CN117740082B - 一种电力设备故障风险预警方法及系统 - Google Patents
一种电力设备故障风险预警方法及系统 Download PDFInfo
- Publication number
- CN117740082B CN117740082B CN202410181718.9A CN202410181718A CN117740082B CN 117740082 B CN117740082 B CN 117740082B CN 202410181718 A CN202410181718 A CN 202410181718A CN 117740082 B CN117740082 B CN 117740082B
- Authority
- CN
- China
- Prior art keywords
- fault
- field
- temperature
- macro
- sound
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000001514 detection method Methods 0.000 claims abstract description 103
- 238000004458 analytical method Methods 0.000 claims abstract description 37
- 230000005236 sound signal Effects 0.000 claims description 86
- 238000012549 training Methods 0.000 claims description 60
- 238000012544 monitoring process Methods 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种电力设备故障风险预警方法及系统,涉及故障风险预警技术领域,包括:通过多个声信号传感器以及多个温度传感器,采集目标电力设备内多个位置的声信号和温度信号,获得声信号阵列和温度信号阵列,训练级联声场生成器和级联温度场生成器,构建声信号场和温度信号场,进行图像级联生成,获得宏声信号场、微声信号场、宏温度信号场和微温度信号场,进行目标电力设备的故障检出分析,在检出结果为出现故障时,获取故障规模信息,进行目标电力设备的故障位置检出,获得故障位置信息,生成预警信息进行预警。本发明解决了传统电力设备故障风险预警方法存在故障检出不准确、定位不精确以及缺乏准确的预警信息的技术问题。
Description
技术领域
本发明涉及故障风险预警技术领域,具体涉及一种电力设备故障风险预警方法及系统。
背景技术
电力设备故障风险预警是针对电力系统中的设备故障进行及时监测和预测,以减少停电时间、提高生产效率,确保电网的运行安全性。在传统的电力设备监测和维护中,通常采用定期巡检和事后故障维修的方式,然而,这种方法诸多问题,一方面,传统的巡检和事后维修通常依赖于人工的主观判断,并且只能在故障发生后进行处理,这可能导致故障被忽视或在较晚的阶段才被发现,从而增加了维修成本和系统故障时间,另一方面,传统方法往往无法提供连续的实时监测和数据采集,导致重要的故障信号和指标可能会被错过,从而无法准确地预测故障发生的风险。同时,故障位置的准确定位也是电力设备故障风险预警的关键问题之一,由于电力设备庞大复杂,传统方法往往无法精确定位故障的具体位置,给维修带来困难。
针对这些技术问题,需要一种新的电力设备故障风险预警方法,以更准确地检测故障、定位故障位置,并提前预警潜在故障的发生,从而改善电力设备的可靠性和运行效率。
发明内容
本申请通过提供了一种电力设备故障风险预警方法及系统,旨在解决传统电力设备故障风险预警方法存在故障检出不准确、定位不精确以及缺乏准确的预警信息的技术问题。
鉴于上述问题,本申请提供了一种电力设备故障风险预警方法及系统。
本申请公开的第一个方面,提供了一种电力设备故障风险预警方法,所述方法应用于一电力设备故障风险预警装置,所述装置包括声信号传感器阵列和温度传感器阵列,以及故障检出模块、故障分析模块和预警模块,所述方法包括:通过声信号传感器阵列内的多个声信号传感器,以及温度传感器阵列内的多个温度传感器,采集目标电力设备内多个位置的声信号和温度信号,获得声信号阵列和温度信号阵列;训练级联声场生成器和级联温度场生成器,所述级联声场生成器内包括宏声场生成单元和微声场生成单元;基于声信号阵列和温度信号阵列,构建声信号场和温度信号场,采用所述级联声场生成器和级联温度场生成器,对所述声信号场和温度信号场进行图像级联生成,获得宏声信号场、微声信号场、宏温度信号场和微温度信号场;通过故障分析模块,根据所述宏声信号场和宏温度信号场,进行目标电力设备的故障检出分析,获得检出结果,在检出结果为出现故障时,获取故障规模信息;根据所述微声信号场和微温度信号场,进行目标电力设备的故障位置检出,获得故障位置信息;通过预警模块,基于所述故障位置信息和故障规模信息,生成预警信息,进行预警。
本申请公开的另一个方面,提供了一种电力设备故障风险预警系统,所述系统应用于一电力设备故障风险预警装置,所述装置包括声信号传感器阵列和温度传感器阵列,以及故障检出模块、故障分析模块和预警模块,所述系统用于上述方法,所述系统包括:信号阵列获取单元,所述信号阵列获取单元用于通过声信号传感器阵列内的多个声信号传感器,以及温度传感器阵列内的多个温度传感器,采集目标电力设备内多个位置的声信号和温度信号,获得声信号阵列和温度信号阵列;生成器训练单元,所述生成器训练单元用于训练级联声场生成器和级联温度场生成器,所述级联声场生成器内包括宏声场生成单元和微声场生成单元;图像级联生成单元,所述图像级联生成单元用于基于声信号阵列和温度信号阵列,构建声信号场和温度信号场,采用所述级联声场生成器和级联温度场生成器,对所述声信号场和温度信号场进行图像级联生成,获得宏声信号场、微声信号场、宏温度信号场和微温度信号场;故障检出分析单元,所述故障检出分析单元用于通过故障分析模块,根据所述宏声信号场和宏温度信号场,进行目标电力设备的故障检出分析,获得检出结果,在检出结果为出现故障时,获取故障规模信息;故障位置检出单元,所述故障位置检出单元用于根据所述微声信号场和微温度信号场,进行目标电力设备的故障位置检出,获得故障位置信息;预警单元,所述预警单元用于通过预警模块,基于所述故障位置信息和故障规模信息,生成预警信息,进行预警。
