CN117235465A - 一种基于图神经网络录波分析的变压器故障类型诊断方法 - Google Patents
一种基于图神经网络录波分析的变压器故障类型诊断方法 Download PDFInfo
- Publication number
- CN117235465A CN117235465A CN202311518465.1A CN202311518465A CN117235465A CN 117235465 A CN117235465 A CN 117235465A CN 202311518465 A CN202311518465 A CN 202311518465A CN 117235465 A CN117235465 A CN 117235465A
- Authority
- CN
- China
- Prior art keywords
- neural network
- time sequence
- graph
- transformer
- fault type
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 32
- 238000003745 diagnosis Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004458 analytical method Methods 0.000 title claims abstract description 18
- 238000013145 classification model Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000005070 sampling Methods 0.000 claims description 17
- 238000005096 rolling process Methods 0.000 claims description 15
- 230000035772 mutation Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000283153 Cetacea Species 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009257 reactivity Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于变压器故障诊断技术领域，公开了一种基于图神经网络录波分析的变压器故障类型诊断方法，收集不同类型故障下变压器的时序信号数据作为训练样本；根据突变量启动元件原理确定故障起始时刻，并对时序信号数据进行预处理；利用马氏距离计算各时序信号之间的特征关系，构建图结构；利用所得图结构训练图神经网络分类模型；针对要诊断的变压器，获取时序信号数据并处理，将处理后的数据输入到图神经网络分类模型中，得到故障类型诊断结果。本发明可以较好的保证变压器故障诊断的稳定性和准确性。
Description
技术领域
本发明涉及电力数据分析，具体涉及一种基于图神经网络录波分析的变压器故障类型诊断方法。
背景技术
电力变压器是电力系统中结构较为复杂的一类设备，涉及变压器的故障防范和诊断也是多方面的。现有变压器故障诊断技术主要基于电力变压器现场试验、解体检查开展，然而对于部分非典型故障诊断性试验反应性不强。故障录波是电力设备状态的重要见证，可以记录下故障发生前、发生时、发生后的波形和数据，可以一定程度反应变压器故障前后设备状态变化。因此，对录波文件开展分析，诊断变压器的故障位置和故障类型，对电网和电力变压器故障分析及防范都具有重要意义。
申请号为202310766114.6的中国发明专利“一种变压器故障诊断方法、装置、介质”通过获取待测变压器的故障数据；利用故障诊断模型对所述故障数据进行处理,以获取分类结果；其中,所述故障诊断模型为利用差分进化算法对核函数进行优化后的支持向量机模型；根据所述分类结果确定所述待测变压器的故障类型。申请号为202310708487.8的中国发明专利“一种基于深度学习的电力变压器故障诊断方法”通过获取电力变压器的历史故障数据集，使用改进鲸鱼优化算法,优化深度学习的DBN网络的网络参数,得到预处理后实时故障数据；将预处理后实时故障数据输入变压器故障诊断模型进行故障诊断,得到对应的故障类型预测结果。
由此可见，现有技术存在变压器故障诊断往往基于监测数据建立的人工神经网络故障诊断模型，数据处理方式单一，同时数据来源主要依赖监测装置采集信息，稳定性较差，导致最终的准确性达不到要求。
发明内容
为了解决现有技术存在的结构简单，数据处理方式单一，稳定性较差的特性，本发明提供了一种基于图神经网络录波分析的变压器故障类型诊断方法。
本发明采用的技术方案是：一种基于图神经网络录波分析的变压器故障类型诊断方法，步骤如下：
步骤一、收集不同类型故障下变压器的时序信号数据作为训练样本；
步骤二、根据突变量启动元件原理确定故障起始时刻，并对时序信号数据进行预处理；
步骤三、利用马氏距离计算各时序信号之间的特征关系，构建图结构；
步骤四、利用所得图结构训练图神经网络分类模型；
步骤五、针对要诊断的变压器，获取时序信号数据，并按照步骤二、三对数据进行处理；
步骤六、将处理后的数据输入到图神经网络分类模型中，得到故障类型诊断结果。
进一步优选，步骤一中，时序信号数据包括主变高、中、低压侧三相及零序电流、电压信号。
进一步优选，步骤二中，确定故障起始时刻的具体方法为：
步骤S1：获取高压侧三相电流采样值，其中k表示相别，t为采样时刻序号, />表示第k相t时刻的电流采样值，N为一个周期的采样点数；
步骤S2：利用全周傅式算法计算各相首个周期的基频相量；
步骤S3：根据三相电流首个周期的基频相量计算突变量启动判据整定值,其公式为：
；
其中，为突变量启动判据整定值，d为突变量启动系数，/>为A相首个周期的基频相量，/>为B相首个周期的基频相量，/>为C相首个周期的基频相量；
步骤S4：从第二个周期开始，逐点计算每一相的电流采样值与其首个周期对应点处的电流采样值之差，若其绝对值大于突变量启动判据整定值，则认为该时刻为故障起始时刻,记为。
进一步优选，步骤二中，时序信号数据的预处理操作包括：
截取：对于每一维时序信号，从故障前一周期开始，截取四个周期的信号数据，即，其中M表示时序信号的个数，/>为t时刻第m个时序信号，/>为故障起始时刻。
归一化：对每一维信号数据，进行最大最小归一化。
进一步优选，步骤三中，两个时序信号之间的特征关系通过马氏距离计算，其公式为：
；
其中，，/>为第m个归一化后的时序信号的向量表示，/>表示协方差矩阵的逆，T表示转置；/>表示/>时刻的第m个时序信号的归一化值，/>表示/>时刻的第m个时序信号的归一化值，/>表示时刻的第m个时序信号的归一化值；/>,/>为第n个归一化后的时序信号的向量表示，/>表示/>时刻的第n个时序信号的归一化值, />表示/>时刻的第m个时序信号的归一化值, />表示/>时刻的第m个时序信号的归一化值。
进一步优选，步骤三中，图结构中的每个节点为每一维时序信号，其特征向量为步骤二中预处理后的时序信号数据，节点之间的边为时序信号之间的特征关系，当两个时序信号之间的马氏距离小于阈值时，则认为这两个时序信号之间存在关系，即这两个节点之间有连接。图结构的数学矩阵表示为/>，其中/>为节点集合，/>为边集合，/>为邻接矩阵，用于描述节点之间的连接关系。
图结构的构造步骤如下：节点i、j之间的拟合率表示为fij=xj Txi，xj为节点j的特征，xi为节点i的特征，T表示转置，得到节点拟合矩阵F=｛fij｝。将输入数据矩阵X中的样本映射至图节点，并利用K邻近算法将X转换为双边无向图结构，筛选出图结构中目标节点对应的按拟合程度从高到低排名的前 K 个节点并作为其邻居节点，形成映射关系，通过映射关系构造出K 近邻图，由图中节点间的连接关系反演到其邻接矩阵，并得到图结构的数学矩阵表示。
进一步优选，步骤四中，图神经网络分类模型包括输入层、图卷积模块和输出层，输入层为所述图结构的节点特征矩阵和邻接矩阵，图卷积模块由图卷积层、激活层、池化层、图卷积模块输出层、全连接层组成，图卷积模块输出层为一个用于分类的softmax层。图神经网络分类模型训练过程采用交叉熵作为损失函数，Adam算法作为优化算法。
本发明根据突变量启动元件原理确定故障起始时刻，并对时序信号数据进行预处理；利用马氏距离计算各时序信号之间的特征关系，构建图结构；利用所得图结构训练图神经网络分类模型，可以较好的保证变压器故障诊断的稳定性和准确性。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图进一步详细阐述本发明。
参照图1，一种基于图神经网络录波分析的变压器故障类型诊断方法，其特征是，步骤如下：
步骤一、收集不同类型故障下变压器的时序信号数据作为训练样本；时序信号数据包括主变高、中、低压侧三相及零序电流、电压信号。
步骤二、根据突变量启动元件原理确定故障起始时刻，并对时序信号数据进行预处理；
步骤三、利用马氏距离计算各时序信号之间的特征关系，构建图结构；图结构中的每个节点为每一维时序信号，其特征向量为步骤二中预处理后的时序信号数据，节点之间的边为时序信号之间的特征关系，当两个时序信号之间的马氏距离小于阈值时，则认为这两个时序信号之间存在关系，即这两个节点之间有连接。图结构的数学矩阵表示为，其中/>为节点集合，/>为边集合，/>为邻接矩阵，用于描述节点之间的连接关系。
步骤四、利用所得图结构训练图神经网络分类模型；
步骤五、针对要诊断的变压器，获取时序信号数据，并按照步骤二、步骤三对数据进行处理；
步骤六、将处理后的数据输入到图神经网络分类模型中，得到故障类型诊断结果。
步骤一中，时序信号数据包括主变高、中、低压侧三相及零序电流、电压信号。
本实施例步骤二中，确定故障起始时刻的具体方法为：
步骤S1：获取高压侧三相电流采样值，其中k表示相别，t为采样时刻序号, />表示第k相t时刻的电流采样值，N为一个周期的采样点数；
步骤S2：利用全周傅式算法计算各相首个周期的基频相量，其公式为：
；
其中，为第k相首个周期的基频相量，j为虚数单位；
步骤S3：根据三相电流首个周期的基频相量计算突变量启动判据整定值,其公式为：
；
其中，为突变量启动判据整定值，d为突变量启动系数，/>为A相首个周期的基频相量，/>为B相首个周期的基频相量，/>为C相首个周期的基频相量；
步骤S4：从第二个周期开始，逐点计算每一相的电流采样值与其首个周期对应点处的电流采样值之差，若其绝对值大于突变量启动判据整定值，则认为该时刻为故障起始时刻,记为，该判据的数学表示为：
；
其中，为取余符号。该方法要求时序信号数据的第一个周期为正常状态下的
采样值。
本实施例步骤二中，时序信号数据的预处理操作包括：
截取：对于每一维时序信号，从故障前一周期开始，截取四个周期的信号数据，即，其中M表示时序信号的个数，/>为t时刻第m个时序信号，/>为故障起始时刻。
归一化：对每一维信号数据，进行最大最小归一化，其公式为：
；
其中，为/>的归一化值。
本实施例步骤三中，两个时序信号之间的特征关系通过马氏距离计算，其公式为：
；
其中，，/>为第m个归一化后的时序信号的向量表示，/>表示协方差矩阵的逆，T表示转置；/>表示/>时刻的第m个时序信号的归一化值，/>表示/>时刻的第m个时序信号的归一化值，/>表示时刻的第m个时序信号的归一化值；/>,/>为第n个归一化后的时序信号的向量表示，/>表示/>时刻的第n个时序信号的归一化值, />表示/>时刻的第m个时序信号的归一化值, />表示/>时刻的第m个时序信号的归一化值。
本实施例中，图结构的构造步骤如下：节点i、j之间的拟合率表示为fij=xj Txi，xj为节点j的特征，xi为节点i的特征，T表示转置，得到节点拟合矩阵F=｛fij｝。将输入数据矩阵X中的样本映射至图节点，并利用K邻近算法将X转换为双边无向图结构，筛选出图结构中目标节点对应的按拟合程度从高到低排名的前 K 个节点并作为其邻居节点，形成映射关系，通过映射关系构造出K 近邻图，由图中节点间的连接关系反演到其邻接矩阵，并得到图结构的数学矩阵表示。
本实施例，步骤四中，图神经网络分类模型包括输入层、图卷积模块和输出层，输入层为所述图结构的节点特征矩阵和邻接矩阵，图卷积模块由图卷积层、激活层、池化层、图卷积模块输出层、全连接层组成，图卷积模块输出层为一个用于分类的softmax层。图神经网络分类模型训练过程采用交叉熵作为损失函数，Adam算法作为优化算法。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于图神经网络录波分析的变压器故障类型诊断方法，其特征在于，步骤如下：
步骤一、收集不同类型故障下变压器的时序信号数据作为训练样本；
步骤二、根据突变量启动元件原理确定故障起始时刻，并对时序信号数据进行预处理；
步骤三、利用马氏距离计算各时序信号之间的特征关系，构建图结构；图结构中的每个节点为每一维时序信号，其特征向量为步骤二中预处理后的时序信号数据，节点之间的边为时序信号之间的特征关系，当两个时序信号之间的马氏距离小于阈值时，则认为这两个时序信号之间存在关系，即这两个节点之间有连接；
步骤四、利用所得图结构训练图神经网络分类模型；
步骤五、针对要诊断的变压器，获取时序信号数据，并按照步骤二、三对数据进行处理；
步骤六、将处理后的数据输入到图神经网络分类模型中，得到故障类型诊断结果。
2.根据权利要求1所述的基于图神经网络录波分析的变压器故障类型诊断方法，其特征在于，步骤一中，时序信号数据包括主变高、中、低压侧三相及零序电流、电压信号。
3.根据权利要求1所述的基于图神经网络录波分析的变压器故障类型诊断方法，其特征在于，步骤二中，确定故障起始时刻的具体方法为：
步骤S1：获取高压侧三相电流采样值，其中k表示相别，t为采样时刻序号, />表示第k相t时刻的电流采样值，N为一个周期的采样点数；
步骤S2：利用全周傅式算法计算各相首个周期的基频相量；
步骤S3：根据三相电流首个周期的基频相量计算突变量启动判据整定值,其公式为：
；
其中，为突变量启动判据整定值，d为突变量启动系数，/>为A相首个周期的基频相量，/>为B相首个周期的基频相量，/>为C相首个周期的基频相量；
步骤S4：从第二个周期开始，逐点计算每一相的电流采样值与其首个周期对应点处的电流采样值之差，若其绝对值大于突变量启动判据整定值，则认为该时刻为故障起始时刻,记为。
4.根据权利要求3所述的基于图神经网络录波分析的变压器故障类型诊断方法，其特征在于，步骤二中，时序信号数据的预处理操作包括：
截取：对于每一维时序信号，从故障前一周期开始，截取四个周期的信号数据，即，其中M表示时序信号的个数，/>为t时刻第m个时序信号；
归一化：对每一维信号数据，进行最大最小归一化。
5.根据权利要求4所述的基于图神经网络录波分析的变压器故障类型诊断方法，其特征在于，步骤三中，两个时序信号之间的特征关系通过马氏距离计算，其公式为：
；
其中，，/>为第m个归一化后的时序信号的向量表示，/>表示协方差矩阵的逆，T表示转置；/>表示/>时刻的第m个时序信号的归一化值，/>表示/>时刻的第m个时序信号的归一化值，/>表示/>时刻的第m个时序信号的归一化值；/>,/>为第n个归一化后的时序信号的向量表示，/>表示/>时刻的第n个时序信号的归一化值, />表示时刻的第m个时序信号的归一化值, />表示/>时刻的第m个时序信号的归一化值。
6.根据权利要求1所述的基于图神经网络录波分析的变压器故障类型诊断方法，其特征在于，步骤三中，图结构的数学矩阵表示为，其中/>为节点集合，/>为边集合，为邻接矩阵，用于描述节点之间的连接关系。
7.根据权利要求6所述的基于图神经网络录波分析的变压器故障类型诊断方法，其特征在于，图结构的构造步骤如下：节点i、j之间的拟合率表示为fij=xj Txi，xj为节点j的特征，xi为节点i的特征，T表示转置，得到节点拟合矩阵F=｛fij｝；将输入数据矩阵X中的样本映射至图节点，并利用K邻近算法将X转换为双边无向图结构，筛选出图结构中目标节点对应的按拟合程度从高到低排名的前 K 个节点并作为其邻居节点，形成映射关系，通过映射关系构造出K 近邻图，由图中节点间的连接关系反演到其邻接矩阵，并得到图结构的数学矩阵表示。
8.根据权利要求1所述的基于图神经网络录波分析的变压器故障类型诊断方法，其特征在于，步骤四中，图神经网络分类模型包括输入层、图卷积模块和输出层，输入层为所述图结构的节点特征矩阵和邻接矩阵，图卷积模块由图卷积层、激活层、池化层、图卷积模块输出层、全连接层组成，图卷积模块输出层为一个用于分类的softmax层。
9.根据权利要求8所述的基于图神经网络录波分析的变压器故障类型诊断方法，其特征在于，图神经网络分类模型训练过程采用交叉熵作为损失函数，Adam算法作为优化算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311518465.1A CN117235465B (zh) | 2023-11-15 | 2023-11-15 | 一种基于图神经网络录波分析的变压器故障类型诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311518465.1A CN117235465B (zh) | 2023-11-15 | 2023-11-15 | 一种基于图神经网络录波分析的变压器故障类型诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117235465A true CN117235465A (zh) | 2023-12-15 |
| CN117235465B CN117235465B (zh) | 2024-03-12 |
Family
ID=89096989
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311518465.1A Active CN117235465B (zh) | 2023-11-15 | 2023-11-15 | 一种基于图神经网络录波分析的变压器故障类型诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117235465B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101551440A (zh) * | 2009-05-15 | 2009-10-07 | 东北大学 | 一种发电机变压器组故障录波分析装置 |
| JP7004364B1 (ja) * | 2020-12-31 | 2022-01-21 | ▲広▼州大学 | グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 |
| CN115291091A (zh) * | 2022-08-17 | 2022-11-04 | 哈尔滨工业大学 | 一种基于图神经网络的模拟电路故障诊断方法 |
| CN115456013A (zh) * | 2022-08-25 | 2022-12-09 | 华能(浙江)能源开发有限公司清洁能源分公司 | 基于运行数据的风电机组变流器功率模块故障诊断方法 |
| CN115470846A (zh) * | 2022-09-07 | 2022-12-13 | 国网福建省电力有限公司光泽县供电公司 | 一种基于图神经网络的变压器故障在线诊断方法 |
| WO2023065545A1 (zh) * | 2021-10-19 | 2023-04-27 | 平安科技（深圳）有限公司 | 风险预测方法、装置、设备及存储介质 |
| CN116562114A (zh) * | 2023-04-25 | 2023-08-08 | 国网浙江省电力有限公司金华供电公司 | 一种基于图卷积神经网络的电力变压器故障诊断方法 |
| CN117034179A (zh) * | 2023-10-10 | 2023-11-10 | 国网山东省电力公司营销服务中心(计量中心) | 基于图神经网络的异常电量识别及溯源方法及系统 |
-
2023
- 2023-11-15 CN CN202311518465.1A patent/CN117235465B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101551440A (zh) * | 2009-05-15 | 2009-10-07 | 东北大学 | 一种发电机变压器组故障录波分析装置 |
| JP7004364B1 (ja) * | 2020-12-31 | 2022-01-21 | ▲広▼州大学 | グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 |
| WO2023065545A1 (zh) * | 2021-10-19 | 2023-04-27 | 平安科技（深圳）有限公司 | 风险预测方法、装置、设备及存储介质 |
| CN115291091A (zh) * | 2022-08-17 | 2022-11-04 | 哈尔滨工业大学 | 一种基于图神经网络的模拟电路故障诊断方法 |
| CN115456013A (zh) * | 2022-08-25 | 2022-12-09 | 华能(浙江)能源开发有限公司清洁能源分公司 | 基于运行数据的风电机组变流器功率模块故障诊断方法 |
| CN115470846A (zh) * | 2022-09-07 | 2022-12-13 | 国网福建省电力有限公司光泽县供电公司 | 一种基于图神经网络的变压器故障在线诊断方法 |
| CN116562114A (zh) * | 2023-04-25 | 2023-08-08 | 国网浙江省电力有限公司金华供电公司 | 一种基于图卷积神经网络的电力变压器故障诊断方法 |
| CN117034179A (zh) * | 2023-10-10 | 2023-11-10 | 国网山东省电力公司营销服务中心(计量中心) | 基于图神经网络的异常电量识别及溯源方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| WENLONG LIAO等: "Fault diagnosis of power transformers using graph convolutional network", CSEE JOURNAL OF POWER AND ENERGY SYSTEMS, vol. 7, no. 2, pages 241 * |
| 刘华等: "基于图卷积神经网络的电力变压器故障诊断", 湖南科技大学学报(自然科学版), vol. 36, no. 3, pages 2 * |
| 姚海妮;王珍;邱立鹏;陈建国;杨铎;: "EMD马氏距离与SOM神经网络在故障诊断中的应用研究", 噪声与振动控制, no. 01 * |
| 江卫良, 张哲, 揭萍, 杨军: "发变组监录与分析系统的开发", 电力自动化设备, no. 04 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117235465B (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106443316B (zh) | 一种电力变压器绕组形变状态多信息检测方法及装置 | |
| CN111914883B (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 | |
| CN110792563A (zh) | 基于卷积生成对抗网络的风电机组叶片故障音频监测方法 | |
| Wang et al. | Few-shot transfer learning with attention mechanism for high-voltage circuit breaker fault diagnosis | |
| CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
| CN111722145A (zh) | 一种同步电机励磁绕组匝间短路轻度故障诊断方法 | |
| CN112016473A (zh) | 基于半监督学习和注意力机制的配电网高阻接地故障诊断方法 | |
| US20230163713A1 (en) | Motor driving system converter fault diagnosis method based on adaptive sparse filtering | |
| CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
| CN114462446A (zh) | 基于振动信号的滚动轴承故障诊断方法及电子设备 | |
| CN115876473A (zh) | 基于PWVD和DenseNet的轴承故障诊断方法 | |
| CN117009814A (zh) | 一种基于多源信息融合的发动机故障诊断方法及系统 | |
| CN111190072A (zh) | 集抄系统诊断模型建立方法、故障诊断方法及装置 | |
| CN113158781B (zh) | 一种雷击跳闸类型识别方法 | |
| CN114487643A (zh) | 一种特高压gil设备现场交接验收综合测试平台 | |
| CN117235465B (zh) | 一种基于图神经网络录波分析的变压器故障类型诊断方法 | |
| CN117607598A (zh) | 一种基于声纹特征的变压器故障检测方法及系统 | |
| Wang et al. | CNN based mechanical fault diagnosis of high voltage circuit breaker using sound and current signal | |
| CN117520772A (zh) | 一种特高压电抗器局部放电故障识别方法 | |
| CN113156278A (zh) | 一种基于cnn网络的gis局部放电定位方法 | |
| CN116524273A (zh) | 一种发电站尾水管检测方法、装置、设备及存储介质 | |
| CN115130516A (zh) | 一种基于图谱功率谱熵的gis设备状态辨识方法及装置 | |
| CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
| CN115880472A (zh) | 一种电力红外图像数据智能诊断分析系统 | |
| CN115456013A (zh) | 基于运行数据的风电机组变流器功率模块故障诊断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |