CN117723917B - 基于光纤非本征法珀型超声波传感器的监测应用方法 - Google Patents
基于光纤非本征法珀型超声波传感器的监测应用方法 Download PDFInfo
- Publication number
- CN117723917B CN117723917B CN202410173802.6A CN202410173802A CN117723917B CN 117723917 B CN117723917 B CN 117723917B CN 202410173802 A CN202410173802 A CN 202410173802A CN 117723917 B CN117723917 B CN 117723917B
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- expressed
- evaluation index
- partial discharge
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 375
- 238000000034 method Methods 0.000 title claims abstract description 81
- 239000013307 optical fiber Substances 0.000 title claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 186
- 230000008569 process Effects 0.000 claims description 41
- 239000007789 gas Substances 0.000 claims description 37
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000009413 insulation Methods 0.000 claims description 24
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 15
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 12
- 239000001257 hydrogen Substances 0.000 claims description 12
- 229910052739 hydrogen Inorganic materials 0.000 claims description 12
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 11
- 230000032683 aging Effects 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010617 multipoint ground Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Abstract
本发明涉及超声波传感器技术领域,公开一种基于光纤非本征法珀型超声波传感器的监测应用方法,包括以下步骤:获取监测对象对应的监测参数数据;根据监测参数数据得到放电情况评估指数;根据放电情况评估指数分析监测对象局部放电情况数据;结合监测参数数据、放电情况评估指数和监测对象局部放电情况数据构建局部放电识别模型;获取待检测对象的监测参数数据并计算得到放电情况评估指数;通过局部放电识别模型识别待检测对象的局部放电情况数据。本发明通过局部放电识别模型识别待检测对象的局部放电情况数据,达到快速明确电力设备是否发生局部放电情况的效果,解决不能方便快捷明确电力设备是否发生局部放电情况的问题。
Description
技术领域
本发明涉及超声波传感器技术领域,尤其涉及基于光纤非本征法珀型超声波传感器的监测应用方法。
背景技术
随着科技水平的发展,人们的日常生活中出现了各种各样的电子产品,国家也建造了许多大型机械设备,这些电子产品和机械设备在使用过程中可能会出现一些故障问题,因此需要进行监测,以便及时发现故障的出现,用于监测功能的装置有许多,超声波传感器就是其中的一种,当前超声波技术在各个领域得到了广泛的应用,例如医疗诊断、工业检测和地质勘探等,传统的超声波传感器存在一定的局限性,体积较大、响应灵敏度较低、易受环境电磁干扰等都是传统的超声波传感器需要解决的问题。光纤非本征法珀型超声波传感器是一种基于光纤传感技术的新型超声波传感器,光纤非本征法珀型超声波传感器具有高灵敏度、抗干扰能力强、体积小等优点,光纤非本征法珀型超声波传感器也可用于监测方面。
现有的监测系统通过对任务对象进行监控并使用多个模块采集任务对象多个方面的数据,模块将数据采集好后传送给系统,将采集的数据进行存储,人工查看存储的数据,实现监测功能。
例如公告号为:CN107657799B的发明专利公告的面向楼宇监测的无线传感器网络数据收集系统,包括:室内环境监测模块、数据汇聚模块和楼宇监测中心;所述的室内环境监测模块用于获取室内环境监测数据,对所述室内环境监测数据进行数据处理,并与网络中数据汇聚模块进行无线通信;数据汇聚模块,用于接收来自室内环境监测模块的室内环境监测数据并将该室内环境监测数据传输到楼宇监测中心;楼宇监测中心,用于对室内环境监测数据进行接收、存储和分析。
例如公告号为:CN101908262B的发明专利公告的一种用于无线多点地温监测的传感器及方法,包括:电能提供单元、密封体、隔热管、信号线、控制板、至少一个温度传感器节点单元,射频单元,电能提供单元固定在密封体上,密封体内部固定有控制板,密封体与隔热管紧密连接,隔热管与至少一个温度传感器节点单元通过螺纹紧密连接,温度传感器节点单元通过信号线与控制板相连接,该发明还提供了该传感器的控制方法,通过无线射频单元进行无线传感网络检测,在检测到无线传感网络时向无线传感网络中的网关发送加入网络的请求;网关接收到请求后,允许无线多点地温监测的传感器加入网络并为其分配网络地址,返回加入成功信息。