本申请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:
通过采用声信号传感器阵列和温度传感器阵列,并结合级联声场生成器和级联温度场生成器,能够对电力设备内多个位置的声信号和温度信号进行综合分析,从而提高了故障检出的准确性和灵敏度;通过构建声信号场和温度信号场,并利用微声信号场和微温度信号场,能够在更细微的尺度上对目标电力设备的故障位置进行检测,实现了精确定位的故障位置检出;通过获得故障规模信息和故障位置信息,并结合预警模块,生成相应的预警信息,预警信息可以提供针对性的指导和决策支持,使相关人员能够及时采取措施避免或减轻潜在故障的风险。综上所述,该电力设备故障风险预警方法通过综合分析声信号和温度信号、精确定位故障位置并结合故障规模信息,解决了传统方法的故障检出不准确、定位不精确以及缺乏准确的预警信息等技术问题,从而提高了故障检测和预警效果。
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
图1为本申请实施例提供了一种电力设备故障风险预警方法流程示意图;
图2为本申请实施例提供了一种电力设备故障风险预警系统结构示意图。
附图标记说明:信号阵列获取单元10,生成器训练单元20,图像级联生成单元30,故障检出分析单元40,故障位置检出单元50,预警单元60。
具体实施方式
本申请实施例通过提供一种电力设备故障风险预警方法,解决了传统电力设备故障风险预警方法存在故障检出不准确、定位不精确以及缺乏准确的预警信息的技术问题。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种电力设备故障风险预警方法,所述方法应用于一电力设备故障风险预警装置,所述装置包括声信号传感器阵列和温度传感器阵列,以及故障检出模块、故障分析模块和预警模块,所述方法包括:
通过声信号传感器阵列内的多个声信号传感器,以及温度传感器阵列内的多个温度传感器,采集目标电力设备内多个位置的声信号和温度信号,获得声信号阵列和温度信号阵列;
本申请实施例提供的一种电力设备故障风险预警方法应用于一电力设备故障风险预警装置,所述装置包括声信号传感器阵列和温度传感器阵列,以及故障检出模块、故障分析模块和预警模块。
其中,声信号传感器阵列和温度传感器阵列的这些传感器分别放置在电力设备内不同位置,用于收集该位置处的声信号和温度信号。声信号传感器阵列是由多个声信号传感器组成的,用于检测电力设备发出的声音大小,例如噪音、振动等,这些传感器通过采集目标电力设备内多个位置的声信号,提供声信号场的信息;温度传感器阵列由多个温度传感器组成,用于监测电力设备内不同位置的温度变化,这些传感器能够测量电力设备的温度,以便提供温度信号场的信息。
以及,故障检出模块利用声信号场和温度信号场进行故障检测分析,以确定是否存在故障,并获取故障的规模信息;故障分析模块基于宏声信号场和宏温度信号场,对目标电力设备进行进一步的故障分析,以获得更准确的检出结果和故障位置信息;预警模块通过结合故障位置信息和故障规模信息,生成相应的预警信息,用于提醒相关人员采取相应的措施,以减少或避免电力设备故障产生的风险。
总之,以上所描述的装置中的传感器阵列和各个模块共同协作,实现了对电力设备故障风险进行预警的功能,以提高设备安全性和稳定性。
具体的,将多个声信号传感器布置在目标电力设备的不同位置,以确保覆盖范围广泛,每个声信号传感器根据其位置和特性,以固定时间间隔进行声信号的测量和采集,通过声信号传感器阵列收集来自各个传感器的声信号数据;在目标电力设备的多个关键位置安装多个温度传感器,以测量不同位置处的温度变化,每个温度传感器按照事先设定的时间间隔进行温度数据的测量和采集,通过温度传感器阵列收集多个位置上的温度信号数据。
将采集到的声信号数据和温度信号数据按照时间序列存储,形成声信号阵列和温度信号阵列。这些信号阵列作为后续故障检出和分析的输入,用于电力设备故障风险预警装置的进一步处理和分析。
训练级联声场生成器和级联温度场生成器,所述级联声场生成器内包括宏声场生成单元和微声场生成单元;
准备大量的声信号和对应的宏声场数据作为训练数据集,宏声场是指经过高级特征提取的声信号表示,包含与故障相关的音频特征、频谱信息等,数据集涵盖各种电力设备的正常工作状态和故障情况。
使用准备好的声信号和对应的宏声场数据,基于对抗生成网络,进行宏声场生成单元的训练,训练的目标是将输入的声信号映射到对应的宏声场表示,使得生成的宏声场能够捕捉声音的特征和故障相关的信息。
在宏声场生成单元训练完成后,将宏声场作为输入,结合原始声信号数据,进行微声场生成单元的训练,微声场表示高频细节和局部特征,可以在宏声场的基础上提供更加精细的声音信息。同样地,使用对抗生成网络进行微声场生成单元的训练,保证生成的微声场具有故障特征和细节。
将宏声场生成单元和微声场生成单元进行级联,形成级联声场生成器,宏声场生成单元接收声信号作为输入,并生成相应的宏声场,微声场生成单元接收宏声场作为输入,并生成与之对应的微声场。
通过以上步骤,成功训练获取级联声场生成器,其中包含了宏声场生成单元和微声场生成单元,采用完全相同的方法,训练获取级联温度场生成器,其中包含了宏温度场生成单元和微温度场生成单元。这些生成器丰富了声音信息和温度信息以支持后续的故障检测和分析工作。
进一步而言,训练级联声场生成器和级联温度场生成器,包括:
训练宏声场生成单元以及微声场生成单元;
根据训练完成的宏声场生成单元以及微声场生成单元,获得级联声场生成器;
训练宏温度场生成单元以及微温度场生成单元;
根据训练完成的宏温度场生成单元以及微温度场生成单元,获得级联温度场生成器。
使用准备好的声信号和对应的宏声场数据,基于对抗生成网络,进行宏声场生成单元的训练,训练的目标是将输入的声信号映射到对应的宏声场表示,使得生成的宏声场能够捕捉声音的特征和故障相关的信息。
在宏声场生成单元训练完成后,将宏声场作为输入,结合原始声信号数据,进行微声场生成单元的训练,微声场表示高频细节和局部特征,可以在宏声场的基础上提供更加精细的声音信息。同样地,使用对抗生成网络进行微声场生成单元的训练,保证生成的微声场具有故障特征和细节。
从训练完成的宏声场生成单元中提取模型参数和权重,这些参数和权重捕捉了宏声信号场的特征和生成规律;同样地,从训练完成的微声场生成单元中提取模型参数和权重,这些参数和权重用于生成微声信号场,包含更详细的声音信息和故障位置的细节。
