CN115600136A - 一种基于多传感器的高压套管故障诊断方法、***及介质 - Google Patents
一种基于多传感器的高压套管故障诊断方法、***及介质 Download PDFInfo
- Publication number
- CN115600136A CN115600136A CN202211333972.3A CN202211333972A CN115600136A CN 115600136 A CN115600136 A CN 115600136A CN 202211333972 A CN202211333972 A CN 202211333972A CN 115600136 A CN115600136 A CN 115600136A
- Authority
- CN
- China
- Prior art keywords
- data information
- fault
- voltage bushing
- neural network
- data
- 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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种基于多传感器的高压套管故障诊断方法、***及介质,获取第一数据信息,所述第一数据信息为采集的高压套管中各个传感器的信号数据;对所述第一数据信息进行预处理,获得第二数据信息;采用优化BP神经网络模型提取所述第二数据信息的特征数据信息,所述特征数据信息包括若干不同传感器上的特征数据;采用D‑S证据理论算法,计算在同一特征数据下,不同故障类型的权重值,获得若干权重值;将若干所述权重值按照不同故障类型划分,并按照在同一故障类型下权重值的大小来判断监测***发生的故障;本发明的有益效果为能够提高对高压套管发生的故障类型判断的准确性,减少对高压套管故障判断的效率。
Description
技术领域
本发明涉及套管故障判技术领域,具体而言,涉及一种基于多传感器的高压套管故障诊断方法、***及介质。
背景技术
高压套管是电力***中变压器、电流互感器等设备的关键组部件。近年来,针对高压套管,研发了多种在线监测装置,使用不同的传感器以监测套管的状态。针对套管的温度、压力、局放、绝缘、氢含量等,研发了不同的传感器。通过不同的传感器可实现套管的温度、压力、UHF、HFCT、介损、电容、氢含量等信号的采集或计算。
由于套管结构的复杂性,在套管运行的时候,其内部有多个结构运动,有不同的状态量,因此使用不同传感器在对套管进行在线监测及故障诊断时,故障和状态量很大可能不是一一对应的,某个故障可能对应多个状态量,某个状态量也有可能由多个故障引起。
但是在现有技术中,对套管故障进行诊断的时候,通常采用的多是通过单个传感器的数据信息进行判断,在采用单个传感器信息进行判断的时候,可能采集的信息模糊或者采集的信息矛盾,降低了对高压套管发生的故障类型判断的准确性,增加了对高压套管故障判断的效率。
有鉴于此,特提出本申请。
发明内容
本发明所要解决的技术问题是现有技术中,通过采集单个传感器的信息数据来判断高压套管的故障,可能采集到的信息模糊或矛盾,会降低了对高压套管发生的故障类型判断的准确性,增加了对高压套管故障判断的效率,目的在于提供一种基于多传感器的高压套管故障诊断方法、***及介质,能够提高对高压套管发生的故障类型判断的准确性,减少对高压套管故障判断的效率。
本发明通过下述技术方案实现:
一种基于多传感器的高压套管故障诊断方法,方法步骤包括:
获取第一数据信息,所述第一数据信息为采集的高压套管中各个传感器的信号数据;
对所述第一数据信息进行预处理,获得第二数据信息;
采用优化BP神经网络模型提取所述第二数据信息的特征数据信息,所述特征数据信息包括若干不同传感器上的特征数据;
采用D-S证据理论算法,计算在同一特征数据下,不同故障类型的权重值,获得若干权重值;
将若干所述权重值按照不同故障类型划分,并按照在同一故障类型下权重值的大小来判断监测***发生的故障。
传统的在对高压套管的在线监测***的故障判断中,通常采用的是通过采集单个传感器的信息数据,对单个传感器的信息数据进行分析,来实现对高压套管在线监测***故障的诊断,但是在采用这种方法的时候,有时候会出现所采集的单个传感器的信息数据模糊不准确或者采集的数据信息矛盾,从而降低了对高压套管发生的故障类型判断的准确性,增加了对高压套管故障判断的效率;本发明提供了一种基于多传感器的高压套管故障诊断方法,通过将各种传感器信息数据采集融合,并采用BP神经网络结合D-S证据理论算法的方式,对数据信息进行处理,来判断在线监测***的所属故障,能够提高对高压套管发生的故障类型判断的准确性,减少对高压套管故障判断的效率。
优选地,所述预处理为对所述第一数据信息进行去噪或去干扰处理。
优选地,所述优化BP神经网络模型的构建步骤为:
获取历史数据信息,所述历史数据信息为高压套管中各个传感器发生故障的信号数据以及对应的故障类型;
对所述历史数据信息进行去噪以及去干扰处理,获得子历史数据信息;
构建BP神经网路模型,并通过所述子历史数据信息对所述BP神经网络模型进行训练,采用标准神经网络的误差函数进行优化迭代,获得优化BP神经网络模型。
优选地,所述权重值获得的具体步骤包括:
在所述特征数据信息中,选择任意一个特征数据,采用D-S证据理论中的BPA决策方法,计算该特征数据在不同故障类型下的冲突差,获得若干冲突差;
采用归一化方法并结合三角函数中的余弦定理对若干所述冲突差进行处理,获得该特征数据对应的权重值;
遍历特征数据信息,获得若干权重值。
优选地,所述故障类型为过热故障或放电故障。
优选地,所述误差函数的具体表达式为:
E为误差函数,dk为目标输出值,ok为实际输出值。
优选地,所述冲突差的具体表达式为:
优选地,所述权重值的具体表达式为:
本发明还提供了一种基于多传感器的高压套管故障诊断***,包括数据获取模块、预处理模块、特征数据提取模块、权重值计算模块以及判断模块,
所述数据获取模块,用于获取第一数据信息,所述第一数据信息为采集的高压套管中各个传感器的信号数据;
所述预处理模块,用于对所述第一数据信息进行预处理,获得第二数据信息;
所述特征数据提取模块,用于采用优化BP神经网络模型提取所述第二数据信息的特征数据信息,所述特征数据信息包括若干不同传感器上的特征数据;
所述权重计算模块,用于采用D-S证据理论算法,计算在同一特征数据下,不同故障类型的权重值,获得若干权重值;
所述判断模块,用于将若干所述权重值按照不同故障类型划分,并按照在同一故障类型下权重值的大小来判断监测***发生的故障。
本发明还提供了一种计算机存储介质,其上存储有计算程序,该计算机程序被处理器执行时,实现如上所述的故障诊断方法。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明实施例提供的一种基于多传感器的高压套管故障诊断方法、***及介质,通过将各种传感器信息数据采集融合,并采用BP神经网络结合D-S证据理论算法的方式,对数据信息进行处理,来判断在线监测***的所属故障,能够提高对高压套管发生的故障类型判断的准确性,减少对高压套管故障判断的效率。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为高压套管故障诊断模型;
图2为并联型多源信息融合***的结构模型;
图3为前馈型神经网络结构;
图4为多源信息融合的过程。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
在以下描述中,为了提供对本发明的透彻理解阐述了大量特定细节。然而,对于本领域普通技术人员显而易见的是:不必采用这些特定细节来实行本本发明。在其他实施例中,为了避免混淆本本发明,未具体描述公知的结构、电路、材料或方法。
在整个说明书中,对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着:结合该实施例或示例描述的特定特征、结构或特性被包含在本本发明至少一个实施例中。因此,在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外,可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外,本领域普通技术人员应当理解,在此提供的示图都是为了说明的目的,并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
在本发明的描述中,术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明保护范围的限制。
实施例一
传统的在对高压套管的在线监测***的故障判断中,通常采用的是通过采集单个传感器的信息数据,对单个传感器的信息数据进行分析,来实现对高压套管在线监测***故障的诊断,但是在采用这种方法的时候,有时候会出现所采集的单个传感器的信息数据模糊不准确或者采集的数据信息矛盾,从而降低了对高压套管发生的故障类型判断的准确性,增加了对高压套管故障判断的效率。
本实施例公开了一种基于多传感器的高压套管故障诊断方法,通过将各种传感器信息数据采集融合,并采用BP神经网络结合D-S证据理论算法的方式,对数据信息进行处理,来判断在线监测***的所属故障,能够提高对高压套管发生的故障类型判断的准确性,减少对高压套管故障判断的效率。本实施例中具体的诊断方法示意图如图1~图4所示,方法步骤包括:
S1:获取第一数据信息,所述第一数据信息为采集的高压套管中各个传感器的信号数据;
在步骤S1中,高压套管为是将变压器内部的高压线引到油箱外部的出线装置,不仅作为引线的对地绝缘,而且还起着固定引线的作用,是变压器重要附件之一;因此在变压器运行的时候,通常要对套管进行在线监测,且是通过设置的各种传感器进行监测的,因此,在本实施例中,就是获取的对套管进行在线监测的各项传感器的数据,将数据进行融合,能够增加对故障类型判断的准确性。
S2:对所述第一数据信息进行预处理,获得第二数据信息;所述预处理为对所述第一数据信息进行去噪或去干扰处理。
在步骤S2中,采集的第一数据信息中,可能存在一定的噪声或者干扰信息,需要对噪声以及干扰信息进行去除,采用的方法是滤波。
S3:采用优化BP神经网络模型提取所述第二数据信息的特征数据信息,所述特征数据信息包括若干不同传感器上的特征数据;
所述优化BP神经网络模型的构建步骤为:
获取历史数据信息,所述历史数据信息为高压套管中各个传感器发生故障的信号数据以及对应的故障类型;对所述历史数据信息进行去噪以及去干扰处理,获得子历史数据信息;构建BP神经网路模型,并通过所述子历史数据信息对所述BP神经网络模型进行训练,采用标准神经网络的误差函数进行优化迭代,获得优化BP神经网络模型。
通过采集的历史数据信息对BP神经网络模型进行不断的优化迭代更新,能够增加该模型对相关数据信息处理的准确性。
具体的BP神经网络模型为:
标准BP网络的输入层、中间层和输出层分别有叫Nii、Nj和Nk神经元。中间层第j神经元的输入为:
式中,ωij为输入层中第i神经元到中间层第j神经元的权值;oi为输入层中第i神经元的输出。输出层第k神经元的输入为:
式中,ωjk为中间层中第j神经元到输出层第k神经元的权值;oj为中间层中第K神经元的输岀。
输入层,中间层和输出层的输出分别为:
oi=netj=xi
θj和θk分别为中间层第j神经元和输出层第k神经元的阈值。xi为各传感器采集到的信号。
BP网络的训练采用基于梯度法的γ学习律,其目标是使网络输岀与训练样本的均方误差最小。标准BP神经网络中,设训练样本为P,其中输入向量为x1,x2...xp;输出向量为为y1,y2...yp;相应的教师值(样本)向量为t1,t2...tp;则P样本的均方误差为:
式中,tpk和ypk分别为第k输出神经元第p样本的教师值和实际输出值。
此时中间层的权值调整为:
Δωij(n+1)=ηδjpojp+αΔwij(n)
此时输出层的权值调整为:
Δωjk(n+1)=ηδjpojp+αΔwjk(n)
δkp=(tkp-ykp)fk'(netkp)
式中,η为学习率,α为动量因子。
所述误差函数的具体表达式为:
E为误差函数,dk为目标输出值,ok为实际输出值。
误差函数反映的是dk与ok以两个量之间不同“距离”尺度。BP网络训练的目的是要使实际输出ok最大可能的接近目标输出dk,这种接近程度来衡量。使用该误差函数可以有效改进BP神经网络进行训练时收敛速度慢的问题,提高BP神经网络的训练速度。
使用该误差函数后,神经网络的中间层的权值调整为:
此时输出层的权值调整为:
其中,ωij为输入层中第i神经元到中间层第j神经元的权值;ωjk为中间层中第j神经元到输出层第k神经元的权值;η为学习率调整因子。Oi为输入层中第i神经元的输出。Oj为中间层中第K神经元的输岀。
S4:采用D-S证据理论算法,计算在同一特征数据下,不同故障类型的权重值,获得若干权重值;
所述权重值获得的具体步骤包括:
在所述特征数据信息中,选择任意一个特征数据,采用D-S证据理论中的BPA决策方法,计算该特征数据在不同故障类型下的冲突差,获得若干冲突差;所述故障类型为过热故障或放电故障。
采用归一化方法并结合三角函数中的余弦定理对若干所述冲突差进行处理,获得该特征数据对应的权重值;
遍历特征数据信息,获得若干权重值。
本实施例中,对D-S证据理论算法提出了一种重新分配证据BPA的方法,有效克服证据冲突对信息融合的影响,并合理的利用证据推理的方式,用数值描述判断中的确信度及犹豫度。
定义m为识别空间θ上的BPA函数,A,B为识别空间上的焦元,利用式重新定义识别空间上的BPA。
SetPm(A)表示基本概率分配对每个子集的支持程度。
相同目标的冲突度Diff表示为:
Diff(A)=|SetPmi(A)-SetPmj(A)|
本实施例对D-S证据理论算法进行改进,根据证据的可靠程度对证据重新赋予权值,获得更好的融合结果。
设θ为样本空间,xi为样本空间θ中的焦元,i=1,2,…n,且有N组证据函数。记为mi={xt1,xt2,xt3.....xti}其中i=1,2,…n,t=1,2,…N。用βi代表权值,其中i=1,2,3....N。
首先,分别对证据的BPA进行重新分配。
其次,计算相同焦元在不同证据下的冲突差。
再次,对冲突差进行归一化处理。
再对归一化的值进行计算。
权值可以表示为:
引入三角函数中的余弦定理,把权值固定在[0,1]之间,利用余弦函数的曲线特性赋予权值,得到的权值相对平滑。即:
这样就确定了各证据的权重系数组成的权重向量。
S5:将若干所述权重值按照不同故障类型划分,并按照在同一故障类型下权重值的大小来判断监测***发生的故障。
将BP神经网络及D-S证据理论相结合,对特征值和特征向量进行融合。将不确定因素fi设为BP神经网络的训练误差,将输出做归一化处理,作为各焦点元素的基本概率值,其计算公式为:
式中:fi表示故障模式,i=(0,1,2,3,4,5,6),y(fi)表示BP神经网络的输出结果。
首先经计算由BP神经网络对各传感器输入值进行处理,得到对应的不同故障类型确认的mass函数值,再运用D-S证据理论规则,最终可以得到融合结果。
具体实施过程:
构建BP诊断网络,BP网络输入层神经元数为9个特征参数,输出层神经元数为故障数(代表不同的故障类型),即输出目标函数F={f1,f2,f3,f4,f5,f6},神经网络的期望输出用[0,1]表示,其中1代表故障存在,0代表故障不存在。表1为神经网络的输入样本,分别为方根均值x1、标准差x2、温度指标x3、压力指标x4、油位指标x5、介损指标x6、电容量指标x7、泄漏电流x8、角度差x9等9个特征参数。
表一神经网络的输入样本
根据表一的测点数据,先进行BP神经网络进行局部的诊断,设BP网络输入层定为6个节点,隐含层采定为17个节点,输出层为6个节点,分别代表六种故障,用训练集对三层BP网络进行训练,然后再从各故障样本中抽出部分样本进行训练。训练结果如表2:
表二BP神经网络的训练结果
采用本发明将BP神经网络与D-S证据理论相结合,运用D-S证据理论规则可以得到样本的融合结果,见表三。
表三D-S证据理论的融合结果
通过比较表2和表3可以看出:经过信息融合综合诊断,诊断精度大大提高。各个样本中都有不是很理想的结果,如果用单个测点数据进行判定,很容易误判,而利用多传感器信息融合方法,将多参数、多变量综合考虑,先利用BP神经网络进行特征层融合,利用D-S合成规则进行决策层的融合,最后得到的结果还是比较理想,所有的信任度都在0.95以上,从而证明了BP神经网络和D-S证据理论相结合的信息融合套管故障智能诊断方法的有效性。
本实施例提供的一种高压套管在线监测***的故障诊断方法,通过将各种传感器信息数据采集融合,并采用BP神经网络结合D-S证据理论算法的方式,对数据信息进行处理,来判断在线监测***的所属故障,能够提高对高压套管发生的故障类型判断的准确性,减少对高压套管故障判断的效率。
实施例二
本实施例公开了一种基于多传感器的高压套管故障诊断***,本实施例是为了实现如实施例一中的故障诊断方法,包括数据获取模块、预处理模块、特征数据提取模块、权重值计算模块以及判断模块,
所述数据获取模块,用于获取第一数据信息,所述第一数据信息为采集的高压套管中各个传感器的信号数据;
所述预处理模块,用于对所述第一数据信息进行预处理,获得第二数据信息;
所述特征数据提取模块,用于采用优化BP神经网络模型提取所述第二数据信息的特征数据信息,所述特征数据信息包括若干不同传感器上的特征数据;
所述权重计算模块,用于采用D-S证据理论算法,计算在同一特征数据下,不同故障类型的权重值,获得若干权重值;
所述判断模块,用于将若干所述权重值按照不同故障类型划分,并按照在同一故障类型下权重值的大小来判断监测***发生的故障。
实施例三
本实施例公开了一种计算机存储介质,其上存储有计算程序,该计算机程序被处理器执行时,实现如实施例一所述的故障诊断方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序发布指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序发布指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的发布指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序发布指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的发布指令产生包括发布指令装置的制造品,该发布指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序发布指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的发布指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多传感器的高压套管故障诊断方法,其特征在于,方法步骤包括:
获取第一数据信息,所述第一数据信息为采集的高压套管中各个传感器的信号数据;
对所述第一数据信息进行预处理,获得第二数据信息;
采用优化BP神经网络模型提取所述第二数据信息的特征数据信息,所述特征数据信息包括若干不同传感器上的特征数据;
采用D-S证据理论算法,计算在同一特征数据下,不同故障类型的权重值,获得若干权重值;
将若干所述权重值按照不同故障类型划分,并按照在同一故障类型下权重值的大小来判断监测***发生的故障。
2.根据权利要求1所述的一种基于多传感器的高压套管故障诊断方法,其特征在于,所述预处理为对所述第一数据信息进行去噪或去干扰处理。
3.根据权利要求1所述的一种基于多传感器的高压套管故障诊断方法,其特征在于,所述优化BP神经网络模型的构建步骤为:
获取历史数据信息,所述历史数据信息为高压套管中各个传感器发生故障的信号数据以及对应的故障类型;
对所述历史数据信息进行去噪以及去干扰处理,获得子历史数据信息;
构建BP神经网络模型,并通过所述子历史数据信息对所述BP神经网络模型进行训练,采用改进后的神经网络的误差函数进行优化迭代,获得优化BP神经网络模型。
4.根据权利要求1所述的一种基于多传感器的高压套管故障诊断方法,其特征在于,所述权重值获得的具体步骤包括:
在所述特征数据信息中,选择任意一个特征数据,采用D-S证据理论中的BPA决策方法,计算该特征数据在不同故障类型下的冲突差,获得若干冲突差;
采用归一化方法并结合三角函数中的余弦定理对若干所述冲突差进行处理,获得该特征数据对应的权重值;
遍历特征数据信息,获得若干权重值。
5.根据权利要求4所述的一种基于多传感器的高压套管故障诊断方法,其特征在于,所述故障类型为过热故障或放电故障。
9.一种基于多传感器的高压套管故障诊断***,其特征在于,包括数据获取模块、预处理模块、特征数据提取模块、权重值计算模块以及判断模块,
所述数据获取模块,用于获取第一数据信息,所述第一数据信息为采集的高压套管中各个传感器的信号数据;
所述预处理模块,用于对所述第一数据信息进行预处理,获得第二数据信息;
所述特征数据提取模块,用于采用优化BP神经网络模型提取所述第二数据信息的特征数据信息,所述特征数据信息包括若干不同传感器上的特征数据;
所述权重计算模块,用于采用D-S证据理论算法,计算在同一特征数据下,不同故障类型的权重值,获得若干权重值;
所述判断模块,用于将若干所述权重值按照不同故障类型划分,并按照在同一故障类型下权重值的大小来判断监测***发生的故障。
10.一种计算机存储介质,其上存储有计算程序,其特征在于,该计算机程序被处理器执行时,实现如权利要求1~8任一所述的故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211333972.3A CN115600136A (zh) | 2022-10-28 | 2022-10-28 | 一种基于多传感器的高压套管故障诊断方法、***及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211333972.3A CN115600136A (zh) | 2022-10-28 | 2022-10-28 | 一种基于多传感器的高压套管故障诊断方法、***及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115600136A true CN115600136A (zh) | 2023-01-13 |
Family
ID=84849981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211333972.3A Pending CN115600136A (zh) | 2022-10-28 | 2022-10-28 | 一种基于多传感器的高压套管故障诊断方法、***及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115600136A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117076870A (zh) * | 2023-10-16 | 2023-11-17 | 广东石油化工学院 | 旋转机械故障诊断方法、装置、设备及存储介质 |
CN117572295A (zh) * | 2024-01-12 | 2024-02-20 | 山东和兑智能科技有限公司 | 一种高压套管多模态在线监测及预警方法 |
-
2022
- 2022-10-28 CN CN202211333972.3A patent/CN115600136A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117076870A (zh) * | 2023-10-16 | 2023-11-17 | 广东石油化工学院 | 旋转机械故障诊断方法、装置、设备及存储介质 |
CN117076870B (zh) * | 2023-10-16 | 2024-01-12 | 广东石油化工学院 | 旋转机械故障诊断方法、装置、设备及存储介质 |
CN117572295A (zh) * | 2024-01-12 | 2024-02-20 | 山东和兑智能科技有限公司 | 一种高压套管多模态在线监测及预警方法 |
CN117572295B (zh) * | 2024-01-12 | 2024-04-12 | 山东和兑智能科技有限公司 | 一种高压套管多模态在线监测及预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11586913B2 (en) | Power equipment fault detecting and positioning method of artificial intelligence inference fusion | |
CN115600136A (zh) | 一种基于多传感器的高压套管故障诊断方法、***及介质 | |
CN112418277B (zh) | 旋转机械零部件剩余寿命预测方法、***、介质、设备 | |
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 | |
CN110231156B (zh) | 基于时序特征的服务机器人运动***故障诊断方法及装置 | |
CN110766059A (zh) | 一种变压器故障的预测方法、装置和设备 | |
CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
CN108510153A (zh) | 一种多工况旋转机械故障诊断方法 | |
CN105738109A (zh) | 基于稀疏表示与集成学习的轴承故障分类诊断方法 | |
CN103558519A (zh) | 一种gis局部放电超声波信号识别方法 | |
Tang et al. | A bearing fault diagnosis method based on feature selection feedback network and improved DS evidence fusion | |
CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
Shang et al. | Fault diagnosis method of rolling bearing based on deep belief network | |
CN110991471A (zh) | 一种高速列车牵引***故障诊断方法 | |
CN117373487A (zh) | 基于音频的设备故障检测方法、装置及相关设备 | |
Zhao et al. | Bearing fault diagnosis based on mel frequency cepstrum coefficient and deformable space-frequency attention network | |
CN110109005B (zh) | 一种基于序贯测试的模拟电路故障测试方法 | |
CN116561659A (zh) | 窃电行为检测方法、装置及*** | |
CN116578922A (zh) | 基于多通道卷积神经网络的阀冷***故障诊断方法及装置 | |
CN116595465A (zh) | 基于自编码器和数据增强的高维稀疏数据离群点检测方法及*** | |
CN114252266A (zh) | 一种基于dbn-svdd模型的滚动轴承性能退化评估方法 | |
CN115759352A (zh) | 基于多源域类分离对抗网络的变工况机械故障诊断方法 | |
CN115389881A (zh) | 一种电缆中间接头的绝缘状态评估方法及装置 | |
CN113627268A (zh) | 模型训练方法、矿井提升机用减速器故障检测方法和装置 |
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 |