CN116933008A - 一种断路器的故障诊断方法以及装置 - Google Patents

一种断路器的故障诊断方法以及装置 Download PDF

Info

Publication number
CN116933008A
CN116933008A CN202310813078.4A CN202310813078A CN116933008A CN 116933008 A CN116933008 A CN 116933008A CN 202310813078 A CN202310813078 A CN 202310813078A CN 116933008 A CN116933008 A CN 116933008A
Authority
CN
China
Prior art keywords
detected
sound
signal
vibration signal
processed
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
Application number
CN202310813078.4A
Other languages
English (en)
Inventor
王二旭
贾海涛
赵军愉
尚观远
裘实
刘璐
解鑫
王江涛
高立申
崔晨
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.)
State Grid Corp of China SGCC
Baoding Power Supply Co of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Baoding Power Supply Co of State Grid Hebei Electric Power 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 State Grid Corp of China SGCC, Baoding Power Supply Co of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202310813078.4A priority Critical patent/CN116933008A/zh
Publication of CN116933008A publication Critical patent/CN116933008A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本申请提供的一种断路器的故障诊断方法以及装置，对声音信号和振动信号进行第一预处理，可以减少杂质信号的干扰并保持声振信号同步，然后对处理后的待检测声音信号和处理后的待检测振动信号进行第一特征提取，以得到待检测谱差异熵以及根据待检测谱差异熵以及预设测试模型，获取待检测断路器的故障结果，从而可以更加准确的获取到该检测断路器的故障结果。

Description

一种断路器的故障诊断方法以及装置
技术领域
本申请涉及电气设备状态监测技术领域，具体涉及一种断路器的故障诊断方法以及装置。
背景技术
断路器是电力系统中的重要控制和保护设备，随着智能电网建设发展，对断路器的可靠性要求越来越高。断路器工作可靠性主要是由其机械特性所决定的，据统计，拒动、误动、慢分等机械故障造成的恶性事故占总事故的80％以上，其中操动机构故障造成的失效达64.8％。
目前，断路器机械故障诊断以单一线圈电流信号、振动信号等为主，对于多信号联合诊断还较少。线圈电流信号可反映电磁铁和辅助开关的运行状态，但无法实现电磁铁以外的机械故障诊断。振动信号通过压电式传感器采集，状态信息丰富，信噪比高，但压电传感器采集的信号在振幅较大时容易出现削顶现象，且对传感器的安装位置有较高要求，因此，仅通过单一线圈电流信号、振动信号对断路器进行故障诊断将无法获得准确的故障诊断报告。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种断路器的故障诊断方法以及装置，解决了现有技术中仅通过单一线圈电流信号、振动信号对断路器进行故障诊断将无法获得准确的故障诊断报告的问题。
根据本申请的一个方面，提供了一种断路器的故障诊断方法，包括：
获取待检测断路器的待检测声振信号；其中，所述声振信号包括待检测声音信号和待检测振动信号；
对所述待检测声音信号和所述待检测振动信号进行第一预处理，以得到处理后的待检测声音信号和处理后的待检测振动信号；
对所述处理后的待检测声音信号和处理后的待检测振动信号进行第一特征提取，以得到待检测谱差异熵；
根据所述待检测谱差异熵以及预设测试模型，获取所述待检测断路器的故障结果。
在一实施例中，所述对所述待检测声音信号和所述待检测振动信号进行第一预处理，以得到处理后的待检测声音信号和处理后的待检测振动信号包括：
采用谱减法去除所述待检测声音信号中的背景噪声，以得到所述去噪后的待检测声音信号；
对所述去噪后的待检测声音信号进行VMD分解，以得到第一待检测分解分量；
对所述待检测振动信号进行VMD分解，以得到第二待检测分解分量；
分别对所述第一待检测分解分量和所述第二待检测分解分量进行重构，以得到重构后的待检测声音信号和重构后处理后的待检测振动信号；
对所述重构后的待检测声音信号和所述重构后的待检测振动信号进行时标对位，以得到所述处理后的待检测声音信号和所述处理后的待检测振动信号。
在一实施例中，所述对所述第一待检测分解分量和所述第二待检测分解分量进行重构，以得到所述处理后重构后的待检测声音信号和所述重构后处理后的待检测振动信号包括：
根据所述第一待检测分解分量与去噪后的待检测声音信号的概率密度之间的Wasserstein距离，确定所述第一待检测分解分量中的有效分量；
根据所述第二待检测分解分量与所述待检测振动信号的概率密度之间的Wasserstein距离，确定所述第二待检测分解分量中的有效分量；
根据所述第一待检测分解分量中的有效分量和所述第二待检测分解分量中的有效分量，获取所述重构后的待检测声音信号和所述重构后的待检测振动信号。
在一实施例中，所述对所述重构后的待检测声音信号和所述重构后的待检测振动信号进行时标对位，以得到所述处理后的待检测声音信号和所述处理后的待检测振动信号包括：
对所述重构后的待检测声音信号和所述重构后的待检测振动信号分别进行希尔伯特变换，以得到多个变换后的待检测声振信号；
对每个所述变换后的待检测声振信号进行解析，以得到所述多个变换后的待检测声振信号对应的包络信号；
将每个所述变换后的待检测声振信号对应的包络信号划分为多个连续区间并计算每个连续区间的峭度；
根据所述每个连续区间的峭度和皮尔逊积距相关系数，确定相似度大于预设相似度阈值对应的时刻；
根据所述时刻对所述多个处理后的待检测声振信号进行对位。
在一实施例中，所述预设测试模型的建立方法包括：
获取多个断路器的声振信号；
对所述多个声振信号进行第二预处理，以得到多个处理后的声振信号；
对所述多个处理后的声振信号进行第二特征提取，以得到多个谱差异熵；
根据所述多个谱差异熵以及优化算法，获取每个所述声振信号对应的故障结果；
根据所述多个谱差异熵和所述多个故障结果，构建所述预设测试模型。
在一实施例中，所述根据所述多个谱差异熵以及优化算法，获取每个所述声振信号对应的故障结果包括：
根据FWA算法，获取最佳聚类中心；
根据所述最佳聚类中心和所述多个谱差异熵，获取每个所述声振信号对应的多个隶属度矩阵；
根据所述多个隶属度矩阵，获取最大隶属度；
根据所述最大隶属度，获取每个所述声振信号对应的故障结果。
在一实施例中，所述根据所述最佳聚类中心和所述多个谱差异熵，获取每个所述声振信号对应的多个隶属度矩阵包括：
根据所述最佳聚类中心和所述多个谱差异熵，获取每个所述声振信号对应的多个隶属度矩阵；其中，所述隶属度矩阵的获取方式为：其中，X＝{F1，F2，……，Fn}，Fn为谱差异熵，U为隶属度矩阵，V为最佳聚类中心，Wp为样本权重，Wf为特征权重，uik为第i个样本对第k类的隶属度，/>为第f个样本和第k类中心之间的加权距离，约束条件为/>
在一实施例中，所述对所述多个处理后的声振信号进行第二特征提取，以得到多个谱差异熵包括：
对所述处理后的声振信号进行VMD分解，以得到多个分解分量；
采用差异敏感因子对所述多个分解分量进行筛选，以得到多个有效分量；
根据所述多个有效分量，计算得到所述多个谱差异熵。
在一实施例中，所述根据所述多个有效分量，计算得到所述多个谱差异熵包括：
根据所述多个有效分量，计算得到所述多个谱差异熵；其中，每个所述谱差异熵的计算公式为其中k>0，k与特征向量有关，令k＝1/lnm，m反应断路器状态类型，pi为波形散布在第i个子区域的频数。
根据本申请的另一个方面，提供了一种断路器的故障诊断装置，包括：
信号获取模块，用于获取待检测断路器的待检测声振信号；其中，所述声振信号包括待检测声音信号和待检测振动信号；
预处理模块，用于对所述待检测声音信号和所述待检测振动信号进行第一预处理，以得到处理后的待检测声音信号和处理后的待检测振动信号；
特征提取模块，用于对所述处理后的待检测声音信号和处理后的待检测振动信号进行第一特征提取，以得到待检测谱差异熵；
结果获取模块，用于根据所述待检测谱差异熵以及预设测试模型，获取所述待检测断路器的故障结果。
