件故障程度诊断方法的限定，在此不再赘述。
在一个实施例中，如图7所示，提供了一种开关器件故障程度诊断装置7，包括：数据获取模块70、特征获取模块71、特征放大模块和故障诊断模块，其中：
数据获取模块70，用于获取开关器件在当前时段内的输出数据；
特征获取模块71，用于通过故障程度诊断模型的特征提取网络，对输出数据进行特征提取，得到当前时段内各时刻的输出初始特征；
特征放大模块72，用于通过故障程度诊断模型的反注意力机制网络，对各时刻的输出初始特征进行特征放大处理，得到各时刻的输出放大特征；其中，反注意力机制网络的参数是基于鲸鱼优化算法优化得到；
故障诊断模块73，用于通过故障程度诊断模型的全连接网络，根据各时刻的输出放大特征，确定开关器件的故障程度
在另一个实施例中，如图8所示，上述图7中的特征放大模块72包括：
参数分组单元720，用于将反注意力机制网络的可选参数分为至少两组参数集。
最优集确定单元721，用于确定注意力机制网络基于各组参数集运行时对应的损失率，并将损失率最小的一组参数集作为最优集。
次数判断单元722，用于判断可选参数的分组次数是否达到预设次数。
参数选择单元723，用于若达到，则从最优集包含的可选参数中，选择反注意力机制网络的参数。
迭代执行单元724，用于若未达到，则对最优集包含的可选参数进行划分，得到新划分的至少两组参数集，并基于新划分的至少两组参数集，返回执行确定注意力机制网络基于各组参数集运行时对应的损失率的操作。
在另一个实施例中，故障程度诊断模型还包括长短期记忆网络，如图9所示，上述图7中的故障诊断模块73包括：
特征融合单元730，用于通过故障程度诊断模型的长短期记忆网络，对各时刻的输出放大特征进行融合，得到当前时段的输出融合特征。
故障诊断单元731，用于通过故障程度诊断模型的全连接网络，根据当前时段的输出融合特征，确定开关器件的故障程度。
在另一个实施例中，故障程度诊断模型的特征提取网络包括多源特征提取层和特征融合层，如图10所示，上述图7中的特征获取模块71包括：
特征提取单元710，用于通过多源特征提取层，提取输出数据的频域特征和时域特征。
融合特征单元711，用于通过特征融合层，对频域特征和时域特征进行特征融合，得到当前时段内各时刻的输出初始特征。
在另一个实施例中，如图11所示，上述图7中的数据获取模块70包括：
模型构建单元700，用于构建开关器件的虚拟孪生模型。
数据采集单元701，用于通过虚拟孪生模型，采集开关器件在当前时段内的输出数据。
上述开关器件故障程度诊断装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图12所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种开关器件故障程度诊断方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取开关器件在当前时段内的输出数据；
通过故障程度诊断模型的特征提取网络，对输出数据进行特征提取，得到当前时段内各时刻的输出初始特征；
通过故障程度诊断模型的反注意力机制网络，对各时刻的输出初始特征进行特征放大处理，得到各时刻的输出放大特征；其中，反注意力机制网络的参数是基于鲸鱼优化算法优化得到；
通过故障程度诊断模型的全连接网络，根据各时刻的输出放大特征，确定开关器件的故障程度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将反注意力机制网络的可选参数分为至少两组参数集；
确定注意力机制网络基于各组参数集运行时对应的损失率，并将损失率最小的一组参数集作为最优集；
判断可选参数的分组次数是否达到预设次数；
若达到，则从最优集包含的可选参数中，选择反注意力机制网络的参数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
若未达到，则对最优集包含的可选参数进行划分，得到新划分的至少两组参数集，并基于新划分的至少两组参数集，返回执行确定注意力机制网络基于各组参数集运行时对应的损失率的操作。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
通过故障程度诊断模型的长短期记忆网络，对各时刻的输出放大特征进行融合，得到当前时段的输出融合特征；
通过故障程度诊断模型的全连接网络，根据当前时段的输出融合特征，确定开关器件的故障程度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
通过多源特征提取层，提取输出数据的频域特征和时域特征；
通过特征融合层，对频域特征和时域特征进行特征融合，得到当前时段内各时刻的输出初始特征。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
构建开关器件的虚拟孪生模型；
通过虚拟孪生模型，采集开关器件在当前时段内的输出数据。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取开关器件在当前时段内的输出数据；
通过故障程度诊断模型的特征提取网络，对输出数据进行特征提取，得到当前时段内各时刻的输出初始特征；
通过故障程度诊断模型的反注意力机制网络，对各时刻的输出初始特征进行特征放大处理，得到各时刻的输出放大特征；其中，反注意力机制网络的参数是基于鲸鱼优化算法优化得到；
通过故障程度诊断模型的全连接网络，根据各时刻的输出放大特征，确定开关器件的故障程度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将反注意力机制网络的可选参数分为至少两组参数集；
