CN105044497A - 一种牵引变流器故障智能分析方法 - Google Patents
一种牵引变流器故障智能分析方法 Download PDFInfo
- Publication number
- CN105044497A CN105044497A CN201510375776.6A CN201510375776A CN105044497A CN 105044497 A CN105044497 A CN 105044497A CN 201510375776 A CN201510375776 A CN 201510375776A CN 105044497 A CN105044497 A CN 105044497A
- Authority
- CN
- China
- Prior art keywords
- fault
- information
- source
- trouble
- real
- 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
Landscapes
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开一种牵引变流器故障智能分析方法,步骤包括:1)预先在牵引变流器中不同故障源发生故障时检测对应的各种不同故障信息,将每个故障源对应检测到的多种故障信息构成一组故障融合表征信息,建立故障源与故障融合表征信息之间的对应关系模型;2)实时监测牵引变流器的运行状态,并获取各种实时故障信息构成故障融合实时表征信息,根据对应关系模型分析与故障融合实时表征信息匹配的故障源。本发明具有实现方法简单、能够实现牵引变流器的故障智能分析、且故障分析效率及精度高的优点。
Description
技术领域
本发明涉及牵引变流器故障检测技术领域,尤其涉及一种牵引变流器故障智能分析方法。
背景技术
在电力机车交流传动***中,牵引变流器负责整个电能变换功能,将50Hz单相交流电变换成变压变频的三相交流电,从而给牵引电机提供电源。由于牵引变流器结构复杂,元器件受外部环境及运行工况的影响大,因而经常出现故障情况。目前对牵引变流器的故障分析通常是由技术或现场服务人员基于经验进行人工分析,由于牵引变流器的结构及控制原理复杂,牵引变流器的故障分析也较为复杂,当出现超出经验之外的罕见故障时,基于人工分析的方法甚至无法执行故障分析,其还存在以下缺陷:
(1)现场服务人员分析时通常无法获得牵引变流器的相应结构及设计原理,而只能从外部故障现象进行判断,通过不断的尝试更换不同的零部件来推断可能发生的故障原因,因而故障分析过程复杂、处理效率低,需要耗费较多的人工成本;
(2)技术人员分析时由于无法准确获得外部故障现象及运用环境相关信息,只能通过故障日志及波形文件进行分析,不利于相关故障的排查,影响故障分析的准确度;
(3)无论是现场服务人员或技术人员来对相关故障进行分析,基于人工故障分析方法的准确度都受分析人员本身故障分析经验程度的影响,而无法有效的利用历史分析数据来进行准确分析,不同分析人员所获得的故障分析准确度可能不相同。
随着各种型号机车的批量上线运用,对现场故障处理速度要求越来越高,因此,提高故障诊断的实时性和准确性成为亟待解决的问题。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种实现方法简单、能够实现牵引变流器故障的智能分析、且故障分析效率和精度高的牵引变流器故障智能分析方法。
为解决上述技术问题,本发明提出的技术方案为:
一种牵引变流器故障智能分析方法,步骤包括:
1)关系模型建立:预先在牵引变流器中不同故障源发生故障时检测对应的各种不同故障信息,将每个故障源对应检测到的多种故障信息构成一组故障融合表征信息,建立故障源与故障融合表征信息之间的对应关系模型;
2)故障智能分析:实时监测牵引变流器的运行状态,并获取各种实时故障信息构成故障融合实时表征信息,根据所述对应关系模型分析与所述故障融合实时表征信息匹配的故障源。
作为本发明的进一步改进:所述故障信息包括外部故障现象信息、运用环境工况信息,以及监测牵引变流器运行状态时获得的故障变量监测信息、故障波形监测信息。
作为本发明的进一步改进:所述步骤1)中对应关系模型包括每组故障融合表征信息与所有可能的故障源之间的对应关系。
作为本发明的进一步改进,所述步骤1)中还包括故障分析规则构建步骤,具体步骤为:根据所述对应关系模型计算每一组故障融合表征信息所对应的各个故障源的概率值,得到故障融合表征信息与各个故障源之间的概率关系,并构成故障信息与故障源之间的故障分析规则。
作为本发明的进一步改进,所述故障分析规则步骤后还包括多维关系分析表构建步骤,具体步骤为:将所述故障分析规则分别按照与每种故障信息的相关性、每个故障源的概率关系构建得到故障信息与故障源之间的多维关系分析表。
作为本发明的进一步改进,所述步骤1)所述多维关系分析表构建步骤中还包括故障信息编码分配步骤,具体步骤为:为不同故障信息设置对应的编码,得到包含故障信息编码的多维关系分析表。
作为本发明的进一步改进,所述步骤2)中分析与所述故障融合实时表征信息匹配的故障源中的具体步骤为:将所述实时表征信息输入至所述多维关系分析表中进行匹配,根据所述故障信息编码查找到与所述实时表征信息匹配的故障分析规则,由所述故障分析规则分析得到对应的故障源。
作为本发明的进一步改进:所述根据所述故障信息编码查找到与所述实时表征信息匹配的故障分析规则具体采用模糊推理方法。
与现有技术相比,本发明的优点在于:
1)本发明通过预先建立牵引变流器的故障源与故障融合表征信息之间的对应关系模型,来表征故障源与不同组故障信息之间的对应关系,基于对应关系模型在获取故障融合实时表征信息后,可方便、准确的分析对应的故障源,从而实现牵引变流器故障的智能分析,且分析效率及精度高;
2)本发明中故障信息包括外部故障现象信息、运用环境工况信息,以及监测牵引变流器运行状态时获得的故障变量监测信息、故障波形监测信息,由多种故障信息进行融合来进行表征,能够准确的表征各种不同故障工况下的故障状态,以进一步提高故障分析的精度;
3)本发明对应关系模型进一步包括每种故障融合表征信息与所有可能的故障源之间的对应关系,从而可以有效表征出各种故障信息与故障源之间的多维产生因果关系,以便于准确的分析定位对应故障信息所对应的所有故障源;
4)本发明进一步根据对应关系模型计算每一组故障融合表征信息所对应的各个故障源的概率值,由故障融合表征信息与各个故障源之间的概率关系构成故障分析规则,从而在确定故障信息后,通过故障分析规则即可快速、准确的分析得到对应的故障源;
5)本发明进一步按照不同故障表征的类型建立故障表征信息标识表,在故障表征信息标识表中不同故障信息设置对应的编码,由编码标识对应的故障信息类型,便于记录各种故障信息以及实现故障信息的匹配。
附图说明
图1是本实施例牵引变流器故障智能分析方法的实现流程示意图。
图2是本实施例牵引变流器故障智能分析方法的实现原理示意图。
图3是本实施例中建立智能分析***知识库的实现原理示意图。
图4是电力机车交流传动***主电路结构以及各故障源的原理示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述,但并不因此而限制本发明的保护范围。
如图1、2所示,本实施例牵引变流器故障智能分析方法,步骤包括:
1)关系模型建立:预先在牵引变流器中不同故障源发生故障时检测对应的各种不同故障信息,将每个故障源对应检测到的多种故障信息构成一组故障融合表征信息,建立故障源与故障融合表征信息之间的对应关系模型;
2)故障智能分析:实时监测牵引变流器的运行状态,并获取各种实时故障信息构成故障融合实时表征信息,根据对应关系模型分析与故障融合实时表征信息匹配的故障源。
本实施例通过预先建立牵引变流器的故障源与故障融合表征信息之间的对应关系模型,来表征故障源与不同组故障信息之间的对应关系,由对应关系模型在获取故障融合实时表征信息后,可方便、准确的分析对应的故障源,从而实现牵引变流器故障的智能分析,且分析效率及精度高。
本实施例中,故障信息包括外部故障现象信息、运用环境工况信息,以及监测牵引变流器运行状态时获得的故障变量监测信息、故障波形监测信息,各种具体故障信息可根据实际情况选取。故障信息即表征故障状态的信息(故障表征),不同故障状态下可能存在多种不同的故障表征。TCU(TractionControlUnit,传动控制单元)为牵引变流器的控制器,通过TCU对牵引变流器的各种状态及异常工况进行监视,并在某些物理量发生异常时,记录相关变量并以日志文件(现场故障日志文件)和波形文件(现场故障波形文件)形式保存在控制器内,则可获取记录的现场故障日志文件、现场故障波形文件以进行故障分析。各种故障信息的获取方法如下所示:
外部故障现象信息及运用环境信息,如灯显情况,天气状况、运用路况等信息,具体可由现场服务人员根据了解的外部相关信息对每项信息的进行确认,通过获取到确认信息后得到外部故障现象信息及运用环境信息;
故障变量监测信息,具体通过现场故障日志文件获得,从现场故障日志文件中提取出故障代码、环境变量等信息,并根据日志文件中的相关信息对故障的频率、持续时间等进行统计,即得到故障变量监测信息;
故障波形监测信息,具体通过现场故障波形文件获得,从现场故障波形文件中提取出与当前故障强相关的物理量的波形数据,进行归一化后提取出波形特征,与故障波形特征库内的各种故障模板进行匹配,即得到故障波形监测信息。
本实施例中,步骤1)中对应关系模型包括每种故障融合表征信息与所有可能的故障源之间的对应关系。由于一个故障表征可能对应多个故障源,且一个故障源可能有多个故障表征,则由故障融合表征信息与所有可能的故障源之间的对应关系即可确定故障信息与故障源之间的产生因果关系。
本实施例中,步骤1)中还包括故障分析规则构建步骤,具体步骤为:根据对应关系模型计算每一组故障融合表征信息所对应的各个故障源的概率值,得到故障融合表征信息与各个故障源之间的概率关系,并构成故障信息与故障源之间的故障分析规则。故障分析规则中包含所相关的故障信息以及对应相关故障源的概率值,则由故障分析规则即可得到故障信息与故障源之间的产生因果关系。
本实施例中,故障分析规则步骤后还包括多维关系分析表构建步骤,具体步骤为:将故障分析规则分别按照与每种故障信息的相关性、每个故障源的概率关系构建得到故障信息与故障源之间的多维关系分析表,其中与故障信息的相关性即为是否包含该故障信息。
本实施例具体将建立的所有对应关系模型通过产生式规则进行表示得到故障分析规则库,各条故障分析规则按照产生前提(与每个故障信息的相关性)、故障结论(故障源)以及各故障结论的概率生成一个多维关系分析表并进行存储,多维关系分析表的格式如表1所示,其中每条产生式规则采用如表达式(1)表示:
Ri:ifS1=γi1andS2=γi2and…andSn=γin
thenF1=pi1andF2=pi2and…andFm=pim(1)
其中,Ri表示第i条规则,γj(j=1,,n)表示第j个前提(即故障信息或故障表征),Fk(k=1,,m)Fj(j=1,2,…,m)表示第k个结论(故障源);γij(i=1,,N,j=1,,n)为一个二值函数,表示为第i条故障分析规则的结论与第j个故障表征是否相关,γij=0表示不相关,γij=1表示相关;pik(i=1,,N,k=1,,m)为权重系数,表示第i条故障分析规则的诊断结果为第k个故障源的可能性,且pi1+pik+pim=1。
表1规则库的多维关系表描述
由上述产生式规则即可得到每一组故障融合表征信息所对应的各个故障源的概率值,从而由故障融合表征信息与各个故障源之间的概率关系构成得到故障分析规则。
本实施例中,多维关系分析表构建步骤中还包括故障信息编码分配步骤,具体步骤为:为不同故障信息设置对应的编码,得到包含故障信息编码的多维关系分析表。首先为不同故障信息设置对应的编码,将设置的编码按照故障信息的类别进行划分,建立得到如表2所示的故障表征信息标识表,结合建立的故障表征信息标识表即可得到包含故障信息编码的多维关系分析表。本实施例具体预先为故障变量监测信息对应的故障代码、故障环境变量信息、关键变量波形特征信息、运用环境工况信息以及外部故障现象信息(TCU模拟孔读数信息、TCU灯显信息)的各种故障设置对应的编码,由编码标识对应的故障信息类型,例如故障代码信息包含A001~AN1种故障表征类型,预先配置A001~AN1所分别对应的故障代码,由各编码建立得到故障表征信息标识表。
表2:故障表征信息标识表
如图3所示,本实施例建立对应关系模型时,首先根据现场实验以及分析等建立故障源库、故障信息库,以及故障源库与故障信息库之间的对应关系,由该对应关系来构建两个数据库:事实库、规则库,事实库包括故障表征库和故障源库两部分,其中故障表征库中包含上述各种故障信息并以列表的形式存储,例如对应外部故障现象信息的TCU灯显信息列表、TCU模拟孔读数列表,对应运用环境工况信息的运用环境工况信息列表等;故障源库中包含牵引变流器本身以及各种相关故障源并按照故障源位置以列表的形式存储,例如包含对应牵引变压器故障源列表,对应牵引变流器故障源列表、对应牵引电机的故障源列表、对应TCU的故障源列表等;规则库中则存储有按照上述方法以产生式规则建立的故障分析规则,按照故障代码类型进行分类并以列表的形式进行存储,例如对应网侧故障的规则列表、对应逆变侧故障的规则列表等。
如图2所示,本实施例对牵引变流器进行故障分析时,首先确认得到外部故障现象信息及运用环境信息、TCU导入的故障变量监测信息以及故障波形监测信息后,将故障信息进行信息融合,得到故障融合实时表征信息,通过故障分析规则分析定位对应的故障源,由分析结果来给出对应的处理措施建议。
本实施例中,步骤2)中分析与故障融合实时表征信息匹配的故障源中的具体步骤为:将实时表征信息输入至所述多维关系分析表中进行匹配,根据所述故障信息编码查找到与所述实时表征信息匹配的故障分析规则,由故障分析规则分析得到对应的故障源。进行牵引变流器故障智能分析时,本实施例具体实时采集外部故障现象信息及运用环境信息,通过现场故障日志文件中提取出故障代码、环境变量等信息,得到故障变量监测信息;以及通过从现场故障波形文件中提取出与当前故障强相关的物理量的波形数据,得到故障波形监测信息,将各种故障信息进行融合,形成当前故障的一个故障表征信息,将当前获得的故障表征信息与如表2所示的故障表征信息标识表进行匹配,若匹配成功,则将当前故障的故障表征信息标识表中相应编码置为TRUE,否则置为FALSE;根据匹配结果再结合表1所示的规则库即可分析定位出对应的故障源。
本实施例中,根据故障信息编码查找到与实时表征信息匹配的故障分析规则具体采用模糊推理方法,匹配识别过程简单,同时能够获取高精度的匹配识别结果。当然在其他实施例中,也可以根据实际情况采用其他匹配分析方法。
采用上述方法只需输入外部故障现象及运用环境信息,即可实现故障智能分析,以及故障源的自动定位,不受个人经验的影响,故障分析准确度以及有效性高。
以下以机车运用过程中常见的主回路接地故障分析为例对本发明进行进一步说明。
如图4所示,电力机车交流传动***主电路主要由牵引变压器、牵引变流器、牵引电机三大部分组成,其中牵引变流器为整个传动***的核心,主要由牵引变流器轴充电回路、四象限整流器、直流回路、逆变器等组成,图中采用⊕标注出经常出现的故障源,各故障源分别对应为:
①变压器次边绕组正端存在接地;②变压器次边绕组负端存在接地;③四象限模块输入正端存在接地;④中间直流回路正端存在接地;⑤中间直流回路负端存在接地;⑥二次谐振电容正端存在接地;⑦逆变器输出侧存在接地。
ⅰ关系模型建立
a)对应关系模型建立
预先通过在牵引变流器中不同故障源发生故障时检测对应的各种不同故障信息,将每个故障源对应检测到的多种故障信息构成一组故障融合表征信息,建立上述7种故障源与故障融合表征信息之间的对应关系模型;
b)规则库建立
根据对应关系模型计算每一组故障融合表征信息所对应的各个故障源的概率值,由故障融合表征信息与各个故障源之间的概率关系构成故障分析规则,并为各故障表征进行编码,得到如表3所示的多维关系分析表形式的故障分析规则库(仅给出部分)。
表3:主回路接地故障诊断部分规则表
其中,上述各故障表征的编码含义如下所示:
A001:TCU报出主回路接地故障;
B001:充电接触器处于闭合状态;
B002:短接接触器处于闭合状态;
B003:四象限处于运行状态;
B004:逆变器处于运行状态;
C001:波形的频率为50Hz;
C002:Ud2波形的频率为50Hz;
C003:波形的相位与变压器次边电压U2同相;
C004:波形的相位与变压器次边电压U2反相;
C005:Ud2波形的相位与变压器次边电压U2反相;
C006:波形的幅值大于中间电压幅值;
C007:波形的幅值为中间电压幅值的一半;
C008:波形为正弦波;
C009:波形为矩形波;
C010:波形的频率为450Hz;
C011:Ud2波形数值恒为0;
C012:Ud2波形数值恒为Ud1;
F1:变压器次边绕组正端存在接地
F2:变压器次边绕组负端存在接地;
F3:四象限模块输入正端存在接地;
F4:中间直流回路正端存在接地;
F5:中间直流回路负端存在接地;
ⅱ故障智能分析
当报出主回路故障后,实时采集牵引变流器主电路的外部故障现象信息及运用环境信息,通过导入现场故障日志文件中提取出故障代码、环境变量等信息,得到故障变量监测信息;以及通过导入从现场故障波形文件中提取出与当前故障强相关的物理量的波形数据,得到故障波形监测信息,将各种故障信息进行融合,形成当前故障的一个故障表征信息,将当前获得的故障表征信息与表3进行匹配,查找到匹配的故障分析规则后即可定位得到对应的故障源。本实施例采用上述方法分析得到的结果为:四象限模块输入正端存在接地,通过实际故障点的检测验证了本发明上述方法的有效性。
本实施例采用上述方法,能够实现主回路故障的智能分析,同时能够快速、准确的分析定位到对应的故障源,以便于给出相应的故障建议。而传统的TCU控制程序仅是利用中间电压与半中间电压之间的差值关系来诊断出存在主回路故障,并不能对具体故障源进行定位。
上述只是本发明的较佳实施例,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。因此,凡是未脱离本发明技术方案的内容,依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均应落在本发明技术方案保护的范围内。
Claims (8)
1.一种牵引变流器故障智能分析方法,其特征在于,步骤包括:
1)预先在牵引变流器中不同故障源发生故障时检测对应的各种不同故障信息,将每个故障源对应检测到的多种故障信息构成一组故障融合表征信息,建立故障源与故障融合表征信息之间的对应关系模型;
2)实时监测牵引变流器的运行状态,并获取各种实时故障信息构成故障融合实时表征信息,根据所述对应关系模型分析与所述故障融合实时表征信息匹配的故障源。
2.根据权利要求1所述的牵引变流器故障智能分析方法,其特征在于:所述故障信息包括外部故障现象信息、运用环境工况信息,以及监测牵引变流器运行状态时获得的故障变量监测信息、故障波形监测信息。
3.根据权利要求2所述的牵引变流器故障智能分析方法,其特征在于:所述步骤1)中对应关系模型包括每组故障融合表征信息与所有可能的故障源之间的对应关系。
4.根据权利要求1或2或3所述的牵引变流器故障智能分析方法,其特征在于,所述步骤1)中还包括故障分析规则构建步骤,具体步骤为:根据所述对应关系模型计算每一组故障融合表征信息所对应的各个故障源的概率值,得到故障融合表征信息与各个故障源之间的概率关系,并构成故障信息与故障源之间的故障分析规则。
5.根据权利要求4所述的牵引变流器故障智能分析方法,其特征在于:所述故障分析规则步骤后还包括多维关系分析表构建步骤,具体步骤为:将所述故障分析规则分别按照与每种故障信息的相关性、每个故障源的概率关系构建得到故障信息与故障源之间的多维关系分析表。
6.根据权利要求5所述的牵引变流器故障智能分析方法,其特征在于,所述多维关系分析表构建步骤中还包括故障信息编码分配步骤,具体步骤为:为不同故障信息设置对应的编码,得到包含故障信息编码的多维关系分析表。
7.根据权利要求6所述的牵引变流器故障智能分析方法,其特征在于,所述步骤2)中分析与所述故障融合实时表征信息匹配的故障源中的具体步骤为:将所述实时表征信息输入至所述多维关系分析表中进行匹配,根据所述故障信息编码查找到与所述实时表征信息匹配的故障分析规则,由所述故障分析规则分析得到对应的故障源。
8.根据权利要求7所述的牵引变流器故障智能分析方法,其特征在于:所述根据所述故障信息编码查找到与所述实时表征信息匹配的故障分析规则具体采用模糊推理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510375776.6A CN105044497B (zh) | 2015-06-30 | 2015-06-30 | 一种牵引变流器故障智能分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510375776.6A CN105044497B (zh) | 2015-06-30 | 2015-06-30 | 一种牵引变流器故障智能分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105044497A true CN105044497A (zh) | 2015-11-11 |
CN105044497B CN105044497B (zh) | 2018-02-02 |
Family
ID=54451184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510375776.6A Active CN105044497B (zh) | 2015-06-30 | 2015-06-30 | 一种牵引变流器故障智能分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105044497B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105471278A (zh) * | 2015-12-17 | 2016-04-06 | 北京天诚同创电气有限公司 | 应用于变流器中的辅助控制装置及变流器*** |
CN107179735A (zh) * | 2017-02-06 | 2017-09-19 | 国网山东省电力公司利津县供电公司 | 一种生活小区自来水管线跑水自动报警控制***及控制方法 |
CN108016466A (zh) * | 2016-11-01 | 2018-05-11 | 株洲中车时代电气股份有限公司 | 一种机车牵引变流器故障自动控制方法 |
CN108334049A (zh) * | 2017-12-26 | 2018-07-27 | 中车唐山机车车辆有限公司 | 车辆故障数据的管理方法及装置 |
CN110275082A (zh) * | 2018-03-16 | 2019-09-24 | 中车株洲电力机车研究所有限公司 | 一种变流器主电路的接地诊断方法、***及装置 |
CN111157809A (zh) * | 2018-11-08 | 2020-05-15 | 中车永济电机有限公司 | 牵引变流器的故障确定方法和装置 |
WO2020155802A1 (zh) * | 2019-01-29 | 2020-08-06 | 中车长春轨道客车股份有限公司 | 一种列车组应急供电方法和*** |
CN112067997A (zh) * | 2020-08-14 | 2020-12-11 | 杭州小电科技股份有限公司 | 移动电源租赁设备诊断方法、***、电子设备和存储介质 |
CN112213570A (zh) * | 2019-07-10 | 2021-01-12 | 株洲中车时代电气股份有限公司 | 一种故障诊断规则库的生成方法及其故障诊断方法 |
WO2021097604A1 (zh) * | 2019-11-18 | 2021-05-27 | 株洲中车时代电气股份有限公司 | 一种基于多信息融合的变流器的故障预警方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439658A (zh) * | 2013-08-12 | 2013-12-11 | 深圳市禾望电气有限公司 | 一种变流器的故障诊断方法和*** |
CN103901882A (zh) * | 2014-04-15 | 2014-07-02 | 北京交通大学 | 一种列车动力***在线监控故障诊断的***及其方法 |
CN104091203A (zh) * | 2014-07-24 | 2014-10-08 | 重庆大学 | 一种风力发电用变流器的实时可靠性评估方法 |
CN104236933A (zh) * | 2013-06-13 | 2014-12-24 | 同济大学 | 一种针对列车牵引***的故障隐患预警方法 |
CN104407602A (zh) * | 2014-10-29 | 2015-03-11 | 中国神华能源股份有限公司 | 一种电力机车电气***故障判断方法 |
CN104502758A (zh) * | 2014-12-17 | 2015-04-08 | 西北工业大学 | 航空静止变流器故障诊断方法 |
-
2015
- 2015-06-30 CN CN201510375776.6A patent/CN105044497B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104236933A (zh) * | 2013-06-13 | 2014-12-24 | 同济大学 | 一种针对列车牵引***的故障隐患预警方法 |
CN103439658A (zh) * | 2013-08-12 | 2013-12-11 | 深圳市禾望电气有限公司 | 一种变流器的故障诊断方法和*** |
CN103901882A (zh) * | 2014-04-15 | 2014-07-02 | 北京交通大学 | 一种列车动力***在线监控故障诊断的***及其方法 |
CN104091203A (zh) * | 2014-07-24 | 2014-10-08 | 重庆大学 | 一种风力发电用变流器的实时可靠性评估方法 |
CN104407602A (zh) * | 2014-10-29 | 2015-03-11 | 中国神华能源股份有限公司 | 一种电力机车电气***故障判断方法 |
CN104502758A (zh) * | 2014-12-17 | 2015-04-08 | 西北工业大学 | 航空静止变流器故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
汪木兰等: "基于联想记忆神经网络的变流器故障诊断研究", 《电工电能新技术》 * |
褚召伟等: "基于小波神经网络的风电变流器故障诊断***", 《电气技术》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105471278B (zh) * | 2015-12-17 | 2019-01-29 | 北京天诚同创电气有限公司 | 应用于变流器中的辅助控制装置及变流器*** |
CN105471278A (zh) * | 2015-12-17 | 2016-04-06 | 北京天诚同创电气有限公司 | 应用于变流器中的辅助控制装置及变流器*** |
CN108016466A (zh) * | 2016-11-01 | 2018-05-11 | 株洲中车时代电气股份有限公司 | 一种机车牵引变流器故障自动控制方法 |
CN108016466B (zh) * | 2016-11-01 | 2019-11-08 | 株洲中车时代电气股份有限公司 | 一种机车牵引变流器故障自动控制方法 |
CN107179735A (zh) * | 2017-02-06 | 2017-09-19 | 国网山东省电力公司利津县供电公司 | 一种生活小区自来水管线跑水自动报警控制***及控制方法 |
CN108334049A (zh) * | 2017-12-26 | 2018-07-27 | 中车唐山机车车辆有限公司 | 车辆故障数据的管理方法及装置 |
CN108334049B (zh) * | 2017-12-26 | 2020-09-22 | 中车唐山机车车辆有限公司 | 车辆故障数据的管理方法及装置 |
CN110275082B (zh) * | 2018-03-16 | 2021-08-17 | 中车株洲电力机车研究所有限公司 | 一种变流器主电路的接地诊断方法、***及装置 |
CN110275082A (zh) * | 2018-03-16 | 2019-09-24 | 中车株洲电力机车研究所有限公司 | 一种变流器主电路的接地诊断方法、***及装置 |
CN111157809A (zh) * | 2018-11-08 | 2020-05-15 | 中车永济电机有限公司 | 牵引变流器的故障确定方法和装置 |
CN111157809B (zh) * | 2018-11-08 | 2022-03-15 | 中车永济电机有限公司 | 牵引变流器的故障确定方法和装置 |
WO2020155802A1 (zh) * | 2019-01-29 | 2020-08-06 | 中车长春轨道客车股份有限公司 | 一种列车组应急供电方法和*** |
CN112213570A (zh) * | 2019-07-10 | 2021-01-12 | 株洲中车时代电气股份有限公司 | 一种故障诊断规则库的生成方法及其故障诊断方法 |
WO2021097604A1 (zh) * | 2019-11-18 | 2021-05-27 | 株洲中车时代电气股份有限公司 | 一种基于多信息融合的变流器的故障预警方法及装置 |
EP4063875A4 (en) * | 2019-11-18 | 2023-08-09 | Zhuzhou CRRC Times Electric Co., Ltd. | INFORMATION COMBINATION METHOD AND DEVICE FOR EARLY WARNING OF FAULTS FOR AN INVERTER |
CN112067997A (zh) * | 2020-08-14 | 2020-12-11 | 杭州小电科技股份有限公司 | 移动电源租赁设备诊断方法、***、电子设备和存储介质 |
CN112067997B (zh) * | 2020-08-14 | 2023-11-14 | 杭州小电科技股份有限公司 | 移动电源租赁设备诊断方法、***、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105044497B (zh) | 2018-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105044497A (zh) | 一种牵引变流器故障智能分析方法 | |
CN106712713B (zh) | 一种光伏电站的监测***以及监测和异常定位方法 | |
CN104020754B (zh) | 一种变电站一次主设备状态监测信息接入调控***的方法 | |
CN103713237B (zh) | 一种电力***输电线路短路故障诊断方法 | |
CN110674189B (zh) | 一种智能变电站二次状态监测与故障定位的方法 | |
CN103631921B (zh) | 一种变电站配置信息检测方法和装置 | |
CN106054104A (zh) | 一种基于决策树的智能电表故障实时预测方法 | |
CN113011481B (zh) | 一种基于决策树算法的电能表功能异常评估方法及*** | |
CN105590146A (zh) | 一种基于大数据的电厂设备智能预测检修方法和*** | |
CN106327062A (zh) | 一种配电网设备的状态评估方法 | |
CN104504607A (zh) | 一种基于模糊聚类算法的光伏电站故障诊断方法 | |
CN103745119A (zh) | 一种基于故障概率模型的油浸式变压器故障诊断方法 | |
CN103901882A (zh) | 一种列车动力***在线监控故障诊断的***及其方法 | |
CN111652479B (zh) | 一种针对电力***动态安全评估的数据驱动方法 | |
CN107069960B (zh) | 一种二次运维管理***的在线缺陷诊断方法 | |
CN101833324B (zh) | 胎面挤出过程智能故障诊断***及其诊断方法 | |
CN106779095B (zh) | 基于kmp算法的智能变电站设备软压板校核的方法 | |
CN108710099A (zh) | 电容式电压互感器监测告警方法和*** | |
CN105260778A (zh) | 基于专家数据库的电力变压器故障诊断*** | |
CN106802599A (zh) | 一种基于专家数据库的电力变压器故障诊断*** | |
CN104392056A (zh) | 一种直驱风电机组建模方法及装置 | |
CN104091289A (zh) | 基于接线模式规则的大规模配电网n-1快速校验方法 | |
CN104506137A (zh) | 一种设备故障诊断方法和装置 | |
CN108448721A (zh) | 电力***主站监控信号与标准信号自动匹配的方法 | |
CN116304928A (zh) | 供电设备故障预测方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: The age of 412001 in Hunan Province, Zhuzhou Shifeng District Road No. 169 Patentee after: ZHUZHOU CRRC TIMES ELECTRIC Co.,Ltd. Address before: The age of 412001 in Hunan Province, Zhuzhou Shifeng District Road No. 169 Patentee before: ZHUZH CSR TIMES ELECTRIC Co.,Ltd. |