CN109116224A - 低压框架断路器故障诊断方法、装置及计算设备 - Google Patents
低压框架断路器故障诊断方法、装置及计算设备 Download PDFInfo
- Publication number
- CN109116224A CN109116224A CN201810876269.4A CN201810876269A CN109116224A CN 109116224 A CN109116224 A CN 109116224A CN 201810876269 A CN201810876269 A CN 201810876269A CN 109116224 A CN109116224 A CN 109116224A
- Authority
- CN
- China
- Prior art keywords
- circuit breaker
- component
- energy
- input
- low
- 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
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3277—Testing of circuit interrupters, switches or circuit-breakers of low voltage devices, e.g. domestic or industrial devices, such as motor protections, relays, rotation switches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种低压框架断路器故障诊断方法、装置及计算设备。本发明的诊断方法包括:接收低压框架断路器分闸振动信号;对断路器振动信号进行经验模态分解,获得多组基于固有模态函数表征的分量;其中,每一固有模态函数表征的分量对应振动信号中的不同频段;分别确定至少一组分量的能量在能量总和中的占比,能量总和为多组固有模态函数表征的各个分量所对应能量的和;依据至少一组分量在能量总和中的占比,以及,计算获取的断路器振动信号的总能量,对低压框架断路器进行故障诊断。此外,本发明还公开了一种诊断装置及计算设备。通过本发明,有效地对低压框架断路器常见机械故障进行分类,更加全面反应断路器的真实状态。
Description
技术领域
本发明涉及电网技术领域,尤其涉及一种低压框架断路器故障诊断方法、装置及计算设备。
背景技术
低压框架断路器是电网中起保护和控制作用的重要电力设备,其运行状态和电网的稳定息息相关,因此,对于低压框架断路器的故障诊断有着重要意义。
目前,针对低压框架断路器基于振动信号的机械故障诊断方法较少,而且其故障特征提取方法仅包括:短时傅里叶变换提取特征量;高阶谱分析提取特征量;小波包-特征熵提取特征量;小波包特征节点最大系数提取特征量:经验模态分解能量熵提取特征量;希尔伯特变换提取振动信号零相位滤波时频熵作为特征量等。
但是,现有的方法都仅提取振动信号的一类特征量,无法更加全面反应低压框架断路器的真实状态。
此外,在现有技术基于特征量的故障诊断中,人工神经网络时常用的一种数学模型目前常见的模型有:传统神经网络(如BP神经网络)和支持向量机。传统的神经网络虽然具有较好的泛化能力和抗噪性,但是训练时需要大量的样本,实际操作中断路器不宜长期在故障状态下动作,可获取的故障状态训练样本不大,故传统神经网络不能满足断路器的小样本分类;SVM支持向量机训练过程中有较多的参数需要设置:小样本分类算法中,SVM网络训练样本数少,需要确保训练样本的典型性才能使网络具有良好的泛化能力网。所以,对于人工神经网络模型的优化对于低压框架断路器的故障诊断也时非常有意义的。
发明内容
有鉴于此,本发明实施例提供了一种低压框架断路器故障诊断方法、装置及计算设备,至少部分的解决现有技术中存在的问题。
第一方面,本发明实施例提供了一种低压框架断路器故障诊断方法,包括:接收低压框架断路器分闸振动信号;对所述断路器振动信号进行经验模态分解(EMD),获得多组基于固有模态函数表征的分量(IMF);其中,每一所述固有模态函数表征的分量对应所述振动信号中的不同频段;分别确定至少一组所述分量的能量在能量总和中的占比,所述能量总和为所述多组固有模态函数表征的各个分量所对应能量的和;依据至少一组分量在所述能量总和中的占比,以及,计算获取的所述断路器振动信号的总能量,对低压框架断路器进行故障诊断。
进一步地,根据本发明实施例诊断方法的一种具体实现方式,所述对低压框架断路器进行故障诊断为:将所述至少一组分量在所述能量总和中的占比,以及,计算获取的所述断路器振动信号的总能量作为输入信息,输入至人工神经网络模型中;所述人工神经网络模型包括输入层、隐含层和输出层;其中,所述输入层包括多个输入节点,每一所述输入信息用于作为其中一个节点的输入;所述隐含层包括多个隐含节点、输入连接权值和输出权重;所述隐含节点的数目、所述输入连接权值和所述输出权重由多个训练样本训练获得;所述输出层包括多个输出节点,所述每一输出节点为与所述输入节点的输入信息对应的诊断结果,所述诊断结果包括正常状态、缓冲器失效状态、分闸不到位状态和分闸弹簧失效状态。
进一步地,根据本发明实施例诊断方法的一种具体实现方式,所述训练样本通过如下方式获得:基于固有模态分量知识库,为断路器的多个状态中的每一状态选取多个样本作为所述人工神经网络模型的训练样本;其中,所述固有模态分量知识库通过如下方式预先构建并存储:基于断路器的每一状态在给定电压的前提下,进行多次实验,获取各个固有模态函数表征的分量的典型值;所述断路器的状态包括正常状态、缓冲器失效状态、分闸不到位状态和分闸弹资失效状态。
进一步地,根据本发明实施例诊断方法的一种具体实现方式,确定四组所述分量的能量在能量总和中的占比;四组所述分量分别为,第一固有模态分量(IMF1)、第二固有模态分量(IMF2)、第三固有模态分量(IMF3)和第四固有模态分量(IMF4);所述IMF1、所述IMF2、所述IMF3和所述IMF4分别对应所述低压框架断路器分闸振动信号中频率最高的前四段频段频谱,并且,对应的频段依次降低。
进一步地,根据本发明实施例诊断方法的一种具体实现方式,所述人工神经网络模型为极限学习机(ELM网络);所述ELM网络通过如下方式训练获得为:
步骤S1,输入向量I={(xi1xi2xi3xi4xi5yi)i=1,2,3···N};
其中,xi1~xi5分别为第i组作为训练样本的振动信号分解得IMF1、IMF2、IMF3、IMF4四个固有模态分量的能量在所述能量总和中的占比,以及,第i组振动信号的总能量;yi为第i组振动信号对应的状态类型;
步骤S2,设定所述隐含层初始节点数目Q和所述训练样本数量N,利用步骤S1中输入的训练样本训练所述ELM网络,确定所述隐含层的输出权重,包括如下步骤:
步骤S21,随机选择隐含层节点偏移值bi和输入连接权值wi,选择sigmoid函数作为激活函数g(x):
步骤S22,按照公式,计算所述隐含层节点的输出矩阵H:
其中,xi={(xi1,xi2,xi3,xi4,xi5)i=1,2,3…N}
将wi,bi,xi代入,计算隐含层节点的输出矩阵H;
步骤S23,选取最小二乘估计所述隐含层的输出权重,所述隐含层的输出权重标记为β,β=(HTH)-1为迭代初始值,求得每一输出权重矩阵中的各个元素βi;
步骤S24,将xi输入已知参数的wi,bi,βi的ELM网络,得到训练结果T为:
T=Hβ
步骤S25,计算训练样本的输出误差;
步骤S26,根据输出误差来增加或减少隐含节点数目,当误差大于预定阈值,增加隐含节点数目,反之,减少隐含节点数目;
重复步骤S21~S26步骤,直到训练样本的误差小于所述预定阈值,保存所述输出权重β。
进一步地,根据本发明实施例诊断方法的一种具体实现方式,所述训练样本的输出误差通过如下方式计算:
其中,所述实际结果t为在固有模态分量知识库中选取的第i组作为训练样本的振动信号所对应的断路器的状态。
第二方面,本发明实施例还提供了一种低压框架断路器故障诊断装置,包括:
振动信号接收模块,用于接收低压框架断路器分闸振动信号;
分解模块,用于对所述断路器振动信号进行经验模态分解(EMD),获得多组基于固有模态函数表征的分量(IMF);其中,每一所述固有模态函数表征的分量对应所述振动信号中的不同频段;
占比计算模块,用于分别确定至少一组所述分量的能量在能量总和中的占比,所述能量总和为所述多组固有模态函数表征的各个分量所对应能量的和;
诊断模块,用于依据至少一组分量在所述能量总和中的占比,以及,计算获取的所述断路器振动信号的总能量,对低压框架断路器进行故障诊断。
进一步地,根据本发明实施例诊断装置的一种具体实现方式,所述诊断模块进一步包括:
输入单元,用于将所述至少一组分量在所述能量总和中的占比,以及,计算获取的所述断路器振动信号的总能量作为输入信息,输入至人工神经网络模型中;
人工神经网络单元,用于构建所述人工神经网络模型,包括输入层、隐含层和输出层;其中,所述输入层包括多个输入节点,每一所述输入信息用于作为其中一个节点的输入;所述隐含层包括多个隐含节点、输入连接权值和输出权重;所述隐含节点的数目、所述输入连接权值和所述输出权重由多个训练样本训练获得;所述输出层包括多个输出节点,所述每一输出节点为与所述输入节点的输入信息对应的诊断结果,所述诊断结果包括正常状态、缓冲器失效状态、分闸不到位状态和分闸弹簧失效状态。
进一步地,根据本发明实施例诊断装置的一种具体实现方式,所述人工神经网络单元用于构建训练样本的结构包括,
知识库构建子单元,用于基于断路器的每一状态在给定电压的前提下,进行多次实验,获取各个固有模态函数表征的分量的典型值,构建固有模态分量知识库;
训练样本构建子单元,用于基于所述固有模态分量知识库,为断路器的多个状态中的每一状态选取多个样本作为所述人工神经网络模型的训练样本;所述断路器的状态包括正常状态、缓冲器失效状态、分闸不到位状态和分闸弹资失效状态。
进一步地,根据本发明实施例诊断装置的一种具体实现方式,所述占比计算模块进一步用于:
确定四组所述分量的能量在能量总和中的占比;
四组所述分量分别为,第一固有模态分量(IMF1)、第二固有模态分量(IMF2)、第三固有模态分量(IMF3)和第四固有模态分量(IMF4);
所述IMF1、所述IMF2、所述IMF3和所述IMF4分别对应所述低压框架断路器分闸振动信号中频率最高的前四段频段频谱,并且,对应的频段依次降低。
进一步地,根据本发明实施例诊断装置的一种具体实现方式,所述人工神经网络单元中,所述人工神经网络模型为极限学习机(ELM网络),包括ELM网络训练单元,所述ELM网络训练单元包括:
训练样本输入子单元,用于输入向量I={(xi1xi2xi3xi4xi5yi)i=1,2,3···N};
其中,xi1~xi5分别为第i组作为训练样本的振动信号分解得IMF1、IMF2、IMF3、IMF4四个固有模态分量的能量在所述能量总和中的占比,以及,第i组振动信号的总能量;yi为第i组振动信号对应的状态类型;
ELM网络参数确定子单元,用于设定所述隐含层初始节点数目Q和所述训练样本数量N,利用步骤S1中输入的训练样本训练所述ELM网络,确定所述隐含层的输出权重,包括如下步骤:
激活函数选择部,用于随机选择隐含层节点偏移值bi和输入连接权值wi,选择sigmoid函数作为激活函数g(x):
输出矩阵计算部,用于按照公式,计算所述隐含层节点的输出矩阵H:
其中,xi={(xi1xi2xi3xi4xi5)i=1,2,3…N}
将wi,bi,xi代入,计算隐含层节点的输出矩阵H;
输出权重计算部,用于选取最小二乘估计所述隐含层的输出权重,所述隐含层的输出权重标记为β,β=(HTH)-1为迭代初始值,求得每一输出权重矩阵中的各个元素βi;
训练结果获取部,用于将xi输入已知参数的wi,bi,βi的ELM网络,得到训练结果T为:
T=Hβ
误差计算部,用于计算训练样本的输出误差;
隐含节点数目调整部,用于根据输出误差来增加或减少隐含节点数目,当误差大于预定阈值,增加隐含节点数目,反之,减少隐含节点数目;直到训练样本的误差小于所述预定阈值,保存所述输出权重β。
根据本发明实施例诊断装置的一种具体实现方式,所述误差计算部中,所述训练样本的输出误差通过如下方式计算:
其中,所述实际结果t为在固有模态分量知识库中选取的第i组作为训练样本的振动信号所对应的断路器的状态。
第三方面,本发明实施例还提供了一种计算设备,该计算设备包括:至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的低压框架断路器故障诊断方法。
第四方面,本发明实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的低压框架断路器故障诊断方法。
第五方面,本发明实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述第一方面或第一方面的任一实现方式中的低压框架断路器故障诊断方法。
本发明实施例提供的低压框架断路器故障诊断方法、装置及计算设备、非暂态计算机可读存储介质及计算机程序,通过结合低压框架断路器分闸振动信号高频部分固有模态函数表征的分量在各分量总能中所占地比例和振动信号总能量,共同作为故障特征提取对象,进行信息融合诊断,有效地对低压框架断路器常见机械故障进行分类,更加全面反应断路器的真实状态。
在更为优选地实施例中,中,通过训练样本对人工神经网络进行训练,具体来说,将上述特征提取对象输入至人工神经网络,通过比较训练模型地输出和实际输出之间地误差,确定人工神经网络中各个参数,从而确定人工神经网络地模型,用于振动信号预测样本地故障预测。
在更为优选地实施例中,使用ELM极限学习机的人工智能网络进行分类。这是因为,传统神经网络(如BP神经网络)和支持向量机。传统的神经网络虽然具有较好的泛化能力和抗噪性,但是训练时需要大量的样本,实际操作中断路器不宜长期在故障状态下动作,可获取的故障状态训练样本不大,故传统神经网络不能满足断路器的小样本分类;SVM支持向量机训练过程中有较多的参数需要设置:小样本分类算法中,SVM网络训练样本数少,需要确保训练样本的典型性才能使网络具有良好的泛化能力网。而本发明地一个实施例使用ELM极限学习机的人工智能网络进行分类,训练样本数可根据具体情况设置,且该种网络随机产生隐含层神经元阀值以及输入层和隐含层之间的连接权值,训练过程中无需调整,学习效率快。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为低压框架断路器正常状态下分闸振动信号地频域分布图;
图2为低压框架断路器级冲器失效状态下分闸振动信号地频域分布图;
图3为低压框架断路器分闸不到位状态下分闸振动信号地频域分布图;
图4为低压框架断路器分用弹复失效状态分闸振动信号地频域分布图;
图5a~5h分别为正常振动信号进行EMD分解后,前8组IMF各自的频谱图;
图6为本发明实施例提供的一种低压框架断路器故障诊断方法的流程示意图;
图7为MF1、IMF2、IMF3、IMF4四个固有模态分量的能量占其能量和的各自比例的典型值整理成饼状图;
图8为MF1、IMF2、IMF3、IMF4四个固有模态分量的总能量整理成柱形图;
图9本发明实施例提供的一种低压框架断路器故障诊断方法中,人工神经网络的结构示意图;
图10为本发明实施例提供的一种低压框架断路器故障诊断装置的结构框图;
图11为本发明实施例提供的一种低压框架断路器故障诊断装置中,人工神经网络单元用于构建训练样本的结构框图;
图12为本发明实施例提供的一种低压框架断路器故障诊断装置中,ELM网络训练单元的结构框图;
图13为本发明实施例提供的一种计算设备的结构示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
首先介绍特征量的提取。
Hilbert边际谱能量
信号经过HHT变换(Hilbert Huang Transform,希尔伯特黄变换)可以得到瞬时频率和瞬时幅值,即表示出信号完整的时间-频率分布,进一步将Hilbert谱对时间积分,得到Hilbert边际谱,从统计学意义上表示出整个信号每个频率点的积累幅值分布。因此,Hilbert边际谱更能反映非平稳信号的特点。
能量是振动信号的一个重要特征,能够反映机械运动的状态:机械部件发生变化时,振动信号的各个频率成分也会产生变化,而同频率带内信号能量的变化会更加明显。
Hilbert边际谱总能量E(w)定义如下:
公式(1)中,h(w)为信号的希尔伯特边际谱,n为信号总长度。由该式可知,Hilbert边际谱能量将Hilbert边际谱经过平方处理,使得信号的强弱对比度进一步增大,即高频冲击信号代表的信号成分更加强烈,比重更大;而噪声产生的影响可进一步削弱。
再接下聊,对断路器分闸振动信号的Hilbert边际谱分析进行说明。
正常状态(TI)、级冲器失效状态(T2)、分闸不到位状态(T3)和分用弹复失效状态(T4)振动信号的频域分布如图1-图4所示。
参照表1,表1为断路器四类状态的频域特点。
表1断路器四类状态的频域特点
取一组正常振动信号进行EMD分解,得若干组IMF(intrinsic mode function),不同的IMF代表原始信号中的不同频率段,分别求前8组IMF各自的频谱,如图5a~5h所示。
由图5a~5h可知,断路器分闸振动信号分解得的IMF1至IMF8反应了振动信号由高频段到低频段的情况。可以看出,区分不同状态下振动信号频域分布的成分主要集中在高频段(IMF1~IMF4)信息,故在具体实现本发明时,其中优选地实施例是选取IMF1、IMF2、IMF3、IMF4四组固有模态分量作为特征提取对象,以四组固有模态分量各自能量占4个能量总和的比例作为衡量频率分布差异。此外,为了有效区分正常状态(T1)和分闸弹簧失效状态(T4)这种分布比例具有相似性,幅值差异大的故障类别,将振动信号总能量一同作为特征值。
下面,以此为基础,对本发明实施例提供的低压框架断路器故障诊断方法、装置及计算设备、非暂态计算机可读存储介质进行详细地说明。
参照图6,图6为本发明实施例提供的一种低压框架断路器故障诊断方法的流程示意图,包括如下步骤:
步骤S60,接收低压框架断路器分闸振动信号;
步骤S61,对断路器振动信号进行经验模态分解(EMD),获得多组基于固有模态函数表征的分量(IMF);其中,每一固有模态函数表征的分量对应振动信号中的不同频段;
如上,在一个实施例中,鉴于低压框架断路器分闸振动信号的特点,确定四组分量的能量在能量总和中的占比;四组分量分别为,第一固有模态分量(IMF1)、第二固有模态分量(IMF2)、第三固有模态分量(IMF3)和第四固有模态分量(IMF4);IMF1、IMF2、IMF3和IMF4分别对应低压框架断路器分闸振动信号中频率最高的前四段频段频谱,并且,对应的频段依次降低。
其中,经验模态分解(EMD)全称Empirical Mode Decomposition,是Hilbert-Huang变换(HHT)的核心算法。EMD算法的目的在于将性能不好的信号分解为一组性能较好的固有模态函数(IMFIntrinsic Mode Function),且IMF须满足以下两个性质:
1、信号的极值点(极大值或极小值)数目和过零点数目相等或最多相差一个;
2、由局部极大值构成的上包络线和由局部极小值构成的下包络线的平均值为零。
在一个实施例中,EMD算法的计算步骤可以如下:
(1)找出原数据序列X(t)的所有极大值点和极小值点,将其用三次样条函数分别拟合为原序列的上和下包络线;上下包络线的均值为m1;将原数据序列减去m1可得到一个减去低频的新序列h,即h1=X(t)-m1;
一般h1不一定是平稳数据序列,为此需对它重复上述过程。如h1的包络均值为m11,则去除该包络平均所代表的低频成分后的数据序列为h11,即h11=h1-m11
重复上述过程,这样就得到第一个固有模态函数分量c1,它表示信号数据序列最高频率的成分。
(2)用X(t)减去r1,得到一个去掉高频成分的新数据序列r1;对r1再进行上述分解,得到第二个本征模函数分量c2;如此重复直到最后一个数据序列rn不可被分解,此时,rn代表数据序列X(t)的趋势或均值。在算法中的极值点是指一阶导数为零的点。
X(t)为低压框架断路器分闸振动信号。
步骤S62,分别确定每一组分量的能量在能量总和中的占比,能量总和为多组固有模态函数表征的各个分量所对应能量的和;
步骤S63,依据每一组分量在能量总和中的占比,以及,计算获取的断路器振动信号的总能量,对低压框架断路器进行故障诊断。
下面对该步骤的一个优选的实施例进行说明。这个实施例是借助知识库进行故障诊断的。
基于断路器的每一状态,在给定电压,例如12kV真空断路器的前提下,进行多次实验,获取各个固有模态函数表征的分量的典型值;
断路器的状态包括正常状态、缓冲器失效状态、分闸不到位状态和分闸弹资失效状态。
表2列举了正常状态(T1)、缓冲器失效状态(T2)、分闸不到位状态(T3)以及分闸弹簧失效状态(T4)下,12kV真空断路器经过多次实验得到的振动信号特征量典型值。
表2故障诊断知识库
前四列数据依次代表振动信号经过EMD分解后得到的IMF1、IMF2、IMF3、IMF4四个固有模态分量各自能量占四组能量和的比例,第五列列举了该样本信号总能量。
将表2故障诊断知识库里四种状态的前4个特征值,即MF1、IMF2、IMF3、IMF4四个固有模态分量能量占其能量和的各自比例的典型值整理成饼状图,如图7所示:将四种状态的第五个特征值,即振动信号总能量整理成柱形图进行对比,如图8所示。
图8可知,四种状态的总能量值相互存在差异,可以辅助IMF1、IMF2、MF3、MF4四个固有模态分量能量占其能量和的比例分布,对断路器进行机械故障诊断。
下面,对本发明低压框架断路器故障诊断方法的另一优选实施例进行说明。该实施例依然包括如下四个步骤:
在接收低压框架断路器分闸振动信号;
对断路器振动信号进行经验模态分解(EMD),获得四组基于固有模态函数表征的分量(IMF);
分别确定每一组分量的能量在能量总和中的占比,能量总和为多组固有模态函数表征的各个分量所对应能量的和;
依据每一组分量在能量总和中的占比,以及,计算获取的断路器振动信号的总能量,对低压框架断路器进行故障诊断。
与上一实施例不同的是,对低压框架断路器进行故障诊断时,将每一组分量在能量总和中的占比,以及,计算获取的断路器振动信号的总能量作为输入信息,输入至人工神经网络模型中。
人工神经网络模型参照图9所示,包括输入层、隐含层O(包括隐含节点O1、O2、…、OL)和输出层;其中,
输入层包括多个输入节点,每一输入信息用于作为其中一个节点的输入;隐含层包括多个隐含节点、输入连接权值w和输出权重β;隐含节点的数目、输入连接权值和输出权重由多个训练样本训练获得;输出层包括多个输出节点,每一输出节点为与输入节点的输入信息对应的诊断结果,诊断结果包括正常状态、缓冲器失效状态、分闸不到位状态和分闸弹簧失效状态。
优选的,在本实施例中,人工神经网络模型为极限学习机(ELM网络)。可以通过如下方式确定:
1、确定输入层节点数和输出向量
输入层节点数与样本的维数直接相关,与影响的特征数相同,本文提取的特征数据有5个:MF1、IMF2、IMF3、IMF4四个固有模态分量能量占其能量和百分比以及振动信号的总能量。待分类状态有以下四类:正常状态(T1)、缓冲器失效状态(T2)、分闸不到位状态(T3)以及分闸弹簧失效状态(T4),故ELM网络的输入节点数I=5X4=20个。输出向量为四种状态的分类标签:1、2、3、4分别代表正常状态、缓冲器失效状态、机构卡涩状态和分闸弹簧失效状态。
2、确定隐含层节点数
隐含层节点数受到输入输出层节点数影响,节点数过少会影响训练精度;反之,训练次数过多则会使控制过程复杂化,导致训练结果不够精确,一般取小于训练样本数的正数作为隐含层节点数。
3、ELM网络通过如下方式训练获得为:
步骤1,输入向量I={(xi1xi2xi3xi4xi5yi)i=1,2,3···N};
其中,xi1~xi5分别为第i组作为训练样本的振动信号分解得IMF1、IMF2、IMF3、IMF4四个固有模态分量的能量在能量总和中的占比,以及,第i组振动信号的总能量;yi为第i组振动信号对应的状态类型;
步骤2,设定隐含层初始节点数目Q和训练样本数量N,利用步骤S1中输入的训练样本训练ELM网络,确定隐含层的输出权重,包括如下步骤:
步骤21,随机选择隐含层节点偏移值bi和输入连接权值wi,选择sigmoid函数作为激活函数g(x):
步骤22,按照公式,计算隐含层节点的输出矩阵H:
其中,xi={(xi1xi2xi3xi4xi5)i=1,2,3…N
将wi,bi,xi代入,计算隐含层节点的输出矩阵H;
步骤23,选取最小二乘估计隐含层的输出权重,隐含层的输出权重标记为β,β=(HTH)-1为迭代初始值,求得每一输出权重矩阵中的各个元素βi;
步骤24,将xi输入已知参数的wi,bi,βi的ELM网络,得到训练结果T为:
T=Hβ
步骤25,计算训练样本的输出误差;
步骤26,根据输出误差来增加或减少隐含节点数目,当误差大于预定阈值,增加隐含节点数目,反之,减少隐含节点数目;
重复步骤21~26步骤,直到训练样本的误差小于预定阈值,保存输出权重β。
进一步地,根据本发明实施例诊断方法的一种具体实现方式,训练样本的输出误差,例如10%,通过如下方式计算:
其中,实际结果t为在固有模态分量知识库中选取的第i组作为训练样本的振动信号所对应的断路器的状态。
实验结果如下:
利用建立的振动信号特征量知识库里分闸过程的四个状态(正常状态、缓冲器失效状态、分闸不到位状态和分闸弹资失效状态)各选取30个样本作为断路器分闸过程故障诊断ELM网络模型的训练样本,训练样本编号及分类标签如表3所示。
表3分闸过程训练样本编号及其分类标签
结合上述ELM网络设置的参数及ELM网络的训练步骤,进行分闸过程ELM网络的训练,随后利用训练所得ELM网络模型对40组预测样本进行状态分类,用于分类的预测样本编号及期望分类标签如表4所示。
表4分闸过程训练样本编号及期望分类标签
隐含层节点数目受到输入输出层节点数影响,则通过对该参数的不同赋值,进行对比分析。
实验结果为:当隐含层神经元个数得到恰当赋值,Q=15时,训练得到的ELM模型可以零误差通近所有训练样本。然而,并非隐含层神经元个数越多越好,将隐含层神经元个数增加至80,预测率反而大大下降。综上可知,分闸过程使用的ELM网络训练过程中,隐含层神经元个数Q设置为15时,应用样本库里的预测样本可以达到100%准确分类。
第二方面,本发明实施例还提供了一种低压框架断路器故障诊断装置。参照图10,包括:
振动信号接收模块1001,用于接收低压框架断路器分闸振动信号;
分解模块1002,用于对断路器振动信号进行经验模态分解(EMD),获得多组基于固有模态函数表征的分量(IMF);其中,每一固有模态函数表征的分量对应振动信号中的不同频段;
占比计算模块1003,用于分别确定至少一组分量的能量在能量总和中的占比,能量总和为多组固有模态函数表征的各个分量所对应能量的和;
诊断模块1004,用于依据至少一组分量在能量总和中的占比,以及,计算获取的断路器振动信号的总能量,对低压框架断路器进行故障诊断。
进一步地,根据本发明实施例诊断装置的一种具体实现方式,诊断模块进一步包括:
输入单元1004A,用于将至少一组分量在能量总和中的占比,以及,计算获取的断路器振动信号的总能量作为输入信息,输入至人工神经网络模型中;
人工神经网络单元1004B,用于构建人工神经网络模型,包括输入层、隐含层和输出层;其中,输入层包括多个输入节点,每一输入信息用于作为其中一个节点的输入;隐含层包括多个隐含节点、输入连接权值和输出权重;隐含节点的数目、输入连接权值和输出权重由多个训练样本训练获得;输出层包括多个输出节点,每一输出节点为与输入节点的输入信息对应的诊断结果,诊断结果包括正常状态、缓冲器失效状态、分闸不到位状态和分闸弹簧失效状态。
进一步地,参照图11,该图为人工神经网络单元用于构建训练样本的结构示意图,包括:
知识库构建子单元1101,用于基于断路器的每一状态在给定电压的前提下,进行多次实验,获取各个固有模态函数表征的分量的典型值,构建固有模态分量知识库;
训练样本构建子单元1102,用于基于固有模态分量知识库,为断路器的多个状态中的每一状态选取多个样本作为人工神经网络模型的训练样本;断路器的状态包括正常状态、缓冲器失效状态、分闸不到位状态和分闸弹资失效状态。
进一步优选地,根据本发明实施例诊断装置的一种具体实现方式,占比计算模块占比计算模块1003进一步用于:
确定四组分量的能量在能量总和中的占比;
四组分量分别为,第一固有模态分量(IMF1)、第二固有模态分量(IMF2)、第三固有模态分量(IMF3)和第四固有模态分量(IMF4);
IMF1、IMF2、IMF3和IMF4分别对应低压框架断路器分闸振动信号中频率最高的前四段频段频谱,并且,对应的频段依次降低。
进一步地,根据本发明实施例诊断装置的一种具体实现方式,人工神经网络单元1004B中,人工神经网络模型为极限学习机(ELM网络),包括ELM网络训练单元,参照图12,该ELM网络训练单元包括:
训练样本输入子单元1201,用于输入向量I={(xi1xi2xi3xi4xi5yi)i=1,2,3···N};
其中,xi1~xi5分别为第i组作为训练样本的振动信号分解得IMF1、IMF2、IMF3、IMF4四个固有模态分量的能量在能量总和中的占比,以及,第i组振动信号的总能量;yi为第i组振动信号对应的状态类型;
ELM网络参数确定子单元1202,用于设定隐含层初始节点数目Q和训练样本数量N,利用步骤S1中输入的训练样本训练ELM网络,确定隐含层的输出权重,包括:
激活函数选择部12021,用于随机选择隐含层节点偏移值bi和输入连接权值wi,选择sigmoid函数作为激活函数g(x):
输出矩阵计算部12022,用于按照公式,计算隐含层节点的输出矩阵H:
其中,xi={(xi1xi2xi3xi4xi5)i=1,2,3…N}
将wi,bi,xi代入,计算隐含层节点的输出矩阵H;
输出权重计算部12023,用于选取最小二乘估计隐含层的输出权重,隐含层的输出权重标记为β,β=(HTH)-1为迭代初始值,求得每一输出权重矩阵中的各个元素βi;
训练结果获取部12024,用于将xi输入已知参数的wi,bi,βi的ELM网络,得到训练结果T为:
T=Hβ
误差计算部12025,用于计算训练样本的输出误差;
隐含节点数目调整部12026,用于根据输出误差来增加或减少隐含节点数目,当误差大于预定阈值,增加隐含节点数目,反之,减少隐含节点数目;直到训练样本的误差小于预定阈值,保存输出权重β。
根据本发明实施例诊断装置的一种具体实现方式,误差计算部中,训练样本的输出误差通过如下方式计算:
其中,实际结果t为在固有模态分量知识库中选取的第i组作为训练样本的振动信号所对应的断路器的状态。
本发明实施例提供的低压框架断路器故障诊断方法、装置及计算设备、非暂态计算机可读存储介质及计算机程序,通过结合低压框架断路器分闸振动信号高频部分固有模态函数表征的分量在各分量总能中所占地比例和振动信号总能量,共同作为故障特征提取对象,进行信息融合诊断,有效地对低压框架断路器常见机械故障进行分类,更加全面反应断路器的真实状态。
在更为优选地实施例中,中,通过训练样本对人工神经网络进行训练,具体来说,将上述特征提取对象输入至人工神经网络,通过比较训练模型地输出和实际输出之间地误差,确定人工神经网络中各个参数,从而确定人工神经网络地模型,用于振动信号预测样本地故障预测。
在更为优选地实施例中,使用ELM极限学习机的人工智能网络进行分类。这是因为,传统神经网络(如BP神经网络)和支持向量机。传统的神经网络虽然具有较好的泛化能力和抗噪性,但是训练时需要大量的样本,实际操作中断路器不宜长期在故障状态下动作,可获取的故障状态训练样本不大,故传统神经网络不能满足断路器的小样本分类;SVM支持向量机训练过程中有较多的参数需要设置:小样本分类算法中,SVM网络训练样本数少,需要确保训练样本的典型性才能使网络具有良好的泛化能力网。而本发明地一个实施例使用ELM极限学习机的人工智能网络进行分类,训练样本数可根据具体情况设置,且该种网络随机产生隐含层神经元阀值以及输入层和隐含层之间的连接权值,训练过程中无需调整,学习效率快。
换句话说,本发明提出了结合固有模态边际谱能量比例和振动信号总能量共同做为故障特征提取对象的信息融合诊断方法,更加全面反应断路器的真是状态,同时,还可以采用极限学习机进行故障分类,避免了传统神经网络需要庞大的数据信息做为训练样本的需求,以及SVM支持向量机使用过程中需要设置众多参数的麻烦。该方法可以准确高效的对低压框架断路器常见机械故障进行诊断
图13示出了本发明实施例提供的计算设备1300的结构示意图,计算设备1300包括至少一个处理器1301(例如CPU),至少一个输入输出接口1304,存储器1302,和至少一个通信总线1303,用于实现这些部件之间的连接通信。至少一个处理器1301用于执行存储器1302中存储的计算机指令,以使至少一个处理器1301能够执行前述任一分表方法的实施例。存储器1302为非暂态存储器(non-transitory memory),其可以包含易失性存储器,例如高速随机存取存储器(RAM:Random Access Memory),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个输入输出接口1304(可以是有线或者无线通信接口)实现与至少一个其他设备或单元之间的通信连接。
在一些实施方式中,存储器1302存储了程序13021,处理器1301执行程序13021,用于执行前述任一分表方法实施例中的内容。
该电子设备可以以多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等,例如iPad。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod),掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)特定服务器:提供计算服务的设备,服务器的构成包括处理器、硬盘、内存、***总线等,服务器和通用的计算机架构类似,但是由于需要提供高可靠的服务,因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子设备。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。
在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种低压框架断路器故障诊断方法,其特征在于,包括:
接收低压框架断路器分闸振动信号;
对所述断路器振动信号进行经验模态分解(EMD),获得多组基于固有模态函数表征的分量(IMF);其中,每一所述固有模态函数表征的分量对应所述振动信号中的不同频段;
分别确定至少一组所述分量的能量在能量总和中的占比,所述能量总和为所述多组固有模态函数表征的各个分量所对应能量的和;
依据至少一组分量在所述能量总和中的占比,以及,经计算获取的所述断路器分闸振动信号的总能量,对低压框架断路器进行故障诊断。
2.根据权利要求1所述的低压框架断路器故障诊断方法,其特征在于,所述对低压框架断路器进行故障诊断为:
将所述至少一组分量在所述能量总和中的占比,以及,计算获取的所述断路器振动信号的总能量作为输入信息,输入至人工神经网络模型中;
所述人工神经网络模型包括输入层、隐含层和输出层;其中,
所述输入层包括多个输入节点,每一所述输入信息用于作为其中一个节点的输入;
所述隐含层包括多个隐含节点、输入连接权值和输出权重;所述隐含节点的数目、所述输入连接权值和所述输出权重由多个训练样本训练获得;
所述输出层包括多个输出节点,所述每一输出节点为与所述输入节点的输入信息对应的诊断结果,所述诊断结果包括正常状态、缓冲器失效状态、分闸不到位状态和分闸弹簧失效状态。
3.根据权利要求2所述的低压框架断路器故障诊断方法,其特征在于,所述训练样本通过如下方式获得,
基于固有模态分量知识库,为断路器的多个状态中的每一状态选取多个样本作为所述人工神经网络模型的训练样本;
其中,所述固有模态分量知识库通过如下方式预先构建并存储:基于断路器的每一状态在给定电压的前提下,进行多次实验,获取各个固有模态函数表征的分量的典型值;
所述断路器的状态包括正常状态、缓冲器失效状态、分闸不到位状态和分闸弹资失效状态。
4.根据权利要求3所述的低压框架断路器故障诊断方法,其特征在于,
确定四组所述分量的能量在能量总和中的占比;
四组所述分量分别为,第一固有模态分量(IMF1)、第二固有模态分量(IMF2)、第三固有模态分量(IMF3)和第四固有模态分量(IMF4);
所述IMF1、所述IMF2、所述IMF3和所述IMF4分别对应所述低压框架断路器分闸振动信号中频率最高的前四段频段频谱,并且,对应的频段依次降低。
5.根据权利要求4所述的低压框架断路器故障诊断方法,其特征在于,
所述人工神经网络模型为极限学习机(ELM网络);
所述ELM网络通过如下方式训练获得为:
步骤S1,输入向量I={(xi1xi2xi3xi4xi5yi)i=1,2,3···N};
其中,xi1~xi5分别为第i组作为训练样本的振动信号分解得IMF1、IMF2、IMF3、IMF4四个固有模态分量的能量在所述能量总和中的占比,以及,第i组振动信号的总能量;yi为第i组振动信号对应的状态类型;
步骤S2,设定所述隐含层初始节点数目Q和所述训练样本数量N,利用步骤S1中输入的训练样本训练所述ELM网络,确定所述隐含层的输出权重,包括如下步骤:
步骤S21,随机选择隐含层节点偏移值bi和输入连接权值wi,选择sigmoid函数作为激活函数g(x):
步骤S22,按照公式,计算所述隐含层节点的输出矩阵H:
其中,xi={(xi1xi2xi3xi4xi5)i=1,2,3…N}
将wi,bi,xi代入,计算隐含层节点的输出矩阵H;
步骤S23,选取最小二乘估计所述隐含层的输出权重,所述隐含层的输出权重标记为β,β=(HTH)-1为迭代初始值,求得每一输出权重矩阵中的各个元素βi;
步骤S24,将xi输入已知参数的wi,bi,βi的ELM网络,得到训练结果T为:
T=Hβ
步骤S25,计算训练样本的输出误差;
步骤S26,根据输出误差来增加或减少隐含节点数目,当误差大于预定阈值,增加隐含节点数目,反之,减少隐含节点数目;
重复步骤S21~S26步骤,直到训练样本的误差小于所述预定阈值,保存所述输出权重β。
6.根据权利要求5所述的低压框架断路器故障诊断方法,其特征在于,所述训练样本的输出误差通过如下方式计算:
其中,所述实际结果t为在固有模态分量知识库中选取的第i组作为训练样本的振动信号所对应的断路器的状态。
7.一种低压框架断路器故障诊断装置,其特征在于,包括:
振动信号接收模块,用于接收低压框架断路器分闸振动信号;
分解模块,用于对所述断路器振动信号进行经验模态分解(EMD),获得多组基于固有模态函数表征的分量(IMF);其中,每一所述固有模态函数表征的分量对应所述振动信号中的不同频段;
占比计算模块,用于分别确定至少一组所述分量的能量在能量总和中的占比,所述能量总和为所述多组固有模态函数表征的各个分量所对应能量的和;
诊断模块,用于依据至少一组分量在所述能量总和中的占比,以及,经计算获取的所述断路器振动信号的总能量,对低压框架断路器进行故障诊断。
8.根据权利要求7所述的低压框架断路器故障诊断装置,其特征在于,所述诊断模块进一步包括:
输入单元,用于将所述至少一组分量在所述能量总和中的占比,以及,计算获取的所述断路器振动信号的总能量作为输入信息,输入至人工神经网络模型中;
人工神经网络单元,用于构建所述人工神经网络模型,包括输入层、隐含层和输出层;其中,
所述输入层包括多个输入节点,每一所述输入信息用于作为其中一个节点的输入;
所述隐含层包括多个隐含节点、输入连接权值和输出权重;所述隐含节点的数目、所述输入连接权值和所述输出权重由多个训练样本训练获得;
所述输出层包括多个输出节点,所述每一输出节点为与所述输入节点的输入信息对应的诊断结果,所述诊断结果包括正常状态、缓冲器失效状态、分闸不到位状态和分闸弹簧失效状态。
9.一种计算设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述任一权利要求1-6所述的低压框架断路器故障诊断方法。
10.一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述任一权利要求1-6所述的低压框架断路器故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810876269.4A CN109116224A (zh) | 2018-08-03 | 2018-08-03 | 低压框架断路器故障诊断方法、装置及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810876269.4A CN109116224A (zh) | 2018-08-03 | 2018-08-03 | 低压框架断路器故障诊断方法、装置及计算设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109116224A true CN109116224A (zh) | 2019-01-01 |
Family
ID=64852817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810876269.4A Pending CN109116224A (zh) | 2018-08-03 | 2018-08-03 | 低压框架断路器故障诊断方法、装置及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109116224A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111290371A (zh) * | 2020-03-05 | 2020-06-16 | 深圳知路科技有限公司 | 物联网设备远程诊断的方法及装置、电子设备 |
CN115062984A (zh) * | 2022-06-22 | 2022-09-16 | 云南电网有限责任公司电力科学研究院 | 断路器分合闸线圈性能评估方法、设备及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102721545A (zh) * | 2012-05-25 | 2012-10-10 | 北京交通大学 | 一种基于多特征参量的滚动轴承故障诊断方法 |
CN103809115A (zh) * | 2014-02-27 | 2014-05-21 | 北京航空航天大学 | 基于振动信号检测的断路器在线监测与故障诊断*** |
CN104776908A (zh) * | 2015-04-17 | 2015-07-15 | 南京理工大学 | 基于emd广义能量的轮轨振动信号故障特征提取方法 |
EP2985775A1 (en) * | 2014-08-12 | 2016-02-17 | GE Energy Power Conversion Technology Ltd | Circuit Breakers |
CN205105176U (zh) * | 2015-11-12 | 2016-03-23 | 杭州罗孚音响有限公司 | 一种三态全桥数字音频放大*** |
CN105891707A (zh) * | 2016-05-05 | 2016-08-24 | 河北工业大学 | 一种基于振动信号的万能式断路器分合闸故障诊断方法 |
CN106017879A (zh) * | 2016-05-18 | 2016-10-12 | 河北工业大学 | 基于振声信号特征融合的万能式断路器机械故障诊断方法 |
CN106224224A (zh) * | 2016-07-13 | 2016-12-14 | 北京航空航天大学 | 一种基于希尔伯特黄变换和质量距熵的液压泵故障特征提取方法 |
CN107329079A (zh) * | 2017-07-28 | 2017-11-07 | 河海大学 | 一种高压断路器在线监测及故障综合诊断*** |
-
2018
- 2018-08-03 CN CN201810876269.4A patent/CN109116224A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102721545A (zh) * | 2012-05-25 | 2012-10-10 | 北京交通大学 | 一种基于多特征参量的滚动轴承故障诊断方法 |
CN103809115A (zh) * | 2014-02-27 | 2014-05-21 | 北京航空航天大学 | 基于振动信号检测的断路器在线监测与故障诊断*** |
EP2985775A1 (en) * | 2014-08-12 | 2016-02-17 | GE Energy Power Conversion Technology Ltd | Circuit Breakers |
CN104776908A (zh) * | 2015-04-17 | 2015-07-15 | 南京理工大学 | 基于emd广义能量的轮轨振动信号故障特征提取方法 |
CN205105176U (zh) * | 2015-11-12 | 2016-03-23 | 杭州罗孚音响有限公司 | 一种三态全桥数字音频放大*** |
CN105891707A (zh) * | 2016-05-05 | 2016-08-24 | 河北工业大学 | 一种基于振动信号的万能式断路器分合闸故障诊断方法 |
CN106017879A (zh) * | 2016-05-18 | 2016-10-12 | 河北工业大学 | 基于振声信号特征融合的万能式断路器机械故障诊断方法 |
CN106224224A (zh) * | 2016-07-13 | 2016-12-14 | 北京航空航天大学 | 一种基于希尔伯特黄变换和质量距熵的液压泵故障特征提取方法 |
CN107329079A (zh) * | 2017-07-28 | 2017-11-07 | 河海大学 | 一种高压断路器在线监测及故障综合诊断*** |
Non-Patent Citations (1)
Title |
---|
刘艳 等: ""基于ELM和振动信号的高压断路器机械故障诊断"", 《制造业自动化》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111290371A (zh) * | 2020-03-05 | 2020-06-16 | 深圳知路科技有限公司 | 物联网设备远程诊断的方法及装置、电子设备 |
CN111290371B (zh) * | 2020-03-05 | 2021-08-10 | 深圳知路科技有限公司 | 物联网设备远程诊断的方法及装置、电子设备 |
CN115062984A (zh) * | 2022-06-22 | 2022-09-16 | 云南电网有限责任公司电力科学研究院 | 断路器分合闸线圈性能评估方法、设备及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086817B (zh) | 一种基于深度信念网络的高压断路器故障诊断方法 | |
CN103728551B (zh) | 一种基于级联集成分类器的模拟电路故障诊断方法 | |
Perera et al. | Recognition of fault transients using a probabilistic neural-network classifier | |
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 | |
CN106646158B (zh) | 基于多分类支持向量机变压器故障诊断提升方法 | |
CN109002933B (zh) | 基于ReliefF和t-SNE的配电线路线变关系模型优化方法 | |
CN109507535B (zh) | 变电站接地网运行阶段及运行寿命预测方法及装置 | |
CN101221213A (zh) | 基于粒子群算法的模拟电路故障诊断神经网络方法 | |
CN110334580A (zh) | 基于集成增量的动态权重组合的设备故障分类方法 | |
CN108960339A (zh) | 一种基于宽度学习的电动汽车感应电动机故障诊断方法 | |
CN102200981B (zh) | 面向多层文本分类的特征选择方法和装置 | |
CN109472288A (zh) | 一种抽水蓄能机组振动混合特征提取与分类方法 | |
CN103995237A (zh) | 一种卫星电源***在线故障诊断方法 | |
CN104569747A (zh) | 断电电缆绝缘性检验***及方法 | |
CN109116224A (zh) | 低压框架断路器故障诊断方法、装置及计算设备 | |
CN109858503A (zh) | 基于梯度提升决策树的牵引变流器故障诊断方法 | |
CN108491491A (zh) | 智能客服知识图谱的构建方法与*** | |
CN105701470A (zh) | 一种基于最优小波包分解的模拟电路故障特征提取方法 | |
CN109214356A (zh) | 一种基于dcnn模型的风机传动***故障智能诊断方法 | |
CN102231144A (zh) | 一种基于Boosting算法的配电网理论线损预测方法 | |
CN111368259B (zh) | 一种配网电压数据缺失填补方法及相关装置 | |
CN103679199A (zh) | 基于入侵性杂草算法的有噪独立分量分析方法 | |
CN109188069A (zh) | 一种用于负载开关事件检测的脉冲噪声滤除方法 | |
Alves | Unveiling community structures in weighted networks | |
CN111612078A (zh) | 一种基于条件变分自动编码器的变压器故障样本增强方法 |
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 |
Application publication date: 20190101 |
|
RJ01 | Rejection of invention patent application after publication |