但本申请在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中,由于电力设备内部发生局部发电情况时难以及时发现,存在不能方便快捷明确电力设备是否发生局部放电情况的问题。
发明内容
本申请实施例通过提供基于光纤非本征法珀型超声波传感器的监测应用方法,解决了现有技术中,不能方便快捷明确电力设备是否发生局部放电情况的问题,实现了快速明确电力设备是否发生局部放电情况。
本申请实施例提供了基于光纤非本征法珀型超声波传感器的监测应用方法,包括以下步骤:获取监测对象对应的监测参数数据;根据监测参数数据得到放电情况评估指数;根据放电情况评估指数分析监测对象局部放电情况数据;结合监测参数数据、放电情况评估指数和监测对象局部放电情况数据构建局部放电识别模型;获取待检测对象的监测参数数据并计算得到放电情况评估指数;通过局部放电识别模型识别待检测对象的局部放电情况数据。
进一步的,所述根据监测参数数据得到放电情况评估指数的具体过程为:获取监测对象对应的监测参数数据,所述监测参数数据包括信号特征数据、压流情况数据、气体情况数据和损耗情况数据,信号特征数据通过光纤非本征法珀型超声波传感器获取;对监测参数数据进行计算得到监测指数数据,所述监测指数数据包括信号特征评估指数、压流情况评估指数、气体情况评估指数和损耗情况评估指数;对监测指数数据进行计算得到放电情况评估指数。
进一步的,所述放电情况评估指数的具体获取方法为:获取监测对象数量数据,将监测对象进行编号;设置多个观察点,将观察点进行编号;构建放电情况评估指数计算公式;具体的放电情况评估指数计算公式为:;式中,/>表示为第/>个监测对象在第/>个观察点的放电情况评估指数,/>,/>表示为监测对象总数,/>,/>表示为观察点总数,/>、/>、/>和/>分别表示为第/>个监测对象在第/>个观察点的信号特征评估指数、压流情况评估指数、气体情况评估指数和损耗情况评估指数,和/>分别表示为信号特征评估指数、压流情况评估指数、气体情况评估指数和损耗情况评估指数在放电情况评估指数中所占权重比例,/>表示为放电情况评估指数修正因子,/>表示为自然常数。
进一步的,所述信号特征评估指数的具体计算公式为:在每个观察点进行多次数据获取,将数据获取次数进行编号,构建信号特征评估指数计算公式;具体的信号特征评估指数计算公式为:;式中,表示为第/>个监测对象在第/>个观察点的信号特征评估指数,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象超声信号频率数据,/>,/>表示为数据获取次数总数,/>表示为第/>个监测对象的监测对象在正常情况下超声信号频率数据,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象超声信号强度数据,/>表示为第/>个监测对象的监测对象在正常情况下超声信号强度数据,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象超声信号相位数据,/>表示为第/>个监测对象的监测对象在正常情况下超声信号相位数据,和/>分别表示为监测对象超声信号频率数据、监测对象超声信号强度数据和监测对象超声信号相位数据在信号特征评估指数中所占权重比例,/>表示为信号特征数据误差,/>表示为信号特征评估指数修正因子。
进一步的,所述压流情况评估指数的具体计算公式为:;式中,表示为第/>个监测对象在第/>个观察点的压流情况评估指数,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象绝缘电阻数据,/>表示为第/>个监测对象的监测对象在正常情况下绝缘电阻数据,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象泄漏电流数据,/>表示为第/>个监测对象的监测对象在正常情况下泄漏电流数据,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象泄漏电压数据,/>和/>分别表示为第/>个监测对象在第/>个观察点的监测对象泄漏电压数据最大值和监测对象泄漏电压数据最小值,/>表示为第/>个监测对象的监测对象在正常情况下泄漏电压数据,/>和/>分别表示为监测对象绝缘电阻数据、监测对象泄漏电流数据和监测对象泄漏电压数据在压流情况评估指数中所占权重比例,/>表示为压流情况数据误差,/>表示为压流情况评估指数修正因子。
进一步的,所述气体情况评估指数的具体计算公式为:;式中,表示为第/>个监测对象在第/>个观察点的气体情况评估指数,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象内部氢气浓度数据,/>表示为第/>个监测对象的监测对象在正常情况下内部氢气浓度数据,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象内部甲烷浓度数据,/>表示为第/>个监测对象的监测对象在正常情况下内部甲烷浓度数据,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象内部臭氧浓度数据,/>表示为第/>个监测对象的监测对象在正常情况下内部臭氧浓度数据,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象内部氮氧化物浓度数据,/>表示为第/>个监测对象的监测对象在正常情况下内部氮氧化物浓度数据,/>和/>分别表示为监测对象内部氢气浓度数据、监测对象内部甲烷浓度数据、监测对象内部臭氧浓度数据和监测对象内部氮氧化物浓度数据在气体情况评估指数中所占权重比例,/>表示为气体情况数据误差,/>表示为气体情况评估指数修正因子。
