CN111505424A - 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 - Google Patents
一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 Download PDFInfo
- Publication number
- CN111505424A CN111505424A CN202010374571.7A CN202010374571A CN111505424A CN 111505424 A CN111505424 A CN 111505424A CN 202010374571 A CN202010374571 A CN 202010374571A CN 111505424 A CN111505424 A CN 111505424A
- Authority
- CN
- China
- Prior art keywords
- fault
- layer
- neural network
- data
- convolutional neural
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000011176 pooling Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 238000011056 performance test Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000005065 mining Methods 0.000 abstract description 2
- 238000011084 recovery Methods 0.000 abstract description 2
- 238000013178 mathematical model Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法，根据电力设备在线监控数据来采集历史故障数据，形成初始样本集，并对其进行数据预处理，得到归一化样本集，利用深度卷积神经网络对隐藏故障信息进行深度挖掘，随后根据模型的预测故障类型与真实故障类型的偏差来调整故障诊断模型内部权重参数，最后对电力设备故障诊断模型的进行性能测试，使基于深度卷积神经网络的电力设备故障诊断模型的故障诊断准确率得到进一步的提升。本发明能够根据电力设备监测数据来准确判断是否有故障发生，并输出故障类型，根据此故障类型得到对应的故障解决方法，实现快速有效的使电力设备***能够快速恢复正常工作状态。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法。
背景技术
目前，大型实验装置的电力设备的检修维护工作依赖工作人员现场巡逻的方式进行，依靠工作人员现场发现工作故障存在较大的工作量，并且发现故障的概率较低，因此，对于此类检修的预案并不全面，导致小故障难以及时发现从而造成较为严重的后果。
现有技术中针对电力设备故障的诊断方法主要分为三类，包括基于数学模型、基于数字信号和基于机器学习三种。其中，基于数学模型的故障诊断方法简单直接，但却需要深入了解分析电力设备的原理和结构，根据内部结构和运行原理来建立数学模型，因此若前期研究有误便会直接影响最终的数学模型；基于数字信号处理的方法需要数据特征具备一个外部较为明显的特征，才能被广泛应用，因此不适用大部分的情况；基于机器学习的方法需要数据特征具备一个外部特征，才能被广泛应用，因此不能适用于大部分情况；基于机器学习的方法能够有效利用数据的特点来进行学习内部规律，但是根据不同的数据特点需要选择不同的分类器和特征提取方法，但是特征提取和分类器的最优搭配没有明确的理论指导。
发明内容
本发明的目的在于提供一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法，包括以下步骤：
S1、采集电力设备的在线监控***中的历史故障数据，形成原始样本集；
S2、对所述原始样本集进行数据预处理；对所述原始样本集中的数据进行归一化处理，形成归一化样本集；将所述归一化样本集分为训练集和测试集；
S3、根据所述历史故障数据的特点，确定符合所述特点的模型的网络深度，建立深度卷积神经网络模型；所述深度卷积神经网络模型的结构建立包括以下步骤：
S301、选择适合所述网络深度的学习框架，搭建所述深度卷积神经网络模型；
S302、根据所述深度卷积神经网络模型建立卷积神经网络的关键层，所述关键层包括卷积层、池化层和全连接层；将所述关键层的深度进行延伸，并不断进行交互连接，形成深度网络；
S303、在步骤S302所述卷积神经网络之后，建立分类层；利用softmax函数作为分类器，对故障进行分类识别；所述softmax函数如下：
其中，Si代表第i个神经网络的输出的分类结果，也就是从网络前端第i个样本的结果，n是神经网络最后一层节点数，代表该项目一共有多少类别进行分类，fci是最后一个网络的第i个神经元值；