利用宏声场生成单元和微声场生成单元,构建级联声场生成器,将宏声场生成单元作为前端,负责生成宏声信号场,将微声场生成单元作为后端,在宏声信号场的基础上生成微声信号场,这样,通过级联声场生成器,可以同时生成宏声信号场和微声信号场,提供不同分辨率的声音信息,以反映电力设备内不同位置的声音水平和故障特征。
采用前述宏声场生成单元以及微声场生成单元完全相同的训练方法,训练宏温度场生成单元以及微温度场生成单元,并同样将宏温度场生成单元作为前端,负责生成宏温度场,将微温度场生成单元作为后端,负责生成微温度场,构建级联温度场生成器,通过该级联温度场生成器,可以同时生成宏温度信号场和微温度信号场。
进一步而言,训练级联声场生成器和级联温度场生成器,包括:
根据所述目标电力设备的声信号监测数据,获取样本声信号阵列集、样本宏声信号阵列集和样本微声信号阵列集,并构建样本声信号场集、样本宏声信号场集和样本微声信号场集,其中,宏声信号阵列、声信号阵列和微声信号阵列内的声信号数量递增;
基于对抗生成网络,根据样本声信号场集、样本宏声信号场集和样本微声信号场集,构建并训练所述宏声场生成单元和微声场生成单元;
基于训练完成的所述宏声场生成单元和微声场生成单元,获得级联声场生成器;
构建并训练宏温度场生成单元以及微温度场生成单元,获得级联温度场生成器。
根据目标电力设备的声信号监测数据,选择一组声音采集点,并从中提取声信号数据,这些声信号数据可以是以时间序列方式记录的声音振幅值或声音频谱特征。构建一个初始声信号阵列,其中只包含一组基础声音采集点的声信号数据。
在声信号阵列集的基础上,逐步增加额外的声音采集点,收集相应位置的声信号数据,将每个新增的声音采集点的声信号数据添加到声信号阵列中,构建宏声信号阵列集,随着声音采集点的增加,宏声信号阵列中的声信号数量逐渐增多;在宏声信号阵列集的基础上,进一步增加更多的微小位置细节采集点,收集相应位置的声信号数据,将每个新增的细节采集点的声信号数据添加到宏声信号阵列中,构建微声信号阵列集,随着细节采集点的增加,微声信号阵列中的声信号数量逐渐增多。
根据样本声信号阵列集、样本宏声信号阵列集和样本微声信号阵列集中的声信号数据,构建对应的样本声信号场集、样本宏声信号场集和样本微声信号场集。声信号场集、宏声信号场集和微声信号场集分别是将声信号数据映射为场景中各个位置的场值,反映声音在空间中的传播和分布情况。这样可以获得不同数量声信号的阵列和对应的声信号场,以支持后续的故障分析和处理工作。
使用对抗生成网络(GAN)的生成器网络部分构建宏声场生成单元,其中,生成器网络接收噪声作为输入,并输出合成的宏声场数据,通过训练生成器网络,使其尽可能地生成与样本宏声信号场集相似的宏声场数据。同样地,使用对抗生成网络(GAN)的生成器网络部分构建微声场生成单元,生成器网络接受宏声场数据作为输入,并输出合成的微声场数据,通过训练生成器网络,使其尽可能地生成与样本微声信号场集相似的微声场数据。
GAN中的判别器网络用于评估生成的声场数据的真实程度,判别器网络接受宏声场数据和微声场数据作为输入,输出一个评价值来衡量其真实性。
在训练中,将样本宏声信号场和宏声场生成单元生成的宏声场数据输入给判别器网络进行评估,通过比较生成的宏声场数据和样本宏声信号场的区别,优化宏声场生成单元,使其生成更逼真的宏声场数据,然后,将样本微声信号场和微声场生成单元生成的微声场数据输入给判别器网络进行评估,并优化微声场生成单元。这些生成单元能够模拟真实的声音特征和故障信息,有助于后续的故障检测、定位和分析等任务。
将训练完成的宏声场生成单元作为前端,负责生成宏声场信号,将训练完成的微声场生成单元作为后端,在宏声场信号的基础上生成微声场信号, 这样就形成了一个级联结构,即级联声场生成器。
采用前述构建并训练所述宏声场生成单元和微声场生成单元相同的方法,构建并训练宏温度场生成单元以及微温度场生成单元,并将训练完成的宏温度场生成单元作为前端,微温度场生成单元作为后端,形成了一个级联结构,即级联温度场生成器。
进一步而言,构建并训练所述宏声场生成单元和微声场生成单元,包括:
基于对抗生成网络,构建宏声场生成单元内的生成器和判别器;
采用所述样本声信号场集和样本宏声信号场集作为训练数据,对宏声场生成单元进行训练,其中,将样本声信号场加入随机噪声输入生成器,获取生成声信号场,判别器结合样本宏声信号场,对生成声信号场进行判别,直到判别器的输出接近1;
基于对抗生成网络,构建微声场生成单元内的生成器和判别器,并采用样本声信号场集和样本微声信号场集,进行训练,直到收敛。
生成器是宏声场生成单元的关键组件,用于将输入的特征向量转换成宏声场数据,使用卷积神经网络(CNN)或递归神经网络(RNN)等架构作为生成器的基础结构,输入是一维噪声向量,通过多个隐藏层的非线性变换和上采样操作,生成器逐渐恢复出宏声场数据。
判别器是宏声场生成单元的另一个重要组件,用于评估生成器生成的宏声场数据是否真实,判别器也可以是基于CNN或RNN等架构的神经网络,它接收输入的宏声场数据(真实样本)和生成器生成的宏声场数据(生成样本),并输出一个评估值来衡量其真实程度。
在训练过程中,生成器试图生成逼真的宏声场数据,使其能够欺骗判别器,被判别器误认为是真实样本,判别器则努力区分真实样本和生成的样本,并准确评估它们的真实程度,通过反复迭代训练生成器和判别器,使它们相互竞争、不断改进,最终收敛于一个平衡状态。
使用样本声信号场集作为输入训练数据,为了引入随机性和多样性,将样本声信号场加入随机噪声,作为生成器的输入。 根据前述的指导,构建宏声场生成单元内的生成器和判别器网络,生成器接收带有随机噪声和样本声信号场的输入,并生成对应的宏声场数据,判别器接收样本宏声信号场和生成器生成的宏声场数据,并输出评估值。
将样本宏声信号场和生成器生成的宏声场数据输入给判别器进行评估,根据判别器的输出评估值,计算生成器的损失函数并进行反向传播,更新生成器的参数,以使生成器能在生成的宏声场数据中逼近真实的宏声信号场,循环执行以上步骤,直到判别器的输出接近1,表示生成的宏声场数据已经具有较高的真实性。通过上述训练过程中的反复迭代,生成器将逐渐学习到样本声信号场集中准确的宏声场生成规律,并能够生成与样本宏声信号场集相似的宏声场数据。
采用前述完全相同的方法,构建并训练微声场生成单元内的生成器和判别器。
基于声信号阵列和温度信号阵列,构建声信号场和温度信号场,采用所述级联声场生成器和级联温度场生成器,对所述声信号场和温度信号场进行图像级联生成,获得宏声信号场、微声信号场、宏温度信号场和微温度信号场;
利用声信号阵列中采集到的声信号数据,根据位置和时间关系,构建声信号场,声信号场反映了电力设备内不同位置的声音水平和特征;利用温度传感器阵列中采集到的温度信号数据,根据位置和时间关系,构建温度信号场,温度信号场反映了电力设备内不同位置的温度变化情况。所述声信号场和温度信号场就是原始构建的场。
将声信号场作为输入,结合级联声场生成器进行图像级联生成,可以理解为分辨率不同的图像,包括电力设备内不同数量位置的声信号信息,级联声场生成器包括宏声场生成单元和微声场生成单元,可以生成宏声信号场和微声信号场,其中,宏声信号场内包括电力设备内较少数量的主要位置的声信号,可能没有采集到,通过生成对抗网络进行生成,反映电力设备内整体的声信号水平,来判断是否发生故障以及故障规模;微声信号场内包括电力设备内较多数量的位置的声信号,部分位置没有采集到,也是生成对抗网络生成的,可以根据其内的声信号判断具体出现故障的位置。
同样的,将温度信号场作为输入,结合级联温度场生成器进行图像级联生成,包括电力设备内不同数量位置的温度信号信息,级联温度场生成器包括宏温度场生成单元和微温度场生成单元,可以生成宏温度信号场和微温度信号场。
通过以上步骤,成功构建了宏声信号场、微声信号场、宏温度信号场和微温度信号场,这些场通过生成对抗网络进行生成,以反映电力设备内不同位置的声信号信息和温度信号信息,宏声信号场可以用于判断是否发生故障以及故障规模,微声信号场可以用于确定具体故障位置;类似地,宏温度信号场提供整体温度信息,而微温度信号场提供局部温度变化的细节。
通过故障分析模块,根据所述宏声信号场和宏温度信号场,进行目标电力设备的故障检出分析,获得检出结果,在检出结果为出现故障时,获取故障规模信息;
准备宏声信号场和宏温度信号场作为输入数据,输入到故障分析模块中,故障分析模块根据预先建立的故障检测算法,对输入数据进行分析和处理,利用宏声信号场和宏温度信号场中的特征信息,检测可能存在的故障情况。根据故障分析模块的输出,获取故障检出的结果,如果检出结果显示出现故障,则可以确认目标电力设备发生了故障;当检出结果为未出现故障时,可以推断目标电力设备正常工作。
如果故障检出结果为出现故障,故障分析模块提供故障的规模信息,包括故障的严重程度、故障的规模大小等描述故障程度和影响范围的信息,用于评估故障的严重性,并确定后续处理和维修措施的优先级。
进一步而言,所述方法包括:
基于电力设备的故障监测数据,处理获取样本宏声信号场集、宏温度信号场集和样本检出结果集,其中,每个样本检出结果包括是否出现故障以及出现故障时的故障规模信息;
采用所述样本宏声信号场集、宏温度信号场集和样本检出结果集,构建故障检出通道,并训练至符合收敛要求;
获取检出结果,在检出结果为出现故障时,获取所述故障规模信息,其中,所述检出结果通过将宏声信号场和宏温度信号场输入所述故障检出通道获取。
从电力设备的故障监测数据中提取与声音相关的特征或振动信号,将其转换为宏声信号场集,获取样本宏声信号场集;同样提取与温度相关的信息,并转换为宏温度信号场集,获取宏温度信号场集。对故障监测数据进行分析和处理,以检测电力设备的故障,根据故障检测结果,标记样本是否出现故障,如果故障被检测到,则将故障规模信息添加到样本检出结果集中,例如故障类型或故障程度。
选择深度学习模型,例如神经网络,来构建故障检测模型, 输入特征是样本宏声信号场集和宏温度信号场集,输出代表故障检测结果。将样本检出结果集中的是否出现故障和故障规模信息作为监督学习的标签,具体的,将故障检测结果映射到二分类(正常/故障)或多分类(故障类型)问题。
使用标签处理后的样本宏声信号场集和宏温度信号场集,以及对应的标签进行模型训练,通过反向传播和优化算法,如梯度下降,不断调整模型参数,使其逐渐符合收敛要求,根据训练集和验证集的评估指标,判断模型是否达到预期效果,并进行必要的调整和优化,直至符合收敛要求,如准确率达到95%,获取故障检出通道,这样的故障检测通道可以用于实时的电力设备故障检测任务,帮助快速发现和定位问题,并采取相应的维修和修复措施。
使用宏声信号场和宏温度信号场作为输入数据,通过训练好的故障检出通道进行检测,故障检出通道对输入的数据进行处理和分析,并输出相应的检出结果。根据检出结果,判断是否出现故障,检出结果可以是二分类的,表示是否出现故障;或者是多分类的,表示不同类型的故障。如果检出结果为出现故障,则从故障检出通道中进一步获取故障规模信息,包括故障的程度、等级、强度等描述。这样能够帮助判断电力设备是否出现了故障,并获得有关故障程度和严重性的相关信息。
根据所述微声信号场和微温度信号场,进行目标电力设备的故障位置检出,获得故障位置信息;
根据故障规模信息,确定对应故障发生时的声信号区间阈值和温度区间阈值,这些阈值用于后续的故障位置检出。利用微声信号场和微温度信号场,结合设定的声信号区间阈值和温度区间阈值,进行故障位置的遍历搜索,遍历搜索的目的是寻找与故障规模相匹配的声音和温度特征,从而确定可能存在故障的具体位置,对于每个待检测的位置,在微声信号场和微温度信号场中进行故障位置的遍历检出,获得声故障位置信息和温度故障位置信息,获取到的故障位置信息用于指导后续的修复和维护工作。
进一步而言,所述方法包括:
基于电力设备的故障监测数据,获取样本故障规模信息集、样本故障声信号阈值集和样本故障温度信号阈值集;
构建所述样本故障规模信息集、样本故障声信号阈值集和样本故障温度信号阈值集的映射关系;
根据所述故障规模信息,映射获取故障声信号阈值和故障温度信号阈值;
基于所述故障声信号阈值和故障温度信号阈值,在所述微声信号场和微温度信号场内进行故障位置的遍历检出,获得声故障位置信息和温度故障位置信息;
基于所述声故障位置信息和温度故障位置信息,生成所述故障位置信息。
收集电力设备的故障监测数据,包括声音信号、温度信号,所述故障监测数据能够准确反映电力设备在不同故障状态下的声音和温度变化。
对电力设备故障监测数据进行标注,将每个故障样本与其对应的故障规模信息关联起来,故障规模信息包括故障的类型、程度、等级或具体参数等。
对样本故障声信号进行分析和处理,例如频谱分析、噪声去除等,根据实际情况和专家经验,设定适当的阈值,用于判定某个故障特征在声音信号中的存在与否,通过对多个样本故障声音信号进行分析,获得一组故障声信号的阈值集,作为样本故障声信号阈值集;同样,对样本故障温度信号进行分析和处理,例如异常点检测、滤波等,根据实际情况和专家经验,设置合适的阈值,用于检测是否存在异常的温度值,通过分析多个样本故障温度信号,获取一组故障温度信号的阈值集,作为样本故障温度信号阈值集。
通过以上步骤,可以获取样本故障规模信息集(描述具体故障的程度或类型)、样本故障声信号阈值集(用于判定声音信号中的故障特征)和样本故障温度信号阈值集(用于检测异常温度值)。这些信息和阈值集用作故障诊断和监测系统的参考依据,用于对实时采集到的电力设备故障监测数据进行判断和决策。
对于每个故障样本,记录其对应的故障规模信息,例如故障类型、程度等,分析故障声信号数据,并确定适当的声信号特征或组合作为故障的指示器,探索不同故障规模下声信号特征的变化趋势,可采用机器学习模型的分析方法,示例性的,基于决策树模型,决策树是一种基于树状结构的分类模型,每个节点表示一个特征,每个分支表示一个特征值,叶子节点对应于故障规模信息,通过训练决策树模型,建立不同故障规模和声信号阈值之间的映射关系,即定义哪些声信号特征超过一定阈值可表示特定故障规模。
以同样的方法,建立样本故障规模信息集与样本故障温度信号阈值的映射关系,定义哪些温度信号特征超过一定阈值可表示特定故障规模。这些映射关系可以帮助识别和判定实时采集到的声音和温度信号是否表明了具体的故障规模。
基于前述所述样本故障规模信息集、样本故障声信号阈值集和样本故障温度信号阈值集的映射关系,根据故障规模信息集中的故障规模值,找到对应的故障声信号阈值和故障温度信号阈值,这些阈值用于将采集的声音信号和温度信号与故障规模进行比较,并判断是否发生了特定规模的故障。
在微声信号场中,按照一定的步长和窗口大小,对整个信号场进行遍历检测,对每个遍历窗口内的声信号数据应用故障声信号阈值集,判断是否存在超过阈值的故障特征;在微温度信号场中,同样按照一定步长和窗口大小,对整个信号场进行遍历检测,对每个遍历窗口内的温度信号数据应用故障温度信号阈值集,判断是否存在异常的温度值。
当声信号场中某个窗口内的声信号特征超过阈值时,记录该窗口对应的声故障位置信息;当温度信号场中某个窗口内检测到异常的温度值时,记录该窗口对应的温度故障位置信息。这些信息指示了存在故障的位置,有助于进一步分析和定位实际故障。
如果声故障位置信息和温度故障位置信息具有相同的空间分辨率和坐标系统,可以简单地将两者进行整合,将其合并为一个综合的故障位置信息集。
如果声故障位置信息和温度故障位置信息表示不同的方面或特性,则将两者视为不同的特征,对其进行融合,例如,可以使用加权平均、逻辑回归等算法来结合两者,并生成最终的故障位置信息。
通过预警模块,基于所述故障位置信息和故障规模信息,生成预警信息,进行预警。
进一步而言,通过预警模块,基于所述故障位置信息和故障规模信息,生成预警信息,进行预警,包括:
基于所述故障规模信息,生成预警等级信息;
基于所述故障位置信息,生成可视化的预警指示信息;
根据所述预警等级信息和预警指示信息,进行预警。
定义与故障规模信息相对应的不同预警等级,例如,使用数字标识不同的预警等级,如3级表示高风险,2级表示中风险,1级表示低风险。基于专家知识、经验法则等,根据故障规模信息集中的具体内容和特征,确定不同预警等级的划分规则,例如根据故障规模信息的类别、程度、影响范围等因素进行划分,以便准确反映故障的严重程度。
根据预警等级划分规则,将所述故障规模信息关联到相应的预警等级,生成预警等级信息,这样的信息可以帮助及时识别和评估故障的严重程度,并采取适当的措施进行处理。
根据故障位置信息的特点和呈现需求,选择合适的可视化方式,例如使用地图、图表、热力图等各种方式来展示故障位置和预警指示。将故障位置信息在可视化界面上进行标识,例如在地图上用符号、颜色或标签表示故障位置,对于多个故障位置,可以使用不同的标志来区分不同的预警等级或故障类别。在故障位置标识中,使用不同的可视效果来展示预警指示信,例如根据预警等级的严重程度,调整标记的大小、颜色深浅或闪烁频率等。
提供交互功能,允许用户与可视化界面进行交互,查看具体故障详情或更改显示设置,对于实时故障数据,可以定期刷新可视化界面,以确保预警指示信息的实时性和准确性。通过以上方法,可以基于所述故障位置信息生成可视化的预警指示信息,使用户能够快速理解故障的位置和严重程度。
基于所述预警等级信息和预警指示信息,确定触发预警的临界点,临界点的设定可以基于历史数据分析、专家知识等。当预警等级信息或预警指示信息超过预设的临界点时,触发相应的预警,将预警信息及时通知给相关人员,如操作员、维护人员或管理层,进而实现快速响应、定位和修复故障。
综上所述,本申请实施例所提供的一种电力设备故障风险预警方法及系统具有如下技术效果:
1.通过采用声信号传感器阵列和温度传感器阵列,并结合级联声场生成器和级联温度场生成器,能够对电力设备内多个位置的声信号和温度信号进行综合分析,从而提高了故障检出的准确性和灵敏度;
2.通过构建声信号场和温度信号场,并利用微声信号场和微温度信号场,能够在更细微的尺度上对目标电力设备的故障位置进行检测,实现了精确定位的故障位置检出;
3.通过获得故障规模信息和故障位置信息,并结合预警模块,生成相应的预警信息,预警信息可以提供针对性的指导和决策支持,使相关人员能够及时采取措施避免或减轻潜在故障的风险。
综上所述,该电力设备故障风险预警方法通过综合分析声信号和温度信号、精确定位故障位置并结合故障规模信息,解决了传统方法的故障检出不准确、定位不精确以及缺乏准确的预警信息等技术问题,从而提高了故障检测和预警效果。
实施例二
基于与前述实施例中一种电力设备故障风险预警方法相同的发明构思,如图2所示,本申请提供了一种电力设备故障风险预警系统,所述系统应用于一电力设备故障风险预警装置,所述装置包括声信号传感器阵列和温度传感器阵列,以及故障检出模块、故障分析模块和预警模块,所述系统包括:
信号阵列获取单元10,所述信号阵列获取单元10用于通过声信号传感器阵列内的多个声信号传感器,以及温度传感器阵列内的多个温度传感器,采集目标电力设备内多个位置的声信号和温度信号,获得声信号阵列和温度信号阵列;
生成器训练单元20,所述生成器训练单元20用于训练级联声场生成器和级联温度场生成器,所述级联声场生成器内包括宏声场生成单元和微声场生成单元;
图像级联生成单元30,所述图像级联生成单元30用于基于声信号阵列和温度信号阵列,构建声信号场和温度信号场,采用所述级联声场生成器和级联温度场生成器,对所述声信号场和温度信号场进行图像级联生成,获得宏声信号场、微声信号场、宏温度信号场和微温度信号场;
故障检出分析单元40,所述故障检出分析单元40用于通过故障分析模块,根据所述宏声信号场和宏温度信号场,进行目标电力设备的故障检出分析,获得检出结果,在检出结果为出现故障时,获取故障规模信息;
故障位置检出单元50,所述故障位置检出单元50用于根据所述微声信号场和微温度信号场,进行目标电力设备的故障位置检出,获得故障位置信息;
预警单元60,所述预警单元60用于通过预警模块,基于所述故障位置信息和故障规模信息,生成预警信息,进行预警。
进一步而言,所述生成器训练单元20还包括如下操作步骤:
训练宏声场生成单元以及微声场生成单元;
根据训练完成的宏声场生成单元以及微声场生成单元,获得级联声场生成器;
训练宏温度场生成单元以及微温度场生成单元;
根据训练完成的宏温度场生成单元以及微温度场生成单元,获得级联温度场生成器。
进一步而言,所述生成器训练单元20还包括如下操作步骤:
根据所述目标电力设备的声信号监测数据,获取样本声信号阵列集、样本宏声信号阵列集和样本微声信号阵列集,并构建样本声信号场集、样本宏声信号场集和样本微声信号场集,其中,宏声信号阵列、声信号阵列和微声信号阵列内的声信号数量递增;
基于对抗生成网络,根据样本声信号场集、样本宏声信号场集和样本微声信号场集,构建并训练所述宏声场生成单元和微声场生成单元;
基于训练完成的所述宏声场生成单元和微声场生成单元,获得级联声场生成器;
构建并训练宏温度场生成单元以及微温度场生成单元,获得级联温度场生成器。
进一步而言,所述生成器训练单元20还包括如下操作步骤:
基于对抗生成网络,构建宏声场生成单元内的生成器和判别器;
采用所述样本声信号场集和样本宏声信号场集作为训练数据,对宏声场生成单元进行训练,其中,将样本声信号场加入随机噪声输入生成器,获取生成声信号场,判别器结合样本宏声信号场,对生成声信号场进行判别,直到判别器的输出接近1;
基于对抗生成网络,构建微声场生成单元内的生成器和判别器,并采用样本声信号场集和样本微声信号场集,进行训练,直到收敛。
进一步而言,所述系统还包括故障规模信息获取模块,以执行如下操作步骤:
基于电力设备的故障监测数据,处理获取样本宏声信号场集、宏温度信号场集和样本检出结果集,其中,每个样本检出结果包括是否出现故障以及出现故障时的故障规模信息;
采用所述样本宏声信号场集、宏温度信号场集和样本检出结果集,构建故障检出通道,并训练至符合收敛要求;
获取检出结果,在检出结果为出现故障时,获取所述故障规模信息,其中,所述检出结果通过将宏声信号场和宏温度信号场输入所述故障检出通道获取。
进一步而言,所述系统还包括故障位置信息获取模块,以执行如下操作步骤:
基于电力设备的故障监测数据,获取样本故障规模信息集、样本故障声信号阈值集和样本故障温度信号阈值集;
构建所述样本故障规模信息集、样本故障声信号阈值集和样本故障温度信号阈值集的映射关系;
根据所述故障规模信息,映射获取故障声信号阈值和故障温度信号阈值;
基于所述故障声信号阈值和故障温度信号阈值,在所述微声信号场和微温度信号场内进行故障位置的遍历检出,获得声故障位置信息和温度故障位置信息;
基于所述声故障位置信息和温度故障位置信息,生成所述故障位置信息。
进一步而言,所述系统还包括故障预警模块,以执行如下操作步骤:
基于所述故障规模信息,生成预警等级信息;
基于所述故障位置信息,生成可视化的预警指示信息;
根据所述预警等级信息和预警指示信息,进行预警。
本说明书通过前述对一种电力设备故障风险预警方法的详细描述,本领域技术人员可以清楚得知道本实施例中一种电力设备故障风险预警方法及系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述得比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种电力设备故障风险预警方法,其特征在于,所述方法应用于一电力设备故障风险预警装置,所述装置包括声信号传感器阵列和温度传感器阵列,以及故障检出模块、故障分析模块和预警模块,所述方法包括:
通过声信号传感器阵列内的多个声信号传感器,以及温度传感器阵列内的多个温度传感器,采集目标电力设备内多个位置的声信号和温度信号,获得声信号阵列和温度信号阵列;
训练级联声场生成器和级联温度场生成器,所述级联声场生成器内包括宏声场生成单元和微声场生成单元;
基于声信号阵列和温度信号阵列,构建声信号场和温度信号场,采用所述级联声场生成器和级联温度场生成器,对所述声信号场和温度信号场进行图像级联生成,获得宏声信号场、微声信号场、宏温度信号场和微温度信号场,其中,宏声信号场包括电力设备内主要位置的声信号,微声信号场包括数量大于所述宏声信号场内位置数量的位置的声信号,宏温度信号场包括电力设备内主要位置的温度信号,微温度信号场包括数量大于所述宏温度信号场内位置数量的位置的温度信号;
通过故障分析模块,根据所述宏声信号场和宏温度信号场,进行目标电力设备的故障检出分析,获得检出结果,在检出结果为出现故障时,获取故障规模信息;
根据所述微声信号场和微温度信号场,进行目标电力设备的故障位置检出,获得故障位置信息;
通过预警模块,基于所述故障位置信息和故障规模信息,生成预警信息,进行预警。
2.根据权利要求1所述的方法,其特征在于,所述方法包括:
训练宏声场生成单元以及微声场生成单元;
根据训练完成的宏声场生成单元以及微声场生成单元,获得级联声场生成器;
训练宏温度场生成单元以及微温度场生成单元;
根据训练完成的宏温度场生成单元以及微温度场生成单元,获得级联温度场生成器。
3.根据权利要求2所述的方法,其特征在于,所述方法包括:
根据所述目标电力设备的声信号监测数据,获取样本声信号阵列集、样本宏声信号阵列集和样本微声信号阵列集,并构建样本声信号场集、样本宏声信号场集和样本微声信号场集,其中,宏声信号阵列、声信号阵列和微声信号阵列内的声信号数量递增;
基于对抗生成网络,根据样本声信号场集、样本宏声信号场集和样本微声信号场集,构建并训练所述宏声场生成单元和微声场生成单元,其中,基于生成器网络构建宏声场生成单元,将样本声信号场加入随机噪声作为输入,通过训练宏声场生成单元,使其生成与样本宏声信号场集相似的宏声信号场,基于生成器网络构建微声场生成单元,将样本声信号场加入随机噪声作为输入,通过训练微声场生成单元,使其生成与样本微声信号场集相似的微声场数据;
基于训练完成的所述宏声场生成单元和微声场生成单元,获得级联声场生成器;
构建并训练宏温度场生成单元以及微温度场生成单元,获得级联温度场生成器。
4.根据权利要求3所述的方法,其特征在于,所述方法包括:
基于对抗生成网络,构建宏声场生成单元内的生成器和判别器;
采用所述样本声信号场集和样本宏声信号场集作为训练数据,对宏声场生成单元进行训练,其中,将样本声信号场加入随机噪声输入生成器,获取生成声信号场,判别器结合样本宏声信号场,对生成声信号场进行判别,直到判别器的输出接近1;
基于对抗生成网络,构建微声场生成单元内的生成器和判别器,并采用样本声信号场集和样本微声信号场集,进行训练,直到收敛。
5.根据权利要求1所述的方法,其特征在于,所述方法包括:
基于电力设备的故障监测数据,处理获取样本宏声信号场集、样本宏温度信号场集和样本检出结果集,其中,每个样本检出结果包括是否出现故障以及出现故障时的故障规模信息;
采用所述样本宏声信号场集、样本宏温度信号场集和样本检出结果集,构建故障检出通道,并训练至符合收敛要求;
获取检出结果,在检出结果为出现故障时,获取所述故障规模信息,其中,所述检出结果通过将宏声信号场和宏温度信号场输入所述故障检出通道获取。
6.根据权利要求5所述的方法,其特征在于,所述方法包括:
基于电力设备的故障监测数据,获取样本故障规模信息集、样本故障声信号阈值集和样本故障温度信号阈值集;
构建所述样本故障规模信息集、样本故障声信号阈值集和样本故障温度信号阈值集的映射关系;
根据所述故障规模信息,映射获取故障声信号阈值和故障温度信号阈值;
基于所述故障声信号阈值和故障温度信号阈值,在所述微声信号场和微温度信号场内进行故障位置的遍历检出,获得声故障位置信息和温度故障位置信息;
基于所述声故障位置信息和温度故障位置信息,生成所述故障位置信息。
7.根据权利要求1所述的方法,其特征在于,所述方法包括:
基于所述故障规模信息,生成预警等级信息;
基于所述故障位置信息,生成可视化的预警指示信息;
根据所述预警等级信息和预警指示信息,进行预警。
8.一种电力设备故障风险预警系统,其特征在于,所述系统应用于一电力设备故障风险预警装置,所述装置包括声信号传感器阵列和温度传感器阵列,以及故障检出模块、故障分析模块和预警模块,用于实施权利要求1-7任一项所述的一种电力设备故障风险预警方法,包括:
信号阵列获取单元,所述信号阵列获取单元用于通过声信号传感器阵列内的多个声信号传感器,以及温度传感器阵列内的多个温度传感器,采集目标电力设备内多个位置的声信号和温度信号,获得声信号阵列和温度信号阵列;
生成器训练单元,所述生成器训练单元用于训练级联声场生成器和级联温度场生成器,所述级联声场生成器内包括宏声场生成单元和微声场生成单元;
图像级联生成单元,所述图像级联生成单元用于基于声信号阵列和温度信号阵列,构建声信号场和温度信号场,采用所述级联声场生成器和级联温度场生成器,对所述声信号场和温度信号场进行图像级联生成,获得宏声信号场、微声信号场、宏温度信号场和微温度信号场;
故障检出分析单元,所述故障检出分析单元用于通过故障分析模块,根据所述宏声信号场和宏温度信号场,进行目标电力设备的故障检出分析,获得检出结果,在检出结果为出现故障时,获取故障规模信息;
故障位置检出单元,所述故障位置检出单元用于根据所述微声信号场和微温度信号场,进行目标电力设备的故障位置检出,获得故障位置信息;
预警单元,所述预警单元用于通过预警模块,基于所述故障位置信息和故障规模信息,生成预警信息,进行预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410181718.9A CN117740082B (zh) | 2024-02-19 | 2024-02-19 | 一种电力设备故障风险预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410181718.9A CN117740082B (zh) | 2024-02-19 | 2024-02-19 | 一种电力设备故障风险预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117740082A CN117740082A (zh) | 2024-03-22 |
CN117740082B true CN117740082B (zh) | 2024-05-14 |
Family
ID=90254834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410181718.9A Active CN117740082B (zh) | 2024-02-19 | 2024-02-19 | 一种电力设备故障风险预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117740082B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008005039A (ja) * | 2006-06-20 | 2008-01-10 | Aruze Corp | 無線通信障害監視システム、並びに無線通信障害監視装置 |
CN102042846A (zh) * | 2009-10-12 | 2011-05-04 | 中国科学院理化技术研究所 | 热声过程测试系统及其测试方法 |
CN110567720A (zh) * | 2019-08-07 | 2019-12-13 | 东北电力大学 | 非平衡小样本场景下风机轴承故障深度对抗诊断方法 |
CN112466000A (zh) * | 2020-09-23 | 2021-03-09 | 国网上海市电力公司 | 一种基于电力巡检机器人的巡检系统及巡检控制方法 |
US11169288B1 (en) * | 2017-12-07 | 2021-11-09 | Triad National Security, Llc | Failure prediction and estimation of failure parameters |
CN114444734A (zh) * | 2022-01-27 | 2022-05-06 | 山东电工电气集团有限公司 | 一种基于边缘计算的变压器多模态故障诊断方法 |
