CN110119713A - 基于d-s证据理论的高压断路器机械故障诊断方法 - Google Patents

基于d-s证据理论的高压断路器机械故障诊断方法 Download PDF

Info

Publication number
CN110119713A
CN110119713A CN201910397845.1A CN201910397845A CN110119713A CN 110119713 A CN110119713 A CN 110119713A CN 201910397845 A CN201910397845 A CN 201910397845A CN 110119713 A CN110119713 A CN 110119713A
Authority
CN
China
Prior art keywords
evidence
formula
rule
follows
basic probability
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
Application number
CN201910397845.1A
Other languages
English (en)
Inventor
彭晶
谭向宇
樊诗诗
韩璐瑶
闫静
耿英三
王科
马仪
邓云坤
李�昊
陈宇民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of Yunnan Power System Ltd
Original Assignee
Electric Power Research Institute of Yunnan Power System Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of Yunnan Power System Ltd filed Critical Electric Power Research Institute of Yunnan Power System Ltd
Priority to CN201910397845.1A priority Critical patent/CN110119713A/zh
Publication of CN110119713A publication Critical patent/CN110119713A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本申请公开了一种基于D‑S证据理论的高压断路器机械故障诊断方法，所述方法包括：建立自适应神经模糊推理***模型；获取高压断路器的声音信号与振动信号；提取所述声音信号与振动信号的特征量；通过所述自适应神经模糊推理***模型对所述特征量分别进行分类预处理，得到基本概率分配函数；通过高冲突证据修正的D‑S证据理论对所述基本概率分配函数进行融合，得到机械故障诊断结果。本申请提供的诊断方法将声音与振动信号结合起来，采用D‑S证据理论进行信息融合，综合诊断高压断路器的机械故障，提高了状态评估的可靠性和准确性。

Description

基于D-S证据理论的高压断路器机械故障诊断方法
技术领域
本申请涉及高压断路器机械故障诊断技术领域，尤其涉及一种基于D-S证据理论的高压断路器机械故障诊断方法。
背景技术
由于工业自动化的快速发展，自动化生产线对供电可靠性和电能质量提出了较高的要求。高压断路器作为整个电力***中最重要的设备之一，其稳定工作是提高供电可靠性和电能质量的必要条件。在高压断路器的各种故障中，机械故障时影响其动作可靠性的主要因素，占到总故障的70％—80％，因此，有必要对高压断路器的机械特性进行在线监测。
目前监测断路器机械特性主要是采用信号比较的方法，当某一表征信号与正常情况有变化时，就表明可能发生了故障。但是，由于诊断对象运行状态复杂，影响因素众多，同一种故障往往表现不同，同一症状又可能是多种故障，采用单一信号检测得到的故障特征量一般无法有效地完成故障诊断，导致故障诊断的准确性难于保证。
发明内容
本申请提供了一种基于D-S证据理论的高压断路器机械故障诊断方法，以解决目前高压断路器机械故障诊断方法的准确性较低的问题。
为了解决上述技术问题，本申请实施例公开了如下技术方案：
本申请实施例公开了一种基于D-S证据理论的高压断路器机械故障诊断方法，所述方法包括：
建立自适应神经模糊推理***模型；
获取高压断路器的声音信号与振动信号；
提取所述声音信号与振动信号的特征量；
通过所述自适应神经模糊推理***模型对所述特征量分别进行分类预处理，得到基本概率分配函数；
通过高冲突证据修正的D-S证据理论对所述基本概率分配函数进行融合，得到机械故障诊断结果。
可选的，建立自适应神经模糊推理***模型，包括：
获取所述高压断路器的声音及振动信号的历史数据；
提取所述声音及振动信号的历史数据的特征量；
对所述特征量分别进行自适应神经模糊控制训练，建立自适应神经模糊推理***模型。
可选的，所述自适应神经模糊推理***模型的网络结构包括模糊化层、规则推理层、归一化层、逆模糊化层与输出层，其中，
所述模糊化层对输入的特征量进行模糊化处理，节点i的输出函数如下：
式(1)中，x为节点i的输入，Ai和Bi-2为模糊集，O1,i为模糊集的隶属函数值，体现了x属Ai的程度大小，μAi和μBi-2为模糊集的隶属函数；
式(2)、(3)中，ci，σi为隶属函数的参数；
所述规则推理层计算各条规则的激励程度，其输出表达式为：
式(4)中，wi为对应规则的激励强度，即各模糊规则的权值；
所述归一化层计算第i条规则的激励强度与所有规则激励强度之和的比值，其输出表达式为：
式(5)中，为第i条规则归一化后的激励强度，表示第i条规则对最终结果的贡献；
所述逆模糊化层计算每条规则的输出，其输出表达式为：
式(6)中，参数pi、qi、ri为各个节点的后件参数；
所述输出层计算所有逆模糊化节点输出的总和并输出，
式(7)中，Y为***的总输出，yi为第i条规则的输出。
可选的，通过高冲突证据修正的D-S证据理论对所述基本概率分配函数进行融合，得到机械故障诊断结果，包括：
计算证据间的证据距离d和归一化常数k；
对所述证据距离d和归一化常数k进行平均，得到冲突系数σ；
根据所述冲突系数σ判断是否存在冲突证据；
如果存在冲突证据，则修正所述基本概率分配函数，并通过D-S证据理论对修正后的基本概率分配函数进行融合；
如果不存在冲突证据，则直接通过D-S证据理论对所述基本概率分配函数进行融合。
可选的，计算证据间的证据距离d和归一化常数k，包括：
证据m1、m2之间的证据距离d为：
式(8)、(9)中，Ai，Bj∈U,m1(Ai)、m2(Bj)分别为元素A、B的基本概率赋值，|A|为所包含元素的个数；
归一化常数k的计算公式为：
式(10)中，k反映了证据的冲突程度，其取值范围为[0,1]。
可选的，如果存在冲突证据，则修正所述基本概率分配函数，包括：
计算每个证据的信任度：
式(11)中，sim(mi,mj)为证据mi、mj之间的相似度，sim(mi,mj)＝1-d(mi,mj)；
在统一识别框架下，计算多个证据源中的冲突：
从证据源中去掉第j个证据源后剩余证据的冲突为：
根据所述冲突k0与冲突kj计算得到证据的虚假度：
根据所述信任度与虚假度计算得到证据焦元分配的权重为：
τi＝CrdPmi-γ*Falmi+1 (15)
式(15)中，若冲突系数σ大于0.5，则γ取1或2；若冲突系数σ大于0.9，则γ取
对所述权重进行归一化处理后得到冲突证据的权重Ti：
根据所述权重Ti对所述基本概率分配函数进行修正。
可选的，通过D-S证据理论对基本概率分配函数进行融合的规则为：
其中，
本申请提供的基于D-S证据理论的高压断路器机械故障诊断方法的有益效果如下：
(1)传统的高压断路器的机械故障诊断是采用单一的信号进行监测诊断，存在各种弊端，本方法将声音与振动信号结合起来，综合诊断高压断路器的机械故障，更加可靠与精确；
(2)本方法构建了自适应神经模糊推理***(ANFIS)后不再需要对历史数据进行反复提取训练，在实时监测条件下可提高诊断的速度；
(3)本方法采用D-S证据理论进行信息融合，针对存在高冲突证据时会出现融合结果与事实相悖的问题，提出了高冲突证据修正，在不改变原有证据信任度的基础上只对冲突证据进行修正，不仅不会破坏源证据的可信度，还能在一定程度上提高收敛速度和精度，融合结果也不会出现与事实相悖的情况。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
为了更清楚地说明本申请的技术方案，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，对于本领域普通技术人员而言，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为本申请实施例提供的一种基于D-S证据理论的高压断路器机械故障诊断方法的流程图；
图2为本申请实施例提供的基于D-S证据理论的高压断路器机械故障诊断方法中S500的详细流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例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申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
高压断路器的声音和振动信号均属于非平稳、非确定性信号，可反映复杂的断路器机械动作过程。单一信号的故障诊断存在各种弊端，采用D-S证据理论的多信号融合技术在一定程度上解决了这些弊端，在辨识断路器故障类型具有很大优势。参见图1，为本申请实施例提供的一种基于D-S证据理论的高压断路器机械故障诊断方法的流程图。
如图1所示，本申请实施例提供的基于D-S证据理论的高压断路器机械故障诊断方法包括：
S100：建立自适应神经模糊推理***模型。
首先对采集的高压断路器采集的声音及振动的历史数据进行整理，选取正常、转轴卡涩、基座松动、分闸拒动四种状态进行诊断分类，各自选取20组，声音信号经双谱分析来抑制高斯噪声，然后进行希尔伯特黄变换得到IMF能量熵，作为ANFIS(AdaptiveNetwork-based Fuzzy Inference System，自适应神经模糊***)进行训练的特征量，振动信号则是先对信号进行小波包多分辨率分析，然后在该基础上对各层分解节点系数进行小波包重构，最后再重构相空间状态矩阵并计算该特征矩阵的奇异谱熵作为ANFIS进行训练的特征量。
将处理好的样本各20组的特征量作为输入训练次数选择为200次，对自适应神经模糊推理***进行训练，观察训练完毕后的误差曲线，误差降到0.05以内说明模糊控制规则是可用的，分别得到声音及振动信号的自适应神经模糊推理***模型。
自适应神经模糊推理***模型的网络结构(以双输入单输出为例)如下：
第1层：模糊化层，用于对输入的数据进行模糊化处理，节点i的输出函数如下：
式(1)中，x为节点i的输入，Ai和Bi-2为模糊集，O1,i为模糊集的隶属函数值，体现了x属Ai的程度大小，μAi和μBi-2为模糊集的隶属函数，可选用高斯函数。
式(2)、(3)中，ci，σi为隶属函数的参数，也称为前件参数。
第2层：规则推理层，该层计算各条规则的激励程度，其输出表达式为：
O2,i＝wi＝μAi(x1)μBi(x2),I＝1,2 (4)
式(4)中，wi为对应规则的激励强度，即各模糊规则的权值。
第3层：归一化层，该层将各条规则的激励强度归一化，即计算第i条规则的激励强度与所有规则激励强度之和的比值，其输出表达式为：
式(5)中，为第i条规则归一化后的激励强度，表示第i条规则对最终结果的贡献。
第4层：逆模糊化层，该层计算每条规则的输出，其输出表达式为：
式(6)中，参数pi、qi、ri为该层各个节点的后件参数，由ANFIS得到。
第5层：输出层，该层计算所有逆模糊化节点输出的总和，并产生最后的ANFIS输出：
式(7)中，Y为***的总输出，yi为第i条规则的输出。
同归梯度下降法和最小二乘法的混合算法来辨识***的前件参数和后件参数，进而实现模糊模型的建立。对于混合算法，每个周期的学习过程包含正向传递和反向传播2部分，在正向学习的过程中，固定前件参数，应用最小二乘法辨识后件参数；在反向学习的过程中，对计算得到的后件参数进行误差计算，采用前馈神经网络中的BP算法，将误差由输出端反向传到输入端，最后利用梯度下降法更新前件参数。
S200：获取高压断路器的声音信号与振动信号。
S300：提取声音信号与振动信号的特征量。
S400：通过自适应神经模糊推理***模型对特征量分别进行分类预处理，得到基本概率分配函数。
S500：通过高冲突证据修正的D-S证据理论对所述基本概率分配函数进行融合，得到机械故障诊断结果。
采集高压断路器的声音信号与振动信号，对声音信号进行降噪处理后分别采用适当的方法对声音及振动信号进行特征量提取，用以代表信号所包含的机械特征信息。
以声音信号和振动信号的特征量作为输入，通过建立的自适应神经模糊推理***模型对特征量分别进行分类预处理，得到基本概率分配函数(BPA，Basic ProbabilityAssignment)，将得到的基本概率分配函数用高冲突证据修正的D-S证据理论进行融合，最后获得基于声音及振动信号的高压断路器的机械故障诊断。
基于高冲突证据修正的D-S证据理论的多信息融合的步骤如图2所示：
S501：计算证据间的证据距离d和归一化常数k：
在识别框架U下，若函数m：2u-＞[0,1]满足条件且则称m(A)为元素A的基本概率赋值，且也表示对证据A的信任度，其中，使得m(A)＞0的A称为焦元。证据m1、m2之间的证据距离d为：
式(8)、(9)中，Ai，Bj∈U,|A|表示所包含元素的个数，证据m1、m2之间相似度sim(m1,m2)＝1-d(m1,m2)，可扩展到多个证据之间并用相似矩阵进行表示，其值越大说明证据间的相似度越大，冲突就越小。
归一化常数k的计算公式为：
式(10)中，k反映了证据的冲突程度，其取值范围为[0,1]。
S502：对证据距离d和归一化常数k进行平均，得到冲突系数σ。
S503：根据冲突系数σ判断是否存在冲突证据。
根据冲突系数σ是否大于0.5判断是否存在冲突证据，并判定证据的冲突程度，对冲突证据进行修正。
S504：若存在冲突证据，则修正基本概率分配函数，并通过D-S证据理论对修正后的基本概率分配函数进行融合。
若存在冲突证据，则计算冲突证据的权重Ti，对基本概率分配函数进行加权平均修正。对基本概率分配函数进行加权修正的方法具体为：
信任度，证据的信任度是用来描述其他证据对某一证据的信任程度，是一个证据在整体证据中被支持的程度。假如有n个证据体m1,m2…mn，则每个证据的信任度计算公式为：
虚假度，虚假度用来描述证据在整体中的虚假程度，证据的虚假度是与信任度相对的，信任度越小其虚假度就会越大。在统一识别框架Θ下，多个证据源中他们的冲突为：
从证据源中去掉第j个证据源后剩余证据的冲突为：
则证据的虚假度为：
由信任度及虚假度可得证据焦元分配的权重为：
τi＝CrdPmi-γ*Falmi+1 (15)
式(15)中，若冲突系数σ大于0.5，则γ取1或2；若冲突系数σ大于0.9，则γ取
对证据焦元分配的权重归一化处理后冲突证据的权重Ti为：
根据冲突证据的权重Ti对基本概率分配函数进行修正。
对基本概率分配函数进行修正后，利用D-S组合规则对修正后的基本概率分配函数进行信息融合，综合诊断断路器机械故障。
S505：若不存在冲突系数，则直接通过D-S证据理论对基本概率分配函数进行融合。
利用D-S证据理论对基本概率分配函数进行融合，对于U上的两个函数m1,m2的Dempster合成规则为：
本申请实施例提供的基于D-S证据理论的高压断路器机械故障诊断方法经声音信号及振动信号的正常及故障样本在进行特征量提取后分别进行自适应神经模糊控制训练，建立自适应神经模糊推理***(ANFIS)模型，对经过特征量提取后的监测数据分别进行分类预处理，得到基本概率分配函数(BPA)，通过D-S证据理论进行信息融合，综合诊断断路器机械故障。针对融合过程中存在的冲突问题，通过冲突系数对基本概率分配函数(BPA)进行加权修正后进行D-S证据融合，不仅不会破坏源证据的可信度，还能在一定程度上提高收敛速度和精度，融合结果也不会出现与事实相悖的情况。本申请提供的基于D-S证据理论的高压断路器机械故障诊断方法将声音与振动信号结合起来，综合诊断高压断路器的机械故障，提高了状态评估的可靠性和准确性。
本领域技术人员在考虑说明书及实践这里发明的公开后，将容易想到本申请的其他实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求的内容指出。
以上所述的本申请实施方式并不构成对本申请保护范围的限定。

Claims (7)

1.一种基于D-S证据理论的高压断路器机械故障诊断方法，其特征在于，所述方法包括：
建立自适应神经模糊推理***模型；
获取高压断路器的声音信号与振动信号；
提取所述声音信号与振动信号的特征量；
通过所述自适应神经模糊推理***模型对所述特征量分别进行分类预处理，得到基本概率分配函数；
通过高冲突证据修正的D-S证据理论对所述基本概率分配函数进行融合，得到机械故障诊断结果。
2.根据权利要求1所述的方法，其特征在于，建立自适应神经模糊推理***模型，包括：
获取所述高压断路器的声音及振动信号的历史数据；
提取所述声音及振动信号的历史数据的特征量；
对所述特征量分别进行自适应神经模糊控制训练，建立自适应神经模糊推理***模型。
3.根据权利要求2所述的方法，其特征在于，所述自适应神经模糊推理***模型的网络结构包括模糊化层、规则推理层、归一化层、逆模糊化层与输出层，其中，
所述模糊化层对输入的特征量进行模糊化处理，节点i的输出函数如下：
式(1)中，x为节点i的输入，Ai和Bi-2为模糊集，O1,i为模糊集的隶属函数值，体现了x属Ai的程度大小，μAi和μBi-2为模糊集的隶属函数；
式(2)、(3)中，ci，σi为隶属函数的参数；
所述规则推理层计算各条规则的激励程度，其输出表达式为：
式(4)中，wi为对应规则的激励强度，即各模糊规则的权值；
所述归一化层计算第i条规则的激励强度与所有规则激励强度之和的比值，其输出表达式为：
式(5)中，为第i条规则归一化后的激励强度，表示第i条规则对最终结果的贡献；
所述逆模糊化层计算每条规则的输出，其输出表达式为：
式(6)中，参数pi、qi、ri为各个节点的后件参数；
所述输出层计算所有逆模糊化节点输出的总和并输出，
式(7)中，Y为***的总输出，yi为第i条规则的输出。
4.根据权利要求1所述的方法，其特征在于，通过高冲突证据修正的D-S证据理论对所述基本概率分配函数进行融合，得到机械故障诊断结果，包括：
计算证据间的证据距离d和归一化常数k；
对所述证据距离d和归一化常数k进行平均，得到冲突系数σ；
根据所述冲突系数σ判断是否存在冲突证据；
如果存在冲突证据，则修正所述基本概率分配函数，并通过D-S证据理论对修正后的基本概率分配函数进行融合；
如果不存在冲突证据，则直接通过D-S证据理论对所述基本概率分配函数进行融合。
5.根据权利要求4所述的方法，其特征在于，计算证据间的证据距离d和归一化常数k，包括：
证据m1、m2之间的证据距离d为：
式(8)、(9)中，Ai，Bj∈U,m1(Ai)、m2(Bj)分别为元素A、B的基本概率赋值，|A|为所包含元素的个数；
归一化常数k的计算公式为：
式(10)中，k反映了证据的冲突程度，其取值范围为[0,1]。
6.根据权利要求4所述的方法，其特征在于，如果存在冲突证据，则修正所述基本概率分配函数，包括：
计算每个证据的信任度：
式(11)中，sim(mi,mj)为证据mi、mj之间的相似度，sim(mi,mj)＝1-d(mi,mj)；
在统一识别框架下，计算多个证据源中的冲突：
从证据源中去掉第j个证据源后剩余证据的冲突为：
根据所述冲突k0与冲突kj计算得到证据的虚假度：
根据所述信任度与虚假度计算得到证据焦元分配的权重为：
τi＝CrdPmi-γ*Falmi+1 (15)
式(15)中，若冲突系数σ大于0.5，则γ取1或2；若冲突系数σ大于0.9，则γ取2；
对所述权重进行归一化处理后得到冲突证据的权重Ti：
根据所述权重Ti对所述基本概率分配函数进行修正。
7.根据权利要求4所述的方法，其特征在于，通过D-S证据理论对基本概率分配函数进行融合的规则为：
其中，
CN201910397845.1A 2019-05-14 2019-05-14 基于d-s证据理论的高压断路器机械故障诊断方法 Pending CN110119713A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910397845.1A CN110119713A (zh) 2019-05-14 2019-05-14 基于d-s证据理论的高压断路器机械故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910397845.1A CN110119713A (zh) 2019-05-14 2019-05-14 基于d-s证据理论的高压断路器机械故障诊断方法

Publications (1)

Publication Number Publication Date
CN110119713A true CN110119713A (zh) 2019-08-13

Family

ID=67522272

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910397845.1A Pending CN110119713A (zh) 2019-05-14 2019-05-14 基于d-s证据理论的高压断路器机械故障诊断方法

Country Status (1)

Country Link
CN (1) CN110119713A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110530631A (zh) * 2019-08-21 2019-12-03 贵州大学 一种基于混合分类器的齿轮单类型故障检测方法
CN111260502A (zh) * 2020-01-10 2020-06-09 河南大学 基于相似度和虚假度的冲突证据融合方法
CN111523394A (zh) * 2020-03-27 2020-08-11 国网宁夏电力有限公司电力科学研究院 一种gis设备内部的异物缺陷的检测方法及***
CN111667193A (zh) * 2020-06-12 2020-09-15 中国矿业大学(北京) 一种基于d-s证据理论的煤矿瓦斯安全评价方法
CN111814890A (zh) * 2020-07-15 2020-10-23 辽宁大学 基于d-s证据理论的网络直播违法违规行为判定方法
CN111832730A (zh) * 2020-07-09 2020-10-27 西安交通大学 一种油液不确定状态的信度表征与状态识别的方法
CN111832731A (zh) * 2020-07-09 2020-10-27 西安交通大学 一种多指标监测的油液不确定状态表征及故障诊断的方法
CN112255538A (zh) * 2020-10-14 2021-01-22 国网青海省电力公司海西供电公司 一种多特征优化融合的高压断路器故障诊断方法
CN112580425A (zh) * 2020-10-13 2021-03-30 浙江工业大学 一种基于神经网络和d-s证据理论的水泵故障分类方法
CN112733951A (zh) * 2021-01-19 2021-04-30 中国矿业大学(北京) 一种断路器机械缺陷诊断的多信息决策权重分配融合方法
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
CN113240121A (zh) * 2021-05-08 2021-08-10 云南中烟工业有限责任公司 一种非破坏性爆珠破碎声音的预测方法
CN113671363A (zh) * 2021-08-13 2021-11-19 华北电力大学（保定） 一种高压断路器状态辨识***及方法
CN114792112A (zh) * 2022-04-22 2022-07-26 河南大学 基于自适应处理策略的时域证据融合方法
CN115758120A (zh) * 2022-11-21 2023-03-07 南京航空航天大学 基于不确定信息融合的车门***诊断方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512761A (zh) * 2015-12-04 2016-04-20 华北电力科学研究院有限责任公司 一种电力变压器的经济寿命确定方法及装置
CN106932712A (zh) * 2016-12-30 2017-07-07 江苏南瑞泰事达电气有限公司 一种基于改进模糊Petri网的断路器故障诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512761A (zh) * 2015-12-04 2016-04-20 华北电力科学研究院有限责任公司 一种电力变压器的经济寿命确定方法及装置
CN106932712A (zh) * 2016-12-30 2017-07-07 江苏南瑞泰事达电气有限公司 一种基于改进模糊Petri网的断路器故障诊断方法

Non-Patent Citations (11)

* Cited by examiner, † Cited by third party
Title
孟媛媛: "基于高冲突证据修正的D-S证据理论及其应用研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 01, 15 January 2019 (2019-01-15), pages 1 - 4 *
孟媛媛: "基于高冲突证据修正的D-S证据理论及其应用研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, pages 140 - 840 *
李建鹏等: "基于双谱和希尔伯特-黄变换的断路器声波信号处理", 《电力自动化设备》, pages 0 *
王升杰: "高压断路器故障诊断方法的研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》, pages 3 *
胡秀洁等: "D-S证据理论和多模型结合的模拟电路故障诊断", 《软件导刊》, no. 9, 31 October 2014 (2014-10-31), pages 1 *
胡秀洁等: "D-S证据理论和多模型结合的模拟电路故障诊断", 《软件导刊》, pages 1 *
赵庆海;赵玮;石玉霞;: "现代故障诊断技术研究现状与趋势", 包装工程, no. 15, pages 169 - 175 *
赵莉华等: "基于自适应神经模糊推理***的高压断路器操作机构状态评估", 《高电压技术》, pages 3 *
赵莉华等: "基于自适应神经模糊推理***的高压断路器操作机构状态评估", 《高电压技术》, vol. 43, no. 06, 30 June 2017 (2017-06-30), pages 3 *
高振兴等: "基于多源信息融合的电网故障诊断方法研究", 《电力***保护与控制》 *
高振兴等: "基于多源信息融合的电网故障诊断方法研究", 《电力***保护与控制》, no. 06, 16 March 2011 (2011-03-16), pages 28 - 34 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110530631A (zh) * 2019-08-21 2019-12-03 贵州大学 一种基于混合分类器的齿轮单类型故障检测方法
CN111260502A (zh) * 2020-01-10 2020-06-09 河南大学 基于相似度和虚假度的冲突证据融合方法
CN111523394A (zh) * 2020-03-27 2020-08-11 国网宁夏电力有限公司电力科学研究院 一种gis设备内部的异物缺陷的检测方法及***
CN111523394B (zh) * 2020-03-27 2023-06-27 国网宁夏电力有限公司电力科学研究院 一种gis设备内部的异物缺陷的检测方法及***
CN111667193A (zh) * 2020-06-12 2020-09-15 中国矿业大学(北京) 一种基于d-s证据理论的煤矿瓦斯安全评价方法
CN111667193B (zh) * 2020-06-12 2024-01-02 中国矿业大学(北京) 一种基于d-s证据理论的煤矿瓦斯安全评价方法
CN111832730B (zh) * 2020-07-09 2022-07-26 西安交通大学 一种油液不确定状态的信度表征与状态识别的方法
CN111832730A (zh) * 2020-07-09 2020-10-27 西安交通大学 一种油液不确定状态的信度表征与状态识别的方法
CN111832731A (zh) * 2020-07-09 2020-10-27 西安交通大学 一种多指标监测的油液不确定状态表征及故障诊断的方法
CN111814890A (zh) * 2020-07-15 2020-10-23 辽宁大学 基于d-s证据理论的网络直播违法违规行为判定方法
CN112580425A (zh) * 2020-10-13 2021-03-30 浙江工业大学 一种基于神经网络和d-s证据理论的水泵故障分类方法
CN112255538A (zh) * 2020-10-14 2021-01-22 国网青海省电力公司海西供电公司 一种多特征优化融合的高压断路器故障诊断方法
CN112255538B (zh) * 2020-10-14 2024-04-23 国网青海省电力公司海西供电公司 一种多特征优化融合的高压断路器故障诊断方法
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
CN112733951A (zh) * 2021-01-19 2021-04-30 中国矿业大学(北京) 一种断路器机械缺陷诊断的多信息决策权重分配融合方法
CN112733951B (zh) * 2021-01-19 2021-09-28 中国矿业大学(北京) 一种断路器机械缺陷诊断的多信息决策权重分配融合方法
CN113240121B (zh) * 2021-05-08 2022-10-25 云南中烟工业有限责任公司 一种非破坏性爆珠破碎声音的预测方法
CN113240121A (zh) * 2021-05-08 2021-08-10 云南中烟工业有限责任公司 一种非破坏性爆珠破碎声音的预测方法
CN113671363A (zh) * 2021-08-13 2021-11-19 华北电力大学（保定） 一种高压断路器状态辨识***及方法
CN114792112A (zh) * 2022-04-22 2022-07-26 河南大学 基于自适应处理策略的时域证据融合方法
CN114792112B (zh) * 2022-04-22 2024-02-20 河南大学 基于自适应处理策略的时域证据融合方法
CN115758120A (zh) * 2022-11-21 2023-03-07 南京航空航天大学 基于不确定信息融合的车门***诊断方法

Similar Documents

Publication Publication Date Title
CN110119713A (zh) 基于d-s证据理论的高压断路器机械故障诊断方法
Castro et al. Knowledge discovery in neural networks with application to transformer failure diagnosis
Liu et al. A small-sample wind turbine fault detection method with synthetic fault data using generative adversarial nets
DE4436658B4 (de) Vorrichtung und Verfahren zur Störungsuntersuchung
Miranda et al. Improving the IEC table for transformer failure diagnosis with knowledge extraction from neural networks
Tang et al. An evidential reasoning approach to transformer condition assessments
CN109948000B (zh) 异质网络的异常目标检测方法、装置、设备及存储介质
Chan Application of neural-network computing in intelligent alarm processing (power systems)
Fahim et al. A robust self-attentive capsule network for fault diagnosis of series-compensated transmission line
CH698898A2 (de) System und Verfahren zur verbesserten Zustandsüberwachung eines Anlagensystems.
DE102016011520B4 (de) Produktionsausrüstung mit Maschinenlernsystem und Montage-und Prüfeinheit
CN110163075A (zh) 一种基于权值训练的多信息融合故障诊断方法
CN105956290A (zh) 一种基于多数据融合技术的高压断路器机械故障诊断方法
Yu et al. Stacked denoising autoencoder‐based feature learning for out‐of‐control source recognition in multivariate manufacturing process
CN106950945A (zh) 一种基于量纲可变型独立元分析模型的故障检测方法
DE102017006155A1 (de) Verfahren zum Betreiben eines Sensorsystems eines Fahrzeugs
CN112345858A (zh) 一种计及量测篡改攻击引发虚假故障的电网故障诊断方法
Samhouri et al. An intelligent machine condition monitoring system using time-based analysis: neuro-fuzzy versus neural network
CN108827671A (zh) 一种机械设备故障诊断方法
Rocha et al. A fuzzy type-2 fault detection methodology to minimize false alarm rate in induction motor monitoring applications
CN111539381B (zh) 风力发电机轴承故障分类诊断模型的构建方法
CN107016440A (zh) 机械传动故障的多分辨率深度神经网络智能诊断方法
CN106569095A (zh) 一种基于加权平均依赖分类器的电网故障诊断***
Tse et al. Harmony theory yields robust machine fault-diagnostic systems based on learning vector quantization classifiers
CN115587642A (zh) 一种基于bp神经网络的光伏***故障告警方法

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