CN117556359A - 配电设备健康状态评估***及方法 - Google Patents
配电设备健康状态评估***及方法 Download PDFInfo
- Publication number
- CN117556359A CN117556359A CN202311579720.3A CN202311579720A CN117556359A CN 117556359 A CN117556359 A CN 117556359A CN 202311579720 A CN202311579720 A CN 202311579720A CN 117556359 A CN117556359 A CN 117556359A
- Authority
- CN
- China
- Prior art keywords
- data
- power distribution
- twin model
- digital twin
- vibration
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 104
- 230000036541 health Effects 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 97
- 238000012544 monitoring process Methods 0.000 claims abstract description 66
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 54
- 238000000354 decomposition reaction Methods 0.000 claims description 30
- 238000004141 dimensional analysis Methods 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 22
- 238000012512 characterization method Methods 0.000 claims description 15
- 230000003862 health status Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 9
- 230000002159 abnormal effect Effects 0.000 description 14
- 238000000605 extraction Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000009432 framing Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种配电设备健康状态评估***及方法,所述***包括:数据采集模块、数字孪生模型配置模块和智能分析模块;其中,所述数据采集模块,用于获取与目标配电站相对应的设备监测数据,并将所述设备监测数据发送至所述数字孪生模型配置模块;所述数字孪生模型配置模块,用于根据所述设备监测数据配置与所述目标配电站相对应的数字孪生模型,并基于所述数字孪生模型确定评估数据;所述智能分析模块,用于根据评估数据确定与所述目标配电站相对应的分析结果。基于上述技术方案,解决了对配电设备进行健康状态评估的过程中评估效率不高的问题,并且提高了评估结果的可信度。
Description
技术领域
本发明涉及配电设备健康评估领域,尤其涉及一种配电设备健康状态评估***及方法。
背景技术
随着电力技术的不断发展,为了保证配电网的自动化运行,通常将配网设备的实时、准实时和非实时数据进行信息整合和集成,实现对配电网正常运行及事故情况下的监测、保护及控制等。并且,为了使得配电网设备的正常运行,通常需要对配网中各配电设备的状态进行评估。
但是,现有的健康状态评估方式通常是通过运维人员/专家对设备进行实地检查,然后对配电的健康状态进行评估,得到相应的健康状态评估结论,不但评估效率过低,还会导致评估结果可信度不足。
发明内容
本发明提供了一种配电设备健康状态评估***及方法,以提高对配电网设备的健康评估效率,以及健康状态评估结果的可信度。
根据本发明的一方面,提供了一种配电设备健康状态评估***,其特征在于,所述***包括:数据采集模块、数字孪生模型配置模块和智能分析模块;其中,
所述数据采集模块,用于获取与目标配电站相对应的设备监测数据,并将所述设备监测数据发送至所述数字孪生模型配置模块;
所述数字孪生模型配置模块,用于根据所述设备监测数据配置与所述目标配电站相对应的数字孪生模型,并基于所述数字孪生模型确定评估数据;
所述智能分析模块,用于根据评估数据确定与所述目标配电站相对应的分析结果。
根据本发明的另一方面,提供了一种配电设备健康状态评估方法,其特征在于,应用于配电设备健康状态评估***,所述配电设备健康状态评估***包括:数据采集模块、数字孪生模型配置模块和智能分析模块;其中,所述配电设备健康状态评估方法,包括:
通过所述数据采集模块获取与目标配电站相对应的设备监测数据,并将所述设备监测数据发送至所述数字孪生模型配置模块;
所述数字孪生模型配置模块根据所述设备监测数据配置与所述目标配电站相对应的数字孪生模型,并基于所述数字孪生模型确定评估数据;
当确定所述评估数据后,所述智能分析模块根据所述评估数据确定与所述目标配电站相对应的分析结果。
本发明实施例的技术方案,通过所述数据采集模块获取与目标配电站相对应的设备监测数据,并将所述设备监测数据发送至所述数字孪生模型配置模块,使得数字孪生模型配置模块根据所述设备监测数据配置与所述目标配电站相对应的数字孪生模型,并基于所述数字孪生模型确定评估数据,当确定所述评估数据后,所述智能分析模块根据所述评估数据确定与所述目标配电站相对应的分析结果。基于上述技术方案,解决了对配电设备进行健康状态评估的过程中评估效率不高的问题,并且提高了评估结果的可信度。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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他的附图。
图1是根据本发明实施例提供的一种配电设备健康状态评估***的结构图;
图2是根据本发明实施例提供的一种配电设备健康状态评估***的结构图;
图3是根据本发明实施例提供的一种配电设备健康状态评估方法的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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一部分的实施例,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前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例提供的一种配电设备健康状态评估***的结构图。如图1所示,该***包括:数据采集模块110、数字孪生模型配置模块120和智能分析模块130;其中,
所述数据采集模块110,用于获取与目标配电站相对应的设备监测数据,并将所述设备监测数据发送至所述数字孪生模型配置模块120;
所述数字孪生模型配置模块120,用于根据所述设备监测数据配置与所述目标配电站相对应的数字孪生模型,并基于所述数字孪生模型确定评估数据;
所述智能分析模块130,用于根据评估数据确定与所述目标配电站相对应的分析结果。
其中,数据采集模块可以是预先设置在目标配电站内,用于采集配电站的设备监测数据的模块。目标配电站可以理解为需要进行健康状态评估的配电站,例如可以是运维人员根据需求选择的配电站。设备检测数据可以是通过设置于目标配电站中的传感器采集得到的数据,例如可以是通过振动传感器采集得到的振动数据、通过图像传感器采集得到图像数据、通过温度传感器采集得到的温度数据等。数字孪生模型配置模块可以是用于配置与目标配电站相对应的数字孪生模型的模块。评估数据可以理解为对设备检测数据进行处理后得到的评估数据。智能分析模块可以是用于根据评估数据对目标变电站进行健康状态评估的模块。分析结果可以理解为与目标配电站相对应的健康状态评估结果,例如可以是故障类型、健康状态、健康分数以及评估报告等。
具体的,通过数据采集模块获取与目标配电站相对应的设备监测数据,并将该设备监测数据发送至数字孪生模型配置模块,使得数字孪生模型配置模块根据设备监测数据配置与目标配电站相对应的数字孪生模型,并基于该数字孪生模型确定评估数据,使得智能分析模块基于评估数据确定与目标配电站相对应的分析结果,进而实现了配电设备健康评估的智能化分析和配电设备健康状况的远程监管,降低配电设备健康管理所需的人力物力,同时提高了配电设备健康管理的客观性和可靠性。
在上述技术方案的基础上,所述数据采集模块包括:环境信息采集单元和设备信息采集单元;其中,所述环境信息采集单元,用于获取与所述目标配电站相对应的环境信息,并将所述环境信息发送至数字孪生模型配置模块,所述设备信息采集单元,用于采集所述目标配电站内各配电设备的运行状态数据,并将所述运行状态数据发送至数字孪生模型配置模块。
其中,环境信息可以理解为目标配电站的相关环境信息,例如,环境信息包括温度、湿度、噪声和现场图像。运行状态数据可以是目标配电站内各配电设备的运行数据,例如运行状态数据包括电流电压、振动信号、漏电数据、磁场数据。
具体的,通过设置于目标配电站内的各环境传感器采集与目标配电站相对应的环境信息,例如通过温度出传感器采集变电站内的温度、通过湿度传感器采集湿度等,并通过设置于各变电设备上的传感器采集与各变电设备相对应的运行状态数据,当数据采集完成后,将采集得到的数据发送中数字孪生模型配置模块。
示例性的,数据采集模块分别设置为针对目标配电站(如配电房、输电线路、电厂等)环境信息进行采集的环境信息采集单元,以及针对配电设备本身(如变压器、配电箱、输电线路、配电开关等)的运行状态数据进行采集的设备信息采集单元,通过环境信息和运行状态数据的多维度采集,一方面能够实现监测数据的实时、自动化采集,另一方面有助于为后续通过数字孪生模型对配电现场进行还原和监测的准确性,有助于提高配电设备健康状态评估的可靠性和客观性。
需要说明的是,数据采集模块还可以包括接收单元和发送单元,接收单元与目标配电站内的各传感器建立通信连接,用于获取目标配电站内各传感器采集得到的传感器信息,并对获取的传感器信息进行安全验证,得到安全验证结果,并基于该安全验证结果对传感器信息进行筛选,得到设备监测数据。发送单元,用于将设备监测数据发送至数字孪生模型配置模块,例如可以是通过5G通信或者Wifi通信的方式将获取的设备监测数据传输到数字孪生模型配置模块。
在上述技术方案的基础上,所述数字孪生模型配置模块包括:孪生模型构建单元和孪生模型更新单元;其中,所述孪生模型构建单元,用于获取与所述目标配电站相对应的变电站配置信息,并基于所述变电站配置信息建立与所述目标配电站相对应的数字孪生模型;所述孪生模型更新单元,用于获取所述设备监测数据,并基于所述设备检测数据更新所述数字孪生模型。
其中,变电站配置信息可以是目标配电站在建立过程中的配置信息,例如可以是变电站名称、变电站线路、设备配置、设备数量以及变电规划等信息。
具体的,孪生模型构建单元用于根据配电现场中实际配电设备的配置情况构建对应的配电现场数字孪生模型,需要说明的是,数字孪生模型中包括配电现场环境节点以及对应的配电设备节点,配电现场环境节点包含环境参数,配电节点中设置有与配电设备对应的设备信息和设备对应的运行状态参数;根据获取的设备检监测数据配置环境节点的环境参数或配电设备节点的运行状态参数进行更新。
示例性的,孪生模型构建单元用于配置单元用于根据配电现场中实际配电设备的变电站配置信息构建对应的配电现场数字孪生模型,并根据变电站配置信息对数字孪生模型中的配电现场环境节点的环境参数和配电设备节点的运行状态参数类型进行配置,并将相应的参数与对应的数据接口信息进行配对,孪生模型更新单元用于根据获取的设备监测数据进行解析,根据设备监测数据的接口信息对数字孪生模型中相应的配电现场环境节点或配电设备节点的运行状态参数进行更新。
在上述技术方案的基础上,所述孪生模型更新单元,包括:环境信息更新子单元和设备信息更新子单元;其中,所述环境信息更新子单元,用于基于环境信息配置所述数字孪生模型中的环境节点;所述设备信息更新子单元,用于基于运行状态数据配置所述数字孪生模型中的设备节点。
其中,环境节点可以是与目标配电站相对应环境模拟节点。设备节点可以理解为与目标配电站内各配电设备相对应的设备模拟节点。
具体的,通过孪生模型更新单元对数字孪生模型的基本信息(如空间划分,配电设备节点设置,配电设备基本信息录入等)进行配置,同时根据采集得到的设备监测信息,在数字孪生模型中对应的配置相应的现场环境节点或者配电设备节点,以对配电设备现场进行真实的展示,进而根据配置的节点和远程监测模块的对应关系,对各节点的数据源进行配置,进而使得采集得到的设备信息以及环境信息可以展示在与目标配电站相对应的数字孪生模型中。
在上述技术方案的基础上,所述智能分析模块还包括:单维度分析单元、多维度分析单元和振动故障分析单元,其中,所述单维度分析单元,用于在所述评估数据为单维度数据时,获取与所述评估数据相对应的标准参数区间,基于所述标准参数区间和所述评估数据确定所述分析结果;所述多维度分析单元,用于在所述评估数据为多维度数据时,获取多维度分析模型,基于所述多维度分析模型和所述评估数据确定所述分析结果,其中,所述多维度分析模型是预先训练得到的神经模型;所述振动故障分析单元,用于在所述评估数据为振动序列数据时,基于所述振动序列数据确定振动特征向量,基于振动特征向量和振动分析模型确定所述分析结果。
其中,单维度数据可以理解为通过对比直接得到分析结果的设备监测数据,例如温度、电压值、电流值等。标准参数区间可以是与单维度数据相对应的区间信息。多维度数据可以理解为需要进行处理分析得到分析结果的数据,例如可以是图像数据、音频数据等。多维度分析模型可以理解为预先训练得到的神经网络模型。振动序列数据可以是与目标配电站内各配电设备相对应的振动数据。振动特征向量可以理解我从振动序列数据中提取的特征向量。
具体的,单维度分析单元用于根据得到的可量化的配电现场环境参数或者配电设备节点的运行状态参数(如电压值、温度值、漏电数据、磁场数据和设备状态等)进行单维度分析,将配电现场环境参数或运行状态参数分别和对应预设的参数标准进行比较,当参数处于参数标准范围内时,则得到配电设备的单指标健康状态评估结果为健康;多维度分析单元元用于根据预设的多维度健康分析模型对获取的多项参数进行综合分析,得到多维度健康状态评估结果,多维度健康状态评估结果包括设备健康状态评级;振动故障分析单元用于根据得到的不可量化的配电现场环境参数或者配电设备节点的运行状态参数(如振动信号序列)进行相应的健康状态特征分析,包括:根据得到的特征数据序列(如振动信号序列)进行特征提取,根据得到的特征数据进行配电设备健康状态分析,得到配电设备的特征健康状态评估结果。
示例性的,单维度分析单元首先根据获取的健康监测数据获取数据进行解析,首先获取健康监测数据的所属对应的节点,其中节点包括配电现场环境节点和配电设备节点;根据获取的节点信息,从配置数据库中调取与该节点信息对应的参数标准;根据健康监测的种类与对应的参数标准进行比较,当参数于参数标准范围内时,则得到配电设备的单指标健康状态评估结果为健康;当参数超出标准范围时,则标记该参数对应的配电设备的但指标健康状态评估结果为异常;当参数超出标准范围时,进一步根据参数超出范围的程度,对该异常的标健康状态评估结果标记为不同的异常等级。
需要说明的是,多维度分析模型用基于CNN神经网络构建的分析模型,分析模型包括输入层、缓存层、分配层、卷积层、LSTM层、全连接层和输出层;输入层用于将多个(所有)获取的健康监测数据输入到模型中;缓存层用于对输入的健康监测数据进行分别缓存;分配层用于根据预设的分组规则,从缓存层中调用相应的健康监测数据组成测试数据分组;卷积层中包含有多个网络结构,其中每个网络结构与对应的测试数据分组相应设置,卷积层的网络结构包含多个卷积核,对测试数据分组进行特征提取,LSTM层采用bi-LSTM结构,进一步对得到的多维特征数据进行处理,预测特征数据;全连接层分别对根据各测试数据分组得到的特征数据和预测特征数据进行池化操作,并基于relu激活函数进行分类得到各个根据测试数据分组得到的单维度健康状态分析数据;输出层根据各个单维度健康状态分析数据进行整合,得到多维度健康状态评估结果。
振动分析模型为卷积结构,包括输入层、卷积层池化层和全连接层;其中输入层获取基于振动信号提取的特征向量;卷积层通过一系列的卷积核对输入的数据进行特征提取,其中卷积层包含4层卷积核结构,每层的卷积核大小均为1,4层卷积核结构的滤波器数量依次为64、32、16、1,卷积层的输出设置为单一输出,其中每层卷积核后设置归一化层,通过归一化层提高模型的泛化水平;池化层采用最大池化函数,对得到的特征数据进行采样;全连接层对前面得到的特征进行分类,其中全连接层采用的激活函数为Softmax激活函数,得到的输出结果为归一到0-1之间的分类结果,通过得到的分类结果,对应基于训练集得到的分类边界,得到相应的配电设备健康状态分析结果,其中配电设备健康分析结果包括正常、异常(或具体的异常分类)等。
在上述技术方案的基础上,所述振动故障分析单元还包括:信号预处理子单元和信号分解子单元;其中,所述信号预处理子单元,用于基于预设采样步长对所述评估数据进行分帧采样确定振动信号序列段;所述信号分解子单元,用于基于预设分解数对所述振动信号序列段进行变分模态分解,确定振动信号序列段相对应的各内涵模态分量。
其中,预设采样步长可以是预先设置的长度值。预设分解数可以理解为预先设置的分解数量。变分模态分解可以将原始信号分解为多个单分量调幅调频信号的分解方法。内涵模态分量可以理解为对原始信号进行分解后得到的模态分量。
具体的,对获取的一段时间周期内的振动信号进行分帧采样,得到固定长度的振动信号序列段Zorg(i),其中变量i=1,…,L,L表示预设的固定长度,Zorg(i)表示振动信号序列段中第i个采样点的幅值;根据得到振动信号序列段进行VMD分解,获取振动信号序列段的各分解尺度的内涵模态分量Zimfk,其中k=1,…,K,K表示VMD的分解尺度,Zimfk表示第k分解尺度得到的内涵模态分量;得到的内涵模态分量长度L与原始信号序列段相同。
在上述技术方案的基础上,所述振动故障分析单元还包括:相关度确定子单元和信号类型确定子单元;其中,所述相关度确定子单元,用于基于内涵模态分量确定第一模态分量,确定所述第一模态分量与所述振动信号序列段之间的特征相关度;所述信号类型确定子单元,用于基于所述特征相关度和预设特征阈值确定与所述振动信号序列段相对应的信号类型。
其中,第一模态分量可以是进行分解得到的第一个模态分量。特征相关度可以理解为第一模态分量与原始信号之间的相关程度。预设特征阈值可以是预先设定的特征分类阈值。信号类型可以理解为原始信号的类型,信号类型包括特征信号和变化信号。
具体的,据获取的第一尺度内涵模态分量进行信号变化特征分析:根据获取的第一尺度内涵模态分量Zimf1与振动信号序列段Zorg计算二者的特征相关度,其中采用的特征相关度计算函数为:
其中,sim(Zimf1,Zorg)表示第一尺度内涵模态分量和振动信号序列段之间的特征相关度;Zimf1(i)表示第一尺度内涵模态分量中第i个采样点的幅值,Zimf1表示第一尺度内涵模态分量中各采样点的平均幅值,Zorg(i)表示振动信号序列段中第i个采样点的幅值,表示振动信号序列段中各采样点的平均幅值。根据得到的特征相关度sim(Zimf1,Zorg)与预设的变化特征阈值thrsim进行比对,如果sim(Zimf1,Zorg)>thrsim,即标记振动信号序列段为特征信号;否则如果sim(Zimf1,Zorg)≤thrsim,即标记振动信号序列段为变化信号;其中thrsim∈[0.2,0.6]。
在上述技术方案的基础上,所述振动故障分析单元还包括:表征因子确定子单元和特征向量确定子单元;其中,所述表征因子确定子单元,用于当所述信号类型为所述特征信号时,基于所述特征相关度和所述各内涵模态分量确定各待筛选内涵模态分量相对应的表征因子;所述特征向量确定子单元,用于根据所述表征因子从所述各待筛选内涵模态分量中确定至少一个待应用内涵模态分量,并基于所述待应用内涵模态分量和所述第一模态分量确定振动特征向量。
其中,待筛选内涵模态分量是除第一模态分量之外的内涵模态分量。表征因子是用于表征各待筛选分量与原信号相关度的数值。
具体的,针对振动信号序列段为特征信号的情况,进一步计算其余尺度内涵模态分量Zimf2,…,ZimfK与振动信号序列段Zorg的特征相关度,得到各尺度内涵模态分量与振动信号序列段与振动信号序列段的特征相关度sim(Zimf2,Zorg),…,sim(ZimfK,Zorg);根据得到的特征相关度sim(Zimf2,Zorg),…,sim(ZimfK,Zorg)对第2至第K尺度内涵模态分量进行特征分量分析,其中采用的特征分析函数为: 其中,cha(Zimfk)表示第k尺度内涵模态分量的表征因子,Func1(sim(Zimfk,Zorg),thrsim)表示第一判断函数,当sim(Zimfk,Zorg)>thrsim时,Func1(sim(Zimfk,Zorg),thrsim)=1;否则Func1(sim(Zimfk,Zorg),thrsim)=0;zro(Zimfk)和zro(Zimfk-1)分别表示第k尺度和第k-1尺度内涵模态分量的过零率;thrzro表示预设的过零率变化阈值,其中thrzro∈[1.2,2];表示第二判断函数,当/>时,否则当/>时,根据各尺度内涵模态分量的表征因子,将表征因子cha(Zimfk)=2的内涵模态分量标记为特征分量;根据得到的第一尺度内涵模态分量Zimf1和被标记为特征分量的内涵模态分量Zimfk进行重构,得到特征信号段Zchr,例如可以是将待应用内涵模态分量和第一模态分量进行加和后,得到特征向量。