DE102021210476A1 (de) * | 2021-09-21 | 2023-03-23 | Siemens Mobility GmbH | System zur Zustandsüberwachung von elektrisch angetriebenen Fahrzeugen |
WO2023123593A1 (zh) * | 2021-12-30 | 2023-07-06 | 浙大城市学院 | 基于变分模态分解和残差网络的航空轴承故障诊断方法 |
CN116858396A (zh) * | 2023-05-09 | 2023-10-10 | 山东大学 | 基于主动超声发射的绕组热点温度无损探测方法及系统 |
-
2024
- 2024-02-19 CN CN202410181718.9A patent/CN117740082B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008005039A (ja) * | 2006-06-20 | 2008-01-10 | Aruze Corp | 無線通信障害監視システム、並びに無線通信障害監視装置 |
CN102042846A (zh) * | 2009-10-12 | 2011-05-04 | 中国科学院理化技术研究所 | 热声过程测试系统及其测试方法 |
US11169288B1 (en) * | 2017-12-07 | 2021-11-09 | Triad National Security, Llc | Failure prediction and estimation of failure parameters |
CN110567720A (zh) * | 2019-08-07 | 2019-12-13 | 东北电力大学 | 非平衡小样本场景下风机轴承故障深度对抗诊断方法 |
CN112466000A (zh) * | 2020-09-23 | 2021-03-09 | 国网上海市电力公司 | 一种基于电力巡检机器人的巡检系统及巡检控制方法 |
DE102021210476A1 (de) * | 2021-09-21 | 2023-03-23 | Siemens Mobility GmbH | System zur Zustandsüberwachung von elektrisch angetriebenen Fahrzeugen |
WO2023123593A1 (zh) * | 2021-12-30 | 2023-07-06 | 浙大城市学院 | 基于变分模态分解和残差网络的航空轴承故障诊断方法 |
CN114444734A (zh) * | 2022-01-27 | 2022-05-06 | 山东电工电气集团有限公司 | 一种基于边缘计算的变压器多模态故障诊断方法 |
CN116858396A (zh) * | 2023-05-09 | 2023-10-10 | 山东大学 | 基于主动超声发射的绕组热点温度无损探测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117740082A (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109324604B (zh) | 一种基于多源信号的智能列车综合故障分析方法 | |
KR101316486B1 (ko) | 이상 검지 방법 및 시스템 | |
CN113400652B (zh) | 基于振动信号的3d打印机监测与诊断知识库装置、系统 | |
CN106022366B (zh) | 一种基于近邻证据融合的旋转机械设备故障诊断方法 | |
CN110411580B (zh) | 一种电力设备发热缺陷的诊断方法以及诊断系统 | |
US20230162484A1 (en) | Apparatus and method for generating learning data for artificial intelligence model | |
CN111946559B (zh) | 一种风机基础和塔架结构检测方法 | |
CN102789676B (zh) | 一种基于报警证据融合的工业报警器设计方法 | |
CN116204842B (zh) | 一种电气设备的异常监测方法及系统 | |
CN117251812A (zh) | 一种基于大数据分析的高压电力线路运行故障检测方法 | |
CN109297534B (zh) | 用于评价室内环境质量的环境参数权重确定方法及系统 | |
CN115576284A (zh) | 一种服装车间智能化管理方法及系统 | |
CN116629627A (zh) | 输电在线监测装置的智能检测系统 | |
KR20230104527A (ko) | 부분방전 모니터링 시스템 및 부분방전 모니터링 방법 | |
CN117368651B (zh) | 一种配电网故障综合分析系统及方法 | |
KR102392951B1 (ko) | 초음파 대역의 음향 신호를 수신하는 다채널 감지 센서를 구비한 설비 고장 예측 시스템 | |
CN117740082B (zh) | 一种电力设备故障风险预警方法及系统 | |
CN110057588B (zh) | 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统 | |
KR102172727B1 (ko) | 설비 결함 검출 장치 및 방법 | |
CN103743477A (zh) | 一种机械故障检测诊断方法及其设备 | |
CN115469585B (zh) | 一种基于大数据的水电机组状态监测方法及系统 | |
CN116520068A (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
KR102325439B1 (ko) | 사출 성형 설비의 고장 예측 시스템 및 그 방법 | |
Iwata et al. | AI-aided Hammering Test System to Automatically Generate Anomaly Maps. | |
CN113487189A (zh) | 一种石化设备故障概率风险评估系统及评估方法 |
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 |