进一步的,所述损耗情况评估指数的具体计算公式为:;式中,表示为第/>个监测对象在第/>个观察点的损耗情况评估指数,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象局部放电量数据,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象局部放电频率数据,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象绝缘损耗数据,/>表示为第/>个监测对象的监测对象在正常情况下绝缘损耗数据,/>和/>分别表示为监测对象局部放电量数据、监测对象局部放电频率数据和监测对象绝缘损耗数据在损耗情况评估指数中所占权重比例,/>表示为损耗情况数据误差,/>表示为损耗情况评估指数修正因子。
进一步的,所述根据放电情况评估指数分析监测对象局部放电情况数据的具体过程为:获取放电情况评估指数平均值,当/>时,表示第/>个监测对象在第/>个观察点时监测对象没有发生局部放电,不造成监测对象老化损坏;当处于其他情况时,表示第/>个监测对象在第/>个观察点时监测对象发生局部放电,造成监测对象老化损坏。
进一步的,所述结合监测参数数据、放电情况评估指数和监测对象局部放电情况数据构建局部放电识别模型的具体过程为:获取监测对象没有发生局部放电时的监测参数数据、放电情况评估指数和监测对象局部放电情况数据,并标记未发生局部放电的标签,获取监测对象发生局部放电时的监测参数数据、放电情况评估指数和监测对象局部放电情况数据,并标记发生局部放电的标签,将监测参数数据、放电情况评估指数和监测对象局部放电情况数据通过卷积神经网络进行深度学习并构建出局部放电识别模型。
进一步的,所述通过局部放电识别模型识别待检测对象的局部放电情况数据的具体过程为:将待检测对象的监测参数数据和放电情况评估指数输入局部放电识别模型,当局部放电识别模型识别出待检测对象处于局部放电情况时,局部放电识别模型发出提示音进行提醒,并输出该检测对象发生局部放电情况,当处于其他情况时,局部放电识别模型输出该检测对象未发生局部放电情况。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、通过获取监测对象对应的监测参数数据,对监测参数数据进行计算得到监测指数数据,对监测指数数据进行计算得到放电情况评估指数,根据放电情况评估指数分析监测对象局部放电情况数据,从而结合监测参数数据、放电情况评估指数和监测对象局部放电情况数据构建局部放电识别模型,进而实现了通过局部放电识别模型识别待检测对象的局部放电情况数据,有效解决了现有技术中,不能方便快捷明确电力设备是否发生局部放电情况的问题。
2、通过局部放电识别模型识别电力设备是否出现局部放电情况,及时发现电力设备发生局部放电情况,从而及时安排检修人员对电力设备进行检修维护,进而实现了减轻电力设备损伤程度以及延长电力设备使用寿命。
3、通过从信号特征评估指数、压流情况评估指数、气体情况评估指数和损耗情况评估指数四个方面分析计算得到放电情况评估指数,从而使得放电情况评估指数考虑更加全面,进而实现了更加准确地分析监测对象局部放电情况。
附图说明
图1为本申请实施例提供的基于光纤非本征法珀型超声波传感器的监测应用方法流程图;
图2为本申请实施例提供的基于光纤非本征法珀型超声波传感器的监测应用方法的根据监测参数数据得到放电情况评估指数流程图;
图3为本申请实施例提供的基于光纤非本征法珀型超声波传感器的监测应用方法的计算得到放电情况评估指数的结构图。
具体实施方式
本申请实施例通过提供基于光纤非本征法珀型超声波传感器的监测应用方法,解决了现有技术中,不能方便快捷明确电力设备是否发生局部放电情况的问题,通过获取监测对象对应的监测参数数据;根据监测参数数据得到放电情况评估指数;根据放电情况评估指数分析监测对象局部放电情况数据;结合监测参数数据、放电情况评估指数和监测对象局部放电情况数据构建局部放电识别模型;获取待检测对象的监测参数数据并计算得到放电情况评估指数;通过局部放电识别模型识别待检测对象的局部放电情况数据,实现了及时明确电力设备是否出现局部放电情况。
本申请实施例中的技术方案为解决上述,不能方便快捷明确电力设备是否发生局部放电情况的问题,总体思路如下:
通过获取监测对象对应的信号特征数据、压流情况数据、气体情况数据和损耗情况数据等监测参数数据;对监测参数数据进行计算得到信号特征评估指数、压流情况评估指数、气体情况评估指数和损耗情况评估指数等监测指数数据;对监测指数数据进行计算得到放电情况评估指数;根据放电情况评估指数分析监测对象局部放电情况数据;结合监测参数数据、放电情况评估指数和监测对象局部放电情况数据构建局部放电识别模型;获取待检测对象的监测参数数据并计算得到放电情况评估指数;通过局部放电识别模型识别待检测对象的局部放电情况数据,达到了及时明确电力设备是否出现局部放电情况的功能。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
如图1所示,为本申请实施例提供的基于光纤非本征法珀型超声波传感器的监测应用方法流程图,该方法包括以下步骤:获取监测对象对应的监测参数数据;根据监测参数数据得到放电情况评估指数;根据放电情况评估指数分析监测对象局部放电情况数据;结合监测参数数据、放电情况评估指数和监测对象局部放电情况数据构建局部放电识别模型;获取待检测对象的监测参数数据并计算得到放电情况评估指数;通过局部放电识别模型识别待检测对象的局部放电情况数据。
进一步的,根据监测参数数据得到放电情况评估指数的具体过程为:获取监测对象对应的监测参数数据,监测参数数据包括信号特征数据、压流情况数据、气体情况数据和损耗情况数据,信号特征数据通过光纤非本征法珀型超声波传感器获取;对监测参数数据进行计算得到监测指数数据,监测指数数据包括信号特征评估指数、压流情况评估指数、气体情况评估指数和损耗情况评估指数;对监测指数数据进行计算得到放电情况评估指数。
在本实施例中,如图2所示,为本申请实施例提供的基于光纤非本征法珀型超声波传感器的监测应用方法的根据监测参数数据得到放电情况评估指数流程图,通过对信号特征数据、压流情况数据、气体情况数据和损耗情况数据等监测参数数据进行数据清洗、数据存储和预处理,使得监测参数数据更加准确,有利于参与后续计算。
进一步的,放电情况评估指数的具体获取方法为:获取监测对象数量数据,将监测对象进行编号;设置多个观察点,将观察点进行编号;构建放电情况评估指数计算公式;具体的放电情况评估指数计算公式为:;式中,/>表示为第/>个监测对象在第/>个观察点的放电情况评估指数,/>,/>表示为监测对象总数,/>,表示为观察点总数,/>、/>、/>和/>分别表示为第/>个监测对象在第/>个观察点的信号特征评估指数、压流情况评估指数、气体情况评估指数和损耗情况评估指数,和/>分别表示为信号特征评估指数、压流情况评估指数、气体情况评估指数和损耗情况评估指数在放电情况评估指数中所占权重比例,/>表示为放电情况评估指数修正因子,/>表示为自然常数。
在本实施例中,如图3所示,为本申请实施例提供的基于光纤非本征法珀型超声波传感器的监测应用方法的计算得到放电情况评估指数的结构图,通过从信号特征评估指数、压流情况评估指数、气体情况评估指数和损耗情况评估指数四个方面计算得到放电情况评估指数,使得放电情况评估指数考虑更加全面,有利于更加准确地分析监测对象局部放电情况数据。
进一步的,信号特征评估指数的具体计算公式为:在每个观察点进行多次数据获取,将数据获取次数进行编号,构建信号特征评估指数计算公式;具体的信号特征评估指数计算公式为:;式中,/>表示为第/>个监测对象在第/>个观察点的信号特征评估指数,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象超声信号频率数据,/>,/>表示为数据获取次数总数,/>表示为第/>个监测对象的监测对象在正常情况下超声信号频率数据,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象超声信号强度数据,/>表示为第/>个监测对象的监测对象在正常情况下超声信号强度数据,表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象超声信号相位数据,/>表示为第/>个监测对象的监测对象在正常情况下超声信号相位数据,和/>分别表示为监测对象超声信号频率数据、监测对象超声信号强度数据和监测对象超声信号相位数据在信号特征评估指数中所占权重比例,/>表示为信号特征数据误差,/>表示为信号特征评估指数修正因子。
在本实施例中,通过光纤非本征法珀型超声波传感器获取监测对象内部的超声信息,超声信息包括频率、强度和相位,当监测对象超声信号频率数据远大于监测对象在正常情况下超声信号频率数据、监测对象超声信号强度数据远大于监测对象在正常情况下超声信号强度数据以及监测对象超声信号相位数据与监测对象在正常情况下超声信号相位数据差距较大时,表示监测对象可能发生局部放电情况;信号特征评估指数通过从超声波角度考虑局部放电情况;信号特征数据误差指的是每个获取的信号特征数据和每个信号特征数据实际值之间的误差的累计和。
进一步的,压流情况评估指数的具体计算公式为:;式中,表示为第/>个监测对象在第/>个观察点的压流情况评估指数,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象绝缘电阻数据,/>表示为第/>个监测对象的监测对象在正常情况下绝缘电阻数据,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象泄漏电流数据,/>表示为第/>个监测对象的监测对象在正常情况下泄漏电流数据,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象泄漏电压数据,/>和/>分别表示为第/>个监测对象在第/>个观察点的监测对象泄漏电压数据最大值和监测对象泄漏电压数据最小值,/>表示为第/>个监测对象的监测对象在正常情况下泄漏电压数据,/>和/>分别表示为监测对象绝缘电阻数据、监测对象泄漏电流数据和监测对象泄漏电压数据在压流情况评估指数中所占权重比例,/>表示为压流情况数据误差,/>表示为压流情况评估指数修正因子。
在本实施例中,当监测对象绝缘电阻数据与监测对象在正常情况下绝缘电阻数据差距较大、监测对象泄漏电流数据与监测对象在正常情况下泄漏电流数据差距较大以及监测对象泄漏电压数据与监测对象在正常情况下泄漏电压数据差距较大时,表示监测对象可能发生局部放电情况;压流情况评估指数从绝缘电阻、泄漏电流和泄漏电压角度考虑局部放电情况;压流情况数据误差指的是每个获取的压流情况数据和每个压流情况数据实际值之间的误差的累计和。
进一步的,气体情况评估指数的具体计算公式为:;式中,表示为第/>个监测对象在第/>个观察点的气体情况评估指数,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象内部氢气浓度数据,/>表示为第个监测对象的监测对象在正常情况下内部氢气浓度数据,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象内部甲烷浓度数据,/>表示为第/>个监测对象的监测对象在正常情况下内部甲烷浓度数据,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象内部臭氧浓度数据,/>表示为第/>个监测对象的监测对象在正常情况下内部臭氧浓度数据,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象内部氮氧化物浓度数据,/>表示为第/>个监测对象的监测对象在正常情况下内部氮氧化物浓度数据,/>和/>分别表示为监测对象内部氢气浓度数据、监测对象内部甲烷浓度数据、监测对象内部臭氧浓度数据和监测对象内部氮氧化物浓度数据在气体情况评估指数中所占权重比例,/>表示为气体情况数据误差,/>表示为气体情况评估指数修正因子。
在本实施例中,当监测对象内部氢气浓度数据远大于监测对象在正常情况下内部氢气浓度数据、监测对象内部甲烷浓度数据远大于监测对象在正常情况下内部甲烷浓度数据、监测对象内部臭氧浓度数据远大于监测对象在正常情况下内部臭氧浓度数据以及监测对象内部氮氧化物浓度数据远大于监测对象在正常情况下内部氮氧化物浓度数据时,表示监测对象可能发生局部放电情况;气体情况评估指数从氢气、甲烷、臭氧和氮氧化物角度考虑局部放电情况;气体情况数据误差指的是每个获取的气体情况数据和每个气体情况数据实际值之间的误差的累计和。
