CN117269742A - 一种高海拔环境下断路器健康状态评估方法、装置及介质 - Google Patents
一种高海拔环境下断路器健康状态评估方法、装置及介质 Download PDFInfo
- Publication number
- CN117269742A CN117269742A CN202311089030.XA CN202311089030A CN117269742A CN 117269742 A CN117269742 A CN 117269742A CN 202311089030 A CN202311089030 A CN 202311089030A CN 117269742 A CN117269742 A CN 117269742A
- Authority
- CN
- China
- Prior art keywords
- parameter data
- data set
- determining
- time period
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000036541 health Effects 0.000 title claims abstract description 65
- 238000003745 diagnosis Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000013524 data verification Methods 0.000 claims abstract description 19
- 238000012795 verification Methods 0.000 claims abstract description 19
- 238000013499 data model Methods 0.000 claims abstract description 13
- 230000008439 repair process Effects 0.000 claims abstract description 10
- 230000007613 environmental effect Effects 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 27
- 230000003862 health status Effects 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000002068 genetic effect Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 4
- 239000011449 brick Substances 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 9
- 230000005856 abnormality Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种高海拔环境下断路器健康状态评估方法、装置及介质。其中,方法包括:采集高海拔地区断路器设备的预定时间段内的参数数据集,其中参数数据集包括环境参数数据以及断路器运行数据;利用GART数据校验模型对参数数据集进行校验修复处理,获取标准参数数据集;利用预先构建的数据模型对标准参数数据集进行分析,并进行规律提取,确定预定时间段内每个时间周期的标准参数数据集的规律信息;根据规则信息以及标准参数数据集,确定断路器设备每个时间周期的设备健康状态;根据预定时间段内每个时间周期的设备健康状态,确定断路器设备的故障诊断结果。
Description
技术领域
本发明涉及断路器健康状态评估技术领域,并且更具体地,涉及一种高海拔环境下断路器健康状态评估方法、装置及介质。
背景技术
断路器是电力系统中重要的设备,用于在正常或异常条件下连接、载入或切断电路。断路器健康状态评估是指对断路器的运行状态、内部元件的健康状况等进行综合评估,以预测其未来运行性能和剩余寿命,在高海拔环境下,由于空气稀薄,温度、湿度等环境因素与平地有较大差异,对断路器的性能会产生影响,因此,基于高海拔环境下的断路器健康状态评估,不仅需要对断路器的工作状态、运行数据进行综合评估,还需要特别考虑高海拔环境对断路器的影响。因此现有技术中存在对断路器进行健康状态评估时数据处理效率较低以及评估的准确性较差的技术问题。
发明内容
针对现有技术的不足,本发明提供一种高海拔环境下断路器健康状态评估方法、装置及介质。
根据本发明的一个方面,提供了一种高海拔环境下断路器健康状态评估方法,包括:
采集高海拔地区断路器设备的预定时间段内的参数数据集,其中参数数据集包括环境参数数据以及断路器运行数据;
利用GART数据校验模型对参数数据集进行校验修复处理,获取标准参数数据集;
利用预先构建的数据模型对标准参数数据集进行分析,并进行规律提取,确定预定时间段内每个时间周期的标准参数数据集的规律信息;
根据规则信息以及标准参数数据集,确定断路器设备每个时间周期的设备健康状态;
根据预定时间段内每个时间周期的设备健康状态,确定断路器设备的故障诊断结果。
可选地,还包括:
利用K-近邻插补对参数数据集进行缺失值处理;
利用箱线图识别和剔除参数数据集中的离群值;
利用滤波法对参数数据集进行去噪处理。
可选地,利用GART数据校验模型对参数数据集进行校验修复处理,获取标准参数数据集,包括:
