CN115372764A - 一种基于全声频监测的开关柜绝缘类部件的故障诊断方法 - Google Patents
一种基于全声频监测的开关柜绝缘类部件的故障诊断方法 Download PDFInfo
- Publication number
- CN115372764A CN115372764A CN202210812719.XA CN202210812719A CN115372764A CN 115372764 A CN115372764 A CN 115372764A CN 202210812719 A CN202210812719 A CN 202210812719A CN 115372764 A CN115372764 A CN 115372764A
- Authority
- CN
- China
- Prior art keywords
- signal
- sound
- fault
- signals
- switch cabinet
- 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.)
- Granted
Links
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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1209—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using acoustic measurements
-
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于全声频监测和融合的开关柜绝缘类部件的故障诊断方法,包括以下步骤,采用声音传感器、超声传感器和声发射传感器分别对开关柜绝缘类部件进行监测,持续收集反馈信号;利用各个反馈信号的分析算法分别进行故障监测,其中声音传感器信号监测部件表面故障,超声传感器监测部件近表面故障,声发射信号监测部件内部故障;再将各尺度音频反馈信号进行数据融合,计算开关柜绝缘类部件的健康状态函数;本发明所述的基于多尺度声频融合的开关柜绝缘类部件的故障诊断方法,针对绝缘类部件的不同深度位置的故障或隐患,利用多尺度声频信号进行了故障识别和诊断,该方法能够识别和诊断整个绝缘类部件全域的故障及隐患,既能够对识别已出现的故障,也能对故障隐患进行识别。
Description
技术领域
本发明涉及电力开关柜领域,尤其涉及一种基于全声频监测的开关柜绝缘类部件的故障诊断方法。
背景技术
开关柜在电力***运行过程中起到了非常重要的作用,一旦出现故障就会造成线路停电,严重时还会造成人身伤亡事故。随着经济及技术的发展,开关柜的安全性与质量得到明显提升,但是在日常运行、操作过程中,仍旧存在出现故障的可能性,需要采取更加合理的解决措施。开关柜中的绝缘类部件的作用是进行绝缘,若出现绝缘功能故障,将造成短路等问题,进而造成断电、火灾等严重问题。因此必须对开关柜中的绝缘类部件进行健康监测,防止出现故障。
目前对开关柜的绝缘类部件的故障诊断主要通过电流监测技术实现,当绝缘类部件出现漏电时发现故障,但此时其绝缘性能已经基本失效,很容易产生安全隐患,未能从根本上解决安全隐患的问题。
发明内容
本发明的目的在于针对上述现有技术的不足,提供了一种基于全声频监测的开关柜绝缘类部件的故障诊断方法,以解决现有方法中依靠电流进行绝缘类部件故障诊断造成的滞后性问题。
为实现上述目的,本发明采用了如下技术方案:
本发明提供了一种基于全声频监测的开关柜绝缘类部件的故障诊断方法,包括以下步骤:
S1、采用音频传感器、超声传感器和声音传感器分别对开关柜绝缘类部件进行监测,持续收集反馈信号;
S2、利用各个反馈信号的分析算法分别进行故障监测,其中声音传感器信号监测部件表面故障,超声传感器监测部件近表面故障,声发射信号监测部件内部故障;S3、将各尺度音频反馈信号进行数据融合,确定健康状态函数。
进一步,所述S2中,声音传感器的数据分析为:
S211、将多个所述声音传感器采用合适的布局进行安置,采集开关柜在工作期间产生的声音信号;
S212、通过A/D转换电路将声音信号进行模数转换得到数字信号;
S213、对声音信号进行预处理,使用端点检测将声音信号区分为有用声音段和噪声段,声音信号的波动表示为:
其中,ψ=x(t)为离散域中声音信号x(t)的算子,x(t)为声音信号数据,ω为声音信号的角速度,θ为初始相位;
S214、筛选经处理后的信号,保留有用声音信号,经过函数提取有用声音信号中的时域参数,其中,所述函数为:
其中,δn为第n帧的短时过零率,X(i)=x(i)ω(n-i)表示为原始信号x(i)经过截取、加窗操作后得到的新信号,ω(n-i)为窗函数;
S215、将提取得到的参数信息与计算机数据库中的正常工作时的参数信息进行比对,若超出阈值,则代表绝缘类部件产生故障;