进一步的,损耗情况评估指数的具体计算公式为:;式中,表示为第/>个监测对象在第/>个观察点的损耗情况评估指数,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象局部放电量数据,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象局部放电频率数据,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象绝缘损耗数据,/>表示为第/>个监测对象的监测对象在正常情况下绝缘损耗数据,/>和/>分别表示为监测对象局部放电量数据、监测对象局部放电频率数据和监测对象绝缘损耗数据在损耗情况评估指数中所占权重比例,/>表示为损耗情况数据误差,/>表示为损耗情况评估指数修正因子。
在本实施例中,当出现监测对象局部放电量数据和监测对象局部放电频率数据以及监测对象绝缘损耗数据远大于监测对象在正常情况下绝缘损耗数据时,发生局部放电情况;损耗情况评估指数从是否出现局部放电量数据和局部放电频率数据及绝缘损耗数据的大小角度判断事发出现局部放电情况;损耗情况数据误差指的是每个获取的损耗情况数据和每个损耗情况数据实际值之间的误差的累计和。
进一步的,根据放电情况评估指数分析监测对象局部放电情况数据的具体过程为:获取放电情况评估指数平均值,当/>时,表示第/>个监测对象在第/>个观察点时监测对象没有发生局部放电,不造成监测对象老化损坏;当处于其他情况时,表示第个监测对象在第/>个观察点时监测对象发生局部放电,造成监测对象老化损坏。
在本实施例中,获取放电情况评估指数平均值,当时,表示第/>个监测对象在第/>个观察点时监测对象没有发生局部放电,不造成监测对象老化损坏;当处于其他情况时,表示第/>个监测对象在第个观察点时监测对象没发生局部放电,造成监测对象老化损坏。
进一步的,结合监测参数数据、放电情况评估指数和监测对象局部放电情况数据构建局部放电识别模型的具体过程为:获取监测对象没有发生局部放电时的监测参数数据、放电情况评估指数和监测对象局部放电情况数据,并标记未发生局部放电的标签,获取监测对象发生局部放电时的监测参数数据、放电情况评估指数和监测对象局部放电情况数据,并标记发生局部放电的标签,将监测参数数据、放电情况评估指数和监测对象局部放电情况数据通过卷积神经网络进行深度学习并构建出局部放电识别模型。
在本实施例中,通过深度学习等方法构建出局部放电识别模型,局部放电识别模型用于识别是否出现局部放电情况,通过局部放电识别模型进行局部放电检测,可以减少工作人员的工作时间并且提升了工作效率。
进一步的,通过局部放电识别模型识别待检测对象的局部放电情况数据的具体过程为:将待检测对象的监测参数数据和放电情况评估指数输入局部放电识别模型,当局部放电识别模型识别出待检测对象处于局部放电情况时,局部放电识别模型发出提示音进行提醒,并输出该检测对象发生局部放电情况,当处于其他情况时,局部放电识别模型输出该检测对象未发生局部放电情况。
在本实施例中,先获取待检测对象的监测参数数据,并得到放电情况评估指数,将监测参数数据和放电情况评估指数输入局部放电识别模型,当待检测对象发生局部放电情况时,局部放电识别模型输出该检测对象发生局部放电情况,当处于其他情况时,局部放电识别模型输出该检测对象未发生局部放电情况。
上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:相对于公告号为:CN107657799B的发明专利公告的面向楼宇监测的无线传感器网络数据收集系统,本申请实施例通过局部放电识别模型识别电力设备是否出现局部放电情况,及时发现电力设备发生局部放电情况,从而及时安排检修人员对电力设备进行检修维护,进而实现了减轻电力设备损伤程度以及延长电力设备使用寿命;相对于公告号为:CN101908262B的发明专利公告的一种用于无线多点地温监测的传感器及方法,本申请实施例通过从信号特征评估指数、压流情况评估指数、气体情况评估指数和损耗情况评估指数四个方面分析计算得到放电情况评估指数,从而使得放电情况评估指数考虑更加全面,进而实现了更加准确地分析监测对象局部放电情况。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (3)
1.基于光纤非本征法珀型超声波传感器的监测应用方法,其特征在于,包括以下步骤:
获取监测对象对应的监测参数数据;
根据监测参数数据得到放电情况评估指数;
根据放电情况评估指数分析监测对象局部放电情况数据;
结合监测参数数据、放电情况评估指数和监测对象局部放电情况数据构建局部放电识别模型;
获取待检测对象的监测参数数据并计算得到放电情况评估指数;
通过局部放电识别模型识别待检测对象的局部放电情况数据;
所述根据监测参数数据得到放电情况评估指数的具体过程为:
获取监测对象对应的监测参数数据,所述监测参数数据包括信号特征数据、压流情况数据、气体情况数据和损耗情况数据,信号特征数据通过光纤非本征法珀型超声波传感器获取;
对监测参数数据进行计算得到监测指数数据,所述监测指数数据包括信号特征评估指数、压流情况评估指数、气体情况评估指数和损耗情况评估指数;
对监测指数数据进行计算得到放电情况评估指数;
所述放电情况评估指数的具体获取方法为:
获取监测对象数量数据,将监测对象进行编号;
设置多个观察点,将观察点进行编号;
构建放电情况评估指数计算公式;
具体的放电情况评估指数计算公式为:
;
式中,表示为第/>个监测对象在第/>个观察点的放电情况评估指数,/>,/>表示为监测对象总数,/>,/>表示为观察点总数,/>、/>、/>和/>分别表示为第/>个监测对象在第/>个观察点的信号特征评估指数、压流情况评估指数、气体情况评估指数和损耗情况评估指数,/>和/>分别表示为信号特征评估指数、压流情况评估指数、气体情况评估指数和损耗情况评估指数在放电情况评估指数中所占权重比例,/>表示为放电情况评估指数修正因子,/>表示为自然常数;
所述信号特征评估指数的具体计算公式为:
在每个观察点进行多次数据获取,将数据获取次数进行编号,
构建信号特征评估指数计算公式;
具体的信号特征评估指数计算公式为:
;
式中,表示为第/>个监测对象在第/>个观察点的信号特征评估指数,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象超声信号频率数据,,/>表示为数据获取次数总数,/>表示为第/>个监测对象的监测对象在正常情况下超声信号频率数据,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象超声信号强度数据,/>表示为第/>个监测对象的监测对象在正常情况下超声信号强度数据,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象超声信号相位数据,/>表示为第/>个监测对象的监测对象在正常情况下超声信号相位数据,/>和/>分别表示为监测对象超声信号频率数据、监测对象超声信号强度数据和监测对象超声信号相位数据在信号特征评估指数中所占权重比例,/>表示为信号特征数据误差,/>表示为信号特征评估指数修正因子;
所述压流情况评估指数的具体计算公式为:
;
式中,表示为第/>个监测对象在第/>个观察点的压流情况评估指数,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象绝缘电阻数据,/>表示为第/>个监测对象的监测对象在正常情况下绝缘电阻数据,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象泄漏电流数据,/>表示为第/>个监测对象的监测对象在正常情况下泄漏电流数据,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象泄漏电压数据,/>和/>分别表示为第/>个监测对象在第/>个观察点的监测对象泄漏电压数据最大值和监测对象泄漏电压数据最小值,/>表示为第个监测对象的监测对象在正常情况下泄漏电压数据,/>和/>分别表示为监测对象绝缘电阻数据、监测对象泄漏电流数据和监测对象泄漏电压数据在压流情况评估指数中所占权重比例,/>表示为压流情况数据误差,/>表示为压流情况评估指数修正因子;
所述气体情况评估指数的具体计算公式为:
;
式中,表示为第/>个监测对象在第/>个观察点的气体情况评估指数,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象内部氢气浓度数据,/>表示为第/>个监测对象的监测对象在正常情况下内部氢气浓度数据,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象内部甲烷浓度数据,/>表示为第/>个监测对象的监测对象在正常情况下内部甲烷浓度数据,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象内部臭氧浓度数据,/>表示为第/>个监测对象的监测对象在正常情况下内部臭氧浓度数据,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象内部氮氧化物浓度数据,/>表示为第/>个监测对象的监测对象在正常情况下内部氮氧化物浓度数据,/>和/>分别表示为监测对象内部氢气浓度数据、监测对象内部甲烷浓度数据、监测对象内部臭氧浓度数据和监测对象内部氮氧化物浓度数据在气体情况评估指数中所占权重比例,/>表示为气体情况数据误差,/>表示为气体情况评估指数修正因子;
所述损耗情况评估指数的具体计算公式为:
;
式中,表示为第/>个监测对象在第/>个观察点的损耗情况评估指数,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象局部放电量数据,/>表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象局部放电频率数据,表示为第/>个监测对象在第/>个观察点第/>次数据获取时的监测对象绝缘损耗数据,/>表示为第/>个监测对象的监测对象在正常情况下绝缘损耗数据,/>和/>分别表示为监测对象局部放电量数据、监测对象局部放电频率数据和监测对象绝缘损耗数据在损耗情况评估指数中所占权重比例,/>表示为损耗情况数据误差,/>表示为损耗情况评估指数修正因子;
所述根据放电情况评估指数分析监测对象局部放电情况数据的具体过程为:
获取放电情况评估指数平均值,当/>时,表示第/>个监测对象在第/>个观察点时监测对象没有发生局部放电,不造成监测对象老化损坏;
当处于其他情况时,表示第个监测对象在第/>个观察点时监测对象发生局部放电,造成监测对象老化损坏。
2.如权利要求1所述基于光纤非本征法珀型超声波传感器的监测应用方法,其特征在于,所述结合监测参数数据、放电情况评估指数和监测对象局部放电情况数据构建局部放电识别模型的具体过程为:
获取监测对象没有发生局部放电时的监测参数数据、放电情况评估指数和监测对象局部放电情况数据,并标记未发生局部放电的标签,获取监测对象发生局部放电时的监测参数数据、放电情况评估指数和监测对象局部放电情况数据,并标记发生局部放电的标签,将监测参数数据、放电情况评估指数和监测对象局部放电情况数据通过卷积神经网络进行深度学习并构建出局部放电识别模型。
3.如权利要求2所述基于光纤非本征法珀型超声波传感器的监测应用方法,其特征在于,所述通过局部放电识别模型识别待检测对象的局部放电情况数据的具体过程为:
将待检测对象的监测参数数据和放电情况评估指数输入局部放电识别模型,当局部放电识别模型识别出待检测对象处于局部放电情况时,局部放电识别模型发出提示音进行提醒,并输出该检测对象发生局部放电情况,当处于其他情况时,局部放电识别模型输出该检测对象未发生局部放电情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410173802.6A CN117723917B (zh) | 2024-02-07 | 基于光纤非本征法珀型超声波传感器的监测应用方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410173802.6A CN117723917B (zh) | 2024-02-07 | 基于光纤非本征法珀型超声波传感器的监测应用方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117723917A CN117723917A (zh) | 2024-03-19 |
CN117723917B true CN117723917B (zh) | 2024-05-03 |
Family
ID=
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002090413A (ja) * | 2000-09-18 | 2002-03-27 | Toshiba Corp | 高電圧機器の絶縁異常診断装置 |
CN201637794U (zh) * | 2010-02-10 | 2010-11-17 | 山东泰开变压器有限公司 | 基于无线传输的变压器在线监测及生产商远程监视系统 |
CN105222883A (zh) * | 2015-10-26 | 2016-01-06 | 国家电网公司 | 膜片耦合式非本征光纤法布里珀罗传感器探头 |
CN105676085A (zh) * | 2016-01-31 | 2016-06-15 | 国家电网公司 | 基于多传感器信息融合的特高压gis局部放电检测方法 |
KR101686133B1 (ko) * | 2016-09-14 | 2017-01-02 | 도우디지텍 주식회사 | 유입변압기 부분방전 위치 복합 입체감시 장치 |
CN106405289A (zh) * | 2016-09-05 | 2017-02-15 | 国网山东省电力公司青岛供电公司 | 一种带电检测装置 |
CN107179487A (zh) * | 2017-05-31 | 2017-09-19 | 广州供电局有限公司 | 开关柜局部放电监测装置和方法 |
CN207408542U (zh) * | 2017-11-27 | 2018-05-25 | 哈尔滨理工大学 | 一种基于光纤的变压器局部放电在线监测系统 |
CN108414898A (zh) * | 2018-01-27 | 2018-08-17 | 北京天润新能投资有限公司 | 一种风电场设备带电检测的状态试验方法及系统 |
CN110907769A (zh) * | 2019-11-28 | 2020-03-24 | 深圳供电局有限公司 | 基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法 |
CN113552456A (zh) * | 2021-07-30 | 2021-10-26 | 华能随县界山风电有限责任公司 | 一种开关柜局部放电强度监测方法、设备及存储介质 |
CN115015719A (zh) * | 2022-07-26 | 2022-09-06 | 国网河北省电力有限公司电力科学研究院 | 一种基于光纤超声传感信号的套管局部放电识别算法 |
CN115453299A (zh) * | 2022-10-31 | 2022-12-09 | 国网电力科学研究院武汉南瑞有限责任公司 | Gis局部放电实验室有效模拟和多源检测系统及方法 |
CN115659248A (zh) * | 2022-11-07 | 2023-01-31 | 中国长江三峡集团有限公司 | 一种电力设备缺陷识别方法、装置、设备及存储介质 |
CN116047240A (zh) * | 2022-12-29 | 2023-05-02 | 国网重庆市电力公司市南供电分公司 | 基于臭氧和超声波联合检测的开关柜局放检测装置 |
CN116338399A (zh) * | 2023-05-04 | 2023-06-27 | 华北电力大学 | 一种基于多参量联合的gis局部放电检测系统 |
CN117054932A (zh) * | 2023-06-19 | 2023-11-14 | 云南玉溪中汇电力设备有限责任公司 | 一种电力运维系统一次设备在线监测装置模型生成方法 |
CN117394337A (zh) * | 2023-10-24 | 2024-01-12 | 国网安徽省电力有限公司合肥供电公司 | 一种电网负荷预警方法及其系统 |
CN117411918A (zh) * | 2023-12-11 | 2024-01-16 | 深圳前海翼联科技有限公司 | 一种基于iot物联网的监控报警方法及系统 |
CN117406047A (zh) * | 2023-12-14 | 2024-01-16 | 国网山西省电力公司太原供电公司 | 一种电力设备的局部放电状态在线监测系统 |
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002090413A (ja) * | 2000-09-18 | 2002-03-27 | Toshiba Corp | 高電圧機器の絶縁異常診断装置 |
CN201637794U (zh) * | 2010-02-10 | 2010-11-17 | 山东泰开变压器有限公司 | 基于无线传输的变压器在线监测及生产商远程监视系统 |
CN105222883A (zh) * | 2015-10-26 | 2016-01-06 | 国家电网公司 | 膜片耦合式非本征光纤法布里珀罗传感器探头 |
CN105676085A (zh) * | 2016-01-31 | 2016-06-15 | 国家电网公司 | 基于多传感器信息融合的特高压gis局部放电检测方法 |
CN106405289A (zh) * | 2016-09-05 | 2017-02-15 | 国网山东省电力公司青岛供电公司 | 一种带电检测装置 |
KR101686133B1 (ko) * | 2016-09-14 | 2017-01-02 | 도우디지텍 주식회사 | 유입변압기 부분방전 위치 복합 입체감시 장치 |
CN107179487A (zh) * | 2017-05-31 | 2017-09-19 | 广州供电局有限公司 | 开关柜局部放电监测装置和方法 |
CN207408542U (zh) * | 2017-11-27 | 2018-05-25 | 哈尔滨理工大学 | 一种基于光纤的变压器局部放电在线监测系统 |
CN108414898A (zh) * | 2018-01-27 | 2018-08-17 | 北京天润新能投资有限公司 | 一种风电场设备带电检测的状态试验方法及系统 |
CN110907769A (zh) * | 2019-11-28 | 2020-03-24 | 深圳供电局有限公司 | 基于神经网络的封闭式气体绝缘组合电器的缺陷检测方法 |
CN113552456A (zh) * | 2021-07-30 | 2021-10-26 | 华能随县界山风电有限责任公司 | 一种开关柜局部放电强度监测方法、设备及存储介质 |
CN115015719A (zh) * | 2022-07-26 | 2022-09-06 | 国网河北省电力有限公司电力科学研究院 | 一种基于光纤超声传感信号的套管局部放电识别算法 |
CN115453299A (zh) * | 2022-10-31 | 2022-12-09 | 国网电力科学研究院武汉南瑞有限责任公司 | Gis局部放电实验室有效模拟和多源检测系统及方法 |
CN115659248A (zh) * | 2022-11-07 | 2023-01-31 | 中国长江三峡集团有限公司 | 一种电力设备缺陷识别方法、装置、设备及存储介质 |
CN116047240A (zh) * | 2022-12-29 | 2023-05-02 | 国网重庆市电力公司市南供电分公司 | 基于臭氧和超声波联合检测的开关柜局放检测装置 |
CN116338399A (zh) * | 2023-05-04 | 2023-06-27 | 华北电力大学 | 一种基于多参量联合的gis局部放电检测系统 |
CN117054932A (zh) * | 2023-06-19 | 2023-11-14 | 云南玉溪中汇电力设备有限责任公司 | 一种电力运维系统一次设备在线监测装置模型生成方法 |
CN117394337A (zh) * | 2023-10-24 | 2024-01-12 | 国网安徽省电力有限公司合肥供电公司 | 一种电网负荷预警方法及其系统 |
CN117411918A (zh) * | 2023-12-11 | 2024-01-16 | 深圳前海翼联科技有限公司 | 一种基于iot物联网的监控报警方法及系统 |
CN117406047A (zh) * | 2023-12-14 | 2024-01-16 | 国网山西省电力公司太原供电公司 | 一种电力设备的局部放电状态在线监测系统 |
Non-Patent Citations (3)
Title |
---|
A Diagnosis Approach for Partial Discharge Faults Based on Multi-detection Technology Fusion;Zhao Jian 等;2021 3rd International Conference on Smart Power & Internet Energy Systems;20211209;49-53页 * |
低噪声运算放大器设计及其在局部 放电检测调理电路中的应用;王豪杰;中国优秀硕士学位论文全文数据库工程科技II辑;20220615;C042-698 * |
基于激光超声峰值重建算法的盆式绝缘子缺陷检测研究;王伟 等;绝缘材料;20230115;第56卷(第1期);第96-101页 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
CN112766342A (zh) | 一种电气设备的异常检测方法 | |
CN106404441B (zh) | 一种基于非线性相似度指标的故障分类诊断方法 | |
CN109324241B (zh) | 一种变电站接地网腐蚀诊断预警方法及系统 | |
CN113757093B (zh) | 一种闪蒸汽压缩机组故障诊断方法 | |
CN106647514A (zh) | 一种对水泥企业碳排放实时在线监测管理系统 | |
CN112418687B (zh) | 基于用电特征的用户用电异常识别方法、装置和存储介质 | |
CN114252749B (zh) | 基于多传感器的变压器局部放电检测方法及装置 | |
CN112766301B (zh) | 一种采油机示功图相似性判断方法 | |
CN110458039A (zh) | 一种工业过程故障诊断模型的构建方法及其应用 | |
CN116308958A (zh) | 基于移动终端的碳排放在线检测预警系统及方法 | |
CN113177646A (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及系统 | |
CN108093210A (zh) | 一种变压器油位告警系统及其告警方法 | |
CN117503204B (zh) | 一种超声ai数字诊疗系统 | |
CN113657747B (zh) | 一种企业安全生产标准化级别智能评定系统 | |
CN114610553A (zh) | 一种智能设备检测系统及其检测方法 | |
CN112729884B (zh) | 基于大数据的设备故障诊断方法及装置 | |
CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
CN117723917B (zh) | 基于光纤非本征法珀型超声波传感器的监测应用方法 | |
CN102778632A (zh) | 对变压器绕组故障类型直接预报和识别的双规识别法 | |
CN116523722A (zh) | 一种具备机器学习能力的环境监测分析系统 | |
CN117723917A (zh) | 基于光纤非本征法珀型超声波传感器的监测应用方法 | |
CN115931246A (zh) | 一种氢冷发电机的气密性检测与故障处理系统及方法 | |
CN113333304B (zh) | 一种基于互联网的环保卷材检测评估分拣系统 | |
CN206656749U (zh) | 火电厂传感器故障诊断系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |