CN117743961A - 基于长短期记忆lstm的电缆接头故障检测方法及系统 - Google Patents
基于长短期记忆lstm的电缆接头故障检测方法及系统 Download PDFInfo
- Publication number
- CN117743961A CN117743961A CN202311697494.9A CN202311697494A CN117743961A CN 117743961 A CN117743961 A CN 117743961A CN 202311697494 A CN202311697494 A CN 202311697494A CN 117743961 A CN117743961 A CN 117743961A
- Authority
- CN
- China
- Prior art keywords
- model
- lstm
- cable joint
- data
- long
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 230000015654 memory Effects 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000010223 real-time analysis Methods 0.000 claims abstract description 13
- 230000007787 long-term memory Effects 0.000 claims description 11
- 230000006403 short-term memory Effects 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000003745 diagnosis Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 17
- 238000013135 deep learning Methods 0.000 abstract description 7
- 230000007774 longterm Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于长短期记忆LSTM的电缆接头故障检测方法及系统，所述方法包括：实时采集电缆接头的TEV信号数据，并对采集到的数据进行预处理；设计LSTM网络的结构；使用历史数据对LSTM网络模型进行训练，反复迭代和优化模型参数；一旦模型训练完成，使用训练好的模型进行实时分析，通过实时输入最新的TEV信号数据，模型进行推理和预测，得出未来时刻的TEV幅值和脉冲值；根据模型输出的预测结果，设置合适的阈值进行判定。本发明采用深度学习中的LSTM模型进行时序关系建模，成功捕捉到了复杂的时序依赖关系；通过将LSTM模型与传统的阈值方法进行有机融合，显著提高了电力系统故障监测的精确性。
Description
技术领域
本发明涉及设备故障检测技术领域，尤其涉及一种基于长短期记忆LSTM的电缆接头故障检测方法及系统。
背景技术
电缆接头是电力系统中非常重要的一个部分，但因工作环境和天气等因素，可能会导致电力不能正常传输或传输电力时出现异常放电等问题。若这些问题不能及时发现并解决，可能会导致电力设备损坏和停电等严重后果。
为了监测电缆接头是否有问题，通常会使用传感器来监测它的特征值(比如TEV特征值)，就像用温度计来测量体温一样。通过监测到的数据，就可以判断电缆接头是否出现了故障。另外，还有一种使用传统时间序列分析方法(比如ARIMA)来监测电缆接头的问题，这种方法可以分析过去和现在的数据，来预测未来的情况。但是，该方法无法捕捉到数据中的非线性特征和长期依赖关系，这使得分析结果可能存在偏差。
尽管现有技术的方法在一定程度上能够监测电缆接头的问题，但都无法很好地捕捉复杂的时序依赖关系，因此仍需不断研究和探索更为准确和有效的监测方法。
发明内容
有鉴于此，本发明提出一种基于长短期记忆LSTM的电缆接头故障检测方法及系统，以解决现有技术中存在的电缆接头的局部放电故障监测不够准确有效的问题。
本发明具体的技术方案如下：
一种基于长短期记忆LSTM的电缆接头故障检测方法，包括以下步骤：
数据采集和预处理：通过传感器或其他检测设备，实时采集电缆接头的TEV信号数据，并对采集到的数据进行预处理，包括数据清洗、特征提取的步骤，以提高后续模型的稳定性和鲁棒性；
模型构建：设计LSTM网络的结构，包括确定神经元的数量、网络的层数以及激活函数的关键参数；
模型训练：使用历史数据对LSTM网络模型进行训练，通过反复迭代和优化模型参数，以提高模型的预测准确性和泛化能力；
实时分析：一旦模型训练完成，使用训练好的模型进行实时分析，通过实时输入最新的TEV信号数据，模型进行推理和预测，得出未来时刻的TEV幅值和脉冲值；
阈值判定：根据模型输出的预测结果，设置合适的阈值进行判定。
具体地，数据采集和预处理包括去噪、归一化的步骤。
具体地，模型训练中，使用历史数据对模型进行训练，通过不断调整权重和阈值的参数，以最小化预测误差，从而学习到历史数据中的时序关系。
具体地，本发明的方法还包括对模型进行定期更新的步骤，以适应电缆接头状态的变化。
具体地，模型更新包括使用新的历史数据对模型进行重新训练，并优化模型参数。
一种基于长短期记忆LSTM的电缆接头故障检测系统，包括：
TEV传感器的数据预处理模块，用于收集电缆接头的TEV信号数据，并进行数据清洗、特征提取的预处理步骤；
LSTM网络的训练和实时分析模块，包括模型构建、训练和使用三个子模块；模型构建子模块用于设计LSTM网络的结构，包括确定神经元的数量、网络的层数以及激活函数等关键参数；训练子模块利用训练集对网络模型进行训练，通过反复迭代和优化模型参数，以提高模型的预测准确性和泛化能力；使用子模块用于进行实时分析，通过实时输入最新的TEV信号数据，模型进行推理和预测，得出未来时刻的TEV幅值和脉冲值；
诊断模块，根据模型输出的预测结果，设置合适的阈值进行判定，如果预测结果超过了预设的阈值，就意味着电缆接头可能存在潜在的局部放电问题，此时系统会进行相应的处理。
具体地，本发明的系统还包括告警模块，用于根据预测结果的程度生成相应的告警信息。
具体地，本发明系统的训练集包括历史TEV信号数据。
具体地，本发明系统的训练过程包括使用优化算法随机梯度下降SGD、Adam来调整网络模型的参数。
具体地，本发明系统的数据预处理步骤包括去噪、归一化的步骤。
本发明的有益效果在于：
本发明采用深度学习中的LSTM模型进行时序关系建模，对电缆接头的TEV特征值进行预测性分析。LSTM模型能够捕捉到数据之间的长期依赖关系，并学习到其中的时序关系，从而更准确地预测未来的趋势。然后，结合阈值方法，根据预测结果判断局部放电故障是否发生。通过将LSTM模型与传统的阈值方法进行有机融合，显著提高了电力系统故障监测的精确性。这种方法能够在嘈杂环境中提供更可靠的诊断结果，及时发现潜在的故障，使得维护人员能够在故障发生之前采取有效的预防措施，从而降低了设备系统故障的风险，确保了电力系统的安全可靠运行，进一步提升了系统的稳定性和可靠性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，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他的附图。
图1为本发明基于长短期记忆LSTM的电缆接头故障检测方法的流程示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提出了一种基于长短期记忆LSTM的电缆接头故障检测方法，目的在于提高对电缆接头状态的准确监测，以及对潜在故障的敏感性。为实现这一目标，本发明采用了深度学习模型(LSTM)来更好地捕捉时序关系，并结合阈值方法提高了检测的准确性。
长短期记忆网络(LSTM)是一种特殊的循环神经网络(RNN)，它能够处理具有长期依赖性的时间序列数据。在电缆接头的局部放电监测中，LSTM模型可以有效地捕捉时序数据中的复杂依赖关系，并进行准确的预测。
本发明的基于长短期记忆网络LSTM的故障检测方法，首先，通过收集电缆接头的TEV信号数据，对采集到的数据进行预处理，包括数据清洗、特征提取等步骤，以准备用于模型训练和分析。然后，设计LSTM网络的结构，包括确定神经元的数量、网络的层数以及激活函数等关键参数。利用训练集对网络模型进行训练，通过反复迭代和优化模型参数，以提高模型的预测准确性和泛化能力。一旦模型训练完成，就可以使用它来进行实时分析。通过实时输入最新的TEV信号数据，模型会进行推理和预测，得出未来时刻的TEV幅值和脉冲值。最后，根据模型输出的预测结果，可以设置合适的阈值进行判定。如果预测结果超过了预设的阈值，就意味着电缆接头可能存在潜在的局部放电问题，此时系统会发出警报或进行相应的处理。这样，能够实现对电缆接头状态的实时监测和预警，帮助及时发现并处理潜在的局部放电故障，从而保障电力系统的稳定运行。
换言之，在电缆接头的局部放电监测中，(1)首先进行数据采集和预处理。通过传感器或其他检测设备，实时采集电缆接头的TEV信号。收集采集到的数据后，对这些数据进行预处理，包括去噪、归一化等步骤，以提高后续模型的稳定性和鲁棒性。(2)接下来，构建一个合适的模型来进行预测。在这里，选择LSTM网络作为模型，并合理设计网络的结构，包括选择适当的层数和神经元数量。这样做可以在保证模型性能的同时，控制计算的复杂度。(3)有了模型之后，使用历史数据来训练这个模型。通过训练，模型可以学习到时序之间的关系，从而为未来的预测奠定基础。(4)模型训练完成后，就可以使用它来进行推理了。具体来说，模型可以根据当前时刻的TEV信号，预测未来时刻的TEV幅值和脉冲值。(5)最后，根据模型输出的预测结果，判断是否存在潜在的局部放电问题。如果预测结果超过了预设的阈值，就意味着电缆接头可能存在潜在的局部放电问题。此时，设计一个告警系统，根据预测结果的程度生成相应的告警，使运维人员能够更直观地了解问题。
总结来说：
1.在构建LSTM模型时，需要确定网络的结构，包括层数、神经元数量以及激活函数等参数。一般来说，LSTM模型包含一个输入层、一个或多个隐藏层以及一个输出层。在每个时刻，输入数据通过输入层进入网络，经过隐藏层的处理后，最终通过输出层得到预测结果。
2.在训练LSTM模型时，需要使用历史数据作为训练集。训练过程中，模型通过不断调整权重和阈值等参数，以最小化预测误差，从而学习到历史数据中的时序关系。
3.训练完成后，可以使用训练好的模型进行实时推理，根据当前时刻的TEV信号数据预测未来时刻的TEV幅值和脉冲值。
4.通过使用LSTM模型进行特征值预测，并结合预设的阈值进行判定，可以有效地发现电缆接头潜在的局部放电问题。当预测结果超过阈值时，可以触发告警系统，生成相应的告警信息，使运维人员能够及时了解并处理潜在故障，确保电力系统的稳定运行。
本发明还提出了一种基于长短期记忆LSTM的电缆接头故障检测系统，包括：TEV传感器的数据预处理模块、LSTM网络的训练和实时分析模块，以及诊断模块，这三者构成了一个闭环系统，以实现对电缆接头局部放电问题的监测。
其中，TEV传感器的数据预处理模块，用于收集电缆接头的TEV信号数据，并进行数据清洗、特征提取、去噪、归一化等预处理步骤。
LSTM网络的训练和实时分析模块，包括模型构建、训练和使用三个子模块，其中模型构建子模块用于设计LSTM网络的结构，包括确定神经元的数量、网络的层数以及激活函数等关键参数；训练子模块利用训练集(包括历史TEV信号数据)对网络模型进行训练，训练过程包括使用优化算法如随机梯度下降(SGD)、Adam等来调整网络模型的参数，通过反复迭代和优化模型参数，以提高模型的预测准确性和泛化能力；使用子模块用于进行实时分析，通过实时输入最新的TEV信号数据，模型进行推理和预测，得出未来时刻的TEV幅值和脉冲值。
诊断模块，根据模型输出的预测结果，设置合适的阈值进行判定，如果预测结果超过了预设的阈值，就意味着电缆接头可能存在潜在的局部放电问题，此时系统会发出警报或进行相应的处理。
本发明的基于长短期记忆网络LSTM的故障检测系统还包括一个告警模块，用于根据预测结果的程度生成相应的告警信息。
综上，本发明的关键点在于：
(1)基于LSTM对TEV特征值的预测故障，可以提前发现潜在的故障，降低系统故障风险。在传统的故障诊断中，往往是在故障发生后进行诊断和修复，这种方式不仅需要花费大量时间和人力，还可能对系统造成一定的损害。而通过使用LSTM模型对TEV特征值进行预测，可以在故障发生前发现潜在问题，从而提前采取措施进行维修和解决，有效降低了系统故障的风险。
(2)数据采集和预处理阶段的方法是关键。在数据采集和预处理阶段，为了确保输入数据在训练和推理阶段的稳定性和一致性，需要进行一系列的处理操作，包括噪声去除、数据归一化等。这些操作可以有效地提高数据的准确性和可靠性，为后续模型的训练和推理提供更好的数据支持。
(3)构建LSTM神经网络模型也是关键。在构建LSTM模型时，需要选择适当的网络层数和神经元数量，以便更好地学习到TEV信号中存在的长期依赖关系。一个合适的模型结构不仅可以提高模型的性能和准确性，还可以降低模型的复杂度和计算量，使得模型更加实用和高效。
(4)将先进的深度学习技术应用于传统故障监测中，提高了监测的准确性。通过将先进的深度学习技术应用于传统的故障监测中，可以更好地学习和预测故障特征和行为，提高了监测的准确性和可靠性。同时，深度学习技术还可以自动学习和优化模型参数，使得模型的性能和精度得到进一步提升。这种方法不仅可以提高监测的准确性，还可以为运维人员提供更加全面和准确的故障信息和解决方案，有力地保障了电力系统的稳定运行。
本申请的有益效果在于：
本发明采用深度学习中的LSTM模型进行时序关系建模，对电缆接头的TEV特征值进行预测性分析。LSTM模型能够捕捉到数据之间的长期依赖关系，并学习到其中的时序关系，从而更准确地预测未来的趋势。然后，结合阈值方法，根据预测结果判断局部放电故障是否发生。通过将LSTM模型与传统的阈值方法进行有机融合，显著提高了电力系统故障监测的精确性。这种方法能够在嘈杂环境中提供更可靠的诊断结果，及时发现潜在的故障，使得维护人员能够在故障发生之前采取有效的预防措施，从而降低了设备系统故障的风险，确保了电力系统的安全可靠运行，进一步提升了系统的稳定性和可靠性。
该方法不仅可以应用于电缆接头的局部放电故障监测，还可应用于其他设备，如开关柜。同时，该方法还可以推广到其他领域，适用于需要时序数据进行状态预测和故障检测的场景。通过采用先进的深度学习技术，该方法能够更准确地预测和诊断设备的故障，从而提高设备的可靠性和安全性。此外，该方法还可以根据实际需求进行定制和优化，具有广泛的应用前景和推广价值。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于长短期记忆LSTM的电缆接头故障检测方法，其特征在于，包括以下步骤：
数据采集和预处理：通过传感器或其他检测设备，实时采集电缆接头的TEV信号数据，并对采集到的数据进行预处理，包括数据清洗、特征提取的步骤，以提高后续模型的稳定性和鲁棒性；
模型构建：设计LSTM网络的结构，包括确定神经元的数量、网络的层数以及激活函数的关键参数；
模型训练：使用历史数据对LSTM网络模型进行训练，通过反复迭代和优化模型参数，以提高模型的预测准确性和泛化能力；
实时分析：一旦模型训练完成，使用训练好的模型进行实时分析，通过实时输入最新的TEV信号数据，模型进行推理和预测，得出未来时刻的TEV幅值和脉冲值；
阈值判定：根据模型输出的预测结果，设置合适的阈值进行判定。
2.根据权利要求1的基于长短期记忆LSTM的电缆接头故障检测方法，其特征在于，所述的数据采集和预处理包括去噪、归一化的步骤。
3.根据权利要求1的基于长短期记忆LSTM的电缆接头故障检测方法，其特征在于，所述的模型训练中，使用历史数据对模型进行训练，通过不断调整权重和阈值的参数，以最小化预测误差，从而学习到历史数据中的时序关系。
4.根据权利要求1的基于长短期记忆LSTM的电缆接头故障检测方法，其特征在于，还包括对模型进行定期更新的步骤，以适应电缆接头状态的变化。
5.根据权利要求4的基于长短期记忆LSTM的电缆接头故障检测方法，其特征在于，所述的模型更新包括使用新的历史数据对模型进行重新训练，并优化模型参数。
6.一种基于长短期记忆LSTM的电缆接头故障检测系统，其特征在于，包括：
TEV传感器的数据预处理模块，用于收集电缆接头的TEV信号数据，并进行数据清洗、特征提取的预处理步骤；
LSTM网络的训练和实时分析模块，包括模型构建、训练和使用三个子模块；模型构建子模块用于设计LSTM网络的结构，包括确定神经元的数量、网络的层数以及激活函数等关键参数；训练子模块利用训练集对网络模型进行训练，通过反复迭代和优化模型参数，以提高模型的预测准确性和泛化能力；使用子模块用于进行实时分析，通过实时输入最新的TEV信号数据，模型进行推理和预测，得出未来时刻的TEV幅值和脉冲值；
诊断模块，根据模型输出的预测结果，设置合适的阈值进行判定，如果预测结果超过了预设的阈值，就意味着电缆接头可能存在潜在的局部放电问题，此时系统会进行相应的处理。
7.根据权利要求6的基于长短期记忆LSTM的电缆接头故障检测系统，其特征在于，还包括告警系统，用于根据预测结果的程度生成相应的告警信息。
8.根据权利要求6的基于长短期记忆LSTM的电缆接头故障检测系统，其特征在于，所述系统的训练集包括历史TEV信号数据。
9.根据权利要求6的基于长短期记忆LSTM的电缆接头故障检测系统，其特征在于，所述系统的训练过程包括使用优化算法随机梯度下降SGD、Adam来调整网络模型的参数。
10.根据权利要求6的基于长短期记忆LSTM的电缆接头故障检测系统，其特征在于，所述系统的数据预处理步骤包括去噪、归一化的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311697494.9A CN117743961A (zh) | 2023-12-12 | 2023-12-12 | 基于长短期记忆lstm的电缆接头故障检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311697494.9A CN117743961A (zh) | 2023-12-12 | 2023-12-12 | 基于长短期记忆lstm的电缆接头故障检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117743961A true CN117743961A (zh) | 2024-03-22 |
Family
ID=90280344
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311697494.9A Pending CN117743961A (zh) | 2023-12-12 | 2023-12-12 | 基于长短期记忆lstm的电缆接头故障检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117743961A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118282046A (zh) * | 2024-04-16 | 2024-07-02 | 湖北世纪森源电力工程有限公司 | 基于智能电网的电缆状态预测方法及系统 |
-
2023
- 2023-12-12 CN CN202311697494.9A patent/CN117743961A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118282046A (zh) * | 2024-04-16 | 2024-07-02 | 湖北世纪森源电力工程有限公司 | 基于智能电网的电缆状态预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210216852A1 (en) | Leak detection with artificial intelligence | |
