CN116930749A - 管状电机的遇阻检测系统及其方法 - Google Patents

管状电机的遇阻检测系统及其方法 Download PDF

Info

Publication number
CN116930749A
CN116930749A CN202310710766.8A CN202310710766A CN116930749A CN 116930749 A CN116930749 A CN 116930749A CN 202310710766 A CN202310710766 A CN 202310710766A CN 116930749 A CN116930749 A CN 116930749A
Authority
CN
China
Prior art keywords
working current
waveform
vectors
current
feature
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.)
Granted
Application number
CN202310710766.8A
Other languages
English (en)
Other versions
CN116930749B (zh
Inventor
余阳
张玲玲
徐亮
高祥
徐斌峰
蔡志山
蔡灿元
刘欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Lianda Science And Technology Co ltd
Original Assignee
Zhejiang Lianda Science And Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Lianda Science And Technology Co ltd filed Critical Zhejiang Lianda Science And Technology Co ltd
Priority to CN202310710766.8A priority Critical patent/CN116930749B/zh
Publication of CN116930749A publication Critical patent/CN116930749A/zh
Application granted granted Critical
Publication of CN116930749B publication Critical patent/CN116930749B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种管状电机的遇阻检测系统及其方法，其获取被监测管状电机在预定时间段的工作电流信号；采用基于深度学习的人工智能技术，进行所述管状电机的工作电流信号中关于电流波动隐含特征信息的充分表达，以此来准确地进行管状电机的遇阻检测，从而及时发现管状电机的问题，提高管状电机的使用效率和安全性。

Description

管状电机的遇阻检测系统及其方法
技术领域
本发明涉及智能化检测技术领域，尤其涉及一种管状电机的遇阻检测系统及其方法。
背景技术
管状电机已广泛应用于日常电器中，尤其是一些转轴管状电机，如电动窗帘和电动门等。如果在管状电机运行时没有遇阻力检测并控制管状电机停止运行或反弹，或在管状电机未开启时没有遇阻力检测并控制管状电机运行，会存在某些不安全因素。例如，当窗帘或门下有物体或人员时，若不能自动停止运行，则可能会导致人员受伤或物品损坏。
目前，常用的控制管状电机在遇阻时停止运行的方法包括手动设置限位和自动遇阻检测，而自动遇阻检测又包括有单独安装红外传感器或利用气感安全边来进行检测。然而，手动设置限位的方法较为复杂，需要用户操作步骤较多，使用不方便；自动遇阻检测则需要在管状电机上添加检测装置，安装也比较复杂，且成本高，使用寿命短。
因此，期望一种优化的管状电机的遇阻检测系统。
发明内容
本发明实施例提供一种管状电机的遇阻检测系统及其方法，其获取被监测管状电机在预定时间段的工作电流信号；采用基于深度学习的人工智能技术，进行所述管状电机的工作电流信号中关于电流波动隐含特征信息的充分表达，以此来准确地进行管状电机的遇阻检测，从而及时发现管状电机的问题，提高管状电机的使用效率和安全性。
本发明实施例还提供了一种管状电机的遇阻检测系统，其包括：
数据采集模块，用于获取被监测管状电机在预定时间段的工作电流信号；
滑窗采样模块，用于对所述工作电流信号进行基于采样窗的滑窗采样以得到多个工作电流段波形图；
电流段波形特征提取模块，用于将所述多个工作电流段波形图通过基于卷积神经网络模型的电流波形特征提取器以得到多个工作电流段波形特征向量；
特征优化模块，用于对所述多个工作电流段波形特征向量进行多源信息融合验前分布评估优化以得到多个优化工作电流段波形特征向量；
当前工作电流段波形特征捕捉模块，用于从所述多个优化工作电流段波形特征向量中提取最后一个采样窗的工作电流段波形图对应的优化工作电流段波形特征向量作为当前工作电流段波形特征向量；
电流波动特征提取模块，用于计算所述当前工作电流段波形特征向量与所述多个工作电流段波形特征向量中其他工作电流段波形特征向量之间的欧式距离值以得到由多个欧式距离值组成的分类特征向量；以及
遇阻检测模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测管状电机是否遇阻。
本发明实施例还提供了一种管状电机的遇阻检测方法，其包括：
获取被监测管状电机在预定时间段的工作电流信号；
对所述工作电流信号进行基于采样窗的滑窗采样以得到多个工作电流段波形图；
将所述多个工作电流段波形图通过基于卷积神经网络模型的电流波形特征提取器以得到多个工作电流段波形特征向量；
对所述多个工作电流段波形特征向量进行多源信息融合验前分布评估优化以得到多个优化工作电流段波形特征向量；
从所述多个优化工作电流段波形特征向量中提取最后一个采样窗的工作电流段波形图对应的优化工作电流段波形特征向量作为当前工作电流段波形特征向量；
计算所述当前工作电流段波形特征向量与所述多个工作电流段波形特征向量中其他工作电流段波形特征向量之间的欧式距离值以得到由多个欧式距离值组成的分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测管状电机是否遇阻。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例中提供的一种管状电机的遇阻检测系统的框图。
图2为本发明实施例中提供的一种管状电机的遇阻检测系统中所述电流波动特征提取模块的框图。
图3为本发明实施例中提供的一种管状电机的遇阻检测系统中所述遇阻检测模块的框图。
图4为本发明实施例中提供的一种管状电机的遇阻检测方法的流程图。
图5为本发明实施例中提供的一种管状电机的遇阻检测方法的系统架构的示意图。
图6为本发明实施例中提供的一种管状电机的遇阻检测系统的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
在介绍了本发明的基本原理之后，下面将参考附图来具体介绍本发明的各种非限制性实施例。
在本发明的一个实施例中，图1为本发明实施例中提供的一种管状电机的遇阻检测系统的框图。如图1所示，根据本发明实施例的管状电机的遇阻检测系统100，包括：数据采集模块110，用于获取被监测管状电机在预定时间段的工作电流信号；滑窗采样模块120，用于对所述工作电流信号进行基于采样窗的滑窗采样以得到多个工作电流段波形图；电流段波形特征提取模块130，用于将所述多个工作电流段波形图通过基于卷积神经网络模型的电流波形特征提取器以得到多个工作电流段波形特征向量；特征优化模块140，用于对所述多个工作电流段波形特征向量进行多源信息融合验前分布评估优化以得到多个优化工作电流段波形特征向量；当前工作电流段波形特征捕捉模块150，用于从所述多个优化工作电流段波形特征向量中提取最后一个采样窗的工作电流段波形图对应的优化工作电流段波形特征向量作为当前工作电流段波形特征向量；电流波动特征提取模块160，用于计算所述当前工作电流段波形特征向量与所述多个工作电流段波形特征向量中其他工作电流段波形特征向量之间的欧式距离值以得到由多个欧式距离值组成的分类特征向量；以及，遇阻检测模块170，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测管状电机是否遇阻。
具体地，在本发明实施例中，所述数据采集模块110，用于获取被监测管状电机在预定时间段的工作电流信号。如上所述，目前，常用的控制管状电机在遇阻时停止运行的方法包括手动设置限位和自动遇阻检测，而自动遇阻检测又包括有单独安装红外传感器或利用气感安全边来进行检测。然而，手动设置限位的方法较为复杂，需要用户操作步骤较多，使用不方便；自动遇阻检测则需要在管状电机上添加检测装置，安装也比较复杂，且成本高，使用寿命短。因此，期望一种优化的管状电机的遇阻检测系统。
相应地，考虑到在管状电机的工作过程中，电流的大小和波形都会受到工作负载的影响。当管状电机遇到阻力时，其工作电流会发生相应的变化，因此，在本申请的技术方案中，可以通过对管状电机的工作电流进行监测，来判断管状电机是否遇阻。通过这样的方式，相比其他常用的方法更加方便、经济，而且可以实现在线检测，可以及时发现管状电机的问题，提高管状电机的使用效率和安全性。但是，由于管状电机的工作电流信号中的信息量较多，难以对于有用信息进行有效地捕捉，并且在实际进行管状电机的遇阻检测时，应更加关注于电流信号的波动情况，而电流信号波动相比电流信号来说为小尺度的隐性微弱特征信息，难以进行充分刻画。因此，在此过程中，难点在于如何进行所述管状电机的工作电流信号中关于电流波动隐含特征信息的充分表达，以此来准确地进行管状电机的遇阻检测，从而及时发现管状电机的问题，提高管状电机的使用效率和安全性。
近年来，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。深度学习以及神经网络的发展为挖掘所述测试者的起跳状态时序隐含特征信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取被监测管状电机在预定时间段的工作电流信号。其中，在本申请的一个实施例中，可以在管状电机的电源线路上安装电流传感器，通过检测电流大小和波形来获取管状电机的工作电流信，以实现对管状电机的实时监测。当然，在本申请的另一个实施例中，也可以在管状电机的电源线路上安装电流检测器，通过检测电流大小和波形来获取管状电机的工作电流信号，以实现对管状电机的实时监测。在本申请的另一个实施例中，还可以在管状电机的电源线路上安装数据记录器，记录管状电机在预定时间段内的工作电流信号，以实现对管状电机的离线监测。
利用传感器或者电流检测器来实现对管状电机工作电流的监测，当电流大小和波形发生变化时，可以通过算法分析来判断管状电机是否遇阻。这样，可以实现对管状电机的实时监测和故障诊断，提高管状电机的可靠性和稳定性。
具体地，在本发明实施例中，所述滑窗采样模块120，用于对所述工作电流信号进行基于采样窗的滑窗采样以得到多个工作电流段波形图。应可以理解，由于所述被监测管状电机的工作电流波形信息在不同的时间段内具有不同的变化规律，这些电流波形信息包含了管状电机在不同负载下的工作状态，可以用于判断管状电机是否遇阻。因此，为了更好地理解和分析所述被监测管状电机的工作电流波形信息，需要将其分割成多个采样窗进行处理。
也就是说，对所述工作电流信号进行基于采样窗的滑窗采样以得到多个工作电流段波形图。特别地，这里，采样窗的大小和移动步长可以根据具体应用场景进行设定，以更好地适应不同场景的需求，从而充分利用原始工作电流信号的信息，并且还能够有效地避免了信号中的干扰和噪声，提高了数据处理的准确度和可靠性。
基于采样窗的滑窗采样是一种常用的信号处理方法，可以将连续的信号分成多个窗口，并对每个窗口内的信号进行采样和处理。其中，对所述工作电流信号进行基于采样窗的滑窗采样以得到多个工作电流段波形图，包括：1.确定采样窗的大小和滑动步长：采样窗的大小决定了每个窗口内的信号长度，滑动步长决定了相邻窗口之间的重叠程度。2.对工作电流信号进行分段：将工作电流信号分成多个连续的段，每个段的长度为采样窗的大小。3.对每个段内的信号进行采样：对每个段内的信号进行采样，获取每个采样窗内的工作电流信号。4.对每个采样窗内的信号进行处理：对每个采样窗内的工作电流信号进行处理，如计算平均值、方差、峰值等统计量，或者进行频域分析、小波变换等信号处理方法。5.将处理结果保存并进行分析：将每个采样窗内的处理结果保存下来，并对结果进行分析，如比较不同采样窗内的信号特征，判断管状电机是否遇阻等。
通过基于采样窗的滑窗采样方法，可以将连续的工作电流信号分成多个窗口，并对每个窗口内的信号进行采样和处理，从而获取多个工作电流段波形图，为管状电机的监测和故障诊断提供了有效的手段。
具体地，在本发明实施例中，所述电流段波形特征提取模块130，用于将所述多个工作电流段波形图通过基于卷积神经网络模型的电流波形特征提取器以得到多个工作电流段波形特征向量。然后，考虑到由于所述各个工作电流段波形图为图像数据，而卷积神经网络模型在提取图像的局部隐含关联特征方面具有优异的表现性能，因此，进一步将所述多个工作电流段波形图通过基于卷积神经网络模型的电流波形特征提取器中进行特征挖掘，以分别提取出所述各个工作电流段波形图中关于所述被监测管状电机的工作电流隐含特征分布信息，即所述被监测管状电机在不同的时间段下的工作状态特征信息，从而得到多个工作电流段波形特征向量。
其中，所述电流段波形特征提取模块130，用于：使用所述基于卷积神经网络模型的电流波形特征提取器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卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；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，所述基于卷积神经网络模型的电流波形特征提取器的最后一层的输出为所述多个工作电流段波形特征向量，所述基于卷积神经网络模型的电流波形特征提取器的第一层的输入为所述多个工作电流段波形图。
卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
具体地，在本发明实施例中，所述特征优化模块140，用于对所述多个工作电流段波形特征向量进行多源信息融合验前分布评估优化以得到多个优化工作电流段波形特征向量。特别地，在本申请的技术方案中，将所述多个工作电流段波形图通过基于卷积神经网络模型的电流波形特征提取器得到所述多个工作电流段波形特征向量时，由于所述多个工作电流段波形图是对所述工作电流信号进行基于采样窗的滑窗采样得到的，因此，所述多个工作电流段波形特征向量中的每个工作电流段波形特征向量可以看作为所述多个工作电流段波形特征向量的整体组合特征集合中的局部特征集合。
并且，由于各个工作电流段波形特征向量的特征分布基于所述工作电流信号的采样窗分布之间的图像语义分布，因此所述各个工作电流段波形特征向量除了具有相互关联的邻域分布关系外，其间还具有对应于各个采样窗相对于所述工作电流信号的局部图像语义分布的多源信息关联关系。
因此，为了提升所述多个工作电流段波形特征向量作为整体对所述工作电流信号的与各个采样窗对应的图像特征语义的关联分布表达效果，本申请的申请人对每个工作电流段波形特征向量，例如记为Vi进行多源信息融合验前分布评估优化，以获得优化后的工作电流段波形特征向量Vj，具体表示为：以如下优化公式对所述多个工作电流段波形特征向量进行多源信息融合验前分布评估优化以得到所述多个优化工作电流段波形特征向量；其中，所述优化公式为：
其中，Vi是所述多个工作电流段波形特征向量中第i个工作电流段波形特征向量，Vj是所述多个工作电流段波形特征向量中第j个工作电流段波形特征向量，是均值特征向量，n为邻域设置超参数，log表示以2为底的对数函数，/>表示按位置减法，Vj是所述多个优化工作电流段波形特征向量中第i个优化工作电流段波形特征向量。
这里，所述多源信息融合验前分布评估优化可以对于由多个相互关联的邻域部分组成的特征局部集合，基于特征分布融合稳健性的类极大似然估计，来实现特征向量各自的验前信息在局部合成分布上的有效折合，并通过多源情况下的验前分布构建，来获得能够用于评估集合内内部关联与集合间变动关系之间的标准期望融合信息的优化范式，以提升特征向量基于多源信息关联融合的信息表达效果。由此，再基于优化后的工作电流段波形特征向量Vj获得由所述工作电流段波形特征向量之间的欧式距离值得到的所述分类特征向量，就可以通过提升优化后的工作电流段波形特征向量之间的欧式距离的准确性，来提升所述分类特征向量通过分类器得到的分类结果的准确性。这样，能够准确地进行管状电机的遇阻检测，从而及时发现管状电机的问题，提高管状电机的使用效率和安全性。
具体地，在本发明实施例中，所述当前工作电流段波形特征捕捉模块150，用于从所述多个优化工作电流段波形特征向量中提取最后一个采样窗的工作电流段波形图对应的优化工作电流段波形特征向量作为当前工作电流段波形特征向量。进一步地，为了能够提高对于所述被监测管状电机是否遇阻进行检测的准确性，期望通过所述被监测管状电机在以往时间段内的工作状态特征信息来进行管状电机的当前工作状态的评估，以此来对所述被监测管状电机在当前状态下是否遇阻进行检测。因此，在本申请的技术方案中，需要从所述多个工作电流段波形特征向量中提取最后一个采样窗的工作电流段波形图对应的工作电流段波形特征向量作为当前工作电流段波形特征向量。
