CN113505876A - 一种基于生成式对抗网络的高压断路器故障诊断方法 - Google Patents
一种基于生成式对抗网络的高压断路器故障诊断方法 Download PDFInfo
- Publication number
- CN113505876A CN113505876A CN202110654484.1A CN202110654484A CN113505876A CN 113505876 A CN113505876 A CN 113505876A CN 202110654484 A CN202110654484 A CN 202110654484A CN 113505876 A CN113505876 A CN 113505876A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- fault
- generated
- generative
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000003745 diagnosis Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于生成式对抗网络的高压断路器故障诊断方法，包括以下步骤：采集实际故障数据并进行数据预处理；构建生成式对抗网络模型；将随机噪声输入生成模型中，训练得到生成数据；将实际故障数据和生成数据输入判别模型进行真伪判别；输入数据训练生成式对抗网络，直到达到设定判别阈值；将实际故障数据和生成数据融合构成故障数据库。上述技术方案通过使用生成式对抗网络生成故障数据，丰富故障数据库，并且同时对生成的故障数据进行鉴别，判断数据是否异常、缺失，从而保证数据库数据的高质量，满足基于机器学习的高压断路器故障识别对高质量数据的要求，大大增加诊断结果的准确性。
Description
技术领域
本发明涉及断路器诊断技术领域，尤其涉及一种基于生成式对抗网络的高压断路器故障诊断方法。
背景技术
有资料显示，断路器是高压电网中的重要设备，主要起控制和保护设备的作用。随着使用时间的增加，断路器某些部件会不断的老化或损坏，如机械机构的磨损、触头的磨损、分合闸二次机构的故障等。这些问题都可能会导致断路器的运行失常，甚至于影响到整个电网的安全运行。因此，对断路器性能进行定期检查，评估其运行状态至关重要。
对高压断路器进行实时的状态监测与故障诊断，可以做到对于断路器运行状态的实时把握，并据此制定合理的检修计划，对保障电网安全运行具有重要意义。根据IEEE对选择断路器监测对象的建议，最为常见的状态量有：断路器动触头行程、断路器触头及环境温度、分合闸状态、分合闸线圈电流、储能电机电流以及断路器机械振动。一般断路器的故障诊断就可以通过对上述参数的采集、特征提取、分类来完成。但在实际工作中，故障数据是极难获取的。断路器模拟故障实验可以获取高质量的数据，但实验成本较高；仿真软件可以获取故障模拟数据，但实际值和仿真值存在明显误差，因此获取准确的用于实现诊断的数据便成为重点。
中国专利文献CN108828441A公开了一种“高压断路器故障诊断方法”。采用了包括：1)采集高压断路器合分闸线圈电流构成数据集；2)针对所涉及的断路器不同状态类型进行编码，按比例随机抽取数据分别作为预训练样本、参数微调样本和测试样本，并进行归一化处理；3)建立DBN分类网络模型，分别使用无标签的预训练数据样本进行网络预训练，以及有标签的样本进行参数微调；4)使用训练完成的DBN进行高压断路器故障诊断。上述技术方案可以获取故障仿真数据，但故障仿真数据与实际故障值之间存在明显误差，对于诊断结果的准确性难以保证。
发明内容
本发明主要解决原有的技术方案获取故障仿真数据与实际故障值之间存在明显误差，缺乏准确数据实现故障诊断的技术问题，提供一种基于生成式对抗网络的高压断路器故障诊断方法，通过使用生成式对抗网络生成故障数据，丰富故障数据库，并且同时对生成的故障数据进行鉴别，判断数据是否异常、缺失，从而保证数据库数据的高质量，满足基于机器学习的高压断路器故障识别对高质量数据的要求，大大增加诊断结果的准确性。
本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括以下步骤：
S1采集实际故障数据并进行数据预处理；
S2构建生成式对抗网络模型；
S3将随机噪声输入生成模型中，训练得到生成数据；
S4将实际故障数据和生成数据输入判别模型进行真伪判别；
S5输入数据训练生成式对抗网络，直到达到设定判别阈值；
S6将实际故障数据和生成数据融合构成故障数据库。
作为优选，所述的步骤S1数据预处理包括通过对将缺失和重复的数据整合删除，将数据集进行归一化处理和特征选取，实现故障数据的分类，以加快样本生成模型的收敛速度，减少数据维度。
作为优选，所述的步骤S2生成式对抗网络模型包括用于生成数据的生成模型和用于判断生成数据真假以及生成数据类别的判别模型，生成模型与判别模型相互博弈学习并且与故障数据库的数据进行相互交换对比。
作为优选，所述的生成模型由深度转置卷积网络构成，通过采样到的真实故障样本训练故障样本生成模型，学习真实故障样本的分布。
作为优选，所述的判别模型由深度神经网络构成，所述判别模型中包含用于判断数据真伪的分类器。使用真实故障样本训练一个评估模型对生成样本进行挑选，用于训练故障诊断模型的生成的故障样本与真实样本的分布的接近程度，以评估生成样本的质量。
作为优选，所述的步骤S4使用真伪二分类器鉴别区分真实故障数据和生成故障数据的差异，输出值为二进制数0或者1,若输出为0，则数据为假数据，若输出为1，则数据为真数据，使用大量数据训练生成模型和判别模型，使得训练后的判别模型输出值更接近于1。
作为优选，所述的生成模型的第一层为6144大小的全连接层，后续四层是三维的转置卷积层，其中卷积核大小为2×5×5，即时间×宽×高，所述生成模型中使用转置卷积层操作。使用转置卷积层操作视为传统卷积操作的一种“逆向”传递过程。
作为优选，所述的判别模型使用卷积神经网络，所述判别模型的前四层是用于提取数据的时空特征的三维卷积层，随后是全连接层，所述卷积层的卷积核大小为2×5×5，即时间×宽×高。
作为优选，所述的步骤S3使用Wasserstein距离优化复合网络模型的损失函数以稳定训练过程，Wasserstein距离计算式定义为
其中，T1为真实故障数据服从的分布，T2是生成数据服从的分布，∏(T1，T2)为T1和T2组合起来的所有联合分布的集合，γ为其中的一个联合分布，(x，y)为γ中的一组样本，E(x，y)～γ[‖x-y‖]为该样本距离的期望值。
作为优选，所述的步骤S5若判别该组输入数据的真实概率大于设定阈值，则该组输入数据判定为有效。训练目的是使得生成式对抗网络模型的判别真实率达到设定阈值，生成模型与判别模型交替优化学习，最终达到零和博弈。
本发明的有益效果是：通过使用生成式对抗网络生成故障数据，丰富故障数据库，并且同时对生成的故障数据进行鉴别，判断数据是否异常、缺失，从而保证数据库数据的高质量，满足基于机器学习的高压断路器故障识别对高质量数据的要求，大大增加诊断结果的准确性。
附图说明
图1是本发明的一种流程图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。实施例：本实施例的一种基于生成式对抗网络的高压断路器故障诊断方法，如图1所示，包括以下步骤：
S1采集实际故障数据并进行数据预处理，通过对将缺失和重复的数据整合删除，将数据集进行归一化处理和特征选取，实现故障数据的分类，以加快样本生成模型的收敛速度，减少数据维度。
S2构建生成式对抗网络模型，生成式对抗网络模型包括用于生成数据的生成模型和用于判断生成数据真假以及生成数据类别的判别模型，生成模型与判别模型相互博弈学习并且与故障数据库的数据进行相互交换对比。生成模型由深度转置卷积网络构成，通过采样到的真实故障样本训练故障样本生成模型，学习真实故障样本的分布。生成模型的第一层为6144大小的全连接层，后续四层是三维的转置卷积层，其中卷积核大小为2×5×5，即时间×宽×高，所述生成模型中使用转置卷积层操作。使用转置卷积层操作视为传统卷积操作的一种“逆向”传递过程。
判别模型由深度神经网络构成，所述判别模型中包含用于判断数据真伪的分类器。使用真实故障样本训练一个评估模型对生成样本进行挑选，用于训练故障诊断模型的生成的故障样本与真实样本的分布的接近程度，以评估生成样本的质量。判别模型使用卷积神经网络，所述判别模型的前四层是用于提取数据的时空特征的三维卷积层，随后是全连接层，所述卷积层的卷积核大小为2×5×5，即时间×宽×高。
S3将随机噪声输入生成模型中，训练得到生成数据。使用Wasserstein距离优化复合网络模型的损失函数以稳定训练过程，Wasserstein距离计算式定义为
其中，T1为真实故障数据服从的分布，T2是生成数据服从的分布，∏(T1，T2)为T1和T2组合起来的所有联合分布的集合，γ为其中的一个联合分布，(x，y)为γ中的一组样本，E(x，y)～γ[‖x-y‖]为该样本距离的期望值。
S4将实际故障数据和生成数据输入判别模型进行真伪判别。使用真伪二分类器鉴别区分真实故障数据和生成故障数据的差异，输出值为二进制数0或者1,若输出为0，则数据为假数据，若输出为1，则数据为真数据，使用大量数据训练生成模型和判别模型，使得训练后的判别模型输出值更接近于1。
S5输入数据训练生成式对抗网络，直到达到设定判别阈值，若判别该组输入数据的真实概率大于设定阈值，则该组输入数据判定为有效。训练目的是使得生成式对抗网络模型的判别真实率达到设定阈值，生成模型与判别模型交替优化学习，最终达到零和博弈。
S6将实际故障数据和生成数据融合构成故障数据库。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了生成式对抗网络模型等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。
Claims (10)
1.一种基于生成式对抗网络的高压断路器故障诊断方法，其特征在于，包括以下步骤：
S1采集实际故障数据并进行数据预处理；
S2构建生成式对抗网络模型；
S3将随机噪声输入生成模型中，训练得到生成数据；
S4将实际故障数据和生成数据输入判别模型进行真伪判别；
S5输入数据训练生成式对抗网络，直到达到设定判别阈值；
S6将实际故障数据和生成数据融合构成故障数据库。
2.根据权利要求1所述的一种基于生成式对抗网络的高压断路器故障诊断方法，其特征在于，所述步骤S1数据预处理包括通过对将缺失和重复的数据整合删除，将数据集进行归一化处理和特征选取，实现故障数据的分类，以加快样本生成模型的收敛速度，减少数据维度。
3.根据权利要求1所述的一种基于生成式对抗网络的高压断路器故障诊断方法，其特征在于，所述步骤S2生成式对抗网络模型包括用于生成数据的生成模型和用于判断生成数据真假以及生成数据类别的判别模型，生成模型与判别模型相互博弈学习并且与故障数据库的数据进行相互交换对比。
4.根据权利要求3所述的一种基于生成式对抗网络的高压断路器故障诊断方法，其特征在于，所述生成模型由深度转置卷积网络构成，通过采样到的真实故障样本训练故障样本生成模型，学习真实故障样本的分布。
5.根据权利要求1所述的一种基于生成式对抗网络的高压断路器故障诊断方法，其特征在于，所述判别模型由深度神经网络构成，所述判别模型中包含用于判断数据真伪的分类器。
6.根据权利要求1所述的一种基于生成式对抗网络的高压断路器故障诊断方法，其特征在于，所述步骤S4使用真伪二分类器鉴别区分真实故障数据和生成故障数据的差异，输出值为二进制数0或者1,若输出为0，则数据为假数据，若输出为1，则数据为真数据，使用大量数据训练生成模型和判别模型，使得训练后的判别模型输出值更接近于1。
7.根据权利要求4所述的一种基于生成式对抗网络的高压断路器故障诊断方法，其特征在于，所述生成模型的第一层为6144大小的全连接层，后续四层是三维的转置卷积层，其中卷积核大小为2×5×5，即时间×宽×高，所述生成模型中使用转置卷积层操作。
8.根据权利要求5所述的一种基于生成式对抗网络的高压断路器故障诊断方法，其特征在于，所述判别模型使用卷积神经网络，所述判别模型的前四层是用于提取数据的时空特征的三维卷积层，随后是全连接层，所述卷积层的卷积核大小为2×5×5，即时间×宽×高。
9.根据权利要求1所述的一种基于生成式对抗网络的高压断路器故障诊断方法，其特征在于，所述步骤S3使用Wasserstein距离优化复合网络模型的损失函数以稳定训练过程，Wasserstein距离计算式定义为
其中，T1为真实故障数据服从的分布，T2是生成数据服从的分布，∏(T1，T2)为T1和T2组合起来的所有联合分布的集合，γ为其中的一个联合分布，(x，y)为γ中的一组样本，E(x，y)～γ[‖x-y‖]为该样本距离的期望值。
10.根据权利要求1所述的一种基于生成式对抗网络的高压断路器故障诊断方法，其特征在于，所述步骤S5若判别该组输入数据的真实概率大于设定阈值，则该组输入数据判定为有效。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110654484.1A CN113505876A (zh) | 2021-06-11 | 2021-06-11 | 一种基于生成式对抗网络的高压断路器故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110654484.1A CN113505876A (zh) | 2021-06-11 | 2021-06-11 | 一种基于生成式对抗网络的高压断路器故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113505876A true CN113505876A (zh) | 2021-10-15 |
Family
ID=78010009
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110654484.1A Pending CN113505876A (zh) | 2021-06-11 | 2021-06-11 | 一种基于生成式对抗网络的高压断路器故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113505876A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113900860A (zh) * | 2021-10-27 | 2022-01-07 | 重庆邮电大学 | 基于cgan的无线传感器网络故障节点的数据恢复方法 |
| CN115169506A (zh) * | 2022-09-06 | 2022-10-11 | 中铁第四勘察设计院集团有限公司 | 一种供变电关键设备故障快速诊断方法及*** |
| CN116429406A (zh) * | 2023-06-14 | 2023-07-14 | 山东能源数智云科技有限公司 | 大型机械设备故障诊断模型的构建方法及装置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108680807A (zh) * | 2018-05-17 | 2018-10-19 | 国网山东省电力公司青岛供电公司 | 基于条件生成式对抗网络的变压器故障诊断方法和*** |
| CN108805418A (zh) * | 2018-05-22 | 2018-11-13 | 福州大学 | 一种基于生成式对抗网络的交通数据填充方法 |
| JP2019056975A (ja) * | 2017-09-19 | 2019-04-11 | 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ | 改良型敵対的生成ネットワーク実現プログラム、改良型敵対的生成ネットワーク実現装置及び学習済モデル生成方法 |
| CN109813542A (zh) * | 2019-03-15 | 2019-05-28 | 中国计量大学 | 基于生成式对抗网络的空气处理机组的故障诊断方法 |
| CN109918999A (zh) * | 2019-01-22 | 2019-06-21 | 西安交通大学 | 一种小样本数据下基于生成模型的机械设备故障智能诊断方法 |
| US20190197358A1 (en) * | 2017-12-21 | 2019-06-27 | International Business Machines Corporation | Generative Adversarial Network Medical Image Generation for Training of a Classifier |
| CN110955651A (zh) * | 2019-11-28 | 2020-04-03 | 武汉科技大学 | 基于深度卷积生成式对抗网络的电机故障数据的增强方法 |
| US20200202221A1 (en) * | 2018-12-20 | 2020-06-25 | Shandong University Of Science And Technology | Fault detection method and system based on generative adversarial network and computer program |
| CN111445147A (zh) * | 2020-03-27 | 2020-07-24 | 中北大学 | 一种用于机械故障诊断的生成式对抗网络模型评估方法 |
| CN111582348A (zh) * | 2020-04-29 | 2020-08-25 | 武汉轻工大学 | 条件生成式对抗网络的训练方法、装置、设备及存储介质 |
| CN112148517A (zh) * | 2020-10-19 | 2020-12-29 | 东北电力大学 | 一种面向转动设备的故障诊断方法 |
| EP3798917A1 (en) * | 2019-09-24 | 2021-03-31 | Naver Corporation | Generative adversarial network (gan) for generating images |
-
2021
- 2021-06-11 CN CN202110654484.1A patent/CN113505876A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019056975A (ja) * | 2017-09-19 | 2019-04-11 | 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ | 改良型敵対的生成ネットワーク実現プログラム、改良型敵対的生成ネットワーク実現装置及び学習済モデル生成方法 |
| US20190197358A1 (en) * | 2017-12-21 | 2019-06-27 | International Business Machines Corporation | Generative Adversarial Network Medical Image Generation for Training of a Classifier |
| CN108680807A (zh) * | 2018-05-17 | 2018-10-19 | 国网山东省电力公司青岛供电公司 | 基于条件生成式对抗网络的变压器故障诊断方法和*** |
| CN108805418A (zh) * | 2018-05-22 | 2018-11-13 | 福州大学 | 一种基于生成式对抗网络的交通数据填充方法 |
| US20200202221A1 (en) * | 2018-12-20 | 2020-06-25 | Shandong University Of Science And Technology | Fault detection method and system based on generative adversarial network and computer program |
| CN109918999A (zh) * | 2019-01-22 | 2019-06-21 | 西安交通大学 | 一种小样本数据下基于生成模型的机械设备故障智能诊断方法 |
| CN109813542A (zh) * | 2019-03-15 | 2019-05-28 | 中国计量大学 | 基于生成式对抗网络的空气处理机组的故障诊断方法 |
| EP3798917A1 (en) * | 2019-09-24 | 2021-03-31 | Naver Corporation | Generative adversarial network (gan) for generating images |
| CN110955651A (zh) * | 2019-11-28 | 2020-04-03 | 武汉科技大学 | 基于深度卷积生成式对抗网络的电机故障数据的增强方法 |
| CN111445147A (zh) * | 2020-03-27 | 2020-07-24 | 中北大学 | 一种用于机械故障诊断的生成式对抗网络模型评估方法 |
| CN111582348A (zh) * | 2020-04-29 | 2020-08-25 | 武汉轻工大学 | 条件生成式对抗网络的训练方法、装置、设备及存储介质 |
| CN112148517A (zh) * | 2020-10-19 | 2020-12-29 | 东北电力大学 | 一种面向转动设备的故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘云鹏;许自强;和家慧;王权;高树国;赵军;: "基于条件式Wasserstein生成对抗网络的电力变压器故障样本增强技术", 电网技术, no. 04 * |
| 柴志豪;: "基于GAN的轴承故障诊断方法", 内燃机与配件, no. 14 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113900860A (zh) * | 2021-10-27 | 2022-01-07 | 重庆邮电大学 | 基于cgan的无线传感器网络故障节点的数据恢复方法 |
| CN115169506A (zh) * | 2022-09-06 | 2022-10-11 | 中铁第四勘察设计院集团有限公司 | 一种供变电关键设备故障快速诊断方法及*** |
| CN116429406A (zh) * | 2023-06-14 | 2023-07-14 | 山东能源数智云科技有限公司 | 大型机械设备故障诊断模型的构建方法及装置 |
| CN116429406B (zh) * | 2023-06-14 | 2023-09-26 | 山东能源数智云科技有限公司 | 大型机械设备故障诊断模型的构建方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113505876A (zh) | 一种基于生成式对抗网络的高压断路器故障诊断方法 | |
| CN111652348B (zh) | 一种基于改进cnn的动力电池组故障融合诊断方法及*** | |
| CN110929763A (zh) | 基于多源数据融合的中压真空断路器机械故障诊断方法 | |
| CN112989977B (zh) | 一种基于跨模态注意力机制的视听事件定位方法及装置 | |
| CN109298258A (zh) | 结合rvm和dbn的变压器故障诊断方法及*** | |
| Ma et al. | Multisensor decision approach for HVCB fault detection based on the vibration information | |
| CN111275136B (zh) | 基于小样本下的故障预测***及其预警方法 | |
| CN113376516A (zh) | 一种基于深度学习的中压真空断路器运行故障自诊断与预警方法 | |
| CN110569888A (zh) | 基于有向无环图支持向量机的变压器故障诊断方法及装置 | |
| CN110596490A (zh) | 铁路道岔故障的智能检测方法 | |
| CN114444620A (zh) | 一种基于生成式对抗神经网络的示功图故障诊断方法 | |
| CN114091549A (zh) | 一种基于深度残差网络的设备故障诊断方法 | |
| CN114491823B (zh) | 一种基于改进生成对抗网络的列车轴承故障诊断方法 | |
| CN109901064B (zh) | 基于ica-lvq的高压断路器故障诊断方法 | |
| CN116842463A (zh) | 一种电动汽车充电桩设备故障诊断方法 | |
| CN114239384A (zh) | 一种基于非线性度量原型网络的滚动轴承故障诊断方法 | |
| CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
| CN112748331A (zh) | 一种基于ds证据融合的断路器机械故障识别方法及装置 | |
| CN117150383A (zh) | 一种ShuffleDarkNet37-SE的新能源汽车动力电池故障分类方法 | |
| CN115791174B (zh) | 一种滚动轴承异常诊断方法、***、电子设备及存储介质 | |
| CN114841266A (zh) | 一种小样本下基于三元组原型网络的电压暂降识别方法 | |
| CN114113868A (zh) | 一种变压器故障诊断方法 | |
| Chen et al. | Fault Diagnosis for Transformers Based on FRVM and DBN | |
| CN117332352B (zh) | 一种基于BAM-AlexNet的避雷器信号缺陷识别方法 | |
| Xie et al. | Intelligent Fault Diagnosis of Bearings under Variable Working Conditions and Small Samples with Generative Adversarial Network |
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 |