CN117390520A - 变压器状态监测方法及系统 - Google Patents
变压器状态监测方法及系统 Download PDFInfo
- Publication number
- CN117390520A CN117390520A CN202311678502.5A CN202311678502A CN117390520A CN 117390520 A CN117390520 A CN 117390520A CN 202311678502 A CN202311678502 A CN 202311678502A CN 117390520 A CN117390520 A CN 117390520A
- Authority
- CN
- China
- Prior art keywords
- gas
- gas content
- model
- trained
- ratio
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims description 59
- 239000013598 vector Substances 0.000 claims description 47
- 238000001514 detection method Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 239000007789 gas Substances 0.000 description 315
- 238000005516 engineering process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Crystallography & Structural Chemistry (AREA)
- Computing Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明提供了一种变压器状态监测方法及系统,其中,方法包括:通过提取油样本,并分析处气体含量,利用各个气体含量以及三比值法中的三个气体比值,分别输入预训练的生成模型和预训练的判别模型,通过所述预训练的判别模型的输出结果对所述预训练的生成模型输出的结果进行纠正,得到所述待测变压器的故障类型。本发明的有益效果:融入了三比值法中的理念,利用三个气体比值和气体含量各个的输出结果进行纠正,从而可以避免模型输出过拟合的输出结果,提高了神经网络模型的预测准确率,使结果更加真实可信。
Description
技术领域
本发明涉及人工智能领域,特别涉及一种变压器状态监测方法及系统。
背景技术
随着社会的不断发展,我国的电网不断扩张,变电器的使用数量也随之持续增加,有研究表明,因变压器引起的电网故障率达到了全部电网故障的70%,因此,检测变压器内部故障情况并进行相应处理可以减少电网事故的发生概率,目前,检测变压器内部故障情况主要是通过溶解气体法,但是由于外部环境和运行负荷的影响,这导致气体含量和故障类型之间并非是线性关系,传统的三比值法具有一定缺陷,对故障类型进行预测的准确率不高。
发明内容
本发明的主要目的为提供一种变压器状态监测方法及系统,旨在解决传统的三比值法具有一定缺陷,对故障类型进行预测的准确率不高的问题。
本发明提供了一种变压器状态监测方法,包括:
从待测变压器中提取油样本;
通过预设的气体检测方法对所述油样本进行检测,得到第一气体含量、第二气体含量、第三气体含量、第四气体含量以及第五气体含量;
通过预设的三比值法计算第一气体比值、第二气体比值以及第三气体比值;
将所述第一气体含量、所述第二气体含量、所述第三气体含量、所述第四气体含量以及所述第五气体含量输入预训练的生成模型中,并将所述第一气体比值、所述第二气体比值以及所述第三气体比值输入至预训练的判别模型中;其中,所述预训练的生成模型和所述预训练的判别模型通过不同的气体含量、气体比值以及对应的变压器故障原因同步训练而成;
通过所述预训练的判别模型的输出结果对所述预训练的生成模型输出的结果进行纠正,得到所述待测变压器的故障类型。
进一步地,所述将所述第一气体含量、所述第二气体含量、所述第三气体含量、所述第四气体含量以及所述第五气体含量输入预训练的生成模型中,并将所述第一气体比值、所述第二气体比值以及所述第三气体比值输入至预训练的判别模型中的步骤之前,还包括:
获取气体训练样本集;其中,所述气体训练样本集中的一组数据包括第一气体含量、第二气体含量、第三气体含量、第四气体含量、第五气体含量、第一气体比值、第二气体比值、第三气体比值以及故障类型;
将所述气体训练样本集中一组数据的第一气体含量、第二气体含量、第三气体含量、第四气体含量以及第五气体含量进行向量化,得到第一向量,并输入至初始生成模型中,得到初始值/>,将所述故障类型对应的目标向量/>输入所述初始生成模型中,通过公式/>对所述初始生成模型进行初始训练,并得到训练后的暂时预测值/>和中间生成模型,
并将所述第一气体比值、第二气体比值、第三气体比值进行向量化,得到第二向量并输入至初始判别模型中,通过公式/>对所述初始生成模型进行初始训练,得到中间判别模型;其中,/>,,/>表示生成模型的参数集,/>表示判别模型的参数集;
根据公式对所述中间生成模型和中间判别模型进行二次训练,训练完成后得到所述预训练的生成模型和所述预训练的判别模型;其中/>表示在满足上述公式的前提下取/>的最小值以及/>的最大值,/>表示在取/>的最小值以及/>的最大值时对应的指标值。
进一步地,所述训练完成后得到所述预训练的生成模型和所述预训练的判别模型的步骤之后,还包括:
获取检测样本集;其中,所述检测样本集中的一组数据第一气体含量、第二气体含量、第三气体含量、第四气体含量、第五气体含量、第一气体比值、第二气体比值、第三气体比值以及实际故障类型;
将所述检测样本集中一组数据的第一气体含量、第二气体含量、第三气体含量、第四气体含量以及第五气体含量进行向量化,得到第三向量,并将对应改组数据的第一气体比值、第二气体比值、第三气体比值进行向量化,得到第四向量;
将所述第三向量输入预训练的生成模型中,并将所述第四向量输入至所述预训练的判别模型中,对所述预训练的生成模型进行纠正,得到预测故障类型;
根据所述预测故障类型与所述实际故障类型得到所述预训练的生成模型和所述预训练的中间判别模型的共同损失值;
判断所述共同损失值是否小于预设损失值;
若是,则判定训练完成后得到所述预训练的生成模型和所述预训练的判别模型满足训练要求。
进一步地,所述将所述第一气体含量、所述第二气体含量、所述第三气体含量、所述第四气体含量以及所述第五气体含量输入预训练的生成模型中的步骤之前,还包括:
获取各种变压器的故障类型,并基于各个故障类型获取对应的各个预设故障向量;
将各所述预设故障向量输入至所述预训练的生成模型中,分别作为所述预训练生成模型的输出通道。
进一步地,所述第一气体为CH4、所述第二气体为C2H6、所述第三气体为C2H4、所述第四气体为C2C4以及所述第五气体为H2。
进一步地,所述第一气体比值为第四气体含量与第三气体含量的比值,所述第二气体比值为第一气体含量与第五气体含量的比值,所述第三气体比值为第三气体含量与第二气体含量的比值。
进一步地,所述通过所述预训练的判别模型的输出结果对所述预训练的生成模型输出的结果进行纠正,得到所述待测变压器的故障类型的步骤之后,还包括:
将所述故障类型和第一气体含量、第二气体含量、第三气体含量、第四气体含量以及第五气体含量输入至预设的故障情况判断模型中,得到故障程度;其中,所述故障情况判断模型通过不同的故障类型以及对应的气体含量作为模型的输入,以对应的故障程度作为输出训练而成;
根据所述故障程度对所述待测变压器进行处理。
本发明还提供了一种变压器状态监测系统,包括:
提取模块,用于从待测变压器中提取油样本;
检测模块,用于通过预设的气体检测方法对所述油样本进行检测,得到第一气体含量、第二气体含量、第三气体含量、第四气体含量以及第五气体含量;
计算模块,用于通过预设的三比值法计算第一气体比值、第二气体比值以及第三气体比值;
输入模块,用于将所述第一气体含量、所述第二气体含量、所述第三气体含量、所述第四气体含量以及所述第五气体含量输入预训练的生成模型中,并将所述第一气体比值、所述第二气体比值以及所述第三气体比值输入至预训练的判别模型中;其中,所述预训练的生成模型和所述预训练的判别模型通过不同的气体含量、气体比值以及对应的变压器故障原因同步训练而成;
纠正模块,用于通过所述预训练的判别模型的输出结果对所述预训练的生成模型输出的结果进行纠正,得到所述待测变压器的故障类型。
本发明还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本发明的有益效果:通过提取油样本,并分析处气体含量,利用各个气体含量以及三比值法中的三个气体比值,分别输入预训练的生成模型和预训练的判别模型,通过所述预训练的判别模型的输出结果对所述预训练的生成模型输出的结果进行纠正,得到所述待测变压器的故障类型,融入了三比值法中的理念,利用三个气体比值和气体含量各个的输出结果进行纠正,从而可以避免模型输出过拟合的输出结果,提高了神经网络模型的预测准确率,使结果更加真实可信。
附图说明
图1 是本发明一实施例的一种变压器状态监测方法的流程示意图;
图2 是本发明一实施例的一种变压器状态监测系统的结构示意框图;
图3 为本申请一实施例的计算机设备的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后等)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变,所述的连接可以是直接连接,也可以是间接连接。
本文中术语“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,在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
参照图1,本发明提出一种变压器状态监测方法,包括:
S1:从待测变压器中提取油样本;
S2:通过预设的气体检测方法对所述油样本进行检测,得到第一气体含量、第二气体含量、第三气体含量、第四气体含量以及第五气体含量;
S3:通过预设的三比值法计算第一气体比值、第二气体比值以及第三气体比值;
S4:将所述第一气体含量、所述第二气体含量、所述第三气体含量、所述第四气体含量以及所述第五气体含量输入预训练的生成模型中,并将所述第一气体比值、所述第二气体比值以及所述第三气体比值输入至预训练的判别模型中;其中,所述预训练的生成模型和所述预训练的判别模型通过不同的气体含量、气体比值以及对应的变压器故障原因同步训练而成;
S5:通过所述预训练的判别模型的输出结果对所述预训练的生成模型输出的结果进行纠正,得到所述待测变压器的故障类型。
如上述步骤S1所述,从待测变压器中提取油样本,其中提取的方式不作限定,需要注意的是,在采集的过程中应避免空气进入或油样本被污染,在一个具体地实施例中可以通过无菌可密封的抽样设备进行提取,在抽样的过程中,打开变压器的取样阀,让油流出几分钟,以清洗掉取样阀内的旧油和油道中的可能污染物,然后接收新的油样本,在这个过程中要避免空气,同时在运输过程中也要避免剧烈的温差和震动,以保证样本的真实性。
如上述步骤S2所述,通过预设的气体检测方法对所述油样本进行检测,得到第一气体含量、第二气体含量、第三气体含量、第四气体含量以及第五气体含量,其中,各种气体的含量可以通过仪器进行定量和定性的分析,具体地分析方式本申请不作详细说明,可以根据各个气体的特性进行分析即可。
如上述步骤S3所述,通过预设的三比值法计算第一气体比值、第二气体比值以及第三气体比值。其中,预设的三比值法是Rogers经过研究所确定的一个方法,可以对故障类型进行详细,同时比值范围的上下限也更加清晰,然而这种方法具有一定的缺点,不能适用所有的场合,因此,此处仅仅是应用三比值法中的三个气体比值。
如上述步骤S4-S5所述,将所述第一气体含量、所述第二气体含量、所述第三气体含量、所述第四气体含量以及所述第五气体含量输入预训练的生成模型中,由于预训练的生成模型负责生成结果,但是其是基于其他的气体含量生成的,其需要依据各个气体的含量,然而各个气体含量之间的关系无法用线性关系确定,这会导致模型在训练的时候出现过拟合的情况,因此,通过三比值法中对应的气体比值进行验证,具体地,将所述第一气体比值、所述第二气体比值以及所述第三气体比值输入至预训练的判别模型中,对预训练的生成模型的输出结果进行纠正,纠正的方式为通过预训练的判别模型对预训练的生成模型的结果进行验证,若验证不通过,则反馈给生成模型,更改生成模型和判别模型中的参数,重新生成输出结果,直至判别模型对输出结果验证通过,从而输出待测变压器的故障类型,与一般的根据各个气体含量,通过神经网络模型进行预测的方式相比,本申请融入了三比值法中的理念,利用三个气体比值和气体含量各个的输出结果进行纠正,从而可以避免模型输出过拟合的输出结果,提高了神经网络模型的预测准确率,使结果更加真实可信。
在一个实施例中,所述将所述第一气体含量、所述第二气体含量、所述第三气体含量、所述第四气体含量以及所述第五气体含量输入预训练的生成模型中,并将所述第一气体比值、所述第二气体比值以及所述第三气体比值输入至预训练的判别模型中的步骤S4之前,还包括:
S301:获取气体训练样本集;其中,所述气体训练样本集中的一组数据包括第一气体含量、第二气体含量、第三气体含量、第四气体含量、第五气体含量、第一气体比值、第二气体比值、第三气体比值以及故障类型;
S302:将所述气体训练样本集中一组数据的第一气体含量、第二气体含量、第三气体含量、第四气体含量以及第五气体含量进行向量化,得到第一向量,并输入至初始生成模型中,得到初始值/>,将所述故障类型对应的目标向量/>输入所述初始生成模型中,通过公式/>对所述初始生成模型进行初始训练,并得到训练后的暂时预测值/>和中间生成模型,
并将所述第一气体比值、第二气体比值、第三气体比值进行向量化,得到第二向量并输入至初始判别模型中,通过公式/>对所述初始生成模型进行初始训练,得到中间判别模型;其中,/>,,/>表示生成模型的参数集,/>表示判别模型的参数集;
S303:根据公式对所述中间生成模型和中间判别模型进行二次训练,训练完成后得到所述预训练的生成模型和所述预训练的判别模型;其中/>表示在满足上述公式的前提下取/>的最小值以及/>的最大值,/>表示在取/>的最小值以及/>的最大值时对应的指标值。
如上述步骤S301所述,获取气体训练样本集,其中气体训练样本集为预先收集的气体含量信息以及对应的故障类型,然后计算第一气体比值、第二气体比值、第三气体比值,获取的方式可以是相关的人员将记录的信息进行输入,也可以是获取其他公司的数据。
如上述步骤S302-S303,将所述气体训练样本集中一组数据的第一气体含量、第二气体含量、第三气体含量、第四气体含量以及第五气体含量进行向量化,得到第一向量。其中向量化的方式可以是将各个气体含量按照设定的顺序进行排序,从而生成对应的第一向量,在一个实施例中,为了便于计算,各个气体含量可以适当进行预处理,例如扩大倍数,取整、缩小倍数、归一化处理等,本申请对此不作限定,可以由相关人员根据实际情况自行设定即可,输入生成模型中,从而可以得到初始值,然后将故障类型对应的模板向量进行输入,从而得到训练后的暂时预测值/>和中间生成模型。所述第一气体比值、第二气体比值、第三气体比值进行向量化,得到第二向量/>并输入至初始判别模型中,通过随机梯度下降方法进行更新,即一组训练数据完成后,才进行下一组训练数据的训练,并且每次训练完成后都对生成模型和判别模型中的参数进行更新,从而完成对模型的训练,更新的方式同理也可以是随机梯度下降法进行更新。最后根据公式对所述中间生成模型和中间判别模型进行二次训练,训练完成后得到所述预训练的生成模型和所述预训练的判别模型;其中/>表示在满足上述公式的前提下取/>的最小值以及/>的最大值,/>表示在取/>的最小值以及/>的最大值时对应的指标值。需要说明的是,每组训练数据都需要经过上述三个公式的训练,在一组数据的训练过程中,需要对参数进行两次更新,最终得到中间生成模型参数集/>以及中间判别模型参数集/>的最优值。
在一个实施例中,所述训练完成后得到所述预训练的生成模型和所述预训练的判别模型的步骤S303之后,还包括:
S3041:获取检测样本集;其中,所述检测样本集中的一组数据第一气体含量、第二气体含量、第三气体含量、第四气体含量、第五气体含量、第一气体比值、第二气体比值、第三气体比值以及实际故障类型;
S3042:将所述检测样本集中一组数据的第一气体含量、第二气体含量、第三气体含量、第四气体含量以及第五气体含量进行向量化,得到第三向量,并将对应改组数据的第一气体比值、第二气体比值、第三气体比值进行向量化,得到第四向量;
S3043:将所述第三向量输入预训练的生成模型中,并将所述第四向量输入至所述预训练的判别模型中,对所述预训练的生成模型进行纠正,得到预测故障类型;
S3044:根据所述预测故障类型与所述实际故障类型得到所述预训练的生成模型和所述预训练的中间判别模型的共同损失值;
S3045:判断所述共同损失值是否小于预设损失值;
S3046:若是,则判定训练完成后得到所述预训练的生成模型和所述预训练的判别模型满足训练要求。
如上述步骤S3041-S3046所述,实现了对所述预训练的生成模型和所述预训练的判别模型的准确性的判断,具体地,获取检测样本集,其中检测样本集可以是从气体训练样本集中抽取,也可以是另外获取到的数据,同理,将所述检测样本集中一组数据的第一气体含量、第二气体含量、第三气体含量、第四气体含量以及第五气体含量进行向量化,得到第三向量,并将对应改组数据的第一气体比值、第二气体比值、第三气体比值进行向量化,得到第四向量,将所述第三向量输入预训练的生成模型中,并将所述第四向量输入至所述预训练的判别模型中,对所述预训练的生成模型进行纠正,得到预测故障类型,根据所述预测故障类型与所述实际故障类型得到所述预训练的生成模型和所述预训练的中间判别模型的共同损失值,具体地,可以将预测不准确的数量除以检测样本集的总数量,从而可以得到该共同损失值,若所述共同损失值小于预设损失值,则可以判定训练完成后得到所述预训练的生成模型和所述预训练的判别模型满足训练要求,否则,则需要重新训练生成模型和判别模型。
在一个实施例中,所述将所述第一气体含量、所述第二气体含量、所述第三气体含量、所述第四气体含量以及所述第五气体含量输入预训练的生成模型中的步骤S4之前,还包括:
S311:获取各种变压器的故障类型,并基于各个故障类型获取对应的各个预设故障向量;
S312:将各所述预设故障向量输入至所述预训练的生成模型中,分别作为所述预训练生成模型的输出通道。
如上述步骤S311-S312所述,获取各种变压器的故障类型,并基于各个故障类型获取对应的各个预设故障向量,各种预设故障向量是根据不同的故障类型对应的各个气体含量的平均值,为预先设定的值,需要说明的是,故障类型可以是几种类型故障一起的作用的故障类型,也可以单一的故障,将其作为预训练生成模型的输出通道,可以保证输出的值为一种故障类型,而非其他的参数,提高了模型的计算效率。
在一个实施例中,所述第一气体为CH4、所述第二气体为C2H6、所述第三气体为C2H4、所述第四气体为C2C4以及所述第五气体为H2。
在一个实施例中,所述第一气体比值为第四气体含量与第三气体含量的比值,所述第二气体比值为第一气体含量与第五气体含量的比值,所述第三气体比值为第三气体含量与第二气体含量的比值。
在一个实施例中,所述通过所述预训练的判别模型的输出结果对所述预训练的生成模型输出的结果进行纠正,得到所述待测变压器的故障类型的步骤S5之后,还包括:
S601:将所述故障类型和第一气体含量、第二气体含量、第三气体含量、第四气体含量以及第五气体含量输入至预设的故障情况判断模型中,得到故障程度;其中,所述故障情况判断模型通过不同的故障类型以及对应的气体含量作为模型的输入,以对应的故障程度作为输出训练而成;
S602:根据所述故障程度对所述待测变压器进行处理。
如上述步骤S601-S602所述,将所述故障类型和第一气体含量、第二气体含量、第三气体含量、第四气体含量以及第五气体含量输入至预设的故障情况判断模型中,得到故障程度;其中,所述故障情况判断模型通过不同的故障类型以及对应的气体含量作为模型的输入,以对应的故障程度作为输出训练而成;其中故障情况判断模型为神经网络模型,在得到故障类型后,根据对应的气体含量判断是否需要处理或者选择如何处理的方式,因此需要获取到故障程度,再根据故障程度进行判断。
参照图2,本发明还提供了一种变压器状态监测系统,包括:
提取模块10,用于从待测变压器中提取油样本;
检测模块20,用于通过预设的气体检测方法对所述油样本进行检测,得到第一气体含量、第二气体含量、第三气体含量、第四气体含量以及第五气体含量;
计算模块30,用于通过预设的三比值法计算第一气体比值、第二气体比值以及第三气体比值;
输入模块40,用于将所述第一气体含量、所述第二气体含量、所述第三气体含量、所述第四气体含量以及所述第五气体含量输入预训练的生成模型中,并将所述第一气体比值、所述第二气体比值以及所述第三气体比值输入至预训练的判别模型中;其中,所述预训练的生成模型和所述预训练的判别模型通过不同的气体含量、气体比值以及对应的变压器故障原因同步训练而成;
纠正模块50,用于通过所述预训练的判别模型的输出结果对所述预训练的生成模型输出的结果进行纠正,得到所述待测变压器的故障类型。
在一个实施例中,变压器状态监测系统,还包括:
样本集获取模块,用于获取气体训练样本集;其中,所述气体训练样本集中的一组数据包括第一气体含量、第二气体含量、第三气体含量、第四气体含量、第五气体含量、第一气体比值、第二气体比值、第三气体比值以及故障类型;
气体含量向量化模块,用于将所述气体训练样本集中一组数据的第一气体含量、第二气体含量、第三气体含量、第四气体含量以及第五气体含量进行向量化,得到第一向量,并输入至初始生成模型中,得到初始值/>,将所述故障类型对应的目标向量/>输入所述初始生成模型中,通过公式/>对所述初始生成模型进行初始训练,并得到训练后的暂时预测值/>和中间生成模型,
并将所述第一气体比值、第二气体比值、第三气体比值进行向量化,得到第二向量并输入至初始判别模型中,通过公式/>对所述初始生成模型进行初始训练,得到中间判别模型;其中,/>,,/>表示生成模型的参数集,/>表示判别模型的参数集;
二次训练模块,用于根据公式对所述中间生成模型和中间判别模型进行二次训练,训练完成后得到所述预训练的生成模型和所述预训练的判别模型;其中/>表示在满足上述公式的前提下取/>的最小值以及/>的最大值,/>表示在取/>的最小值以及/>的最大值时对应的指标值。
在一个实施例中,变压器状态监测系统,还包括:
检测样本集获取模块,用于获取检测样本集;其中,所述检测样本集中的一组数据第一气体含量、第二气体含量、第三气体含量、第四气体含量、第五气体含量、第一气体比值、第二气体比值、第三气体比值以及实际故障类型;
向量化模块,用于将所述检测样本集中一组数据的第一气体含量、第二气体含量、第三气体含量、第四气体含量以及第五气体含量进行向量化,得到第三向量,并将对应改组数据的第一气体比值、第二气体比值、第三气体比值进行向量化,得到第四向量;
向量输入模块,用于将所述第三向量输入预训练的生成模型中,并将所述第四向量输入至所述预训练的判别模型中,对所述预训练的生成模型进行纠正,得到预测故障类型;
损失值计算模块,用于根据所述预测故障类型与所述实际故障类型得到所述预训练的生成模型和所述预训练的中间判别模型的共同损失值;
判断模块,用于判断所述共同损失值是否小于预设损失值;
判定模块,用于若是,则判定训练完成后得到所述预训练的生成模型和所述预训练的判别模型满足训练要求。
在一个实施例中,变压器状态监测系统,还包括:
故障类型获取模块,用于获取各种变压器的故障类型,并基于各个故障类型获取对应的各个预设故障向量;
输出通道设置模块,用于将各所述预设故障向量输入至所述预训练的生成模型中,分别作为所述预训练生成模型的输出通道。
本发明的有益效果:通过提取油样本,并分析处气体含量,利用各个气体含量以及三比值法中的三个气体比值,分别输入预训练的生成模型和预训练的判别模型,通过所述预训练的判别模型的输出结果对所述预训练的生成模型输出的结果进行纠正,得到所述待测变压器的故障类型,融入了三比值法中的理念,利用三个气体比值和气体含量各个的输出结果进行纠正,从而可以避免模型输出过拟合的输出结果,提高了神经网络模型的预测准确率,使结果更加真实可信。
参照图3,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储各种气体含量等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时可以实现上述任一实施例所述的变压器状态监测方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时可以实现上述任一实施例所述的变压器状态监测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM一多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种变压器状态监测方法,其特征在于,包括:
从待测变压器中提取油样本;
通过预设的气体检测方法对所述油样本进行检测,得到第一气体含量、第二气体含量、第三气体含量、第四气体含量以及第五气体含量;
通过预设的三比值法计算第一气体比值、第二气体比值以及第三气体比值;
将所述第一气体含量、所述第二气体含量、所述第三气体含量、所述第四气体含量以及所述第五气体含量输入预训练的生成模型中,并将所述第一气体比值、所述第二气体比值以及所述第三气体比值输入至预训练的判别模型中;其中,所述预训练的生成模型和所述预训练的判别模型通过不同的气体含量、气体比值以及对应的变压器故障原因同步训练而成;
通过所述预训练的判别模型的输出结果对所述预训练的生成模型输出的结果进行纠正,得到所述待测变压器的故障类型。
2.如权利要求1所述的变压器状态监测方法,其特征在于,所述将所述第一气体含量、所述第二气体含量、所述第三气体含量、所述第四气体含量以及所述第五气体含量输入预训练的生成模型中,并将所述第一气体比值、所述第二气体比值以及所述第三气体比值输入至预训练的判别模型中的步骤之前,还包括:
获取气体训练样本集;其中,所述气体训练样本集中的一组数据包括第一气体含量、第二气体含量、第三气体含量、第四气体含量、第五气体含量、第一气体比值、第二气体比值、第三气体比值以及故障类型;
将所述气体训练样本集中一组数据的第一气体含量、第二气体含量、第三气体含量、第四气体含量以及第五气体含量进行向量化,得到第一向量,并输入至初始生成模型中,得到初始值/>,将所述故障类型对应的目标向量/>输入所述初始生成模型中,通过公式对所述初始生成模型进行初始训练,并得到训练后的暂时预测值/>和中间生成模型,
并将所述第一气体比值、第二气体比值、第三气体比值进行向量化,得到第二向量并输入至初始判别模型中,通过公式/>对所述初始生成模型进行初始训练,得到中间判别模型;其中,/>,,/>表示生成模型的参数集,/>表示判别模型的参数集;
根据公式对所述中间生成模型和中间判别模型进行二次训练,训练完成后得到所述预训练的生成模型和所述预训练的判别模型;其中/>表示在满足上述公式的前提下取/>的最小值以及/>的最大值,/>表示在取/>的最小值以及/>的最大值时对应的指标值。
3.如权利要求2所述的变压器状态监测方法,其特征在于,所述训练完成后得到所述预训练的生成模型和所述预训练的判别模型的步骤之后,还包括:
获取检测样本集;其中,所述检测样本集中的一组数据第一气体含量、第二气体含量、第三气体含量、第四气体含量、第五气体含量、第一气体比值、第二气体比值、第三气体比值以及实际故障类型;
将所述检测样本集中一组数据的第一气体含量、第二气体含量、第三气体含量、第四气体含量以及第五气体含量进行向量化,得到第三向量,并将对应改组数据的第一气体比值、第二气体比值、第三气体比值进行向量化,得到第四向量;
将所述第三向量输入预训练的生成模型中,并将所述第四向量输入至所述预训练的判别模型中,对所述预训练的生成模型进行纠正,得到预测故障类型;
根据所述预测故障类型与所述实际故障类型得到所述预训练的生成模型和所述预训练的中间判别模型的共同损失值;
判断所述共同损失值是否小于预设损失值;
若是,则判定训练完成后得到所述预训练的生成模型和所述预训练的判别模型满足训练要求。
4.如权利要求1所述的变压器状态监测方法,其特征在于,所述将所述第一气体含量、所述第二气体含量、所述第三气体含量、所述第四气体含量以及所述第五气体含量输入预训练的生成模型中的步骤之前,还包括:
获取各种变压器的故障类型,并基于各个故障类型获取对应的各个预设故障向量;
将各所述预设故障向量输入至所述预训练的生成模型中,分别作为所述预训练生成模型的输出通道。
5.如权利要求1所述的变压器状态监测方法,其特征在于,所述第一气体为CH4、所述第二气体为C2H6、所述第三气体为C2H4、所述第四气体为C2C4以及所述第五气体为H2。
6.如权利要求5所述的变压器状态监测方法,其特征在于,所述第一气体比值为第四气体含量与第三气体含量的比值,所述第二气体比值为第一气体含量与第五气体含量的比值,所述第三气体比值为第三气体含量与第二气体含量的比值。
7.如权利要求1所述的变压器状态监测方法,其特征在于,所述通过所述预训练的判别模型的输出结果对所述预训练的生成模型输出的结果进行纠正,得到所述待测变压器的故障类型的步骤之后,还包括:
将所述故障类型和第一气体含量、第二气体含量、第三气体含量、第四气体含量以及第五气体含量输入至预设的故障情况判断模型中,得到故障程度;其中,所述故障情况判断模型通过不同的故障类型以及对应的气体含量作为模型的输入,以对应的故障程度作为输出训练而成;
根据所述故障程度对所述待测变压器进行处理。
8.一种变压器状态监测系统,其特征在于,包括:
提取模块,用于从待测变压器中提取油样本;
检测模块,用于通过预设的气体检测方法对所述油样本进行检测,得到第一气体含量、第二气体含量、第三气体含量、第四气体含量以及第五气体含量;
计算模块,用于通过预设的三比值法计算第一气体比值、第二气体比值以及第三气体比值;
输入模块,用于将所述第一气体含量、所述第二气体含量、所述第三气体含量、所述第四气体含量以及所述第五气体含量输入预训练的生成模型中,并将所述第一气体比值、所述第二气体比值以及所述第三气体比值输入至预训练的判别模型中;其中,所述预训练的生成模型和所述预训练的判别模型通过不同的气体含量、气体比值以及对应的变压器故障原因同步训练而成;
纠正模块,用于通过所述预训练的判别模型的输出结果对所述预训练的生成模型输出的结果进行纠正,得到所述待测变压器的故障类型。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311678502.5A CN117390520B (zh) | 2023-12-08 | 2023-12-08 | 变压器状态监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311678502.5A CN117390520B (zh) | 2023-12-08 | 2023-12-08 | 变压器状态监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117390520A true CN117390520A (zh) | 2024-01-12 |
CN117390520B CN117390520B (zh) | 2024-04-16 |
Family
ID=89441300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311678502.5A Active CN117390520B (zh) | 2023-12-08 | 2023-12-08 | 变压器状态监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117390520B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110542819A (zh) * | 2019-09-25 | 2019-12-06 | 贵州电网有限责任公司 | 一种基于半监督dbnc的变压器故障类型诊断方法 |
CN110689069A (zh) * | 2019-09-25 | 2020-01-14 | 贵州电网有限责任公司 | 一种基于半监督bp网络的变压器故障类型诊断方法 |
CN110969262A (zh) * | 2019-12-03 | 2020-04-07 | 广东电网有限责任公司 | 一种变压器故障诊断方法 |
CN111722046A (zh) * | 2020-07-01 | 2020-09-29 | 昆明理工大学 | 一种基于深度森林模型的变压器故障诊断方法 |
CN112990546A (zh) * | 2021-02-08 | 2021-06-18 | 国网上海市电力公司 | 一种基于粒子群与神经网络的化工厂电力变压器故障预测方法 |
CN113835962A (zh) * | 2021-09-24 | 2021-12-24 | 超越科技股份有限公司 | 一种服务器故障检测方法、装置、计算机设备及存储介质 |
CN114595883A (zh) * | 2022-03-07 | 2022-06-07 | 大连理工大学 | 基于元学习的油浸式变压器剩余寿命个性化动态预测方法 |
CN115329908A (zh) * | 2022-10-14 | 2022-11-11 | 西安热工研究院有限公司 | 一种基于深度学习的电力变压器故障诊断方法 |
CN115470839A (zh) * | 2022-08-19 | 2022-12-13 | 中石化石油工程技术服务有限公司 | 一种电力变压器故障诊断方法 |
WO2023024427A1 (zh) * | 2021-08-24 | 2023-03-02 | 平安科技(深圳)有限公司 | 适用于bert模型的蒸馏方法、装置、设备及存储介质 |
CN116307014A (zh) * | 2022-09-07 | 2023-06-23 | 南方电网数字电网研究院有限公司 | 故障预测模型训练方法和装置、故障预测方法 |
CN116399579A (zh) * | 2023-06-08 | 2023-07-07 | 国网山东省电力公司济南供电公司 | 变压器机械故障诊断方法、装置、计算机设备及存储介质 |
CN116756508A (zh) * | 2023-06-25 | 2023-09-15 | 云南电网有限责任公司电力科学研究院 | 变压器的故障诊断方法、装置、计算机设备及存储介质 |
CN116842433A (zh) * | 2023-05-22 | 2023-10-03 | 贵州电网有限责任公司 | 一种基于集成学习及天牛须算法的配电网故障分类方法 |
CN117095699A (zh) * | 2023-09-04 | 2023-11-21 | 东北大学 | 基于循环生成对抗网络的变压器异常声纹样本生成方法 |
-
2023
- 2023-12-08 CN CN202311678502.5A patent/CN117390520B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110542819A (zh) * | 2019-09-25 | 2019-12-06 | 贵州电网有限责任公司 | 一种基于半监督dbnc的变压器故障类型诊断方法 |
CN110689069A (zh) * | 2019-09-25 | 2020-01-14 | 贵州电网有限责任公司 | 一种基于半监督bp网络的变压器故障类型诊断方法 |
CN110969262A (zh) * | 2019-12-03 | 2020-04-07 | 广东电网有限责任公司 | 一种变压器故障诊断方法 |
CN111722046A (zh) * | 2020-07-01 | 2020-09-29 | 昆明理工大学 | 一种基于深度森林模型的变压器故障诊断方法 |
CN112990546A (zh) * | 2021-02-08 | 2021-06-18 | 国网上海市电力公司 | 一种基于粒子群与神经网络的化工厂电力变压器故障预测方法 |
WO2023024427A1 (zh) * | 2021-08-24 | 2023-03-02 | 平安科技(深圳)有限公司 | 适用于bert模型的蒸馏方法、装置、设备及存储介质 |
CN113835962A (zh) * | 2021-09-24 | 2021-12-24 | 超越科技股份有限公司 | 一种服务器故障检测方法、装置、计算机设备及存储介质 |
CN114595883A (zh) * | 2022-03-07 | 2022-06-07 | 大连理工大学 | 基于元学习的油浸式变压器剩余寿命个性化动态预测方法 |
CN115470839A (zh) * | 2022-08-19 | 2022-12-13 | 中石化石油工程技术服务有限公司 | 一种电力变压器故障诊断方法 |
CN116307014A (zh) * | 2022-09-07 | 2023-06-23 | 南方电网数字电网研究院有限公司 | 故障预测模型训练方法和装置、故障预测方法 |
CN115329908A (zh) * | 2022-10-14 | 2022-11-11 | 西安热工研究院有限公司 | 一种基于深度学习的电力变压器故障诊断方法 |
CN116842433A (zh) * | 2023-05-22 | 2023-10-03 | 贵州电网有限责任公司 | 一种基于集成学习及天牛须算法的配电网故障分类方法 |
CN116399579A (zh) * | 2023-06-08 | 2023-07-07 | 国网山东省电力公司济南供电公司 | 变压器机械故障诊断方法、装置、计算机设备及存储介质 |
CN116756508A (zh) * | 2023-06-25 | 2023-09-15 | 云南电网有限责任公司电力科学研究院 | 变压器的故障诊断方法、装置、计算机设备及存储介质 |
CN117095699A (zh) * | 2023-09-04 | 2023-11-21 | 东北大学 | 基于循环生成对抗网络的变压器异常声纹样本生成方法 |
Non-Patent Citations (3)
Title |
---|
时春林: "变电站变压器状态监测与故障诊断技术研究", 《照明电器》, no. 185, 31 October 2023 (2023-10-31), pages 165 - 167 * |
杨春霖 等: "基于大数据驱动的变压器运行状态评估", 《电力大数据》, vol. 24, no. 3, 31 March 2021 (2021-03-31), pages 25 - 33 * |
王祯璋 等: "基于无线远程通信技术的变压器状态在线监测系统设计", 《电力与能源》, vol. 38, no. 6, 31 December 2017 (2017-12-31), pages 688 - 691 * |
Also Published As
Publication number | Publication date |
---|---|
CN117390520B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
CN109447263B (zh) | 一种基于生成对抗网络的航天异常事件检测方法 | |
US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
CN107316057B (zh) | 核动力装置故障诊断方法 | |
CN110348752B (zh) | 一种考虑环境干扰的大型工业系统结构安全性评估方法 | |
CN111814956B (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
CN113159162B (zh) | 一种基于信息融合与灰色关联度的故障诊断方法及系统 | |
CN112087443B (zh) | 工业传感网络信息物理攻击下的传感数据异常检测方法 | |
CN110046379A (zh) | 一种基于空间-频率信息的结构整体损伤识别方法 | |
CN110491106B (zh) | 基于知识图谱的数据预警方法、装置和计算机设备 | |
CN108920677A (zh) | 问卷调查方法、调查系统及电子设备 | |
CN116086790B (zh) | 氢燃料电池高压阀的性能检测方法及其系统 | |
CN111240975A (zh) | 人工智能系统风险检测方法、装置、计算机设备与介质 | |
CN116382100B (zh) | 一种油气管道检测控制系统及控制方法 | |
CN113889262A (zh) | 基于模型的数据预测方法、装置、计算机设备和存储介质 | |
CN117390520B (zh) | 变压器状态监测方法及系统 | |
CN112836719A (zh) | 一种融合二分类和三元组的示功图相似性检测方法 | |
CN117315365A (zh) | 一种基于视觉分析的凸轮轴表面损伤检测系统 | |
CN112836041A (zh) | 人员关系分析方法、装置、设备及存储介质 | |
CN107729920A (zh) | 一种基于bp神经网络与d‑s证据理论结合的状态估计方法 | |
CN116861765A (zh) | 一种基于数字孪生和dbn的滚动轴承故障诊断方法及系统 | |
CN115471453A (zh) | 一种基于图像处理的电力设备故障诊断方法 | |
Utkin et al. | A fuzzy software reliability model with multiple-error introduction and removal | |
CN114066214A (zh) | 一种基于多融合卷积神经网络的电能质量分析方法 | |
Mohanty et al. | Fatigue life prediction using multivariate gaussian process |
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 |