| CN112926273B (zh) | 一种多元退化设备剩余寿命预测方法 | |
| Romano et al. | Automated detection of pipe bursts and other events in water distribution systems | |
| EP3460496B1 (en) | A method and apparatus for automatic localization of a fault | |
| CN114169545A (zh) | 一种热电厂设备智能故障诊断和运维引导的方法、装置、介质及设备 | |
| CN117743961A (zh) | 基于长短期记忆lstm的电缆接头故障检测方法及系统 | |
| AU2018251134B2 (en) | Method and apparatus for monitoring the condition of subsystems within a renewable generation plant or microgrid | |
| CN117408162A (zh) | 基于数字孪生的电网故障控制方法 | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| CN117556347A (zh) | 一种基于工业大数据的电力设备故障预测与健康管理方法 | |
| Samhouri et al. | An intelligent machine condition monitoring system using time-based analysis: neuro-fuzzy versus neural network | |
| Nabeshima et al. | Nuclear reactor monitoring with the combination of neural network and expert system | |
| Li et al. | Meteorological radar fault diagnosis based on deep learning | |
| CN116777088B (zh) | 用于保障生命安全的供电应急抢修环境监测方法及系统 | |
| Dang et al. | seq2graph: Discovering dynamic non-linear dependencies from multivariate time series | |
| Hu et al. | Anomaly detection and remaining useful lifetime estimation based on degradation state for bearings | |
| CN114548701B (zh) | 面向全量测点耦合结构分析与估计的过程预警方法及系统 | |
| Wan et al. | A hybrid CNN-BiLSTM and Wiener process-based prediction approach of remaining useful life for rolling bearings | |
| Aftabi et al. | A Variational Autoencoder Framework for Robust, Physics-Informed Cyberattack Recognition in Industrial Cyber-Physical Systems | |
| He et al. | An adaptive interval forecast CNN model for fault detection method | |
| CN117371567A (zh) | 基于频繁共现模式挖掘的服务事件关联分析方法与装置 | |
| Karagiorgou et al. | On making factories smarter through actionable predictions based on time-series data | |
| Cross et al. | Model-based condition monitoring for wind turbines | |
| CN117034157B (zh) | 一种结合多模态运行数据的水电设备故障识别方法与系统 | |
| Menaouer | Anomaly Detection of Aeolian Wind Speed Using Deep Learning Techniques |
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 |