CN115932661A - 一种对变压器噪声合规性进行分析判断的方法 - Google Patents
一种对变压器噪声合规性进行分析判断的方法 Download PDFInfo
- Publication number
- CN115932661A CN115932661A CN202211654635.4A CN202211654635A CN115932661A CN 115932661 A CN115932661 A CN 115932661A CN 202211654635 A CN202211654635 A CN 202211654635A CN 115932661 A CN115932661 A CN 115932661A
- Authority
- CN
- China
- Prior art keywords
- transformer
- convolution
- noise
- neural network
- acquisition module
- 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 25
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 37
- 238000003062 neural network model Methods 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种对变压器噪声合规性进行分析判断的方法，其包括步骤：对待检测的变压器进行通电并输入测试功率，形成噪音测试环境；采集不同位置的噪音环境数据并发送到云中心上；云中心对噪音环境数据进行预处理，并基于相互独立的预先训练好的卷积神经网络模型分别识别不同位置所采集的噪音环境数据是否满足产品性能要求；对不同位置噪音环境数据的识别结果进行融合处理，得到最终的预测融合结果。实施本发明，可以实现对变压器噪声进行自动测试及分析，快速判断其是否合规，提高了工作的效率以及准确性。
Description
技术领域
本发明涉及变压器检测领域，尤其涉及一种对变压器噪声合规性进行分析判断的方法。
背景技术
变压器作为城市供电***的主要设备之一，降低城市噪音是变压器生产厂家的首要任务也是变压器行业竞争的一个新热点。噪音高是制约干式配电变压器大面积推广应用的一个重要因素，这一方面影响到变压器周边的居民生活质量，另一方面也增加了变压器运行时的损耗。而如何严格控制变压器的噪声，其需要对出产产品进行检测，使得其满足产品上市需求就变得尤为重要。
但是现有的技术中对变压器噪声测试及分析大多由人工完成，效率及准确性均不高。
发明内容
本发明所述解决的技术问题在于，提出一种对变压器噪声合规性进行分析判断的方法，可以实现对变压器噪声进行自动测试及分析，提高了工作的效率以及准确性。
作为本发明的一方面，本发明实施例提供了一种对变压器噪声合规性进行分析判断的方法，其至少包括如下步骤：
步骤S1、对待检测的变压器进行通电，在预设时间内输入测试功率，并按照测试功率形成噪音测试环境；
步骤S2、通过设置在变压器上不同位置上的第一数据采集模块第二数据采集装置采集所在位置的噪音环境数据，所述噪音环境数据包括：温度值、变压器参数、采集模块参数及噪音值；
步骤S3、通过控制设备分别将第一数据采集模块和第二数据采集模块所采集的噪音环境数据通过无线的方式发送到云中心上；
步骤S4、云中心对第一数据采集模块和第二数据采集模块所采集的噪音环境数据进行预处理，生成符合神经网络模型输入的参数格式；
步骤S5、基于相互独立的预先训练好的卷积神经网络模型分别识别第一数据采集模块和第二数据采集模块所采集的噪音环境数据是否满足产品性能要求；
步骤S6、将第一数据采集模块所采集的噪音环境数据的识别结果，与第二数据采集模块所采集的噪音环境数据的识别结果进行融合处理，得到最终的预测融合结果，确定所述变压器是否噪声是否符合要求。
优选地，在步骤S3中，进一步包括：
云中心中的多台云服务器预先部署相同的网络操作***和Hadoop分布式文件处理***；云中心的分布式云存储服务器存储各种变压器的参数，并根据上报的变压器参数进行比对以确定当前变压器的类型。
优选地，在所述步骤S4中进一步包括：
根据变压器参数所确定的变压器的类型，获得所述变压器类型对应的有限元模型，然后基于变压器的有限元模型和采集模块参数获得所对应的预先训练好的神经网络模型；
对按照时间序列所收集的噪音环境数据的噪音值进行特征频率点的提取处理。
优选地，在步骤S5中进一步包括：
步骤S51，将每一个数据采集模块中所收集的噪音环境数据的特征频率点和温度值输入预先训练好的神经网络模型进行拟合抽取特征向量；所述神经网络模型为混合多尺度卷积核残差网络模型；
步骤S52，对拟合后的特征向量进行批归一化处理；对批归一化处理后的特征向量通过1像素x1像素卷积配套全局平均池化处理，获得指定输出维度的特征值；
步骤S53，将所述特征值经过神经网络模型的Dropout层进行数据处理，抑制过拟合；
步骤S54，将处理后的特征值数据流输入softmax层进行运算，以判断变压器性能是否满足要求。
优选地，所述步骤S51进一步包括：
将特征频率点参数和温度值输入所述预先训练好的神经网络模型的第一级卷积网络，并基于第一级卷积网络对特征频率点参数和温度值进行第一级拟合处理，所述第一级卷积网络包括三层卷积网络，每一层卷积网络上设置有6个2x2卷积核、12个1x1卷积核、6个5x5卷积核；
将第一级拟合处理后的特征频率点参数和温度值输入所述预先训练好的神经网络模型的第二级卷积网络，并基于第二级卷积网络对所述特征频率点参数和温度值进行第二级拟合处理，所述第二级卷积网络包括三层卷积网络，每一层卷积网络上设置有16个1x1卷积核、32个3x3像素卷积核、16个5x5卷积核；
将第二级拟合处理后的特征频率点参数和温度值输入所述预先训练好的神经网络模型的第三级卷积网络，并基于第三级卷积网络对所述变压器的参数进行第三级拟合处理，所述第三级卷积网络包括三层卷积网络，每一层卷积网络上设置有8个1x1卷积核、16个3x3卷积核、16个5x5卷积核。
优选地，所述步骤S52进一步包括：
计算拟合后的历史特征频率点参数和温度值集合的均值；
计算拟合后的特征频率点参数和温度值的方差；
使用计算的均值和方差对拟合后的特征频率点参数和温度值进行归一化处理；
对拟合后的特征频率点参数和温度值进行尺度变换和偏移处理。
优选地，在所述步骤S6中，进一步包括：
将基于第一数据采集模块中采集数据得到的结果与第二数据采集模块中采集数据得到的结果进行融合；如果两个神经网络模型输出结果均为产品合规，则结果判定为产品合格；如果两个神经网络模型输出同为产品不合规，则结果判定为产品不良；如果两上神经网络模型输出结果不一致则，则结果判定产品为不合规。
实施本发明实施例，具有如下有益效果：
本发明提出了一种对变压器噪声合规性进行分析判断的方法，通过对变压器工作时不同位置的噪音进行采集，然后对噪音进行特征提取生成特征参数，将特征参数进行统一数据形式的规范，然后通过神经网络进行识别预测，最终可以实现客观而准确的预测结果，使得该预测结果能达到对变压器的合规性检测。
本发明中通过第一数据采集模块和第二数据采集模块来实现卷积网络的数据输入，分别独立地通过神经网络的模型对应产品合规结果进行深度学习，通过融合降低深度学习模型随机性带来的偏差，提升产品合规性的精度。
综上，本发明实施例可以实现对变压器噪声进行自动测试及分析，提高了工作的效率以及准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它的附图。
图1是本发明提供的一种对变压器噪声合规性进行分析判断的方法的一个实施例的主流程示意图；
图2为本发明的应用环境示意图；
图3为本发明中涉及的第一卷积网络结构示意图；
图4为本发明中涉及的第二卷积网络结构示意图；
图5为本发明中涉及的第三卷积网络结构示意图。
具体实施方式
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，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本发明保护的范围。
在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
下面结合附图，对本发明实施例作进一步阐述。
如图1所示，示出了本发明提供的一种对变压器噪声合规性进行分析判断的方法的一个实施例的主流程示意图；一并结合图2至图5所示，在本实施例中，所述方法至少包括如下的步骤：
步骤S1、对待检测的变压器进行通电，在预设时间内输入测试功率，并按照测试功率形成噪音测试环境；所述待检测的变压器可以是待出厂的干式变压器产品；
步骤S2、通过设置在变压器上不同位置上的第一数据采集模块第二数据采集装置采集所在位置的噪音环境数据，所述噪音环境数据包括：温度值、变压器参数、采集模块参数及噪音值；可以理解的是，第一数据采集模块和第二数据采集模块在变压器的位置点不同，其所对应的环境噪音值不同；
步骤S3、通过控制设备分别将第一数据采集模块和第二数据采集模块所采集的噪音环境数据通过无线的方式发送到云中心上；其中，控制设备与云中心可以基于3G、GPRS、4G、5G等通信协议进行无线通信；所述控制设备可以是单独的通信模块或集成于计如移动终端、平台、工控机中。
更具体地，在一个例子中，在步骤S3中，进一步包括：
云中心中的多台云服务器预先部署相同的网络操作***和Hadoop分布式文件处理***；云中心的分布式云存储服务器存储各种变压器的参数，并根据上报的变压器参数进行比对以确定当前变压器的类型。
可以理解的是，云中心位于整个***的网络层，其具有强大的数据处理能力。云中心使用了云计算技术，云中心可以整合数据中心三大核心要素：计算、网络与存储。云服务器基于集群服务器技术，虚拟出多个类似独立服务器的部分，云服务器具有很高的安全稳定性。
步骤S4、云中心对第一数据采集模块和第二数据采集模块所采集的噪音环境数据进行预处理，生成符合神经网络模型输入的参数格式；
更具体地，在一个例子中，所述步骤S4中进一步包括：
根据变压器参数所确定的变压器的类型，获得所述变压器类型对应的有限元模型，然后基于变压器的有限元模型和采集模块参数获得所对应的预先训练好的神经网络模型；
由于噪音环境数据中的噪音值参考测试时间运行环境来完成的，本发明的实施例中，需要对按照时间序列所收集的噪音环境数据的噪音值进行特征频率点的提取处理。
步骤S5、基于相互独立的预先训练好的卷积神经网络模型分别识别第一数据采集模块和第二数据采集模块所采集的噪音环境数据是否满足产品性能要求；
可以理解的是，在本发明的实施例中，需要预先对不同类型变压器各采集位置的噪声进行采集形成训练集并进行训练，预先获得各位置对应的预先训练好的卷积神经网络模型。
具体地，在一个例子中，所述步骤S5中进一步包括：
步骤S51，将每一个数据采集模块中所收集的噪音环境数据的特征频率点和温度值输入预先训练好的神经网络模型进行拟合抽取特征向量；所述神经网络模型为混合多尺度卷积核残差网络模型；
所述步骤S51采用了三级卷积网络，其进一步包括：
将特征频率点参数和温度值输入所述预先训练好的神经网络模型的第一级卷积网络，并基于第一级卷积网络对特征频率点参数和温度值进行第一级拟合处理，所述第一级卷积网络包括三层卷积网络，每一层卷积网络上设置有6个2x2卷积核、12个1x1卷积核、6个5x5卷积核；
将第一级拟合处理后的特征频率点参数和温度值输入所述预先训练好的神经网络模型的第二级卷积网络，并基于第二级卷积网络对所述特征频率点参数和温度值进行第二级拟合处理，所述第二级卷积网络包括三层卷积网络，每一层卷积网络上设置有16个1x1卷积核、32个3x3像素卷积核、16个5x5卷积核；
将第二级拟合处理后的特征频率点参数和温度值输入所述预先训练好的神经网络模型的第三级卷积网络，并基于第三级卷积网络对所述变压器的参数进行第三级拟合处理，所述第三级卷积网络包括三层卷积网络，每一层卷积网络上设置有8个1x1卷积核、16个3x3卷积核、16个5x5卷积核。
步骤S52，对拟合后的特征向量进行批归一化处理；对批归一化处理后的特征向量通过1像素x1像素卷积配套全局平均池化处理，获得指定输出维度的特征值；
具体地，所述步骤S52进一步包括：
计算拟合后的历史特征频率点参数和温度值集合的均值；
计算拟合后的特征频率点参数和温度值的方差；
使用计算的均值和方差对拟合后的特征频率点参数和温度值进行归一化处理；
对拟合后的特征频率点参数和温度值进行尺度变换和偏移处理。
可以理解的是，本发明中对拟合后的特征向量进行求均值以及求方差做归一化，加快了整个网络模型的收敛速度，在一定程度缓解了深层网络中梯度弥散的问题，使训练深层网络模型更加容易和稳定。
步骤S53，将所述特征值经过神经网络模型的Dropout层进行数据处理，抑制过拟合；
步骤S54，将处理后的特征值数据流输入softmax层进行运算，以判断变压器性能是否满足要求。
步骤S6、将第一数据采集模块所采集的噪音环境数据的识别结果，与第二数据采集模块所采集的噪音环境数据的识别结果进行融合处理，得到最终的预测融合结果，确定所述变压器是否噪声是否符合要求。
具体地，在所述步骤S6中，进一步包括：
将基于第一数据采集模块中采集数据得到的结果与第二数据采集模块中采集数据得到的结果进行融合；如果两个神经网络模型输出结果均为产品合规，则结果判定为产品合格；如果两个神经网络模型输出同为产品不合规，则结果判定为产品不良；如果两个神经网络模型输出结果不一致，则结果判定产品为不合规。可以理解的是，本发明中，通过第一数据采集模块和第二数据采集模块来实现卷积网络的数据输入，分别独立地通过神经网络的模型对应产品合规结果进行深度学习，通过融合降低深度学习模型随机性带来的偏差，提升产品合规性的精度。
可以理解的是，在本发明中，通过获特征频率点参数和温度值的样本数据集合；将样本数据集合按照不同特征频率点参数和温度值分批输入混合多尺度卷积核残差网络对所述特征频率点参数和温度值不同大小波型特性进行拟合抽取特征向量；对拟合后的特征向量进行批归一化处理；对批归一化处理后的特征向量通过卷积配套全局平均池化处理，获得指定输出维度的特征图；将所述特征图经过神经网络的Dropout层进行数据处理，抑制过拟合；将处理后的数据流输入softmax层进行运算，最终可以实现客观而准确的预测结果，使得该预测结果能达到对变压器的合规性检测。
实施本发明实施例，具有如下有益效果：
本发明提出了一种对变压器噪声合规性进行分析判断的方法，通过对变压器工作时不同位置的噪音进行采集，然后对噪音进行特征提取生成特征参数，将特征参数进行统一数据形式的规范，然后通过神经网络进行识别预测，最终可以实现客观而准确的预测结果，使得该预测结果能达到对变压器的合规性检测。
本发明中通过第一数据采集模块和第二数据采集模块来实现卷积网络的数据输入，分别独立地通过神经网络的模型对应产品合规结果进行深度学习，通过融合降低深度学习模型随机性带来的偏差，提升产品合规性的精度。
综上，本发明实施例可以实现对变压器噪声进行自动测试及分析，提高了工作的效率以及准确性。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、***可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
以上所述仅为本发明的较佳实施例，并非用以限定本发明的权利要求范围，因此凡其它未脱离本发明所揭示的精神下所完成的等效改变或修饰，均应包含于本发明的权利要求范围内。
Claims (7)
1.一种对变压器噪声合规性进行分析判断的方法，其特征在于，至少包括如下步骤：
步骤S1、对待检测的变压器进行通电，在预设时间内输入测试功率，并按照测试功率形成噪音测试环境；
步骤S2、通过设置在变压器上不同位置上的第一数据采集模块第二数据采集装置采集所在位置的噪音环境数据，所述噪音环境数据包括：温度值、变压器参数、采集模块参数及噪音值；
步骤S3、通过控制设备分别将第一数据采集模块和第二数据采集模块所采集的噪音环境数据通过无线的方式发送到云中心上；
步骤S4、云中心对第一数据采集模块和第二数据采集模块所采集的噪音环境数据进行预处理，生成符合神经网络模型输入的参数格式；
步骤S5、基于相互独立的预先训练好的卷积神经网络模型分别识别第一数据采集模块和第二数据采集模块所采集的噪音环境数据是否满足产品性能要求；
步骤S6、将第一数据采集模块所采集的噪音环境数据的识别结果，与第二数据采集模块所采集的噪音环境数据的识别结果进行融合处理，得到最终的预测融合结果，确定所述变压器是否噪声是否符合要求。
2.根据权利要求1所述的方法，其特征在于，在步骤S3中，进一步包括：
云中心中的多台云服务器预先部署相同的网络操作***和Hadoop分布式文件处理***；云中心的分布式云存储服务器存储各种变压器的参数，并根据上报的变压器参数进行比对以确定当前变压器的类型。
3.如权利要求2所述的方法，其特征在于，在所述步骤S4中进一步包括：
根据变压器参数所确定的变压器的类型，获得所述变压器类型对应的有限元模型，然后基于变压器的有限元模型和采集模块参数获得所对应的预先训练好的神经网络模型；
对按照时间序列所收集的噪音环境数据的噪音值进行特征频率点的提取处理。
4.如权利要求3所述的方法，其特征在于，在步骤S5中，进一步包括：
步骤S51，将每一个数据采集模块中所收集的噪音环境数据的特征频率点和温度值输入预先训练好的神经网络模型进行拟合抽取特征向量；所述神经网络模型为混合多尺度卷积核残差网络模型；
步骤S52，对拟合后的特征向量进行批归一化处理；对批归一化处理后的特征向量通过1像素x1像素卷积配套全局平均池化处理，获得指定输出维度的特征值；
步骤S53，将所述特征值经过神经网络模型的Dropout层进行数据处理，抑制过拟合；
步骤S54，将处理后的特征值数据流输入softmax层进行运算，以判断变压器性能是否满足要求。
5.如权利要求4所述的方法，其特征在于，所述步骤S51进一步包括：
将特征频率点参数和温度值输入所述预先训练好的神经网络模型的第一级卷积网络，并基于第一级卷积网络对特征频率点参数和温度值进行第一级拟合处理，所述第一级卷积网络包括三层卷积网络，每一层卷积网络上设置有6个2x2卷积核、12个1x1卷积核、6个5x5卷积核；
将第一级拟合处理后的特征频率点参数和温度值输入所述预先训练好的神经网络模型的第二级卷积网络，并基于第二级卷积网络对所述特征频率点参数和温度值进行第二级拟合处理，所述第二级卷积网络包括三层卷积网络，每一层卷积网络上设置有16个1x1卷积核、32个3x3像素卷积核、16个5x5卷积核；
将第二级拟合处理后的特征频率点参数和温度值输入所述预先训练好的神经网络模型的第三级卷积网络，并基于第三级卷积网络对所述变压器的参数进行第三级拟合处理，所述第三级卷积网络包括三层卷积网络，每一层卷积网络上设置有8个1x1卷积核、16个3x3卷积核、16个5x5卷积核。
6.如权利要求5所述的方法，其特征在于，所述步骤S52进一步包括：
计算拟合后的历史特征频率点参数和温度值集合的均值；
计算拟合后的特征频率点参数和温度值的方差；
使用计算的均值和方差对拟合后的特征频率点参数和温度值进行归一化处理；
对拟合后的特征频率点参数和温度值进行尺度变换和偏移处理。
7.如权利要求1至6任一项所述的方法，其特征在于，在所述步骤S6中，进一步包括：
将基于第一数据采集模块中采集数据得到的结果与第二数据采集模块中采集数据得到的结果进行融合；如果两个神经网络模型输出结果均为产品合规，则结果判定为产品合格；如果两个神经网络模型输出同为产品不合规，则结果判定为产品不良；如果两上神经网络模型输出结果不一致则，则结果判定产品为不合规。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211654635.4A CN115932661A (zh) | 2022-12-22 | 2022-12-22 | 一种对变压器噪声合规性进行分析判断的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211654635.4A CN115932661A (zh) | 2022-12-22 | 2022-12-22 | 一种对变压器噪声合规性进行分析判断的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115932661A true CN115932661A (zh) | 2023-04-07 |
Family
ID=86551983
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211654635.4A Pending CN115932661A (zh) | 2022-12-22 | 2022-12-22 | 一种对变压器噪声合规性进行分析判断的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115932661A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116798119A (zh) * | 2023-05-25 | 2023-09-22 | 福莱克斯电子(深圳)有限公司 | 变压器噪声预测方法、装置、电子设备及存储介质 |
-
2022
- 2022-12-22 CN CN202211654635.4A patent/CN115932661A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116798119A (zh) * | 2023-05-25 | 2023-09-22 | 福莱克斯电子(深圳)有限公司 | 变压器噪声预测方法、装置、电子设备及存储介质 |
| CN116798119B (zh) * | 2023-05-25 | 2024-01-30 | 福莱克斯电子(深圳)有限公司 | 变压器噪声预测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860573A (zh) | 模型训练方法、图像类别检测方法、装置和电子设备 | |
| CN107122369B (zh) | 一种业务数据处理方法、装置和*** | |
| CN111028016A (zh) | 销量数据预测方法、装置以及相关设备 | |
| CN111242144A (zh) | 电网设备异常的检测方法和装置 | |
| CN111831430A (zh) | 一种基于边缘计算的电力设备缺陷识别*** | |
| CN110728300A (zh) | 基于道岔动作电流曲线识别故障类型的方法及*** | |
| CN111209958A (zh) | 基于深度学习的变电站设备检测方法及装置 | |
| CN114386537A (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
| CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
| CN115932661A (zh) | 一种对变压器噪声合规性进行分析判断的方法 | |
| CN111582315B (zh) | 样本数据处理方法、装置及电子设备 | |
| CN113570007A (zh) | 零件缺陷识别模型构建优化方法、装置、设备及存储介质 | |
| CN109688535A (zh) | 确定无线热点地理位置的方法、装置、电子设备及介质 | |
| CN117156442A (zh) | 基于5g网络的云数据安全保护方法及*** | |
| CN116563841B (zh) | 配电网设备标识牌的检测方法、检测装置和电子设备 | |
| CN111126264A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN117388893B (zh) | 一种基于gps的多设备定位*** | |
| CN116881704B (zh) | 电网运行状态的预警方法及*** | |
| CN112101313B (zh) | 一种机房机器人巡检方法及*** | |
| CN111931721B (zh) | 年检标签颜色和个数的检测方法、装置及电子设备 | |
| CN115620083B (zh) | 模型训练方法、人脸图像质量评价方法、设备及介质 | |
| CN116740586A (zh) | 冰雹识别方法、装置、电子设备及计算机可读存储介质 | |
| CN114355234A (zh) | 一种电源模块的智能化质量检测方法及*** | |
| CN114356737A (zh) | 模型监测方法、设备、存储介质及计算机程序产品 | |
| CN114077663A (zh) | 应用日志的分析方法及装置 |
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 |