利用GATR数据校验模型中的用卷积神经网络对标准参数数据集中的数据子集进行特征提取,获得特征向量集;
利用GATR数据校验模型中的利用度中心性度量来识别出特征向量集的中心节点和边缘节点,在中心节点上训练深度自编码器,得到重构误差;
利用GATR数据校验模型中的利用ARIMA模型对特征向量集的中心节点的时间序列数据进行建模,得到预测误差;
根据重构误差和预测误差,确定每个数据子集的检验分数;
根据检验分数确定数据子集是否异常,并对异常的数据子集进行修复,确定校验后的环境参数数据和断路器运行数据。
可选地,根据重构误差和预测误差,确定每个数据子集的检验分数的计算公式为:
式中,表示节点i的重构误差;/>表示节点i的预测误差;w1、w2分别表示重构误差和预测误差的权重。
可选地,数据模型为GTU-Net模型,利用预先构建的数据模型对标准参数数据集进行分析,并进行规律提取,确定标准参数数据集的规律信息,包括:
利用GTU-Net模型中的编码部分对标准参数数据集中的标准断路器运行数据进行特征提取,确定断路器运行数据特征向量;
利用GTU-Net模型中的图神经网络对标砖参数数据集中的标准环境参数数据进行特征提取,确定环境参数数据特征向量;
在GTU-Net模型的捕捉层,根据断路器运行数据特征向述利用自注意力机制,输出断路器设备数据特征件的依赖特征;
在GTU-Net模型的融合层,将依赖特征和环境参数数据特征进行融合,确定标准参数数据集的融合特征;
通过递归法分析融合特征和断路器设备性能之间的关系,确定规律信息。
可选地,根据规则信息以及标准参数数据集,确定断路器设备的设备健康状态,包括:
将规则信息输入至深度信念网络中,输出深层特征;
根据深层特征以及标准参数数据集,利用支持向量机模型进行健康状态预测,确定初始设备健康状态;
利用粒子滤波方法对初始设备健康状态进行校验和更新,确定设备健康状态。
可选地,根据预定时间段内每个时间周期的设备健康状态,确定断路器设备的故障诊断结果,包括:
利用孤立森林学习每个时间周期的设备健康状态,确定每个时间周期的异常分数;
将预定时间段内的异常分数组成的异常分数序列输入至隐马尔科夫模型,输出故障诊断结果,其中故障诊断结果为预定时间段内的故障状态序列。
可选地,还包括:
利用多目标遗传算法生成预警规则,并设定多个目标;
将故障状态序列以及参数数据集作为多目标遗传算法的输入,输出最优的预警规则。
根据本发明的另一个方面,提供了一种高海拔环境下断路器健康状态评估装置,包括:
采集模块,用于采集高海拔地区断路器设备的预定时间段内的参数数据集,其中参数数据集包括环境参数数据以及断路器运行数据;
校验模块,用于利用GART数据校验模型对参数数据集进行校验修复处理,获取标准参数数据集;
提取模块,用于利用预先构建的数据模型对标准参数数据集进行分析,并进行规律提取,确定预定时间段内每个时间周期的标准参数数据集的规律信息;
第一确定模块,用于根据规则信息以及标准参数数据集,确定断路器设备每个时间周期的设备健康状态;
第二确定模块,用于根据预定时间段内每个时间周期的设备健康状态,确定断路器设备的故障诊断结果。
根据本发明的又一个方面,提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行本发明上述任一方面所述的方法。
根据本发明的又一个方面,提供了一种电子设备,所述电子设备包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现本发明上述任一方面所述的方法。
从而,本申请提供一种高海拔环境下断路器健康状态评估方法,通过构建GATR数据校验模型,结合卷积神经网络进行特征提取,使用度中心性度量中心节点,训练深度自编码器进行重构误差计算,以及ARIMA模型进行预测误差计算,可以更准确地检测出异常,以得到更准确的数据;通过对校验后的数据进行深度分析,不仅可以量化环境参数和设备性能的关联性,而且还可以揭示出隐藏的影响规则,这对于理解和解释设备性能的变化具有重要的意义,为设备状态的评估提供数据依据;通过构建设备健康状态评估模型对断路器设备的健康状态进行评估,可以更有效地识别和学习数据中的复杂模式,从而提高设备健康状态的评估精度,根据预定时间段内每个时间周期的设备健康状态,确定断路器设备的故障诊断结果,实现高效的对断路器健康状态进行评估。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1是本发明一示例性实施例提供的高海拔环境下断路器健康状态评估方法的流程示意图;
图2是本发明一示例性实施例提供的高海拔环境下断路器健康状态评估装置的结构示意图;
图3是本发明一示例性实施例提供的电子设备的结构。
具体实施方式
下面,将参考附图详细地描述根据本发明的示例实施例。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。
应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
本领域技术人员可以理解,本发明实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等,既不代表任何特定技术含义,也不表示它们之间的必然逻辑顺序。
还应理解,在本发明实施例中,“多个”可以指两个或两个以上,“至少一个”可以指一个、两个或两个以上。
还应理解,对于本发明实施例中提及的任一部件、数据或结构,在没有明确限定或者在前后文给出相反启示的情况下,一般可以理解为一个或多个。
另外,本发明中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本发明中字符“/”,一般表示前后关联对象是一种“或”的关系。
还应理解,本发明对各个实施例的描述着重强调各个实施例之间的不同之处,其相同或相似之处可以相互参考,为了简洁,不再一一赘述。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,技术、方法和设备应当被视为说明书的一部分。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本发明实施例可以应用于终端设备、计算机系统、服务器等电子设备,其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境,等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
示例性方法
图1是本发明一示例性实施例提供的高海拔环境下断路器健康状态评估方法的流程示意图。本实施例可应用在电子设备上,如图1所示,高海拔环境下断路器健康状态评估方法100包括以下步骤:
步骤101,采集高海拔地区断路器设备的预定时间段内的参数数据集,其中参数数据集包括环境参数数据以及断路器运行数据;
步骤102,利用GART数据校验模型对参数数据集进行校验修复处理,获取标准参数数据集;
步骤103,利用预先构建的数据模型对标准参数数据集进行分析,并进行规律提取,确定预定时间段内每个时间周期的标准参数数据集的规律信息;
步骤104,根据规则信息以及标准参数数据集,确定断路器设备每个时间周期的设备健康状态;
步骤105,根据预定时间段内每个时间周期的设备健康状态,确定断路器设备的故障诊断结果。
具体地,本申请提出的基于高海拔环境下断路器健康状态评估方法包括以下步骤:
S1.通过对高海拔环境参数以及断路器设备进行数据采集,然后进行数据清洗和预处理,实现数据过滤,并对过滤后的数据进行校验处理,确保数据的准确性和一致性;
在高海拔环境下,运用各类传感器对断路器进行数据采集,同时,环境参数也会被同步采集,获得断路器设备运行和环境状态数据的原始数据集合,X=X1,X2,X1,X2分别表示断路器设备运行数据集合,环境状态数据集合,且其中都包含各种设备和各种环境状态的数据子集;针对所述原始数据进行数据过滤,具体有,利用K-近邻插补进行缺失值处理,利用箱线图(boxplot)来识别和剔除离群值,利用滤波法进行去噪处理,得到较高质量的数据信息;进一步对过滤后的数据进行校验处理,构建GATR数据校验模型对过滤后的数据进行校验,具体有:
将每个过滤数据子集视为一个节点,利用卷积神经网络对各种设备和各种环境状态的数据子集进行特征提取,获得特征向量集,如果两个子集的特征向量在某种度量(如欧几里得距离或余弦相似性)下足够相似,则将它们连接起来,形成一个边。如,可以定义节点i和j之间的边的权重为它们的相似度sij,即
其中xi和xj表示代表节点i和j的特征向量,·表示向量点乘,即对应元素相乘后求和,∣∣*∣∣表示特征向量的范数;
进一步,将上述特征向量集看作图数据,采用度中心性度量进行图数据(特征向量集)分析,″中心节点″指的是拥有较高度中心性的节点,也就是连接其他节点的边数较多的节点;″边缘节点″则指的是连接其他节点较少的节点,即邻居数量较少的节点。中心节点和边缘节点均为特征向量集中的元素。利用度中心性度量来识别出中心节点和边缘节点,所述度中心性是一个简单的度量,它度量的是一个节点的邻居数量;中心节点就是邻居数量最多的节点,对于一个节点v,其度中心性可以用以下公式表示:
CD(v)=degree(v)/max(degree(u))
其中u表示图中的所有节点,degree(v)表示节点v的度;
进一步,在中心节点上训练深度自编码器,所述自编码器由一个编码函数E和一个解码函数D组成,编码函数将输入数据映射到一个隐藏表示,解码函数尝试从隐藏表示恢复原始数据。这两个函数的参数通过最小化重构误差来学习,所述重构误差:
其中,n表示中心节点的数量,xi表示节点i的特征向量,D(E(xi))表示数据的重构,然后计算所有节点(包括中心节点和边缘节点)的重构误差,重构误差计算如下:
用于检测可能的异常;
进一步,利用基于时间预测模型对中心节点的时间序列数据进行建模,所述预测模型:
其中,Xt表示针对过滤后数据集合在时间t的观测值,α表示常数项,由经验法获取,提高预测模型的准确度,φi和θi表示模型参数,通过学习数据得到,et-i表示过去时间步t-i出的预测误差项,et表示当前时间步t的误差项,默认为随机噪声;
将这个模型应用于所有节点的时间序列数据,并计算预测误差,所述预测误差计算公式如下:
其中,表示真实的观测值;
进一步,基于上述重构误差和预测误差,生成一个综合的校验分数:
表示节点i的重构误差,这是在深度自编码器训练过程中计算出的,表示数据的原始表达和通过自编码器恢复的表达之间的差异;
表示节点i的预测误差,这是在预测模型预测过程中计算出的,表示模型预测值和实际观测值之间的差异;
w1、w2表示两种误差的权重,用于调节两种误差的相对重要性;
根据校验分数识别异常:如果节点的校验分数超过某个阈值,则将其标记为异常。这个阈值通常是根据经验或者统计方法设定(如,使用历史数据计算出的平均值加减三倍标准差);如果一个节点的校验分数超过了这个阈值,那么认为这个节点可能存在异常,然后采用更换损坏的设备,修复软件错误或者调整设备的工作参数进行修复,最终得到校验后的数据集合。
本申请通过构建GATR数据校验模型,结合卷积神经网络进行特征提取,使用度中心性度量中心节点,训练深度自编码器进行重构误差计算,以及预测模型进行预测误差计算,可以更准确地检测出异常,以得到更准确的数据。
S2.构建数据模型,对校验后的数据进行深度分析,发现数据中隐含的信息和结构,并从这些分析结果中提取出有实用价值的规律;
构建GTU-Net模型对校验后的数据进行深度分析,并进行规律提取,具体实现过程:
利用U-Net的编码部分对校验后的断路器设备数据进行特征提取,通过一个卷积层进行初步的特征提取,得到特征张量Fconv:
其中,Wconv和bconv表示卷积层的参数,*表示卷积操作,Relu表示激活函数,可以将负值置为0,保留并强化了正值特征。得到的Fconv是初步的特征图;
在环境数据特征提取层,利用图神经网络对环境数据进行特征提取,将校准后的环境参数看作图神经网络的输入,每个环境参数为一个节点,节点间的边表示环境参数间的相关性,通过以下公式更新每个节点的特征向量:
H(l+1)=σ(D-1/2AD-1/2H(l)W(l))
其中,H(l)表示图神经网络中在第l层所有节点的特征,矩阵的每一行都代表一个节点,每一列都代表一个特征;H(l+1)表示图神经网络中在第l+1层所有节点的特征;A表示图的邻接矩阵,描述了图中各个节点之间的连接关系,如果节点i和节点j之间有边连接,那么Aij=1,否则Aij=0;D表示一个对角矩阵,它的对角线元素是邻接矩阵A的每一行的和,表示每个节点的度数,Dii=∑j Aij;D-1/2AD-1/2表示对邻接矩阵A的归一化处理,可以让图神经网络在不同大小的图上都有稳定的表现;W(l)表示是第l层的权重矩阵,它用来对节点的特征进行线性变换;σ表示激活函数;
进一步,在捕捉层;在Fconv上应用Transformer的自注意力机制,使模型能捕获长距离的依赖关系:
其中,Q,K,V表示Fconv的线性变换,分别是Query(查询)、Key(键)和Value(值),在自注意力机制中,模型需要对输入序列中的每个元素计算它们的注意力分数,每个元素都有一个Query,一个Key和一个Value,Query用于和所有其他元素的Key进行匹配,以确定该元素应该″关注″哪些其他元素,Value则是该元素的实际内容,即希望模型学习并利用的信息,在Transformer模型中,Query(Q)、Key(K)和Value(V)是通过矩阵运算从输入数据中得到的;QKT表示Query和Key的点积,(dot product),用于计算Query和每个Key的匹配程度;dk表示是Key的维度,对点积结果进行缩放,防止点积结果过大导致的梯度消失问题;表示softmax函数用于将Query和每个Key的匹配程度转换为概率,这些概率构成了注意力权重;/>表示注意力权重与每个元素的Value进行加权求和,得到最后的输出Fself-attention;Fself-attention表示断路器设备数据特征间的依赖特征;
所述公式计算了Fconv中所有位置之间的关系,其中softmax函数能使得更相关的位置有更大的权重;
进一步,进一步,在融合层将Fself-attention和GNN提取的特征H进行融合得到综合特征;在连接层利用Concat函数来将GNN的输出H和Transformer的输出进行连接,得到融合特征Fmerged:
Fmerged=Concat(H,Fself-attention)
进一步,进行规律提取;
传感器数据的影响:通过分析自注意力机制的权重矩阵确定传感器数据对设备性能影响值;
环境参数的影响:通过分析图神经网络的节点特征矩阵H的特征值来确定环境参数对设备性能影响值;
最后,通过利用递归法分析融合特征Fmerged与设备性能之间的关系,揭示出断路器设备数据和环境参数数据与设备性能之间的影响规律,如接触电阻、散热能力和温升间的联系。
本申请通过构建GTU-Net模型对校验后的数据进行深度分析,不仅可以量化环境参数和设备性能的关联性,而且还可以揭示出隐藏的影响规则,这对于理解和解释设备性能的变化具有重要的意义,为设备状态的评估提供数据依据。
S3.基于规律提取结果以及校验后的数据,构建设备健康状态评估模型,计算得到断路器的健康状态;
构建设备健康状态评估模型对断路器设备的健康状态进行评估,具体有:
首先,将规律提取结果输入到深度信念网络(DBN)中,能够从原始数据中学习到高级别的特征表示;特别的,构建过程是一个逐层进行的无监督学习过程,每一层都是一个受限玻尔兹曼机,通过最大化数据的对数似然进行训练,其公式为:
L(θ)=∑logP(v|h;θ)
其中,L(θ)表示对数似然,v表示可见层节点,h表示隐藏层节点;θ表示模型参数,通过迭代优化,得到每层的参数,并进一步得到深层特征Fdbn;
进一步,基于得到深层特征Fdbn,利用支持向量机(SVM)模型进行健康状态的预测,SVM是一种最大化分类间隔的二分类模型,其目标函数可表示为:
min1/2||w||2+CΣξi
其中,w表示权重向量,表示/>映射到高维空间后的特征向量,/>校验后的数据,包含环境参数和设备参数/>b表示偏置项,ξi表示松弛变量,C表示正则化参数。通过求解上述优化问题,得到最优决策面,进而得到预测的设备健康状态Ysvm;
进一步,利用粒子滤波(PF)方法对预测的健康状态进行校验和更新,PF是一种基于蒙特卡洛的贝叶斯滤波方法,通过一系列样本(称为粒子)对系统状态的概率分布进行表示和估计。对于每个时刻t,粒子滤波的更新过程主要包括预测和更新两个步骤,数学表示为:
预测步骤:
更新步骤:
其中,表示在时刻t的环境参数和断路器设备状态参数,zt表示在时刻t的观测,ut表示控制输入,f和g分别表示系统动态和观测模型,通过PF,根据校验后的数据动态更新设备的健康状态Yfinal。
本申请通过构建设备健康状态评估模型对断路器设备的健康状态进行评估,使用深度信念网络(DBN)和支持向量机(SVM)联合框架,可以更有效地识别和学习数据中的复杂模式,从而提高设备健康状态的评估精度,通过粒子滤波(PF)方法,基于新收集到的数据动态更新设备的健康状态评估,使评估结果更加准确和及时,实现高效的对断路器健康状态进行评估。
S4.基于健康评估的结果,构建故障诊断模型对可能的故障进行诊断,得到故障诊断结果,若诊断结果出现潜在的风险或问题,设定预警规则进行预警。
基于健康评估的结果,构建故障诊断模型对故障进行诊断,具体有:
首先,将设备健康评估的结果Yfinal作为输入,所述设备健康评估的结果指的是在一定周期内各个节点对设备状态健康评估的集合,Yfinal={y1,y2,…yn},其中,n表示时间点数,yi表示在时间点i的设备状态,i∈[1,n],利用孤立森林模型学习数据的正常分布,进而得到孤立森林的异常分数,Yfinal→R表示孤立森林的异常评分函数,对于给定的输入样本yi,异常分数si(yi)能反映这个样本的异常程度,其中si(yi)越大表示yi越可能是异常样本,令S={s(y1),s(y2),...,s(yn)}表示所有样本的异常分数;
进一步,利用隐马尔科夫模型对设备状态进行建模,将异常分数序列S看作是观测序列作为输入,隐马尔科夫模型能够输出设备可能的故障状态序列Q={q1,q2,...,qn},其中每个状态qi是对应到样本yi的设备状态;
进一步,利用多目标遗传算法生成预警规则,设定多个目标,如预警的准确率和预警的及时性;将隐马尔科夫模型输出的状态序列Q,设备历史数据(调用当地数据库获得)、环境参数等作为遗传算法的输入,然后通过遗传算法找到最优的预警规则,让R:Q→{0,1}表示预警规则函数,对于给定的设备状态qi,如果R(qi)=1,则表示需要发出预警。
本申请通过构建故障诊断模型对故障进行诊断,结合了孤立森林模型和隐马尔科夫模型的优势,可以在故障发生前对可能的设备故障进行早期预警,从而提前采取措施,防止或减轻设备故障带来的损失,利用多目标遗传算法,可以动态生成适应当前设备状态和环境条件的预警规则,使预警规则更加精确和及时。
综上所述,本申请实施例中的技术方案,至少具有如下的技术效果或优点:
1、本申请通过构建GATR数据校验模型,结合卷积神经网络进行特征提取,使用度中心性度量中心节点,训练深度自编码器进行重构误差计算,以及预测模型进行预测误差计算,可以更准确地检测出异常,以得到更准确的数据。
2、本申请通过构建GTU-Net模型对校验后的数据进行深度分析,不仅可以量化环境参数和设备性能的关联性,而且还可以揭示出隐藏的影响规则,这对于理解和解释设备性能的变化具有重要的意义,为设备状态的评估提供数据依据。
3、本申请通过构建设备健康状态评估模型对断路器设备的健康状态进行评估,使用深度信念网络(DBN)和支持向量机(SVM)联合框架,可以更有效地识别和学习数据中的复杂模式,从而提高设备健康状态的评估精度,通过粒子滤波(PF)方法,基于新收集到的数据动态更新设备的健康状态评估,使评估结果更加准确和及时,实现高效的对断路器健康状态进行评估。
4、本申请通过构建故障诊断模型对故障进行诊断,结合了孤立森林模型和隐马尔科夫模型的优势,可以在故障发生前对可能的设备故障进行早期预警,从而提前采取措施,防止或减轻设备故障带来的损失,利用多目标遗传算法,可以动态生成适应当前设备状态和环境条件的预警规则,使预警规则更加精确和及时。
示例性装置
图2是本发明一示例性实施例提供的高海拔环境下断路器健康状态评估装置的结构示意图。如图2所示,装置200包括:
采集模块210,用于采集高海拔地区断路器设备的预定时间段内的参数数据集,其中参数数据集包括环境参数数据以及断路器运行数据;
校验模块220,用于利用GART数据校验模型对参数数据集进行校验修复处理,获取标准参数数据集;
提取模块230,用于利用预先构建的数据模型对标准参数数据集进行分析,并进行规律提取,确定预定时间段内每个时间周期的标准参数数据集的规律信息;
第一确定模块240,用于根据规则信息以及标准参数数据集,确定断路器设备每个时间周期的设备健康状态;
第二确定模块250,用于根据预定时间段内每个时间周期的设备健康状态,确定断路器设备的故障诊断结果。
可选地,装置200还包括:
缺失值处理模块,用于利用K-近邻插补对参数数据集进行缺失值处理;
剔除模块,用于利用箱线图识别和剔除参数数据集中的离群值;
去噪模块,用于利用滤波法对参数数据集进行去噪处理。
可选地,校验模块220,包括:
特征提取子模块,用于利用GATR数据校验模型中的用卷积神经网络对标准参数数据集中的数据子集进行特征提取,获得特征向量集;
识别子模块,用于利用GATR数据校验模型中的利用度中心性度量来识别出特征向量集的中心节点和边缘节点,在中心节点上训练深度自编码器,得到重构误差;
建模子模块,用于利用GATR数据校验模型中的利用ARIMA模型对特征向量集的中心节点的时间序列数据进行建模,得到预测误差;
第一确定子模块,用于根据重构误差和预测误差,确定每个数据子集的检验分数;
第二确定子模块,用于根据检验分数确定数据子集是否异常,并对异常的数据子集进行修复,确定校验后的环境参数数据和断路器运行数据。
可选地,第一确定子模块的根据重构误差和预测误差,确定每个数据子集的检验分数的计算公式为:
/>
式中,表示节点i的重构误差;/>表示节点i的预测误差;w1、w2分别表示重构误差和预测误差的权重。
可选地,数据模型为GTU-Net模型,提取模块230,包括:
第三确定子模块,用于利用GTU-Net模型中的编码部分对标准参数数据集中的标准断路器运行数据进行特征提取,确定断路器运行数据特征向量;
第四确定子模块,用于利用GTU-Net模型中的图神经网络对标砖参数数据集中的标准环境参数数据进行特征提取,确定环境参数数据特征向量;
第一输出子模块,用于在GTU-Net模型的捕捉层,根据断路器运行数据特征向述利用自注意力机制,输出断路器设备数据特征件的依赖特征;
第五确定子模块,用于在GTU-Net模型的融合层,将依赖特征和环境参数数据特征进行融合,确定标准参数数据集的融合特征;
第六确定子模块,用于通过递归法分析融合特征和断路器设备性能之间的关系,确定规律信息。
可选地,第一确定模块240,包括:
第二输出子模块,用于将规则信息输入至深度信念网络中,输出深层特征;
预测子模块,用于根据深层特征以及标准参数数据集,利用支持向量机模型进行健康状态预测,确定初始设备健康状态;
更新子模块,用于利用粒子滤波方法对初始设备健康状态进行校验和更新,确定设备健康状态。
可选地,第二确定模块250,包括:
第七确定子模块,用于利用孤立森林学习每个时间周期的设备健康状态,确定每个时间周期的异常分数;
第三输出子模块,用于将预定时间段内的异常分数组成的异常分数序列输入至隐马尔科夫模型,输出故障诊断结果,其中故障诊断结果为预定时间段内的故障状态序列。
可选地,装置200还包括:
生成模块,用于利用多目标遗传算法生成预警规则,并设定多个目标;
输出模块,用于将故障状态序列以及参数数据集作为多目标遗传算法的输入,输出最优的预警规则。
示例性电子设备
图3是本发明一示例性实施例提供的电子设备的结构。如图3所示,电子设备30包括一个或多个处理器31和存储器32。
处理器31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中的其他组件以执行期望的功能。
存储器32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31可以运行所述程序指令,以实现上文所述的本发明的各个实施例的软件程序的方法以及/或者其他期望的功能。在一个示例中,电子设备还可以包括:输入装置33和输出装置34,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。
此外,该输入装置33还可以包括例如键盘、鼠标等等。
该输出装置34可以向外部输出各种信息。该输出装置34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3中仅示出了该电子设备中与本发明有关的组件中的一些,省略了诸如总线、输入/输出接口等的组件。除此之外,根据具体应用情况,电子设备还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本发明的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。
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发明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。
此外,本发明的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。
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、系统或器件,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。
以上结合具体实施例描述了本发明的基本原理,但是,需要指出的是,在本发明中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本发明为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明中涉及的器件、系统、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、系统、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
可能以许多方式来实现本发明的方法和系统。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明,本发明的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本发明实施为记录在记录介质中的程序,这些程序包括用于实现根据本发明的方法的机器可读指令。因而,本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
还需要指出的是,在本发明的系统、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此,本发明不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本发明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 (12)
1.一种高海拔环境下断路器健康状态评估方法,其特征在于,包括:
采集高海拔地区断路器设备的预定时间段内的参数数据集,其中所述参数数据集包括环境参数数据以及断路器运行数据;
利用GART数据校验模型对所述参数数据集进行校验修复处理,获取标准参数数据集;
利用预先构建的数据模型对所述标准参数数据集进行分析,并进行规律提取,确定所述预定时间段内每个时间周期的所述标准参数数据集的规律信息;
根据所述规则信息以及所述标准参数数据集,确定所述断路器设备每个时间周期的设备健康状态;
根据所述预定时间段内每个时间周期的所述设备健康状态,确定所述断路器设备的故障诊断结果。
2.根据权利要求1所述的方法,其特征在于,还包括:
利用K-近邻插补对所述参数数据集进行缺失值处理;
利用箱线图识别和剔除所述参数数据集中的离群值;
利用滤波法对所述参数数据集进行去噪处理。
3.根据权利要求1所述的方法,其特征在于,利用GART数据校验模型对所述参数数据集进行校验修复处理,获取标准参数数据集,包括:
利用所述GATR数据校验模型中的用卷积神经网络对所述标准参数数据集中的数据子集进行特征提取,获得特征向量集;
利用所述GATR数据校验模型中的利用度中心性度量来识别出所述特征向量集的中心节点和边缘节点,在中心节点上训练深度自编码器,得到重构误差;
利用所述GATR数据校验模型中的利用ARIMA模型对所述特征向量集的中心节点的时间序列数据进行建模,得到预测误差;
根据所述重构误差和所述预测误差,确定每个数据子集的检验分数;
根据所述检验分数确定所述数据子集是否异常,并对异常的数据子集进行修复,确定校验后的所述环境参数数据和所述断路器运行数据。
4.根据权利要求3所述的方法,其特征在于,根据所述重构误差和所述预测误差,确定每个数据子集的检验分数的计算公式为:
式中,表示节点i的重构误差;/>表示节点i的预测误差;w1、w2分别表示重构误差和预测误差的权重。
5.根据权利要求1所述的方法,其特征在于,所述数据模型为GTU-Net模型,利用预先构建的数据模型对所述标准参数数据集进行分析,并进行规律提取,确定所述标准参数数据集的规律信息,包括:
利用所述GTU-Net模型中的编码部分对所述标准参数数据集中的标准断路器运行数据进行特征提取,确定断路器运行数据特征向量;
利用所述GTU-Net模型中的图神经网络对所述标砖参数数据集中的标准环境参数数据进行特征提取,确定环境参数数据特征向量;
在所述GTU-Net模型的捕捉层,根据所述断路器运行数据特征向述利用自注意力机制,输出断路器设备数据特征件的依赖特征;
在所述GTU-Net模型的融合层,将所述依赖特征和所述环境参数数据特征进行融合,确定所述标准参数数据集的融合特征;
通过递归法分析所述融合特征和所述断路器设备性能之间的关系,确定所述规律信息。
6.根据权利要求1所述的方法,其特征在于,根据所述规则信息以及所述标准参数数据集,确定所述断路器设备的设备健康状态,包括:
将所述规则信息输入至深度信念网络中,输出深层特征;
根据所述深层特征以及所述标准参数数据集,利用支持向量机模型进行健康状态预测,确定初始设备健康状态;
利用粒子滤波方法对所述初始设备健康状态进行校验和更新,确定所述设备健康状态。
7.根据权利要求1所述的方法,其特征在于,根据所述预定时间段内每个时间周期的所述设备健康状态,确定所述断路器设备的故障诊断结果,包括:
利用孤立森林学习每个时间周期的所述设备健康状态,确定每个时间周期的异常分数;
将所述预定时间段内的所述异常分数组成的异常分数序列输入至隐马尔科夫模型,输出故障诊断结果,其中所述故障诊断结果为所述预定时间段内的故障状态序列。
8.根据权利要求7所述的方法,其特征在于,还包括:
利用多目标遗传算法生成预警规则,并设定多个目标;
将所述故障状态序列以及所述参数数据集作为所述多目标遗传算法的输入,输出最优的预警规则。
9.一种高海拔环境下断路器健康状态评估装置,其特征在于,包括:
采集模块,用于采集高海拔地区断路器设备的预定时间段内的参数数据集,其中所述参数数据集包括环境参数数据以及断路器运行数据;
校验模块,用于利用GART数据校验模型对所述参数数据集进行校验修复处理,获取标准参数数据集;
提取模块,用于利用预先构建的数据模型对所述标准参数数据集进行分析,并进行规律提取,确定所述预定时间段内每个时间周期的所述标准参数数据集的规律信息;
第一确定模块,用于根据所述规则信息以及所述标准参数数据集,确定所述断路器设备每个时间周期的设备健康状态;
第二确定模块,用于根据所述预定时间段内每个时间周期的所述设备健康状态,确定所述断路器设备的故障诊断结果。
10.根据权利要求9所述的装置,其特征在于,还包括:
缺失值处理模块,用于利用K-近邻插补对所述参数数据集进行缺失值处理;
剔除模块,用于利用箱线图识别和剔除所述参数数据集中的离群值;
去噪模块,用于利用滤波法对所述参数数据集进行去噪处理。
11.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-8任一所述的方法。
12.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-8任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311089030.XA CN117269742A (zh) | 2023-08-28 | 2023-08-28 | 一种高海拔环境下断路器健康状态评估方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311089030.XA CN117269742A (zh) | 2023-08-28 | 2023-08-28 | 一种高海拔环境下断路器健康状态评估方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117269742A true CN117269742A (zh) | 2023-12-22 |
Family
ID=89205243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311089030.XA Pending CN117269742A (zh) | 2023-08-28 | 2023-08-28 | 一种高海拔环境下断路器健康状态评估方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117269742A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609737A (zh) * | 2024-01-18 | 2024-02-27 | 中国人民解放军火箭军工程大学 | 一种惯性导航系统健康状态预测方法、系统、设备及介质 |
-
2023
- 2023-08-28 CN CN202311089030.XA patent/CN117269742A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609737A (zh) * | 2024-01-18 | 2024-02-27 | 中国人民解放军火箭军工程大学 | 一种惯性导航系统健康状态预测方法、系统、设备及介质 |
CN117609737B (zh) * | 2024-01-18 | 2024-03-19 | 中国人民解放军火箭军工程大学 | 一种惯性导航系统健康状态预测方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7167084B2 (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
Khelif et al. | Direct remaining useful life estimation based on support vector regression | |
US20180046902A1 (en) | Enhanced restricted boltzmann machine with prognosibility regularization for prognostics and health assessment | |
RU2522037C2 (ru) | Идентификация отказов в авиационном двигателе | |
CN112655004A (zh) | 用于异常检测和/或预测性维护的计算机实现的方法、计算机程序产品以及系统 | |
US8630962B2 (en) | Error detection method and its system for early detection of errors in a planar or facilities | |
CN112862127B (zh) | 一种传感器数据的异常处理方法、装置、电子设备及介质 | |
CN108399434B (zh) | 基于特征提取的高维时间序列数据的分析预测方法 | |
CN117269742A (zh) | 一种高海拔环境下断路器健康状态评估方法、装置及介质 | |
WO2018211721A1 (ja) | 異常情報推定装置、異常情報推定方法及びプログラム | |
Zhao et al. | Probabilistic remaining useful life prediction based on deep convolutional neural network | |
CN116340796A (zh) | 时序数据分析方法、装置、设备及存储介质 | |
CN114399321A (zh) | 一种业务系统稳定性分析方法、装置和设备 | |
Li et al. | An adaptive prognostics method based on a new health index via data fusion and diffusion process | |
JP2019105871A (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
CN117170998B (zh) | 一种智能化设备生命周期管理系统 | |
KR20220159672A (ko) | 오토 인코더 기반 이상 데이터 감지 시스템 및 방법 | |
CN116433333B (zh) | 基于机器学习的数字商品交易风险防控方法及装置 | |
CN117170915A (zh) | 数据中心设备故障预测方法、装置和计算机设备 | |
CN116384223A (zh) | 基于退化状态智能辨识的核设备可靠性评估方法及系统 | |
CN116956197B (zh) | 基于深度学习的能源设施故障预测方法、装置及电子设备 | |
Zhou et al. | Detecting Errors in Numerical Data via any Regression Model | |
CN110674461A (zh) | 基于多块投影非负矩阵分解的化工生产过程监控方法 | |
EP4345689A1 (en) | Evaluation and training methods for unsupervised representation encoders | |
CN117193184A (zh) | Vae与深度神经网络混合的智能制造工厂过程质量监控方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |