CN113901862B - 一种电磁斥力机构故障监测方法、***、设备及可读存储介质 - Google Patents
一种电磁斥力机构故障监测方法、***、设备及可读存储介质 Download PDFInfo
- Publication number
- CN113901862B CN113901862B CN202110926734.2A CN202110926734A CN113901862B CN 113901862 B CN113901862 B CN 113901862B CN 202110926734 A CN202110926734 A CN 202110926734A CN 113901862 B CN113901862 B CN 113901862B
- Authority
- CN
- China
- Prior art keywords
- signal
- electromagnetic repulsion
- repulsion mechanism
- wavelet packet
- energy
- 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.)
- Active
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 63
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000003745 diagnosis Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 22
- 238000012706 support-vector machine Methods 0.000 claims description 19
- 230000001133 acceleration Effects 0.000 claims description 16
- 230000009471 action Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000003750 conditioning effect Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 239000002184 metal Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种电磁斥力机构故障监测方法、***、设备及可读存储介质,采用小波包归一化能量方法提取振动信号样本集的信号特征,采用获取的信号特征进行模型训练得到故障诊断模型,并设定诊断模型的故障诊断阈值,以电磁斥力机构为监测对象,首先实现了电磁斥力机构的在线监测,可以实时判断电磁斥力机构的运行状态,从而快速准确地减少故障的发生,并进一步指导电磁斥力机构的参数和结构优化,本发明可实现在线监测,在电磁斥力机构动作后的几秒之内即可判断是否故障以及故障类型,可以通过分闸振动信号快速准确地判断出断路器状态,具有一定的实际工程应用价值。
Description
技术领域
本发明属于电工技术领域,具体涉及一种电磁斥力机构故障监测方法、***、设备及可读存储介质。
背景技术
随着经济社会的发展,电力***的安全性问题也面临着越来越严峻的挑战,短路电流的开断是其中的一个重要环节。而传统的机械结构断路器已无法满足部分地方的开端容量和速度,因此一种应用电磁斥力机构的真空断路器得到了应用。电磁斥力机构开断速度快,时间短,能够满足当前短路电流的开断要求。
然而,由于电磁斥力机构开断速度快,其对自身和断路器带来的冲击力也很大,因此容易故障。现有的电磁斥力机构故障诊断仍然停留在算法层面,鲜有可以实际应用的监测***。因此,有必要将算法和硬件相结合,研制一种可以实际应用的故障监测***,来快速准确地检测出电磁斥力机构中出现的故障,避免出现经济损失。
发明内容
本发明的目的在于提供一种电磁斥力机构故障监测方法、***、设备及可读存储介质,以克服现有技术的不足。
为达到上述目的,本发明采用如下技术方案:
一种电磁斥力机构故障监测方法,其特征在于,包括以下步骤:
S1,获取电磁斥力机构正常状态下分闸动作产生的振动信号样本集,并采用小波包归一化能量方法提取振动信号样本集的信号特征;
S2,采用获取的信号特征进行模型训练得到故障诊断模型,并设定诊断模型的故障诊断阈值;
S3,通过加速度传感器获取待测电磁斥力机构分闸动作产生的待测振动信号,并将获取的待测振动信号输入至故障诊断模型得到振动信号的信号特征与设定阈值对比,即可得到待测电磁斥力机构分闸动作的状态。
进一步的,采用LabVIEW中对采集到的振动信号进行小波包分解实现信号特征提取。
进一步的,对原始信号进行小波包分解,计算小波包分解后各节点的能量:信号能量通过以下公式计算
式中,x(k)为小波包分解后每个节点的信号,N为信号点数,Q为求得的该信号的能量;
对振动信号进行归一化处理:计算公式为
式中,E为小波包分解后各节点的总能量,Ei为各节点归一化能量,j为小波包分解层数。
进一步的,故障诊断模型基于支持向量机(SVM),其分类原理满足如下公式
其中,{xi,yi}N i=1代表样本集,ξi为松弛因子,c为惩罚系数,b为基础系数,为目标函数,s.t.为约束条件,Ei表示小波包分解后各节点归一化能量,yi表示信号类别,ω为分类超平面的法向量,ωΤ为超平面法向量的转置向量。
进一步的,支持向量机(SVM)采用二分类的算法,对于n维空间的输入样本,寻找一个最优的分类超平面,使得两类样本在这个超平面下获得最好的分类效果。
一种电磁斥力机构故障监测***,包括上位机和下位机,下位机包括数据采集卡,数据采集卡用于获取待测电磁斥力机构分闸动作产生的振动信号,并将获取的振动信号传输至上位机,上位机包括信号采集存储单元、特征提取单元和故障诊断单元,信号采集存储单元用于接收数据采集卡传输的振动信号并存储,同时传输至特征提取单元提取振动信号的信号特征,将提取的信号特征传输至故障诊断单元进行模型训练,故障诊断单元用于存储预训练模型,同时将获取的待测振动信号输入至故障诊断模型得到振动信号的信号特征与设定阈值对比,输出诊断状态。
进一步的,数据采集卡通过加速度传感器获取待测电磁斥力机构分闸动作产生的待测振动信号,加速度传感器的型号为LC0157T,测量范围为0-5000g,频响范围为0-20kHz,采用LC0207恒流源模块对其供电及信号调理。
进一步的,数据采集卡采用NI USB-6346BNC,共有8个模拟信号输入通道,单通道最高采样率为500kHz。
一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述电磁斥力机构故障监测方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述电磁斥力机构故障监测方法的步骤。
与现有技术相比,本发明具有以下有益的技术效果:
本发明一种电磁斥力机构故障监测方法,采用小波包归一化能量方法提取振动信号样本集的信号特征,采用获取的信号特征进行模型训练得到故障诊断模型,并设定诊断模型的故障诊断阈值,以电磁斥力机构为监测对象,首先实现了电磁斥力机构的在线监测,可以实时判断电磁斥力机构的运行状态,从而快速准确地减少故障的发生,并进一步指导电磁斥力机构的参数和结构优化,本发明可实现在线监测,在电磁斥力机构动作后的几秒之内即可判断是否故障以及故障类型,具有一定的实际工程应用价值。
进一步的,一种电磁斥力机构故障监测***,将下位机的传感器与数据采集卡和上位机的LabVIEW和Python软硬件相结合,实现了对电磁斥力机构故障的在线监测,该***使用简便,运行时间短,能快速精确地检测出电磁斥力机构中发生的故障。
附图说明
图1为本发明实施例中的电磁斥力机构故障监测***结构图。
图2为本发明实施例中电磁斥力机构结构示意图。
图3为本发明实施例中加速度传感器恒流源供电模块的电路图。
图4为本发明实施例中支持向量机的分类原理图。
图5为本发明实施例中上位机检测结果示意图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
如图1所示,一种电磁斥力机构故障监测方法,包括以下步骤:
S1,获取电磁斥力机构正常状态下分闸动作产生的振动信号样本集,并采用小波包归一化能量方法提取振动信号样本集的信号特征;
S2,采用获取的信号特征进行模型训练得到故障诊断模型,并设定诊断模型的故障诊断阈值;
S3,通过加速度传感器获取待测电磁斥力机构分闸动作产生的待测振动信号,并将获取的待测振动信号输入至故障诊断模型得到振动信号的信号特征与设定阈值对比,即可得到待测电磁斥力机构分闸动作的状态。
具体的,采用LabVIEW中对采集到的振动信号进行小波包分解实现信号特征提取。采用LabVIEW为LabVIEW 2018。
对原始信号进行小波包分解(Wavelet Packet Decomposition),其主要办法是在小波变换的基础上,在每一级信号分解时,对低频子带和高频子带均进行进一步分解,最后通过最小化一个代价函数,计算出最优的信号分解路径,并以此分解路径对原始信号进行分解。
具体的,计算小波包分解后各节点的能量:信号能量通过以下公式计算
式中,x(k)为小波包分解后每个节点的信号,N为信号点数,Q为求得的该信号的能量;
对振动信号进行归一化处理:计算公式为
式中,E为小波包分解后各节点的总能量,Ei为各节点归一化能量,j为小波包分解层数。
故障诊断模型基于支持向量机(SVM),其分类原理满足如下公式:
其中,{xi,yi}N i=1代表样本集,ξi为松弛因子,c为惩罚系数,b为基础系数,为目标函数,s.t.为约束条件,Ei表示小波包分解后各节点归一化能量,yi表示信号类别,ω为分类超平面的法向量,ωΤ为超平面法向量的转置向量;