首先将工作电流信号划分成多个采样窗，每个采样窗对应一个工作电流波形特征向量，然后从这些特征向量中选择最后一个采样窗对应的特征向量作为当前的工作电流段波形特征向量。这样，可以实时监测管状电机的工作状态，及时发现管状电机的异常情况，避免因管状电机故障而导致的生产事故和损失。此外，通过对工作电流波形的分析，还可以判断管状电机是否遇阻、是否存在负载不平衡等问题，及时采取措施进行调整和维护。
具体地，在本发明实施例中，所述电流波动特征提取模块160，用于计算所述当前工作电流段波形特征向量与所述多个工作电流段波形特征向量中其他工作电流段波形特征向量之间的欧式距离值以得到由多个欧式距离值组成的分类特征向量。接着，进一步再计算所述当前工作电流段波形特征向量与所述多个工作电流段波形特征向量中其他工作电流段波形特征向量之间的欧式距离值以得到由多个欧式距离值组成的分类特征向量，以此来表示所述被监测管状电机当前的电流状态和各个时间段的电流波形状态之间的差异性关联特征信息，从而能够反映出电流状态的波动特征信息。
图2为本发明实施例中提供的一种管状电机的遇阻检测系统中所述电流波动特征提取模块的框图，如图2所示，所述电流波动特征提取模块160，包括：计算单元161，用于以如下距离公式计算所述当前工作电流段波形特征向量与所述多个工作电流段波形特征向量中其他工作电流段波形特征向量之间的欧式距离值以得到多个欧式距离值；其中，所述距离公式为：
其中，V1表示所述当前工作电流段波形特征向量，V2表示所述多个工作电流段波形特征向量中其他工作电流段波形特征向量，v1i表示所述当前工作电流段波形特征向量中各个位置的特征值，v2i表示所述多个工作电流段波形特征向量中其他工作电流段波形特征向量中各个位置的特征值，dist(V1，V2)表示所述当前工作电流段波形特征向量与所述多个工作电流段波形特征向量中其他工作电流段波形特征向量之间的欧式距离值；以及，排列单元162，用于将所述多个欧式距离值进行排列以得到所述分类特征向量。
应可以理解，欧式距离是最常用的距离度量方法之一，它可以用于多种应用场景，例如数据挖掘、机器学习、图像处理等领域。在机器学习中，欧式距离通常用于计算样本之间的相似度或距离，以便进行分类、聚类等操作。
具体地，在本发明实施例中，所述遇阻检测模块170，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测管状电机是否遇阻。然后，以该管状电机的电流状态的波动特征信息来进行分类，以此来对于管状电机是否遇阻进行检测评估。也就是，具体地，将所述分类特征向量通过分类器中进行分类处理，以得到用于表示被监测管状电机是否遇阻的分类结果。
也就是，在本申请的技术方案中，所述分类器的标签包括被监测管状电机遇阻(第一标签)，以及，被监测管状电机没有遇阻(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“被监测管状电机是否遇阻”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，被监测管状电机是否遇阻的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“被监测管状电机是否遇阻”的语言文本意义。
应可以理解，在本申请的技术方案中，所述分类器的分类标签为被监测管状电机是否遇阻的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来进行管状电机的遇阻检测，从而及时发现管状电机的问题，提高管状电机的使用效率和安全性。
图3为本发明实施例中提供的一种管状电机的遇阻检测系统中所述遇阻检测模块的框图，如图3所示，所述遇阻检测模块170，包括：全连接编码单元171，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元172，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本发明实施例的管状电机的遇阻检测系统100被阐明，其获取被监测管状电机在预定时间段的工作电流信号；采用基于深度学习的人工智能技术，进行所述管状电机的工作电流信号中关于电流波动隐含特征信息的充分表达，以此来准确地进行管状电机的遇阻检测，从而及时发现管状电机的问题，提高管状电机的使用效率和安全性。
如上所述，根据本发明实施例的管状电机的遇阻检测系统100可以实现在各种终端设备中，例如用于管状电机的遇阻检测的服务器等。在一个示例中，根据本发明实施例的管状电机的遇阻检测系统100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，该管状电机的遇阻检测系统100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，该管状电机的遇阻检测系统100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，该管状电机的遇阻检测系统100与该终端设备也可以是分立的设备，并且该管状电机的遇阻检测系统100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。
在本发明的一个实施例中，图4为本发明实施例中提供的一种管状电机的遇阻检测方法的流程图。图5为本发明实施例中提供的一种管状电机的遇阻检测方法的系统架构的示意图。如图4和图5所示，根据本发明实施例的管状电机的遇阻检测方法，其包括：210，获取被监测管状电机在预定时间段的工作电流信号；220，对所述工作电流信号进行基于采样窗的滑窗采样以得到多个工作电流段波形图；230，将所述多个工作电流段波形图通过基于卷积神经网络模型的电流波形特征提取器以得到多个工作电流段波形特征向量；240，对所述多个工作电流段波形特征向量进行多源信息融合验前分布评估优化以得到多个优化工作电流段波形特征向量；250，从所述多个优化工作电流段波形特征向量中提取最后一个采样窗的工作电流段波形图对应的优化工作电流段波形特征向量作为当前工作电流段波形特征向量；260，计算所述当前工作电流段波形特征向量与所述多个工作电流段波形特征向量中其他工作电流段波形特征向量之间的欧式距离值以得到由多个欧式距离值组成的分类特征向量；以及，270，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测管状电机是否遇阻。
在本发明的一个具体示例中，在上述管状电机的遇阻检测方法中，将所述多个工作电流段波形图通过基于卷积神经网络模型的电流波形特征提取器以得到多个工作电流段波形特征向量，包括：使用所述基于卷积神经网络模型的电流波形特征提取器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卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；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，所述基于卷积神经网络模型的电流波形特征提取器的最后一层的输出为所述多个工作电流段波形特征向量，所述基于卷积神经网络模型的电流波形特征提取器的第一层的输入为所述多个工作电流段波形图。
在本发明的一个具体示例中，在上述管状电机的遇阻检测方法中，所述多个工作电流段波形特征向量进行多源信息融合验前分布评估优化以得到多个优化工作电流段波形特征向量，包括：以如下优化公式对所述多个工作电流段波形特征向量进行多源信息融合验前分布评估优化以得到所述多个优化工作电流段波形特征向量；其中，所述优化公式为：
其中，Vi是所述多个工作电流段波形特征向量中第i个工作电流段波形特征向量，Vj是所述多个工作电流段波形特征向量中第j个工作电流段波形特征向量，是均值特征向量，n为邻域设置超参数，log表示以2为底的对数函数，/>表示按位置减法，Vj是所述多个优化工作电流段波形特征向量中第i个优化工作电流段波形特征向量。
在本发明的一个具体示例中，在上述管状电机的遇阻检测方法中，计算所述当前工作电流段波形特征向量与所述多个工作电流段波形特征向量中其他工作电流段波形特征向量之间的欧式距离值以得到由多个欧式距离值组成的分类特征向量，包括：以如下距离公式计算所述当前工作电流段波形特征向量与所述多个工作电流段波形特征向量中其他工作电流段波形特征向量之间的欧式距离值以得到多个欧式距离值；其中，所述距离公式为：
其中，V1表示所述当前工作电流段波形特征向量，V2表示所述多个工作电流段波形特征向量中其他工作电流段波形特征向量，v1i表示所述当前工作电流段波形特征向量中各个位置的特征值，v2i表示所述多个工作电流段波形特征向量中其他工作电流段波形特征向量中各个位置的特征值，dist(V1，V2)表示所述当前工作电流段波形特征向量与所述多个工作电流段波形特征向量中其他工作电流段波形特征向量之间的欧式距离值；以及，将所述多个欧式距离值进行排列以得到所述分类特征向量。
在本发明的一个具体示例中，在上述管状电机的遇阻检测方法中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测管状电机是否遇阻，包括：使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
本领域技术人员可以理解，上述管状电机的遇阻检测方法中的各个步骤的具体操作已经在上面参考图1到图3的管状电机的遇阻检测系统的描述中得到了详细介绍，并因此，将省略其重复描述。
图6为本发明实施例中提供的一种管状电机的遇阻检测系统的应用场景图。如图6所示，在该应用场景中，首先，获取被监测管状电机(例如，如图6中所示意的M)在预定时间段的工作电流信号(例如，如图6中所示意的C)；然后，将获取的工作电流信号输入至部署有管状电机的遇阻检测算法的服务器(例如，如图6中所示意的S)中，其中所述服务器能够基于管状电机的遇阻检测算法对所述工作电流信号进行处理，以生成用于表示被监测管状电机是否遇阻的分类结果。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种管状电机的遇阻检测系统，其特征在于，包括：
数据采集模块，用于获取被监测管状电机在预定时间段的工作电流信号；
滑窗采样模块，用于对所述工作电流信号进行基于采样窗的滑窗采样以得到多个工作电流段波形图；
电流段波形特征提取模块，用于将所述多个工作电流段波形图通过基于卷积神经网络模型的电流波形特征提取器以得到多个工作电流段波形特征向量；
特征优化模块，用于对所述多个工作电流段波形特征向量进行多源信息融合验前分布评估优化以得到多个优化工作电流段波形特征向量；
当前工作电流段波形特征捕捉模块，用于从所述多个优化工作电流段波形特征向量中提取最后一个采样窗的工作电流段波形图对应的优化工作电流段波形特征向量作为当前工作电流段波形特征向量；
电流波动特征提取模块，用于计算所述当前工作电流段波形特征向量与所述多个工作电流段波形特征向量中其他工作电流段波形特征向量之间的欧式距离值以得到由多个欧式距离值组成的分类特征向量；以及
遇阻检测模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测管状电机是否遇阻。
2.根据权利要求1所述的管状电机的遇阻检测系统，其特征在于，所述电流段波形特征提取模块，用于：使用所述基于卷积神经网络模型的电流波形特征提取器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卷积处理以得到卷积特征图；
对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；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，所述基于卷积神经网络模型的电流波形特征提取器的最后一层的输出为所述多个工作电流段波形特征向量，所述基于卷积神经网络模型的电流波形特征提取器的第一层的输入为所述多个工作电流段波形图。
3.根据权利要求2所述的管状电机的遇阻检测系统，其特征在于，所述特征优化模块，用于：以如下优化公式对所述多个工作电流段波形特征向量进行多源信息融合验前分布评估优化以得到所述多个优化工作电流段波形特征向量；
其中，所述优化公式为：
其中，Vi是所述多个工作电流段波形特征向量中第i个工作电流段波形特征向量，Vj是所述多个工作电流段波形特征向量中第j个工作电流段波形特征向量，是均值特征向量，n为邻域设置超参数，log表示以2为底的对数函数，/>表示按位置减法，/>是所述多个优化工作电流段波形特征向量中第i个优化工作电流段波形特征向量。
4.根据权利要求3所述的管状电机的遇阻检测系统，其特征在于，所述电流波动特征提取模块，包括：
计算单元，用于以如下距离公式计算所述当前工作电流段波形特征向量与所述多个工作电流段波形特征向量中其他工作电流段波形特征向量之间的欧式距离值以得到多个欧式距离值；
其中，所述距离公式为：
其中，V1表示所述当前工作电流段波形特征向量，V2表示所述多个工作电流段波形特征向量中其他工作电流段波形特征向量，v1i表示所述当前工作电流段波形特征向量中各个位置的特征值，v2i表示所述多个工作电流段波形特征向量中其他工作电流段波形特征向量中各个位置的特征值，dist(V1，V2)表示所述当前工作电流段波形特征向量与所述多个工作电流段波形特征向量中其他工作电流段波形特征向量之间的欧式距离值；以及
排列单元，用于将所述多个欧式距离值进行排列以得到所述分类特征向量。
5.根据权利要求4所述的管状电机的遇阻检测系统，其特征在于，所述遇阻检测模块，包括：
全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
分类单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
6.一种管状电机的遇阻检测方法，其特征在于，包括：
获取被监测管状电机在预定时间段的工作电流信号；
对所述工作电流信号进行基于采样窗的滑窗采样以得到多个工作电流段波形图；
将所述多个工作电流段波形图通过基于卷积神经网络模型的电流波形特征提取器以得到多个工作电流段波形特征向量；
对所述多个工作电流段波形特征向量进行多源信息融合验前分布评估优化以得到多个优化工作电流段波形特征向量；
从所述多个优化工作电流段波形特征向量中提取最后一个采样窗的工作电流段波形图对应的优化工作电流段波形特征向量作为当前工作电流段波形特征向量；
计算所述当前工作电流段波形特征向量与所述多个工作电流段波形特征向量中其他工作电流段波形特征向量之间的欧式距离值以得到由多个欧式距离值组成的分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测管状电机是否遇阻。
7.根据权利要求6所述的管状电机的遇阻检测方法，其特征在于，将所述多个工作电流段波形图通过基于卷积神经网络模型的电流波形特征提取器以得到多个工作电流段波形特征向量，包括：使用所述基于卷积神经网络模型的电流波形特征提取器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卷积处理以得到卷积特征图；
对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；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，所述基于卷积神经网络模型的电流波形特征提取器的最后一层的输出为所述多个工作电流段波形特征向量，所述基于卷积神经网络模型的电流波形特征提取器的第一层的输入为所述多个工作电流段波形图。
8.根据权利要求7所述的管状电机的遇阻检测方法，其特征在于，所述多个工作电流段波形特征向量进行多源信息融合验前分布评估优化以得到多个优化工作电流段波形特征向量，包括：以如下优化公式对所述多个工作电流段波形特征向量进行多源信息融合验前分布评估优化以得到所述多个优化工作电流段波形特征向量；
其中，所述优化公式为：
其中，Vi是所述多个工作电流段波形特征向量中第i个工作电流段波形特征向量，Vj是所述多个工作电流段波形特征向量中第j个工作电流段波形特征向量，是均值特征向量，n为邻域设置超参数，log表示以2为底的对数函数，/>表示按位置减法，V′i是所述多个优化工作电流段波形特征向量中第i个优化工作电流段波形特征向量。
9.根据权利要求8所述的管状电机的遇阻检测方法，其特征在于，计算所述当前工作电流段波形特征向量与所述多个工作电流段波形特征向量中其他工作电流段波形特征向量之间的欧式距离值以得到由多个欧式距离值组成的分类特征向量，包括：
以如下距离公式计算所述当前工作电流段波形特征向量与所述多个工作电流段波形特征向量中其他工作电流段波形特征向量之间的欧式距离值以得到多个欧式距离值；
其中，所述距离公式为：
其中，V1表示所述当前工作电流段波形特征向量，V2表示所述多个工作电流段波形特征向量中其他工作电流段波形特征向量，v1i表示所述当前工作电流段波形特征向量中各个位置的特征值，v2i表示所述多个工作电流段波形特征向量中其他工作电流段波形特征向量中各个位置的特征值，dist(V1，V2)表示所述当前工作电流段波形特征向量与所述多个工作电流段波形特征向量中其他工作电流段波形特征向量之间的欧式距离值；以及
将所述多个欧式距离值进行排列以得到所述分类特征向量。
10.根据权利要求9所述的管状电机的遇阻检测方法，其特征在于，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测管状电机是否遇阻，包括：
使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
CN202310710766.8A 2023-06-15 2023-06-15 管状电机的遇阻检测系统及其方法 Active CN116930749B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310710766.8A CN116930749B (zh) 2023-06-15 2023-06-15 管状电机的遇阻检测系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310710766.8A CN116930749B (zh) 2023-06-15 2023-06-15 管状电机的遇阻检测系统及其方法

Publications (2)

Publication Number Publication Date
CN116930749A true CN116930749A (zh) 2023-10-24
CN116930749B CN116930749B (zh) 2024-02-13

Family

ID=88378142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310710766.8A Active CN116930749B (zh) 2023-06-15 2023-06-15 管状电机的遇阻检测系统及其方法

Country Status (1)

Country Link
CN (1) CN116930749B (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334929A (zh) * 2008-05-16 2008-12-31 王金友 管状电机及匹配遥控器的方法、雨棚或窗帘及使用方法
CN206348437U (zh) * 2016-12-17 2017-07-21 浙江联大科技有限公司 一种管状电机的测试装置
CN109100648A (zh) * 2018-05-16 2018-12-28 上海海事大学 基于CNN-ARMA-Softmax的海流发电机叶轮缠绕故障融合诊断方法
CN110778237A (zh) * 2019-10-18 2020-02-11 南京工程学院 一种自动关门障碍物类型的分辨方法及自动门控制器
CN112366987A (zh) * 2020-09-18 2021-02-12 浙江理工大学 一种双电机耦合条件下利用电流实现电机遇阻检测的方法
CN113109068A (zh) * 2021-04-21 2021-07-13 浙江理工大学 一种电动升降桌无模型双正交样条小波遇阻检测方法
US11220999B1 (en) * 2020-09-02 2022-01-11 Palo Alto Research Center Incorporated Deep hybrid convolutional neural network for fault diagnosis of wind turbine gearboxes
CN115099285A (zh) * 2022-07-12 2022-09-23 绍兴九樱纺织品有限公司 基于神经网络模型的智能检测方法及其系统
CN115130520A (zh) * 2022-07-12 2022-09-30 绍兴幺贰玖零科技有限公司 基于多线路关联的电路故障诊断方法及其系统
CN115122927A (zh) * 2022-06-29 2022-09-30 温希(杭州)科技有限公司 基于内外因素关联的锂电池预警系统及其预警方法
CN115324843A (zh) * 2022-08-27 2022-11-11 华能新能源股份有限公司 基于监测数据的风力发电机组的故障诊断系统及其方法
CN115456047A (zh) * 2022-08-23 2022-12-09 华能新能源股份有限公司 基于人工智能的海上风机结构状态监测系统及其方法
CN115577248A (zh) * 2022-08-27 2023-01-06 华能新能源股份有限公司 风力发电机组的故障诊断系统及其方法
WO2023000482A1 (zh) * 2021-07-23 2023-01-26 广州新科佳都科技有限公司 一种基于机理分析的站台门异常检测方法及装置
CN115857614A (zh) * 2022-11-17 2023-03-28 弘正储能(上海)能源科技有限公司 多路光伏mppt交错式boost控制方法及其系统
CN115963344A (zh) * 2022-12-29 2023-04-14 佳都科技集团股份有限公司 故障检测方法、装置、电子设备及存储介质
CN116223075A (zh) * 2023-05-05 2023-06-06 昆明轨道交通四号线土建项目建设管理有限公司 用于轨道交通车辆的振动稳定性检测系统及方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334929A (zh) * 2008-05-16 2008-12-31 王金友 管状电机及匹配遥控器的方法、雨棚或窗帘及使用方法
CN206348437U (zh) * 2016-12-17 2017-07-21 浙江联大科技有限公司 一种管状电机的测试装置
CN109100648A (zh) * 2018-05-16 2018-12-28 上海海事大学 基于CNN-ARMA-Softmax的海流发电机叶轮缠绕故障融合诊断方法
CN110778237A (zh) * 2019-10-18 2020-02-11 南京工程学院 一种自动关门障碍物类型的分辨方法及自动门控制器
US11220999B1 (en) * 2020-09-02 2022-01-11 Palo Alto Research Center Incorporated Deep hybrid convolutional neural network for fault diagnosis of wind turbine gearboxes
CN112366987A (zh) * 2020-09-18 2021-02-12 浙江理工大学 一种双电机耦合条件下利用电流实现电机遇阻检测的方法
CN113109068A (zh) * 2021-04-21 2021-07-13 浙江理工大学 一种电动升降桌无模型双正交样条小波遇阻检测方法
WO2023000482A1 (zh) * 2021-07-23 2023-01-26 广州新科佳都科技有限公司 一种基于机理分析的站台门异常检测方法及装置
CN115122927A (zh) * 2022-06-29 2022-09-30 温希(杭州)科技有限公司 基于内外因素关联的锂电池预警系统及其预警方法
CN115130520A (zh) * 2022-07-12 2022-09-30 绍兴幺贰玖零科技有限公司 基于多线路关联的电路故障诊断方法及其系统
CN115099285A (zh) * 2022-07-12 2022-09-23 绍兴九樱纺织品有限公司 基于神经网络模型的智能检测方法及其系统
CN115456047A (zh) * 2022-08-23 2022-12-09 华能新能源股份有限公司 基于人工智能的海上风机结构状态监测系统及其方法
CN115324843A (zh) * 2022-08-27 2022-11-11 华能新能源股份有限公司 基于监测数据的风力发电机组的故障诊断系统及其方法
CN115577248A (zh) * 2022-08-27 2023-01-06 华能新能源股份有限公司 风力发电机组的故障诊断系统及其方法
CN115857614A (zh) * 2022-11-17 2023-03-28 弘正储能(上海)能源科技有限公司 多路光伏mppt交错式boost控制方法及其系统
CN115963344A (zh) * 2022-12-29 2023-04-14 佳都科技集团股份有限公司 故障检测方法、装置、电子设备及存储介质
CN116223075A (zh) * 2023-05-05 2023-06-06 昆明轨道交通四号线土建项目建设管理有限公司 用于轨道交通车辆的振动稳定性检测系统及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
余琼芳;黄高路;杨艺;孙岩洲;: "基于AlexNet深度学习网络的串联故障电弧检测方法", 电子测量与仪器学报, no. 03, pages 151 - 158 *
余萍;曹洁;: "深度学习在故障诊断与预测中的应用", 计算机工程与应用, no. 03, pages 6 - 23 *
刘向群, 仇越, 张洪钺: "基于频谱法与神经网络的航空起动发电机的故障检测与诊断", 航空学报, no. 02, 25 March 2004 (2004-03-25), pages 63 - 66 *
韦亚杰: "电动升降桌控制系统与遇阻检测算法设计", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》, pages 024 - 832 *

Also Published As

Publication number Publication date
CN116930749B (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
CN113673346B (zh) 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法
CN111275198B (zh) 一种轴承异常检测方法及系统
CN113076975A (zh) 一种基于无监督学习的大坝安全监测数据异常检测方法
CN111914883A (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
KR20210141784A (ko) Ai 기반으로 딥 러닝 네트워크를 학습시키는 방법 및 이를 이용한 학습 장치
CN116805061B (zh) 基于光纤传感的泄漏事件判断方法
CN113313037A (zh) 一种基于自注意力机制的生成对抗网络视频异常检测方法
CN109829916A (zh) 一种基于cnn的变压器故障诊断方法
CN116552306B (zh) 直流桩的监控系统及其方法
CN117131110B (zh) 一种基于关联分析的容性设备介质损耗监测方法及系统
CN116584951B (zh) 一种基于弱监督学习的心电信号检测和定位方法
CN110702966B (zh) 一种基于概率神经网络的故障电弧检测方法、装置及系统
CN114372493B (zh) 一种计算机线缆电磁泄漏特征分析方法
CN115953666B (zh) 一种基于改进Mask-RCNN的变电站现场进度识别方法
Jiang et al. Anomaly detection of industrial multi-sensor signals based on enhanced spatiotemporal features
CN117272102A (zh) 一种基于双注意力机制的变压器故障诊断方法
CN117009900A (zh) 一种基于图神经网络的物联网信号异常检测方法和系统
CN117621875B (zh) 基于低温补偿的电动汽车充电管理系统及方法
CN117056865B (zh) 一种基于特征融合的机泵设备运行故障诊断方法及装置
CN116930749B (zh) 管状电机的遇阻检测系统及其方法
CN114494152A (zh) 基于关联学习模型的无监督变化检测方法
CN116821831A (zh) 电力智能巡检系统及其方法
CN116167008A (zh) 基于数据增强的物联感知云数据中心异常定位方法
CN114282608B (zh) 一种电流互感器隐性故障诊断预警方法及系统
CN112232329A (zh) 入侵信号识别的多核svm训练、报警方法、装置及系统

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
GR01 Patent grant
GR01 Patent grant