CN111398814A - 一种软启动器控制的电机故障检测与智能快速诊断方法 - Google Patents
一种软启动器控制的电机故障检测与智能快速诊断方法 Download PDFInfo
- Publication number
- CN111398814A CN111398814A CN202010303049.XA CN202010303049A CN111398814A CN 111398814 A CN111398814 A CN 111398814A CN 202010303049 A CN202010303049 A CN 202010303049A CN 111398814 A CN111398814 A CN 111398814A
- Authority
- CN
- China
- Prior art keywords
- motor
- rotating speed
- frequency
- algorithm
- fault
- 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
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
- G01R31/34—Testing dynamo-electric machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明属于盾构机检测技术领域,提出一种软启动器控制的电机故障检测与智能快速诊断方法。提出的一种软启动器控制的电机故障检测与智能快速诊断方选择定子电压、电流的时频信息和转速作为故障特征参数;定子电压、电流的测量直接准确采样获得,电机转速的测量采用基于频域内插运算的改进谐波导纳法,研究电流频谱与电压频谱的比值,找到基波频率两侧对称分布的谐波频率,得到转速频率,最后计算得到电机转速;采用FFT算法实现谐波分析和电机转速检测;为快速诊断故障类型,实现智能化检测,采用层次健康度的贝叶斯网络参数优化算法—AHD;将两种算法植入到与电机直接相连的软启动器中。本发明具有操作简单、故障检测准确率高的特点。
Description
技术领域
本发明属于盾构机检测技术领域,具体涉及一种软启动器控制的电机故障检测与智能快速诊断方法。
背景技术
盾构机是一种在隧道掘进过程中同时能构建隧道支撑结构的专用装备,可靠性要求高,但由于盾构机一般作业的隧洞洞线较长、埋深较大,岩石坚硬,连续且不均匀的大负载冲击对盾构机的电气***影响较大,尤其电盾构机施工进度。因此需要一种快速、高效、简便的现场电机故障检测与快速诊断方法。
发明内容
本发明的目的是提出一种软启动器控制的电机故障检测与智能快速诊断方法,使其能解决盾构机在维护期间对基于软启动器控制的电机进行故障检测。
本发明为解决上述技术问题采用如下技术方案:
一种软启动器控制的电机故障检测与智能快速诊断方法,电机故障检测与智能快速诊断方法选择定子电压、电流的时频信息和转速作为故障特征参数;定子电压、电流的测量直接准确采样获得,电机转速的测量采用基于频域内插运算的改进谐波导纳法,研究电流频谱与电压频谱的比值,找到基波频率两侧对称分布的谐波频率,得到转速频率,最后计算得到电机转速;为减少运算量,实时地对信号进行频谱分析,采用FFT算法实现谐波分析和电机转速检测;为快速诊断故障类型,实现智能化检测,采用层次健康度的贝叶斯网络参数优化算法—AHD即Arrangement Health Degree,该算法非线性逼近功能强大,算法简单,收敛速度快,占用资源少;将两种算法植入到与电机直接相连的软启动器中,具体步骤如下:
1)首先对异步电动机的定子电压、电流的瞬时值进行同步采样,采样时间为1秒,数据长度为256点,采样率为256Hz;然后分别对电压、电流的离散采样点采样值进行倒序运算,FFT的基本思想是把原始的N点序列,依次分解成一系列的短序列。充分利用DFT计算式中指数因子所具有的对称性质和周期性质,进而求出这些短序列相应的DFT并进行适当组合,按照时间抽取FFT算法即DIT,令信号序列的长度为N=2,可以将时域信号序列x(n)分解成两部分,一是偶数部分x(2n),另一是奇数部分x(2n+1),奇偶部分的周期相同,都已N/2周期重复,于是信号序列x(n)的离散傅里叶变换可以用两个N/2抽样点的离散傅里叶变换来表示和计算,依此类推,这种按时间抽取算法是将输入信号序列分成越来越小的子序列进行离散傅里叶变换计算,最后合成为N点的离散傅里叶变换,再根据FFT的变换结果计算并输出不同频率下对应的幅值;
2)依据基于频域内插运算的改进谐波导纳算法,对电机的瞬时转速进行测量计算;因为任何重复的波形都可以分解为含有基波频率和一系列为基波倍数的谐波的的正弦波分量,通过对波形的测量可以得到任意时刻的频率,由频率可以得到电机的瞬时转速;
3)基于神经网络的诊断***包括两个步骤,第一步为训练网络,是运用训练样本数据经过预处理和特征提取后进行学习训练得到稳定诊断网络;第二步是诊断,即应用故障原始数据放入第一步训练好的网络中进行诊断,并得出结论;
诊断故障算法采用基于层次健康度的贝叶斯网络参数优化算法—AHD(ArrangementHealth Degree)算法;算法首先利用K2算法训练贝叶斯结构,确定参数之间因果关系,从而确定网络结构。然后利用基于层次健康度评估的贝叶斯网络参数优化方法,确定各节点的概率表;
具体步骤为:
(1) 选择耦合程度较高的参数变量,并且进行初步的量化;
(2) 利用K2算法构建贝叶斯网络基础结构;
(3) 确定网络模型的根节点和叶节点;
(4) 根据具体的网络模型构建健康度函数;
(5) 构造层次分析模型和判断矩阵;
(6) 利用层次分析法确定层次健康度函数中的指数权重;
(7) 判断误差是否在允许范围内,若成立转步骤(8),否则转步(5)重新构造判断矩阵;
(8) 确定指数权重之后,构建层次健康度函数健康度函数;
(9) 利用偏小型渐慢型隶属函数确定根节点的先验概率;
(10)贝叶斯参数学习确定其他节点的概率分布;
应用到电机故障诊断的研究中,待识别的是基于软启动器控制的电机故障模式,基于此网络的设计如下:
(1) 根据具体研究内容,提取反映电机故障特征的参数信息作为输入数据;
(2)将特征参数所反映的故障类型作为输出;
(3)设计和训练网络,将训练集输入向量和目标向量样本分别作为输入和输出,调整权值和阈值,使网络的输出达到稳定;
(4)测试已训练好的网络,将测试样本送入网络,如果***能根据输入的测试样本与网络设计时的某个输入向量的接近程度,输出所属故障模式类;说明网络设计成功,并进行更新调整,否则说明网络设计不成功,返回(3);
(5)存储训练好的表示故障信息的权值和阈值,以便后面更新信息;
(6)输入新的故障向量,利用设计成功的网络进行模式识别和诊断,网络将输出该向量所属故障模式的类别。
电机的转速检测方法采用基于频域内插运算的改进谐波导纳法检测,具体步骤为:首先要先采集电机的电压信号和电流信号,因为采集到的电流信号和电压信号是模拟量,要将它们转换成数字量,所以要先用数模A/D转换器将模拟信号转换成离散数字信号;用频域内插运算提取电压谐波和电流谐波;最后将得出的电流谐波和电压谐波计算得出两个量的比值,即为谐波导纳。
这里对频域内插运算做解释:对于一段长度有限的信号来说,在进行离散傅里叶变换之前,这段有限长度的信号相当于一个信号与有线长度的时窗函数相乘。由卷积定理可知,这段信号的傅里叶变换是信号的真实谱和时窗函数的傅里叶变换的卷积。所以,当信号频率与采样频率不是整数倍的关系时,而且信号中含有多频谐波时,在离散谱中的信号能量会分布在真实谱峰的周围,即谱泄漏。在真实谱峰两侧的谱线中,紧邻谱峰的谱线最大;现假设离散频谱中频率间隔为
所以通过(2)式算出δ,再将δ值代入(1)式中计算可以得到真实频率值f。
谱峰的峰值也可以通过真实谱峰两侧的谱线计算出来,即
通过上述公式计算出电压和电流的真实频率值f以及幅值A后,便可计算导纳,即
本发明的目的是提出一种软启动器控制的电机故障检测与智能快速诊断方法,采用上述技术方案,解决了盾构机在维护期间对基于软启动器控制的电机进行故障检测,具有操作简单、故障检测准确率高的特点。
附图说明
图1为盾构机电机故障检测与智能诊断故障实施流程图。
图2为谐波导纳法检测的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
图1为盾构机电机故障监测与智能诊断故障实施示意图;如图1所示,本发明的电机故障检测与智能诊断故障方法,包括以下步骤:
首先对异步电动机的定子电压、电流的瞬时值进行同步采样,采样时间为1秒,数据长度为256点,采样率为256Hz;然后分别对电压、电流的离散采样点采样值进行倒序运算,再根据 FFT 的变换结果计算并输出不同频率下对应的幅值,最后根据谐波导纳算法,如图2,所示对电机的瞬时转速进行测量计算。
基于神经网络的诊断***包括两个步骤,第一步为训练网络,是运用训练样本数据经过预处理和特征提取后进行学习训练得到稳定诊断网络;第二步是诊断,即应用故障原始数据放入第一步训练好的网络中进行诊断,并得出结论。
本发明诊断故障算法采用基于层次健康度的贝叶斯网络参数优化算法—AHD(Arrangement Health Degree)算法。算法首先利用K2算法训练贝叶斯结构,确定参数之间因果关系,从而确定网络结构。然后利用基于层次健康度评估的贝叶斯网络参数优化方法,确定各节点的概率表。
具体步骤为:
(1) 选择耦合程度较高的参数变量,并且进行初步的量化;
(2) 利用 K2 算法构建贝叶斯网络基础结构;
(3) 确定网络模型的根节点和叶节点;
(4) 根据具体的网络模型构建健康度函数;
(5) 构造层次分析模型和判断矩阵
(6) 利用层次分析法确定层次健康度函数中的指数权重;
(7) 判断误差是否在允许范围内,若成立转步骤(8),否则转步(5)重新构造判断矩阵;
(8) 确定指数权重之后,构建层次健康度函数健康度函数;
(9) 利用偏小型渐慢型隶属函数确定根节点的先验概率;
(10)贝叶斯参数学习确定其他节点的概率分布。
应用到电机故障诊断的研究中,待识别的是电机及软启动器的故障模式,基于此网络的设计如下:
(1) 根据具体研究内容,提取反映电机故障特征的参数信息作为输入数据;
(2)将特征参数所反映的故障类型作为输出;
(3)设计和训练 网络,将训练集输入向量和目标向量样本分别作为输入和输出,调整权值和阈值,使网络的输出达到稳定;
(4)测试已训练好的网络,将测试样本送入网络,如果***能根据输入的测试样本与网络设计时的某个输入向量的接近程度,输出所属故障模式类。说明网络设计成功,并进行更新调整,否则说明网络设计不成功,返回(3);
(5)存储训练好的表示故障信息的权值和阈值,以便后面更新信息;
(6)输入新的故障向量,利用设计成功的网络进行模式识别和诊断,网络将输出该向量所属故障模式的类别。
本发明采样数据进行FFT分析提取特征参数,基于AHD来诊断盾构机电机故障类型,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。尽管本发明就优选实施方式进行了示意和描述,但本领域的技术人员应当理解,只要不超出本发明的权利要求所限定的范围,可以对本发明进行各种变化和修改。
Claims (2)
1.一种软启动器控制的电机故障检测与智能快速诊断方法,其特征在于:电机故障检测与智能快速诊断方法选择定子电压、电流的时频信息和转速作为故障特征参数;定子电压、电流的测量直接准确采样获得,电机转速的测量采用基于频域内插运算的改进谐波导纳法,研究电流频谱与电压频谱的比值,找到基波频率两侧对称分布的谐波频率,得到转速频率,最后计算得到电机转速;为减少运算量,实时地对信号进行频谱分析,采用FFT算法实现谐波分析和电机转速检测;为快速诊断故障类型,实现智能化检测,采用层次健康度的贝叶斯网络参数优化算法—AHD即Arrangement Health Degree,该算法非线性逼近功能强大,算法简单,收敛速度快,占用资源少;将两种算法植入到与电机直接相连的软启动器中,具体步骤如下:
1)首先对异步电动机的定子电压、电流的瞬时值进行同步采样,采样时间为1秒,数据长度为256点,采样率为256Hz;然后分别对电压、电流的离散采样点采样值进行倒序运算,FFT的基本思想是把原始的N点序列,依次分解成一系列的短序列;充分利用DFT计算式中指数因子所具有的对称性质和周期性质,进而求出这些短序列相应的DFT并进行适当组合,按照时间抽取FFT算法即DIT,令信号序列的长度为N=2,可以将时域信号序列x(n)分解成两部分,一是偶数部分x(2n),另一是奇数部分x(2n+1),奇偶部分的周期相同,都已N/2周期重复,于是信号序列x(n)的离散傅里叶变换可以用两个N/2抽样点的离散傅里叶变换来表示和计算,依此类推,这种按时间抽取算法是将输入信号序列分成越来越小的子序列进行离散傅里叶变换计算,最后合成为N点的离散傅里叶变换,再根据FFT的变换结果计算并输出不同频率下对应的幅值;
2)依据基于频域内插运算的改进谐波导纳算法,对电机的瞬时转速进行测量计算;因为任何重复的波形都可以分解为含有基波频率和一系列为基波倍数的谐波的的正弦波分量,通过对波形的测量可以得到任意时刻的频率,由频率可以得到电机的瞬时转速;
3)基于神经网络的诊断***包括两个步骤,第一步为训练网络,是运用训练样本数据经过预处理和特征提取后进行学习训练得到稳定诊断网络;第二步是诊断,即应用故障原始数据放入第一步训练好的网络中进行诊断,并得出结论。
2.一种软启动器控制的电机故障检测与智能快速诊断方法,其特征在于:电机故障检测与智能快速诊断方法选择定子电压、电流的时频信息和转速作为故障特征参数;定子电压、电流的测量直接准确采样获得,电机转速的测量采用基于频域内插运算的改进谐波导纳法,研究电流频谱与电压频谱的比值,找到基波频率两侧对称分布的谐波频率,得到转速频率,最后计算得到电机转速;为减少运算量,实时地对信号进行频谱分析,采用FFT算法实现谐波分析和电机转速检测;为快速诊断故障类型,实现智能化检测,采用层次健康度的贝叶斯网络参数优化算法—AHD即Arrangement Health Degree,该算法非线性逼近功能强大,算法简单,收敛速度快,占用资源少;将两种算法植入到与电机直接相连的软启动器中,具体步骤如下:
1)首先对异步电动机的定子电压、电流的瞬时值进行同步采样,采样时间为1秒,数据长度为256点,采样率为256Hz;然后分别对电压、电流的离散采样点采样值进行倒序运算,FFT的基本思想是把原始的N点序列,依次分解成一系列的短序列;充分利用DFT计算式中指数因子所具有的对称性质和周期性质,进而求出这些短序列相应的DFT并进行适当组合,按照时间抽取FFT算法即DIT,令信号序列的长度为N=2,可以将时域信号序列x(n)分解成两部分,一是偶数部分x(2n),另一是奇数部分x(2n+1),奇偶部分的周期相同,都已N/2周期重复,于是信号序列x(n)的离散傅里叶变换可以用两个N/2抽样点的离散傅里叶变换来表示和计算,依此类推,这种按时间抽取算法是将输入信号序列分成越来越小的子序列进行离散傅里叶变换计算,最后合成为N点的离散傅里叶变换,再根据FFT的变换结果计算并输出不同频率下对应的幅值;
2)依据基于频域内插运算的改进谐波导纳算法,对电机的瞬时转速进行测量计算;因为任何重复的波形都可以分解为含有基波频率和一系列为基波倍数的谐波的的正弦波分量,通过对波形的测量可以得到任意时刻的频率,由频率可以得到电机的瞬时转速;
3)基于神经网络的诊断***包括两个步骤,第一步为训练网络,是运用训练样本数据经过预处理和特征提取后进行学习训练得到稳定诊断网络;第二步是诊断,即应用故障原始数据放入第一步训练好的网络中进行诊断,并得出结论。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010303049.XA CN111398814A (zh) | 2020-04-17 | 2020-04-17 | 一种软启动器控制的电机故障检测与智能快速诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010303049.XA CN111398814A (zh) | 2020-04-17 | 2020-04-17 | 一种软启动器控制的电机故障检测与智能快速诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111398814A true CN111398814A (zh) | 2020-07-10 |
Family
ID=71429640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010303049.XA Pending CN111398814A (zh) | 2020-04-17 | 2020-04-17 | 一种软启动器控制的电机故障检测与智能快速诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111398814A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113567788A (zh) * | 2021-07-30 | 2021-10-29 | 北京易艾斯德科技有限公司 | 混合基fft在电力***中的应用方法、装置、设备和介质 |
CN114295981A (zh) * | 2022-01-05 | 2022-04-08 | 湖南师范大学 | 一种基于rn网络电流多特征形态识别的电机故障诊断方法 |
CN114325388A (zh) * | 2022-02-14 | 2022-04-12 | 爱科赛智能科技(浙江)有限公司 | 一种基于软启动电流特征的电机启动堵转故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872165A (zh) * | 2010-06-13 | 2010-10-27 | 西安交通大学 | 一种基于遗传神经网络的风电机组故障诊断方法 |
CN102135600A (zh) * | 2011-01-28 | 2011-07-27 | 中国人民解放军海军潜艇学院 | 异步电动机故障检测装置及方法 |
US20180026573A1 (en) * | 2016-07-21 | 2018-01-25 | Fanuc Corporation | Machine learning device which learns current command for motor, motor controller, and machine learning method |
CN109145886A (zh) * | 2018-10-12 | 2019-01-04 | 西安交通大学 | 一种多源信息融合的异步电机故障诊断方法 |
-
2020
- 2020-04-17 CN CN202010303049.XA patent/CN111398814A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872165A (zh) * | 2010-06-13 | 2010-10-27 | 西安交通大学 | 一种基于遗传神经网络的风电机组故障诊断方法 |
CN102135600A (zh) * | 2011-01-28 | 2011-07-27 | 中国人民解放军海军潜艇学院 | 异步电动机故障检测装置及方法 |
US20180026573A1 (en) * | 2016-07-21 | 2018-01-25 | Fanuc Corporation | Machine learning device which learns current command for motor, motor controller, and machine learning method |
CN109145886A (zh) * | 2018-10-12 | 2019-01-04 | 西安交通大学 | 一种多源信息融合的异步电机故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
周素华: "《数字信号处理基础》", 28 February 2017, 北京理工大学出版社 * |
姚永刚: "《无传感器测量电机转速的新方法》", 《电气传动》 * |
李雷: "《基于改进贝叶斯网络的水泥回转窑故障诊断模型的研究》", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技I辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113567788A (zh) * | 2021-07-30 | 2021-10-29 | 北京易艾斯德科技有限公司 | 混合基fft在电力***中的应用方法、装置、设备和介质 |
CN114295981A (zh) * | 2022-01-05 | 2022-04-08 | 湖南师范大学 | 一种基于rn网络电流多特征形态识别的电机故障诊断方法 |
CN114325388A (zh) * | 2022-02-14 | 2022-04-12 | 爱科赛智能科技(浙江)有限公司 | 一种基于软启动电流特征的电机启动堵转故障诊断方法 |
CN114325388B (zh) * | 2022-02-14 | 2022-11-25 | 爱科赛智能科技(浙江)有限公司 | 一种基于软启动电流特征的电机启动堵转故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111398814A (zh) | 一种软启动器控制的电机故障检测与智能快速诊断方法 | |
CN113219300B (zh) | 一种基于相电流暂态稳态的配电网单相接地故障感知方法 | |
CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
CN111308260B (zh) | 一种基于小波神经网络的电能质量监测和电器故障分析***及其工作方法 | |
CN113947017A (zh) | 一种滚动轴承剩余使用寿命预测方法 | |
CN110609213B (zh) | 基于最优特征的mmc-hvdc输电线路高阻接地故障定位方法 | |
CN111046327A (zh) | 适用于低频振荡与次同步振荡辨识的Prony分析方法 | |
CN113821978B (zh) | 基于改进步长lms自适应算法的行波检测方法和*** | |
CN108732440A (zh) | 一种暂态电能质量检测方法及*** | |
CN111426905A (zh) | 一种配电网同母线变关系异常诊断方法、装置及*** | |
CN115618213A (zh) | 充电机电压扰动分析方法及***、设备、存储介质 | |
CN115656817A (zh) | 基于神经网络技术的永磁同步电机匝间短路故障检测方法 | |
Ye et al. | Single pole‐to‐ground fault location method for mmc‐hvdc system using wavelet decomposition and dbn | |
CN115313329A (zh) | 一种用于快速行波保护的频带范围选取方法及相关装置 | |
CN115795360A (zh) | 基于人工神经网络的电缆故障检测方法 | |
CN115840119A (zh) | 利用数据库样本的电力电缆线路劣化诊断***及方法 | |
CN114689991A (zh) | 一种高压电缆故障时间的确定方法、***及相关组件 | |
CN115598563A (zh) | 一种基于粗糙神经网络的配电网单相接地故障诊断方法 | |
CN113092931A (zh) | 一种电网谐波源定位检测方法 | |
CN114779010A (zh) | 基于对称差分能量算子和神经网络的故障行波检测方法 | |
CN114184838A (zh) | 基于sn互卷积窗的电力***谐波检测方法、***及介质 | |
Zhang et al. | Fault detection, classification, and location for active distribution network based on neural network and phase angle analysis | |
CN112485582A (zh) | 一种高压交流输电线路的故障定位方法 | |
CN114034375B (zh) | 一种特高压输电线路噪声测量***及方法 | |
CN111505420B (zh) | 一种线路避雷器状态的在线监测与诊断方法及*** |
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: 20200710 |
|
RJ01 | Rejection of invention patent application after publication |