CN113191247A - 一种gis设备机械故障诊断方法及*** - Google Patents
一种gis设备机械故障诊断方法及*** Download PDFInfo
- Publication number
- CN113191247A CN113191247A CN202110458551.2A CN202110458551A CN113191247A CN 113191247 A CN113191247 A CN 113191247A CN 202110458551 A CN202110458551 A CN 202110458551A CN 113191247 A CN113191247 A CN 113191247A
- Authority
- CN
- China
- Prior art keywords
- moving average
- time sequence
- vibration signal
- calculating
- approximate entropy
- 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
- 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
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种GIS设备机械故障诊断方法及***,属于机械故障诊断领域,方法包括:采集GIS设备的长度为N的振动信号时间序列;以L为移动平均周期,对振动信号时间序列进行移动平均处理,依次得到N‑L+1个移动平均值,并按照时间顺序将N‑L+1个移动平均值进行组合以得到移动平均值时间序列;对移动平均值时间序列进行标准化处理,并计算标准化处理后移动平均值时间序列的近似熵;将近似熵输入至SVM分类器,以分类输出GIS设备的运行状态。对振动信号时间序列进行移动平均处理,使得提取的GIS设备机械振动趋势更为精准,基于移动平均值时间序列得到的近似熵更能准确地反映GIS设备的运行状态,提高GIS设备机械故障诊断的准确率和精度。
Description
技术领域
本发明属于机械故障诊断领域,更具体地,涉及一种GIS设备机械故障诊断方法及***。
背景技术
气体绝缘全封闭组合电器(Gas Insulted Switchgear,GIS)是电力***中应用十分广泛的电气设备。GIS将断路器、隔离开关、接地开关、电压互感器、电流互感器、避雷器、出线端等电气设备组合成一个整体。长时间的高压工作下,GIS设备会出现各种安全事故,造成人员的伤亡和经济损失。因此,GIS设备运行状态诊断成为一种关键性的技术需求,关系到电力***的安全稳定运行。
常见的GIS设备故障主要有局部放电故障、机械故障。在GIS设备机械故障监测方面,主要方法有声信号分析法与振动信号分析法。声信号分析法利用声信号传感器采集GIS设备的声信号,对声信号分类以监测其机械故障,然而,由于电厂工作环境下噪声较多,对声信号的采集和噪声滤除要求极高,易受外界环境的影响,只能成为GIS设备机械故障诊断的辅助方法。现有的振动信号分析法主要采集GIS设备表面的振动信号,对不同位置振动信号的频域进行分析以监测其机械故障,然而,由于其频谱在故障情况下变得极其复杂,不适合作为机械故障监测的分析对象。现有技术中也存在基于振动信号时域特征的机械故障诊断方法,直接从振动信号中分解得到相应的特征信息以监测其机械故障,无法满足高精度、高准确率机械故障诊断需求。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种GIS设备机械故障诊断方法及***,其目的在于提高GIS设备机械故障诊断的准确率和精度。
为实现上述目的,按照本发明的一个方面,提供了一种GIS设备机械故障诊断方法,包括:S1,采集GIS设备的振动信号时间序列,所述振动信号时间序列的长度为N;S2,以L为移动平均周期,对所述振动信号时间序列进行移动平均处理,依次得到N-L+1个移动平均值,并按照时间顺序将所述N-L+1个移动平均值进行组合以得到移动平均值时间序列;S3,对所述移动平均值时间序列进行标准化处理,并计算标准化处理后移动平均值时间序列的近似熵;S4,将所述近似熵输入至SVM分类器,以分类输出所述GIS设备的运行状态。
更进一步地,所述N-L+1个移动平均值为:
其中,mi为所述N-L+1个移动平均值中第i个移动平均值,x(i)为所述振动信号时间序列中第i个振动信号,x(i+1)为所述振动信号时间序列中第i+1个振动信号,x(i+L-1)为所述振动信号时间序列中第i+L-1个振动信号,i=1,2,…,N-L+1。
其中,为中第i个移动平均值,mi为所述N-L+1个移动平均值中第i个移动平均值,M为标准化处理前的移动平均值时间序列,max(M)为M中的最大值,min(M)为M中的最小值,i=1,2,…,N-L+1。
更进一步地,所述SVM分类器为训练后的分类器,所述SVM分类器的训练过程包括:采集各运行状态下所述GIS设备的振动信号时间序列样本数据,计算每一振动信号时间序列样本数据对应的近似熵,并形成各运行状态对应的近似熵数据集;按照预设比例将各运行状态对应的近似熵数据集划分为训练集和测试集,利用所述训练集对所述SVM分类器进行训练,并利用所述测试集对训练后SVM分类器的分类准确度进行测试。
更进一步地,所述运行状态包括正常状态、维护状态和维修状态。
更进一步地,所述计算标准化处理后移动平均值时间序列的近似熵包括:S31′,将标准化处理后移动平均值时间序列重构为N-L-n+2个n维的重构向量,并计算所述N-L-n+2个n维的重构向量之间的第一平均相似率;S32′,将标准化处理后移动平均值时间序列重构为N-L-n+1个n+1维的重构向量,并计算所述N-L-n+1个n+1维的重构向量之间的第二平均相似率;S33′,计算所述第一平均相似率与第二平均相似率之间的差值,以得到所述近似熵。
更进一步地,所述S31′和S32′中计算重构向量之间的平均相似率包括:对于任一重构向量,计算所述任一重构向量与其他重构向量之间的距离;计算距离小于预设向量相似容忍限度γ的其他重构向量的个数num,并计算所述个数num与重构向量总数之间的比值,以得到所述任一重构向量与其他重构向量之间的相似率;根据每一重构向量与其他重构向量之间的相似率计算所述平均相似率,所述平均相似率为所述第一平均相似率或第二平均相似率。
更进一步地,所述平均相似率为:
更进一步地,所述重构向量为:
按照本发明的另一个方面,提供了一种GIS设备机械故障诊断***,包括:采集模块,用于采集GIS设备的振动信号时间序列,所述振动信号时间序列的长度为N;移动平均模块,用于以L为移动平均周期,对所述振动信号时间序列进行移动平均处理,依次得到N-L+1个移动平均值,并按照时间顺序将所述N-L+1个移动平均值进行组合以得到移动平均值时间序列;近似熵计算模块,用于对所述移动平均值时间序列进行标准化处理,并计算标准化处理后移动平均值时间序列的近似熵;分类模块,用于将所述近似熵输入至SVM分类器,以分类输出所述GIS设备的运行状态。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:对采样得到的原始的振动信号时间序列进行移动平均处理,依次求取连续多个振动信号采样数据作为该移动平均周期内的趋势值,可以反映振动信号在一段时间内的变化趋势,使得提取的GIS设备机械振动趋势更为精准,基于该移动平均值时间序列得到的近似熵更能准确地反映GIS设备的运行状态,由此提高GIS设备运行状态判断的准确率和精度,从而提高GIS设备机械故障诊断的准确率和精度;此外,计算移动平均值时间序列的近似熵,相对于其他熵,近似熵能够更准确地表征时间序列的变化情况,基于近似熵评估GIS设备运行状态的变化情况,进一步地提高了预估的准确性和精度,从而提高了GIS设备机械故障诊断的实时性和准确率,保证了GIS设备的安全运行。
附图说明
图1为本发明实施例提供的GIS设备机械故障诊断方法的流程图;
图2为本发明实施例提供的GIS设备机械故障诊断***的框图。
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仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明中,本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
图1为本发明实施例提供的GIS设备机械故障诊断方法的流程图。参阅图1,GIS设备机械故障诊断方法包括操作S1-操作S4。
操作S1,采集GIS设备的振动信号时间序列,振动信号时间序列的长度为N。
时间序列是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。长度为N的振动信号时间序列为[x(1),x(2),……,x(N)],其中,x(1)例如表示当前采样时刻GIS设备的振动信号,x(2)例如表示前一采样时刻GIS设备的振动信号,以此类推,x(N)例如表示前N-1采样时刻GIS设备的振动信号。
操作S2,以L为移动平均周期,对振动信号时间序列进行移动平均处理,依次得到N-L+1个移动平均值,并按照时间顺序将N-L+1个移动平均值进行组合以得到移动平均值时间序列。
以L为移动平均周期,从振动信号时间序列中第一个振动信号开始,至第L个振动信号,求取这L个振动信号的均值以作为第一个移动平均值;然后从振动信号时间序列中第二个振动信号开始,至第L+1个振动信号,求取这L个振动信号的均值以作为第二个移动平均值;以此类推,直至从振动信号时间序列中第N-L+1个振动信号开始,至序列中最后一个(第N个)振动信号,求取这L个振动信号的均值以作为第N-L+1个移动平均值,这N-L+1个移动平均值的表达式为:
其中,mi为N-L+1个移动平均值中第i个移动平均值,x(i)、x(i+1)和x(i+L-1)分别为振动信号时间序列中第i个、第i+1个和第i+L-1个振动信号,i=1,2,…,N-L+1。可以理解的是,移动平均处理的移动平均周期L应满足2≤L<N。
进一步地,按照时间顺序将移动平均处理得到的N-L+1个移动平均值组合,得到移动平均值时间序列M=[m1,m2,…,mN-L+1]。
操作S3,对移动平均值时间序列进行标准化处理,并计算标准化处理后移动平均值时间序列的近似熵。
根据本发明的实施例,操作S3中,计算标准化处理后移动平均值时间序列的近似熵包括子操作S31′-子操作S33′。
在子操作S31′中,将标准化处理后移动平均值时间序列重构为N-L-n+2个n维的重构向量,并计算该N-L-n+2个n维的重构向量之间的第一平均相似率。
重构得到的N-L-n+2个n维的重构向量为:
本实施例中,以计算该N-L-n+2个n维的重构向量之间的第一平均相似率为例,说明重构向量组之间平均相似率的计算过程。
首先,对于任一重构向量Uj,计算该任一重构向量Uj与其他重构向量Uk之间的距离d[Uj,Uk]:
其中,j≠k,l依次取0至n-1之间的每一个整数。
其次,计算距离d[Uj,Uk]小于预设向量相似容忍限度γ的其他重构向量Uk的个数num:
num=count(d[Uj,Uk]<γ)
在子操作S32′中,将标准化处理后移动平均值时间序列重构为N-L-n+1个n+1维的重构向量,并计算该N-L-n+1个n+1维的重构向量之间的第二平均相似率。
重构得到的N-L-n+1个n+1维的重构向量为:
相应于子操作S31′中第一平均相似率的计算过程,第二平均相似率的计算过程与其相同,此处不再赘述。得到的第二平均相似率为:
在子操作S33′中,计算第一平均相似率与第二平均相似率之间的差值,以得到近似熵,近似熵ApEn为:
操作S4,将近似熵输入至SVM分类器,以分类输出GIS设备的运行状态。
根据本发明的实施例,SVM分类器为训练后的分类器,SVM分类器的训练过程包括以下操作:
首先,采集各运行状态下GIS设备的振动信号时间序列样本数据,计算每一振动信号时间序列样本数据对应的近似熵,并形成各运行状态对应的近似熵数据集。
具体地,GIS设备的运行状态可以划分为正常状态、维护状态和维修状态,以分别表征GIS设备的不同运行状况。分别采集这三种运行状态下GIS设备的振动信号时间序列样本数据,可以理解的是,每一运行状态对应采集有大量的振动信号时间序列样本数据。对于任一振动信号时间序列样本数据而言,其对应的近似熵的计算过程与上述操作S1-操作S3中近似熵的计算过程相同,此处不再赘述。由此,每一振动信号时间序列样本数据对应一近似熵,同一运行状态下的近似熵形成为该运行状态下的近似熵数据集。
其次,按照预设比例将各运行状态对应的近似熵数据集划分为训练集和测试集,利用训练集对支持向量机(Support Vector Machine,SVM)分类器进行训练。具体地,例如对于每一运行状态下的近似熵数据集,按照8:2的比例将近似熵数据集划分为训练集和测试集,即训练集占比80%,测试集占比20%。可以理解的是,也可以按照其他比例划分近似熵数据集。
最后,利用训练集对SVM分类器进行训练,并利用测试集对训练后SVM分类器的分类准确度进行测试。SVM分类器是以SVM为基础的GIS设备机械故障诊断模型。将训练集中的近似熵数据输入到SVM分类器中,训练该分类器;再将测试集中的近似熵数据输入到SVM分类器中,得到对应样本的GIS设备运行状态分类结果,将分类结果和真实的GIS设备运行状态进行对比,计算该SVM分类器的准确率,并在SVM分类器的准确率不满足要求时,增加新的样本数据训练SVM分类器,直至SVM分类器的准确率满足要求。
实际机械故障诊断时,将当前得到的近似熵输入至训练后的SVM分类器,以分类输出GIS设备的运行状态,并根据GIS设备的运行状态判断GIS设备是否存在机械故障。
图2为本发明实施例提出的GIS设备机械故障诊断***的结构框图。参阅图2,该GIS设备机械故障诊断***200包括采集模块210、移动平均模块220、近似熵计算模块230以及分类模块240。
采集模块210例如执行操作S1,用于采集GIS设备的振动信号时间序列,振动信号时间序列的长度为N。
移动平均模块220例如执行操作S2,用于以L为移动平均周期,对振动信号时间序列进行移动平均处理,依次得到N-L+1个移动平均值,并按照时间顺序将N-L+1个移动平均值进行组合以得到移动平均值时间序列。
近似熵计算模块230例如执行操作S3,用于对移动平均值时间序列进行标准化处理,并计算标准化处理后移动平均值时间序列的近似熵。
分类模块240例如执行操作S4,用于将近似熵输入至SVM分类器,以分类输出GIS设备的运行状态。
GIS设备机械故障诊断***200用于执行上述图1所示实施例中的GIS设备机械故障诊断方法。本实施例未尽之细节,请参阅前述图1所示实施例中的GIS设备机械故障诊断方法,此处不再赘述。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种GIS设备机械故障诊断方法,其特征在于,包括:
S1,采集GIS设备的振动信号时间序列,所述振动信号时间序列的长度为N;
S2,以L为移动平均周期,对所述振动信号时间序列进行移动平均处理,依次得到N-L+1个移动平均值,并按照时间顺序将所述N-L+1个移动平均值进行组合以得到移动平均值时间序列;
S3,对所述移动平均值时间序列进行标准化处理,并计算标准化处理后移动平均值时间序列的近似熵;
S4,将所述近似熵输入至SVM分类器,以分类输出所述GIS设备的运行状态。
4.如权利要求1所述的GIS设备机械故障诊断方法,其特征在于,所述SVM分类器为训练后的分类器,所述SVM分类器的训练过程包括:
采集各运行状态下所述GIS设备的振动信号时间序列样本数据,计算每一振动信号时间序列样本数据对应的近似熵,并形成各运行状态对应的近似熵数据集;
按照预设比例将各运行状态对应的近似熵数据集划分为训练集和测试集,利用所述训练集对所述SVM分类器进行训练,并利用所述测试集对训练后SVM分类器的分类准确度进行测试。
5.如权利要求1或4所述的GIS设备机械故障诊断方法,其特征在于,所述运行状态包括正常状态、维护状态和维修状态。
6.如权利要求1所述的GIS设备机械故障诊断方法,其特征在于,所述计算标准化处理后移动平均值时间序列的近似熵包括:
S31′,将标准化处理后移动平均值时间序列重构为N-L-n+2个n维的重构向量,并计算所述N-L-n+2个n维的重构向量之间的第一平均相似率;
S32′,将标准化处理后移动平均值时间序列重构为N-L-n+1个n+1维的重构向量,并计算所述N-L-n+1个n+1维的重构向量之间的第二平均相似率;
S33′,计算所述第一平均相似率与第二平均相似率之间的差值,以得到所述近似熵。
7.如权利要求6所述的GIS设备机械故障诊断方法,其特征在于,所述S31′和S32′中计算重构向量之间的平均相似率包括:
对于任一重构向量,计算所述任一重构向量与其他重构向量之间的距离;
计算距离小于预设向量相似容忍限度γ的其他重构向量的个数num,并计算所述个数num与重构向量总数之间的比值,以得到所述任一重构向量与其他重构向量之间的相似率;
根据每一重构向量与其他重构向量之间的相似率计算所述平均相似率,所述平均相似率为所述第一平均相似率或第二平均相似率。
10.一种GIS设备机械故障诊断***,其特征在于,包括:
采集模块,用于采集GIS设备的振动信号时间序列,所述振动信号时间序列的长度为N;
移动平均模块,用于以L为移动平均周期,对所述振动信号时间序列进行移动平均处理,依次得到N-L+1个移动平均值,并按照时间顺序将所述N-L+1个移动平均值进行组合以得到移动平均值时间序列;
近似熵计算模块,用于对所述移动平均值时间序列进行标准化处理,并计算标准化处理后移动平均值时间序列的近似熵;
分类模块,用于将所述近似熵输入至SVM分类器,以分类输出所述GIS设备的运行状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110458551.2A CN113191247A (zh) | 2021-04-27 | 2021-04-27 | 一种gis设备机械故障诊断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110458551.2A CN113191247A (zh) | 2021-04-27 | 2021-04-27 | 一种gis设备机械故障诊断方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113191247A true CN113191247A (zh) | 2021-07-30 |
Family
ID=76979317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110458551.2A Pending CN113191247A (zh) | 2021-04-27 | 2021-04-27 | 一种gis设备机械故障诊断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191247A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113901999A (zh) * | 2021-09-29 | 2022-01-07 | 国网四川省电力公司电力科学研究院 | 一种高压并联电抗器故障诊断方法和*** |
CN115453336A (zh) * | 2022-08-25 | 2022-12-09 | 广东工业大学 | 一种gis刀闸运行状态判断方法、***及计算机可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050209814A1 (en) * | 2002-06-07 | 2005-09-22 | Limin Song | System and methodology for vibration analysis and condition monitoring |
US20140296726A1 (en) * | 2009-11-03 | 2014-10-02 | Vivaquant Llc | Method and Apparatus for Identifying Cardiac Risk |
CN104849050A (zh) * | 2015-06-02 | 2015-08-19 | 安徽工业大学 | 一种基于复合多尺度排列熵的滚动轴承故障诊断方法 |
CN109655298A (zh) * | 2019-01-10 | 2019-04-19 | 北京航空航天大学 | 一种大跨度金属屋面的故障实时预警方法及装置 |
WO2019153388A1 (zh) * | 2018-02-12 | 2019-08-15 | 大连理工大学 | 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法 |
CN110146268A (zh) * | 2019-05-28 | 2019-08-20 | 河海大学 | 一种基于均值分解算法的oltc故障诊断方法 |
CN111272429A (zh) * | 2020-03-04 | 2020-06-12 | 贵州大学 | 一种轴承故障诊断方法 |
CN112069930A (zh) * | 2020-08-20 | 2020-12-11 | 国网山西省电力公司电力科学研究院 | 提升gis设备故障诊断准确率的振动信号处理方法及装置 |
CN112648220A (zh) * | 2019-10-10 | 2021-04-13 | 天津科技大学 | 一种基于小波-近似熵的风机故障诊断方法 |
-
2021
- 2021-04-27 CN CN202110458551.2A patent/CN113191247A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050209814A1 (en) * | 2002-06-07 | 2005-09-22 | Limin Song | System and methodology for vibration analysis and condition monitoring |
US20140296726A1 (en) * | 2009-11-03 | 2014-10-02 | Vivaquant Llc | Method and Apparatus for Identifying Cardiac Risk |
CN104849050A (zh) * | 2015-06-02 | 2015-08-19 | 安徽工业大学 | 一种基于复合多尺度排列熵的滚动轴承故障诊断方法 |
WO2019153388A1 (zh) * | 2018-02-12 | 2019-08-15 | 大连理工大学 | 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法 |
CN109655298A (zh) * | 2019-01-10 | 2019-04-19 | 北京航空航天大学 | 一种大跨度金属屋面的故障实时预警方法及装置 |
CN110146268A (zh) * | 2019-05-28 | 2019-08-20 | 河海大学 | 一种基于均值分解算法的oltc故障诊断方法 |
CN112648220A (zh) * | 2019-10-10 | 2021-04-13 | 天津科技大学 | 一种基于小波-近似熵的风机故障诊断方法 |
CN111272429A (zh) * | 2020-03-04 | 2020-06-12 | 贵州大学 | 一种轴承故障诊断方法 |
CN112069930A (zh) * | 2020-08-20 | 2020-12-11 | 国网山西省电力公司电力科学研究院 | 提升gis设备故障诊断准确率的振动信号处理方法及装置 |
Non-Patent Citations (1)
Title |
---|
焦海锋;: "基于小波―近似熵在风机故障诊断中的应用研究", 电站***工程, no. 04 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113901999A (zh) * | 2021-09-29 | 2022-01-07 | 国网四川省电力公司电力科学研究院 | 一种高压并联电抗器故障诊断方法和*** |
CN113901999B (zh) * | 2021-09-29 | 2023-09-29 | 国网四川省电力公司电力科学研究院 | 一种高压并联电抗器故障诊断方法和*** |
CN115453336A (zh) * | 2022-08-25 | 2022-12-09 | 广东工业大学 | 一种gis刀闸运行状态判断方法、***及计算机可读存储介质 |
CN115453336B (zh) * | 2022-08-25 | 2024-03-12 | 广东工业大学 | 一种gis刀闸运行状态判断方法、***及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109444656B (zh) | 一种变压器绕组变形位置的在线诊断方法 | |
US11402438B2 (en) | Intelligent on-line diagnosis and positioning method for winding deformation of power transformers | |
CN111044902B (zh) | 一种基于电流和电压信号的电机故障诊断方法 | |
CN113191247A (zh) | 一种gis设备机械故障诊断方法及*** | |
CN104807639A (zh) | 一种机车走行部滚动轴承故障诊断方法和装置 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及*** | |
CN113111591B (zh) | 基于模块化配电终端内部故障自动诊断方法、装置及设备 | |
CN112069930A (zh) | 提升gis设备故障诊断准确率的振动信号处理方法及装置 | |
CN109615126A (zh) | 一种轴承剩余寿命预测方法 | |
CN110703151A (zh) | 基于振动盲源分离和贝叶斯模型的变压器故障诊断方法 | |
CN110321912A (zh) | 多计量异常事件关联度分析方法 | |
CN104949840A (zh) | 一种基于振动分析的柴油机故障诊断方法 | |
CN106295240A (zh) | 一种基于模糊数学的电力变压器状态评估方法 | |
CN113297922A (zh) | 一种高压开关柜故障诊断方法、装置及存储介质 | |
CN117607672A (zh) | 一种gis断路器的智能监测方法及*** | |
Song et al. | Research on rolling bearing fault diagnosis method based on improved LMD and CMWPE | |
CN115389888B (zh) | 一种基于高压电缆的局部放电实时监测*** | |
CN110929673A (zh) | 一种基于itd排列熵和cgwo-svm的变压器绕组振动信号识别方法 | |
CN116559728A (zh) | 基于小波变换-多层感知机的输电线路故障诊断方法 | |
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 | |
CN113033889B (zh) | 高压输电线路故障预测方法、装置及终端设备 | |
Zheng et al. | Power quality disturbance classification based on rule-based and wavelet-multi-resolution decomposition | |
Zhang et al. | Fault diagnosis of on-board equipment in ctcs-3 based on cnn-lstm model | |
Shi et al. | Fault Diagnosis of Transmission Lines Based on Improved Complete Ensemble Empirical Mode Decomposition | |
Zhang et al. | A new machine learning-basd fault diagnosis method of high voltage shunt reactor using spectral residual |
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 |