本申请提供的一种断路器的故障诊断方法以及装置，包括：获取待检测断路器的待检测声振信号，其中，声振信号包括待检测声音信号和待检测振动信号，对待检测声音信号和待检测振动信号进行第一预处理，以得到处理后的待检测声音信号和处理后的待检测振动信号，对处理后的待检测声音信号和处理后的待检测振动信号进行第一特征提取，以得到待检测谱差异熵，根据待检测谱差异熵以及预设测试模型，获取待检测断路器的故障结果。通过对声音信号和振动信号进行第一预处理，可以减少杂质信号的干扰并保持声振信号同步，然后对处理后的待检测声音信号和处理后的待检测振动信号进行第一特征提取，以得到待检测谱差异熵以及根据待检测谱差异熵以及预设测试模型，获取待检测断路器的故障结果，从而可以更加准确的获取到该检测断路器的故障结果。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1是本申请一示例性实施例提供的断路器的故障诊断方法的流程示意图。
图2是本申请一示例性实施例提供的声波会滞后振动信号的波形图。
图3是本申请一示例性实施例提供的预设测试模型的建立方法的流程示意图。
图4是本申请一示例性实施例提供的断路器的故障诊断装置的结构示意图。
图5是本申请另一示例性实施例提供的断路器的故障诊断装置的结构示意图。
图6是本申请一示例性实施例提供的电子设备的结构图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
图1是本申请一示例性实施例提供的断路器的故障诊断方法的流程示意图。图2是本申请一示例性实施例提供的声波会滞后振动信号的波形图。如图1-2所示，断路器的故障诊断方法包括：
步骤110：获取待检测断路器的待检测声振信号，其中，声振信号包括待检测声音信号和待检测振动信号。
在本申请实施例中，可以通过采集系统采集待检测断路器的声振信号，采集系统由振动传感器、声音传感器、电流传感器，数据采集卡，工控机组成。声音传感器采用WM-025N型高保真拾音器(频率范围20-20000Hz)，放置在距待检测断路器30cm位置处。振动传感器采用STV71型压电式加速度传感器(频率范围0.5-15000Hz)，振动传感器采用螺栓固定于待检测断路器支架上。数据采集卡采用专为声、振应用而设计的高精度数据采集(DAQ)模块PXIe-4492。采用0.2级开口式、高灵敏度的霍尔电流传感器夹置分合闸线圈进行触发采集，采样频率设置为40kHz。
模拟待检测断路器的三种故障类型，即木板卡住转轴增加阻尼模拟转轴卡涩，待检测断路器本体一角垫高模拟基座松动以及调整铁芯间隙使挚子不能被击发模拟拒动故障，然后通过采集系统采集待检测断路器的声振信号。
步骤120：对待检测声音信号和待检测振动信号进行第一预处理，以得到处理后的待检测声音信号和处理后的待检测振动信号。
在本申请实施例中，由于声音信号和振动信号中存在噪声，导致待检测断路器对故障的识别的准确度降低，即在识别过程中存在干扰而导致准确度降低，因此对声音信号和振动信号进行预处理，从而减少杂质信号的干扰并保持声振信号同步。
步骤130：对处理后的待检测声音信号和处理后的待检测振动信号进行第一特征提取，以得到待检测谱差异熵。
在本申请实施例中，因为谱差异熵具有对不同信号之间的差异具有较好的区分性以及提取信号中的重要特征等优点，所以对处理后的待检测声音信号和处理后的待检测振动信号进行第一特征提取，以得到待检测谱差异熵，从而通过待检测谱差异熵可以确定处理后的待检测声音信号和处理后的待检测振动信号中表示信号的特征。
其中，对处理后的待检测声音信号和处理后的待检测振动信号进行第一特征提取，以得到待检测谱差异熵的步骤可以包括：对处理后的待检测声振信号进行VMD分解，以得到多个待检测分解分量，采用差异敏感因子对多个待检测分解分量进行筛选，以得到多个待检测有效分量，根据多个待检测有效分量，计算得到待检测谱差异熵。
步骤140：根据待检测谱差异熵以及预设测试模型，获取待检测断路器的故障结果。
在本申请实施例中，为了可以更加快速的得到待检测断路器的故障结果，因此建立预设测试模型，通过预设测试模型中处理后的声音信号、处理后的振动信号与故障结果的对应关系，可以更加快速的得到待检测断路器的故障结果。
另外，该故障结果可以以列表的形式展示或者仅展示故障内容以及故障内容对应的修正方法。
本申请提供的一种断路器的故障诊断方法以及装置，包括：获取待检测断路器的待检测声振信号；其中，声振信号包括待检测声音信号和待检测振动信号，对待检测声音信号和待检测振动信号进行第一预处理，以得到处理后的待检测声音信号和处理后的待检测振动信号，对处理后的待检测声音信号和处理后的待检测振动信号进行第一特征提取，以得到待检测谱差异熵，根据待检测谱差异熵以及预设测试模型，获取待检测断路器的故障结果。通过对声音信号和振动信号进行第一预处理，可以减少杂质信号的干扰并保持声振信号同步，然后对处理后的待检测声音信号和处理后的待检测振动信号进行第一特征提取，以得到待检测谱差异熵以及根据待检测谱差异熵以及预设测试模型，获取待检测断路器的故障结果，从而可以更加准确的获取到该检测断路器的故障结果。
在一实施例中，步骤120可具体实施为：采用谱减法去除待检测声音信号中的背景噪声，以得到去噪后的待检测声音信号；对去噪后的待检测声音信号进行VMD分解，以得到第一待检测分解分量；对待检测振动信号进行VMD分解，以得到第二待检测分解分量；分别对第一待检测分解分量和第二待检测分解分量进行重构，以得到重构后的待检测声音信号和重构后处理后的待检测振动信号；对重构后的待检测声音信号和重构后的待检测振动信号进行时标对位，以得到处理后的待检测声音信号和处理后的待检测振动信号。
在本申请实施例中，由于断路器正常运行过程中，声音信号包含周围设备的运行噪声和环境噪声，其频段明显区别于断路器正常动作声音，故先采用谱减法对声音信号进预处理，以去除声音信号中的背景噪声。然后将去噪后的声音信号和振动信号进行分解，以得到多个分解分量。由于声振信号包含诸多非平稳噪声，只去除声音信号的背景噪声远远不够，因此可通过分解方法对声音信号和振动信号分别进行预分解获得IMF分量(第一待检测分解分量和第二待检测分解分量)，通过计算IMF分量与原始信号的概率密度之间的Wasserstein距离(WD)来对有效分量进行筛选，进而重构信号达到去噪目的，也就是说，根据第一待检测分解分量与去噪后的待检测声音信号的概率密度之间的Wasserstein距离，确定第一待检测分解分量中的有效分量以及根据第二待检测分解分量与待检测振动信号的概率密度之间的Wasserstein距离，确定第二待检测分解分量中的有效分量，从而进行去噪。
假设干扰噪声r(n)与语音信号s(n)相互独立，从带噪信号y(n)的功率谱Py(ω)中减去噪声功率谱Pn(ω)，从而得到较为纯净的断路器声音频谱，再进行反变换即可。
对带噪信号进行分帧处理，第λ帧信号的加窗傅里叶变换为：
式(1)中：Y(k,λ)为带噪信号频谱；k＝0，1，…，N-1为频率点；R为帧移；N为帧长；h(μ)为窗函数。对式(1)进行Fourier变换，则有
Y(k,λ)＝S(k,λ)+R(k,λ) (2)
式(2)中：S(ω)与R(ω)分别表示信号s(n)以及r(n)的Fourier变换。令Py(k,λ)、Ps(k,λ)以及Pr(k,λ)分别表示信号y(n)、s(n)以及r(n)第λ帧的功率谱，则有
Py(k,λ)＝Ps(k,λ)+Pr(k,λ) (3)
由于外界环境噪声对断路器弹簧操动机构的噪声影响不大，所以在外界干扰很小的情况下，可以用环境噪声来预测断路器操动机构本体噪声的功率谱。
为了避免出现负功率谱，通过公式(4)进行归零处理，FFT反变换后得到去噪后的声音信号。
由于声振信号包含诸多非平稳噪声，只去除声音信号的背景噪声远远不够。故采用VMD分解方法对去除背景噪声的声音信号和振动信号分别进行预分解获得IMF分量，通过计算IMF分量(第一待检测分解分量和第二待检测分解分量)与原始信号(去噪后的声音信号和振动信号)的概率密度之间的Wasserstein距离(WD)来对有效分量进行筛选，进而重构信号达到去噪目的。
计算IMF分量与原始信号概率密度之间的WD，记为相似程度Si，公式如下：
Si(k)＝MD[Pd(IMFk(t)),Pd(f(t))] (5)
式中，MD为求两个概率密度分布之间的Wasser-stein距离值，Pd(IMFk(t))为各IMF分量的概率密度，Pd(f(t))为原始信号概率密度。
定义相邻模态分量与原始信号的WD增量为χ：
χk＝Si(k)-Si(k-1)，k＝1,2,……,K (6)
分界点处的分量为IMFj，j＝arg max{χk}。筛选出有效的IMF分量进行重构，从而达到去噪的目的。
由于声振信号的传播速度以及传感器安放位置的差异，断路器操动过程中，采集到的声波会滞后振动信号△T，因此对重构后的待检测声音信号和重构后的待检测振动信号进行时标对位，以得到处理后的待检测声音信号和处理后的待检测振动信号。
在一实施例中，步骤120可具体实施为：根据第一待检测分解分量与去噪后的待检测声音信号的概率密度之间的Wasserstein距离，确定第一待检测分解分量中的有效分量；根据第二待检测分解分量与待检测振动信号的概率密度之间的Wasserstein距离，确定第二待检测分解分量中的有效分量；根据第一待检测分解分量中的有效分量和第二待检测分解分量中的有效分量，获取重构后的待检测声音信号和重构后的待检测振动信号。
在一实施例中，步骤120可具体实施为：对重构后的待检测声音信号和重构后的待检测振动信号分别进行希尔伯特变换，以得到多个变换后的待检测声振信号；对每个变换后的待检测声振信号进行解析，以得到多个变换后的待检测声振信号对应的包络信号；将每个变换后的待检测声振信号对应的包络信号划分为多个连续区间并计算每个连续区间的峭度；根据每个连续区间的峭度和皮尔逊积距相关系数，确定相似度大于预设相似度阈值对应的时刻；根据时刻对多个处理后的待检测声振信号进行对位。
在本申请实施例中，对多个处理后的声振信号进行对位，其中声振信号包括声音信号和振动信号，由于声振信号的传播速度以及传感器安放位置的差异，断路器操动过程中，采集到的声波会滞后振动信号△T。
首先将声振信号x(t)进行希尔伯特变换(HT)得到y(t)，计算公式如下：
通过HT，得到解析信号Z(t)，其模值m(t)即为信号的包络，如下所示：
然后将包络模值分成N个连续区间，计算各区间的峭度，对比每区间信号包络的峭度值，寻找峭度值变化差异明显的区间段从而确定发生越变的粗略时间。峭度计算公式如下：
式中，E(x)对应振动信号的期望值，μ为包络均值，σ是标准差。
最后对峭度确定的粗略时间段，利用皮尔逊积矩相关系数找到相似度最高的时刻：
式中：{xi,i＝1,2,…,n}和{yi,i＝1,2,…,n}分别表示声音和振动信号采样点的值。找到相似性最高的时刻后，声音起始时间减去振动起始时间即为△T，将声信号提前△T即可实现声振信号对位。
图3是本申请一示例性实施例提供的预设测试模型的建立方法的流程示意图。如图3所示，预设测试模型的建立方法包括：
步骤150：获取多个断路器的声振信号。
在本申请实施例中，为了训练测试模型，可以采集多个断路器的声振信号以提高对模型训练的准确度。可以通过采集系统采集多个断路器的声振信号。
其中，声振信号可以包括声音信号和振动信号。
步骤160：对多个声振信号进行第二预处理，以得到多个处理后的声振信号。
在本申请实施例中，为了保证测试模型训练的准确度，因此对多个声振信号进行预处理，从而减少杂质信号的干扰并保持声振信号同步。
其中，采用谱减法去除多个声音信号中的背景噪声，以得到多个去噪后的声音信号，对多个去噪后的声音信号进行VMD分解，以得到第一分解分量，对振动信号进行VMD分解，以得到第二分解分量，分别对第一分解分量和第二分解分量进行重构，以得到重构后的测声音信号和重构后处理后的振动信号，对重构后的声音信号和重构后的振动信号进行时标对位，以得到处理后的声振信号。另外，第一预处理与第二预处理的流程步骤相同，其处理的对象不同。
步骤170：对多个处理后的声振信号进行第二特征提取，以得到多个谱差异熵。
在本申请实施例中，因为谱差异熵具有对不同信号之间的差异具有较好的区分性以及提取信号中的重要特征等优点，所以对处理后的声振信号进行第一特征提取，以得到待检测谱差异熵，从而通过谱差异熵可以确定处理后的声振信号中表示信号的特征。另外，第一特征提取与第二特征提取的流程步骤相同，其应用的对象不同。
步骤180：根据多个谱差异熵以及优化算法，获取每个声振信号对应的故障结果。
在本申请实施例中，优化算法为FWA-KFCM诊断算法，对KFCM随机选择初始聚类中心而不能获得全局最优且在聚类中心较近或重合时易产生一致性聚类等问题，本申请在KFCM算法中引入FWA算法。适应度值越好的烟花爆炸产生的火花数目越多，反之产生的火花数量越少。过程如下：
该算法是模拟烟花在空中爆炸，形成爆炸火花散落在周围，爆炸火花继续爆炸的过程。其包含了烟花、爆炸火花以及高斯变异火花，进而构成烟花种群。FWA在此基础上建立了数学模型，烟花的每一次爆炸可以看作是在搜索空间进行一次寻优的过程，经过一定的迭代之后，直到符合实验迭代条件，则停止迭代，寻找到最优解。其更新迭代过程主要由爆炸算子、变异算子、映射规则、选择策略几个操作完成。
1)爆炸强度的计算方式如下：
其中，m为限制火花总数的常数；YMAX为当前种群最差适应度值；f(xi)为烟花个体xi的适应度值；o为常数。
2)爆炸幅度的计算方式如下：
其中，A*为最大爆炸幅度；YMIN为当前种群最佳适应度值。
3)映射规则如下：
其中是指超出边界的第i个烟花个体在第k维的位置，/>和/>分别是烟花的第k维的上界限和下界限，％是指模运算。
4)每完成一次完整的迭代就需要重新选择下一代烟花种群，烟花算法的策略计算如下：
其中，D表示任意两个烟花个体xi和xj之间的欧式距离，R(xi)表示个体xi与其他个体的距离之和；j∈l表示第j个位置属于集合l(爆炸火花的位置集合)。
利用KFCM最大隶属度原则来判断样本隶属故障类别，结束寻优过程。由于KFCM聚类认定每一个特征向量在分类中作用相同，但在实际应用中，所有特征向量的作用并不等价，因而受到一定影响。同时为了更好的区别典型和模棱两可的样本对聚类贡献的差异，因此提出了一种以每个特征向量和样本的贡献不同而动态调整的混合聚类算法，定义了一种新的目标函数：
其中，X＝{F1，F2，……，Fn}，Fn指的信号的谱差异熵，X为样本点，U为隶属度矩阵，V为聚类中心，Wp为样本权重，Wf为特征权重，uik为第i个样本对第k类的隶属度，为第f个样本和第k类中心之间的加权距离，/>约束条件为/> 与KFCM的目标函数相比，增加了Wp与Wf，选取密度峰值聚类中的局部密度函数作为样本加权系数Wp，Wfi是第i个特征向量属于类的权值，它是动态的,权值Wf满足约束条件/>Wfm为第m个特征量的权重，大小在[0,1]之间，当Wfm全为1时，变为标准的欧式距离。通过公式获取到多个隶属度矩阵，根据多个隶属度矩阵获取到最大隶属度，根据最大隶属度，确定每个声振信号对应的故障结果，也就是，每个谱差异熵对应的故障结果。
步骤190：根据多个谱差异熵和多个故障结果，构建预设测试模型。
在一实施例中，步骤180可具体实施为：根据FWA算法，获取最佳聚类中心；根据最佳聚类中心和多个谱差异熵，获取每个声振信号对应的多个隶属度矩阵；根据多个隶属度矩阵，获取最大隶属度；根据最大隶属度，获取每个声振信号对应的故障结果。
在本申请实施例中，FWA优化算法，具体实施步骤如下：
1)设置初始烟花种群大小，最大爆炸火花数，高斯火花数，最大迭代次数等基本参数并初始化烟花种群x；
2)通过目标函数计算每个烟花适应度值；
3)基于公式(11)、公式(12)所提公式来计算每个烟花产生的爆炸强度和爆炸幅度。一个烟花产生爆炸火花时，随机选择烟花个体的z个维度来进行位移操作，在每个维度上面的位移增量相等，其计算方式如下：
其中，rand(0,Ai)表示服从均匀分布的随机函数。
4)为了增加烟花算法种群的多样性，引入了高斯变异操作，产生高斯火花，计算如下：
其中，N(1,1)是服从高斯分布函数。
5)如果新火花的某些维度存在越界的情况就使用式(11)进行越界处理，使得该火花回归边界内。
6)选取N个烟花作为下一代烟花种群，首先根据适应度值选取一个最优个体烟花，计算公式见式(14)。其余N-1个体根据轮盘赌的选择策略选择下一代烟花，每个体被选中的概率pc表达式如下：
7)如果当前迭代不符合终止条件，则重复步骤2～步骤6，否则停止迭代。
为了验证FWA优化性能，将FWA与GA、PSO算法进行实验对比，实验采用式(19)所示的Rosen-brock测试函数(Q表示变量数量)，函数维度为30维，目标函数迭代100次时。
相比与GA、PSO算法，FWA的收敛速度更快，迭代次数更少。
然后，在大部分采集现场中，多数采集的断路器故障数据样本，其预先故障的具体数目和其类型均是未知的。因此，本方法利用MIA对聚类数进行校核：
其中，各类中包含的所有元素为Ck，聚类中心曲线为xc，各类中包含的元素数目为nk，MIA越小聚类效果越好，因此可以得到最佳聚类中心。
然后根据公式(15)获取多个隶属度矩阵，并通过多个隶属度矩阵获取最大隶属度，最大隶属度可以确定每个声振信号对应的故障状态，从而得到每个声振信号对应的故障结果。另外，最大隶属度可以与多个故障状态相对应，根据最大隶属度原则，从多个故障状态中可以确定唯一的故障状态。
在一实施例中，步骤180可具体实施为：根据最佳聚类中心和多个谱差异熵，获取每个声振信号对应的多个隶属度矩阵；其中，隶属度矩阵的获取方式为：其中，X＝{F1，F2，……，Fn}，Fn为谱差异熵，U为隶属度矩阵，V为最佳聚类中心，Wp为样本权重，Wf为特征权重，uik为第i个样本对第k类的隶属度，/>为第f个样本和第k类中心之间的加权距离，约束条件为/>
在一实施例中，步骤170可具体实施为：对处理后的声振信号进行VMD分解，以得到多个分解分量；采用差异敏感因子对多个分解分量进行筛选，以得到多个有效分量；根据多个有效分量，计算得到多个谱差异熵。
VMD分解主要分为变分约束问题的建立和求解两部分，为了求解最优解，构成扩展的拉格朗日表达式为：
采用ADMM法求解上式的鞍点，从而不断更新λn+1，其中解得模态分量μk及中心频率ωk分别为：
在本申请实施例中，得到IMF分量(分解分量)后，然后采用差异敏感因子ζi对IMF进行筛选：
其中ai为异常信号与其各IMF分量的相关系数，bi为该异常信号IMF分量与同工况下正常信号的相关系数。若差异敏感因子大幅降低，可得到有效IMF分量个数。
由发散因子ξ对波形进行发散处理，提高对主峰区域的敏感度，以谱差异熵量化信号功率谱差异分布。计算步骤如下：
1)在极坐标下，根据极径尺度ω和极角尺度d，将极坐标以极点为中心、呈辐射状划分为若干等面积子区域，划分公式为：
cω＝c×(ω0.5-(ω-1)0.5) (25)
N＝ω×d (21)
其中，cω为极径方向每段划分的长度，d∈Z，ω∈Z，c为在极径方向划分子区域的基值，N为极坐标下划分区域的总数，ω表示在极径方向划分的段数，d为等分极角的段数。
2)将笛卡尔坐标下功率谱波形的频率和幅值(fi,hi)经发散因子ξ在极坐标(ti,θi)中进行发散，扩展范围。
θi＝ξ×Ψi (27)
Ψi的取值与fi和hi的符号有关：
a.当(fi,hi)位于第一象限时，0≤Ψi≤90°，Ψi＝arctan(hi/fi)；
b.当(fi,hi)位于第二象限时，90°≤Ψi≤180°，Ψi＝(180°-arctan(hi/fi))
c.当(fi,hi)位于第三象限时，180°≤Ψi≤270°，Ψi＝(-180°+arctan(hi/fi))
d.当(fi,hi)位于第四象限时，270°≤Ψi≤360°，Ψi＝-arctan(hi/fi)
ξ一般在1-4之间取值，当ξ为4时将原本只存在于0～90°极角范围的功率谱波形扩展到0～360°，可以有效区分状态类型。
3)由于熵越小含有的信息量越大，熵越大信息量越小。为了感知波形变异和功率主峰分布差异，重新定义极坐标下谱差异熵特征，计算公式如下：
其中k>0，k与特征向量有关，一般令k＝1/lnm，m反应断路器状态类型。pi为波形散布在第i个子区域的频数。
在一实施例中，步骤160可具体实施为：根据多个有效分量，计算得到多个谱差异熵；其中，每个谱差异熵的计算公式为其中k>0，k与特征向量有关，令k＝1/lnm，m反应断路器状态类型，pi为波形散布在第i个子区域的频数。
图4是本申请一示例性实施例提供的断路器的故障诊断装置的结构示意图。如图4所示，断路器的故障诊断装置20包括：信号获取模块201，用于获取待检测断路器的待检测声振信号；其中，声振信号包括待检测声音信号和待检测振动信号；预处理模块202，用于对待检测声音信号和待检测振动信号进行第一预处理，以得到处理后的待检测声音信号和处理后的待检测振动信号；特征提取模块203，用于对处理后的待检测声音信号和处理后的待检测振动信号进行第一特征提取，以得到待检测谱差异熵；结果获取模块204，用于根据待检测谱差异熵以及预设测试模型，获取待检测断路器的故障结果。
本申请提供的一种断路器的故障诊断方法以及装置，包括：通过信号获取模块201获取待检测断路器的待检测声振信号，其中，声振信号包括待检测声音信号和待检测振动信号，预处理模块202对待检测声音信号和待检测振动信号进行第一预处理，以得到处理后的待检测声音信号和处理后的待检测振动信号，特征提取模块203对处理后的待检测声音信号和处理后的待检测振动信号进行第一特征提取，以得到待检测谱差异熵，结果获取模块204根据待检测谱差异熵以及预设测试模型，获取待检测断路器的故障结果。通过对声音信号和振动信号进行第一预处理，可以减少杂质信号的干扰并保持声振信号同步，然后对处理后的待检测声音信号和处理后的待检测振动信号进行第一特征提取，以得到待检测谱差异熵以及根据待检测谱差异熵以及预设测试模型，获取待检测断路器的故障结果，从而可以更加准确的获取到该检测断路器的故障结果。
图5是本申请另一示例性实施例提供的断路器的故障诊断装置的结构示意图。如图5所示，预处理模块202可以包括：去噪单元2021，用于采用谱减法去除待检测声音信号中的背景噪声，以得到去噪后的待检测声音信号；第一分解单元2022，用于对去噪后的待检测声音信号进行VMD分解，以得到第一待检测分解分量；第二分解单元2023，用于对待检测振动信号进行VMD分解，以得到第二待检测分解分量；重构单元2024，用于分别对第一待检测分解分量和第二待检测分解分量进行重构，以得到重构后的待检测声音信号和重构后处理后的待检测振动信号；对位单元2025，用于对重构后的待检测声音信号和重构后的待检测振动信号进行时标对位，以得到处理后的待检测声音信号和处理后的待检测振动信号。
在一实施例中，重构单元2024可配置为：根据第一待检测分解分量与去噪后的待检测声音信号的概率密度之间的Wasserstein距离，确定第一待检测分解分量中的有效分量；根据第二待检测分解分量与待检测振动信号的概率密度之间的Wasserstein距离，确定第二待检测分解分量中的有效分量；根据第一待检测分解分量中的有效分量和第二待检测分解分量中的有效分量，获取重构后的待检测声音信号和重构后的待检测振动信号。
在一实施例中，对位单元2025可配置为：对重构后的待检测声音信号和重构后的待检测振动信号分别进行希尔伯特变换，以得到多个变换后的待检测声振信号；对每个变换后的待检测声振信号进行解析，以得到多个变换后的待检测声振信号对应的包络信号；将每个变换后的待检测声振信号对应的包络信号划分为多个连续区间并计算每个连续区间的峭度；根据每个连续区间的峭度和皮尔逊积距相关系数，确定相似度大于预设相似度阈值对应的时刻；根据时刻对多个处理后的待检测声振信号进行对位。
在一实施例中，预设测试模型的建立装置205可以包括：信号获取单元2051，用于获取多个断路器的声振信号；预处理单元2052，用于对多个声振信号进行第二预处理，以得到多个处理后的声振信号；特征提取单元2053，用于对多个处理后的声振信号进行第二特征提取，以得到多个谱差异熵；结果获取单元2054，用于根据多个谱差异熵以及优化算法，获取每个声振信号对应的故障结果；构建单元2055，用于根据多个谱差异熵和多个故障结果，构建预设测试模型。
在一实施例中，结果获取单元2054可具体配置为：根据FWA算法，获取最佳聚类中心；根据最佳聚类中心和多个谱差异熵，获取每个声振信号对应的多个隶属度矩阵；根据多个隶属度矩阵，获取最大隶属度；根据最大隶属度，获取每个声振信号对应的故障结果。
在一实施例中，结果获取单元2054可具体配置为：根据最佳聚类中心和多个谱差异熵，获取每个声振信号对应的多个隶属度矩阵；其中，隶属度矩阵的获取方式为：其中，X＝{F1，F2，……，Fn}，Fn为谱差异熵，U为隶属度矩阵，V为最佳聚类中心，Wp为样本权重，Wf为特征权重，uik为第i个样本对第k类的隶属度，/>为第f个样本和第k类中心之间的加权距离，约束条件为/>
在一实施例中，特征提取单元2053可配置为：对处理后的声振信号进行VMD分解，以得到多个分解分量；采用差异敏感因子对多个分解分量进行筛选，以得到多个有效分量；根据多个有效分量，计算得到多个谱差异熵。
在一实施例中，特征提取单元2053可配置为：根据多个有效分量，计算得到多个谱差异熵；其中，每个谱差异熵的计算公式为其中k>0，k与特征向量有关，令k＝1/lnm，m反应断路器状态类型，pi为波形散布在第i个子区域的频数。
图6图示了根据本申请实施例的电子设备的框图。
如图6所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的断路器的故障诊断方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
在该电子设备是单机设备时，该输入装置13可以是通信网络连接器，用于从第一设备和第二设备接收所采集的输入信号。
此外，该输入装置13还可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种断路器的故障诊断方法，其特征在于，包括：
获取待检测断路器的待检测声振信号；其中，所述声振信号包括待检测声音信号和待检测振动信号；
对所述待检测声音信号和所述待检测振动信号进行第一预处理，以得到处理后的待检测声音信号和处理后的待检测振动信号；
对所述处理后的待检测声音信号和处理后的待检测振动信号进行第一特征提取，以得到待检测谱差异熵；
根据所述待检测谱差异熵以及预设测试模型，获取所述待检测断路器的故障结果。
2.根据权利要求1所述的断路器的故障诊断方法，其特征在于，所述对所述待检测声音信号和所述待检测振动信号进行第一预处理，以得到处理后的待检测声音信号和处理后的待检测振动信号包括：
采用谱减法去除所述待检测声音信号中的背景噪声，以得到所述去噪后的待检测声音信号；
对所述去噪后的待检测声音信号进行VMD分解，以得到第一待检测分解分量；
对所述待检测振动信号进行VMD分解，以得到第二待检测分解分量；
分别对所述第一待检测分解分量和所述第二待检测分解分量进行重构，以得到重构后的待检测声音信号和重构后处理后的待检测振动信号；
对所述重构后的待检测声音信号和所述重构后的待检测振动信号进行时标对位，以得到所述处理后的待检测声音信号和所述处理后的待检测振动信号。
3.根据权利要求2所述的断路器的故障诊断方法，其特征在于，所述对所述第一待检测分解分量和所述第二待检测分解分量进行重构，以得到所述处理后重构后的待检测声音信号和所述重构后处理后的待检测振动信号包括：
根据所述第一待检测分解分量与去噪后的待检测声音信号的概率密度之间的Wasserstein距离，确定所述第一待检测分解分量中的有效分量；
根据所述第二待检测分解分量与所述待检测振动信号的概率密度之间的Wasserstein距离，确定所述第二待检测分解分量中的有效分量；
根据所述第一待检测分解分量中的有效分量和所述第二待检测分解分量中的有效分量，获取所述重构后的待检测声音信号和所述重构后的待检测振动信号。
4.根据权利要求2所述的断路器的故障诊断方法，其特征在于，所述对所述重构后的待检测声音信号和所述重构后的待检测振动信号进行时标对位，以得到所述处理后的待检测声音信号和所述处理后的待检测振动信号包括：
对所述重构后的待检测声音信号和所述重构后的待检测振动信号分别进行希尔伯特变换，以得到多个变换后的待检测声振信号；
对每个所述变换后的待检测声振信号进行解析，以得到所述多个变换后的待检测声振信号对应的包络信号；
将每个所述变换后的待检测声振信号对应的包络信号划分为多个连续区间并计算每个连续区间的峭度；
根据所述每个连续区间的峭度和皮尔逊积距相关系数，确定相似度大于预设相似度阈值对应的时刻；
根据所述时刻对所述多个处理后的待检测声振信号进行对位。
5.根据权利要求1所述的断路器的故障诊断方法，其特征在于，所述预设测试模型的建立方法包括：
获取多个断路器的声振信号；
对所述多个声振信号进行第二预处理，以得到多个处理后的声振信号；
对所述多个处理后的声振信号进行第二特征提取，以得到多个谱差异熵；
根据所述多个谱差异熵以及优化算法，获取每个所述声振信号对应的故障结果；
根据所述多个谱差异熵和所述多个故障结果，构建所述预设测试模型。
6.根据权利要求5所述的断路器的故障诊断方法，其特征在于，所述根据所述多个谱差异熵以及优化算法，获取每个所述声振信号对应的故障结果包括：
根据FWA算法，获取最佳聚类中心；
根据所述最佳聚类中心和所述多个谱差异熵，获取每个所述声振信号对应的多个隶属度矩阵；
根据所述多个隶属度矩阵，获取最大隶属度；
根据所述最大隶属度，获取每个所述声振信号对应的故障结果。
7.根据权利要求6所述的断路器的故障诊断方法，其特征在于，所述根据所述最佳聚类中心和所述多个谱差异熵，获取每个所述声振信号对应的多个隶属度矩阵包括：
根据所述最佳聚类中心和所述多个谱差异熵，获取每个所述声振信号对应的多个隶属度矩阵；其中，所述隶属度矩阵的获取方式为：
其中，X＝{F1，F2，……，Fn}，Fn为谱差异熵，U为隶属度矩阵，V为最佳聚类中心，Wp为样本权重，Wf为特征权重，uik为第i个样本对第k类的隶属度，0≤uik≤1,/>为第f个样本和第k类中心之间的加权距离，约束条件为/>
8.根据权利要求5所述的断路器的故障诊断方法，其特征在于，所述对所述多个处理后的声振信号进行第二特征提取，以得到多个谱差异熵包括：
对所述处理后的声振信号进行VMD分解，以得到多个分解分量；
采用差异敏感因子对所述多个分解分量进行筛选，以得到多个有效分量；
根据所述多个有效分量，计算得到所述多个谱差异熵。
9.根据权利要求8所述的断路器的故障诊断方法，其特征在于，所述根据所述多个有效分量，计算得到所述多个谱差异熵包括：
根据所述多个有效分量，计算得到所述多个谱差异熵；其中，每个所述谱差异熵的计算公式为其中k>0，k与特征向量有关，令k＝1/ln m，m反应断路器状态类型，pi为波形散布在第i个子区域的频数。
10.一种断路器的故障诊断装置，其特征在于，包括：
信号获取模块，用于获取待检测断路器的待检测声振信号；其中，所述声振信号包括待检测声音信号和待检测振动信号；
预处理模块，用于对所述待检测声音信号和所述待检测振动信号进行第一预处理，以得到处理后的待检测声音信号和处理后的待检测振动信号；
特征提取模块，用于对所述处理后的待检测声音信号和处理后的待检测振动信号进行第一特征提取，以得到待检测谱差异熵；
结果获取模块，用于根据所述待检测谱差异熵以及预设测试模型，获取所述待检测断路器的故障结果。
CN202310813078.4A 2023-07-04 2023-07-04 一种断路器的故障诊断方法以及装置 Pending CN116933008A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310813078.4A CN116933008A (zh) 2023-07-04 2023-07-04 一种断路器的故障诊断方法以及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310813078.4A CN116933008A (zh) 2023-07-04 2023-07-04 一种断路器的故障诊断方法以及装置

Publications (1)

Publication Number Publication Date
CN116933008A true CN116933008A (zh) 2023-10-24

Family

ID=88388728

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310813078.4A Pending CN116933008A (zh) 2023-07-04 2023-07-04 一种断路器的故障诊断方法以及装置

Country Status (1)

Country Link
CN (1) CN116933008A (zh)

Similar Documents

Publication Publication Date Title
CN112255538B (zh) 一种多特征优化融合的高压断路器故障诊断方法
CN109444728A (zh) 一种基于动态加权混合聚类算法的断路器故障诊断方法
US10540988B2 (en) Method and apparatus for sound event detection robust to frequency change
CN103968933B (zh) 基于模糊域特征的光纤振动信号识别方法
Cao et al. An enhance excavation equipments classification algorithm based on acoustic spectrum dynamic feature
WO2005024788A9 (ja) 信号分離方法、信号分離装置、信号分離プログラム及び記録媒体
CN110491368B (zh) 基于方言背景的语音识别方法、装置、计算机设备和存储介质
CN103761965B (zh) 一种乐器信号的分类方法
WO2022088643A1 (zh) 地埋式变电站的故障诊断方法、装置及电子设备
CN114495950A (zh) 一种基于深度残差收缩网络的语音欺骗检测方法
CN118364271B (zh) 基于声音及图像特征的gis断路器运行状态监测方法及系统
Ma et al. Underdetermined blind source separation based on source number estimation and improved sparse component analysis
Rashmi et al. Robust Speech Processing with Fuzzy Logic-Driven Anti-Spoofing Techniques
CN113252323B (zh) 一种基于人耳听觉特性的断路器机械故障识别方法及系统
CN114582325A (zh) 音频检测方法、装置、计算机设备、存储介质
Li et al. Animal sound recognition based on double feature of spectrogram in real environment
Liu et al. A new classification method of infrasound events using Hilbert‐Huang transform and support vector machine
CN110275896B (zh) 光缆入侵施工事件识别方法、装置、设备及可读存储介质
CN112418173A (zh) 异常声音识别方法、装置及电子设备
CN116933008A (zh) 一种断路器的故障诊断方法以及装置
CN114528875A (zh) 发电机定子槽楔松紧度检测方法、设备和存储介质
CN114462127A (zh) 基于深度极限学习机的结构损伤识别方法及系统
Xie et al. Acoustic scene classification using deep cnns with time-frequency representations
Wang et al. Fault diagnosis method of high voltage circuit breaker based on the combination of time-frequency multi-characteristics of acoustic signal
Tan et al. Artificial speech detection using image-based features and random forest classifier

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