CN107766816A - 一种基于lvq神经网络的高压断路器机械故障识别方法 - Google Patents
一种基于lvq神经网络的高压断路器机械故障识别方法 Download PDFInfo
- Publication number
- CN107766816A CN107766816A CN201710969049.1A CN201710969049A CN107766816A CN 107766816 A CN107766816 A CN 107766816A CN 201710969049 A CN201710969049 A CN 201710969049A CN 107766816 A CN107766816 A CN 107766816A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network
- circuit breaker
- lvq
- lvq neural
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
- G01H1/12—Measuring characteristics of vibrations in solids by using direct conduction to the detector of longitudinal or not specified vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种基于LVQ神经网络的高压断路器机械故障识别方法,包括以下几个步骤:步骤1:通过加速度传感器对断路器正常状态下的振动信号、故障状态下的振动信号进行采集,并对振动信号做预处理;步骤2:对采集到的振动信号进行小波包分解,得到P个频段,P个频段信号分别以能量的形式表示,并进行归一化,构造特征向量,作为LVQ神经网络的输入,其中P为正整数;步骤3:将步骤2构造的特征向量输入到LVQ神经网络中,对LVQ神经网络进行训练,当所述LVQ神经网络达到设定迭代步数时,将测试数据输入到训练好的LVQ神经网络,从而判断高压断路器的故障模式。本发明其诊断结果精度高、耗时少,结构简单,可操作性强。
Description
技术领域
本发明提出了一种基于LVQ神经网络的高压断路器机械故障识别方法,属于断路器故障识别技术领域。
背景技术
机械故障是高压断路器的主要故障。国际大电网会议(CIGER)对高压断路器可靠性所做的2次世界范围的调查及我国电力科学研究院对高压开关事故的统计分析均表明,80%高压断路器故障起因于机械故障。因而高压断路器的机械振动信号在其机械故障诊断中有着重要作用。断路器在分合闸操作中所产生的振动信号是一系列无规则的信号量,这些振动信号还会夹杂着各种各样的噪声干扰和随机振动。高压断路器的振动信号是一种瞬时非平稳信号,包含有大量设备状态信息,通过监测断路器动作过程中的振动信号,可以识别出断路器的机械故障或机械状态。且利用振动诊断方法有利于实现对断路器的非侵入式的状态监测,可很好地解决高压隔离问题。
对振动信号的处理一般包括2个环节,即特征提取、故障识别。特征提取比较常用的是时频法,时频法能兼顾时间和频率,能较好地表达信号地局部特征,特别适合非平稳信号的分析。小波包技术在保持小波正交基的优良特性的基础上改善了小波“高频低分辨”的问题,它为振动信号提供了一种更加精细的分析方法,并对不同信号的特征具有自适应能力。小波包正交分解后的信号具有各频带信号独立、能量守衡的特点,更适用于振动信号的时频分析及能量谱分析。
随着人工智能技术的快速发展,神经网络成为高压断路器故障识别方法中较常用的算法。其中包括模糊神经网络、支持向量机、自组织映射网络(SOM)、径向基函数网络(RBF)、BP神经网络等。而SOM网络采用无监督学习规则,缺乏分类信息;BP神经网络收敛速度慢且容易陷入局部极小值等问题;径向基网络RBF虽诊断效果优于BP网络,但也不能完全正确地识别出故障类型。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种基于LVQ神经网络的高压断路器机械故障识别方法,其诊断结果精度高、耗时少,结构简单,可操作性强。
本发明的一种基于LVQ神经网络的高压断路器机械故障识别方法,包括以下几个步骤:
步骤1:通过加速度传感器对断路器正常状态下的振动信号、故障状态下的振动信号进行采集,并对振动信号做去噪处理;
步骤2:对采集到的振动信号进行小波包分解,得到P个频段,P个频段信号分别以能量的形式表示,并进行归一化,构造特征向量,作为LVQ神经网络的输入,其中P为正整数;
步骤3:将步骤2构造的特征向量输入到LVQ神经网络中,对LVQ神经网络进行训练,当所述LVQ神经网络达到设定迭代步数时,将测试数据输入到训练好的LVQ神经网络,从而判断高压断路器的故障模式。
