CN117538680A - 一种输电导线故障监测方法、系统、设备和介质 - Google Patents
一种输电导线故障监测方法、系统、设备和介质 Download PDFInfo
- Publication number
- CN117538680A CN117538680A CN202311533917.3A CN202311533917A CN117538680A CN 117538680 A CN117538680 A CN 117538680A CN 202311533917 A CN202311533917 A CN 202311533917A CN 117538680 A CN117538680 A CN 117538680A
- Authority
- CN
- China
- Prior art keywords
- initial
- data
- modal
- transformation data
- preset
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012544 monitoring process Methods 0.000 title claims abstract description 63
- 239000004020 conductor Substances 0.000 title claims description 13
- 238000012549 training Methods 0.000 claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims abstract description 48
- 230000004044 response Effects 0.000 claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 230000003044 adaptive effect Effects 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims description 128
- 238000004364 calculation method Methods 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 230000001131 transforming effect Effects 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 abstract description 2
- 241000283153 Cetacea Species 0.000 description 14
- 238000005457 optimization Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 9
- 230000001133 acceleration Effects 0.000 description 6
- 238000012806 monitoring device Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013016 damping Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012876 topography Methods 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种输电导线故障监测方法、系统、设备和介质，涉及输电线路技术领域。通过获取输电导线横轴方向和纵轴方向的多个振动响应信号，并分别将振动响应信号进行自适应变分模态分解，生成多个固有模态分量。基于固有模态分量的熵值进行矩阵构建，生成特征矩阵。按照预设数据划分标准采用特征矩阵，构建训练集和测试集。采用训练集对初始神经网络模型进行模型训练，生成螺栓松动识别模型。将测试集输入螺栓松动识别模型进行故障检测，生成输电导线对应的故障监测数据。通过采用基于振动响应分析的结构损伤监测方法，提取特征参数，实现输电线路损伤特征的提取及故障监测。便于提醒巡检人员及时采取相应的维护措施，保证电力系统的安全运行。
Description
技术领域
本发明涉及输电线路技术领域，尤其涉及输电导线故障监测方法、系统、设备和介质。
背景技术
由于我国地域辽阔、地形复杂，受大气候、微地形和微气象等条件的影响，在输电线路长期运行中，输电导线以及地线断股损伤事故的发生频率普遍偏高。
现有的输电导线故障监测方法是通过人工巡检的方式对输电导线运行状态的进行监测，监测效率低，不能及时发现输电导线出现故障，导致监测结果准确性低。
发明内容
本发明提供了一种输电导线故障监测方法、系统、设备和介质，解决了现有的输电导线故障监测方法监测效率低，不能及时发现输电导线出现故障，导致监测结果准确性低的技术问题。
本发明提供的一种输电导线故障监测方法，包括：
获取输电导线横轴方向和纵轴方向的多个振动响应信号，分别将所述振动响应信号进行自适应变分模态分解，生成多个固有模态分量；
根据所述固有模态分量的熵值进行矩阵构建，生成特征矩阵；
按照预设数据划分标准采用所述特征矩阵，构建训练集和测试集；
采用所述训练集对初始神经网络模型进行模型训练，生成螺栓松动识别模型；
将所述测试集输入所述螺栓松动识别模型进行故障检测，生成所述输电导线对应的故障监测数据。
可选地，所述分别将所述振动响应信号进行自适应变分模态分解，生成固有模态分量的步骤，包括：
分别将所述振动响应信号对应的模态和中心频率进行初始化，生成初始模态和初始中心频率；
将所述初始模态、所述初始中心频率和所述初始中间频率对应的初始拉格朗日算子分别进行傅里叶变换，生成初始模态变换数据、初始频率变换数据和初始算子变换数据；
采用所述初始模态变换数据、所述初始频率变换数据和所述初始算子变换数据进行数据更新，生成中间模态变换数据、中间中心频率和中间算子变换数据；
采用所述中间模态变换数据、所述中间中心频率和所述中间算子变换数据进行收敛判断，确定多个固有模态分量。
可选地，所述采用所述初始模态变换数据、所述初始频率变换数据和所述初始算子变换数据进行数据更新，生成中间模态变换数据、中间中心频率和中间算子变换数据的步骤，包括：
将所述初始频率变换数据、所述初始算子变换数据和对应的响应频率代入预设模态计算公式对所述初始模态变换数据进行更新，生成中间模态变换数据；
所述预设模态计算公式为：
其中，为中间模态变换数据；/>为原始信号对应的傅里叶变换数据；为其他固有模态函数的频率响应；/>为初始算子变换数据；α为惩罚因子；ω为初始频率变换数据；ωk为k个模态对应的频率变换数据；k为模态个数；n为迭代次数；
将所述中间模态变换数据对应的中间模态和所述初始中心频率代入预设中心频率计算公式进行中心频率更新，生成中间中心频率；
所述预设中心频率计算公式为：
其中，为中间中心频率；ω为初始频率变换数据；/>为中间模态；k为模态个数；n为迭代次数；
将所述初始频率变换数据、所述中间模态和所述初始算子变换数据代入预设拉格朗日计算公式进行拉格朗日算子更新，生成中间算子变换数据；
所述预设拉格朗日计算公式为：
其中，为中间算子变换数据；/>为初始算子变换数据；/>为原始信号对应的傅里叶变换数据；/>为中间模态；k为模态个数；n为迭代次数。
可选地，所述采用所述中间模态变换数据、所述中间中心频率和所述中间算子变换数据进行收敛判断，确定多个固有模态分量的步骤，包括：
将所述中间模态变换数据和对应的初始模态变换数据代入预设收敛条件公式进行收敛判断，生成判断数据；
所述预设收敛条件公式为：
其中，为中间模态变换数据；/>为模拟中第n步中第k个网格节点的解即初始模态变换数据；k为模态个数；n为迭代次数；
当所述判断数据为不满足时，将当前时刻的所述中间模态作为初始模态；
将所述中间中心频率作为初始中心频率；
将所述中间算子变换数据对应的中间拉格朗日算子作为初始拉格朗日算子，并跳转执行所述将所述初始模态、所述初始中心频率和所述初始中间频率对应的初始拉格朗日算子分别进行傅里叶变换，生成初始模态变换数据、初始频率变换数据和初始算子变换数据的步骤；
当所述判断数据为满足时，选取所述中间模态变换数据对应的多个模态分量，生成多个固有模态分量。
可选地，所述根据所述固有模态分量的熵值进行矩阵构建，生成特征矩阵的步骤，包括：
分别采用所述固有模态分量进行相关系数和阈值计算，生成所述固有模态分量对应的相关系数和阈值；
选取所述相关系数大于所述阈值的固有模态分量作为特征分量；
将所述特征分量代入预设指数熵公式，计算得到所述特征分量对应的指数熵；
采用全部所述指数熵进行特征向量矩阵构建，生成特征矩阵。
可选地，所述分别采用所述固有模态分量进行相关系数和阈值计算，生成所述固有模态分量对应的相关系数和阈值的步骤，包括：
采用预设相关系数公式分别计算所述固有模态分量与对应的振动响应信号之间相关系数，生成相关系数；
所述预设相关系数公式为：
其中，Rk为相关系数；IMFk为VMD算法分解后得到的IMF分量；f0(t)为原始信号；E{·}为期望；表示IMFk的均值；/>表示f0(t)的均值；/>为IMFk的标准差；/>为f0(t)的标准差；
采用预设阈值公式计算所述固有模态分量对应的阈值，生成阈值；
所述预设阈值公式为：
其中，ηR为阈值；Rk为相关系数；k为模态个数。
可选地，所述采用所述训练集对初始神经网络模型进行模型训练，生成螺栓松动识别模型的步骤，包括：
分别提取所述训练集中各训练样本对应的小波时频图；
按照预设分类器算法采用所述小波时频图对初始神经网络模型进行模型训练，生成目标神经网络模型并统计迭代次数；
当所述迭代次数为预设迭代阈值时，将当前时刻对应的目标神经网络模型作为螺栓松动识别模型。
本发明还提供了一种输电导线故障监测系统，包括：
固有模态分量生成模块，用于获取输电导线横轴方向和纵轴方向的多个振动响应信号，将所述振动响应信号进行自适应变分模态分解，生成多个固有模态分量；
特征矩阵生成模块，用于根据所述固有模态分量的熵值进行矩阵构建，生成特征矩阵；
训练集和测试集构建模块，用于按照预设数据划分标准采用所述特征矩阵，构建训练集和测试集；
螺栓松动识别模型生成模块，用于采用所述训练集对初始神经网络模型进行模型训练，生成螺栓松动识别模型；
故障监测数据生成模块，用于将所述测试集输入所述螺栓松动识别模型进行故障检测，生成所述输电导线对应的故障监测数据。
本发明还提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行实现如上述任一项输电导线故障监测方法的步骤。
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，所述计算机程序被执行时实现如上述任一项输电导线故障监测方法。
从以上技术方案可以看出，本发明具有以下优点：
本发明通过获取输电导线横轴方向和纵轴方向的多个振动响应信号，分别将振动响应信号进行自适应变分模态分解，生成多个固有模态分量。基于固有模态分量的熵值进行矩阵构建，生成特征矩阵。按照预设数据划分标准采用特征矩阵，构建训练集和测试集。采用训练集对初始神经网络模型进行模型训练，生成螺栓松动识别模型。将测试集输入螺栓松动识别模型进行故障检测，生成输电导线对应的故障监测数据。解决了现有的输电导线故障监测方法监测效率低，不能及时发现输电导线出现故障，导致监测结果准确性低的技术问题。在导线上安装加速度传感器收集振动信号，再根据信号分析方法得到导线的结构参数特征即固有模态分量，通过对比特征参数的变化判断有无隐患和损伤。通过对输电导线运行状态信号的实时检测，并对比分析来实现输电线损伤的故障检测评估，能有效保障电网的安全运行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例一提供的一种输电导线故障监测方法的步骤流程图；
图2为本发明实施例一提供的监测装置的结构示意图；
图3为本发明实施例二提供的一种输电导线故障监测系统的结构框图。
具体实施方式
本发明实施例提供了一种输电导线故障监测方法、系统、设备和介质，用于解决现有的输电导线故障监测方法监测效率低，不能及时发现输电导线出现故障，导致监测结果准确性低的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例一提供的一种输电导线故障监测方方法的步骤流程图。
本发明实例一提供的一种输电导线故障监测方法，包括：
步骤101、获取输电导线横轴方向和纵轴方向的多个振动响应信号，分别将振动响应信号进行自适应变分模态分解，生成多个固有模态分量。
在本发明实施例中，如图2所示，本实施例中的输电导线故障监测方法可以用于监测装置，该监测装置包括有两个部分，在线监测装置以及可移动的手持数据平台。在线监测装置其结构包括加速度传感器、存储发送模块、通信模块，由加速度传感器采集输电线振动信号，并由存储发送模块将采集到的信号数据发送至手持数据平台。手持数据平台其结构包括嵌入了核心处理算法的专家软件以及故障诊断系统，共同完成对输电线振动信号特征参数的提取以及故障诊断。
在输电导线上安装加速度传感器，在X方向、Y方向各一个。专家软件中嵌入基于振动响应分析的核心处理算法，实现对信号状态参数的识别。在风激励的作用下，输电线产生振动，加速度传感器接收输电导线的振动响应信号。通过WIFI实时将采集到的数据传输至手持数据平台。对采集的振动响应信号进行自适应变分模态分解。利用鲸鱼优化算法优化变分模态分解(WOA-VMD)将收集到的振动信号中的固有模态分量(IMF)有效分离。架空输电导线属于连续体，其振动属于多自由度连续体的振动，其导线损伤散股、断股会引起结构模态的变化，IMF可以在一定程度上反应结构状态。
进一步地，步骤101可以包括以下子步骤S11-S14：
S11、分别将振动响应信号对应的模态和中心频率进行初始化，生成初始模态和初始中心频率。
S12、将初始模态、初始中心频率和初始中间频率对应的初始拉格朗日算子分别进行傅里叶变换，生成初始模态变换数据、初始频率变换数据和初始算子变换数据。
S13、采用初始模态变换数据、初始频率变换数据和初始算子变换数据进行数据更新，生成中间模态变换数据、中间中心频率和中间算子变换数据。
S14、采用中间模态变换数据、中间中心频率和中间算子变换数据进行收敛判断，确定多个固有模态分量。
进一步地，步骤S13可以包括以下子步骤S131-S133：
S131、将初始频率变换数据、初始算子变换数据和对应的响应频率代入预设模态计算公式对初始模态变换数据进行更新，生成中间模态变换数据。
S132、将中间模态变换数据对应的中间模态和初始中心频率代入预设中心频率计算公式进行中心频率更新，生成中间中心频率。
S133、将初始频率变换数据、中间模态和初始算子变换数据代入预设拉格朗日计算公式进行拉格朗日算子更新，生成中间算子变换数据。
进一步地，步骤S14可以包括以下子步骤S141-S145：
S141、将中间模态变换数据和对应的初始模态变换数据代入预设收敛条件公式进行收敛判断，生成判断数据。
预设收敛条件公式为：
其中，为中间模态变换数据；/>为其他固有模态函数的频率响应；k为模态个数；n为迭代次数。
S142、当判断数据为不满足时，将当前时刻的中间模态作为初始模态。
S143、将中间中心频率作为初始中心频率。
S144、将中间算子变换数据对应的中间拉格朗日算子作为初始拉格朗日算子，并跳转执行将初始模态、初始中心频率和初始中间频率对应的初始拉格朗日算子分别进行傅里叶变换，生成初始模态变换数据、初始频率变换数据和初始算子变换数据的步骤。
S145、当判断数据为满足时，选取中间模态变换数据对应的多个模态分量，生成多个固有模态分量。
在本发明实施例中，变分模态分解是一种建立在EMD基础上的时频分析方法，VMD能够自适应匹配每种模态的最佳中心频率和有限带宽，实现固有模态分量(IMF)有效分离。我们用希尔伯特变换计算相关的解析信号，以得到一个单侧频谱。通过与调谐到各自估计中心频率的指数混合，将模态的频谱移到基带，通过解调信号的高斯平滑度估计每一个模态的带宽。约束变分问题可以用变分模态分解公式来描述，该变分模态分解公式为：
其中，uk和ωk分别是所有模态和对应中心频率集合；δ(t)是狄拉克函数；k为模态个数；f为原始信号；为经过Hilbert变换后uk(t)的频谱；*为卷积运算；/>为梯度运算。
同时使用二次罚项和拉格朗日乘子解决重构约束的问题，这两项的结合的优点是二次罚函数在有限权值处具有良好的收敛性，以及拉格朗日乘子对约束的严格执行。增广拉格朗日量对应的表达式为：
其中，α是惩罚因子；λ是Lagrange算子。
之后，利用乘子交替方向算法，得到uk、ωk及λ的更新公式，即得到预设模态计算公式、预设中心频率计算公式和预设拉格朗日计算公式。
uk的迭代即预设模态计算公式为：
其中，为中间模态变换数据；/>为原始信号对应的傅里叶变换数据；为模拟中第n步中第k个网格节点的解即初始模态变换数据；/>为初始算子变换数据；α为惩罚因子；ω为初始频率变换数据；ωk为k个模态对应的频率变换数据；k为模态个数；n为迭代次数；/>分别为对应于/>f(t)、λ(t)的傅里叶变换。
ωk的迭代即预设中心频率计算公式为：
其中，为中间中心频率；ω为初始频率变换数据；/>为中间模态；k为模态个数；n为迭代次数。
λ的迭代即预设拉格朗日计算公式为：
其中，为中间算子变换数据；/>为初始算子变换数据；/>为原始信号对应的傅里叶变换数据；/>为中间模态；k为模态个数；n为迭代次数。
初始化和/>迭代次数n置为1。采用预设模态计算公式、预设中心频率计算公式和预设拉格朗日计算公式对中间模态变换数据、中间中心频率和中间算子变换数据进行更新。判断是否满足预设收敛条件公式的收敛条件，重复以上步骤，更新参数，直至满足条件截止。模态分量和二次惩罚因子对VMD分解结果至关重要，如果参数选择不当会导致模态分量丢失或模态混叠现象，因此本发明采用将鲸鱼优化算法(WOA)引入VMD的参数优化过程，自适应的获得最佳参数组合。
为了在相应的VMD参数下使分解结果合理，需要设置k的阈值范围[2,p]和α的阈值范围[a,b]。利用WOA寻找VMD的最优参数，使目标函数在VMD阈值范围内最小化。同时，每个鲸鱼位置[K,α]代表VMD参数优化的候选解。其公式如下：
式中，E表示目标函数，用于评估VMD的分解结果的合理性；Km表示鲸鱼的优化参数K的值；N表示鲸鱼的数量，这里指的是进行WOA优化的鲸鱼的数量。K表示VMD参数K的候选解集合，表示VMD信号分解的分量数。p表示VMD参数K的最大值范围。
步骤102、根据固有模态分量的熵值进行矩阵构建，生成特征矩阵。
进一步地，步骤102可以包括以下子步骤S21-S24：
S21、分别采用固有模态分量进行相关系数和阈值计算，生成固有模态分量对应的相关系数和阈值。
S22、选取相关系数大于阈值的固有模态分量作为特征分量。
S23、将特征分量代入预设指数熵公式，计算得到特征分量对应的指数熵。
S24、采用全部指数熵进行特征向量矩阵构建，生成特征矩阵。
进一步地，步骤S21可以包括以下子步骤S211-S212：
S211、采用预设相关系数公式分别计算固有模态分量与对应的振动响应信号之间相关系数，生成相关系数。
S212、采用预设阈值公式计算固有模态分量对应的阈值，生成阈值。
在本发明实施例中，计算分解得到的IMF信号的EE指数熵，利用提取的指数熵构造出具有一定大小的特征矩阵。此方法可以定量的反应输电导线断股、散股情况下的动力学特性。每个IMF分量与原始信号之间的相关系数计算公式即预设相关系数公式如下：
其中，Rk为相关系数；IMFk为VMD算法分解后得到的IMF分量；f0(t)为原始信号；E{·}为期望；表示IMFk的均值；/>表示f0(t)的均值；/>为IMFk的标准差；/>为f0(t)的标准差。
相关系数Rk反映了各IMF分量与原始信号之间的相关性程度，Rk值越大相关性越大。相关系数的平均值公式可以设置为选取特征分量的阈值公式。预设阈值公式如下：
其中，ηR为阈值；Rk为相关系数；k为由VMD算法分解得到的IMF分量的模态个数。
选取特征分量的步骤如下：
(1)对信号进行VMD算法分解得到k个IMF分量；
(2)根据预设相关系数公式如分别计算各IMF分量与原始信号之间的相关系数；
(3)根据预设阈值公式计算特征分量的选取阈值ηR；
(4)将各IMF分量与原始信号之间的相关性系数与阈值ηR进行比较，选取相关系数大于阈值IMF分量作为特征分量，实现对信号特征分量的选取。
根据EE的基本定义，每个IMF分量EE值对应的定义公式如下：
其中：EE(IMFk)为IMFk的指数熵；N为时间序列IMFk的样本点数；pi为第i个样本点的能量与IMFk能量比的概率。
(5)根据定义公式计算特征分量的EE值EEi(i＝1,2,3,···,m)。
将各EE值构成特征矩阵进而实现对振动信号特征的提取。
步骤103、按照预设数据划分标准采用特征矩阵，构建训练集和测试集。
预设数据划分标准是指基于实际需要事先设置的划分训练集和测试集的要求。
在本发明实施例中，基于小波时频图与CNN的输电导线状态识别方法，该方法分为训练和测试两个阶段。根据SVM分类器算法的要求，将不同的导线振动情况下，经过WOA-VMD分解中提取的特征矩阵作为输入样本。每种状态的样本随机分为训练数据和测试数据两类。
步骤104、采用训练集对初始神经网络模型进行模型训练，生成螺栓松动识别模型。
进一步地，步骤104可以包括以下子步骤S31-S33：
S31、分别提取训练集中各训练样本对应的小波时频图。
S32、按照预设分类器算法采用小波时频图对初始神经网络模型进行模型训练，生成目标神经网络模型并统计迭代次数。
S33、当迭代次数为预设迭代阈值时，将当前时刻对应的目标神经网络模型作为螺栓松动识别模型。
在本发明实施例中，基于小波时频图与CNN的输电导线状态识别方法，该方法分为训练和测试两个阶段。根据SVM分类器算法的要求，将不同的导线振动情况下，经过WOA-VMD分解中提取的特征矩阵作为输入样本。每种状态的样本随机分为训练数据和测试数据两类，训练数据在训练阶段通过信号处理方法提取信号的小波时频图作为输入，利用设置好参数的CNN进行训练得到螺栓松动识别模型，然后将测试数据输入到训练好的模型中进行故障检测，经过WOA-SVM方法分类训练，输出代表不同输电导线损伤态的检测结果和故障识别率。
具体的算法为鲸鱼优化算法WOA，WOA是一种模拟座头鲸狩猎行为的元启发式优化算法，鲸鱼优化算法提出一种全局优化器，将搜索过程分为探索阶段和开发阶段两个阶段，两者共同作用来解决搜索过程中探索与开发之间的不平衡问题。算法的主要过程有：
①包围猎物，相应的数学模型如下述所示：
式中，表示问题中解的变量个数向量；/>表示(t+1)次迭代次数中鲸鱼的位置；t表示当前迭代；/>和/>表示系数向量；/>表示到目前为止得到的最优解的位置向量；/>代表鲸鱼的位置矢量。
②泡网攻击，其数学模型可以由下述建立：
式中，代表鲸鱼与猎物之间的距离，b表示一个可以模拟对数螺旋形状的常数，l代表[-1,1]中的一个变量，p是[0,1]中的一个随机值。
③寻找猎物，这种行为的公式表示为：
式中，是从当前鲸鱼种群中选取的随机位置向量。
步骤105、将测试集输入螺栓松动识别模型进行故障检测，生成输电导线对应的故障监测数据。
在本发明实施例中，将测试集输入到训练好的模型中进行故障检测，经过WOA-SVM方法分类训练，输出代表不同输电导线损伤态的检测结果和故障识别率，从而得到输电导线对应的故障监测数据。WOA-SVM故障诊断具体为：由于导线断股、散股将使其固有参数发生变化，在振动响应方面，能量在频段上的分布会随着导线的健康状态而变化。为了描述这种变化，引入质心频率指数，由下述公式定义：
式中，为信号x(t)的振幅谱；ωc表示质心频率。
质心频率可以看作是功率谱密度函数除以频率的加权和。对于自由振型，由于其功率谱密度函数与固有频率和阻尼比有关，因此其质心频率与固有频率和阻尼比有关。因此，质心频率比固有频率或阻尼比等单一参数承载更多的特征信息，更适合识别输电线的状态表征。
支持向量机可以根据已知的故障样本数据，平衡学习能力与故障分类模型复杂程度之间的关系，且不需要大量的故障样本数据，很适用于对复杂系统进行故障分类。SVM引入了一种核函数，能将质心频率参数映射到无穷维空间中，其表达式为：
式中，x为空间中任意点的位置，z为核函数的中心，σ为函数的宽度参数。
高斯径向基核函数的参数gamma和惩罚因子C的参数c对最佳模型的建立影响很大是影响故障分类模型训练精确度的一个重要因素。
gamma是高斯径向基核函数的一个主要参数，用于控制数据映射后的样本之间的相似度。较大的gamma值会使得样本之间的相似度下降，模型会更加注重局部的细节，可能会导致过拟合；而较小的gamma值会使得样本之间的相似度增加，模型会更加注重整体的结构，可能会导致欠拟合。另外，惩罚因子C参数在SVM中用于平衡间隔边界和分类误差的权重。较大的C值意味着更严格的分类要求，可能会导致过拟合；而较小的C值会降低对于分类错误的惩罚，模型会更关注最大化间隔边界，可能会导致欠拟合。
在求解SVM模型参数的过程中，并不直接对核函数参数gamma和惩罚因子C进行全局最优化，而是通过交叉验证等方法来选择合适的取值。WOA算法可以应用于优化问题，因此本发明利用WOA算法进行精确寻优得到全局最优解，它可以加快c，gamma参数的寻优速度，缩短故障分类模型建立的时间，提高故障诊断的准确率。
在本发明实施例中，通过获取输电导线横轴方向和纵轴方向的多个振动响应信号，分别将振动响应信号进行自适应变分模态分解，生成多个固有模态分量。基于固有模态分量的熵值进行矩阵构建，生成特征矩阵。按照预设数据划分标准采用特征矩阵，构建训练集和测试集。采用训练集对初始神经网络模型进行模型训练，生成螺栓松动识别模型。将测试集输入螺栓松动识别模型进行故障检测，生成输电导线对应的故障监测数据。解决了现有的输电导线故障监测方法监测效率低，不能及时发现输电导线出现故障，导致监测结果准确性低的技术问题。通过加速度传感器实时采集输电线路运行时产生的振动信号。并采用基于振动响应分析的结构损伤监测方法，提取特征参数，实现输电线路损伤特征的提取及故障监测。便于提醒巡检人员及时采取相应的维护措施，防止断电事故发生，保证电力系统的安全运行。
请参阅图3，图3为本发明实施例二提供的一种输电导线故障监测方系统的结构框图。
本发明实例二提供的一种输电导线故障监测系统，包括：
固有模态分量生成模块301，用于获取输电导线横轴方向和纵轴方向的多个振动响应信号，将振动响应信号进行自适应变分模态分解，生成多个固有模态分量。
特征矩阵生成模块302，用于根据固有模态分量的熵值进行矩阵构建，生成特征矩阵。
训练集和测试集构建模块303，用于按照预设数据划分标准采用特征矩阵，构建训练集和测试集。
螺栓松动识别模型生成模块304，用于采用训练集对初始神经网络模型进行模型训练，生成螺栓松动识别模型。
故障监测数据生成模块305，用于将测试集输入螺栓松动识别模型进行故障检测，生成输电导线对应的故障监测数据。
可选地，固有模态分量生成模块301包括：
初始模态和初始中心频率生成模块，用于分别将振动响应信号对应的模态和中心频率进行初始化，生成初始模态和初始中心频率。
初始模态变换数据、初始频率变换数据和初始算子变换数据生成模块，用于将初始模态、初始中心频率和初始中间频率对应的初始拉格朗日算子分别进行傅里叶变换，生成初始模态变换数据、初始频率变换数据和初始算子变换数据。
中间模态变换数据、中间中心频率和中间算子变换数据生成模块，用于采用初始模态变换数据、初始频率变换数据和初始算子变换数据进行数据更新，生成中间模态变换数据、中间中心频率和中间算子变换数据。
固有模态分量生成子模块，用于采用中间模态变换数据、中间中心频率和中间算子变换数据进行收敛判断，确定多个固有模态分量。
可选地，中间模态变换数据、中间中心频率和中间算子变换数据生成模块可以执行以下步骤：
将初始频率变换数据、初始算子变换数据和对应的响应频率代入预设模态计算公式对初始模态变换数据进行更新，生成中间模态变换数据；
预设模态计算公式为：
其中，为中间模态变换数据；/>为原始信号对应的傅里叶变换数据；为其他固有模态函数的频率响应；/>为初始算子变换数据；α为惩罚因子；ω为初始频率变换数据；ωk为k个模态对应的频率变换数据；k为模态个数；n为迭代次数；
将中间模态变换数据对应的中间模态和初始中心频率代入预设中心频率计算公式进行中心频率更新，生成中间中心频率；
预设中心频率计算公式为：
其中，为中间中心频率；ω为初始频率变换数据；/>为中间模态；k为模态个数；n为迭代次数；
将初始频率变换数据、中间模态和初始算子变换数据代入预设拉格朗日计算公式进行拉格朗日算子更新，生成中间算子变换数据；
预设拉格朗日计算公式为：
其中，为中间算子变换数据；/>为初始算子变换数据；/>为原始信号对应的傅里叶变换数据；/>为中间模态；k为模态个数；n为迭代次数。
可选地，固有模态分量生成子模块可以执行以下步骤：
将中间模态变换数据和对应的初始模态变换数据代入预设收敛条件公式进行收敛判断，生成判断数据；
预设收敛条件公式为：
其中，为中间模态变换数据；/>为模拟中第n步中第k个网格节点的解即初始模态变换数据；k为模态个数；n为迭代次数；
当判断数据为不满足时，将当前时刻的中间模态作为初始模态；
将中间中心频率作为初始中心频率；
将中间算子变换数据对应的中间拉格朗日算子作为初始拉格朗日算子，并跳转执行将初始模态、初始中心频率和初始中间频率对应的初始拉格朗日算子分别进行傅里叶变换，生成初始模态变换数据、初始频率变换数据和初始算子变换数据的步骤；
当判断数据为满足时，选取中间模态变换数据对应的多个模态分量，生成多个固有模态分量。
可选地，特征矩阵生成模块302包括：
相关系数和阈值生成模块，用于分别采用固有模态分量进行相关系数和阈值计算，生成固有模态分量对应的相关系数和阈值。
特征分量选取模块，用于选取相关系数大于阈值的固有模态分量作为特征分量。
指数熵得到模块，用于将特征分量代入预设指数熵公式，计算得到特征分量对应的指数熵。
特征矩阵生成子模块，用于采用全部指数熵进行特征向量矩阵构建，生成特征矩阵。
可选地，相关系数和阈值生成模块可以执行以下步骤：
采用预设相关系数公式分别计算固有模态分量与对应的振动响应信号之间相关系数，生成相关系数；
预设相关系数公式为：
其中，Rk为相关系数；IMFk为VMD算法分解后得到的IMF分量；f0(t)为原始信号；E{·}为期望；表示IMFk的均值；/>表示f0(t)的均值；/>为IMFk的标准差；/>为f0(t)的标准差；
采用预设阈值公式计算固有模态分量对应的阈值，生成阈值；
预设阈值公式为：
其中，ηR为阈值；Rk为相关系数；k为模态个数。
可选地，螺栓松动识别模型生成模块304可以执行以下步骤：
分别提取训练集中各训练样本对应的小波时频图；
按照预设分类器算法采用小波时频图对初始神经网络模型进行模型训练，生成目标神经网络模型并统计迭代次数；
当迭代次数为预设迭代阈值时，将当前时刻对应的目标神经网络模型作为螺栓松动识别模型。
本发明实施例还提供了一种电子设备，电子设备包括：存储器及处理器，存储器中储存有计算机程序；计算机程序被处理器执行时，使得处理器执行如上述任一实施例的输电导线故障监测方法。
存储器可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器具有用于执行上述方法中的任何方法步骤的程序代码的存储空间。例如，用于程序代码的存储空间可以包括分别用于实现上面的方法中的各种步骤的各个程序代码。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。程序代码可以例如以适当形式进行压缩。这些代码当由计算处理设备运行时，导致该计算处理设备执行上面所描述的输电导线故障监测方法中的各个步骤。
本发明实施例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，该计算机程序被处理器执行时实现如上述任一实施例的输电导线故障监测方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种输电导线故障监测方法，其特征在于，包括：
获取输电导线横轴方向和纵轴方向的多个振动响应信号，分别将所述振动响应信号进行自适应变分模态分解，生成多个固有模态分量；
根据所述固有模态分量的熵值进行矩阵构建，生成特征矩阵；
按照预设数据划分标准采用所述特征矩阵，构建训练集和测试集；
采用所述训练集对初始神经网络模型进行模型训练，生成螺栓松动识别模型；
将所述测试集输入所述螺栓松动识别模型进行故障检测，生成所述输电导线对应的故障监测数据。
2.根据权利要求1所述的输电导线故障监测方法，其特征在于，所述分别将所述振动响应信号进行自适应变分模态分解，生成固有模态分量的步骤，包括：
分别将所述振动响应信号对应的模态和中心频率进行初始化，生成初始模态和初始中心频率；
将所述初始模态、所述初始中心频率和所述初始中间频率对应的初始拉格朗日算子分别进行傅里叶变换，生成初始模态变换数据、初始频率变换数据和初始算子变换数据；
采用所述初始模态变换数据、所述初始频率变换数据和所述初始算子变换数据进行数据更新，生成中间模态变换数据、中间中心频率和中间算子变换数据；
采用所述中间模态变换数据、所述中间中心频率和所述中间算子变换数据进行收敛判断，确定多个固有模态分量。
3.根据权利要求2所述的输电导线故障监测方法，其特征在于，所述采用所述初始模态变换数据、所述初始频率变换数据和所述初始算子变换数据进行数据更新，生成中间模态变换数据、中间中心频率和中间算子变换数据的步骤，包括：
将所述初始频率变换数据、所述初始算子变换数据和对应的响应频率代入预设模态计算公式对所述初始模态变换数据进行更新，生成中间模态变换数据；
所述预设模态计算公式为：
其中，为中间模态变换数据；/>为原始信号对应的傅里叶变换数据；/>为其他固有模态函数的频率响应；/>为初始算子变换数据；α为惩罚因子；ω为初始频率变换数据；ωk为k个模态对应的频率变换数据；k为模态个数；n为迭代次数；
将所述中间模态变换数据对应的中间模态和所述初始中心频率代入预设中心频率计算公式进行中心频率更新，生成中间中心频率；
所述预设中心频率计算公式为：
其中，为中间中心频率；ω为初始频率变换数据；/>为中间模态；k为模态个数；n为迭代次数；
将所述初始频率变换数据、所述中间模态和所述初始算子变换数据代入预设拉格朗日计算公式进行拉格朗日算子更新，生成中间算子变换数据；
所述预设拉格朗日计算公式为：
其中，为中间算子变换数据；/>为初始算子变换数据；/>为原始信号对应的傅里叶变换数据；/>为中间模态；k为模态个数；n为迭代次数。
4.根据权利要求2所述的输电导线故障监测方法，其特征在于，所述采用所述中间模态变换数据、所述中间中心频率和所述中间算子变换数据进行收敛判断，确定多个固有模态分量的步骤，包括：
将所述中间模态变换数据和对应的初始模态变换数据代入预设收敛条件公式进行收敛判断，生成判断数据；
所述预设收敛条件公式为：
其中，为中间模态变换数据；/>为模拟中第n步中第k个网格节点的解即初始模态变换数据；k为模态个数；n为迭代次数；
当所述判断数据为不满足时，将当前时刻的所述中间模态作为初始模态；
将所述中间中心频率作为初始中心频率；
将所述中间算子变换数据对应的中间拉格朗日算子作为初始拉格朗日算子，并跳转执行所述将所述初始模态、所述初始中心频率和所述初始中间频率对应的初始拉格朗日算子分别进行傅里叶变换，生成初始模态变换数据、初始频率变换数据和初始算子变换数据的步骤；
当所述判断数据为满足时，选取所述中间模态变换数据对应的多个模态分量，生成多个固有模态分量。
5.根据权利要求1所述的输电导线故障监测方法，其特征在于，所述根据所述固有模态分量的熵值进行矩阵构建，生成特征矩阵的步骤，包括：
分别采用所述固有模态分量进行相关系数和阈值计算，生成所述固有模态分量对应的相关系数和阈值；
选取所述相关系数大于所述阈值的固有模态分量作为特征分量；
将所述特征分量代入预设指数熵公式，计算得到所述特征分量对应的指数熵；
采用全部所述指数熵进行特征向量矩阵构建，生成特征矩阵。
6.根据权利要求5所述的输电导线故障监测方法，其特征在于，所述分别采用所述固有模态分量进行相关系数和阈值计算，生成所述固有模态分量对应的相关系数和阈值的步骤，包括：
采用预设相关系数公式分别计算所述固有模态分量与对应的振动响应信号之间相关系数，生成相关系数；
所述预设相关系数公式为：
其中，Rk为相关系数；IMFk为VMD算法分解后得到的IMF分量；f0(t)为原始信号；E{·}为期望；表示IMFk的均值；/>表示f0(t)的均值；/>为IMFk的标准差；/>为f0(t)的标准差；
采用预设阈值公式计算所述固有模态分量对应的阈值，生成阈值；
所述预设阈值公式为：
其中，ηR为阈值；Rk为相关系数；k为模态个数。
7.根据权利要求1所述的输电导线故障监测方法，其特征在于，所述采用所述训练集对初始神经网络模型进行模型训练，生成螺栓松动识别模型的步骤，包括：
分别提取所述训练集中各训练样本对应的小波时频图；
按照预设分类器算法采用所述小波时频图对初始神经网络模型进行模型训练，生成目标神经网络模型并统计迭代次数；
当所述迭代次数为预设迭代阈值时，将当前时刻对应的目标神经网络模型作为螺栓松动识别模型。
8.一种输电导线故障监测系统，其特征在于，包括：
固有模态分量生成模块，用于获取输电导线横轴方向和纵轴方向的多个振动响应信号，将所述振动响应信号进行自适应变分模态分解，生成多个固有模态分量；
特征矩阵生成模块，用于根据所述固有模态分量的熵值进行矩阵构建，生成特征矩阵；
训练集和测试集构建模块，用于按照预设数据划分标准采用所述特征矩阵，构建训练集和测试集；
螺栓松动识别模型生成模块，用于采用所述训练集对初始神经网络模型进行模型训练，生成螺栓松动识别模型；
故障监测数据生成模块，用于将所述测试集输入所述螺栓松动识别模型进行故障检测，生成所述输电导线对应的故障监测数据。
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7任一项所述的输电导线故障监测方法的步骤。
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，所述计算机程序被执行时实现如权利要求1至7任一项所述的输电导线故障监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311533917.3A CN117538680A (zh) | 2023-11-16 | 2023-11-16 | 一种输电导线故障监测方法、系统、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311533917.3A CN117538680A (zh) | 2023-11-16 | 2023-11-16 | 一种输电导线故障监测方法、系统、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117538680A true CN117538680A (zh) | 2024-02-09 |
Family
ID=89793322
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311533917.3A Pending CN117538680A (zh) | 2023-11-16 | 2023-11-16 | 一种输电导线故障监测方法、系统、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117538680A (zh) |
-
2023
- 2023-11-16 CN CN202311533917.3A patent/CN117538680A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110009171B (zh) | 用户行为模拟方法、装置、设备及计算机可读存储介质 | |
| CN105488539B (zh) | 分类模型的生成方法及装置、系统容量的预估方法及装置 | |
| CN108399434B (zh) | 基于特征提取的高维时间序列数据的分析预测方法 | |
| CN112200048A (zh) | 一种基于回归模型的旋转设备故障预测方法、系统及可读存储介质 | |
| CN112085111B (zh) | 一种负荷辨识方法和装置 | |
| CN116223962B (zh) | 线束电磁兼容性预测方法、装置、设备及介质 | |
| CN110472268A (zh) | 一种桥梁监测数据模态识别方法及装置 | |
| CN117156442B (zh) | 基于5g网络的云数据安全保护方法及系统 | |
| Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
| CN112580780A (zh) | 模型训练的处理方法、装置、设备和存储介质 | |
| CN114611372A (zh) | 一种基于物联网边缘计算的工业设备健康预测方法 | |
| CN115079052A (zh) | 一种变压器故障诊断方法和系统 | |
| CN116306806A (zh) | 故障诊断模型确定方法、装置及非易失性存储介质 | |
| CN111967308A (zh) | 一种在线路面不平度辨识方法及系统 | |
| CN111461923A (zh) | 一种基于深度卷积神经网络的窃电监测系统和方法 | |
| CN117056678B (zh) | 一种基于小样本的机泵设备运行故障诊断方法及装置 | |
| CN113822336A (zh) | 一种云硬盘故障预测方法、装置、系统及可读存储介质 | |
| CN116106672B (zh) | 一种基于数据驱动与工程知识的车网谐振检测方法及装置 | |
| CN109934352B (zh) | 智能模型的自动进化方法 | |
| CN116467141A (zh) | 日志识别模型训练、日志聚类方法和相关系统、设备 | |
| CN117538680A (zh) | 一种输电导线故障监测方法、系统、设备和介质 | |
| CN113852970B (zh) | 基于图神经网络的多维频谱预测方法、系统、装置及介质 | |
| CN113553754A (zh) | 存储器、火灾风险预测模型构建方法、系统和装置 | |
| CN111126694A (zh) | 一种时间序列数据预测方法、系统、介质及设备 | |
| Brandao et al. | Fault Diagnosis of Rotary Machines Using Machine Learning |
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 |