S216、若绝缘类部件判断出存在故障,则进一步地,将参数信息与数据库中的典型故障下的参数信息进行匹配,得出故障类型。
进一步,所述S2中,超声传感器的故障检测方法包括如下步骤:
S221、采集开关柜内部的由于绝缘类部件局部放电现象而产生的超声波信号;
S222、经过放大电路将超声波传感器采集的信号进行放大后送出;
S223、经过A/D转换电路将超声波信号进行数模转换;
S224、确定分解层数J;
S225、确定对采集的超声波信号的信躁比改善效果较优的sym7作为小波分解的小波基函数;
S226、对采集的含躁信号进行小波分解得到一组小波系数Wj,k,
其中,k=0,1...,N-1,j=0,1...,J-1,J为分解层数,N为信号采样点数;
S227、计算风险向量,
R=[r1,r2,,,rn]其元素为式中,i=1,2...n,W为元素是小波系数的平方由小到大排列的一个向量W=[W1,W2...Wn],n为小波系数的个数,通过迭代,得到最小值作rb为风险值,由rb的小标b求出对应的Wb;
S229、确定阈值函数
其中,ωj,k为小波系数,ωj,k为经过阈值函数处理过的小波系数,N为正整数,μ为调节因子,且取值范围在0到1之间,将经小波分解后的信号经所述阈值函数滤除噪声,得到有效的超声波信号;
S2210、将超声波信号与计算机数据库中的典型故障超声波信号进行匹配得出故障类型。
进一步,所述S2中,声发射传感器的故障检测方法包括如下步骤:
S231、使用声发射传感器采集开关柜内部的由于绝缘类材料声发射现象而产生的振位信号,并转化为电信号;
S232、经过放大器将接受到的电信号进行放大并过滤噪声以提升信躁比;
S233、经过A/D转换电路将从放大器接受到的电信号进行模数转换,得到供计算机的故障检测***使用的数字信号;
S234、确定声发射信号模型X(t)=A0eαt sin(2fπt),A0为信号的初始幅值,α为信号的衰减因子,f为声音传感器的谐振频率;
S235、为解决幅值标准差异引起的特征提取的偏差,将声发射信号进行标准化处理,通过标准尺度的转换统一所有信号序列的幅值范围,信号序列数据的标准化方法为:
其中,x(t)为声发射信号序列的数据,μ表示整个声发射信号序列的均值,φk为各个数据第k,其中k=1,2...n个滞后期对应的回归参数,n表示声发射信号序列中数据的个数;
S236、将经过标准化后的信号再进行平稳化处理,分解得到一组包含多个尺度的特征信息的信号分量,分解过程的公式为:
其中,εi(t)(t=1,2...n)表示原信号x(t)经过分解后得到的n个信号分量,βn+1(t)表示原信号,x(t)经分解后产生的残差信号以及分量的和;
S237、通过将波形较为平缓且幅值较低的信号分量与残差分量融合成一个新的信号分量,统一信号分量的数目;
S238、将上述得到的信号分量输入计算机故障检测***,将信号分量总包含的频域特征与经典故障的频域特征进行匹配,得到故障类型。
进一步,所述S3中,将各尺度音频反馈信号进行数据融合步骤如下:
S31、将所述声音传感器、超声传感器和声发射传感器采集的各尺度声音数据输入到计算机的数据融合算法中;
S32、基于所述S31中输入得到计算机的各尺度数据形成的多尺度数据集yk,并估计多尺度数据集的误差因子:
其中,N为信号长度,G(n)为原始信号,G*(n)为原始信号的估计信号;
S33、将各尺度音频反馈信号进行数据融合为:
yk=AkWMk+nk+σVk
其中,W为待求的融合结果;nk为噪声项;Ak为殊值矩阵,表示各尺度声音数据之间的差异;Mk为映射矩阵,记录原始声音数据在数据融合***中的映射关系;Vk为残差矩阵,表示原始声音信号和融合数据集的差值;
S34、利用正则化思想将W的求解转化为泛函的极值问题,确定W的模型为:
其中,α为不同尺度的声音信号的贡献值,δ为正则化参数;W为经正则化处理后的待求融合结果,βr为第r个滞后期对应的回归参数,pi是根据每个矩阵值的空间信息来设定的范数约束;
S35、求常规l2范数的最小化最优解,通过传统的共轭梯度法或预条件共轭梯度法求解W,得到yk极小值时的W,即最终的融合结果。
本发明的有益效果为:本发明所述的基于全声频监测的开关柜绝缘类部件的故障诊断方法,针对绝缘类部件的不同深度位置的故障或隐患,利用多尺度声频信号进行了故障识别和诊断,该方法能够识别和诊断整个绝缘类部件全域的故障及隐患,能够对识别已出现的故障,也能对故障隐患进行识别。
附图说明
图1为本发明一种基于全声频监测的开关柜绝缘类部件的故障诊断方法的方框图。
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,下面结合附图,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例仅用以解释本发明,并不用于限定本发明。
请参阅图1,一种基于全声频监测的开关柜绝缘类部件的故障诊断方法,包括以下步骤:
S1、采用声音传感器、超声传感器和声发射传感器分别对开关柜绝缘类部件进行监测,持续收集反馈信号;
S2、利用各个反馈信号的分析算法分别进行故障监测,其中声音传感器信号监测部件表面故障,超声传感器监测部件近表面故障,声发射信号监测部件内部故障;
S3、将各尺度音频反馈信号进行数据融合,确定健康状态函数。
所述S2中,声音传感器的数据分析为:
S211、将多个所述声音传感器采用合适的布局进行安置,采集开关柜在工作期间产生的声音信号;
S212、通过A/D转换电路将声音信号进行模数转换得到数字信号;
S213、对声音信号进行预处理,使用端点检测将声音信号区分为有用声音段和噪声段,声音信号的波动表示为:
其中,ψ=x(t)为离散域中声音信号x(t)的算子,x(t)为声音信号数据,ω为声音信号的角速度,θ为初始相位;
S214、筛选经处理后的信号,保留有用声音信号,经过函数提取有用声音信号中的时域参数,其中,所述函数为:
其中,δn为第n帧的短时过零率,X(i)=x(i)ω(n-i)表示为原始信号x(i)经过截取、加窗操作后得到的新信号,ω(n-i)为窗函数;
S215、将提取得到的参数信息与计算机数据库中的正常工作时的参数信息进行比对,若超出阈值,则代表绝缘类部件产生故障;
S216、若绝缘类部件判断出存在故障,则进一步地,将参数信息与数据库中的典型故障下的参数信息进行匹配,得出故障类型。
所述S2中,超声传感器的故障检测方法包括如下步骤:
S221、采集开关柜内部的由于绝缘类部件局部放电现象而产生的超声波信号;
S222、经过放大电路将超声波传感器采集的信号进行放大后送出;
S223、经过A/D转换电路将超声波信号进行数模转换;
S224、确定分解层数J;
S225、确定对采集的超声波信号的信躁比改善效果较优的sym7作为小波分解的小波基函数;
S226、对采集的含躁信号进行小波分解得到一组小波系数Wj,k,
其中,k=0,1...,N-1,j=0,1...,J-1,J为分解层数,N为信号采样点数;
S227、计算风险向量,
R=[r1,r2,,,rn]其元素为式中,i=1,2...n,W为元素是小波系数的平方由小到大排列的一个向量W=[W1,W2...Wn],n为小波系数的个数,通过迭代,得到最小值作rb为风险值,由rb的小标b求出对应的Wb;
S229、确定阈值函数
其中,ωj,k为小波系数,ωj,k为经过阈值函数处理过的小波系数,N为正整数,μ为调节因子,且取值范围在0到1之间,将经小波分解后的信号经所述阈值函数滤除噪声,得到有效的超声波信号;
S2210、将超声波信号与计算机数据库中的典型故障超声波信号进行匹配得出故障类型。
所述S2中,声发射传感器的故障检测方法包括如下步骤:
S231、使用声发射传感器采集开关柜内部的由于绝缘类材料声发射现象而产生的振位信号,并转化为电信号;
S232、经过放大器将接受到的电信号进行放大并过滤噪声以提升信躁比;
S233、经过A/D转换电路将从放大器接受到的电信号进行模数转换,得到供计算机的故障检测***使用的数字信号;
S234、确定声发射信号模型X(t)=A0eαt sin(2fπt),A0为信号的初始幅值,α为信号的衰减因子,f为声音传感器的谐振频率;
S235、为解决幅值标准差异引起的特征提取的偏差,将声发射信号进行标准化处理,通过标准尺度的转换统一所有信号序列的幅值范围,信号序列数据的标准化方法为:
其中,x(t)为声发射信号序列的数据,μ表示整个声发射信号序列的均值,φk为各个数据第k,其中k=1,2...n个滞后期对应的回归参数,n表示声发射信号序列中数据的个数;
S236、将经过标准化后的信号再进行平稳化处理,分解得到一组包含多个尺度的特征信息的信号分量,分解过程的公式为:
其中,εi(t)(t=1,2...n)表示原信号x(t)经过分解后得到的n个信号分量,βn+1(t)表示原信号,x(t)经分解后产生的残差信号以及分量的和;
S237、通过将波形较为平缓且幅值较低的信号分量与残差分量融合成一个新的信号分量,统一信号分量的数目;
S238、将上述得到的信号分量输入计算机故障检测***,将信号分量总包含的频域特征与经典故障的频域特征进行匹配,得到故障类型。
所述S3中,将各尺度音频反馈信号进行数据融合步骤如下:
S31、将所述声音传感器、超声传感器和声发射传感器采集的各尺度声音数据输入到计算机的数据融合算法中;
S32、基于所述S31中输入得到计算机的各尺度数据形成的多尺度数据集yk,并估计多尺度数据集的误差因子:
其中,N为信号长度,G(n)为原始信号,G*(n)为原始信号的估计信号;
S33、将各尺度音频反馈信号进行数据融合为:
yk=AkWMk+nk+σVk
其中,W为待求的融合结果;nk为噪声项;Ak为殊值矩阵,表示各尺度声音数据之间的差异;Mk为映射矩阵,记录原始声音数据在数据融合***中的映射关系;Vk为残差矩阵,表示原始声音信号和融合数据集的差值;
S34、利用正则化思想将W的求解转化为泛函的极值问题,确定W的模型为:
其中,α为不同尺度的声音信号的贡献值,δ为正则化参数;W为经正则化处理后的待求融合结果,βr为第r个滞后期对应的回归参数,pi是根据每个矩阵值的空间信息来设定的范数约束;
S35、求常规l2范数的最小化最优解,通过传统的共轭梯度法或预条件共轭梯度法求解W,得到yk极小值时的W,即最终的融合结果。
以上所述实施例仅表达了本发明的实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求。
Claims (5)
1.一种基于全声频监测的开关柜绝缘类部件的故障诊断方法,其特征在于,包括以下步骤:
S1、采用音频传感器、超声传感器和声音传感器分别对开关柜绝缘类部件进行监测,持续收集反馈信号;
S2、将所述各传感器的数据进行分析,利用各个反馈信号的分析算法分别进行故障监测,其中声音传感器信号监测部件表面故障,超声传感器监测部件近表面故障,声发射信号监测部件内部故障;
S3、将各尺度音频反馈信号进行数据融合,确定健康状态函数。
2.根据权利要求1所述的一种基于全声频监测的开关柜绝缘类部件的故障诊断方法,其特征在于:所述S2中,声音传感器的数据分析为:
S211、将多个所述声音传感器采用合适的布局进行安置,采集开关柜在工作期间产生的声音信号;
S212、通过A/D转换电路将声音信号进行模数转换得到数字信号;
S213、对声音信号进行预处理,使用端点检测将声音信号区分为有用声音段和噪声段,声音信号的波动表示为:
其中,ψ=x(t)为离散域中声音信号x(t)的算子,x(t)为声音信号数据,ω为声音信号的角速度,θ为初始相位;
S214、筛选经处理后的信号,保留有用声音信号,经过函数提取有用声音信号中的时域参数,其中,所述函数为:
其中,δn为第n帧的短时过零率,X(i)=x(i)ω(n-i)表示为原始信号x(i)经过截取、加窗操作后得到的新信号,ω(n-i)为窗函数;
S215、将提取得到的参数信息与计算机数据库中的正常工作时的参数信息进行比对,若超出阈值,则代表绝缘类部件产生故障;
S216、若绝缘类部件判断出存在故障,则进一步地,将参数信息与数据库中的典型故障下的参数信息进行匹配,得出故障类型。
3.根据权利要求1所述的一种基于全声频监测的开关柜绝缘类部件的故障诊断方法,其特征在于,所述S2中,超声传感器的故障检测方法包括如下步骤:
S221、采集开关柜内部的由于绝缘类部件局部放电现象而产生的超声波信号;
S222、经过放大电路将超声波传感器采集的信号进行放大后送出;
S223、经过A/D转换电路将超声波信号进行数模转换;
S224、确定分解层数J;
S225、确定对采集的超声波信号的信躁比改善效果较优的sym7作为小波分解的小波基函数;
S226、对采集的含躁信号进行小波分解得到一组小波系数Wj,k,
其中,k=0,1...,N-1,j=0,1...,J-1,J为分解层数,N为信号采样点数;
S227、计算风险向量,
R=[r1,r2,,,rn]其元素为式中,i=1,2...n,W为元素是小波系数的平方由小到大排列的一个向量W=[W1,W2...Wn],n为小波系数的个数,通过迭代,得到最小值作rb为风险值,由rb的小标b求出对应的Wb;
S229、确定阈值函数
其中,ωj,k为小波系数,ωj,k为经过阈值函数处理过的小波系数,N为正整数,μ为调节因子,且取值范围在0到1之间,将经小波分解后的信号经所述阈值函数滤除噪声,得到有效的超声波信号;
S2210、将超声波信号与计算机数据库中的典型故障超声波信号进行匹配得出故障类型。
4.根据权利要求1所述的一种基于全声频监测的开关柜绝缘类部件的故障诊断方法,其特征在于,所述S2中,声发射传感器的故障检测方法包括如下步骤:
S231、使用声发射传感器采集开关柜内部的由于绝缘类材料声发射现象而产生的振位信号,并转化为电信号;
S232、经过放大器将接受到的电信号进行放大并过滤噪声以提升信躁比;
S233、经过A/D转换电路将从放大器接受到的电信号进行模数转换,得到供计算机的故障检测***使用的数字信号;
S234、确定声发射信号模型X(t)=A0eαtsin(2fπt),A0为信号的初始幅值,α为信号的衰减因子,f为声音传感器的谐振频率;
S235、为解决幅值标准差异引起的特征提取的偏差,将声发射信号进行标准化处理,通过标准尺度的转换统一所有信号序列的幅值范围,信号序列数据的标准化方法为:
其中,x(t)为声发射信号序列的数据,μ表示整个声发射信号序列的均值,φk为各个数据第k,其中k=1,2...n个滞后期对应的回归参数,n表示声发射信号序列中数据的个数;
S236、将经过标准化后的信号再进行平稳化处理,分解得到一组包含多个尺度的特征信息的信号分量,分解过程的公式为:
其中,εi(t)(t=1,2...n)表示原信号x(t)经过分解后得到的n个信号分量,βn+1(t)表示原信号,x(t)经分解后产生的残差信号以及分量的和;
S237、通过将波形较为平缓且幅值较低的信号分量与残差分量融合成一个新的信号分量,统一信号分量的数目;
S238、将上述得到的信号分量输入计算机故障检测***,将信号分量总包含的频域特征与经典故障的频域特征进行匹配,得到故障类型。
5.根据权利要求1所述的一种基于全声频监测的开关柜绝缘类部件的故障诊断方法,其特征在于,所述S3中,将各尺度音频反馈信号进行数据融合步骤如下:
S31、将所述声音传感器、超声传感器和声发射传感器采集的各尺度声音数据输入到计算机的数据融合算法中;
S32、基于所述S31中输入得到计算机的各尺度数据形成的多尺度数据集yk,并估计多尺度数据集的误差因子:
其中,N为信号长度,G(n)为原始信号,G*(n)为原始信号的估计信号;
S33、将各尺度音频反馈信号进行数据融合为:
yk=AkWMk+nk+σVk
其中,W为待求的融合结果;nk为噪声项;Ak为殊值矩阵,表示各尺度声音数据之间的差异;Mk为映射矩阵,记录原始声音数据在数据融合***中的映射关系;Vk为残差矩阵,表示原始声音信号和融合数据集的差值;
S34、利用正则化思想将W的求解转化为泛函的极值问题,确定W的模型为:
其中,α为不同尺度的声音信号的贡献值,δ为正则化参数;W为经正则化处理后的待求融合结果,βr为第r个滞后期对应的回归参数,pi是根据每个矩阵值的空间信息来设定的范数约束;
S35、求常规l2范数的最小化最优解,通过传统的共轭梯度法或预条件共轭梯度法求解W,得到yk极小值时的W,即最终的融合结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210812719.XA CN115372764B (zh) | 2022-07-12 | 2022-07-12 | 一种基于全声频监测的开关柜绝缘类部件的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210812719.XA CN115372764B (zh) | 2022-07-12 | 2022-07-12 | 一种基于全声频监测的开关柜绝缘类部件的故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115372764A true CN115372764A (zh) | 2022-11-22 |
CN115372764B CN115372764B (zh) | 2023-05-30 |
Family
ID=84062750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210812719.XA Active CN115372764B (zh) | 2022-07-12 | 2022-07-12 | 一种基于全声频监测的开关柜绝缘类部件的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115372764B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116701128A (zh) * | 2023-05-31 | 2023-09-05 | 上海创芯致锐互联网络有限公司 | 一种基于多端感应融合的led芯片烧录反馈监控*** |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005147890A (ja) * | 2003-11-17 | 2005-06-09 | Hitachi Ltd | 絶縁異常診断装置 |
JP2008185463A (ja) * | 2007-01-30 | 2008-08-14 | Toshiba Corp | 電気設備の絶縁異常診断システム |
CN101435799A (zh) * | 2008-12-19 | 2009-05-20 | 清华大学 | 基于声发射技术的水轮机故障诊断方法及装置 |
US20120265458A1 (en) * | 2011-04-13 | 2012-10-18 | GM Global Technology Operatons LLC | Corona and Partial Discharge Diagnostic Device and Method for Using the Same |
JP2017009547A (ja) * | 2015-06-26 | 2017-01-12 | 株式会社日本システム研究所 | 絶縁異常診断装置 |
CN107748314A (zh) * | 2017-10-18 | 2018-03-02 | 国网重庆市电力公司北碚供电分公司 | 基于声波震荡检测的变压器故障分析*** |
CN108169639A (zh) * | 2017-12-29 | 2018-06-15 | 南京康尼环网开关设备有限公司 | 基于并行长短时记忆神经网络的识别开关柜故障的方法 |
CN208477061U (zh) * | 2018-05-22 | 2019-02-05 | 上海宝钢工业技术服务有限公司 | 高压开关柜局部放电监测*** |
CN110160765A (zh) * | 2019-06-04 | 2019-08-23 | 安徽智寰科技有限公司 | 一种基于声音或振动信号的冲击特征识别方法及*** |
CN110244204A (zh) * | 2019-06-27 | 2019-09-17 | 国网湖南省电力有限公司 | 一种多特征值的开关柜故障诊断方法、***及介质 |
CN110335617A (zh) * | 2019-05-24 | 2019-10-15 | 国网新疆电力有限公司乌鲁木齐供电公司 | 一种变电站中的噪音分析方法 |
CN210774139U (zh) * | 2019-06-05 | 2020-06-16 | 广西电网有限责任公司电力科学研究院 | 一种可比对开关柜内外温度的巡视机器人*** |
CN111525694A (zh) * | 2020-05-08 | 2020-08-11 | 广东电网有限责任公司惠州供电局 | 一种基于物联网的开关柜智能标示装置及*** |
CN111856224A (zh) * | 2020-06-29 | 2020-10-30 | 国网河南省电力公司周口供电公司 | 一种高压开关柜的局部放电多源融合检测***和方法 |
-
2022
- 2022-07-12 CN CN202210812719.XA patent/CN115372764B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005147890A (ja) * | 2003-11-17 | 2005-06-09 | Hitachi Ltd | 絶縁異常診断装置 |
JP2008185463A (ja) * | 2007-01-30 | 2008-08-14 | Toshiba Corp | 電気設備の絶縁異常診断システム |
CN101435799A (zh) * | 2008-12-19 | 2009-05-20 | 清华大学 | 基于声发射技术的水轮机故障诊断方法及装置 |
US20120265458A1 (en) * | 2011-04-13 | 2012-10-18 | GM Global Technology Operatons LLC | Corona and Partial Discharge Diagnostic Device and Method for Using the Same |
JP2017009547A (ja) * | 2015-06-26 | 2017-01-12 | 株式会社日本システム研究所 | 絶縁異常診断装置 |
CN107748314A (zh) * | 2017-10-18 | 2018-03-02 | 国网重庆市电力公司北碚供电分公司 | 基于声波震荡检测的变压器故障分析*** |
CN108169639A (zh) * | 2017-12-29 | 2018-06-15 | 南京康尼环网开关设备有限公司 | 基于并行长短时记忆神经网络的识别开关柜故障的方法 |
CN208477061U (zh) * | 2018-05-22 | 2019-02-05 | 上海宝钢工业技术服务有限公司 | 高压开关柜局部放电监测*** |
CN110335617A (zh) * | 2019-05-24 | 2019-10-15 | 国网新疆电力有限公司乌鲁木齐供电公司 | 一种变电站中的噪音分析方法 |
CN110160765A (zh) * | 2019-06-04 | 2019-08-23 | 安徽智寰科技有限公司 | 一种基于声音或振动信号的冲击特征识别方法及*** |
CN210774139U (zh) * | 2019-06-05 | 2020-06-16 | 广西电网有限责任公司电力科学研究院 | 一种可比对开关柜内外温度的巡视机器人*** |
CN110244204A (zh) * | 2019-06-27 | 2019-09-17 | 国网湖南省电力有限公司 | 一种多特征值的开关柜故障诊断方法、***及介质 |
CN111525694A (zh) * | 2020-05-08 | 2020-08-11 | 广东电网有限责任公司惠州供电局 | 一种基于物联网的开关柜智能标示装置及*** |
CN111856224A (zh) * | 2020-06-29 | 2020-10-30 | 国网河南省电力公司周口供电公司 | 一种高压开关柜的局部放电多源融合检测***和方法 |
Non-Patent Citations (2)
Title |
---|
尤强: "轴承早期疲劳声发射信号特征提取的研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
杨慧莹: "结合EEMD和稀疏方法的高速列车轴承故障特征提取研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116701128A (zh) * | 2023-05-31 | 2023-09-05 | 上海创芯致锐互联网络有限公司 | 一种基于多端感应融合的led芯片烧录反馈监控*** |
Also Published As
Publication number | Publication date |
---|---|
CN115372764B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sangaiah et al. | An intelligent learning approach for improving ECG signal classification and arrhythmia analysis | |
Yan et al. | Improved Hilbert–Huang transform based weak signal detection methodology and its application on incipient fault diagnosis and ECG signal analysis | |
CN109557429B (zh) | 基于改进小波阈值去噪的gis局部放电故障检测方法 | |
CN115372764A (zh) | 一种基于全声频监测的开关柜绝缘类部件的故障诊断方法 | |
CN110686767A (zh) | 一种基于时频法与数据序列法的gis振动异响联合特征提取方法 | |
Tang et al. | ECG de-noising based on empirical mode decomposition | |
CN113375939A (zh) | 基于svd和vmd的机械件故障诊断方法 | |
Mahendran et al. | An efficient priority‐based convolutional auto‐encoder approach for electrocardiogram signal compression in Internet of Things based healthcare system | |
CN110426569A (zh) | 一种变压器声信号降噪处理方法 | |
Zhao et al. | Feature frequency extraction algorithm based on the singular value decomposition with changed matrix size and its application in fault diagnosis | |
CN115166393A (zh) | 一种变压器的智能诊断及状态评估方法 | |
CN114707555A (zh) | 崩岸前兆次声波信号降噪处理方法、特征识别方法及装置 | |
CN116682458A (zh) | 基于能量算子改进小波包的gis局放声纹检测方法 | |
CN114397569A (zh) | 基于vmd参数优化、样本熵的断路器故障电弧检测方法 | |
CN110222390B (zh) | 基于小波神经网络的齿轮裂纹识别方法 | |
CN114034375B (zh) | 一种特高压输电线路噪声测量***及方法 | |
Lan et al. | Improved wavelet packet noise reduction for microseismic data via fuzzy partition | |
CN109884483A (zh) | 绝缘管型母线局部放电声学在线监测方法及装置 | |
CN111693812B (zh) | 一种基于声音特征的大型变压器故障检测方法 | |
Zhang et al. | New significance test methods for Fourier analysis of geophysical time series | |
Talwar et al. | Adaptive filter and EMD based de-noising method of ECG signals: a review | |
CN112881839A (zh) | 基于频率集中度和振动平稳性互信息的变压器诊断方法 | |
Antoniadou et al. | Cointegration and the empirical mode decomposition for the analysis of diagnostic data | |
Lei et al. | Rolling bearing fault diagnosis based on variational mode decomposition and weighted multidimensional feature entropy fusion | |
CN110598617B (zh) | 煤矿安全监控***瓦斯异常数据辨识与重构方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |