CN117312807B - 一种断路器的控制状态分析方法及系统 - Google Patents
一种断路器的控制状态分析方法及系统 Download PDFInfo
- Publication number
- CN117312807B CN117312807B CN202311610182.XA CN202311610182A CN117312807B CN 117312807 B CN117312807 B CN 117312807B CN 202311610182 A CN202311610182 A CN 202311610182A CN 117312807 B CN117312807 B CN 117312807B
- Authority
- CN
- China
- Prior art keywords
- fault
- component
- dimensional
- analysis
- response state
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 174
- 238000003745 diagnosis Methods 0.000 claims abstract description 129
- 230000004044 response Effects 0.000 claims abstract description 125
- 238000004364 calculation method Methods 0.000 claims abstract description 77
- 238000012544 monitoring process Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000005065 mining Methods 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims description 70
- 238000012549 training Methods 0.000 claims description 25
- 238000011156 evaluation Methods 0.000 claims description 23
- 102000005717 Myeloma Proteins Human genes 0.000 claims description 14
- 108010045503 Myeloma Proteins Proteins 0.000 claims description 14
- 238000013210 evaluation model Methods 0.000 claims description 9
- 230000000712 assembly Effects 0.000 claims description 7
- 238000000429 assembly Methods 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000007418 data mining Methods 0.000 claims description 6
- 238000009413 insulation Methods 0.000 claims description 5
- 230000007257 malfunction Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 3
- 230000005856 abnormality Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
- G06F18/24—Classification techniques
-
- 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
- G06N3/09—Supervised learning
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)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种断路器的控制状态分析方法及系统，应用于数据处理技术领域，该方法包括：基于设备组件进行状态分析算力标识，获得算力标识指数，随后对设备组件进行故障特征挖掘，获得组件故障特征空间，并搭建断路器故障诊断模型。基于目标断路器进行实时监测，获得目标断路器的监测数据集和射频信号集。基于断路器故障诊断模型进行故障分析，获得故障诊断结果。基于射频信号集进行控制响应状态分析，获得控制响应状态分析结果。基于组件故障诊断结果和控制响应状态分析结果，生成分析报告。解决了现有技术中缺少对断路器的故障进行诊断的方法，导致无法及时获取断路器的实际状态，影响用电安全的技术问题。
Description
技术领域
本发明涉及数据处理领域，尤其涉及一种断路器的控制状态分析方法及系统。
背景技术
断路器是一种用于开断正常回路条件下的电流并能快速断开异常回路条件下的电流的开关装置，避免异常回路下用电器的损坏。然而，在现有技术中缺少对断路器的故障进行诊断的方法，导致无法及时获取断路器的实际状态，造成断路器异常损坏影响用电安全。
因此，在现有技术中缺少对断路器的故障进行诊断的方法，导致无法及时获取断路器的实际状态，影响用电安全的技术问题。
发明内容
本申请通过提供一种断路器的控制状态分析方法及系统，解决了在现有技术中缺少对断路器的故障进行诊断的方法，导致无法及时获取断路器的实际状态，影响用电安全的技术问题。
本申请提供一种断路器的控制状态分析方法，所述方法包括：获得目标断路器的设备组件集，其中，所述设备组件集包括所述目标断路器的M个设备组件，且，M为大于1的正整数；基于所述M个设备组件进行状态分析算力标识，获得M个组件分析算力标识指数；基于所述M个组件分析算力标识指数对所述M个设备组件进行故障特征挖掘，获得M维组件故障特征空间；基于所述M个组件分析算力标识指数和所述M维组件故障特征空间，搭建M维断路器故障诊断模型；基于所述目标断路器进行实时监测，获得所述目标断路器的实时组件监测数据集和实时射频信号集；基于所述M维断路器故障诊断模型对所述实时组件监测数据集进行故障分析，获得M维组件故障诊断结果；基于所述实时射频信号集进行控制响应状态分析，获得控制响应状态分析结果；基于所述M维组件故障诊断结果和所述控制响应状态分析结果，生成所述目标断路器的控制状态分析报告。
本申请还提供了一种断路器的控制状态分析系统，所述系统包括：设备组件获取模块，用于获得目标断路器的设备组件集，其中，所述设备组件集包括所述目标断路器的M个设备组件，且，M为大于1的正整数；算力标识指数获取模块，用于基于所述M个设备组件进行状态分析算力标识，获得M个组件分析算力标识指数；故障特征空间获取模块，用于基于所述M个组件分析算力标识指数对所述M个设备组件进行故障特征挖掘，获得M维组件故障特征空间；故障诊断模型获取模块，用于基于所述M个组件分析算力标识指数和所述M维组件故障特征空间，搭建M维断路器故障诊断模型；监测数据集获取模块，用于基于所述目标断路器进行实时监测，获得所述目标断路器的实时组件监测数据集和实时射频信号集；故障诊断结果获取模块，用于基于所述M维断路器故障诊断模型对所述实时组件监测数据集进行故障分析，获得M维组件故障诊断结果；控制响应状态获取模块，用于基于所述实时射频信号集进行控制响应状态分析，获得控制响应状态分析结果；控制状态分析报告生成模块，用于基于所述M维组件故障诊断结果和所述控制响应状态分析结果，生成所述目标断路器的控制状态分析报告。
本申请还提供了一种电子设备，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现本申请提供的一种断路器的控制状态分析方法。
本申请提供一种计算机可读存储介质，存储有计算机程序，该程序被处理器执行时，实现本申请提供的一种断路器的控制状态分析方法。
拟通过本申请提出的一种断路器的控制状态分析方法及系统，通过获得目标断路器的设备组件集，基于设备组件进行状态分析算力标识，获得算力标识指数，随后对设备组件进行故障特征挖掘，获得组件故障特征空间，并搭建断路器故障诊断模型。基于目标断路器进行实时监测，获得目标断路器的监测数据集和射频信号集。基于断路器故障诊断模型进行故障分析，获得故障诊断结果。基于射频信号集进行控制响应状态分析，获得控制响应状态分析结果。基于组件故障诊断结果和控制响应状态分析结果，生成分析报告。利用获得M维组件故障诊断结果，实现了根据实时组件监测数据对故障进行分析，以及利用射频信号完成对实际控制响应状态的分析获取，从而实现及时获取断路器的实际状态，保障用电安全。解决了现有技术中缺少对断路器的故障进行诊断的方法，导致无法及时获取断路器的实际状态，影响用电安全的技术问题。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对本公开实施例的附图作简单地介绍。明显地，下面描述中的附图仅仅涉及本公开的一些实施例，而非对本公开的限制。
图1为本申请实施例提供的一种断路器的控制状态分析方法的流程示意图；
图2为本申请实施例提供的一种断路器的控制状态分析方法获取M个组件分析算力标识指数的流程示意图；
图3为本申请实施例提供的一种断路器的控制状态分析方法获取M维断路器故障诊断模型的流程示意图；
图4为本申请实施例提供的一种断路器的控制状态分析方法的系统的结构示意图；
图5为本发明实施例提供的一种断路器的控制状态分析方法的系统电子设备的结构示意图。
附图标记说明：设备组件获取模块11，算力标识指数获取模块12，故障特征空间获取模块13，故障诊断模型获取模块14，监测数据集获取模块15，故障诊断结果获取模块16，控制响应状态获取模块17，控制状态分析报告生成模块18，处理器31，存储器32，输入装置33，输出装置34。
具体实施方式
实施例一
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上，所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
如图1所示，本申请实施例提供了一种断路器的控制状态分析方法，所述方法包括：
S10：获得目标断路器的设备组件集，其中，所述设备组件集包括所述目标断路器的M个设备组件，且，M为大于1的正整数；
S20：基于所述M个设备组件进行状态分析算力标识，获得M个组件分析算力标识指数；
S30：基于所述M个组件分析算力标识指数对所述M个设备组件进行故障特征挖掘，获得M维组件故障特征空间；
S40：基于所述M个组件分析算力标识指数和所述M维组件故障特征空间，搭建M维断路器故障诊断模型；
具体的，断路器是一种用于开断正常回路条件下的电流并能快速断开异常回路条件下的电流的开关装置，避免异常回路下用电器的损坏。
通过获取目标断路器的设备组件集，其中，所述设备组件集包括所述目标断路器的M个设备组件，且，M为大于1的正整数。随后，基于所述M个设备组件进行状态分析算力标识，获得M个组件分析算力标识指数。进一步，基于M个组件分析算力标识指数对所述M个设备组件进行故障特征挖掘，获取各故障特征对应的故障指标，获得M维组件故障特征空间。在M维组件故障特征空间中包含各组件对应的故障类别，以及故障类别对应的故障指标。基于所述M个组件分析算力标识指数和所述M维组件故障特征空间，搭建M维断路器故障诊断模型。
如图2所示，本申请实施例提供的方法S20还包括：
S21：基于预设历史时区和所述M个设备组件，获得M个组件故障触发频率；
S22：基于所述M个组件故障触发频率进行相对频率计算，获得M个组件故障特征频率；
S23：基于所述M个设备组件进行故障诊断价值度分析，获得M个故障诊断价值度，并对所述M个故障诊断价值度进行相对价值度计算，获得M个组件相对诊断价值度；
S24：获得频率－价值权重约束特征，基于所述频率－价值权重约束特征对所述M个组件故障特征频率和所述M个组件相对诊断价值度进行加权计算，获得所述M个组件分析算力标识指数。
具体的，基于预设历史时区和M个设备组件，获取M个设备组件在历史时间区间内的故障触发次数，得到M个组件故障触发频率。随后，基于M个组件故障触发频率进行相对频率计算，即获取单个组件的故障触发频率在M个组件的总故障触发频率的占比，获得M个组件故障特征频率。进一步，对M个设备组件进行故障诊断价值度分析，其中故障诊断价值度为各设备组件的重要性程度，各设备组件存在具体的重要性标识数值，设备组件重要度越高，则对应的故障诊断价值度越高。随后，对M个故障诊断价值度进行相对价值度计算，获取各故障诊断价值度占总故障诊断价值度的占比，其中总故障诊断价值度为各故障诊断价值度的加和数值，最后获得M个组件相对诊断价值度。获得频率－价值权重约束特征，基于所述频率－价值权重约束特征对所述M个组件故障特征频率和所述M个组件相对诊断价值度进行加权计算，得到M个组件故障特征频率和所述M个组件相对诊断价值度的乘积，获得所述M个组件分析算力标识指数。
本申请实施例提供的方法S30还包括：
S31：遍历所述M个设备组件，获得第一设备组件；
S32：基于所述M个组件分析算力标识指数，获得所述第一设备组件对应的第一组件分析算力标识指数；
S33：基于所述目标断路器，获得多个同族断路器；
S34：基于所述多个同族断路器，获得多个检索本体；
S35：基于所述第一设备组件，获得第一检索约束特征；
S36：基于所述第一组件分析算力标识指数，获得第二检索约束特征；
S37：基于所述多个检索本体、所述第一检索约束特征和所述第二检索约束特征进行大数据采集，获得第一组件故障记录集；
S38：基于所述第一组件故障记录集进行数据挖掘，获得一维组件故障特征空间，并将所述一维组件故障特征空间添加至所述M维组件故障特征空间中。
具体的，在获取M维组件故障特征空间时，通过遍历M个设备组件，获取第一设备组件，其中第一设备组件为M个设备组件中依次选取的一个设备组件。基于所述M个组件分析算力标识指数，获得所述第一设备组件对应的第一组件分析算力标识指数。基于所述目标断路器，获得多个同族断路器，其中同族断路器为相同型号的断路器。进一步，基于所述多个同族断路器，获得多个检索本体，每个检索本体对应一个断路器类别。随后，基于所述第一设备组件，获得第一检索约束特征，其中第一检索约束特征为第一设备组件对应的具体设备数据。通过获取第一检索约束特征，从而便于通过大数据快速获取与第一检索约束特征对应的故障信息。随后，基于所述第一组件分析算力标识指数，获得第二检索约束特征，其中第二检索约束特征为检索数据量的约束特征。当第一组件分析算力标识指数越高，则对应的权重和/或频率越高，则相对应的第二检索约束特征数据量的需求就越大。随后，基于所述多个检索本体、所述第一检索约束特征和所述第二检索约束特征进行历史组件故障记录大数据采集，获得第一组件故障记录集。基于所述第一组件故障记录集进行数据挖掘，获得一维组件故障特征空间，并将所述一维组件故障特征空间添加至所述M维组件故障特征空间中。
本申请实施例提供的方法S38还包括：
S381：遍历所述第一组件故障记录集进行故障因子提取，获得多个第一组件故障因子；
S382：获得多维预设断路器故障诊断指标，其中，所述多维预设断路器故障诊断指标包括拒动故障、误动故障、绝缘故障、开合故障、载流故障和外力故障；
S383：遍历所述多个第一组件故障因子和所述多维预设断路器故障诊断指标进行灰色关联度分析，获得故障因子－指标关联度数据集；
S384：基于所述多维预设断路器故障诊断指标，设置多维故障因子－指标关联度约束特征；
S385：基于所述多维故障因子－指标关联度约束特征，根据所述故障因子－指标关联度数据集和所述多维预设断路器故障诊断指标对所述多个第一组件故障因子进行分类，获得所述一维组件故障特征空间。
具体的，遍历第一组件故障记录集进行故障因子提取，获得多个第一组件故障因子，其中第一组件故障因子为具体的故障原因，如组件形变、位移、损坏等各类故障因素的具体故障原因。随后，获得多维预设断路器故障诊断指标，其中，所述多维预设断路器故障诊断指标包括拒动故障、误动故障、绝缘故障、开合故障、载流故障和外力故障。遍历所述多个第一组件故障因子和所述多维预设断路器故障诊断指标进行灰色关联度分析，即利用灰色关联度分析对第一组件故障因子和多维预设断路器故障诊断指标的关联关系进行分析，获取故障因子与故障诊断指标的关联性，获得故障因子－指标关联度数据集。在故障因子－指标关联度数据集中包含了各故障诊断指标以及对应的故障因子关联度数据。
进一步，基于所述多维预设断路器故障诊断指标，设置多维故障因子－指标关联度约束特征，在多维故障因子－指标关联度约束特征中包含各故障诊断指标与故障因子的具体关联度阈值，其中具体关联度阈值可以根据实际情况进行设置。当大于该关联度阈值时则故障因子与故障诊断指标的关联性较强，反之则关联性较弱则可以将对应的故障因子进行剔除。基于所述多维故障因子－指标关联度约束特征，对所述故障因子－指标关联度数据集进行筛选，从而根据所述多维预设断路器故障诊断指标对所述多个第一组件故障因子进行分类，获取故障诊断指标分别对应的第一组件故障因子，获得所述一维组件故障特征空间。在一维组件故障特征空间中包含具体的故障诊断指标以及对应的故障因子。
如图3所示，本申请实施例提供的方法S40还包括：
S41：基于所述M个设备组件，获得第m设备组件，其中，，且，m为正整
数；
S42：基于所述M个组件分析算力标识指数和所述M维组件故障特征空间，获得所述第m设备组件对应的第m组件分析算力标识指数和第m组件故障特征空间；
S43：基于所述第m组件分析算力标识指数和所述第m组件故障特征空间对所述目标断路器进行故障记录数据采集，获得第m组件故障记录集；
S44：基于所述第m组件故障记录集进行故障因子触发频率标定，获得组件故障因子触发频率标定结果；
S45：基于所述第m组件故障记录集，设置初始化训练权重，并基于所述组件故障因子触发频率标定结果对所述初始化训练权重进行优化，获得优化训练权重；
S46：基于所述优化训练权重，对所述第m组件故障记录集进行有监督训练，获得第m设备组件故障诊断单元，并将所述第m设备组件故障诊断单元添加至所述M维断路器故障诊断模型。
具体的，在构建M维断路器故障诊断模型时，基于M个设备组件，获得第m设备组件，
其中，，且，m为正整数。基于所述M个组件分析算力标识指数和所述M维组件故
障特征空间，获得所述第m设备组件对应的第m组件分析算力标识指数和第m组件故障特征
空间。基于所述第m组件分析算力标识指数和所述第m组件故障特征空间对所述目标断路器
进行历史故障记录数据采集，获得第m组件故障记录集。基于所述第m组件故障记录集进行
故障因子触发频率标定，即对故障记录的故障因子触发频率进行获取，得到组件故障因子
触发频率标定结果。随后，基于第m组件故障记录集，设置初始化训练权重，其中初始化训练
权重为第m组件故障记录集中数据的权重系数均相同。并基于所述组件故障因子触发频率
标定结果对所述初始化训练权重进行优化，获得优化训练权重，即根据故障因子触发频率
标定结果的频率数据对初始化训练权重进行优化，频率越高对应的权重越大，具体频率和
权重的对应关系可以根据实际的数据特征进行设置。最后，基于所述优化训练权重，对所述
第m组件故障记录集进行有监督训练，其中将优化权重后的第m组件故障记录集作为训练数
据对神经网络模型进行监督训练，直至模型的输出结果满足预定准确率时，完成对模型的
训练，获得第m设备组件故障诊断单元，并将所述第m设备组件故障诊断单元添加至所述M维
断路器故障诊断模型。依次获取剩余组件故障诊断单元，从而完成对M维断路器故障诊断模
型的获取。
S50：基于所述目标断路器进行实时监测，获得所述目标断路器的实时组件监测数据集和实时射频信号集；
S60：基于所述M维断路器故障诊断模型对所述实时组件监测数据集进行故障分析，获得M维组件故障诊断结果；
S70：基于所述实时射频信号集进行控制响应状态分析，获得控制响应状态分析结果；
S80：基于所述M维组件故障诊断结果和所述控制响应状态分析结果，生成所述目标断路器的控制状态分析报告。
具体的，基于目标断路器进行实时监测，获得所述目标断路器的实时组件监测数据集和实时射频信号集。基于所述M维断路器故障诊断模型对所述实时组件监测数据集进行故障分析，即将实时组件监测数据集输入M维断路器故障诊断模型中，获得M维组件故障诊断结果。进一步，基于所述实时射频信号集进行控制响应状态分析，获得控制响应状态分析结果。最后，根据获取的M维组件故障诊断结果和所述控制响应状态分析结果，生成所述目标断路器的控制状态分析报告，进而完成对目标断路器的控制状态的分析，在分析报告中包含具体的组件故障诊断结果以及控制响应状态分析结果，从而完成对断路器状态的获取。通过获得M维组件故障诊断结果，实现了根据实时组件监测数据对故障进行分析，利用射频信号完成对实际控制响应状态的分析获取，从而实现及时获取断路器的实际状态，保障用电安全。
本申请实施例提供的方法S70还包括：
S71：获得多维预设射频信号幅值特征，其中，所述多维预设射频信号幅值特征包括幅值平均值、幅值均方值和幅值峰值；
S72：基于所述多维预设射频信号幅值特征对所述实时射频信号集进行特征识别，获得实时射频信号幅值特征集；
S73：基于所述多维预设射频信号幅值特征，构建正态射频信号幅值特征比对区间；
S74：基于所述正态射频信号幅值特征比对区间对所述实时射频信号幅值特征集进行异常偏离计算，获得多维异常偏离指数，并对所述多维异常偏离指数进行均值计算，获得射频信号异常偏离系数；
S75：基于所述射频信号异常偏离系数进行控制响应状态评估，获得所述控制响应状态分析结果。
具体的，通过设置于断路器旁边的传感器，获取多维预设射频信号幅值特征，其中，所述多维预设射频信号幅值特征包括幅值平均值、幅值均方值和幅值峰值。随后，基于所述多维预设射频信号幅值特征对所述实时射频信号集进行特征识别，获得实时射频信号幅值特征集。基于所述多维预设射频信号幅值特征，构建正态射频信号幅值特征比对区间，即利用预设的正常状态下的多维射频信号幅值特征，构建正常状态时的射频信号幅值特征中各特征的比对区间，在该比对区间中的射频信号幅值特征均为正常状态。基于所述正态射频信号幅值特征比对区间对所述实时射频信号幅值特征集进行异常偏离计算，分别计算幅值平均值、幅值均方值和幅值峰值的偏离程度，获得多维异常偏离指数，以幅值平均值为例幅值平均值比对区间包含上端点以及下端点，上端点数值大于下端点数值，当实时射频信号中幅值平均值大于上端点时，则对应的偏离指数为上端点的偏离值与上端点的比值，当实时射频信号中幅值平均值小于下端点时，则对应的偏离指数为下端点的偏离值与下端点的比值。获取所有异常偏离指数，并对所述多维异常偏离指数进行均值计算，获得射频信号异常偏离系数，射频信号异常偏离系数越高则对应的偏差越大。
本申请实施例提供的方法S75还包括：
S751：基于所述射频信号异常偏离系数，获得多个样本异常偏离系数和多个样本控制异常响应状态指数；
S752：将样本异常偏离系数设置为控制响应状态分析特征，将样本控制异常响应状态指数设置为控制响应状态评估特征；
S753：根据所述多个样本异常偏离系数，获得多个控制响应状态分析特征值；
S754：根据所述多个样本控制异常响应状态指数，获得多个控制响应状态评估特征值；
S755：基于知识图谱，根据所述控制响应状态分析特征、所述控制响应状态评估特征、所述多个控制响应状态分析特征值和所述多个控制响应状态评估特征值，获得控制响应状态评估模型；
S756：将所述射频信号异常偏离系数输入所述控制响应状态评估模型，获得控制异常响应状态指数；
S757：根据所述控制异常响应状态指数，获得所述控制响应状态分析结果。
具体的，基于获取的射频信号异常偏离系数，获得多个样本异常偏离系数和多个样本控制异常响应状态指数，多个样本异常偏离系数和多个样本控制异常响应状态指数均为历史状态下采集的射频信号存在异常的数据。多个样本控制异常响应状态指数为控制异常的具体状态，如异常断开、无响应等具体控制状态，不同控制状态存在不同的特征值，以便于数据的传输。随后，将样本异常偏离系数设置为控制响应状态分析特征，将样本控制异常响应状态指数设置为控制响应状态评估特征。根据所述多个样本异常偏离系数，获得多个控制响应状态分析特征值，即获取多个样本异常偏离系数的多个具体特征值。根据所述多个样本控制异常响应状态指数，获得多个控制响应状态评估特征值。随后，基于知识图谱，根据所述控制响应状态分析特征、所述控制响应状态评估特征、所述多个控制响应状态分析特征值和所述多个控制响应状态评估特征值，获得控制响应状态评估模型。其中，控制响应状态评估模型中包含控制响应状态分析特征和所述控制响应状态评估特征，且控制响应状态分析特征中各控制响应状态分析特征值与所述控制响应状态评估特征中各控制响应状态评估特征值对应。最后，将所述射频信号异常偏离系数输入所述控制响应状态评估模型，获得控制异常响应状态指数。根据所述控制异常响应状态指数，获得与控制异常响应状态指数对应的所述控制响应状态分析结果。
本发明实施例所提供的技术方案，通过获得目标断路器的设备组件集，基于设备组件进行状态分析算力标识，获得算力标识指数。基于组件分析算力标识指数对设备组件进行故障特征挖掘，获得组件故障特征空间。基于组件分析算力标识指数和组件故障特征空间，搭建断路器故障诊断模型。基于所述目标断路器进行实时监测，获得所述目标断路器的实时组件监测数据集和实时射频信号集。基于断路器故障诊断模型对所述实时组件监测数据集进行故障分析，获得组件故障诊断结果。基于所述实时射频信号集进行控制响应状态分析，获得控制响应状态分析结果。基于组件故障诊断结果和所述控制响应状态分析结果，生成所述目标断路器的控制状态分析报告。利用获得M维组件故障诊断结果，实现了根据实时组件监测数据对故障进行分析，以及利用射频信号完成对实际控制响应状态的分析获取，从而实现及时获取断路器的实际状态，保障用电安全。解决了现有技术中缺少对断路器的故障进行诊断的方法，导致无法及时获取断路器的实际状态，影响用电安全的技术问题。
实施例二
基于与前述实施例中一种断路器的控制状态分析方法同样发明构思，本发明还提供了一种断路器的控制状态分析方法的系统，系统可以由硬件和/或软件的方式来实现，一般可集成于电子设备中，用于执行本发明任意实施例所提供的方法。如图4所示，所述系统包括：
设备组件获取模块11，用于获得目标断路器的设备组件集，其中，所述设备组件集包括所述目标断路器的M个设备组件，且，M为大于1的正整数；
算力标识指数获取模块12，用于基于所述M个设备组件进行状态分析算力标识，获得M个组件分析算力标识指数；
故障特征空间获取模块13，用于基于所述M个组件分析算力标识指数对所述M个设备组件进行故障特征挖掘，获得M维组件故障特征空间；
故障诊断模型获取模块14，用于基于所述M个组件分析算力标识指数和所述M维组件故障特征空间，搭建M维断路器故障诊断模型；
监测数据集获取模块15，用于基于所述目标断路器进行实时监测，获得所述目标断路器的实时组件监测数据集和实时射频信号集；
故障诊断结果获取模块16，用于基于所述M维断路器故障诊断模型对所述实时组件监测数据集进行故障分析，获得M维组件故障诊断结果；
控制响应状态获取模块17，用于基于所述实时射频信号集进行控制响应状态分析，获得控制响应状态分析结果；
控制状态分析报告生成模块18，用于基于所述M维组件故障诊断结果和所述控制响应状态分析结果，生成所述目标断路器的控制状态分析报告。
进一步地，所述算力标识指数获取模块12还用于：
基于预设历史时区和所述M个设备组件，获得M个组件故障触发频率；
基于所述M个组件故障触发频率进行相对频率计算，获得M个组件故障特征频率；
基于所述M个设备组件进行故障诊断价值度分析，获得M个故障诊断价值度，并对所述M个故障诊断价值度进行相对价值度计算，获得M个组件相对诊断价值度；
获得频率－价值权重约束特征，基于所述频率－价值权重约束特征对所述M个组件故障特征频率和所述M个组件相对诊断价值度进行加权计算，获得所述M个组件分析算力标识指数。
进一步地，所述故障特征空间获取模块13还用于：
遍历所述M个设备组件，获得第一设备组件；
基于所述M个组件分析算力标识指数，获得所述第一设备组件对应的第一组件分析算力标识指数；
基于所述目标断路器，获得多个同族断路器；
基于所述多个同族断路器，获得多个检索本体；
基于所述第一设备组件，获得第一检索约束特征；
基于所述第一组件分析算力标识指数，获得第二检索约束特征；
基于所述多个检索本体、所述第一检索约束特征和所述第二检索约束特征进行大数据采集，获得第一组件故障记录集；
基于所述第一组件故障记录集进行数据挖掘，获得一维组件故障特征空间，并将所述一维组件故障特征空间添加至所述M维组件故障特征空间中。
进一步地，所述故障特征空间获取模块13还用于：
遍历所述第一组件故障记录集进行故障因子提取，获得多个第一组件故障因子；
获得多维预设断路器故障诊断指标，其中，所述多维预设断路器故障诊断指标包括拒动故障、误动故障、绝缘故障、开合故障、载流故障和外力故障；
遍历所述多个第一组件故障因子和所述多维预设断路器故障诊断指标进行灰色关联度分析，获得故障因子－指标关联度数据集；
基于所述多维预设断路器故障诊断指标，设置多维故障因子－指标关联度约束特征；
基于所述多维故障因子－指标关联度约束特征，根据所述故障因子－指标关联度数据集和所述多维预设断路器故障诊断指标对所述多个第一组件故障因子进行分类，获得所述一维组件故障特征空间。
进一步地，所述故障诊断模型获取模块14还用于：
基于所述M个设备组件，获得第m设备组件，其中，，且，m为正整数；
基于所述M个组件分析算力标识指数和所述M维组件故障特征空间，获得所述第m设备组件对应的第m组件分析算力标识指数和第m组件故障特征空间；
基于所述第m组件分析算力标识指数和所述第m组件故障特征空间对所述目标断路器进行故障记录数据采集，获得第m组件故障记录集；
基于所述第m组件故障记录集进行故障因子触发频率标定，获得组件故障因子触发频率标定结果；
基于所述第m组件故障记录集，设置初始化训练权重，并基于所述组件故障因子触发频率标定结果对所述初始化训练权重进行优化，获得优化训练权重；
基于所述优化训练权重，对所述第m组件故障记录集进行有监督训练，获得第m设备组件故障诊断单元，并将所述第m设备组件故障诊断单元添加至所述M维断路器故障诊断模型。
进一步地，所述控制响应状态获取模块17还用于：
获得多维预设射频信号幅值特征，其中，所述多维预设射频信号幅值特征包括幅值平均值、幅值均方值和幅值峰值；
基于所述多维预设射频信号幅值特征对所述实时射频信号集进行特征识别，获得实时射频信号幅值特征集；
基于所述多维预设射频信号幅值特征，构建正态射频信号幅值特征比对区间；
基于所述正态射频信号幅值特征比对区间对所述实时射频信号幅值特征集进行异常偏离计算，获得多维异常偏离指数，并对所述多维异常偏离指数进行均值计算，获得射频信号异常偏离系数；
基于所述射频信号异常偏离系数进行控制响应状态评估，获得所述控制响应状态分析结果。
进一步地，所述控制响应状态获取模块17还用于：
基于所述射频信号异常偏离系数，获得多个样本异常偏离系数和多个样本控制异常响应状态指数；
将样本异常偏离系数设置为控制响应状态分析特征，将样本控制异常响应状态指数设置为控制响应状态评估特征；
根据所述多个样本异常偏离系数，获得多个控制响应状态分析特征值；
根据所述多个样本控制异常响应状态指数，获得多个控制响应状态评估特征值；
基于知识图谱，根据所述控制响应状态分析特征、所述控制响应状态评估特征、所述多个控制响应状态分析特征值和所述多个控制响应状态评估特征值，获得控制响应状态评估模型；
将所述射频信号异常偏离系数输入所述控制响应状态评估模型，获得控制异常响应状态指数；
根据所述控制异常响应状态指数，获得所述控制响应状态分析结果。
所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例三
图5为本发明实施例三提供的电子设备的结构示意图，示出了适于用来实现本发明实施方式的示例性电子设备的框图。图5显示的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图5所示，该电子设备包括处理器31、存储器32、输入装置33及输出装置34；电子设备中处理器31的数量可以是一个或多个，图5中以一个处理器31为例，电子设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的一种断路器的控制状态分析方法对应的程序指令/模块。处理器31通过运行存储在存储器32中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述一种断路器的控制状态分析方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种断路器的控制状态分析方法，其特征在于，所述方法包括：
获得目标断路器的设备组件集，其中，所述设备组件集包括所述目标断路器的M个设备组件，且，M为大于1的正整数；
基于所述M个设备组件进行状态分析算力标识，获得M个组件分析算力标识指数；
基于所述M个组件分析算力标识指数对所述M个设备组件进行故障特征挖掘，获得M维组件故障特征空间；
基于所述M个组件分析算力标识指数和所述M维组件故障特征空间，搭建M维断路器故障诊断模型；
基于所述目标断路器进行实时监测，获得所述目标断路器的实时组件监测数据集和实时射频信号集；
基于所述M维断路器故障诊断模型对所述实时组件监测数据集进行故障分析，获得M维组件故障诊断结果；
基于所述实时射频信号集进行控制响应状态分析，获得控制响应状态分析结果；
基于所述M维组件故障诊断结果和所述控制响应状态分析结果，生成所述目标断路器的控制状态分析报告；
其中，基于所述M个组件分析算力标识指数对所述M个设备组件进行故障特征挖掘，获得M维组件故障特征空间，包括：
遍历所述M个设备组件，获得第一设备组件；
基于所述M个组件分析算力标识指数，获得所述第一设备组件对应的第一组件分析算力标识指数；
基于所述目标断路器，获得多个同族断路器；
基于所述多个同族断路器，获得多个检索本体，其中，每个检索本体对应一个断路器类别；
基于所述第一设备组件，获得第一检索约束特征，所述第一检索约束特征为第一设备组件对应的具体设备数据；
基于所述第一组件分析算力标识指数，获得第二检索约束特征，所述第二检索约束特征为检索数据量的约束特征；
基于所述多个检索本体、所述第一检索约束特征和所述第二检索约束特征进行历史组件故障记录大数据采集，获得第一组件故障记录集；
基于所述第一组件故障记录集进行数据挖掘，获得一维组件故障特征空间，并将所述一维组件故障特征空间添加至所述M维组件故障特征空间中；
基于所述第一组件故障记录集进行数据挖掘，获得一维组件故障特征空间，包括：
遍历所述第一组件故障记录集进行故障因子提取，获得多个第一组件故障因子；
获得多维预设断路器故障诊断指标，其中，所述多维预设断路器故障诊断指标包括拒动故障、误动故障、绝缘故障、开合故障、载流故障和外力故障；
遍历所述多个第一组件故障因子和所述多维预设断路器故障诊断指标进行灰色关联度分析，获得故障因子－指标关联度数据集；
基于所述多维预设断路器故障诊断指标，设置多维故障因子－指标关联度约束特征；
基于所述多维故障因子－指标关联度约束特征，根据所述故障因子－指标关联度数据集和所述多维预设断路器故障诊断指标对所述多个第一组件故障因子进行分类，获得所述一维组件故障特征空间。
2.如权利要求1所述的方法，其特征在于，基于所述M个设备组件进行状态分析算力标识，获得M个组件分析算力标识指数，包括：
基于预设历史时区和所述M个设备组件，获得M个组件故障触发频率；
基于所述M个组件故障触发频率进行相对频率计算，获得M个组件故障特征频率；
基于所述M个设备组件进行故障诊断价值度分析，获得M个故障诊断价值度，并对所述M个故障诊断价值度进行相对价值度计算，获得M个组件相对诊断价值度；
获得频率－价值权重约束特征，基于所述频率－价值权重约束特征对所述M个组件故障特征频率和所述M个组件相对诊断价值度进行加权计算，获得所述M个组件分析算力标识指数。
3.如权利要求1所述的方法，其特征在于，基于所述M个组件分析算力标识指数和所述M维组件故障特征空间，搭建M维断路器故障诊断模型，包括：
基于所述M个设备组件，获得第m设备组件，其中，1≤m≤M，且，m为正整数；
基于所述M个组件分析算力标识指数和所述M维组件故障特征空间，获得所述第m设备组件对应的第m组件分析算力标识指数和第m组件故障特征空间；
基于所述第m组件分析算力标识指数和所述第m组件故障特征空间对所述目标断路器进行故障记录数据采集，获得第m组件故障记录集；
基于所述第m组件故障记录集进行故障因子触发频率标定，获得组件故障因子触发频率标定结果；
基于所述第m组件故障记录集，设置初始化训练权重，并基于所述组件故障因子触发频率标定结果对所述初始化训练权重进行优化，获得优化训练权重；
基于所述优化训练权重，对所述第m组件故障记录集进行有监督训练，获得第m设备组件故障诊断单元，并将所述第m设备组件故障诊断单元添加至所述M维断路器故障诊断模型。
4.如权利要求1所述的方法，其特征在于，基于所述实时射频信号集进行控制响应状态分析，获得控制响应状态分析结果，包括：
获得多维预设射频信号幅值特征，其中，所述多维预设射频信号幅值特征包括幅值平均值、幅值均方值和幅值峰值；
基于所述多维预设射频信号幅值特征对所述实时射频信号集进行特征识别，获得实时射频信号幅值特征集；
基于所述多维预设射频信号幅值特征，构建正态射频信号幅值特征比对区间；
基于所述正态射频信号幅值特征比对区间对所述实时射频信号幅值特征集进行异常偏离计算，获得多维异常偏离指数，并对所述多维异常偏离指数进行均值计算，获得射频信号异常偏离系数；
基于所述射频信号异常偏离系数进行控制响应状态评估，获得所述控制响应状态分析结果。
5.如权利要求4所述的方法，其特征在于，基于所述射频信号异常偏离系数进行控制响应状态评估，获得所述控制响应状态分析结果，包括：
基于所述射频信号异常偏离系数，获得多个样本异常偏离系数和多个样本控制异常响应状态指数；
将样本异常偏离系数设置为控制响应状态分析特征，将样本控制异常响应状态指数设置为控制响应状态评估特征；
根据所述多个样本异常偏离系数，获得多个控制响应状态分析特征值；
根据所述多个样本控制异常响应状态指数，获得多个控制响应状态评估特征值；
基于知识图谱，根据所述控制响应状态分析特征、所述控制响应状态评估特征、所述多个控制响应状态分析特征值和所述多个控制响应状态评估特征值，获得控制响应状态评估模型；
将所述射频信号异常偏离系数输入所述控制响应状态评估模型，获得控制异常响应状态指数；
根据所述控制异常响应状态指数，获得所述控制响应状态分析结果。
6.一种断路器的控制状态分析系统，其特征在于，所述系统包括：
设备组件获取模块，用于获得目标断路器的设备组件集，其中，所述设备组件集包括所述目标断路器的M个设备组件，且，M为大于1的正整数；
算力标识指数获取模块，用于基于所述M个设备组件进行状态分析算力标识，获得M个组件分析算力标识指数；
故障特征空间获取模块，用于基于所述M个组件分析算力标识指数对所述M个设备组件进行故障特征挖掘，获得M维组件故障特征空间；
故障诊断模型获取模块，用于基于所述M个组件分析算力标识指数和所述M维组件故障特征空间，搭建M维断路器故障诊断模型；
监测数据集获取模块，用于基于所述目标断路器进行实时监测，获得所述目标断路器的实时组件监测数据集和实时射频信号集；
故障诊断结果获取模块，用于基于所述M维断路器故障诊断模型对所述实时组件监测数据集进行故障分析，获得M维组件故障诊断结果；
控制响应状态获取模块，用于基于所述实时射频信号集进行控制响应状态分析，获得控制响应状态分析结果；
控制状态分析报告生成模块，用于基于所述M维组件故障诊断结果和所述控制响应状态分析结果，生成所述目标断路器的控制状态分析报告；
所述故障特征空间获取模块还用于：
遍历所述M个设备组件，获得第一设备组件；
基于所述M个组件分析算力标识指数，获得所述第一设备组件对应的第一组件分析算力标识指数；
基于所述目标断路器，获得多个同族断路器；
基于所述多个同族断路器，获得多个检索本体，其中，每个检索本体对应一个断路器类别；
基于所述第一设备组件，获得第一检索约束特征，所述第一检索约束特征为第一设备组件对应的具体设备数据；
基于所述第一组件分析算力标识指数，获得第二检索约束特征，所述第二检索约束特征为检索数据量的约束特征；
基于所述多个检索本体、所述第一检索约束特征和所述第二检索约束特征进行历史组件故障记录大数据采集，获得第一组件故障记录集；
基于所述第一组件故障记录集进行数据挖掘，获得一维组件故障特征空间，并将所述一维组件故障特征空间添加至所述M维组件故障特征空间中；
遍历所述第一组件故障记录集进行故障因子提取，获得多个第一组件故障因子；
获得多维预设断路器故障诊断指标，其中，所述多维预设断路器故障诊断指标包括拒动故障、误动故障、绝缘故障、开合故障、载流故障和外力故障；
遍历所述多个第一组件故障因子和所述多维预设断路器故障诊断指标进行灰色关联度分析，获得故障因子－指标关联度数据集；
基于所述多维预设断路器故障诊断指标，设置多维故障因子－指标关联度约束特征；
基于所述多维故障因子－指标关联度约束特征，根据所述故障因子－指标关联度数据集和所述多维预设断路器故障诊断指标对所述多个第一组件故障因子进行分类，获得所述一维组件故障特征空间。
7.一种电子设备，其特征在于，所述电子设备包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至5任一项所述的一种断路器的控制状态分析方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的一种断路器的控制状态分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311610182.XA CN117312807B (zh) | 2023-11-29 | 2023-11-29 | 一种断路器的控制状态分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311610182.XA CN117312807B (zh) | 2023-11-29 | 2023-11-29 | 一种断路器的控制状态分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117312807A CN117312807A (zh) | 2023-12-29 |
| CN117312807B true CN117312807B (zh) | 2024-02-06 |
Family
ID=89281507
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311610182.XA Active CN117312807B (zh) | 2023-11-29 | 2023-11-29 | 一种断路器的控制状态分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117312807B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118157332B (zh) * | 2024-05-13 | 2024-08-20 | 河海大学 | 一种基于无线通信技术的供电设备运行数据采集分析方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8327189B1 (en) * | 2009-12-22 | 2012-12-04 | Emc Corporation | Diagnosing an incident on a computer system using a diagnostics analyzer database |
| CN110687398A (zh) * | 2019-10-12 | 2020-01-14 | 广西电网有限责任公司电力科学研究院 | 基于多源数据融合的配电网故障智能搜索定位方法 |
| CN112698618A (zh) * | 2020-12-29 | 2021-04-23 | 济南浪潮高新科技投资发展有限公司 | 一种基于机器视觉技术的服务器告警识别系统 |
| CN112991721A (zh) * | 2021-02-04 | 2021-06-18 | 南通大学 | 基于图卷积网络节点关联度的城市路网交通速度预测方法 |
| CN113468210A (zh) * | 2021-06-08 | 2021-10-01 | 上海交通大学 | 基于特征工程的机器人故障诊断方法及系统 |
| CN114936708A (zh) * | 2022-06-10 | 2022-08-23 | 河北工业大学 | 基于边云协同任务卸载的故障诊断优化方法及电子设备 |
| CN115268350A (zh) * | 2022-09-27 | 2022-11-01 | 江苏永鼎股份有限公司 | 一种稳压变压器的故障预警方法及系统 |
| CN115326393A (zh) * | 2022-02-21 | 2022-11-11 | 中国长江三峡集团有限公司 | 一种基于温度信息的风电机组轴承对故障诊断方法 |
| CN115359301A (zh) * | 2022-09-06 | 2022-11-18 | 上海寻序人工智能科技有限公司 | 一种基于云端平台的数据挖掘方法 |
| CN116257663A (zh) * | 2023-01-30 | 2023-06-13 | 北京邮电大学 | 面向无人地面车辆的异常检测与关联分析方法及相关设备 |
| CN116300765A (zh) * | 2023-04-10 | 2023-06-23 | 嘉善法兰克尼亚电磁兼容有限公司 | 一种用于吸波板材生产加工过程的智能监控方法及系统 |
| CN116519095A (zh) * | 2023-03-01 | 2023-08-01 | 重庆川仪自动化股份有限公司 | 一种仪表状态诊断及响应方法、装置、设备及存储介质 |
| CN116995280A (zh) * | 2023-09-27 | 2023-11-03 | 苏州欣和智达能源科技有限公司 | 一种氢燃料电池运行状态的智能监测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES2947817T3 (es) * | 2014-11-18 | 2023-08-21 | Hitachi Energy Switzerland Ag | Método y sistema de supervisión del estado de un aerogenerador |
-
2023
- 2023-11-29 CN CN202311610182.XA patent/CN117312807B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8327189B1 (en) * | 2009-12-22 | 2012-12-04 | Emc Corporation | Diagnosing an incident on a computer system using a diagnostics analyzer database |
| CN110687398A (zh) * | 2019-10-12 | 2020-01-14 | 广西电网有限责任公司电力科学研究院 | 基于多源数据融合的配电网故障智能搜索定位方法 |
| CN112698618A (zh) * | 2020-12-29 | 2021-04-23 | 济南浪潮高新科技投资发展有限公司 | 一种基于机器视觉技术的服务器告警识别系统 |
| CN112991721A (zh) * | 2021-02-04 | 2021-06-18 | 南通大学 | 基于图卷积网络节点关联度的城市路网交通速度预测方法 |
| CN113468210A (zh) * | 2021-06-08 | 2021-10-01 | 上海交通大学 | 基于特征工程的机器人故障诊断方法及系统 |
| CN115326393A (zh) * | 2022-02-21 | 2022-11-11 | 中国长江三峡集团有限公司 | 一种基于温度信息的风电机组轴承对故障诊断方法 |
| CN114936708A (zh) * | 2022-06-10 | 2022-08-23 | 河北工业大学 | 基于边云协同任务卸载的故障诊断优化方法及电子设备 |
| CN115359301A (zh) * | 2022-09-06 | 2022-11-18 | 上海寻序人工智能科技有限公司 | 一种基于云端平台的数据挖掘方法 |
| CN115268350A (zh) * | 2022-09-27 | 2022-11-01 | 江苏永鼎股份有限公司 | 一种稳压变压器的故障预警方法及系统 |
| CN116257663A (zh) * | 2023-01-30 | 2023-06-13 | 北京邮电大学 | 面向无人地面车辆的异常检测与关联分析方法及相关设备 |
| CN116519095A (zh) * | 2023-03-01 | 2023-08-01 | 重庆川仪自动化股份有限公司 | 一种仪表状态诊断及响应方法、装置、设备及存储介质 |
| CN116300765A (zh) * | 2023-04-10 | 2023-06-23 | 嘉善法兰克尼亚电磁兼容有限公司 | 一种用于吸波板材生产加工过程的智能监控方法及系统 |
| CN116995280A (zh) * | 2023-09-27 | 2023-11-03 | 苏州欣和智达能源科技有限公司 | 一种氢燃料电池运行状态的智能监测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于灰色关联度的框架式断路器故障诊断方法;孙曙光;张强;杜太行;王佳兴;王岩;;仪器仪表学报(第10期);正文 * |
| 车站信号控制设备故障诊断专家系统的研究与实现;张喜;杜旭升;刘朝英;;铁道学报(第03期);正文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117312807A (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3776113B1 (en) | Apparatus and method for controlling system | |
| CN111368890A (zh) | 故障检测方法及装置、信息物理融合系统 | |
| CN110221200B (zh) | 一种基于深度学习的万能式断路器附件故障诊断方法 | |
| CN117312807B (zh) | 一种断路器的控制状态分析方法及系统 | |
| CN105891794B (zh) | 基于模糊准则的雷达健康管理方法及系统 | |
| Decanini et al. | Robust fault diagnosis in power distribution systems based on fuzzy ARTMAP neural network-aided evidence theory | |
| CN113111591B (zh) | 基于模块化配电终端内部故障自动诊断方法、装置及设备 | |
| CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
| CN109787979A (zh) | 一种电力网络事件和入侵的检测方法 | |
| CN113657622B (zh) | 电力设备多维状态数据融合方法、装置、终端及存储介质 | |
| CN117475593B (zh) | 用电终端负载异常的超前智能预警方法及装置 | |
| CN111524118A (zh) | 变压器的运行状态检测方法、装置、计算机设备和存储介质 | |
| CN113255584A (zh) | 一种基于边缘计算的故障诊断与监测系统 | |
| CN117216481A (zh) | 一种用于电器的远程监控方法及系统 | |
| CN117272196A (zh) | 一种基于时空图注意力网络的工业时序数据异常检测方法 | |
| Kotenko et al. | An approach for intelligent evaluation of the state of complex autonomous objects based on the wavelet analysis | |
| CN112380763A (zh) | 一种基于数据挖掘的堆内构件可靠性分析系统及方法 | |
| CN112731208B (zh) | 一种低压线路故障与异常在线监测方法、设备及介质 | |
| EP3816805A1 (en) | Analysis of anomalies in a facility | |
| Chang et al. | Fault diagnosis of lithium-ion batteries based on voltage dip behavior | |
| KR20220028727A (ko) | 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치 | |
| CN113748390A (zh) | 使用scada系统的变电站设备监测 | |
| CN117691756B (zh) | 配电柜的安全预警管理方法及系统 | |
| CN118470649B (zh) | 一种基于双层感知的配网电缆环境感知方法及系统 | |
| CN115081673B (zh) | 一种油气管道的异常预测方法、装置、电子设备及介质 |
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 |