S4、利用步骤S2中的训练集对步骤S3中的所述深度卷积神经网络模型进行训练，形成故障诊断模型；
将所述训练集中的历史数据作为所述深度卷积网络的输入，并输出所述深度卷积神经网络模型的预测故障类型，并将所述深度卷积神经网络输出的所述预测故障类型，与输入的所述训练集中的故障数据相对应的实际故障类型相比较；根据所述预测故障类型和所述实际故障类型的偏差值，对所述深度卷积神经网络模型的内部参数进行调整，形成可以根据故障数据对故障类型进行精准分类的所述故障诊断模型；
S5、根据步骤S2中测试集对步骤S4中的所述故障诊断模型进行性能测试，根据所述性能测试的结果判断所述故障诊断模型是否存在问题，若存在问题，则重复步骤S3-步骤S5，直至所述故障诊断模型通过所述性能测试；
S6、将步骤S5中通过性能测试的故障诊断模型用于实际的故障检测中，利用所述在线监控***采集实时数据，并作为输入应用到所述故障诊断模型中，所述故障诊断模型输出所述实时数据对应的故障类型和故障解决策略。
优选的，所述卷积层的建立过程为：提取所述历史故障数据中的特征值，得出卷积后的特征图尺寸的大小，并得出经过卷积层对所述历史故障数据进行特征值提取后的输出结果；所述卷积层的计算过程为：
其中，conv表示卷积层的输出结果，即所述历史故障数据的特征值；*表示卷积运算符；M表示卷积区域的数量；i表示第几个卷积区域，xi表示当前输入的数据位于所述归一化样本集中训练集的第i个区域，k表示固定的卷积核，b表示卷积层中使用的偏执单元，f表示激活函数。
优选的，所述池化层的建立过程为：针对经过所述卷积层特征值提取后的输出结果进行进一步的特征提取，所述池化层的计算过程为：
pool＝pooling(conv)
其中，pool表示池化层的输出,即所述卷积层提取后的特征值中的特征值，pooling是池化函数，conv表示所述卷积层输出的特征值，作为所述池化层的输入。
优选的，所述全连接层的建立过程为:将张量形式的所述池化层的输出数据展开为一个向量；所述全连接层的计算过程为：
其中，所述fc表示神经网络的输出，f表示激活函数，pxi是池化层展开为一个向量的第i层神经元的输入数据，wi是第i层神经元的权重矩阵，bi是第i层的偏执单元。
本发明的有益效果是：本发明公开了一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法，根据设备工作状态的工作数据建立故障诊断模型，并通过所述故障诊断模型对故障数据进行深度挖掘隐藏信息，从而提高所述故障诊断模型对设备的故障诊断的准确率。本发明以历史数据为基础建立故障诊断模型，利用所述故障诊断模型通过在线监控***中的监测数据直接准确的判断出有误故障发生，以及确定发生故障的故障类型，根据所述故障类型给出对应的故障解决类型，从而使所述设备能够快速有效的恢复正常的工作状态；本发明所需的数据采集方法简单，且所得结论准确，可以适用于大多数的电力设备。
附图说明
图1是电力设备故障诊断流程图；
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，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方式仅仅用以解释本发明，并不用于限定本发明。
一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法，采集电力设备的历史故障数据，并形成初始样本集，并对所述初始样本集进行数据预处理，得到归一化样本集，然后设计合理的划分方法划分所述归一化样本集中的样本，形成样本的训练集和测试集；所述训练集的样本用以训练深度卷积神经网络的故障诊断模型：根据所述故障诊断模型的预测故障类型与真实故障类型的偏差来调整故障诊断模型内部权重参数，所述测试集的样本用以对电力设备故障诊断模型进行性能测试，进而提升所述故障诊断模型诊断的准确率。其实现过程如图1所示，具体包括以下步骤：
S1、利用在线监控***对所述电力设备的故障数据和在线数据进行采集，形成完善的原始样本集，所述原始样本集中分别列出有电力设备的故障类型、故障发生原因和恢复生产策略；
S2、对所述原始样本集进行数据预处理，按照一定的规则进行归一化处理，形成归一化样本集(x，y)，将所述归一化样本集分为训练集train(x，y)和测试集test(x，y)；其中所述训练集train(x，y)对深度卷积神经网络模型进行性能训练形成电力设备的故障诊断模型，所述测试集test(x，y)对所述故障诊断模型进行性能测试，判断所述故障诊断模型是否能够通过性能测试；
其中x表示实验室中电力设备检测到的历史数据，y表示根据检测数据显示的情况来进行故障分类；
S3、根据所述电力设备故障数据的特点，确定符合该特点的故障诊断模型的网络深度，建立深度卷积神经网络模型；所述深度卷积神经网络模型的构建步骤如下：
S301、选择合适的深度学习框架，从而搭建深度卷积神经网络模型，所述深度学习框架包括keras框架或pytorch框架；
S302、根据所述深度卷积神经网络模型建立卷积神经网络的关键层，主要包括卷基层、池化层和全连接层；
所述卷积层为计算机视觉的方法提取的历史数据的特征信息，是卷积核对输入的数据信息进行不同的特征提取，其计算过程为：
其中,conv表示卷积层的输出结果，即历史数据的特征值，*表示卷积过程的卷积运算，M表示卷积区域数量，i表示第几个卷积区域，xi表示当前输入的故障样本的第i个区域，k表示固定的卷积核，通常大小为3*3，b表示卷积层中使用的偏执单元，f表示卷积运算后结果使用的激活函数，通常卷积神经网络里使用relu函数作为激活函数，其表达式如下：
frelu＝max{0,x}
relu函数表示输入数据为正时，取激活值为输入数据，若输入数据为负，取激活值为0；
卷积后的特征图尺寸大小为：
其中，Smap表示所述特征图的尺寸，Sx表示输入的实验室监控***采集历史数据的维度，k表示卷积核的大小，一般为3，stride表示卷积过程中卷积核再上一层的滑动不成，n表示调节尺寸的值，一般为1，如果是保持大小不变则与k值相同；
所述池化层为了降低维度，减少网络计算的成本，避免出现过拟合的问题，对所述卷积层输出的特征值进行进一步的特征提取，所述池化层的工作过程为：
pool＝pooling(conv)
其中，pool表示池化层的输出，pooling是池化函数，通常选用是max-pooling或者AVG-pooling，所述max-pooling表示将每个特征感知域中最大值作为最终输出，AVG-pooling表示将每个特征感知域中平均值作为最终输出，conv表示将上一层卷积层的输出作为该池化层的输入；
根据需求对采集到的数据重复进行所述卷积层和所述池化层中的过程，从而实现对实验室监控***采集到的历史数据的深度挖掘；
所述全连接层将张量形式的池化层的输出展开为一个向量，与后续神经网络进行连接，神经网络运算过程如下：
其中，fc表示神经网络的输出，f是神经元的激活函数，通常使用relu或者sigmoid，pxi是池化后展开为一个向量的第i层神经元的输入数据，wi是第i层神经元的权重矩阵，bi是第i层的偏执单元；
根据需求对所述卷积层、池化层和全连接层的深度进行延伸，使其进行交互连接；
S303、建立分类层，在神经网络的最后一层使用softmax函数作为分类器进行分类识别，计算过程如下所示：
Si代表第i个神经网络的输出的分类结果，也就是从网络前端第i个样本的结果，n是神经网络最后一层节点数，代表该项目一共有多少类别进行分类，fci是最后一个网络的第i个神经元值，通过该公式能够计算得到最大的fci值，意味着属于第i分类；
S4、利用步骤S2中的所述训练集对步骤S3中的所述深度卷积神经网络模型进行训练，形成故障诊断模型；
将所述训练集中的历史数据作为所述深度卷积网络的输入，并输出所述深度卷积神经网络模型的预测故障类型，并将所述深度卷积神经网络输出的所述预测故障类型，与输入的所述训练集中的故障数据相对应的实际故障类型相比较；根据所述预测故障类型和所述实际故障类型的偏差值，对所述深度卷积神经网络模型的内部参数进行调整，形成可以根据故障数据对故障类型进行精准分类的所述故障诊断模型；
S5、根据步骤S2中的所述测试集对步骤S4中的所述故障诊断模型进行性能测试，根据所述性能测试的结果判断所述故障诊断模型是否存在问题，若存在问题，则重复步骤S3-步骤S5，直至所述故障诊断模型通过所述性能测试；
S6、将步骤S5中通过性能测试的故障诊断模型用于实际的故障检测中，利用所述在线监控***采集实时数据，并作为输入应用到所述故障诊断模型中，所述故障诊断模型输出所述实时数据对应的故障类型和故障解决策略。
实施例
本实施例中将所述归一化样本集的80％作为训练集，20％作为测试集。利用本发明所提出的方法和设计的人工智能算法模型，对电力设备的故障类型进行精准诊断；能够使电力设备故障诊断的正确率达到90％以上。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
本发明公开了一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法，根据设备工作状态的工作数据建立故障诊断模型，通过所述故障诊断模型对工作数据进行深度挖掘隐藏信息，并根据反馈的测试结果来调整故障诊断模型的超参数，从而提高所述故障诊断模型对设备的故障诊断的准确率。本发明以历史数据为基础建立故障诊断模型，利用所述故障诊断模型通过在线监控***中的监测数据直接准确的判断出有误故障发生，以及确定发生故障的故障类型，根据所述故障类型给出对应的故障解决类型，从而使所述设备能够快速有效的恢复正常的工作状态；本发明所需的数据采集方法简单，且所得结论准确，可以适用于大多数的电力设备。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。
Claims (4)
1.一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法，其特征在于，包括以下步骤：
S1、采集电力设备的在线监控***中的历史故障数据，形成原始样本集；
