CN113988136A - 一种基于深度学习与智能优化的中压断路器故障诊断方法 - Google Patents

一种基于深度学习与智能优化的中压断路器故障诊断方法 Download PDF

Info

Publication number
CN113988136A
CN113988136A CN202111276801.7A CN202111276801A CN113988136A CN 113988136 A CN113988136 A CN 113988136A CN 202111276801 A CN202111276801 A CN 202111276801A CN 113988136 A CN113988136 A CN 113988136A
Authority
CN
China
Prior art keywords
circuit breaker
cnn
training
algorithm
voltage circuit
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
Application number
CN202111276801.7A
Other languages
English (en)
Inventor
张丹
黄钟汀
陈永毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202111276801.7A priority Critical patent/CN113988136A/zh
Publication of CN113988136A publication Critical patent/CN113988136A/zh
Pending legal-status Critical Current

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
    • G06F2218/08—Feature extraction
    • 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
    • G06F18/2411—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
    • 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
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于深度学习与智能优化的中压断路器故障诊断方法，包括以下步骤：1)采集正常状态、脱扣闭合电磁铁堵塞、主轴堵塞和半轴堵塞的中压断路器振动信号作为原始数据集；2)将训练集数据和测试集数据进行归一化处理；3)构建CNN深度神经网络模型；4)将训练好的CNN深度神经网络模型结合量子粒子群算法对SVM分类器进行优化训练；5)将测试样本数据输入到训练好的故障诊断模型中进行断路器故障诊断。本发明利用卷积神经网络提取特征能力强的优点，有效提取数据特征；进一步利用量子粒子群算法能有效消除局部最优现象的优点，提高了数据分类的准确度。

Description

一种基于深度学习与智能优化的中压断路器故障诊断方法
技术领域
本发明涉及中压断路器主要机械故障的实时在线诊断技术领域，具体涉及一种基于卷积神经网络和量子粒子群优化的中压断路器智能故障诊断方法，应用于中压断路器中解决其故障诊断问题。
背景技术
断路器作为重要的电力设备在电力***中扮演着重要的角色，其工作状态直接影响到电力***的安全性和可靠性。但是断路器的维护费用巨大，而且传统的人工巡检模式，不仅费时费力，还会带来许多不必要的停工。非侵入式故障诊断方法由于数据采集方便，逐渐成为断路器维护技术的一个重要研究方向。
故障诊断技术主要包含故障信号特征提取和故障诊断算法设计两个方面。断路器运行过程中蕴含丰富的振动信号，将带电运行时的振动信号作为输入信号，可有效提取表征状态的特征因子，分析断路器发生故障的位置，实现断路器的状态监测与诊断。而在故障诊断算法的选择上，传统的人工智能方法包含：采用反向传播(Back Propagation,BP)算法和径向基函数(Radial Basis Function,RBF)进行断路器故障诊断；采用模糊理论对断路器的状态进行评估；采用粒子群优化(Particle Swarm Optimization,PSO)算法与径向基函数搭建断路器机械故障诊断网络。传统的人工智能算法虽然诊断精度有了显著提高，也在一定程度上应用于工程实践中，但是这些智能算法普遍存在诊断速度慢、泛化能力差、易产生局部最优解等问题，增加了断路器不必要的停机和维护检修时间，限制了断路器故障诊断技术的发展。
针对传统人工智能算法存在的种种缺陷，提出一种基于卷积神经网络(CNN)和量子粒子群(QPSO)优化算法的中压断路器智能故障诊断方法。该方法以CNN为基础，建立断路器故障诊断分类网络，利用断路器垂直振动信号数据作为训练样本对CNN网络进行训练，同时为了防止CNN模型出现局部最优问题，保持CNN参数不变，将训练好的CNN模型结合量子粒子群算法对SVM分类模型进行参数寻优，输出最优SVM参数。并基于最优参数构建SVM故障分类模型，将测试样本输入CNN-QPSO-SVM故障诊断模型，输出最终的故障诊断结果，能够有效识别中压断路器的故障类型。
发明内容
针对现有技术中存在的问题，本发明提出了设计合理的一种基于深度学习与智能优化的中压断路器故障诊断方法。
本发明的目的是通过以下技术方案实现的：
一种基于深度学习与智能优化的中压断路器故障诊断方法，包括以下步骤：
(1)采集正常状态、脱扣闭合电磁铁堵塞、主轴堵塞和半轴堵塞的中压断路器振动信号，作为原始信号进行模型训练。
(2)将原始信号进行归一化处理，归一化公式如下：
Figure BDA0003329697860000021
xi为原始样本数据，xmax是xi的最大值，xmin是xi的最小值。为了寻找SVM的最优参数组合，对归一化后的样本进行分类，选取一部分数据作为训练数据集，剩下的数据作为测试数据集。
(3)构建CNN深度神经网络模型，将训练样本输入到CNN中进行训练，CNN深度神经网络共有6个卷积层、4个池化层、1个Softmax层和1个dropout层，每2个卷积层后面连接1个池化层。依照上述的顺序完成训练后，获得CNN模型的训练准确率和训练损失率。
(4)将训练好的CNN深度神经网络模型结合量子粒子群算法对SVM分类器进行优化训练。
(5)基于量子粒子群算法输出的最优参数构建SVM中压断路器故障分类模型，将测试样本数据输入到训练好的CNN-QPSO-SVM故障诊断模型中，输出故障诊断结果。
进一步，所述步骤(3)中，CNN网络中的Softmax层对不同类别数据进行分类；为了避免过拟合现象的发生，本网络采用dropout正则化方法，在Softmax层后加入了dropout层。CNN训练的方法采用的是Adam梯度下降方法，损失函数是基于Softmax的交叉熵损失函数，批量大小为2，迭代次数为200。训练完成后，保持CNN模型参数不变。
进一步，所述步骤(4)具体过程如下：
量子粒子群算法引入的中心点：
Figure BDA0003329697860000031
即平均的粒子历史最好位置；
在量子粒子群算法进行SVM参数寻优的过程中，实时跟踪每一代粒子的适应值偏差，若某一代的偏差小于阈值，则对平均最优位置进行更新，平均最优位置更新公式如下：
Pi(t+1)＝φPi(t)+(1-φ)Pg(t)
Xi(t+1)＝Pi(t+1)+/-λ|mbest-Xi(t)|ln(1/u)
φ，u为随机变量，均是(0,1)上的均匀分布；λ为唯一的控制参数，称为“创新系数”，一般取值小于1；
量子粒子群算法也引入微粒的进化速度和聚集度，用来避免早熟收敛：微粒群的进化速度定义为e，微粒的聚集度定义为c，算法的收敛速度定义为β，β,c,e的关系表达式为：
β＝β0+cβc-eβe
式中：β0为β的初始值，通常β0＝1，βc,βe为[0,1]之间的随机数；
在迭代过程中，实时跟踪每一代粒子的适应值偏差，若某一代的适应值小于阈值，则对平均最优位置进行干扰操作，来增强算法的全局寻优能力，直到算法满足终止条件为止，算法输出最优SVM参数。
本发明的有益效果主要表现在：本发明采用一维卷积神经网络实现了对中压断路器原始振动信号的特征提取，相比于二维卷积神经网络，一维卷积神经网络对中压断路器振动信号的表征能力更加出色，能有效提取数据特征；同时引入了QPSO算法优化模块，利用量子粒子群算法有效消除局部最优现象的优点，提高了故障分类的准确度。
附图说明
图1是本发明基于CNN-QPSO-SVM的中压断路器智能故障诊断方法流程图；
图2是本发明CNN深度神经网络基本结构示意图；
图3是本发明实施例的正常状态的振动信号波形图；
图4是本发明实施例的脱扣闭合电磁铁堵塞状态的振动信号波形图；
图5是本发明实施例的主轴堵塞状态的振动信号波形图；
图6是本发明实施例的半轴堵塞状态的振动信号波形图；
图7是本发明实施例的训练数据集和测试数据集的诊断准确率波形图；
图8是本发明实施例的训练数据集和测试数据集的诊断损失率波形图。
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的一部分实施例，而不是全部的实施例。
本发明的技术构思为：首先将中压断路器垂直方向的原始振动信号输入到所构建的CNN深度神经网络模型中进行特征提取，然后利用SVM分类器对故障类型进行识别，通过QPSO算法对SVM分类精度进行提高，最后利用训练好的CNN-QPSO-SVM故障诊断方法，诊断中压断路器的故障类型。
实施例：针对中压断路器中几类常见的故障类型，参照图3-6所示，一种基于CNN-QPSO-SVM的中压断路器智能诊断方法，包括以下的步骤：
S1：使用加速度传感器记录断路器开/关过程中的振动加速度参数，采样频率为10kHz。加速度传感器安放在断路器的壳体上，用以采集垂直振动信号，共采集了7组振动信号数据，包含：正常状态；脱扣闭合电磁铁堵塞；主轴堵塞；半轴堵塞4类主要故障类型。故障类型及其编号如表1所示。
表1断路器4类常见机械故障编号
Figure BDA0003329697860000051
S2：将训练数据和测试数据进行标准化处理，归一化公式如下：
Figure BDA0003329697860000052
xi为原始样本数据，xmax是xi的最大值，xmin是xi的最小值。在这7组数据集中，选择其中3组作为训练数据集，剩下的4组作为每个状态的测试数据集，在每种情况下进行了7次实验。由图3-6可以明显看出，振动信号在时域上没有明显的差异和变化，并且弱振动信号的特征分析对状态识别尤为重要。
S3：构建如图2所示的CNN深度神经网络模型，将训练样本输入到CNN中进行训练，CNN深度神经网络共有6个卷积层、4个池化层、1个Softmax层和1个dropout层，每2个卷积层后面连接1个池化层。所构建的一维卷积深度神经网络模型每层的结构参数如表2所示。
表2一维卷积神经网络结构参数
Figure BDA0003329697860000061
池化层分为平均池化和最大池化两种类型；Softmax层则对不同类别数据进行分类，为了避免过拟合现象的发生，采用dropout正则化方法，在Softmax层后加入了dropout层。CNN训练的方法采用的是Adam梯度下降方法，损失函数是基于Softmax的交叉熵损失函数，批量大小为2，迭代次数为200。
S4：保持CNN参数不变，将训练好的CNN深度神经网络模型结合量子粒子群算法对SVM分类器进行优化训练。QPSO算法引入的中心点：
Figure BDA0003329697860000062
即平均的粒子历史最好位置。更新过程采用如下公式：
Pi(t+1)＝φPi(t)+(1-φ)Pg(t)
Xi(t+1)＝Pi(t+1)+/-λ|mbest-Xi(t)|ln(1/u)
φ，u为随机变量，均是(0,1)上的均匀分布；λ为唯一的控制参数，称为“创新系数”，一般取值小于1。Pi用于第i个粒子位置的更新，Pg表示当前全局最优粒子，Xi表示第n次寻优的位置更新，mbest表示平均粒子历史最优位置。
QPSO算法也引入微粒的进化速度和聚集度，用来避免早熟收敛：微粒群的进化速度定义为e，微粒的聚集度定义为c，算法的收敛速度定义为β，β,c,e的关系表达式为：
β＝β0+cβc-eβe
式中：β0为β的初始值，通常β0＝1，βc,βe为[0,1]之间的随机数。在迭代过程中，实时跟踪每一代粒子的适应值偏差，若某一代的适应值小于阈值，则对平均最优位置进行干扰操作，来增强算法的全局寻优能力，直到算法满足终止条件为止，算法输出最优SVM参数。
S5：基于QPSO算法输出的最优参数构建SVM中压断路器故障诊断模型，将测试样本数据输入到训练好的CNN-QPSO-SVM故障诊断模型中，输出故障诊断结果，训练数据集和测试数据集的诊断正确率和损失率如图7-8所示。
为了进一步证明该方法的优越性，我们结合实验数据与基于CNN-LSTM、CNN-SVM和SVM的中压断路器智能故障诊断方法进行对比。利用相同的训练数据集，使用不同的故障诊断方法进行训练，同时对相同的测试数据集进行诊断，所得的诊断准确率如表3所示。
表3不同算法的诊断准确率对比
Figure BDA0003329697860000071
从表3中可以看出CNN-QPSO-SVM算法的预测准确率为100％，而单独使用CNN-SVM或SVM算法进行预测时，其预测准确率分别为75％和50％，无法有效识别故障类型，说明QPSO参数寻优对CNN和SVM算法的预测准确率提升有很大影响，所以使用CNN和SVM算法预测时进行参数寻优，可以极大程度提高算法预测准确性。另外，虽然CNN-QPSO-SVM算法和CNN-LSTM算法的预测准确率都接近100％，但是相比于二维卷积神经网络，一维卷积神经网络对断路器振动信号的表征能力更加出色，所以CNN-QPSO-SVM算法比CNN-LSTM算法有更高的识别准确率。通过上面的对比可以得出：CNN-QPSO-SVM算法是这几种算法中性能最优的。
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故障诊断、深度卷积神经网络等术语，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 (3)

1.一种基于深度学习与智能优化的中压断路器故障诊断方法，其特征在于，包括以下步骤：
1)采集正常状态、脱扣闭合电磁铁堵塞、主轴堵塞和半轴堵塞的中压断路器振动信号，作为原始信号进行模型训练；
2)将原始信号进行归一化处理，归一化公式如下：
Figure FDA0003329697850000011
其中xi为原始样本数据，xmax是xi的最大值，xmin是xi的最小值；为了寻找SVM的最优参数组合，故对归一化后的样本进行分类，选取一部分数据作为训练数据集，另一分部的数据作为测试数据集；
3)构建CNN深度神经网络模型，将训练样本输入到CNN中进行训练，CNN深度神经网络共有6个卷积层、4个池化层、1个Softmax层和1个dropout层，每2个卷积层后面连接1个池化层；依照上述的顺序完成训练后，获得CNN模型的训练准确率和训练损失率；
4)将训练好的CNN深度神经网络模型结合量子粒子群算法对SVM分类器进行优化训练；
5)基于量子粒子群算法输出的最优参数构建SVM中压断路器故障分类模型，将测试样本数据输入到训练好的CNN-QPSO-SVM故障诊断模型中，输出故障诊断结果。
2.如权利要求1所述的一种基于深度学习与智能优化的中压断路器故障诊断方法，其特征在于，所述步骤3)中，CNN网络中的Softmax层对不同类别数据进行分类；为了避免过拟合现象的发生，本网络采用dropout正则化方法，在Softmax层后加入了dropout层；CNN训练的方法采用的是Adam梯度下降方法，损失函数是基于Softmax的交叉熵损失函数，批量大小为2，迭代次数为200；训练完成后，保持CNN模型参数不变。
3.如权利要求1所述的一种基于深度学习与智能优化的中压断路器故障诊断方法，其特征在于，所述步骤4)具体过程如下：
量子粒子群算法引入的中心点：
Figure FDA0003329697850000021
即平均的粒子历史最好位置；
在量子粒子群算法进行SVM参数寻优的过程中，实时跟踪每一代粒子的适应值偏差，若某一代的偏差小于阈值，则对平均最优位置进行更新，平均最优位置更新公式如下：
Pi(t+1)＝φPi(t)+(1-φ)Pg(t)
Xi(t+1)＝Pi(t+1)+/-λ|mbest-Xi(t)|ln(1/u)
φ，u为随机变量，均是(0,1)上的均匀分布；λ为唯一的控制参数，称为创新系数，一般取值小于1；Pi用于第i个粒子位置的更新，Pg表示当前全局最优粒子，Xi表示第n次寻优的位置更新，mbest表示平均粒子历史最优位置；
量子粒子群算法也引入微粒的进化速度和聚集度，用来避免早熟收敛：微粒群的进化速度定义为e，微粒的聚集度定义为c，算法的收敛速度定义为β，β,c,e的关系表达式为：
β＝β0+cβc-eβe
式中：β0为β的初始值，通常β0＝1，βc,βe为[0,1]之间的随机数；
在迭代过程中，实时跟踪每一代粒子的适应值偏差，若某一代的适应值小于阈值，则对平均最优位置进行干扰操作，来增强算法的全局寻优能力，直到算法满足终止条件为止，算法输出最优SVM参数。
CN202111276801.7A 2021-10-29 2021-10-29 一种基于深度学习与智能优化的中压断路器故障诊断方法 Pending CN113988136A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111276801.7A CN113988136A (zh) 2021-10-29 2021-10-29 一种基于深度学习与智能优化的中压断路器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111276801.7A CN113988136A (zh) 2021-10-29 2021-10-29 一种基于深度学习与智能优化的中压断路器故障诊断方法

Publications (1)

Publication Number Publication Date
CN113988136A true CN113988136A (zh) 2022-01-28

Family

ID=79744861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111276801.7A Pending CN113988136A (zh) 2021-10-29 2021-10-29 一种基于深度学习与智能优化的中压断路器故障诊断方法

Country Status (1)

Country Link
CN (1) CN113988136A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114781507A (zh) * 2022-04-18 2022-07-22 杭州电子科技大学 一种基于1dcnn-ds的冷水机组故障诊断方法
CN115902615A (zh) * 2023-01-09 2023-04-04 佰聆数据股份有限公司 电力断路器缺陷分析方法及装置
CN116070151A (zh) * 2023-03-17 2023-05-05 国网安徽省电力有限公司超高压分公司 基于广义回归神经网络特高压直流输电线路故障检测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114781507A (zh) * 2022-04-18 2022-07-22 杭州电子科技大学 一种基于1dcnn-ds的冷水机组故障诊断方法
CN114781507B (zh) * 2022-04-18 2024-04-05 杭州电子科技大学 一种基于1dcnn-ds的冷水机组故障诊断方法
CN115902615A (zh) * 2023-01-09 2023-04-04 佰聆数据股份有限公司 电力断路器缺陷分析方法及装置
CN116070151A (zh) * 2023-03-17 2023-05-05 国网安徽省电力有限公司超高压分公司 基于广义回归神经网络特高压直流输电线路故障检测方法

Similar Documents

Publication Publication Date Title
CN113988136A (zh) 一种基于深度学习与智能优化的中压断路器故障诊断方法
CN113935406B (zh) 基于对抗流模型的机械设备无监督故障诊断方法
CN110502991B (zh) 基于随机卷积神经网络结构的内燃机健康监测方法及***
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN112257530B (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN111504676A (zh) 基于多源监控数据融合的设备故障诊断方法、装置及***
CN111753891B (zh) 一种无监督特征学习的滚动轴承故障诊断方法
CN116244617A (zh) 一种基于异构图结构学习的智能高压开关柜故障诊断方法和***
CN113505655A (zh) 面向数字孪生***的轴承故障智能诊断方法
CN115791174B (zh) 一种滚动轴承异常诊断方法、***、电子设备及存储介质
CN113158722A (zh) 基于多尺度深度神经网络的旋转机械故障诊断方法
CN116205265A (zh) 一种基于深层神经网络的电网故障诊断方法及装置
CN114034486A (zh) 基于无监督迁移学习的泵类机械设备轴承故障诊断方法
Sá et al. A multilayer perceptron-based approach for stator fault detection in permanent magnet wind generators
CN114152442B (zh) 基于迁移卷积神经网络的滚动轴承跨工况故障检测方法
CN113822337A (zh) 一种基于多维间序列的工控异常检测方法
CN114217256A (zh) 基于自适应稀疏滤波的电机驱动***变流器故障诊断方法
CN117332353A (zh) 一种汽轮发电机转子异常振动故障诊断方法
CN116400168A (zh) 一种基于深度特征聚类的电网故障诊断方法及***
Liu et al. Research on fault diagnosis of nuclear gate valve based on analysis of energy variation characteristics of vibration signal
Zhao et al. Fault Diagnosis of Rolling Bearings based on GA-SVM model
Zhang et al. Sequential mechanical fault diagnosis in high voltage circuit breaker using attention mechanism
Xiang et al. An Intelligent Fault Diagnosis Method of Rolling Bearing with Wide Convolution Kernel Network
Huang et al. An intelligent fault diagnosis method for CNN-SVM circuit breaker based on quantum particle swarm optimization
Zou et al. Hybrid deep neural network based on SDAE and GRUNN

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