步骤1中,模拟断路器在分闸过程中正常和故障状态下的振动信号,数据采集卡在断路器模拟动作时以设定的速率每相采集振动数据送至PC机进行处理;每种故障模式采集了15组数据,共45组样本,然后从每种故障模式中随机抽取10组数据,共30组数据对网络进行训练,剩余15组数据作为网络测试样本。
上述故障状态包括灭弧室内部大螺丝脱落、小螺丝脱落。
其中,P取8,步骤2具体的方法如下:
步骤A:采用db10小波对采集到的振动信号进行3层小波包变换,得到8个频段;
步骤B:提取振动信号的特征量;
频段信号的能量表达式为:
其中,t表示信号每个点所对应的时间,E3(i)为第i个频段的能量,W(3,i)为小波包3层分解后第三层第i个频段信号,xik表示第i个频段信号W(3,i)的第k个离散点的值,i=0,1,…,7,k=1,2,…,N,N表示离散点数,离散点即步骤1)中采集的振动信号;由各个频带能量所占的比例构造的特征向量T为:
T=[E3(0)/S3,…,E3(7)/S3],
其中,S3为小波包3层分解后第三层总能量,
步骤3具体的方法如下:
步骤①:网络初始化,即用随机数初始化输入层和竞争层之间的连接权值wij及学习率η其中,η>0;
步骤②:在利用Matlab提供的newlvq()函数建立LVQ神经网络之后,训练之前,使用ind2vec()函数把目标类型构造出适应LVQ神经网络输出模式的输出矩阵,学习速率采用默认值0.01;
步骤③:将输入向量X=[x1,x2,x3,…,xn]T送至输入层;
步骤④:寻找兴奋神经元,即计算输入向量与权值向量的距离,其中,距离最小者为兴奋神经元,记为j*,其距离计算公式与自组织映射网络的距离计算相同,如下:
其中,n表示输入向量的维数,Xi表示输入向量里的元素;
步骤⑤:更新连接权值,即根据网络分类是否正确(根据网络分类输出与预期的类别是否一致来判断是否正确)采用不同的规则,修正兴奋神经元的权值:当网络输出类别与目标类别一致时,向输入向量方向修正权值,否则向输入向量反方向修正权值,如下式:
步骤⑥:当LVQ神经网络训练次数达到设定的最大迭代次数时,训练结束,否则转到步骤②输入下一个样本,循环各步骤直到满足条件。
步骤3中,用相同的数据样本,分别采用思维进化算法优化的LVQ神经网络、BP神经网络以及RBF网络对高压断路器进行故障诊断;其中,所述BP神经网络的参数设置为:隐含层神经元为13,训练最大迭代次数为200,网络误差上限为1e-05;所述RBF网络的参数设置为:目标误差为1e-05。
本发明的有益效果如下
1、LVQ神经网络融合了竞争学习思想和有监督学习算法的特点,克服了SOM网络缺乏分类信息值的缺点。
2、LVQ神经网络训练时间短,分类能力强,不存在陷入局部极小值问题,其识别精确度也高于RBF网络。
3、基于Matlab仿真,将LVQ神经网络识别效果与BP网络和RBF网络诊断效果进行比较,仿真结果显示该方法较BP网络和RBF网络更为准确有效。
附图说明
图1是小波包分解树示意图;
图2是LVQ神经网络结构图;
图3(a)为LVQ神经网络训练结果图;
图3(b)为思维进化算法优化LVQ神经网络结果图;
图3(c)为RBF神经网络训练结果图;
图3(d)为BP神经网络训练结果图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
本发明的一种基于LVQ神经网络的高压断路器机械故障诊断方法。机械故障是高压断路器的主要故障,准确地诊断出机械故障对高压断路器安全、可靠地运行具有重要意义。为了快速、准确地识别高压断路器故障模式,提出了一种基于学习向量量化(LVQ)网络的高压断路器机械故障诊断方法。通过模拟高压断路器在分闸过程中的振动信号,提取振动信号的特征量作为网络的输入进行网络训练,采用教师信号对输入向量的分配类别进行规定,克服了自组织网络采用无监督学习算法缺乏分类信息的缺点。实验仿真结果表明,提出的基于LVQ神经网络的高压断路器机械故障诊断方法相比较于其它诊断方法具有一定的快速性和准确性。
本发明模拟了断路器灭弧室的分闸振动信号,采样频率为16kHz。兼顾振动信号的分析精度以及频带分辨率,本文选用Daubechies小波系列的db10小波基对采集到的正常和故障状态(灭弧室内部大螺丝脱落、小螺丝脱落)下的振动信号进行3层小波包变换,得到8个频段,计算出每个频段的能量,并做归一化处理。
本发明每种故障模式采集了15组数据,共45组样本,然后从每种故障模式中随机抽取10组数据,共30组数据对网络进行训练,如表1为网络的训练数据。剩余15组数据作为网络测试样本,如表2为网络的测试数据。其中1表示正常状态,2表示灭弧室内部大螺丝脱落,3表示灭弧室内部小螺丝脱落。表1(表1是LVQ神经网络预测输出结果表)和表2(表2是部分BP预测输出结果表)中输入向量为各频带能量占总能量百分比的归一化特征量。
表1
表2
由于LVQ神经网络输出矩阵的元素非“0”即“1”,因此在利用Matlab提供的newlvq()函数建立LVQ神经网络之后,训练之前,需要使用ind2vec()函数把目标类型构造成适应LVQ神经网络输出模式的输出矩阵,学习速率采用默认值0.01。
用相同的数据样本,分别采用思维进化算法优化的LVQ神经网络、BP神经网络以及RBF网络对高压断路器进行故障诊断。其中BP神经网络的参数设置为:隐含层神经元为13,训练最大迭代次数为200,网络误差上限为1e-05。RBF网络的参数设置为:目标误差为1e-05。
采用小波包技术分解高压断路器振动信号,提取状态量,构成特征矢量输入神经网络,对其训练,建立预测模型。将LVQ神经网络、MEA-LVQ神经网络、BP网络和RBF网络在网络迭代步数、网络误差以及识别精度方面进行比较,仿真结果表明:基于LVQ神经网络的高压断路器故障诊断方法取得的效果最好,其迭代步数少,识别精度高,而且还可以克服其他网络固有的缺点。且基于LVQ神经网络的高压断路器故障诊断与基于MEA-LVQ神经网络的故障识别取得的效果相同,但基于LVQ神经网络的高压断路器故障诊断方法其算法相对简单。综上可知,基于LVQ神经网络的高压断路器故障识别方法优于其他诊断方法,且能取得较好的诊断效果。
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种基于LVQ神经网络的高压断路器机械故障识别方法,其诊断结果确实精度高,结构简单,可操作性强。
如图1所示,为3层小波包分解,其中S为原始信号,A表示信号的低频近似部分,D表示信号的高频细节部分,下标为信号分解层数。小波包分解关系为:
S=AAA3+DAA3+ADA3+DDA3
+AAD3+DAD3+ADD3+DDD3
如图2为LVQ神经网络结构图,由图可知LVQ神经网络由输入层、竞争层和线性输出层三层神经元组成。输入层与竞争层之间为完全连接,在网络训练过程中根据分类是否正确修改连接权值。每个输出层神经元与竞争层神经元的一组连接,连接权值固定值为1。当某个输入模式被送至网络时,最接近输入模式的竞争层神经元因获得激发而赢得竞争,即兴奋神经元,允许输出“1”,而其它竞争层神经元被迫输出“0”。与兴奋神经元所在组相连接的输出层神经元输出为“1”,而其它输出层神经元输出为“0”,因此可以识别出当前输入模式的类别。
如图3(a)至(d)为各神经网络训练结果图,由图可知,LVQ神经网络和思维进化算法(MEA)优化的LVQ神经网络训练步数为7,且网络误差都为0;BP网络的训练步数为162,网络误差为5.05e-04;RBF网络的训练步数为20,网络误差1.95e-04。因此基于LVQ神经网络和MEA-LVQ神经网络的高压断路器故障诊断在训练步数和网络误差方面都优于RBF网络和BP网络,而基于RBF网络的高压断路器故障诊断优于BP网络。但MEA优化的LVQ神经网络训练效果与传统LVQ神经网络在高压断路器故障诊断方面相差不大。
表3
表1、2和3(表3是部分RBF预测输出结果表)为各种神经网络的预测输出结果表,从表1、表2和表3中可以看出,BP网络和RBF网络的预测效果都不如LVQ神经网络,但基于RBF网络的高压断路器故障诊断在诊断准确率方面优于BP网络。
因此,从网络迭代步数、网络训练误差以及预测准确性方面可以看出,基于LVQ神经网络的高压断路器故障诊断方法有很大的优势。经仿真分析可知其不仅模式识别简单易行,且识别精度高,优于高压断路器传统故障识别方法。因此基于LVQ神经网络的高压断路器故障诊断具有一定的实践意义。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种基于LVQ神经网络的高压断路器机械故障识别方法,其特征在于,包括以下几个步骤:
步骤1:通过加速度传感器对断路器正常状态下的振动信号、故障状态下的振动信号进行采集,并对振动信号做去噪处理;
步骤2:对采集到的振动信号进行小波包分解,得到P个频段,P个频段信号分别以能量的形式表示,并进行归一化,构造特征向量,作为LVQ神经网络的输入,其中P为正整数;
步骤3:将步骤2构造的特征向量输入到LVQ神经网络中,对LVQ神经网络进行训练,当所述LVQ神经网络达到设定迭代步数时,将测试数据输入到训练好的LVQ神经网络,从而判断高压断路器的故障模式。
2.根据权利要求1所述的基于LVQ神经网络的高压断路器机械故障识别方法,其特征在于,步骤1中,模拟断路器在分闸过程中正常和故障状态下的振动信号,数据采集卡在断路器模拟动作时以设定的速率每相采集振动数据送至PC机进行处理;
每种故障模式采集了15组数据,共45组样本,然后从每种故障模式中随机抽取10组数据,共30组数据对网络进行训练,剩余15组数据作为网络测试样本。
3.根据权利要求2所述的基于LVQ神经网络的高压断路器机械故障识别方法,其特征在于,所述故障状态包括灭弧室内部大螺丝脱落、小螺丝脱落。
4.根据权利要求1所述的基于LVQ神经网络的高压断路器机械故障识别方法,其特征在于,P取8,步骤2具体的方法如下:
步骤A:采用db10小波对采集到的振动信号进行3层小波包变换,得到8个频段;
步骤B:提取振动信号的特征量;
频段信号的能量表达式为:
<mrow>
<msub>
<mi>E</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>&Integral;</mo>
<mo>|</mo>
<mi>W</mi>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mi>d</mi>
<mi>t</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>|</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
其中,t表示信号每个点所对应的时间,E3(i)为第i个频段的能量,W(3,i)为小波包3层分解后第三层第i个频段信号,xik表示第i个频段信号W(3,i)的第k个离散点的值,i=0,1,…,7,k=1,2,…,N,N表示离散点数,离散点即步骤1)中采集的振动信号;由各个频带能量所占的比例构造的特征向量T为:
T=[E3(0)/S3,…,E3(7)/S3],
其中,S3为小波包3层分解后第三层总能量,
5.根据权利要求1所述的基于LVQ神经网络的高压断路器机械故障识别方法,其特征在于,步骤3具体的方法如下:
步骤①:网络初始化,即用随机数初始化输入层和竞争层之间的连接权值wij及学习率η其中,η>0;
步骤②:在利用Matlab提供的newlvq()函数建立LVQ神经网络之后,训练之前,使用ind2vec()函数把目标类型构造出适应LVQ神经网络输出模式的输出矩阵,学习速率采用默认值0.01;
步骤③:将输入向量X=[x1,x2,x3,…,xn]T送至输入层;
步骤④:寻找兴奋神经元,即计算输入向量与权值向量的距离,其中,距离最小者为兴奋神经元,记为j*,其距离计算公式与自组织映射网络的距离计算相同,如下:
<mrow>
<msub>
<mi>d</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>;</mo>
</mrow>
其中,n表示输入向量的维数,Xi表示输入向量里的元素;
步骤⑤:更新连接权值,即根据网络分类是否正确采用不同的规则,修正兴奋神经元的权值:当网络输出类别与目标类别一致时,向输入向量方向修正权值,否则向输入向量反方向修正权值,如下式:
<mrow>
<msub>
<mi>&Delta;w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mo>+</mo>
<mi>&eta;</mi>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>-</mo>
<mi>&eta;</mi>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
步骤⑥:当LVQ神经网络训练次数达到设定的最大迭代次数时,训练结束,否则转到步骤②输入下一个样本,循环各步骤直到满足条件。
6.根据权利要求1所述的基于LVQ神经网络的高压断路器机械故障识别方法,其特征在于,步骤3中,用相同的数据样本,分别采用思维进化算法优化的LVQ神经网络、BP神经网络以及RBF网络对高压断路器进行故障诊断;其中,所述BP神经网络的参数设置为:隐含层神经元为13,训练最大迭代次数为200,网络误差上限为1e-05;所述RBF网络的参数设置为:目标误差为1e-05。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710969049.1A CN107766816A (zh) | 2017-10-18 | 2017-10-18 | 一种基于lvq神经网络的高压断路器机械故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710969049.1A CN107766816A (zh) | 2017-10-18 | 2017-10-18 | 一种基于lvq神经网络的高压断路器机械故障识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107766816A true CN107766816A (zh) | 2018-03-06 |
Family
ID=61268813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710969049.1A Pending CN107766816A (zh) | 2017-10-18 | 2017-10-18 | 一种基于lvq神经网络的高压断路器机械故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107766816A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805264A (zh) * | 2018-05-15 | 2018-11-13 | 哈尔滨理工大学 | 一种基于快速学习率的rbf评估舰载机出动能力的方法 |
CN109284672A (zh) * | 2018-08-03 | 2019-01-29 | 金陵科技学院 | 一种基于PSO-Kmeans算法的高压断路器机械故障诊断方法 |
CN109357747A (zh) * | 2018-10-25 | 2019-02-19 | 南京航空航天大学 | 一种基于光纤振动信号的在线列车识别及速度估计方法 |
CN110096954A (zh) * | 2019-03-21 | 2019-08-06 | 同济大学 | 一种基于神经网络的指纹识别方法 |
CN110222743A (zh) * | 2019-05-23 | 2019-09-10 | 山西金晖隆开关有限公司 | 电网事故的预案生成方法 |
CN110348639A (zh) * | 2019-07-16 | 2019-10-18 | 中国石油大学(华东) | 一种煤矿顶板突水危险等级预测方法 |
CN110926778A (zh) * | 2019-11-29 | 2020-03-27 | 国网天津市电力公司电力科学研究院 | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 |
CN111060304A (zh) * | 2020-02-03 | 2020-04-24 | 国网江苏省电力有限公司宿迁供电分公司 | 基于神经网络的断路器故障诊断方法 |
CN111678679A (zh) * | 2020-05-06 | 2020-09-18 | 内蒙古电力(集团)有限责任公司电力调度控制分公司 | 一种基于pca-bpnn的断路器故障诊断方法 |
CN111767815A (zh) * | 2020-06-22 | 2020-10-13 | 浙江省机电设计研究院有限公司 | 一种隧道渗漏水识别方法 |
CN111879397A (zh) * | 2020-09-01 | 2020-11-03 | 国网河北省电力有限公司检修分公司 | 高压断路器储能机构故障诊断方法 |
CN112034339A (zh) * | 2019-06-03 | 2020-12-04 | 中国人民解放军63756部队 | 一种基于lvq神经网络的伺服电机故障诊断方法 |
CN112200032A (zh) * | 2020-09-28 | 2021-01-08 | 辽宁石油化工大学 | 一种基于注意力机制的高压断路器机械状态在线监测方法 |
CN112729381A (zh) * | 2020-12-11 | 2021-04-30 | 广州致新电力科技有限公司 | 一种基于神经网络的高压断路器的故障诊断方法 |
CN112748331A (zh) * | 2020-12-24 | 2021-05-04 | 国网江苏省电力有限公司电力科学研究院 | 一种基于ds证据融合的断路器机械故障识别方法及装置 |
TWI730452B (zh) * | 2019-10-16 | 2021-06-11 | 逢甲大學 | 立體類神經網路系統 |
CN114690038A (zh) * | 2022-06-01 | 2022-07-01 | 华中科技大学 | 一种基于神经网络的电机故障识别方法、***及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020181784A1 (en) * | 2001-05-31 | 2002-12-05 | Fumiyuki Shiratani | Image selection support system for supporting selection of well-photographed image from plural images |
CN103575525A (zh) * | 2013-11-18 | 2014-02-12 | 东南大学 | 一种断路器机械故障的智能诊断方法 |
CN103745213A (zh) * | 2014-02-28 | 2014-04-23 | 中国人民解放军63680部队 | 基于lvq神经网络的光学字符识别方法 |
-
2017
- 2017-10-18 CN CN201710969049.1A patent/CN107766816A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020181784A1 (en) * | 2001-05-31 | 2002-12-05 | Fumiyuki Shiratani | Image selection support system for supporting selection of well-photographed image from plural images |
CN103575525A (zh) * | 2013-11-18 | 2014-02-12 | 东南大学 | 一种断路器机械故障的智能诊断方法 |
CN103745213A (zh) * | 2014-02-28 | 2014-04-23 | 中国人民解放军63680部队 | 基于lvq神经网络的光学字符识别方法 |
Non-Patent Citations (2)
Title |
---|
周云龙等: "改进的LVQ神经网络在风机故障诊断中的应用", 《化工自动化及仪表》 * |
姚万业等: "基于小波包分析和Kohonen神经网络相结合的轴承故障诊断", 《仪器仪表用户》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805264B (zh) * | 2018-05-15 | 2021-08-31 | 哈尔滨理工大学 | 一种基于快速学习率的rbf评估舰载机出动能力的方法 |
CN108805264A (zh) * | 2018-05-15 | 2018-11-13 | 哈尔滨理工大学 | 一种基于快速学习率的rbf评估舰载机出动能力的方法 |
CN109284672A (zh) * | 2018-08-03 | 2019-01-29 | 金陵科技学院 | 一种基于PSO-Kmeans算法的高压断路器机械故障诊断方法 |
CN109357747B (zh) * | 2018-10-25 | 2019-11-12 | 南京航空航天大学 | 一种基于光纤振动信号的在线列车识别及速度估计方法 |
CN109357747A (zh) * | 2018-10-25 | 2019-02-19 | 南京航空航天大学 | 一种基于光纤振动信号的在线列车识别及速度估计方法 |
CN110096954A (zh) * | 2019-03-21 | 2019-08-06 | 同济大学 | 一种基于神经网络的指纹识别方法 |
CN110222743A (zh) * | 2019-05-23 | 2019-09-10 | 山西金晖隆开关有限公司 | 电网事故的预案生成方法 |
CN112034339A (zh) * | 2019-06-03 | 2020-12-04 | 中国人民解放军63756部队 | 一种基于lvq神经网络的伺服电机故障诊断方法 |
CN110348639A (zh) * | 2019-07-16 | 2019-10-18 | 中国石油大学(华东) | 一种煤矿顶板突水危险等级预测方法 |
TWI730452B (zh) * | 2019-10-16 | 2021-06-11 | 逢甲大學 | 立體類神經網路系統 |
CN110926778A (zh) * | 2019-11-29 | 2020-03-27 | 国网天津市电力公司电力科学研究院 | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 |
CN111060304A (zh) * | 2020-02-03 | 2020-04-24 | 国网江苏省电力有限公司宿迁供电分公司 | 基于神经网络的断路器故障诊断方法 |
CN111678679A (zh) * | 2020-05-06 | 2020-09-18 | 内蒙古电力(集团)有限责任公司电力调度控制分公司 | 一种基于pca-bpnn的断路器故障诊断方法 |
CN111767815A (zh) * | 2020-06-22 | 2020-10-13 | 浙江省机电设计研究院有限公司 | 一种隧道渗漏水识别方法 |
CN111879397A (zh) * | 2020-09-01 | 2020-11-03 | 国网河北省电力有限公司检修分公司 | 高压断路器储能机构故障诊断方法 |
CN112200032A (zh) * | 2020-09-28 | 2021-01-08 | 辽宁石油化工大学 | 一种基于注意力机制的高压断路器机械状态在线监测方法 |
CN112200032B (zh) * | 2020-09-28 | 2023-05-30 | 辽宁石油化工大学 | 一种基于注意力机制的高压断路器机械状态在线监测方法 |
CN112729381A (zh) * | 2020-12-11 | 2021-04-30 | 广州致新电力科技有限公司 | 一种基于神经网络的高压断路器的故障诊断方法 |
CN112729381B (zh) * | 2020-12-11 | 2023-05-02 | 广州致新电力科技有限公司 | 一种基于神经网络的高压断路器的故障诊断方法 |
CN112748331A (zh) * | 2020-12-24 | 2021-05-04 | 国网江苏省电力有限公司电力科学研究院 | 一种基于ds证据融合的断路器机械故障识别方法及装置 |
CN114690038A (zh) * | 2022-06-01 | 2022-07-01 | 华中科技大学 | 一种基于神经网络的电机故障识别方法、***及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766816A (zh) | 一种基于lvq神经网络的高压断路器机械故障识别方法 | |
Peng et al. | Random forest based optimal feature selection for partial discharge pattern recognition in HV cables | |
CN109685138B (zh) | 一种xlpe电力电缆局部放电类型识别方法 | |
CN107449994A (zh) | 基于cnn‑dbn网络的局放故障诊断方法 | |
CN108535648A (zh) | 电机故障诊断方法和*** | |
CN101221213A (zh) | 基于粒子群算法的模拟电路故障诊断神经网络方法 | |
CN103558519A (zh) | 一种gis局部放电超声波信号识别方法 | |
CN114781435B (zh) | 一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法 | |
CN109284672A (zh) | 一种基于PSO-Kmeans算法的高压断路器机械故障诊断方法 | |
CN108761287A (zh) | 一种变压器局部放电类型识别方法 | |
CN108535635A (zh) | 一种基于eemd和hmm的模拟电路间歇故障诊断方法 | |
CN107037327A (zh) | 局部放电故障判定特征提取方法及判定方法 | |
CN112766140A (zh) | 一种基于核函数极限学习机的变压器故障辨识方法 | |
CN110020637B (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
Omar et al. | Fault classification on transmission line using LSTM network | |
Huang et al. | Research on transformer fault diagnosis method based on GWO optimized hybrid kernel extreme learning machine | |
CN113705396A (zh) | 一种电机故障诊断方法、***及设备 | |
CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
Sima et al. | Edge–cloud collaboration detection approach for small-sample imbalanced faults in power lines | |
Qiu et al. | Fault diagnosis of analog circuits based on wavelet packet energy entropy and DBN | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
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 | |
CN110110426A (zh) | 一种开关电源滤波电容失效检测方法 | |
CN113945862A (zh) | 一种配电网高阻接地故障识别方法、装置及设备 | |
Fahim et al. | Uncertainty awareness in transmission line fault analysis: A deep learning based approach |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180306 |