确定注意力机制网络基于各组参数集运行时对应的损失率，并将损失率最小的一组参数集作为最优集；
判断可选参数的分组次数是否达到预设次数；
若达到，则从最优集包含的可选参数中，选择反注意力机制网络的参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若未达到，则对最优集包含的可选参数进行划分，得到新划分的至少两组参数集，并基于新划分的至少两组参数集，返回执行确定注意力机制网络基于各组参数集运行时对应的损失率的操作。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
通过故障程度诊断模型的长短期记忆网络，对各时刻的输出放大特征进行融合，得到当前时段的输出融合特征；
通过故障程度诊断模型的全连接网络，根据当前时段的输出融合特征，确定开关器件的故障程度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
通过多源特征提取层，提取输出数据的频域特征和时域特征；
通过特征融合层，对频域特征和时域特征进行特征融合，得到当前时段内各时刻的输出初始特征。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
构建开关器件的虚拟孪生模型；
通过虚拟孪生模型，采集开关器件在当前时段内的输出数据。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取开关器件在当前时段内的输出数据；
通过故障程度诊断模型的特征提取网络，对输出数据进行特征提取，得到当前时段内各时刻的输出初始特征；
通过故障程度诊断模型的反注意力机制网络，对各时刻的输出初始特征进行特征放大处理，得到各时刻的输出放大特征；其中，反注意力机制网络的参数是基于鲸鱼优化算法优化得到；
通过故障程度诊断模型的全连接网络，根据各时刻的输出放大特征，确定开关器件的故障程度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将反注意力机制网络的可选参数分为至少两组参数集；
确定注意力机制网络基于各组参数集运行时对应的损失率，并将损失率最小的一组参数集作为最优集；
判断可选参数的分组次数是否达到预设次数；
若达到，则从最优集包含的可选参数中，选择反注意力机制网络的参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若未达到，则对最优集包含的可选参数进行划分，得到新划分的至少两组参数集，并基于新划分的至少两组参数集，返回执行确定注意力机制网络基于各组参数集运行时对应的损失率的操作。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
通过故障程度诊断模型的长短期记忆网络，对各时刻的输出放大特征进行融合，得到当前时段的输出融合特征；
通过故障程度诊断模型的全连接网络，根据当前时段的输出融合特征，确定开关器件的故障程度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
通过多源特征提取层，提取输出数据的频域特征和时域特征；
通过特征融合层，对频域特征和时域特征进行特征融合，得到当前时段内各时刻的输出初始特征。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
构建开关器件的虚拟孪生模型；
通过虚拟孪生模型，采集开关器件在当前时段内的输出数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种开关器件故障程度诊断方法，其特征在于，所述方法包括：
获取开关器件在当前时段内的输出数据；
通过故障程度诊断模型的特征提取网络，对所述输出数据进行特征提取，得到当前时段内各时刻的输出初始特征；
通过故障程度诊断模型的反注意力机制网络，对所述各时刻的输出初始特征进行特征放大处理，得到各时刻的输出放大特征；其中，所述反注意力机制网络的参数是基于鲸鱼优化算法优化得到；
通过故障程度诊断模型的全连接网络，根据各时刻的输出放大特征，确定所述开关器件的故障程度。
2.根据权利要求1所述的方法，其特征在于，所述反注意力机制网络的参数的优化方式，包括：
将反注意力机制网络的可选参数分为至少两组参数集；
确定所述注意力机制网络基于各组参数集运行时对应的损失率，并将损失率最小的一组参数集作为最优集；
判断所述可选参数的分组次数是否达到预设次数；
若达到，则从所述最优集包含的可选参数中，选择所述反注意力机制网络的参数。
3.根据权利要求2所述的方法，其特征在于，判断所述可选参数的分组次数是否达到预设次数之后，还包括：
若未达到，则对所述最优集包含的可选参数进行划分，得到新划分的至少两组参数集，并基于新划分的至少两组参数集，返回执行确定所述注意力机制网络基于各组参数集运行时对应的损失率的操作。
4.根据权利要求1所述的方法，其特征在于，所述故障程度诊断模型还包括长短期记忆网络；所述通过故障程度诊断模型的全连接网络，根据各时刻的输出放大特征，确定所述开关器件的故障程度，包括：
通过故障程度诊断模型的长短期记忆网络，对各时刻的输出放大特征进行融合，得到所述当前时段的输出融合特征；
通过故障程度诊断模型的全连接网络，根据当前时段的输出融合特征，确定所述开关器件的故障程度。
5.根据权利要求1所述的方法，其特征在于，所述故障程度诊断模型的特征提取网络包括多源特征提取层和特征融合层；
通过故障程度诊断模型的特征提取网络，对所述输出数据进行特征提取，得到当前时段内各时刻的输出初始特征，包括：
通过所述多源特征提取层，提取所述输出数据的频域特征和时域特征；
通过所述特征融合层，对所述频域特征和时域特征进行特征融合，得到当前时段内各时刻的输出初始特征。
6.根据权利要求1所述的方法，其特征在于，所述获取开关器件在当前时段内的输出数据，包括：
构建所述开关器件的虚拟孪生模型；
通过所述虚拟孪生模型，采集所述开关器件在当前时段内的输出数据。
7.一种开关器件故障程度诊断装置，其特征在于，所述装置包括：
数据获取模块，用于获取开关器件在当前时段内的输出数据；
特征获取模块，用于通过故障程度诊断模型的特征提取网络，对所述输出数据进行特征提取，得到当前时段内各时刻的输出初始特征；
特征放大模块，用于通过故障程度诊断模型的反注意力机制网络，对所述各时刻的输出初始特征进行特征放大处理，得到各时刻的输出放大特征；其中，所述反注意力机制网络的参数是基于鲸鱼优化算法优化得到；
故障诊断模块，用于通过故障程度诊断模型的全连接网络，根据各时刻的输出放大特征，确定所述开关器件的故障程度。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310894981.8A CN116930741A (zh) | 2023-07-19 | 2023-07-19 | 开关器件故障程度诊断方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310894981.8A CN116930741A (zh) | 2023-07-19 | 2023-07-19 | 开关器件故障程度诊断方法、装置和计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116930741A true CN116930741A (zh) | 2023-10-24 |
Family
ID=88387351
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310894981.8A Pending CN116930741A (zh) | 2023-07-19 | 2023-07-19 | 开关器件故障程度诊断方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116930741A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112147432A (zh) * | 2020-08-25 | 2020-12-29 | 国网上海市电力公司 | 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统 |
| CN112200032A (zh) * | 2020-09-28 | 2021-01-08 | 辽宁石油化工大学 | 一种基于注意力机制的高压断路器机械状态在线监测方法 |
| CN113191215A (zh) * | 2021-04-12 | 2021-07-30 | 西安理工大学 | 融合注意力机制与孪生网络结构的滚动轴承故障诊断方法 |
| CN114118673A (zh) * | 2021-09-30 | 2022-03-01 | 苏州大学 | 一种基于数字孪生技术的车间智能化故障诊断预警方法 |
| CN114912673A (zh) * | 2022-04-29 | 2022-08-16 | 河海大学 | 一种基于鲸鱼优化算法和长短时记忆网络的水位预测方法 |
| WO2023020388A1 (zh) * | 2022-03-14 | 2023-02-23 | 中国长江三峡集团有限公司 | 一种齿轮箱故障诊断、信号采集方法、装置和电子设备 |
| CN115905827A (zh) * | 2022-10-25 | 2023-04-04 | 华能沁北发电有限责任公司 | 一种基于神经网络的汽轮机故障诊断方法及装置 |
| CN116204768A (zh) * | 2023-02-14 | 2023-06-02 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 故障诊断方法、装置、计算机设备和存储介质 |
| CN116340750A (zh) * | 2023-02-15 | 2023-06-27 | 广东工业大学 | 一种机电设备的故障诊断方法及系统 |
| CN116403032A (zh) * | 2023-03-27 | 2023-07-07 | 河北工业大学 | 基于多域信息融合与深度学习的断路器故障评估方法 |
| CN116451093A (zh) * | 2023-05-12 | 2023-07-18 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 电路故障分析模型的训练方法以及电路故障分析方法 |
-
2023
- 2023-07-19 CN CN202310894981.8A patent/CN116930741A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112147432A (zh) * | 2020-08-25 | 2020-12-29 | 国网上海市电力公司 | 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统 |
| CN112200032A (zh) * | 2020-09-28 | 2021-01-08 | 辽宁石油化工大学 | 一种基于注意力机制的高压断路器机械状态在线监测方法 |
| CN113191215A (zh) * | 2021-04-12 | 2021-07-30 | 西安理工大学 | 融合注意力机制与孪生网络结构的滚动轴承故障诊断方法 |
| CN114118673A (zh) * | 2021-09-30 | 2022-03-01 | 苏州大学 | 一种基于数字孪生技术的车间智能化故障诊断预警方法 |
| WO2023020388A1 (zh) * | 2022-03-14 | 2023-02-23 | 中国长江三峡集团有限公司 | 一种齿轮箱故障诊断、信号采集方法、装置和电子设备 |
| CN114912673A (zh) * | 2022-04-29 | 2022-08-16 | 河海大学 | 一种基于鲸鱼优化算法和长短时记忆网络的水位预测方法 |
| CN115905827A (zh) * | 2022-10-25 | 2023-04-04 | 华能沁北发电有限责任公司 | 一种基于神经网络的汽轮机故障诊断方法及装置 |
| CN116204768A (zh) * | 2023-02-14 | 2023-06-02 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 故障诊断方法、装置、计算机设备和存储介质 |
| CN116340750A (zh) * | 2023-02-15 | 2023-06-27 | 广东工业大学 | 一种机电设备的故障诊断方法及系统 |
| CN116403032A (zh) * | 2023-03-27 | 2023-07-07 | 河北工业大学 | 基于多域信息融合与深度学习的断路器故障评估方法 |
| CN116451093A (zh) * | 2023-05-12 | 2023-07-18 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 电路故障分析模型的训练方法以及电路故障分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111125519B (zh) | 用户行为预测方法、装置、电子设备以及存储介质 | |
| CN115805810B (zh) | 电池故障预测方法、装置、设备、存储介质和程序产品 | |
| Chen et al. | A new SOH estimation method for Lithium-ion batteries based on model-data-fusion | |
| CN115471098B (zh) | 碳排放量获取方法、装置、计算机设备和存储介质 | |
| Chen et al. | State of health estimation of lithium-ion batteries based on equivalent circuit model and data-driven method | |
| CN116757062A (zh) | 电力负荷频率特性分析方法、装置、设备和存储介质 | |
| CN116930741A (zh) | 开关器件故障程度诊断方法、装置和计算机设备 | |
| CN117289097A (zh) | 电力设备局部放电检测方法、模型训练方法、装置和设备 | |
| CN117095202A (zh) | 开关电源故障预警方法、装置、计算机设备和存储介质 | |
| CN117195691A (zh) | 电缆载流不平衡度的确定方法、装置和计算机设备 | |
| CN116822702A (zh) | 碳排放预测方法、装置、计算机设备和存储介质 | |
| CN115760074A (zh) | 电力设备运维方法、装置、计算机设备和存储介质 | |
| CN116191398A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
| CN115656747A (zh) | 基于异构数据的变压器缺陷诊断方法、装置和计算机设备 | |
| CN116118533A (zh) | 一种电动汽车充电故障智能诊断方法、系统及存储介质 | |
| CN112731150B (zh) | 电压暂降状态估计方法、装置、计算机设备和存储介质 | |
| CN113866638A (zh) | 一种电池参数推测方法、装置、设备及介质 | |
| CN117723895B (zh) | 基于多端幅值比矩阵的配电网故障区段定位方法和装置 | |
| CN116415510B (zh) | 基于相空间重构和神经网络的断路器温升预测方法及系统 | |
| CN114239254A (zh) | Sf6电器设备声场数字孪生模型构建方法、装置和设备 | |
| CN117930017A (zh) | 基于机器学习的健康状态确定方法、装置和计算机设备 | |
| CN116112200A (zh) | 配电网纵向访问检测方法、装置、计算机设备和存储介质 | |
| CN116073370A (zh) | 电网故障处理方法、装置、计算机设备和存储介质 | |
| CN118584218A (zh) | 功率模块寿命评估方法、装置、设备、存储介质和产品 | |
| CN117172107A (zh) | 电缆区间定位模型的确定方法、装置和计算机设备 |
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 |