CN110618353A - 一种基于小波变换+cnn的直流电弧故障检测方法 - Google Patents

一种基于小波变换+cnn的直流电弧故障检测方法 Download PDF

Info

Publication number
CN110618353A
CN110618353A CN201911008815.3A CN201911008815A CN110618353A CN 110618353 A CN110618353 A CN 110618353A CN 201911008815 A CN201911008815 A CN 201911008815A CN 110618353 A CN110618353 A CN 110618353A
Authority
CN
China
Prior art keywords
cnn
arc
wavelet
layer
current signal
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.)
Granted
Application number
CN201911008815.3A
Other languages
English (en)
Other versions
CN110618353B (zh
Inventor
王莉娜
焦治杰
袁恺
杨普
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.)
Beihang University
Beijing University of Aeronautics and Astronautics
Original Assignee
Beijing University of Aeronautics and Astronautics
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 Beijing University of Aeronautics and Astronautics filed Critical Beijing University of Aeronautics and Astronautics
Priority to CN201911008815.3A priority Critical patent/CN110618353B/zh
Publication of CN110618353A publication Critical patent/CN110618353A/zh
Application granted granted Critical
Publication of CN110618353B publication Critical patent/CN110618353B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
    • 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
    • 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
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
    • G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Locating Faults (AREA)

Abstract

本发明公开了一种基于小波变换+CNN的直流电弧故障检测方法，属于电弧故障检测领域。包括以下步骤：(1)采集被检测线路的电弧电流信号，进行高通滤波，滤除原始采集信号中的直流及低频噪声信号；(2)运用小波变换计算被检测线路电弧电流信号的小波系数；(3)将归一化处理后的被检测线路电弧电流信号的小波系数输入训练好的CNN，CNN的输出结果即为故障判别结果。本方法的优点是适用于任何直流电弧故障的检测环境，具有检测准确率高、普适性好等优点，可以用于直流电弧故障的检测。

Description

一种基于小波变换+CNN的直流电弧故障检测方法
技术领域
本发明属于电弧故障检测领域，具体涉及一种基于小波变换+CNN的直流电弧故障检测方法。
背景技术
在直流电能输配网中，由于导线与导线之间接触不良或者导线的绝缘老化等问题会导致直流电弧故障发生，电弧故障存在的时间越长，越容易点燃周边物体，引发火灾，为了能够及时发现电弧故障，有机构发明了一些直流电弧故障检测方法，能够较为准确的检测出大部分电弧故障，但是，其中一部分检测方法的参数是通过人类经验设定的，这些参数不能够准确涵盖各种环境的影响因素，导致了方法的检测准确率会因为环境的变化而变化，也有一部分检测方法使用了BP神经网络，BP神经网络容易陷入局部极小值，而导致输出错误的电弧故障判断结果。
发明内容
为了克服现有的直流电弧检测方法的普适性差和检测准确率低的不足，本发明提出了一种直流电弧故障检测方法，一种适用于任何检测环境的电弧检测方法，具有高的检测准确率，高普适性，适用于直流电弧故障检测器。
本发明的技术方案为：一种基于小波变换+CNN的直流电弧故障检测方法，包括以下步骤：
(1)构建CNN结构，即设计池化层、卷积层的层数，以及各层次序；
(2)设计CNN各层的数据处理方法，包括各池化层的池化方法和滤波器大小、各卷积层的滤波器大小、各卷积层和单层感知机的激活函数、各卷积层和单层感知机每个神经元的偏置初始值、各卷积层和单层感知机每个神经元的权重初始值，选择CNN的误差反向传播算法；
(3)确定电弧电流信号的采样频率fs，获取用于训练CNN的电弧电流信号,所述获取包括从历史数据库中获取，或者用传感器获取；
(4)设计高通滤波器，滤除电弧电流采样信号中的直流分量及低频噪声信号；
(5)选择尺度因子a和小波基函数(又称母函数)，计算频率分辨率fa，计算时间分辨率(1/fs)，对滤波后的电弧电流信号进行小波变换，得到小波系数；
(6)设置出现电弧故障时CNN输出结果为1，正常情况时CNN输出结果为0，将归一化处理后的电弧电流信号的小波变换结果(小波系数)输入CNN，完成CNN的训练，至此完成CNN的构建；
(7)采集被检测线路的电弧电流信号，采样频率为fs；
(8)用设计好的高通滤波器滤除被检测线路电弧电流信号的直流分量及低频噪声信号；
(9)按求出的时间分辨率和频率分辨率，将被检测线路滤波后的电弧电流信号通过小波变换求出其小波系数；
(10)将步骤(9)获得的小波系数归一化处理后输入CNN，CNN的输出结果即为故障判别结果；
(11)若在同一环境中重复检测电弧故障时，重复步骤(7)(8)(9)(10)即可，若要将此方法运用到新环境中时，按步骤(1)～(10)顺序执行。
其中，用霍尔传感器采集被检测线路的电弧电流信号，电弧电流信号的特征频带为50k～100kHz，采样频率的取值范围为fs≥200kHz，采样频率选取fs＝200kHz，采样点数选取n＝2000，将采集回来的电弧电流信号用高通滤波器滤除其直流成分和低频噪声信号。
其中，将滤波后的电弧电流信号用小波变换的方法生成其对应的时频谱函数，小波基选取“db4小波”，“db4小波”的中心频率是fc＝3，电弧电流信号的时频谱函数是离散函数，时频谱函数的两个自变量分别是时间和频率，时频谱函数值是小波系数，频率自变量fa由尺度序列a、小波中心频率fc和采样频率fs确定，其关系如式(1)所示。
由奈奎斯特采样定理，频率自变量fa的最大取值范围为(0,fs/2)，带入式(1)可得尺度序列的最大取值范围为(2fc,∞)，此时频率自变量的取值范围为(0,fs/2)，要使频率自变量序列是等差序列，尺度序列的形式须为：c/s，c/(s-1)，c/(s-2)，…，c，其中s是对信号进行小波变换时所用尺度序列的长度，c为一常数，c/s对应频率自变量的值为fs/2，当s取256时，带入式(1)解得常数c的值为1536，时间自变量的分辨率为1/fs，时间自变量的分辨率的计算结果为(1/200000)秒，最终，时频谱函数的分辨率为256×2000，小波系数由式(2)得到。
式中，f(t)为电弧电流信号重构信号，可以由式(3)得到；Ψj,k(t)为小波基；Wf(2-j,2-jk)是s为1/2-j，平移量为2-jk时的小波系数；n为电弧电流信号的采样点数。
CNN的结构包括输入层、隐含层和输出层，隐含层是由池化层、卷积层和单层感知机构成，CNN的具体结构为：池化层-卷积层-池化层-卷积层-池化层-单层感知机。第一层池化层的滤波器大小为2×20，第二层池化层的滤波器大小为2×2，第三层池化层的滤波器大小为2×2，第一层卷积层的滤波器大小为35×35，第二层卷积层的大小为18×18，所有卷积层的激活函数选取线性函数，如式(4)。
式中di为神经元的输入，ωi为每个神经元输入所对应的权重，m为神经元的偏置，y为神经元的输出，l为每个神经元的输入数目，单层感知机的激活函数选取sigmoid函数，如式(5)。
所有神经元的偏置初始化为0，所有神经元的权重按式(6)初始化。
式中，h为-1～1之间的随机数，p为输入神经元的数目，q为输出神经元的数目
设置出现电弧故障时CNN输出结果为1，正常情况时CNN输出结果为0，将时频谱函数的函数值归一化处理后输入CNN，用梯度下降法优化CNN中每个神经元的权重和偏置，将已有的检测数据作为训练数据导入CNN，用于训练CNN，训练完毕后的CNN即可用于直流电弧故障识别。
附图说明
图1为CNN结构模型示意图；
图2为CNN训练输出结果均方误差曲线图；
图3为本发明的方法流程图。
具体实施方式
下面结合附图以及具体实施方式进一步说明本发明。
本发明的一种基于小波变换+CNN(Convolutional neural network，简称CNN,卷积神经网络)的直流电弧故障检测方法，包括以下步骤：
(1)构建CNN结构，即设计池化层、卷积层的层数，以及各层次序；
(2)设计CNN各层的数据处理方法，包括各池化层的池化方法和滤波器大小、各卷积层的滤波器大小、各卷积层和单层感知机的激活函数、各卷积层和单层感知机每个神经元的偏置初始值、各卷积层和单层感知机每个神经元的权重初始值，选择CNN的误差反向传播算法；
(3)确定电弧电流信号的采样频率fs，获取用于训练CNN的电弧电流信号；
(4)设计高通滤波器，滤除电弧电流采样信号中的直流分量及低频噪声信号；
(5)选择尺度因子a和小波基函数(又称母函数)，计算频率分辨率fa，计算时间分辨率(1/fs)，对滤波后的电弧电流信号进行小波变换，得到小波系数；
(6)设置出现电弧故障时CNN输出结果为1，正常情况时CNN输出结果为0，将归一化处理后的电弧电流信号的小波变换结果(小波系数)输入CNN，完成CNN的训练，至此完成CNN的构建；
(7)采集被检测线路的电弧电流信号，采样频率为fs；
(8)用设计好的高通滤波器滤除被检测线路电弧电流信号的直流分量及低频噪声信号；
(9)按求出的时间分辨率和频率分辨率，将被检测线路滤波后的电弧电流信号通过小波变换求出其小波系数；
(10)将步骤(9)获得的小波系数归一化处理后输入CNN，CNN的输出结果即为故障判别结果；
(11)若在同一环境中重复检测电弧故障时，重复步骤(7)(8)(9)(10)即可，若要将此方法运用到新环境中时，按步骤(1)～(10)顺序执行。
图1为CNN结构模型示意图，其结构为：池化层-卷积层-池化层-卷积层-池化层-单层感知机。输入是被检测线路电弧电流信号的时频谱函数值(小波系数)归一化后的值，大小为256×2000×1，经过第一层池化层作用后，大小变为128×100×1，第一层卷积层的卷积核有两个，经过第一层卷积层作用后，大小变为94×66×2，经过第二层池化层作用后，大小变为47×33×2，第二层卷积层的卷积核有两个，经过第二层卷积层作用后，大小变为30×16×2，经过第三层池化层作用后，大小变为15×8×2，将第三层池化层的输出结果按层排列成大小为120×1的结果，共有两层，作为单层感知机的输入，输出结果即为电弧故障诊断结果。
图2为CNN训练输出结果均方误差随训练次数的变化曲线图，横坐标为训练数据组数，纵坐标为输出结果的均方误差，随着训练数据量的增大，输出结果的均方误差在不断减小。
图3为方法流程图，方法流程图可以分为三个部分，第一部分为CNN的构建，其中设计池化层、卷积层的层数，以及各层次序，设计CNN各层的数据处理方法，包括各池化层的池化方法和滤波器大小、各卷积层的滤波器大小、各卷积层和单层感知机的激活函数、各卷积层和单层感知机每个神经元的偏置初始值、各卷积层和单层感知机每个神经元的权重初始值，选择CNN的误差反向传播算法；
第二部分为计算训练信号的时频谱函数，其中确定电弧电流信号的采样频率fs，获取用于训练CNN的电弧电流信号，设计高通滤波器，滤除电弧电流采样信号中的直流分量及低频噪声信号，计算滤波器的输出信号的时间分辨率和频率分辨率，时间分辨率为1/fs，频率分辨率是由采样频率fs、尺度a和小波基的中心频率fc这三个参数确定，选定尺度a和小波基后即可计算出频率分辨率fa，将滤波后的电弧电流信号根据选定的时间分辨率和频率分辨率作小波变换，得到小波系数，设置出现电弧故障时CNN输出结果为1，正常情况时CNN输出结果为0，将归一化处理后的电弧电流信号的小波变换结果(小波系数)输入CNN，完成CNN的训练，
第三部分为主流程，其中采集被检测线路的电弧电流信号，采样频率为fs，用设计好的高通滤波器滤除被检测线路电弧电流信号的直流分量及低频噪声信号，按求出的时间分辨率和频率分辨率，将被检测线路滤波后的电弧电流信号通过小波变换求出其小波系数，将归一化处理后的小波系数输入完成训练后的CNN，CNN的输出结果即为故障判别结果。

Claims (9)

1.一种基于小波变换+CNN的直流电弧故障检测方法，其特征在于，包括以下步骤：
(1)构建CNN结构，即设计池化层、卷积层的层数，以及各层次序；
(2)设计CNN各层的数据处理方法，包括各池化层的池化方法和滤波器大小、各卷积层的滤波器大小、各卷积层和单层感知机的激活函数、各卷积层和单层感知机每个神经元的偏置初始值、各卷积层和单层感知机每个神经元的权重初始值，选择CNN的误差反向传播算法；
(3)确定电弧电流信号的采样频率fs，获取用于训练CNN的电弧电流信号；
(4)设计高通滤波器，滤除电弧电流采样信号中的直流分量及低频噪声信号；
(5)选择尺度因子a和小波基函数，即母函数，计算频率分辨率fa，计算时间分辨率1/fs，对滤波后的电弧电流信号进行小波变换，得到小波系数；
(6)设置出现电弧故障时CNN输出结果为1，正常情况时CNN输出结果为0，将归一化处理后的电弧电流信号的小波变换结果即小波系数输入CNN，完成CNN的训练，至此完成CNN的构建；
(7)采集被检测线路的电弧电流信号，采样频率为fs；
(8)用设计好的高通滤波器滤除被检测线路电弧电流信号的直流分量及低频噪声信号；
(9)按求出的时间分辨率和频率分辨率，将被检测线路滤波后的电弧电流信号通过小波变换求出其小波系数；
(10)将步骤(9)获得的小波系数归一化处理后输入CNN，CNN的输出结果即为故障判别结果；
(11)若在同一环境中重复检测电弧故障时，重复步骤(7)-(10)即可，若要将此方法运用到新环境中时，按步骤(1)～(10)顺序执行。
2.根据权利要求1所述的一种基于小波变换+CNN的直流电弧故障检测方法，其特征在于：CNN的输入为电弧电流信号的时频谱函数值，即电弧电流信号的小波系数，电弧电流信号的时频谱函数有两个自变量，分别是时间和频率，并由此生成电弧电流时频谱函数的二维图像，图像的像素值为时频谱函数值，像素点的位置由电弧电流信号的时刻和频率确定；运用CNN识别直流电弧故障时，将电弧电流的时频谱函数图像的像素值归一化处理后作为CNN的输入，输出电弧故障判断结果。
3.根据权利要求2所述的一种基于小波变换+CNN的直流电弧故障检测方法，其特征在于：电弧电流信号的时频谱函数值是电弧电流信号在“db4”小波基下的小波系数Wf(2-j,2- jk)，其中j,k∈Z。
4.根据权利要求1所述的一种基于小波变换+CNN的直流电弧故障检测方法，其特征在于：所述CNN的结构为：池化层-卷积层-池化层-卷积层-池化层-单层感知机。
5.根据权利要求3所述的一种基于小波变换+CNN的直流电弧故障检测方法，其特征在于：电弧电流采样频率fs的取值范围为≥200kHz。
6.根据权利要求3所述的一种基于小波变换+CNN的直流电弧故障检测方法，其特征在于：小波函数的小波基选取的是“db4”。
7.根据权利要求3所述的一种基于小波变换+CNN的直流电弧故障检测方法，其特征在于：尺度a的取值范围为(6,∞)。
8.根据权利要求3所述的一种基于小波变换+CNN的直流电弧故障检测方法，其特征在于：时频谱函数Wf(2-j,2-jk)计算式为：
式中，f(t)为电弧电流信号重构信号，可以由式(3)得到；Ψj,k(t)为小波基；Wf(2-j,2- jk)为尺度a为2-j，平移量为2-jk时的小波系数；n为电弧电流信号的采样点数。
9.根据权利要求2所述的一种基于小波变换+CNN的直流电弧故障检测方法，其特征在于：时频谱函数中，时间自变量的分辨率为(0,1/fs)。
CN201911008815.3A 2019-10-22 2019-10-22 一种基于小波变换+cnn的直流电弧故障检测方法 Active CN110618353B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911008815.3A CN110618353B (zh) 2019-10-22 2019-10-22 一种基于小波变换+cnn的直流电弧故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911008815.3A CN110618353B (zh) 2019-10-22 2019-10-22 一种基于小波变换+cnn的直流电弧故障检测方法

Publications (2)

Publication Number Publication Date
CN110618353A true CN110618353A (zh) 2019-12-27
CN110618353B CN110618353B (zh) 2021-04-06

Family

ID=68926460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911008815.3A Active CN110618353B (zh) 2019-10-22 2019-10-22 一种基于小波变换+cnn的直流电弧故障检测方法

Country Status (1)

Country Link
CN (1) CN110618353B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112014701A (zh) * 2020-08-31 2020-12-01 许昌智普新能源科技有限公司 一种直流***的直流电弧检测方法
CN112348255A (zh) * 2020-11-06 2021-02-09 湖南大学 基于小波时频图像化的超短期风电功率预测方法
WO2021212891A1 (zh) * 2020-04-22 2021-10-28 青岛鼎信通讯股份有限公司 一种采用卷积神经网络的故障电弧信号检测方法
CN113702739A (zh) * 2021-08-26 2021-11-26 广东电网有限责任公司 一种基于小波分解和神经网络的电弧检测方法及装置
CN114077819A (zh) * 2021-11-24 2022-02-22 国网重庆市电力公司电力科学研究院 故障电弧检测模型构建方法、装置、设备及存储介质
CN114137403A (zh) * 2021-11-22 2022-03-04 重庆大学 一种基于辐射电磁波的有载分接开关电气寿命评估***和方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103728535A (zh) * 2013-10-28 2014-04-16 昆明理工大学 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法
CN108279364A (zh) * 2018-01-30 2018-07-13 福州大学 基于卷积神经网络的配电网单相接地故障选线方法
CN108426713A (zh) * 2018-02-26 2018-08-21 成都昊铭科技有限公司 基于小波变换和深度学习的滚动轴承微弱故障诊断方法
CN108646149A (zh) * 2018-04-28 2018-10-12 国网江苏省电力有限公司苏州供电分公司 基于电流特征提取的故障电弧识别方法
WO2019056087A1 (en) * 2017-09-23 2019-03-28 Nanoprecise Sci Corp. SYSTEM AND METHOD FOR AUTOMATED MALFUNCTION DIAGNOSIS AND PROGNOSIS FOR ROTARY EQUIPMENT

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103728535A (zh) * 2013-10-28 2014-04-16 昆明理工大学 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法
WO2019056087A1 (en) * 2017-09-23 2019-03-28 Nanoprecise Sci Corp. SYSTEM AND METHOD FOR AUTOMATED MALFUNCTION DIAGNOSIS AND PROGNOSIS FOR ROTARY EQUIPMENT
CN108279364A (zh) * 2018-01-30 2018-07-13 福州大学 基于卷积神经网络的配电网单相接地故障选线方法
CN108426713A (zh) * 2018-02-26 2018-08-21 成都昊铭科技有限公司 基于小波变换和深度学习的滚动轴承微弱故障诊断方法
CN108646149A (zh) * 2018-04-28 2018-10-12 国网江苏省电力有限公司苏州供电分公司 基于电流特征提取的故障电弧识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
焦治杰等: ""基于卷积神经网络的光伏***直流串联电弧故障检测"", 《电工电能新技术》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021212891A1 (zh) * 2020-04-22 2021-10-28 青岛鼎信通讯股份有限公司 一种采用卷积神经网络的故障电弧信号检测方法
US20230160942A1 (en) * 2020-04-22 2023-05-25 Qingdao Topscomm Communication Co., Ltd Fault arc signal detection method using convolutional neural network
US11860216B2 (en) * 2020-04-22 2024-01-02 Qingdao Topscomm Communication Co., Ltd Fault arc signal detection method using convolutional neural network
EP4141458A4 (en) * 2020-04-22 2024-05-29 Qingdao Topscomm Communication Co Ltd METHOD FOR DETECTING ARC SIGNALS USING A CONVOLUTIONAL NEURAL NETWORK
CN112014701A (zh) * 2020-08-31 2020-12-01 许昌智普新能源科技有限公司 一种直流***的直流电弧检测方法
CN112014701B (zh) * 2020-08-31 2023-08-04 许昌智普新能源科技有限公司 一种直流***的直流电弧检测方法
CN112348255A (zh) * 2020-11-06 2021-02-09 湖南大学 基于小波时频图像化的超短期风电功率预测方法
CN112348255B (zh) * 2020-11-06 2024-04-09 湖南大学 基于小波时频图像化的超短期风电功率预测方法
CN113702739A (zh) * 2021-08-26 2021-11-26 广东电网有限责任公司 一种基于小波分解和神经网络的电弧检测方法及装置
CN114137403A (zh) * 2021-11-22 2022-03-04 重庆大学 一种基于辐射电磁波的有载分接开关电气寿命评估***和方法
CN114077819A (zh) * 2021-11-24 2022-02-22 国网重庆市电力公司电力科学研究院 故障电弧检测模型构建方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN110618353B (zh) 2021-04-06

Similar Documents

Publication Publication Date Title
CN110618353B (zh) 一种基于小波变换+cnn的直流电弧故障检测方法
CN108426713B (zh) 基于小波变换和深度学习的滚动轴承微弱故障诊断方法
CN104330255A (zh) 一种基于多传感器信息融合的齿轮故障诊断方法
CN112326210A (zh) 一种声振信号联合1d-cnn的大型电机故障诊断方法
CN114692758A (zh) 电力通信故障分析方法、装置、终端设备及介质
CN111060316A (zh) 基于卷积神经网络模型的滚动轴承状态监测方法和***
CN115393678B (zh) 一种基于图像式中间态的多模态数据融合决策方法
CN111007390B (zh) 基于代数方法的模拟电路故障诊断模型
CN114034481A (zh) 一种轧机齿轮箱故障诊断***及方法
CN114118586A (zh) 基于CNN-Bi LSTM的电机故障预测方法及***
CN112052712A (zh) 一种电力设备状态监测与故障识别方法及***
CN114755010A (zh) 一种旋转机械振动故障诊断方法及其***
CN114964782A (zh) 基于压缩感知的滚动轴承故障诊断声发射信号处理方法、***
CN110222386A (zh) 一种行星齿轮退化状态识别方法
CN117454081A (zh) 一种机械振动信号的去噪处理方法及装置
CN112414446B (zh) 一种数据驱动的变速器传感器故障诊断方法
CN111582132A (zh) 基于改进eemd与pcnn的气体泄漏信号降噪方法
Li et al. A robust fault diagnosis method for rolling bearings based on deep convolutional neural network
CN114781427A (zh) 基于信息融合技术的风力发电机组滚动轴承故障诊断***
CN113743297A (zh) 基于深度学习的储罐穹顶位移数据修复方法及装置
CN113688773A (zh) 一种基于深度学习的储罐穹顶位移数据修复方法及其装置
CN113065498A (zh) 一种基于改进的emd和神经网络模型的异常数据检测方法
CN113420710A (zh) 一种基于多分辨率小波的传感器数据降噪方法
CN112850408A (zh) 一种基于多模型融合的电梯急停困人故障检测方法
CN112161805A (zh) 一种基于时间序列标度分析和cnn的轴承微小故障诊断方法

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
GR01 Patent grant
GR01 Patent grant