支持向量机(SVM)采用二分类的算法,对于n维空间的输入样本,寻找一个最优的分类超平面,使得两类样本在这个超平面下可以获得最好的分类效果,如图4所示。上式中f(Ei)=ωTEi+b代表分类超平面函数,当f(Ei)=0时,Ei便是位于超平面上的点;f(Ei)>0时,对应yi=1的数据点,即此时将信号分类为第一类;f(Ei)<0时,对应yi=-1的数据点,即此时将信号分类为第二类。
一种电磁斥力机构故障监测***,包括上位机和下位机,下位机包括数据采集卡,数据采集卡用于获取待测电磁斥力机构分闸动作产生的振动信号,并将获取的振动信号传输至上位机,上位机包括信号采集存储单元、特征提取单元和故障诊断单元,信号采集存储单元用于接收数据采集卡传输的振动信号并存储,同时传输至特征提取单元提取振动信号的信号特征,将提取的信号特征传输至故障诊断单元进行模型训练,故障诊断单元用于存储预训练模型,同时将获取的待测振动信号输入至故障诊断模型得到振动信号的信号特征与设定阈值对比,输出诊断状态。
具体的,数据采集卡通过加速度传感器获取待测电磁斥力机构分闸动作产生的待测振动信号,加速度传感器的型号为LC0157T,测量范围为0-5000g,频响范围为0-20kHz,采用LC0207恒流源模块对其供电及信号调理。
数据采集卡采用NI USB-6346 BNC,共有8个模拟信号输入通道,单通道最高采样率为500kHz。
所述的电磁斥力机构包括金属盘、分闸线圈和合闸线圈,断路器分闸时,分闸线圈回路电容预充电,随后闭合晶闸管,在分闸线圈内部产生一环形电流,该环形电流会在金属盘中感应出一个反向的涡流,从而环形电流和涡流会产生一个斥力,从而推动金属盘运动。
对振动信号所使用的信号特征提取方法为小波包归一化能量,其计算公式为
其中,x(k)为小波包分解后每个节点的信号,N为信号点数,Q为求得的该信号的能量,之后对该能量进行归一化处理。
结合图2、图3所示,本发明所述的电磁斥力机构包括金属盘、分闸线圈和合闸线圈组成,断路器分闸时,分闸线圈回路电容C1预充电,随后闭合晶闸管S1,在分闸线圈内部产生一环形电流,该环形电流会在金属盘中感应出一个反向的涡流,从而环形电流和涡流会产生一个斥力,从而推动金属盘运动。
本发明所述的加速度传感器采用压电式加速度传感器,型号为LC0157T,采集范围为0-5000g,频响范围为0-20kHz,采用LC0207恒流源模块对其供电及信号调理,如图二所示,恒流源模块所需供电电压为18-30V DC,对加速度传感器输出电流为4mA,并将加速度信号转换为0-5V模拟电压信号输出。
本发明一个实施例中,提供了一种终端设备,该终端设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器采用中央处理单元(CPU),或者采用其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可用于电磁斥力机构故障监测方法的操作。
一种电磁斥力机构故障监测***,包括上位机和下位机,下位机包括数据采集卡,数据采集卡用于获取待测电磁斥力机构分闸动作产生的振动信号,并将获取的振动信号传输至上位机,上位机包括信号采集存储单元、特征提取单元和故障诊断单元,信号采集存储单元用于接收数据采集卡传输的振动信号并存储,同时传输至特征提取单元提取振动信号的信号特征,将提取的信号特征传输至故障诊断单元进行模型训练,故障诊断单元用于存储预训练模型,同时将获取的待测振动信号输入至故障诊断模型得到振动信号的信号特征与设定阈值对比,输出诊断状态。
本发明再一个实施例中,本发明还提供了一种存储介质,具体采用计算机可读存储介质(Memory),所述计算机可读存储介质是终端设备中的记忆设备,用于存放程序和数据。计算机可读存储介质包括终端设备中的内置存储介质,提供存储空间,存储了终端的操作***,也可包括终端设备所支持的扩展存储介质。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(Non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中可用于电磁斥力机构故障监测方法的相应步骤。
结合图5,本发明设计的上位机界面由数据采集模块、特征量提取模块和故障诊断模块组成,所述数据采集模块包括采样点数设置、采样率设置、数据存储路径设置和振动信号波形显示;所述特征量提取模块包括小波能量分布显示;所述故障诊断模块包括Python版本选择和断路器状态显示。
结合图5,对本发明的有益效果进行进一步说明。在实际电磁斥力机构真空断路器上对本发明的一种电磁斥力机构故障监测***进行了测试,包括电磁斥力机构、恒流源模块、数据采集卡和上位机,其中电磁斥力机构和传感器安装位置,加速度传感器安装在分闸线圈金属板上方。信号时频分析方法采用7层小波包分解,小波基函数为DB10,特征提取方法选择小波归一化能量,故障诊断模型选择支持向量机(SVM)。设置分闸电容充电电压为额定电压的110%,令电磁斥力机构动作(分闸),采集到分闸振动信号后,对该信号提取特征量及故障诊断,结果如图5所示,断路器状态显示为回路电压偏高,符合设定的110%额定电压,表明本发明可以通过分闸振动信号快速准确地判断出断路器状态。
Claims (7)
1.一种电磁斥力机构故障监测方法,其特征在于,包括以下步骤:
S1,获取电磁斥力机构正常状态下分闸动作产生的振动信号样本集,并采用小波包归一化能量方法提取振动信号样本集的信号特征;对原始信号进行小波包分解,计算小波包分解后各节点的能量:信号能量通过以下公式计算
式中,x(k)为小波包分解后每个节点的信号,N为信号点数,Q为求得的该信号的能量;
对振动信号进行归一化处理:计算公式为
式中,E为小波包分解后各节点的总能量,Ei为各节点归一化能量,j为小波包分解层数;
S2,采用获取的信号特征进行模型训练得到故障诊断模型,并设定诊断模型的故障诊断阈值;
故障诊断模型基于支持向量机(SVM),其分类原理满足如下公式
其中,{xi,yi}Ni=1代表样本集,ξi为松弛因子,c为惩罚系数,b为基础系数,为目标函数,s.t.为约束条件,Ei表示小波包分解后各节点归一化能量,yi表示信号类别,ω为分类超平面的法向量,ωT为超平面法向量的转置向量;
支持向量机(SVM)采用二分类的算法,对于n维空间的输入样本,寻找一个最优的分类超平面,使得两类样本在这个超平面下获得最好的分类效果;
S3,通过加速度传感器获取待测电磁斥力机构分闸动作产生的待测振动信号,并将获取的待测振动信号输入至故障诊断模型得到振动信号的信号特征与设定阈值对比,即可得到待测电磁斥力机构分闸动作的状态。
2.根据权利要求1所述的一种电磁斥力机构故障监测方法,其特征在于,采用LabVIEW中对采集到的振动信号进行小波包分解实现信号特征提取。
3.一种电磁斥力机构故障监测***,其特征在于,包括上位机和下位机,下位机包括数据采集卡,数据采集卡用于获取待测电磁斥力机构分闸动作产生的振动信号,并将获取的振动信号传输至上位机,上位机包括信号采集存储单元、特征提取单元和故障诊断单元,信号采集存储单元用于接收数据采集卡传输的振动信号并存储,同时传输至特征提取单元提取振动信号的信号特征,将提取的信号特征传输至故障诊断单元进行模型训练,故障诊断单元用于存储预训练模型,同时将获取的待测振动信号输入至故障诊断模型得到振动信号的信号特征与设定阈值对比,输出诊断状态;
对原始信号进行小波包分解,计算小波包分解后各节点的能量:信号能量通过以下公式计算
式中,x(k)为小波包分解后每个节点的信号,N为信号点数,Q为求得的该信号的能量;
对振动信号进行归一化处理:计算公式为
式中,E为小波包分解后各节点的总能量,Ei为各节点归一化能量,j为小波包分解层数;
故障诊断模型基于支持向量机(SVM),其分类原理满足如下公式
其中,{xi,yi}Ni=1代表样本集,ξi为松弛因子,c为惩罚系数,b为基础系数,为目标函数,s.t.为约束条件,Ei表示小波包分解后各节点归一化能量,yi表示信号类别,ω为分类超平面的法向量,ωT为超平面法向量的转置向量;
支持向量机(SVM)采用二分类的算法,对于n维空间的输入样本,寻找一个最优的分类超平面,使得两类样本在这个超平面下获得最好的分类效果。
4.根据权利要求3所述的一种电磁斥力机构故障监测***,其特征在于,数据采集卡通过加速度传感器获取待测电磁斥力机构分闸动作产生的待测振动信号,加速度传感器的型号为LC0157T,测量范围为0-5000g,频响范围为0-20kHz,采用LC0207恒流源模块对其供电及信号调理。
5.根据权利要求3所述的一种电磁斥力机构故障监测***,其特征在于,数据采集卡采用NIUSB-6346BNC,共有8个模拟信号输入通道,单通道最高采样率为500kHz。
6.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至2任一项所述方法的步骤。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至2任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110926734.2A CN113901862B (zh) | 2021-08-12 | 2021-08-12 | 一种电磁斥力机构故障监测方法、***、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110926734.2A CN113901862B (zh) | 2021-08-12 | 2021-08-12 | 一种电磁斥力机构故障监测方法、***、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113901862A CN113901862A (zh) | 2022-01-07 |
CN113901862B true CN113901862B (zh) | 2024-04-05 |
Family
ID=79187740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110926734.2A Active CN113901862B (zh) | 2021-08-12 | 2021-08-12 | 一种电磁斥力机构故障监测方法、***、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113901862B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116067489B (zh) * | 2023-03-07 | 2023-09-22 | 国能大渡河检修安装有限公司 | 水电站辅助设备的监测***、方法、电子设备及存储介质 |
CN116736099B (zh) * | 2023-06-15 | 2023-12-05 | 中国铁路上海局集团有限公司徐州供电段 | 一种铁路开关柜断路器故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198932A (zh) * | 2014-08-18 | 2014-12-10 | 江苏科技大学 | 高压断路器机械特性在线监测***及故障诊断方法 |
CN109061463A (zh) * | 2018-09-29 | 2018-12-21 | 华南理工大学 | 一种高压断路器机械状态监测和故障诊断方法 |
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 |
CN112083328A (zh) * | 2020-09-08 | 2020-12-15 | 广东电网有限责任公司广州供电局 | 一种高压断路器故障诊断方法及***和装置 |
CN112083327A (zh) * | 2020-09-08 | 2020-12-15 | 广东电网有限责任公司广州供电局 | 一种高压真空断路器机械故障诊断方法及*** |
-
2021
- 2021-08-12 CN CN202110926734.2A patent/CN113901862B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198932A (zh) * | 2014-08-18 | 2014-12-10 | 江苏科技大学 | 高压断路器机械特性在线监测***及故障诊断方法 |
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 |
CN109061463A (zh) * | 2018-09-29 | 2018-12-21 | 华南理工大学 | 一种高压断路器机械状态监测和故障诊断方法 |
CN112083328A (zh) * | 2020-09-08 | 2020-12-15 | 广东电网有限责任公司广州供电局 | 一种高压断路器故障诊断方法及***和装置 |
CN112083327A (zh) * | 2020-09-08 | 2020-12-15 | 广东电网有限责任公司广州供电局 | 一种高压真空断路器机械故障诊断方法及*** |
Non-Patent Citations (2)
Title |
---|
樊浩 ; 李兴文 ; 苏海博 ; 陈立 ; 史宗谦 ; .基于主成分分析――支持向量机优化模型的断路器故障诊断方法研究.高压电器.2020,(第06期),全文. * |
樊浩 ; 苏海博 ; 陈立 ; 史宗谦 ; 李兴文 ; .随机森林集成学习模型在高压真空断路器振动信号分析中的应用.电器与能效管理技术.2019,(第23期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113901862A (zh) | 2022-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113901862B (zh) | 一种电磁斥力机构故障监测方法、***、设备及可读存储介质 | |
CN110221200B (zh) | 一种基于深度学习的万能式断路器附件故障诊断方法 | |
Wang et al. | Power grid online surveillance through PMU-embedded convolutional neural networks | |
Song et al. | Statistical property feature extraction based on FRFT for fault diagnosis of analog circuits | |
CN107219457A (zh) | 基于操作附件电流的框架式断路器故障诊断及程度评估方法 | |
Zhao et al. | Fault diagnosis of circuit breaker energy storage mechanism based on current-vibration entropy weight characteristic and grey wolf optimization–support vector machine | |
CN112083328A (zh) | 一种高压断路器故障诊断方法及***和装置 | |
CN112557966A (zh) | 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 | |
Afrasiabi et al. | Fast GRNN-based method for distinguishing inrush currents in power transformers | |
Deng et al. | A deep learning method based on long short term memory and sliding time window for type recognition and time location of power quality disturbance | |
CN112083327A (zh) | 一种高压真空断路器机械故障诊断方法及*** | |
Wang et al. | Kernel entropy-based classification approach for superbuck converter circuit fault diagnosis | |
Wang et al. | Wavelet transform‐based feature extraction for detection and classification of disturbances in an islanded micro‐grid | |
Harish et al. | Fault detection and classification for wide area backup protection of power transmission lines using weighted extreme learning machine | |
Bayrak et al. | Deep learning-based multi-model ensemble method for classification of PQDs in a hydrogen energy-based microgrid using modified weighted majority algorithm | |
Tee et al. | Spectrogram based window selection for the detection of voltage variation | |
CN115238733A (zh) | 一种高压断路器合分闸线圈运行状态评估方法及相关设备 | |
CN113435351A (zh) | 一种真空开关机械故障诊断方法、***、设备及可读存储介质 | |
Xu et al. | Online fault diagnosis of high-voltage vacuum circuit breaker based on deep convolutional long short-term memory network | |
Tak | Deep Learning-based Fault Diagnosis in Transmission Lines via Long Short Term Memory Networks | |
Duan et al. | Research on Identification of Magnetizing Inrush Current Based on PSO-SVM | |
Deng et al. | Voltage sag identification based on deep learning method with gated recurrent unit | |
Yuwei et al. | Mechanical fault diagnosis of circuit breaker based on MFCC and improved SRC | |
Shiling et al. | Research on method of mechanical state characteristics diagnosis based on STFT and RVM for transformer winding | |
Basher et al. | Fault classification and localization in microgrids: Leveraging discrete wavelet transform and multi-machine learning techniques considering single point measurements |
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 |