S2、对所述原始样本集进行数据预处理；对所述原始样本集中的数据进行归一化处理，形成归一化样本集；将所述归一化样本集分为训练集和测试集；
S3、根据所述历史故障数据的特点，确定符合所述特点的模型的网络深度，建立深度卷积神经网络模型；所述深度卷积神经网络模型的结构建立包括以下步骤：
S301、选择适合所述网络深度的学习框架，搭建所述深度卷积神经网络模型；
S302、根据所述深度卷积神经网络模型建立卷积神经网络的关键层，所述关键层包括卷积层、池化层和全连接层；将所述关键层的深度进行延伸，并不断进行交互连接，形成深度网络；
S303、在步骤S302所述卷积神经网络之后，建立分类层；利用softmax函数作为分类器，对故障进行分类识别；所述softmax函数如下：
其中，Si代表第i个神经网络的输出的分类结果，也就是从网络前端第i个样本的结果，n是神经网络最后一层节点数，代表该项目一共有多少类别进行分类，fci是最后一个网络的第i个神经元值；
S4、利用步骤S2中的训练集对步骤S3中的所述深度卷积神经网络模型进行训练，形成故障诊断模型；将所述训练集中的历史数据作为所述深度卷积网络的输入，并输出所述深度卷积神经网络模型的预测故障类型，并将所述深度卷积神经网络输出的所述预测故障类型，与输入的所述训练集中的故障数据相对应的实际故障类型相比较；根据所述预测故障类型和所述实际故障类型的偏差值，对所述深度卷积神经网络模型的内部参数进行调整，形成可以根据故障数据对故障类型进行精准分类的所述故障诊断模型；
S5、根据步骤S2中测试集对步骤S4中的所述故障诊断模型进行性能测试，根据所述性能测试的结果判断所述故障诊断模型是否存在问题，若存在问题，则重复步骤S3-步骤S5，直至所述故障诊断模型通过所述性能测试；
S6、将步骤S5中通过性能测试的故障诊断模型用于实际的故障检测中，利用所述在线监控***采集实时数据，并作为输入应用到所述故障诊断模型中，所述故障诊断模型输出所述实时数据对应的故障类型和故障解决策略。
2.根据权利要求1所述的基于深度卷积神经网络的大型实验装置电力设备故障诊断方法，其特征在于，所述卷积层的建立过程为：提取所述历史故障数据中的特征值，得出卷积后的特征图尺寸的大小，并得出经过卷积层对所述历史故障数据进行特征值提取后的输出结果；所述卷积层的计算过程为：
其中，conv表示卷积层的输出结果，即所述历史故障数据的特征值；*表示卷积运算符；M表示卷积区域的数量；i表示第几个卷积区域，xi表示当前输入的数据位于所述归一化样本集中训练集的第i个区域，k表示固定的卷积核，b表示卷积层中使用的偏执单元，f表示激活函数。
3.根据权利要求1所述的基于深度卷积神经网络的大型实验装置电力设备故障诊断方法，其特征在于，所述池化层的建立过程为：针对经过所述卷积层特征值提取后的输出结果进行进一步的特征提取，所述池化层的计算过程为：
pool＝pooling(conv)
其中，pool表示池化层的输出,即所述卷积层提取后的特征值中的特征值，pooling是池化函数，conv表示所述卷积层输出的特征值，作为所述池化层的输入。
4.根据权利要求1所述的基于深度卷积神经网络的大型实验装置电力设备故障诊断方法，其特征在于，所述全连接层的建立过程为:将张量形式的所述池化层的输出数据展开为一个向量；所述全连接层的计算过程为：
其中，所述fc表示神经网络的输出，f表示激活函数，pxi是池化层展开为一个向量的第i层神经元的输入数据，wi是第i层神经元的权重矩阵，bi是第i层的偏执单元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010374571.7A CN111505424A (zh) | 2020-05-06 | 2020-05-06 | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010374571.7A CN111505424A (zh) | 2020-05-06 | 2020-05-06 | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111505424A true CN111505424A (zh) | 2020-08-07 |
Family
ID=71876678
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010374571.7A Pending CN111505424A (zh) | 2020-05-06 | 2020-05-06 | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111505424A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112016251A (zh) * | 2020-09-02 | 2020-12-01 | 哈尔滨工程大学 | 一种核动力装置故障的诊断方法及*** |
| CN112326264A (zh) * | 2020-10-30 | 2021-02-05 | 江苏徐工工程机械研究院有限公司 | 一种远程操控工程车辆的运行状态监测及故障诊断***、方法 |
| CN112508429A (zh) * | 2020-12-16 | 2021-03-16 | 常州大学 | 一种基于卷积神经网络的埋地管道阴极保护***故障诊断方法 |
| CN112597706A (zh) * | 2021-01-04 | 2021-04-02 | 中国人民解放军96901部队22分队 | 一种运载火箭执行机构故障在线诊断方法 |
| CN112991297A (zh) * | 2021-03-15 | 2021-06-18 | 广东电网有限责任公司清远供电局 | 一种输电线路故障诊断方法、***、电子设备和存储介质 |
| CN113052233A (zh) * | 2021-03-24 | 2021-06-29 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 基于大数据和神经网络的火电站设备故障预警***及方法 |
| CN113467420A (zh) * | 2021-06-30 | 2021-10-01 | 通号城市轨道交通技术有限公司 | 区域控制器故障检测方法及装置 |
| CN113611568A (zh) * | 2021-09-06 | 2021-11-05 | 辽宁石油化工大学 | 一种基于遗传卷积深度网络的真空断路器 |
| CN113640699A (zh) * | 2021-10-14 | 2021-11-12 | 南京国铁电气有限责任公司 | 微机控制型交直流电源***故障判断方法、***和设备 |
| CN113674225A (zh) * | 2021-07-30 | 2021-11-19 | 南京信息工程大学 | 一种基于卷积神经网络的电力设备故障检测方法 |
| CN114021671A (zh) * | 2022-01-05 | 2022-02-08 | 中国电力科学研究院有限公司 | 一种有源配电网在线故障处理方法和*** |
| CN115596654A (zh) * | 2022-09-21 | 2023-01-13 | 西安交通大学（Cn） | 基于状态参数学习的往复式压缩机故障诊断方法及*** |
| CN117390999A (zh) * | 2023-12-12 | 2024-01-12 | 山东工商学院 | 基于cfd深度学习模型的封闭母线温度故障监测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1998044428A1 (en) * | 1997-04-01 | 1998-10-08 | Porta Systems Corporation | System and method for telecommunications system fault diagnostics |
| CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
| CN108896296A (zh) * | 2018-04-18 | 2018-11-27 | 北京信息科技大学 | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 |
| CN108959732A (zh) * | 2018-06-15 | 2018-12-07 | 西安科技大学 | 一种基于卷积神经网络的输电线路故障类型识别方法 |
| CN109655259A (zh) * | 2018-11-23 | 2019-04-19 | 华南理工大学 | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 |
| CN109782603A (zh) * | 2019-02-03 | 2019-05-21 | 中国石油大学(华东) | 旋转机械耦合故障的检测方法及监测*** |
| CN109838696A (zh) * | 2019-01-09 | 2019-06-04 | 常州大学 | 基于卷积神经网络的管道故障诊断方法 |
| CN110929847A (zh) * | 2019-11-15 | 2020-03-27 | 国网浙江省电力有限公司电力科学研究院 | 一种基于深度卷积神经网络的换流变压器故障诊断方法 |
-
2020
- 2020-05-06 CN CN202010374571.7A patent/CN111505424A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1998044428A1 (en) * | 1997-04-01 | 1998-10-08 | Porta Systems Corporation | System and method for telecommunications system fault diagnostics |
| CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
| CN108896296A (zh) * | 2018-04-18 | 2018-11-27 | 北京信息科技大学 | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 |
| CN108959732A (zh) * | 2018-06-15 | 2018-12-07 | 西安科技大学 | 一种基于卷积神经网络的输电线路故障类型识别方法 |
| CN109655259A (zh) * | 2018-11-23 | 2019-04-19 | 华南理工大学 | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 |
| CN109838696A (zh) * | 2019-01-09 | 2019-06-04 | 常州大学 | 基于卷积神经网络的管道故障诊断方法 |
| CN109782603A (zh) * | 2019-02-03 | 2019-05-21 | 中国石油大学(华东) | 旋转机械耦合故障的检测方法及监测*** |
| CN110929847A (zh) * | 2019-11-15 | 2020-03-27 | 国网浙江省电力有限公司电力科学研究院 | 一种基于深度卷积神经网络的换流变压器故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 许爱华等: "基于深度学习的电机轴承故障诊断研究", 《组合机床与自动化加工技术》 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112016251A (zh) * | 2020-09-02 | 2020-12-01 | 哈尔滨工程大学 | 一种核动力装置故障的诊断方法及*** |
| CN112326264A (zh) * | 2020-10-30 | 2021-02-05 | 江苏徐工工程机械研究院有限公司 | 一种远程操控工程车辆的运行状态监测及故障诊断***、方法 |
| CN112508429A (zh) * | 2020-12-16 | 2021-03-16 | 常州大学 | 一种基于卷积神经网络的埋地管道阴极保护***故障诊断方法 |
| CN112597706B (zh) * | 2021-01-04 | 2022-11-29 | 中国人民解放军96901部队22分队 | 一种运载火箭执行机构故障在线诊断方法 |
| CN112597706A (zh) * | 2021-01-04 | 2021-04-02 | 中国人民解放军96901部队22分队 | 一种运载火箭执行机构故障在线诊断方法 |
| CN112991297A (zh) * | 2021-03-15 | 2021-06-18 | 广东电网有限责任公司清远供电局 | 一种输电线路故障诊断方法、***、电子设备和存储介质 |
| CN112991297B (zh) * | 2021-03-15 | 2024-06-14 | 广东电网有限责任公司清远供电局 | 一种输电线路故障诊断方法、***、电子设备和存储介质 |
| CN113052233A (zh) * | 2021-03-24 | 2021-06-29 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 基于大数据和神经网络的火电站设备故障预警***及方法 |
| CN113467420A (zh) * | 2021-06-30 | 2021-10-01 | 通号城市轨道交通技术有限公司 | 区域控制器故障检测方法及装置 |
| CN113674225A (zh) * | 2021-07-30 | 2021-11-19 | 南京信息工程大学 | 一种基于卷积神经网络的电力设备故障检测方法 |
| CN113611568A (zh) * | 2021-09-06 | 2021-11-05 | 辽宁石油化工大学 | 一种基于遗传卷积深度网络的真空断路器 |
| CN113640699A (zh) * | 2021-10-14 | 2021-11-12 | 南京国铁电气有限责任公司 | 微机控制型交直流电源***故障判断方法、***和设备 |
| CN113640699B (zh) * | 2021-10-14 | 2021-12-24 | 南京国铁电气有限责任公司 | 微机控制型交直流电源***故障判断方法、***和设备 |
| CN114021671B (zh) * | 2022-01-05 | 2022-04-05 | 中国电力科学研究院有限公司 | 一种有源配电网在线故障处理方法和*** |
| CN114021671A (zh) * | 2022-01-05 | 2022-02-08 | 中国电力科学研究院有限公司 | 一种有源配电网在线故障处理方法和*** |
| CN115596654A (zh) * | 2022-09-21 | 2023-01-13 | 西安交通大学（Cn） | 基于状态参数学习的往复式压缩机故障诊断方法及*** |
| CN115596654B (zh) * | 2022-09-21 | 2023-12-22 | 西安交通大学 | 基于状态参数学习的往复式压缩机故障诊断方法及*** |
| CN117390999A (zh) * | 2023-12-12 | 2024-01-12 | 山东工商学院 | 基于cfd深度学习模型的封闭母线温度故障监测方法 |
| CN117390999B (zh) * | 2023-12-12 | 2024-02-06 | 山东工商学院 | 基于cfd深度学习模型的封闭母线温度故障监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111505424A (zh) | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 | |
| Han et al. | An adaptive spatiotemporal feature learning approach for fault diagnosis in complex systems | |
| AU2020103923A4 (en) | Fault diagnosis method and system for gear bearing based on multi-source information fusion | |
| Yang et al. | Remaining useful life prediction based on a double-convolutional neural network architecture | |
| WO2021042935A1 (zh) | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 | |
| CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
| CN111651937A (zh) | 变工况下类内自适应轴承故障诊断方法 | |
| CN112763214B (zh) | 基于多标签零样本学习的滚动轴承故障诊断方法 | |
| CN111583592B (zh) | 一种基于多维卷积神经网络的实验环境安全预警方法 | |
| CN110647911A (zh) | 一种基于主成分分析和深度信念网络的轴承故障诊断方法 | |
| CN111860775B (zh) | 基于cnn和rnn融合的船舶故障实时诊断方法 | |
| Das et al. | Distributive and Governing System for Descriptive Error Identification of High Speed Railway Illustrations and Images using Convolutional Neural Networks | |
| CN111340110A (zh) | 一种基于工业过程运行状态趋势分析的故障预警方法 | |
| CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
| CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及*** | |
| CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
| Li et al. | Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy | |
| Du et al. | Convolutional neural network-based data anomaly detection considering class imbalance with limited data | |
| CN115496384A (zh) | 工业设备的监控管理方法、装置和计算机设备 | |
| CN112763215B (zh) | 一种基于模块化联邦深度学习的多工况在线故障诊断方法 | |
| CN117056678B (zh) | 一种基于小样本的机泵设备运行故障诊断方法及装置 | |
| Sony | Towards multiclass damage detection and localization using limited vibration measurements | |
| CN112418460A (zh) | 工程车辆的故障诊断方法和故障诊断装置 | |
| CN116383747A (zh) | 基于多时间尺度深度卷积生成对抗网络的异常检测方法 | |
| CN110779722A (zh) | 一种基于编码器信号局部加权的滚动轴承故障诊断方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200807 |