CN110308339B - 基于证据推理规则的变频器直流母线电容故障诊断法 - Google Patents
基于证据推理规则的变频器直流母线电容故障诊断法 Download PDFInfo
- Publication number
- CN110308339B CN110308339B CN201910291044.7A CN201910291044A CN110308339B CN 110308339 B CN110308339 B CN 110308339B CN 201910291044 A CN201910291044 A CN 201910291044A CN 110308339 B CN110308339 B CN 110308339B
- Authority
- CN
- China
- Prior art keywords
- evidence
- failure
- capacitor
- value
- reference value
- 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.)
- Active
Links
Images
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
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Fixed Capacitors And Capacitor Manufacturing Machines (AREA)
Abstract
本发明涉及一种基于证据推理规则的电压源型变频器直流母线电容器故障诊断方法,该方法从电压源型变频器中获取电压特征值,并设定电容失效故障的三个等级。所建立的证据推理故障诊断模型,输入为二维电压特征,输出为失效故障等级的信度分布。根据给定的电压特征参考值,建立故障信度分布矩阵,利用该矩阵将输入转化为诊断证据,并计算诊断证据的可靠因子,然后将二维输入激活的证据进行融合,从融合结果估计电容失效故障的等级。对所建立的诊断模型进行参数优化,基于优化后的诊断模型,即可估计测试样本电容的故障等级,实现电容器的故障诊断。
Description
技术领域
本发明涉及电力***故障诊断领域,尤其涉及一种基于证据推理规则的电压源型变频器直流母线电容器故障诊断方法。
背景技术
随着电力***的不断发展,运用场合越来越多,为各行各业的发展带来了巨大的经济效益。电容器作为电压源型变频器的基本原件,起到了滤波、储能、调谐等作用,特别是在直流母线上,电容器对直流母线电压起到了稳压的作用。随着工作时间变长,电容器老化,电容容量会下降。此时电压源型变频器仍能工作,但性能会逐步降低,此微小故障难以识别,不容易激活***保护,长期运行影响设备使用寿命。因此,对电压源型变频器直流母线电容器的有效监控,能够及时发现电压源型变频器的异常工作状况,并根据异常发生的程度对电压源型变频器进行有针对性的维护检修。
发明内容
本发明的目的是提出一种基于证据推理规则的电压源型变频器直流母线电容器失效故障等级检测方法,通过收集直流母线电压值,提取出电压特征值,并基于给定的初始输入输出参考值从电压数据中提取证据,再计算证据的可靠性,建立目标函数优化模型训练证据推理参数,最后通过融合证据推理估计出电容器失效故障等级,实现了对电压源型变频器直流母线电容器故障的诊断。
为达上述目的,本发明基于证据推理规则的电压源型变频器直流母线电容器的故障诊断方法包括以下步骤:
步骤(1)采集电压源型变频器直流母线的电压信号;
步骤(2)提取电压信号的特征值,并设定三个电容失效故障等级,形成完整的样本集,将样本集随机分为训练集和测试集;
步骤(3)将训练集中的数据转化为与给定参考值对应的信度分布矩阵;
步骤(4)将信度分布矩阵进行转化,得到电容失效故障等级的证据;
步骤(5)计算证据的可靠性因子;
步骤(6)根据所述可靠性因子对所述电容失效故障等级的证据进行加权融合,初步估计训练集电容失效故障等级;
步骤(7)根据电容失效故障等级估计值与设定的电容失效故障等级的均方误差设定优化目标函数,确定优化的参数建立证据推理参数优化模型;
步骤(8)通过证据推理参数优化模型估计测试集中样本电容失效故障等级。
接上述技术方案,步骤(1)中,以电压源型变流器为例;建立三个电容失效故障等级,其中电容器电容量等级1为C1=7500e-6F;等级2的电容量为C1的90%,即C2=6750e-6F;等级3的电容量为C1的80%,即C3=6000e-6F;在设备运行过程中以50kHz的采样频率采集共8秒的直流母线电压瞬时值VDC。
3.根据权利要求1所述的故障诊断方法,其特征在于,步骤(2)中,取得步骤(1)电压信号VDC的电压峰-峰值VPP并预设一个窗口长度,取得多个数据窗口的VPP平均值得到VP(t);将VDC以预设个数电周期,一定个数采样点计算一个均方根值VRMS,再经过归一化处理之后得到VR(t); 其中分别为输入特征信号VP(t)和VR(t)的最小和最大值;将电容失效故障等级记为C(t),C(t)=[1,2,3];将VP(t)、VR(t)和C(t)表示成样本集合TA={[VP(t),VR(t),C(t)]|t=1,2,…,Ts},其中[VP(t),VR(t),C(t)]为一个样本向量。
接上述技术方案,步骤(3)中,将样本集TA中的数据[VP(t),VR(t),C(t)] 用给定的参考值转化为信度分布矩阵;其中,电容失效故障等级的参考值集合 D={Dn|n=1,…,N},N为电容失效故障等级的参考值个数;电压信号Vi的输入参考值集合i=P,R,Ji为电压信号Vi的参考值个数;步骤如下:
αi,j'=0j'=1,...,Ji,j'≠j,j+1 (4-1c)
(4.2)同理计算C(t)对参考值Dn的置信度分布公式为
TO(C(t))={(Dn,γn)|n=1,...,N} (4-2a)
γn'=0n'=1,...,N,n'≠n,n+1 (4-2c)
γn表示C(t)对参考值Dn的置信度;
(4.3)根据步骤(4.1)与(4.2)将样本集TA中的所有数据组计算置信度分布(αi,jγn,αi,j+1γn,αi,jγn+1,αi,j+1γn+1),其中αi,jγn表示样本对(Vi(t),C(t))中输入值对应参考值同时C(t)对应于参考值Dn的综合相似度;并构建表1,其中 an,j表示所有Vi(t)对应参考值并且C(t)对应参考值Dn的样本对(Vi(t),C(t))综合相似度的和,表示所有C(t)对应参考值Dn的样本对综合相似度的和,表示所有Vi(t)对应参考值的样本对综合相似度的和,并有
表1(Vi(t),C(t))的参考值置信度分布统计表
接上述技术方案,步骤(4)中,根据步骤(3)中表1,通过以下公式对表格进行似然归一化:
则根据(5-1)式和(5-2)式构建出证据表2,
表2输入Vi的证据表
di=Vi(t)-C(t) (6-1)
其中,di为电压特征值与电容失效故障等级的差值,ri为证据的可靠性因子。
ei={(Dn,pn,i),n=1,...,N} (7-1a)
(7.2)由(7-1a)式与(7-1b)式获得Vp(t)和VR(t)的证据e1和e2,设定初始证据权重wi=ri,利用证据推理规则对它们进行融合,得到融合结果,公式如下:
O(V(t))={(Dn,pn,e(2)),n=1,...,N} (7-2a)
接上述技术方案,步骤(7)中,将电容失效故障等级估计值与真实值的均方误差设定为目标函数:
s.t.0≤wi≤1,i=1,2 (8-2a)
本发明提出的基于证据推理的电压源型变频器直流母线电容失效故障等级识别方法,根据采集的直流电压数据,提取电压特征值并设定三个电容失效故障等级;利用给定的输入输出参考值将样本数据转换为对参考值的置信度分布形式,并以此构建置信度分布表格;再根据该表获取各电容失效故障等级的证据,建立证据矩阵表;根据输入输出的斯皮尔曼等级相关系数计算证据的可靠性因子;根据证据推理规则融合证据并得到电容失效故障等级的估计结果;建立目标函数训练优化参数集合,带入训练样本重复上述步骤,获得电容失效故障等级的估计结果;从而实现了电压源型变频器直流母线电容失效故障等级的诊断。
附图说明
图1本发明基于证据推理规则的电压源型变频器直流母线电容器的故障诊断方法流程图;
图2是本发明方法实施中所采集的电压信号;
图3a是本发明方法实施中的电压峰-峰值示意图;
图3b是本发明方法实施中的电压均方根值示意图;
图3c是本发明方法实施中的对应的电压失效故障等级示意图;
图4是本发明方法实施例中经过优化之后的模型所估计的测试集的电容失效故障等级与真实的电容失效故障等级。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
以NXI_07305型变流器为例,本发明基于证据推理规则的电压源型变频器直流母线电容器的故障诊断方法包括以下步骤:
(1)建立三个电容失效故障等级,其中电容器电容量等级1为C1=7500e-6F;等级2的电容量为C1的90%,即C2=6750e-6F;等级3的电容量为C1的 80%,即C3=6000e-6F。在设备运行过程中以50kHz的采样频率采集共8秒的直流母线电压瞬时值VDC。
(2)取得步骤(1)VDC的电压峰-峰值VPP(Peak-to-peak value,如图3a 所示)并以0.02秒,1000个数据点为一个窗口长度,取得400个数据窗口的 VPP平均值得到VP(t);将VDC以100个电周期,1000个采样点计算一个均方根值VRMS(RMS value,如图3b所示),再经过归一化处理之后得到VR(t); 其中分别为输入特征信号VP(t)和 VR(t)的最小和最大值;将电容失效故障等级记为C(t),C(t)=[1,2,3],如图3c所示;将VP(t)、VR(t)和C(t)表示成样本集合TA={[VP(t),VR(t),C(t)]|t=1,2,…, Ts},Ts=960;其中[VP(t),VR(t),C(t)]为一个样本向量;
(3)设定VP(t)的参考值集合A1={7.68,8.06,8.47, 8.70,9.13,9.55,10.03,10.48,10.95};共计J1=9个参考值;VR(t)的参考值集合 A2={0.07,0.14,0.18,0.25,0.27,0.35,0.46,0.40,0.64},共计J2=9个参考值;C(t) 的参考值集合D={1,2,3};共计N=3个参考值;将TA样本集中数据[VP(t),VR (t),C(t)]用给定的参考值转化为参考值置信度的表格形式,步骤如下:
αi,j'=0j'=1,...,Ji,j'≠j,j+1 (3-1c)
(3.2)同理计算C(t)对参考值Dn的置信度分布公式为
TO(C(t))={(Dn,γn)|n=1,...,N} (3-2a)
γn'=0n'=1,...,N,n'≠n,n+1 (3-2c)
γn表示C(t)对参考值Dn的置信度;
在这里举例样本数据[VP(t),VR(t),C(t)]=[7.9726,0.2233,1]说明,利用(3) 中所给定的参考值和式(3-1)、(3-2)得到VP(t)对应参考值的置信度为αP,1=0.2387和αP,2=0.7613;VR(t)对应参考值的置信度为αR,3=0.4218和αR,4=0.5782;C(t)对应参考值置信度为γ1=1和γ2=0。从而得到VP(t)综合置信度分布(αP,3γ1,αP,4γ1,αP,3γ2,αP,4γ2)为(0.2387,0.7613,0,0)和VR(t)综合置信度分布(αR,3γ1,αR,4γ1,αR,3γ2,αR,4γ2)为(0.4218,0.5782,0,0)。
(4)根据步骤(3.1)与(3.2)将样本集TA中的所有数据样本计算置信度分布,并构建表5和表6:
表5(VP(t),C(t))的参考值置信度统计表
表6样本对(VR(t),C(t))的参考值置信度统计表
(5)根据表5和表6所计算的参考值置信度统计表,通过以下公式对表格进行似然归一化:
则可根据(5-1)式和(5-2)式构建出证据表7和表8。
表7输入VP的证据矩阵表
表8输入VR的证据矩阵表
di=Vi(t)-C(t) (6-1)
其中,di为电压特征值与电容失效故障等级的差值,ri为证据的可靠性因子。计算得到r1=0.8897,r2=0.4117。
ei={(Dn,pn,i),n=1,...,N} (7-1a)
(7.2)利用式(7-1a)和式(7-1b)获得VP(t)和VR(t)的证据e1和e2,设定初始证据权重wi=ri,利用证据推理规则对它们进行融合,得到融合结果为
O(V(t))={(Dn,pn,e(2)),n=1,...,N} (7-2a)
沿用(3)中举例样本[VP(t),VR(t),C(t)]=[8.4764,0.6073,1]说明,由得到的 VP(t)对应参考值的置信度为αP,1=0.2387和αP,2=0.7613,激活证据 与根据(7-1)式得到证据 eP=(0.9363,0.0637,0);VR(t)对应参考值的置信度为αR,3=0.4218和αR,4=0.5782,激活证据与 根据式(7-1)得到证据eR=(0.3251,0.3252,0.34970);利用(7-2)式融合证据得到融合结果为O(V(t))={(D1,0.8657),(D2,0.1085),(D3,0.0258)},并通过(7- 3)式的到电容失效故障等级估计值为。
在得到样本集TA的电容失效故障等级估计值,进而可获得TA的电容失效故障等级估计值与真实值的均方误差为msetraining=0.1491。
(8)将电容失效故障等级估计值与真实值的均方误差设定为目标函数:
s.t.0≤wi≤1,i=1,2 (8-2a)
建立优化模型优化该目标函数。训练之后获得最优的参数集合P,得出优化模型的样本集TA的均方误差为采集现行电压源型变频器直流母线电压值集合TE,再次重复步骤(3)~步骤(6)即可得到集合TE电容失效故障等级估计值最终的电容失效故障等级估计结果如图4所示。计算集合TE初始的电容失效故障等级估计值与真实值的均方误差msetesting=1.3324。再计算优化后模型的电容失效故障等级估计值与真实值的均方误差可以看出,经过优化后的模型估计得到的电容失效故障等级的精度跟高。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (9)
1.一种基于证据推理规则的电压源型变频器直流母线电容器的故障诊断方法,该方法包括以下步骤:
步骤(1)采集电压源型变频器直流母线的电压信号;
步骤(2)提取电压信号的特征值,并设定三个电容失效故障等级,形成完整的样本集,将样本集随机分为训练集和测试集;
步骤(3)将训练集中的数据转化为与给定参考值对应的信度分布矩阵;
步骤(4)将信度分布矩阵进行转化,得到电容失效故障等级的证据;
步骤(5)计算证据的可靠性因子;
步骤(6)根据所述可靠性因子对所述电容失效故障等级的证据进行加权融合,初步估计训练集电容失效故障等级;
步骤(7)根据电容失效故障等级估计值与设定的电容失效故障等级的均方误差设定优化目标函数,确定优化参数,建立证据推理参数优化模型;
步骤(8)通过证据推理参数优化模型估计测试集中样本电容失效故障等级。
2.根据权利要求1所述的故障诊断方法,其特征在于,步骤(1)中,以电压源型变流器为例;建立三个电容失效故障等级,其中电容器电容量等级1为C1=7500e-6F;等级2的电容量为C1的90%,即C2=6750e-6F;等级3的电容量为C1的80%,即C3=6000e-6F;在设备运行过程中以50kHz的采样频率采集共8秒的直流母线电压瞬时值VDC。
4.根据权利要求3所述的故障诊断方法,其特征在于,步骤(3)中,将样本集TA中的数据[VP(t),VR(t),C(t)]用给定的参考值转化为信度分布矩阵;其中,电容失效故障等级的参考值集合D={Dn|n=1,…,N},N为电容失效故障等级的参考值个数;电压信号Vi的输入参考值集合Ji为电压信号Vi的参考值个数;步骤如下:
αi,j'=0 j'=1,...,Ji,j'≠j,j+1 (4-1c)
(4.2)同理计算C(t)对参考值Dn的置信度分布公式为
TO(C(t))={(Dn,γn)|n=1,...,N} (4-2a)
γn'=0 n'=1,...,N,n'≠n,n+1 (4-2c)
γn表示C(t)对参考值Dn的置信度;
(4.3)根据步骤(4.1)与(4.2)将样本集TA中的所有数据组计算置信度分布(αi,jγn,αi,j+1γn,αi,jγn+1,αi,j+1γn+1),其中αi,jγn表示样本对(Vi(t),C(t))中输入值对应参考值同时C(t)对应于参考值Dn的综合相似度;并构建表1,其中an,j表示所有Vi(t)对应参考值并且C(t)对应参考值Dn的样本对(Vi(t),C(t))综合相似度的和,表示所有C(t)对应参考值Dn的样本对综合相似度的和,表示所有Vi(t)对应参考值的样本对综合相似度的和,并有
表1(Vi(t),C(t))的参考值置信度分布统计表
ei={(Dn,pn,i),n=1,...,N} (7-1a)
(7.2)由(7-1a)式与(7-1b)式获得Vp(t)和VR(t)的证据e1和e2,设定初始证据权重wi=ri,利用证据推理规则对它们进行融合,得到融合结果,公式如下:
O(V(t))={(Dn,pn,e(2)),n=1,...,N} (7-2a)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910291044.7A CN110308339B (zh) | 2019-04-11 | 2019-04-11 | 基于证据推理规则的变频器直流母线电容故障诊断法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910291044.7A CN110308339B (zh) | 2019-04-11 | 2019-04-11 | 基于证据推理规则的变频器直流母线电容故障诊断法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110308339A CN110308339A (zh) | 2019-10-08 |
CN110308339B true CN110308339B (zh) | 2021-05-25 |
Family
ID=68074555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910291044.7A Active CN110308339B (zh) | 2019-04-11 | 2019-04-11 | 基于证据推理规则的变频器直流母线电容故障诊断法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110308339B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110850206A (zh) * | 2019-11-13 | 2020-02-28 | 武汉理工大学 | 基于置信规则推理的逆变器电容老化故障诊断方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668164A (zh) * | 2020-12-18 | 2021-04-16 | 武汉大学 | 诱导有序加权证据推理的变压器故障诊断方法及*** |
CN113033078B (zh) * | 2021-03-05 | 2022-06-03 | 国网安徽省电力有限公司 | 继电保护设备故障预警模型的构建方法、***及预警方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103592554A (zh) * | 2013-12-03 | 2014-02-19 | 武汉大学 | 一种35kV高压并联电容器在线监测***及方法 |
CN105488270A (zh) * | 2015-11-27 | 2016-04-13 | 国家电网公司 | 一种变压器结构性故障诊断多属性综合方法 |
CN105825271A (zh) * | 2016-03-21 | 2016-08-03 | 南京邮电大学 | 基于证据推理的卫星故障诊断与预测方法 |
CN105923014A (zh) * | 2016-04-27 | 2016-09-07 | 杭州电子科技大学 | 一种基于证据推理规则的轨道高低不平顺幅值估计方法 |
CN109086483A (zh) * | 2018-06-29 | 2018-12-25 | 广东工业大学 | 一种变压器老化状态评估的证据融合与集对分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2242069A1 (en) * | 1998-06-25 | 1999-12-25 | Postlinear Management Inc. | Possibilistic expert systems and process control utilizing fuzzy logic |
-
2019
- 2019-04-11 CN CN201910291044.7A patent/CN110308339B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103592554A (zh) * | 2013-12-03 | 2014-02-19 | 武汉大学 | 一种35kV高压并联电容器在线监测***及方法 |
CN105488270A (zh) * | 2015-11-27 | 2016-04-13 | 国家电网公司 | 一种变压器结构性故障诊断多属性综合方法 |
CN105825271A (zh) * | 2016-03-21 | 2016-08-03 | 南京邮电大学 | 基于证据推理的卫星故障诊断与预测方法 |
CN105923014A (zh) * | 2016-04-27 | 2016-09-07 | 杭州电子科技大学 | 一种基于证据推理规则的轨道高低不平顺幅值估计方法 |
CN109086483A (zh) * | 2018-06-29 | 2018-12-25 | 广东工业大学 | 一种变压器老化状态评估的证据融合与集对分析方法 |
Non-Patent Citations (1)
Title |
---|
基于证据推理规则的信息融合故障诊断方法;徐晓滨 等;《控制理论与应用》;20150930;第32卷(第9期);第1170-1182页 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110850206A (zh) * | 2019-11-13 | 2020-02-28 | 武汉理工大学 | 基于置信规则推理的逆变器电容老化故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110308339A (zh) | 2019-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110308339B (zh) | 基于证据推理规则的变频器直流母线电容故障诊断法 | |
WO2016107246A1 (zh) | 基于小波降噪和相关向量机的锂电池剩余寿命预测方法 | |
JP6141235B2 (ja) | 時系列データにおける異常を検出する方法 | |
CN103310051B (zh) | 一种全寿命周期内的车载信息终端故障率预测方法 | |
CA2931624A1 (en) | Systems and methods for event detection and diagnosis | |
CN110852476A (zh) | 客流预测方法、装置、计算机设备和存储介质 | |
CN110942137A (zh) | 一种基于深度学习的电网信息运维监控方法 | |
KR102067344B1 (ko) | 이상 진동데이터 감지 장치 및 방법 | |
CN107220500B (zh) | 基于逆高斯过程的性能退化试验贝叶斯可靠性评估方法 | |
CN117034043A (zh) | 基于多能源物联网的智慧建筑综合能耗监测方法及*** | |
CN112380992B (zh) | 一种加工过程监控数据准确性评估与优化方法及装置 | |
CN103646013B (zh) | 一种基于协方差矩阵范数逼近的多重故障重构方法 | |
CN114290960A (zh) | 获取动力电池的电池健康度的方法、装置和车辆 | |
CN115081331A (zh) | 一种基于状态参数重构误差的风电机组运行状态异常检测方法 | |
CN111046790A (zh) | 一种泵轴承故障诊断方法 | |
CN114266457A (zh) | 一种配电线路异损诱因检测的方法 | |
CN109165396A (zh) | 一种故障演化趋势的设备剩余使用寿命预测方法 | |
CN109946542B (zh) | 基于长短时信息融合的逆变器直流回路电容故障检测方法 | |
CN117172601A (zh) | 一种基于残差全卷积神经网络的非侵入式负荷监测方法 | |
CN116641941A (zh) | 一种基于典型变量分析的液压***早期故障动态检测方法 | |
CN117675230A (zh) | 基于知识图谱的油井数据完整性识别方法 | |
CN110986267A (zh) | 用于空调器异响的检测方法及装置、空调器 | |
CN116227172A (zh) | 一种基于卷积神经网络的滚动轴承性能退化评估方法 | |
Rizvi et al. | Real-time ZIP load parameter tracking using adaptive window and variable elimination with realistic synthetic synchrophasor data | |
CN108021725B (zh) | 确定电功图数据中抽油机换向点位置的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |