CN108680348A - 一种基于随机森林的断路器机械故障诊断方法及*** - Google Patents
一种基于随机森林的断路器机械故障诊断方法及*** Download PDFInfo
- Publication number
- CN108680348A CN108680348A CN201810457787.2A CN201810457787A CN108680348A CN 108680348 A CN108680348 A CN 108680348A CN 201810457787 A CN201810457787 A CN 201810457787A CN 108680348 A CN108680348 A CN 108680348A
- Authority
- CN
- China
- Prior art keywords
- breaker
- vector
- vibration
- data
- feature vector
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于随机森林的断路器机械故障诊断方法及***,包括:建立断路器振动样本数据库;分别提取断路器振动样本数据库中每一个振动样本数据的时域特征向量,并将得到的时域特征向量进行组合得到一种特征向量;构成原始训练样本集;采集目标断路器的振动信号数据,并对其数据进行预处理;提取目标断路器振动信号数据的时域特征向量;将得到的时域特征向量组合成为特征向量F;根据得到的原始训练样本集以及特征向量F,采用随机森林算法,对目标断路器进行故障诊断。本发明有益效果:两个随机性的引入,使得随机森林具有很好的抗噪声能力。特别适用于断路器的故障诊断,能够提高故障诊断的准确率。
Description
技术领域
本发明涉及电力***中高压电器设备的检测领域,特别涉及一种基于随机森林的断路器机械故障诊断方法及***。
背景技术
作为电力***中重要的保护与控制电器,中高压断路器在保障电网安全稳定运行方面起着十分关键的作用,其运行维护也是电力部门日常工作的重要内容。
根据1990-1999年全国电力***配电电压等级开关事故的统计,机械原因故障占总故障类型的39.30%。近年来,各种数据挖掘算法被广泛应用于中高压断路器的机械故障诊断中,并取得了良好的效果,例如基于人工神经网络的诊断***和基于支持向量机的诊断***。然而,人工神经网络存在着参数优化难、收敛速度过慢等缺点,支持向量机虽克服了人工神经网络收敛速度慢和过拟合的问题,但也存在处理大样本数据时能力不足以及解决多分类问题精度较低等困难。
综上所述,现有数据挖掘算法中对于如何高效的提高机械故障诊断的正确率问题,尚缺乏有效的解决方案。
发明内容
本发明为了解决上述问题,提出了一种基于随机森林的断路器机械故障诊断方法及***,该方法在数据集上表现良好,两个随机性的引入,使得随机森林具有很好的抗噪声能力。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一目的是公开一种基于随机森林的断路器机械故障诊断方法,包括:
采集断路器正常运行以及故障时的振动信号数据,建立断路器振动样本数据库,所述断路器振动样本数据库包含无故障时的断路器振动数据和存在故障时断路器振动数据;
分别提取断路器振动样本数据库中每一个振动样本数据的时域特征向量,并将得到的时域特征向量进行组合得到一种特征向量;
为得到的每一个特征向量分别添加有故障或者无故障状态标签,构成原始训练样本集;
采集目标断路器的振动信号数据,并对其数据进行预处理;
提取目标断路器振动信号数据的时域特征向量;将得到的时域特征向量组合成为特征向量F;
根据得到的原始训练样本集以及特征向量F,采用随机森林算法,对目标断路器进行故障诊断。
进一步地,采集目标断路器的振动信号数据,并对其数据进行预处理,具体为:去除趋势项和噪声。
进一步地,采用随机森林算法,对断路器的故障进行诊断,具体为:
(1)利用bootstrap重采样方法从原始训练样本集中抽取M个特征向量样本生成一个子样本集;
(2)利用每个子样本集,生长为单棵分类树;
(3)在分类树的每个节点处,从M个特征向量中随机挑选m个特征向量,按照节点不纯度最小的原则,从这m个特征向量中选出一个特征向量α作为该节点的分类属性;
(4)根据特征向量α将节点分成2个分支,然后再从剩下的特征向量中寻找分类效果最好的特征向量作为其他节点的分类属性,如此递归构造分类树的分支,使分类树充分生长,每个节点的不纯度达到最小,而不进行剪枝;直到这棵树能准确地分类训练集,或者所有属性使用完;
(5)所有子样本集生成的分类树组成随机森林,对特征向量F进行判别与分类,按分类器的投票多少,输出分类结果。
进一步地,所述bootstrap重采样方法具体为:
从容量为n的原始样本中进行有放回的重复采样,采样样本的容量也为n,每个观测对象被抽到的概率为1/n,每次采样构成的子样本称为bootstrap样本。
进一步地,随机森林进行bootstrap抽样,在生成每棵决策树的时候,每个节点的特征向量都在随机选出的少数特征向量中产生;因此,不但子样本是随机的,连每个节点特征向量的产生都是随机的。
本发明的第二目的是公开一种基于随机森林的断路器机械故障诊断***,包括服务器,所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
采集断路器正常运行以及故障时的振动信号数据,建立断路器振动样本数据库,所述断路器振动样本数据库包含无故障时的断路器振动数据和存在故障时断路器振动数据;
分别提取断路器振动样本数据库中每一个振动样本数据的时域特征向量,并将得到的时域特征向量进行组合得到一种特征向量;
为得到的每一个特征向量分别添加有故障或者无故障状态标签,构成原始训练样本集;
采集目标断路器的振动信号数据,并对其数据进行预处理;
提取目标断路器振动信号数据的时域特征向量;将得到的时域特征向量组合成为特征向量F;
根据得到的原始训练样本集以及特征向量F,采用随机森林算法,对目标断路器进行故障诊断。
本发明的第三目的是公开一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行以下步骤:
采集断路器正常运行以及故障时的振动信号数据,建立断路器振动样本数据库,所述断路器振动样本数据库包含无故障时的断路器振动数据和存在故障时断路器振动数据;
分别提取断路器振动样本数据库中每一个振动样本数据的时域特征向量,并将得到的时域特征向量进行组合得到一种特征向量;
为得到的每一个特征向量分别添加有故障或者无故障状态标签,构成原始训练样本集;
采集目标断路器的振动信号数据,并对其数据进行预处理;
提取目标断路器振动信号数据的时域特征向量;将得到的时域特征向量组合成为特征向量F;
根据得到的原始训练样本集以及特征向量F,采用随机森林算法,对目标断路器进行故障诊断。
本发明的有益效果为:
本发明方法在数据集上表现良好,两个随机性的引入,使得随机森林具有很好的抗噪声能力。能够处理很高维度(feature很多)的数据,并且不用做特征选择。特别适用于断路器的故障诊断,能够提高故障诊断的准确率。
本发明方法训练速度快,可以得到变量重要性排序。在训练过程中,能够检测到feature间的互相影响。
本发明方法容易做成并行化方法,实现比较简单。
附图说明
图1为本发明的方法流程图;
图2为本发明随机森林方法流程图。
具体实施方式:
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
术语解释部分:随机森林,是一个包含多个决策树的分类器,并且其输出的类别是由个别树输出的类别的众数而定。通过对大量原始数据采取有放回的抽样,构建子数据集,再由子数据集构建子决策树。从待选特征中选取***特征对子决策树进行分支,将待处理数据经由***特征进行编码分类,最终根据在算法中的多次运算分类结果确定待处理数据的分类情况。
在本发明的一个实施例中,如图1所示,提供了一种基于随机森林的断路器机械故障诊断方法,包括以下步骤:
步骤1、建立样本断路器振动数据库,所述数据库包含无故障时的断路器振动数据和存在故障时断路器振动数据。
样本断路器振动数据库的建立,可以选择的方法很多,理论上讲,数据库覆盖的故障越全面,样本数据越多,效果越好。但依据所有的断路器类型及其在现实中的所有故障情况来建立数据库,几乎是不可能的。
本发明所倾向的建立数据库的方式是,通过人为调整断路器的不同构件,尽可能多的模拟断路器的各种故障情况,如:电磁铁卡涩(通过在合闸电磁铁的铁芯上施加拉力阻碍铁芯的运动来模拟电磁铁卡涩故障)、软连接松动(将接线端固定软连接的部分螺丝拧松来对软连接故障模式进行模拟实验)、绝缘拉杆松动(通过调整绝缘拉杆备帽来模拟绝缘拉杆松动故障模式)、销轴脱落(通过卸除锁杆上的连接销轴来模拟销轴断裂松脱故障模式)等,并采集此时的振动信号。
分别提取每一个振动信号数据的时域特征向量,并将得到的时域特征向量进行组合得到一种特征向量F,为得到的每一个特征向量分别添加有故障或者无故障状态标签,构成原始训练样本集;
其中,时域特征向量包括:最大值F1,均方根值F2,歪度值F3,峭度值F4,波形指标F5,脉冲指标F6,峰值指标F7以及裕度指标F8。
均方根值:
歪度值:
峭度值:
峰值指标:
波形指标:
脉冲指标:
裕度指标:
其中,x是采集的振动信号数据,N是采集的振动信号个数,RMS是均方根值的英文缩写、σ是标准差。
步骤2、采集目标断路器的振动信号,并对其进行如下预处理:去除趋势项和噪声。
所谓趋势项是指,由于周围环境对传感器的干扰以及传感器频率范围外低频性能的不稳定等,采集到的振动信号数据往往会偏离基线,且偏离基线的大小会随时间发生变化。偏离基线随时间变化的整个过程即是信号的趋势项。和噪声类似,趋势项也是一种干扰。
步骤3、对预处理后的振动信号进行进一步处理,提取特征向量;将得到的时域特征向量组合成为特征向量F;
随机森林算法能够在比较简单的特征向量条件下,表现出较好的性能,提取振动信号的时域特征。
步骤4、根据得到的原始训练样本集以及特征向量F,运用随机森林算法,将特征向量作为输入对断路器进行故障诊断,如图2所示。
所谓随机森林算法的应用,将上述10种特征向量组合成为一种特征向量F,并将对应断路器的无故障和有故障状态分别贴上标签,作为随机森林算法的输入,通过将简单的弱分类器(决策树)的分类结果集成起来,对断路器进行故障诊断。
随机森林是由多个决策树{h(x,θk),k=1,2,…,n}组成的分类器,其中{θk}是相互独立且同分布的随机向量,k表示随机森林中决策树的个数,在给定自变量x下,最终由所有决策树综合投票决定输出的结果。
随机森林是由多个决策树组成的分类器,如果把决策树比作分类任务中的一个专家,随机森林就是许多专家在一起对某个任务进行分类。
如图2所示,随机森林生成的具体步骤如下:
(1)随机森林每次利用bootstrap重采样方法从原始训练样本集中抽取63.2%的样本生成一个子样本集,每一个子样本对应着一棵分类树。
(2)利用每个子样本集,生长为单棵分类树。在树的每个节点处,从M个特征向量中随机挑选m个特征向量,根据经验公式,通常取即m取的向下整数。按照节点不纯度最小的原则从这m个特征向量中选出一个特征α作为该节点的分类属性。
(3)根据特征α将节点分成2个分支,然后再从剩下的特征中寻找分类效果最好的特征,如此递归构造分类树的分支,使分类树充分生长,每个节点的不纯度达到最小,而不进行剪枝。直到这棵树能准确地分类训练集,或者所有属性使用完。
(4)在分类阶段,分类标签是由所有分类树的结果综合而成。随机森林使用的是投票原则。即
其中,N是森林中决策树的数目,I(*)是示性函数,nhi,c是树hi对类C的分类结果,nhi是树的叶子节点数。
将生成的多棵分类树组成随机森林,用随机森林分类器对新的数据进行判别与分类,分类结果按树分类器的投票多少而定。
随机森林进行bootstrap抽样,在生成每棵树的时候,每个节点变量都仅仅在随机选出的少数变量中产生。因此,不但样本是随机的,连每个节点变量的产生都是随机的。
bootstrap方法基本思想是:从容量为n的原始样本中进行有放回的重复采样,采样样本的容量也为n,每个观测对象被抽到的概率为1/n,每次采样构成的子样本称为bootstrap样本。采样次数根据计算量而定。从每个重采样的样本中可以计算某个统计量的bootstrap分布,比如说均值,多个重采样样本的均值构成了原始样本均值的bootstrap分布。其过程一般可用随机数或者计算机输出n个0~1之间的随机数实现。即:先将样本变量编码为1,2,...,n;然后取分组距离1/n将区间[0,1]分成n个互斥的分隔。
出现的随机数,凡在0~1/n之间的去编码“1”变量,凡在1/n~2/n之间的去编码“2”变量,…,凡在(n-1)/n~之间的去编码“n”变量。
bootstrap重采样是集成学习算法对原始样本进行采样的方法,也是随机森林算法的一个重要构成部分。
本发明进一步公开了一种基于随机森林的断路器机械故障诊断***,包括服务器,所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
采集断路器正常运行以及故障时的振动信号数据,建立断路器振动样本数据库,所述断路器振动样本数据库包含无故障时的断路器振动数据和存在故障时断路器振动数据;
分别提取断路器振动样本数据库中每一个振动样本数据的时域特征向量,并将得到的时域特征向量进行组合得到一种特征向量;
为得到的每一个特征向量分别添加有故障或者无故障状态标签,构成原始训练样本集;
采集目标断路器的振动信号数据,并对其数据进行预处理;
提取目标断路器振动信号数据的时域特征向量;将得到的时域特征向量组合成为特征向量F;
根据得到的原始训练样本集以及特征向量F,采用随机森林算法,对目标断路器进行故障诊断。
本发明进一步公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行以下步骤:
采集断路器正常运行以及故障时的振动信号数据,建立断路器振动样本数据库,所述断路器振动样本数据库包含无故障时的断路器振动数据和存在故障时断路器振动数据;
分别提取断路器振动样本数据库中每一个振动样本数据的时域特征向量,并将得到的时域特征向量进行组合得到一种特征向量;
为得到的每一个特征向量分别添加有故障或者无故障状态标签,构成原始训练样本集;
采集目标断路器的振动信号数据,并对其数据进行预处理;
提取目标断路器振动信号数据的时域特征向量;将得到的时域特征向量组合成为特征向量F;
根据得到的原始训练样本集以及特征向量F,采用随机森林算法,对目标断路器进行故障诊断。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (7)
1.一种基于随机森林的断路器机械故障诊断方法,其特征在于,包括:
采集断路器正常运行以及故障时的振动信号数据,建立断路器振动样本数据库,所述断路器振动样本数据库包含无故障时的断路器振动数据和存在故障时断路器振动数据;
分别提取断路器振动样本数据库中每一个振动样本数据的时域特征向量,并将得到的时域特征向量进行组合得到一种特征向量;
为得到的每一个特征向量分别添加有故障或者无故障状态标签,构成原始训练样本集;
采集目标断路器的振动信号数据,并对其数据进行预处理;
提取目标断路器振动信号数据的时域特征向量;将得到的时域特征向量组合成为特征向量F;
根据得到的原始训练样本集以及特征向量F,采用随机森林算法,对目标断路器进行故障诊断。
2.如权利要求1所述的一种基于随机森林的断路器机械故障诊断方法,其特征在于,采集目标断路器的振动信号数据,并对其数据进行预处理,具体为:去除趋势项和噪声。
3.如权利要求1所述的一种基于随机森林的断路器机械故障诊断方法,其特征在于,采用随机森林算法,对断路器的故障进行诊断,具体为:
(1)利用bootstrap重采样方法从原始训练样本集中抽取M个特征向量样本生成一个子样本集;
(2)利用每个子样本集,生长为单棵分类树;
(3)在分类树的每个节点处,从M个特征向量中随机挑选m个特征向量,按照节点不纯度最小的原则,从这m个特征向量中选出一个特征向量α作为该节点的分类属性;
(4)根据特征向量α将节点分成2个分支,然后再从剩下的特征向量中寻找分类效果最好的特征向量作为其他节点的分类属性,如此递归构造分类树的分支,使分类树充分生长,每个节点的不纯度达到最小,而不进行剪枝;直到这棵树能准确地分类训练集,或者所有属性使用完;
(5)所有子样本集生成的分类树组成随机森林,对特征向量F进行判别与分类,按分类器的投票多少,输出分类结果。
4.如权利要求3所述的一种基于随机森林的断路器机械故障诊断方法,其特征在于,所述bootstrap重采样方法具体为:
从容量为n的原始样本中进行有放回的重复采样,采样样本的容量也为n,每个观测对象被抽到的概率为1/n,每次采样构成的子样本称为bootstrap样本。
5.如权利要求4所述的一种基于随机森林的断路器机械故障诊断方法,其特征在于,随机森林进行bootstrap抽样,在生成每棵决策树的时候,每个节点的特征向量都在随机选出的少数特征向量中产生;因此,不但子样本是随机的,连每个节点特征向量的产生都是随机的。
6.一种基于随机森林的断路器机械故障诊断***,其特征在于,包括服务器,所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
采集断路器正常运行以及故障时的振动信号数据,建立断路器振动样本数据库,所述断路器振动样本数据库包含无故障时的断路器振动数据和存在故障时断路器振动数据;
分别提取断路器振动样本数据库中每一个振动样本数据的时域特征向量,并将得到的时域特征向量进行组合得到一种特征向量;
为得到的每一个特征向量分别添加有故障或者无故障状态标签,构成原始训练样本集;
采集目标断路器的振动信号数据,并对其数据进行预处理;
提取目标断路器振动信号数据的时域特征向量;将得到的时域特征向量组合成为特征向量F;
根据得到的原始训练样本集以及特征向量F,采用随机森林算法,对目标断路器进行故障诊断。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时执行以下步骤:
采集断路器正常运行以及故障时的振动信号数据,建立断路器振动样本数据库,所述断路器振动样本数据库包含无故障时的断路器振动数据和存在故障时断路器振动数据;
分别提取断路器振动样本数据库中每一个振动样本数据的时域特征向量,并将得到的时域特征向量进行组合得到一种特征向量;
为得到的每一个特征向量分别添加有故障或者无故障状态标签,构成原始训练样本集;
采集目标断路器的振动信号数据,并对其数据进行预处理;
提取目标断路器振动信号数据的时域特征向量;将得到的时域特征向量组合成为特征向量F;
根据得到的原始训练样本集以及特征向量F,采用随机森林算法,对目标断路器进行故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810457787.2A CN108680348A (zh) | 2018-05-14 | 2018-05-14 | 一种基于随机森林的断路器机械故障诊断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810457787.2A CN108680348A (zh) | 2018-05-14 | 2018-05-14 | 一种基于随机森林的断路器机械故障诊断方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108680348A true CN108680348A (zh) | 2018-10-19 |
Family
ID=63806265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810457787.2A Pending CN108680348A (zh) | 2018-05-14 | 2018-05-14 | 一种基于随机森林的断路器机械故障诊断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108680348A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109540523A (zh) * | 2018-11-27 | 2019-03-29 | 中国舰船研究设计中心 | 一种艇用离心泵滚动轴承故障诊断方法 |
CN109613351A (zh) * | 2018-11-21 | 2019-04-12 | 北京国网富达科技发展有限责任公司 | 一种变压器的故障诊断方法、设备及*** |
CN109739846A (zh) * | 2018-12-27 | 2019-05-10 | 国电南瑞科技股份有限公司 | 一种电网数据质量分析方法 |
CN109871865A (zh) * | 2019-01-08 | 2019-06-11 | 浙江大学 | 一种基于群智能寻优的采煤机在线故障诊断*** |
CN109887122A (zh) * | 2019-02-19 | 2019-06-14 | 南京洛普股份有限公司 | 一种船闸机电故障远程智能诊断方法及*** |
CN109948194A (zh) * | 2019-02-27 | 2019-06-28 | 北京航空航天大学 | 一种高压断路器机械缺陷集成学习诊断方法 |
CN110308255A (zh) * | 2019-05-08 | 2019-10-08 | 宁波大学 | 一种基于污染指示菌群对近海水体污染程度定量预测方法 |
CN110543675A (zh) * | 2019-07-31 | 2019-12-06 | 国网江苏省电力有限公司 | 一种输电线路故障识别方法 |
CN110796120A (zh) * | 2019-11-21 | 2020-02-14 | 杭州电力设备制造有限公司 | 基于时域特征的断路器机械故障XGBoost诊断方法 |
CN110796121A (zh) * | 2019-11-21 | 2020-02-14 | 杭州电力设备制造有限公司 | S变换及优化随机森林诊断高压断路器机械故障的方法 |
CN111521913A (zh) * | 2019-11-22 | 2020-08-11 | 国网天津市电力公司电力科学研究院 | 基于频段能量分析与随机森林的gis诊断***及方法 |
CN111638047A (zh) * | 2020-05-25 | 2020-09-08 | 国网河北省电力有限公司电力科学研究院 | 一种gis设备机械故障诊断***及方法 |
CN111680642A (zh) * | 2020-06-11 | 2020-09-18 | 石家庄铁道大学 | 一种地形分类方法及装置 |
CN112083328A (zh) * | 2020-09-08 | 2020-12-15 | 广东电网有限责任公司广州供电局 | 一种高压断路器故障诊断方法及***和装置 |
CN112364928A (zh) * | 2020-11-18 | 2021-02-12 | 浙江工业大学 | 一种变电站故障数据诊断中的随机森林分类方法 |
CN112364929A (zh) * | 2020-11-19 | 2021-02-12 | 浙江工业大学 | 一种发电厂故障数据诊断项目中的随机森林分类方法 |
CN113408068A (zh) * | 2021-06-18 | 2021-09-17 | 浙江大学 | 一种随机森林分类的机泵故障诊断方法及装置 |
CN113687222A (zh) * | 2021-08-24 | 2021-11-23 | 青岛理工大学 | 一种sf6断路器弧触头状态评估方法及*** |
CN116399579A (zh) * | 2023-06-08 | 2023-07-07 | 国网山东省电力公司济南供电公司 | 变压器机械故障诊断方法、装置、计算机设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102928211A (zh) * | 2012-10-25 | 2013-02-13 | 江南大学 | 一种高速旋转器件故障诊断装置及其诊断方法 |
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 |
CN103616635A (zh) * | 2013-12-05 | 2014-03-05 | 国家电网公司 | 一种高压断路器机械特性故障诊断装置及方法 |
CN204065345U (zh) * | 2013-12-05 | 2014-12-31 | 国家电网公司 | 一种高压断路器机械特性故障诊断装置 |
CN107505569A (zh) * | 2017-08-15 | 2017-12-22 | 国网江苏省电力公司检修分公司 | 基于机械、电气、气体状态在线监测的高压断路器寿命评估方法 |
-
2018
- 2018-05-14 CN CN201810457787.2A patent/CN108680348A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102928211A (zh) * | 2012-10-25 | 2013-02-13 | 江南大学 | 一种高速旋转器件故障诊断装置及其诊断方法 |
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 |
CN103616635A (zh) * | 2013-12-05 | 2014-03-05 | 国家电网公司 | 一种高压断路器机械特性故障诊断装置及方法 |
CN204065345U (zh) * | 2013-12-05 | 2014-12-31 | 国家电网公司 | 一种高压断路器机械特性故障诊断装置 |
CN107505569A (zh) * | 2017-08-15 | 2017-12-22 | 国网江苏省电力公司检修分公司 | 基于机械、电气、气体状态在线监测的高压断路器寿命评估方法 |
Non-Patent Citations (4)
Title |
---|
SULIANG MA ETC: ""Intelligent Fault Diagnosis of HVCB with Feature Space Optimization-Based Random Forest"", 《SENSORS》 * |
宋志群,刘玉涛,王荆伟编著: "《认知无线电技术及其应用》", 30 September 2012 * |
张钰: ""随机森林在滚动轴承故障诊断中的应用"", 《COMPUTER ENGINEERING AND APPLICATIONS计算机工程与应用》 * |
王恒主编: "《传感器与测试技术》", 30 June 2016, 西安电子科技大学出版社 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109613351A (zh) * | 2018-11-21 | 2019-04-12 | 北京国网富达科技发展有限责任公司 | 一种变压器的故障诊断方法、设备及*** |
CN109540523A (zh) * | 2018-11-27 | 2019-03-29 | 中国舰船研究设计中心 | 一种艇用离心泵滚动轴承故障诊断方法 |
CN109739846A (zh) * | 2018-12-27 | 2019-05-10 | 国电南瑞科技股份有限公司 | 一种电网数据质量分析方法 |
CN109871865A (zh) * | 2019-01-08 | 2019-06-11 | 浙江大学 | 一种基于群智能寻优的采煤机在线故障诊断*** |
CN109887122A (zh) * | 2019-02-19 | 2019-06-14 | 南京洛普股份有限公司 | 一种船闸机电故障远程智能诊断方法及*** |
CN109948194B (zh) * | 2019-02-27 | 2020-07-03 | 北京航空航天大学 | 一种高压断路器机械缺陷集成学习诊断方法 |
CN109948194A (zh) * | 2019-02-27 | 2019-06-28 | 北京航空航天大学 | 一种高压断路器机械缺陷集成学习诊断方法 |
CN110308255B (zh) * | 2019-05-08 | 2021-11-02 | 宁波大学 | 一种基于污染指示菌群对近海水体污染程度定量预测方法 |
CN110308255A (zh) * | 2019-05-08 | 2019-10-08 | 宁波大学 | 一种基于污染指示菌群对近海水体污染程度定量预测方法 |
CN110543675A (zh) * | 2019-07-31 | 2019-12-06 | 国网江苏省电力有限公司 | 一种输电线路故障识别方法 |
CN110796121A (zh) * | 2019-11-21 | 2020-02-14 | 杭州电力设备制造有限公司 | S变换及优化随机森林诊断高压断路器机械故障的方法 |
CN110796120A (zh) * | 2019-11-21 | 2020-02-14 | 杭州电力设备制造有限公司 | 基于时域特征的断路器机械故障XGBoost诊断方法 |
CN111521913A (zh) * | 2019-11-22 | 2020-08-11 | 国网天津市电力公司电力科学研究院 | 基于频段能量分析与随机森林的gis诊断***及方法 |
CN111638047A (zh) * | 2020-05-25 | 2020-09-08 | 国网河北省电力有限公司电力科学研究院 | 一种gis设备机械故障诊断***及方法 |
CN111680642A (zh) * | 2020-06-11 | 2020-09-18 | 石家庄铁道大学 | 一种地形分类方法及装置 |
CN111680642B (zh) * | 2020-06-11 | 2023-06-23 | 石家庄铁道大学 | 一种地形分类方法及装置 |
CN112083328A (zh) * | 2020-09-08 | 2020-12-15 | 广东电网有限责任公司广州供电局 | 一种高压断路器故障诊断方法及***和装置 |
CN112364928A (zh) * | 2020-11-18 | 2021-02-12 | 浙江工业大学 | 一种变电站故障数据诊断中的随机森林分类方法 |
CN112364929A (zh) * | 2020-11-19 | 2021-02-12 | 浙江工业大学 | 一种发电厂故障数据诊断项目中的随机森林分类方法 |
CN113408068A (zh) * | 2021-06-18 | 2021-09-17 | 浙江大学 | 一种随机森林分类的机泵故障诊断方法及装置 |
CN113687222A (zh) * | 2021-08-24 | 2021-11-23 | 青岛理工大学 | 一种sf6断路器弧触头状态评估方法及*** |
CN116399579A (zh) * | 2023-06-08 | 2023-07-07 | 国网山东省电力公司济南供电公司 | 变压器机械故障诊断方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108680348A (zh) | 一种基于随机森林的断路器机械故障诊断方法及*** | |
CN109271975A (zh) | 一种基于大数据多特征提取协同分类的电能质量扰动识别方法 | |
CN107340456B (zh) | 基于多特征分析的配电网工况智能识别方法 | |
Wilson et al. | Deep learning-aided cyber-attack detection in power transmission systems | |
Abdel-Galil et al. | Power quality disturbance classification using the inductive inference approach | |
CN109933881A (zh) | 一种基于优化深度信念网络的电力电子电路故障诊断方法 | |
CN108921285B (zh) | 基于双向门控循环神经网络的电能质量扰动的分类方法 | |
CN105974265A (zh) | 一种基于svm分类技术的电网故障原因诊断方法 | |
CN109284672A (zh) | 一种基于PSO-Kmeans算法的高压断路器机械故障诊断方法 | |
CN110503004A (zh) | 一种开关电源运行状态的在线判别方法 | |
CN109444667A (zh) | 基于卷积神经网络的配电网早期故障分类方法及装置 | |
CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
CN110766313A (zh) | 一种基于运维检修制度的电缆隧道综合状态评价方法 | |
Fan et al. | Deep mixed domain generalization network for intelligent fault diagnosis under unseen conditions | |
CN110412458A (zh) | 一种oltc传动机构故障诊断方法 | |
Jiang et al. | A novel gan-based fault diagnosis approach for imbalanced industrial time series | |
Hu et al. | Adaptive feature boosting of multi-sourced deep autoencoders for smart grid intrusion detection | |
CN110470937A (zh) | 基于feemd样本熵+神经网络的高压直流输电***线路故障和换相失败故障诊断方法 | |
CN108399579A (zh) | 变电站设备监控数据信号的智能解析*** | |
CN117077044A (zh) | 一种发电机用真空断路器故障判别方法及装置 | |
CN110610212A (zh) | 一种配电网的变压器的故障分类方法和故障分类装置 | |
Grando et al. | Fault classification in power distribution systems using PMU data and machine learning | |
CN109039280A (zh) | 基于非主成分数据特征的光伏阵列故障诊断方法 | |
CN106526465A (zh) | 一种基于改进的模糊Petri网络的高压断路器故障智能诊断方法 | |
CN117872115B (zh) | 一种高压断路器未标记故障诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181019 |