CN109270445A - 基于lmd的断路器弹簧操动机构状态异常检测方法 - Google Patents
基于lmd的断路器弹簧操动机构状态异常检测方法 Download PDFInfo
- Publication number
- CN109270445A CN109270445A CN201811044333.9A CN201811044333A CN109270445A CN 109270445 A CN109270445 A CN 109270445A CN 201811044333 A CN201811044333 A CN 201811044333A CN 109270445 A CN109270445 A CN 109270445A
- Authority
- CN
- China
- Prior art keywords
- operating mechanism
- spring operating
- vibration signal
- component
- abnormal state
- 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
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3275—Fault detection or status indication
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Arc-Extinguishing Devices That Are Switches (AREA)
Abstract
本发明公开了一种基于LMD的断路器弹簧操动机构状态异常检测方法,涉及高压断路器故障诊断技术领域。所述基于LMD的断路器弹簧操作机构状态异常检测方法,利用IEPE压电式振动传感器获取断路器操作中的振动信号,经过局部均值分解LMD与特征向量提取,得到弹簧操作机构的特征参数,最后导入训练好的支持向量机模型对断路器操动机构弹簧异常状态进行检测,该检测方法能够快速准确的获取弹簧操作机构的故障分类结果,且故障检测准确率高,是一种利用振动信号特征变化进行断路器弹簧运行状态识别的新方法。
Description
技术领域
本发明属于高压断路器故障诊断技术领域,尤其涉及一种基于LMD和SVM的高压断路器弹簧操动机构状态异常检测方法。
背景技术
高压断路器作为电力***基础设备,担负着控制作用和保护作用,对其运行维护是保障电力***安全稳定运行的重点工作之一。弹簧操动机构因其独特优势而广泛用于各类断路器,储能弹簧作为操动机构核心储能部件,是断路器执行操作命令的关键。利用安装在断路器外壳基座上的加速度振动传感器采集的振动信号,反映断路器合闸动作过程中合闸弹簧能量的瞬间变化。弹簧状态及与弹簧相关联部件发生异常,均会引起能量存储及释放规律的变化。利用合闸过程中合闸弹簧储能以及合闸弹簧能量释放的振动信号,可实现对高压断路器弹簧操动机构状态异常检测。
基于此,本发明提出一种基于振动信号能量特征分析的断路器弹簧操作机构状态检测法,利用IEPE压电式振动传感器获取断路器操作中的振动信号,经过局部均值分解(Local mean decomposition,LMD)与特征向量提取,得到弹簧操作机构的特征参数,最后导入训练好的支持向量机模型(support vector machine,SVM)对断路器操动机构弹簧异常状态进行检测。
发明内容
针对现有技术的不足,本发明提供一种基于LMD的断路器弹簧操动机构状态异常检测方法。
本发明是通过如下的技术方案来解决上述技术问题的:一种基于LMD的断路器弹簧操动机构状态异常检测方法,包括以下几个步骤:
步骤1:获取振动信号;
获取高压断路器弹簧操作机构在操作中的振动信号X(t);
步骤2:对振动信号进行LMD分解,提取特征向量;
采用LMD算法对振动信号X(t)进行时频分解,将振动信号X(t)分解成n个PF分量与一个残差分量之和;计算每个PF分量的总能量,对PF分量的总能量进行归一化处理,并构造特征向量T;
步骤3:根据不同状态下的特征向量进行弹簧操作机构的异常状态检测;
对不同状态下的特征向量进行故障标签,将同一故障标签内的特征向量分为训练样本和测试样本,采用训练样本作为支持向量机的输入向量,获取支持向量机的最优惩罚参数c和最优核函数参数g;再采用测试样本作为支持向量机的输入向量,即可获取弹簧异常状态类型。
进一步的,所述步骤1中,采用压电式振动传感器采集获取高压断路器弹簧操作机构在操作中的振动信号X(t)。
进一步的,所述步骤2中,振动信号LMD分解的数学表达式为:
其中,X(t)表示振动信号,PFi(t)表示一系列瞬时频率有物理意义的乘积信号函数,uk(t)表示单调函数,n表示包含主要故障信息的PF分量的个数。
局部均值分解LMD是在2005年由Smith提出的一种新的自适应的时频分析方法,相比于1998年提出的EMD算法,LMD在其基础上很好的改善了EMD分解信号时产生的端点效应、过包络、欠包络、迭代次数、负频率等问题。LMD算法的实质是从原始信号中分离出纯调频信号和包络信号,将纯调频信号和包络信号相乘便可以得到一个瞬时频率具有物理意义的PF分量,包络信号是PF分量的瞬时幅值,PF分量的瞬时频率利用纯调频信号求得。
进一步的,所述步骤2中,每个PF分量总能量的计算公式为:
Ej=∫|cj(t)|2dt j=1,2,3…n
其中,Ej表示第j个PF分量的总能量,cj(t)表示各个离散信号分量。
高压断路器振动信号各个频率成分的能量中包含着丰富的工作状态信息和故障特征信息。当断路器操动机构发生故障时,采集的振动信号中相同频带内信号的能量差别较大,因此可以选用局部均值分解能量作为特征向量,对断路器故障进行诊断。
进一步的,PF分量总能量的归一化处理过程为:
其中,Ei为归一化处理后的PF分量的总能量;E为振动信号的总能量。
进一步的,所述步骤2中,构造的特征向量T的表达式为:
T=[E1E2…En]
其中,En表示归一化处理后的第n个PF分量的总能量。
进一步的,所述步骤3中,支持向量机的核函数选用径向基函数。
进一步的,采用网格参数寻优法对惩罚参数c和核函数参数g进行优化。
支持向量机是建立在统计学***面,实现对输入样本的分类和识别。
与现有技术相比,本发明所提供的一种基于LMD和SVM的断路器弹簧操作机构状态异常检测方法,利用IEPE压电式振动传感器获取断路器操作中的振动信号,经过局部均值分解LMD与特征向量提取,得到弹簧操作机构的特征参数,最后导入训练好的支持向量机模型对断路器操动机构弹簧异常状态进行检测,该检测方法能够快速准确的获取弹簧操作机构的故障分类结果,且故障检测准确率高,是一种利用振动信号特征变化进行断路器弹簧运行状态识别的新方法。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例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发明的一个实施例,对于本领域普通技术人员来说,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他的附图。
图1是本发明实施例中正常状态和故障状态振动信号图;
图2是本发明实施例中正常状态下PF分量图;
图3是本发明实施例中SVM分类结果图。
具体实施方式
下面结合本发明实施例中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,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的前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明所提供的一种基于LMD的断路器弹簧操动机构状态异常检测方法,包括以下几个步骤:
步骤1:获取振动信号;
采用压电式振动传感器采集获取高压断路器弹簧操作机构在操作中的振动信号X(t)。
断路器操动过程的振动信号与弹簧能量释放及存储过程有直接联系,可表征分合闸过程弹簧特定的缺陷与故障,当断路器操动机构发生故障时,采集的振动信号中相同频带内信号的能量差别较大,因此,可以通过对振动信号进行特征提取,判断弹簧操作机构的状态异常情况。
步骤2:对振动信号进行LMD分解,提取特征向量;
采用LMD算法对振动信号X(t)进行时频分解,将振动信号X(t)分解成n个PF分量与一个残差分量uk(t)之和;计算每个PF分量的总能量,对PF分量的总能量进行归一化处理,并构造特征向量T。
高压断路器振动信号各个频率成分的能量中包含着丰富的工作状态信息和故障特征信息。当断路器操动机构发生故障时,采集的振动信号中相同频带内信号的能量差别较大,因此可以选用局部均值分解能量作为特征向量,对断路器故障进行诊断。将采集到的振动信号,分别使用LMD算法提取到各自特征向量T,再将其放入特征向量矩阵当中。
振动信号LMD分解的数学表达式为:
其中,X(t)表示振动信号,PFi(t)表示一系列瞬时频率有物理意义的乘积信号函数,uk(t)表示单调函数,n表示包含主要故障信息的PF分量的个数。
每个PF分量总能量的计算公式为:
Ej=∫|cj(t)|2dt j=1,2,3…n (2)
其中,Ej表示第j个PF分量的总能量,cj(t)表示各个离散信号分量,对振动信号进行LMD分解后,所提取的包络信号即为离散信号分量cj(t)。
PF分量总能量的归一化处理过程为:
其中,Ei为归一化处理后的PF分量的总能量;E为振动信号的总能量。
以PF分量归一化能量为元素构造特征向量T,特征向量T的表达式为:
T=[E1E2…En] (4)
其中,En表示归一化处理后的第n个PF分量的总能量。
步骤3:根据不同状态下的特征向量进行弹簧操作机构的异常状态检测;
对不同状态下的特征向量进行故障标签,将同一标签内的特征向量分为训练样本和测试样本,采用训练样本作为支持向量机的输入向量,获取支持向量机的最优参数c、g;再采用测试样本作为支持向量机的输入向量,获取弹簧异常状态类型。
具体实施例:
以弹簧式操作机构的ZN65-12真空断路器为测试对象,采用铁板阻滞模拟储能弹簧运动产生卡涩故障,取掉传动杆与主轴的销子产生拒合故障、将断路器弹簧脱扣模拟弹簧松动故障。获取了120组断路器正常状态以及三种故障下的振动信号,每类信号各30组,部分振动信号(每类选取了2组数据)如图1所示,从上到下分别为正常状态、储能弹簧卡涩故障(称为故障信号I)、储能弹簧拒合故障(故障信号II)以及储能弹簧松动故障(称为故障信号III)。将4种信号进行LMD分解,得到PF分量和残差分量。选取一个正常信号为例,分解结果如图2所示,可以看到分解出6个PF分量和1个残差分量。利用式(4)计算PF分量归一化总能量,可知信号能量集中在前3个PF分量,其包含了原始振动信号的大部分信息,同时由于选取多分量会增加计算量,因而选取前3个PF分量归一化能量作为特征向量。各故障类型部分特征向量数据如表1所示(在每类信号中只选取了2个列入表中),提取的三种状态振动信号特征向量区分弹簧异常状态类型,反应弹簧在不同异常状态下能量变化。
表1部分振动信号前三个PF分量的归一化能量
表1中只列出了每类信号中2个代表数据的能量特征参数,从表中可以看到,每类信号的参数之间并没有明显的去区别,无法直接分辨,因此将这些数据导入SVM模型训练对几类信号进行分类,以实现对断路器弹簧操作机构的状态诊断。
选用libsvm-3.22为本次实施例所使用的支持向量机分析工具箱。将采集到的三种状态下的120组数据(每种运行状态下各30组作为训练集数据)提取特征值后,对不同状态下特征向量赋予故障标签。正常工作为1,故障I为0,故障II为-1,故障III为2。将同一标签内的特征向量划分为两组,分别作为训练样本(20组)和测试样本(10组),对待测状态类型编号如表2所示。
表2待测状态类型的编号
本实施例中SVM模型选用C-SVC,核函数选用径向基函数。以训练样本及对应故障标签对SVM进行训练并寻得最优参数c、g。采用网格参数寻优法,寻优得c=0.25、g=0.17678。然后将模型代入40组测试样本中,SVM分类结果图如图3所示,对比模型计算结果和已知实际结果可知,40组信号中有39组辨识正确,分类准确率高达97.5%,总体上满足断路器弹簧机构状态检测精确度要求。从测试结果可以看出,可以完全区分正常状态(标签1)和非正常状态(标签0,-1),第12组数据(储能弹簧卡涩故障)错判为储能弹簧拒合故障,说明弹簧能量变化程度对故障类型判别具有敏感性,对于故障状态类型精确辨识需要增加测试样本或者在LMD分解时选取更高阶数的PF分量,可进一步提高识别率。
本发明提出一种局部均值分解和支持向量机相结合的弹簧状态判别新方法,先利用局部均值算法对断路器的振动信号进行分解,求取PF分量归一化能量作为判断断路器弹簧状态特征向量,再以此作为SVM的输入向量,利用网格参数寻优法对支持向量机参数进行优化,能更快速准确地获得弹簧类故障分类结果。实验结果表明,LMD和SVM相结合的方法能够准确识别断路器弹簧状态异常类型,从而实现了一种利用振动信号特征变化有效判别断路器弹簧运行状态的新方法。
以上所揭露的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,可轻易想到变化或变型,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于LMD和SVM的高压断路器弹簧操动机构状态异常检测方法,其特征在于,包括以下几个步骤:
步骤1:获取振动信号;
获取高压断路器弹簧操作机构在操作中的振动信号X(t);
步骤2:对振动信号进行LMD分解,提取特征向量;
采用LMD算法对振动信号X(t)进行时频分解,将振动信号X(t)分解成n个PF分量与一个残差分量之和;计算每个PF分量的总能量,对PF分量的总能量进行归一化处理,并构造特征向量T;
步骤3:根据不同状态下的特征向量进行弹簧操作机构的异常状态检测;
对不同状态下的特征向量进行故障标签,将同一故障标签内的特征向量分为训练样本和测试样本,采用训练样本作为支持向量机的输入向量,获取支持向量机的最优惩罚参数c和最优核函数参数g;再采用测试样本作为支持向量机的输入向量,即可获取弹簧异常状态类型。
2.如权利要求1所述的高压断路器弹簧操动机构状态异常检测方法,其特征在于,所述步骤1中,采用压电式振动传感器采集获取高压断路器弹簧操作机构在操作中的振动信号X(t)。
3.如权利要求1所述的高压断路器弹簧操动机构状态异常检测方法,其特征在于,所述步骤2中,振动信号LMD分解的数学表达式为:
其中,X(t)表示振动信号,PFi(t)表示一系列瞬时频率有物理意义的乘积信号函数,uk(t)表示单调函数,n表示包含主要故障信息的PF分量的个数。
4.如权利要求1或3所述的高压断路器弹簧操动机构状态异常检测方法,其特征在于,所述步骤2中,每个PF分量总能量的计算公式为:
Ej=∫|cj(t)|2dt j=1,2,3…n
其中,Ej表示第j个PF分量的总能量,cj(t)表示各个离散信号分量。
5.如权利要求4所述的高压断路器弹簧操动机构状态异常检测方法,其特征在于,PF分量总能量的归一化处理过程为:
其中,Ei为归一化处理后的PF分量的总能量;E为振动信号的总能量。
6.如权利要求5所述的高压断路器弹簧操动机构状态异常检测方法,其特征在于,所述步骤2中,构造的特征向量T的表达式为:
T=[E1E2…En]
其中,En表示归一化处理后的第n个PF分量的总能量。
7.如权利要求1所述的高压断路器弹簧操动机构状态异常检测方法,其特征在于,所述步骤3中,支持向量机的核函数选用径向基函数。
8.如权利要求1所述的高压断路器弹簧操动机构状态异常检测方法,其特征在于,采用网格参数寻优法对参数c、g进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811044333.9A CN109270445A (zh) | 2018-09-07 | 2018-09-07 | 基于lmd的断路器弹簧操动机构状态异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811044333.9A CN109270445A (zh) | 2018-09-07 | 2018-09-07 | 基于lmd的断路器弹簧操动机构状态异常检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109270445A true CN109270445A (zh) | 2019-01-25 |
Family
ID=65188855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811044333.9A Pending CN109270445A (zh) | 2018-09-07 | 2018-09-07 | 基于lmd的断路器弹簧操动机构状态异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109270445A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112557966A (zh) * | 2020-12-02 | 2021-03-26 | 国网江苏省电力有限公司南京供电分公司 | 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 |
CN113532893A (zh) * | 2020-04-15 | 2021-10-22 | 激发认知有限公司 | 基于装置振动的异常检测 |
CN113654771A (zh) * | 2021-06-30 | 2021-11-16 | 中国电力科学研究院有限公司 | 一种弹簧型操动机构振动波形的格式化方法和*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102829974A (zh) * | 2012-08-07 | 2012-12-19 | 北京交通大学 | 一种基于lmd和pca的滚动轴承状态辨识方法 |
CN104832418A (zh) * | 2015-05-07 | 2015-08-12 | 北京航空航天大学 | 一种基于局部均值变换和Softmax的液压泵故障诊断方法 |
CN105241643A (zh) * | 2015-09-19 | 2016-01-13 | 东北电力大学 | 采用hs变换和单类支持向量机的高压断路器机械状态监测方法 |
CN105424057A (zh) * | 2015-10-30 | 2016-03-23 | 东南大学 | 一种基于改进lmd的光纤陀螺振动信号分析方法 |
CN105973593A (zh) * | 2016-04-22 | 2016-09-28 | 北京航空航天大学 | 一种基于局部特征尺度分解-近似熵和流形距离的滚动轴承健康评估方法 |
CN107101813A (zh) * | 2017-04-26 | 2017-08-29 | 河北工业大学 | 一种基于振动信号的框架式断路器机械故障程度评估方法 |
KR101773433B1 (ko) * | 2016-11-29 | 2017-08-31 | (주)에너시스 | 기중 차단기 듀얼형 자동 시험장치 |
CN107202950A (zh) * | 2017-05-12 | 2017-09-26 | 南京邮电大学 | 基于lmd近似熵和svm的模拟电路故障诊断方法 |
CN107395540A (zh) * | 2017-06-16 | 2017-11-24 | 南京邮电大学 | 基于lmd 近似熵、高积累积量和svm 的调制信号识别方法 |
CN107607303A (zh) * | 2017-09-13 | 2018-01-19 | 河海大学 | 基于小波包与som网络的高压断路器机械故障识别方法 |
-
2018
- 2018-09-07 CN CN201811044333.9A patent/CN109270445A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102829974A (zh) * | 2012-08-07 | 2012-12-19 | 北京交通大学 | 一种基于lmd和pca的滚动轴承状态辨识方法 |
CN104832418A (zh) * | 2015-05-07 | 2015-08-12 | 北京航空航天大学 | 一种基于局部均值变换和Softmax的液压泵故障诊断方法 |
CN105241643A (zh) * | 2015-09-19 | 2016-01-13 | 东北电力大学 | 采用hs变换和单类支持向量机的高压断路器机械状态监测方法 |
CN105424057A (zh) * | 2015-10-30 | 2016-03-23 | 东南大学 | 一种基于改进lmd的光纤陀螺振动信号分析方法 |
CN105973593A (zh) * | 2016-04-22 | 2016-09-28 | 北京航空航天大学 | 一种基于局部特征尺度分解-近似熵和流形距离的滚动轴承健康评估方法 |
KR101773433B1 (ko) * | 2016-11-29 | 2017-08-31 | (주)에너시스 | 기중 차단기 듀얼형 자동 시험장치 |
CN107101813A (zh) * | 2017-04-26 | 2017-08-29 | 河北工业大学 | 一种基于振动信号的框架式断路器机械故障程度评估方法 |
CN107202950A (zh) * | 2017-05-12 | 2017-09-26 | 南京邮电大学 | 基于lmd近似熵和svm的模拟电路故障诊断方法 |
CN107395540A (zh) * | 2017-06-16 | 2017-11-24 | 南京邮电大学 | 基于lmd 近似熵、高积累积量和svm 的调制信号识别方法 |
CN107607303A (zh) * | 2017-09-13 | 2018-01-19 | 河海大学 | 基于小波包与som网络的高压断路器机械故障识别方法 |
Non-Patent Citations (4)
Title |
---|
孙一航: "结合经验模态分解能量总量法的断路器振动信号特征向量提取", 《电工技术学报》 * |
孙曙光: "基于振动信号的低压万能式断路器分合闸故障程度评估方法的研究", 《中国电机工程学报》 * |
孙曙光: "基于灰色关联度的框架式断路器故障诊断方法", 《仪器仪表学报》 * |
黄辉敏: "基于LMD和SVM的高压断路器弹簧操动机构状态异常检测", 《高压电器》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113532893A (zh) * | 2020-04-15 | 2021-10-22 | 激发认知有限公司 | 基于装置振动的异常检测 |
CN112557966A (zh) * | 2020-12-02 | 2021-03-26 | 国网江苏省电力有限公司南京供电分公司 | 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 |
CN113654771A (zh) * | 2021-06-30 | 2021-11-16 | 中国电力科学研究院有限公司 | 一种弹簧型操动机构振动波形的格式化方法和*** |
CN113654771B (zh) * | 2021-06-30 | 2024-05-17 | 中国电力科学研究院有限公司 | 一种弹簧型操动机构振动波形的格式化方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107817098B (zh) | 一种高压断路器机械故障诊断方法 | |
CN109270445A (zh) | 基于lmd的断路器弹簧操动机构状态异常检测方法 | |
CN102944416B (zh) | 基于多传感器信号融合技术的风电机组叶片故障诊断方法 | |
CN105759201B (zh) | 基于异常样本识别的高压断路器自诊断方法 | |
CN109614997A (zh) | 一种基于深度学习的窃电风险预测方法及装置 | |
CN105703258B (zh) | Gis开关设备动作状态监测***及其使用方法 | |
CN106842106A (zh) | 电能表故障预测方法和装置 | |
CN103336243A (zh) | 基于分合闸线圈电流信号的断路器故障诊断方法 | |
CN104081301B (zh) | 电力***中的一次装置的监测 | |
CN110503004A (zh) | 一种开关电源运行状态的在线判别方法 | |
CN101688892A (zh) | 用于在时域中预测电力***的状态的方法和设备 | |
CN106019138A (zh) | 一种高压断路器机械故障的在线诊断方法 | |
CN107202027A (zh) | 一种大型风机运行趋势分析及故障预测方法 | |
CN105137354A (zh) | 一种基于神经网络电机故障检测方法 | |
CN112149569B (zh) | 变压器基于模糊c均值聚类算法的声纹故障诊断方法 | |
CN110596490A (zh) | 铁路道岔故障的智能检测方法 | |
CN108489717A (zh) | 变压器有载分接开关机械状态监测方法及*** | |
CN112557966A (zh) | 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 | |
CN110646685A (zh) | 一种开关柜状态综合评估方法 | |
CN108267687B (zh) | 基于概率密度和局部线性嵌入的高压断路器机械故障诊断方法 | |
Zhang et al. | Vibration signal-based defect detection method for railway signal relay using parameter-optimized VMD and ensemble feature selection | |
CN116796261A (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
CN107092247A (zh) | 一种基于状态数据的包装生产线故障诊断方法 | |
CN108919041B (zh) | 一种基于聚类分析的变压器绕组状态在线监测方法 | |
CN115728628A (zh) | 一种断路器控制回路故障在线监测预警方法及装置 |
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: 20190125 |