在上述技术方案的基础上,所述振动故障分析单元还包括:阈值滤波子单元和信号重构子单元;其中,所述阈值滤波子单元,用于当所述信号类型为变化信号时,基于预设小波基对所述振动信号序列段进行小波分解,确定高频小波系数和低频小波系数,并基于预设滤波阈值和所述高频小波系数进行滤波处理,确定目标高频小波系数;所述信号重构子单元,用于基于所述目标高频小波系数和所述低频小波系数对所述振动信号序列段进行重构,并基于重构后的振动信号序列段发送至信号分解子单元。
其中,预设小波基可以是预先设置的小波基函数。高频小波系数可以理解为用于反应信号特征的系数,例如反应特征曲线的折线波形。低频小波系数可以是用于表现曲线的拟合程度的系数。
具体的,针对振动信号序列段为变化信号的情况,对振动信号序列段Zorg滤波处理:
采用预设的小波基对振动信号序列段Zorg进行单尺度小波分解,得到振动信号序列段Zorg的高频小波系数和低频小波系数,针对得到的高频小波系数进一步进行阈值滤波处理,其中采用的阈值滤波函数为:
其中,e'k和ek分别表示阈值滤波处理后和阈值滤波处理前的第k个高频小波系数,α表示滤波调节因子,其中α∈[0.1,0.5];thre表示设定的滤波阈值,根据滤波处理后的高频小波系数和小波分解得到的低频小波系数进行重构,得到滤波处理后的振动信号序列段Z'org(i),并将重构后的振动信号序列段重新进行变分模态分解,直至得到特征向量为止。
需要说明的是,本法实施例提供的技术方案,首先基于变分模态分解对得到的振动信号序列段进行处理,根据得到的各尺度特征的高低频变化规律,特别基于第一尺度的最低频内涵模态分量与原始振动信号序列段的特征相关度来对获取的振动信号的整体特征变化进行分析,当二者的特征相关度大于标准时,则判断当前振动信号序列段能够提取出能够反映信号变化的特征向量,基于此种情况,则进一步获取其他尺度内涵模态分量的特征相关度,并基于特征相关度对其他尺度的内涵模态分量进行特征分量分析,其中特别提出了一种特征分析函数来对其他尺度的内涵模态分量反映振动信号序列段变化特征的程度进行表征,对能够反映振动信号序列段特征的内涵模态分量进行保留,对高频噪声主导的其他内涵模态分量进行舍弃,得到最终的特征信号段,并根据特征信号段作为特征向量输入到训练好的振动故障异常分析模型中,得到由振动故障异常分析模型输出的配电设备健康状态评估结果。同时当第一尺度的最低频内涵模态分量与原始振动信号序列段的特征相关度小于标准时,则判断此时当前振动信号序列段受到较多的噪声干扰,其信号变化特性与噪声数据出现混淆,针对此种情况,则基于原始振动信号序列段作为整体进行基于小波分解的阈值滤波处理,其中提出一种阈值滤波函数,能够保留信号变化特征的情况下消除高频噪声的干扰,提高信号变化特征的表征水平,并进一步以阈值滤波后的信号段作为基础,重复变分模态分解的特征信号段提取过程,得到最终提取的特征信号段作为特征向量输入到训练好的振动故障异常分析模型进行进一步的分析处理。基于上述实施方式提出的针对振动信号数据进行特征提取的技术方案,能够根据实际情况中配电设备异常特征的特征变化情况,自适应对得到的振动信号进行高低频分析和去高频噪声处理,进一步提取相应的特征向量,有助于提高针对得到的振动信号数据段进行特征提取和进一步的配电设备健康状态分析的准确性和适应性。
本发明实施例的技术方案,通过所述数据采集模块获取与目标配电站相对应的设备监测数据,并将所述设备监测数据发送至所述数字孪生模型配置模块,使得数字孪生模型配置模块根据所述设备监测数据配置与所述目标配电站相对应的数字孪生模型,并基于所述数字孪生模型确定评估数据,当确定所述评估数据后,所述智能分析模块根据所述评估数据确定与所述目标配电站相对应的分析结果基于上述技术方案,解决了对配电设备进行健康状态评估的过程中评估效率不高的问题,并且提高了评估结果的可信度。
实施例二
图2为本发明实施例提供的一种配电设备健康状态评估***的结构图,本实施例是在上述实施例的基础上进行优化,本实施例提供的配电网运行数据存储***包括:数据采集模块210、数字孪生模型配置模块220和智能分析模块230;其中,
所述数据采集模块,用于获取与目标配电站相对应的设备监测数据,并将所述设备监测数据发送至所述数字孪生模型配置模块;
所述数字孪生模型配置模块,用于根据所述设备监测数据配置与所述目标配电站相对应的数字孪生模型,并基于所述数字孪生模型确定评估数据;
所述智能分析模块,用于根据评估数据确定与所述目标配电站相对应的分析结果。
针对配电设备关键部件反映的振动信号特征,其通常是规律变化的特征信号,但是,在针对配电设备出现如磨损、错位偏移等的情况下,其振动信号会产生异常变化(此类变化同样为近似周期性的变化,但是具体的频率、幅度等会出现异样);在实际情况中,由于振动信号在采集和传输过程中,会受到噪声的干扰,从而使得获取的振动信号中包含有高频噪声的干扰,而高频噪声的干扰容易与异常情况下振动信号的异样变化产生覆盖和影响,导致根据振动信号进行特征提取以及进一步健康状态分析时,健康状态分析结果的准确性受到影响。
在上述技术方案的基础上,配电设备健康状态评估***还包括可视化模块240,可视化模块240用于将得到的配电设备健康状态评估结果整合到数字孪生模型中,并对更新的配电现场数字孪生模型进行展示;当配电设备的健康状态评估结果出现异常时,发出相应的异常提示信息。
通过可视化模块240,对配电设备现场数字孪生模型进行可视化展示,通过数字孪生模型展示配电设备现场中环境和各配电设备的参数,以及各配电设备的健康状态评估结果,能够使得管理者直观对配电设备现场情况进行了解,及时针对发生的健康异常情况进行排查和处理,提高配电设备管理的可靠性。
本发明实施例的技术方案,通过所述数据采集模块获取与目标配电站相对应的设备监测数据,并将所述设备监测数据发送至所述数字孪生模型配置模块,使得数字孪生模型配置模块根据所述设备监测数据配置与所述目标配电站相对应的数字孪生模型,并基于所述数字孪生模型确定评估数据,当确定所述评估数据后,所述智能分析模块根据所述评估数据确定与所述目标配电站相对应的分析结果基于上述技术方案,解决了对配电设备进行健康状态评估的过程中评估效率不高的问题,并且提高了评估结果的可信度。
实施例三
图3为本发明实施例提供的一种配电设备健康状态评估方法的流程示意图。本实施例可适用于对配电站中各配电设备进行健康状态评估的情况,该方法可以应用于配电设备健康状态评估***来执行,该配电设备健康状态评估***可以采用硬件和/或软件的形式实现。具体地,所述配电设备健康状态评估***包括:据采集模块、数字孪生模型配置模块和智能分析模块;其中,所述配电设备健康状态评估方法,包括:
S110、通过所述数据采集模块获取与目标配电站相对应的设备监测数据,并将所述设备监测数据发送至所述数字孪生模型配置模块;
S120、所述数字孪生模型配置模块根据所述设备监测数据配置与所述目标配电站相对应的数字孪生模型,并基于所述数字孪生模型确定评估数据;
S130、当确定所述评估数据后,所述智能分析模块根据所述评估数据确定与所述目标配电站相对应的分析结果。
在上述技术方案的基础上,所述所述智能分析模块还包括:单维度分析单元、多维度分析单元和振动故障分析单元,其中,所述单维度分析单元,用于在所述评估数据为单维度数据时,获取与所述评估数据相对应的标准参数区间,基于所述标准参数区间和所述评估数据确定所述分析结果;所述多维度分析单元,用于在所述评估数据为多维度数据时,获取多维度分析模型,基于所述多维度分析模型和所述评估数据确定所述分析结果,其中,所述多维度分析模型是预先训练得到的神经模型;所述振动故障分析单元,用于在所述评估数据为振动序列数据时,基于所述振动序列数据确定振动特征向量,基于振动特征向量和振动分析模型确定所述分析结果。
在上述技术方案的基础上,所述振动故障分析单元还包括:信号预处理子单元和信号分解子单元;其中,所述信号预处理子单元,用于基于预设采样步长对所述评估数据进行分帧采样确定振动信号序列段;所述信号分解子单元,用于基于预设分解数对所述振动信号序列段进行变分模态分解,确定振动信号序列段相对应的各本征模态分量。
在上述技术方案的基础上,所述振动故障分析单元还包括:相关度确定子单元和信号类型确定子单元;其中,所述相关度确定子单元,用于基于本征模态分量确定第一模态分量,确定所述第一模态分量与所述振动信号序列段之间的特征相关度;所述信号类型确定子单元,用于基于所述特征相关度和预设特征阈值确定与所述振动信号序列段相对应的信号类型;其中,所述信号类型包括特征信号和变化信号。所述振动故障分析单元还包括:表征因子确定子单元和特征向量确定子单元;其中,所述表征因子确定子单元,用于当所述信号类型为所述特征信号时,基于所述特征相关度和所述各本征模态分量确定各待筛选本征模态分量相对应的表征因子;所述特征向量确定子单元,用于根据所述表征因子从所述各待筛选本征模态分量中确定至少一个待应用本征模态分量,并基于所述待应用本征模态分量和所述第一模态分量确定振动特征向量,其中,所述待筛选本征模态分量是除第一模态分量之外的本征模态分量。
在上述技术方案的基础上,所述振动故障分析单元还包括:阈值滤波子单元和信号重构子单元;其中,所述阈值滤波子单元,用于当所述信号类型为变化信号时,于预设小波基对所述振动信号序列段进行小波分解,确定高频小波系数和低频小波系数,并基于预设滤波阈值和所述高频小波系数进行滤波处理,确定目标高频小波系数;所述信号重构子单元,用于基于所述目标高频小波系数和所述低频小波系数对所述振动信号序列段进行重构,并基于重构后的振动信号序列段发送至信号分解子单元。
在上述技术方案的基础上,所述数据采集模块包括:环境信息采集单元和设备信息采集单元;其中,所述环境信息采集单元,用于获取与所述目标配电站相对应的环境信息,并将所述环境信息发送至数字孪生模型配置模块,其中,所述环境信息包括温度、湿度、噪声和现场图像;所述设备信息采集单元,用于采集所述目标配电站内各配电设备的运行状态数据,并将所述运行状态数据发送至数字孪生模型配置模块,其中,所述运行状态数据包括电流电压、振动信号、漏电数据、磁场数据。
在上述技术方案的基础上,所述数字孪生模型配置模块包括:孪生模型构建单元和孪生模型更新单元;其中,所述孪生模型构建单元,用于获取与所述目标配电站相对应的变电站配置信息,并基于所述变电站配置信息建立与所述目标配电站相对应的数字孪生模型;所述孪生模型更新单元,用于获取所述设备监测数据,并基于所述设备检测数据更新所述数字孪生模型。
在上述技术方案的基础上,所述孪生模型更新单元,包括:环境信息更新子单元和设备信息更新子单元;其中,所述环境信息更新子单元,用于基于环境信息配置所述数字孪生模型中的环境节点;所述设备信息更新子单元,用于基于运行状态数据配置所述数字孪生模型中的设备节点。
本发明实施例的技术方案,通过所述数据采集模块获取与目标配电站相对应的设备监测数据,并将所述设备监测数据发送至所述数字孪生模型配置模块,使得数字孪生模型配置模块根据所述设备监测数据配置与所述目标配电站相对应的数字孪生模型,并基于所述数字孪生模型确定评估数据,当确定所述评估数据后,所述智能分析模块根据所述评估数据确定与所述目标配电站相对应的分析结果基于上述技术方案,解决了对配电设备进行健康状态评估的过程中评估效率不高的问题,并且提高了评估结果的可信度。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种配电设备健康状态评估***,其特征在于,所述***包括:数据采集模块、数字孪生模型配置模块和智能分析模块;其中,
所述数据采集模块,用于获取与目标配电站相对应的设备监测数据,并将所述设备监测数据发送至所述数字孪生模型配置模块;
所述数字孪生模型配置模块,用于根据所述设备监测数据配置与所述目标配电站相对应的数字孪生模型,并基于所述数字孪生模型确定评估数据;
所述智能分析模块,用于根据评估数据确定与所述目标配电站相对应的分析结果。
2.根据权利要求1所述的***,其特征在于,所述智能分析模块还包括:单维度分析单元、多维度分析单元和振动故障分析单元,其中,
所述单维度分析单元,用于在所述评估数据为单维度数据时,获取与所述评估数据相对应的标准参数区间,基于所述标准参数区间和所述评估数据确定所述分析结果;
所述多维度分析单元,用于在所述评估数据为多维度数据时,获取多维度分析模型,基于所述多维度分析模型和所述评估数据确定所述分析结果,其中,所述多维度分析模型是预先训练得到的神经模型;
所述振动故障分析单元,用于在所述评估数据为振动序列数据时,基于所述振动序列数据确定振动特征向量,基于振动特征向量和振动分析模型确定所述分析结果。
3.根据权利要求2所述的***,所述振动故障分析单元还包括:信号预处理子单元和信号分解子单元;其中,
所述信号预处理子单元,用于基于预设采样步长对所述评估数据进行分帧采样确定振动信号序列段;
所述信号分解子单元,用于基于预设分解数对所述振动信号序列段进行变分模态分解,确定振动信号序列段相对应的各内涵模态分量。
4.根据权利要求2所述的***,所述振动故障分析单元还包括:相关度确定子单元和信号类型确定子单元;其中,
所述相关度确定子单元,用于基于内涵模态分量确定第一模态分量,确定所述第一模态分量与所述振动信号序列段之间的特征相关度;
所述信号类型确定子单元,用于基于所述特征相关度和预设特征阈值确定与所述振动信号序列段相对应的信号类型;其中,所述信号类型包括特征信号和变化信号。
5.根据权利要求2所述的***,所述振动故障分析单元还包括:表征因子确定子单元和特征向量确定子单元;其中,
所述表征因子确定子单元,用于当所述信号类型为所述特征信号时,基于所述特征相关度和所述各内涵模态分量确定各待筛选内涵模态分量相对应的表征因子;
所述特征向量确定子单元,用于根据所述表征因子从所述各待筛选内涵模态分量中确定至少一个待应用内涵模态分量,并基于所述待应用内涵模态分量和所述第一模态分量确定振动特征向量,其中,所述待筛选内涵模态分量是除第一模态分量之外的内涵模态分量。
6.根据权利要求2所述的***,所述振动故障分析单元还包括:阈值滤波子单元和信号重构子单元;其中,
所述阈值滤波子单元,用于当所述信号类型为变化信号时,基于预设小波基对所述振动信号序列段进行小波分解,确定高频小波系数和低频小波系数,并基于预设滤波阈值和所述高频小波系数进行滤波处理,确定目标高频小波系数;
所述信号重构子单元,用于基于所述目标高频小波系数和所述低频小波系数对所述振动信号序列段进行重构,并基于重构后的振动信号序列段发送至信号分解子单元。
7.根据权利要求1所述的***,其特征在于,所述数据采集模块包括:环境信息采集单元和设备信息采集单元;其中,
所述环境信息采集单元,用于获取与所述目标配电站相对应的环境信息,并将所述环境信息发送至数字孪生模型配置模块,其中,所述环境信息包括温度、湿度、噪声和现场图像;
所述设备信息采集单元,用于采集所述目标配电站内各配电设备的运行状态数据,并将所述运行状态数据发送至数字孪生模型配置模块,其中,所述运行状态数据包括电流电压、振动信号、漏电数据、磁场数据。
8.根据权利要求1所述的***,其特征在于,所述数字孪生模型配置模块包括:孪生模型构建单元和孪生模型更新单元;其中,
所述孪生模型构建单元,用于获取与所述目标配电站相对应的变电站配置信息,并基于所述变电站配置信息建立与所述目标配电站相对应的数字孪生模型;
所述孪生模型更新单元,用于获取所述设备监测数据,并基于所述设备检测数据更新所述数字孪生模型。
9.根据权利要求8所述的***,其特征在于,所述孪生模型更新单元,包括:环境信息更新子单元和设备信息更新子单元;其中,
所述环境信息更新子单元,用于基于环境信息配置所述数字孪生模型中的环境节点;
所述设备信息更新子单元,用于基于运行状态数据配置所述数字孪生模型中的设备节点。
10.一种配电设备健康状态评估方法,其特征在于,应用于配电设备健康状态评估***,所述配电设备健康状态评估***包括:数据采集模块、数字孪生模型配置模块和智能分析模块;其中,所述配电设备健康状态评估方法,包括:
通过所述数据采集模块获取与目标配电站相对应的设备监测数据,并将所述设备监测数据发送至所述数字孪生模型配置模块;
所述数字孪生模型配置模块根据所述设备监测数据配置与所述目标配电站相对应的数字孪生模型,并基于所述数字孪生模型确定评估数据;
当确定所述评估数据后,所述智能分析模块根据所述评估数据确定与所述目标配电站相对应的分析结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311579720.3A CN117556359A (zh) | 2023-11-24 | 2023-11-24 | 配电设备健康状态评估***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311579720.3A CN117556359A (zh) | 2023-11-24 | 2023-11-24 | 配电设备健康状态评估***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117556359A true CN117556359A (zh) | 2024-02-13 |
Family
ID=89812437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311579720.3A Pending CN117556359A (zh) | 2023-11-24 | 2023-11-24 | 配电设备健康状态评估***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117556359A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118094060A (zh) * | 2024-04-23 | 2024-05-28 | 江苏沃能电气科技有限公司 | 一种基于数字孪生的电力母线远程健康诊断方法 |
-
2023
- 2023-11-24 CN CN202311579720.3A patent/CN117556359A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118094060A (zh) * | 2024-04-23 | 2024-05-28 | 江苏沃能电气科技有限公司 | 一种基于数字孪生的电力母线远程健康诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113344134B (zh) | 一种低压配电监控终端数据采集异常检测方法及*** | |
CN106056879B (zh) | 一种基于智能识别的电表远程监控*** | |
CN116684878B (zh) | 一种5g信息传输数据安全监测*** | |
CN108880706A (zh) | 一种卫星信道链路故障的快速诊断方法 | |
CN111444233B (zh) | 基于复制器神经网络模型发现环境监测异常数据的方法 | |
CN115372816A (zh) | 基于数据分析的配电开关设备运行故障预测***及方法 | |
CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和*** | |
CN112200238A (zh) | 基于声响特征的硬岩拉剪破裂识别方法与装置 | |
CN117782198B (zh) | 一种基于云边端架构的公路机电设备运行监测方法及*** | |
CN117273550B (zh) | 一种食品检测智能实验室的信息管理方法 | |
CN110320802B (zh) | 基于数据可视化的复杂***信号时序识别方法 | |
CN117556359A (zh) | 配电设备健康状态评估***及方法 | |
CN116466166A (zh) | 一种大屏设备的故障检测方法、***及装置 | |
CN114625627B (zh) | 一种基于大数据多维分析的用户智能感知方法 | |
CN116642696A (zh) | 铁路轴承健康监测方法、装置、***、终端及存储介质 | |
CN114993671A (zh) | 一种基于q因子小波变换的振动故障诊断方法及其*** | |
CN112486096A (zh) | 一种机床运行状态的监控方法 | |
CN117914003B (zh) | 基于云边协同的箱式变压器智能监测辅助方法及*** | |
WO2024138968A1 (zh) | 基站故障诊断方法及装置 | |
CN116993734B (zh) | 基于视觉成像进行分析的电池隔热棉裁切质量预测*** | |
CN114239759B (zh) | 电动汽车的故障诊断方法、装置、电子设备及存储介质 | |
CN117113157B (zh) | 一种基于人工智能的台区用电故障检测*** | |
CN112648715A (zh) | 基于智能变电站的空调控制***及装置 | |
CN116955935A (zh) | 基于物联网的电路故障定位方法及装置 | |
CN116543345A (zh) | 一种基于人工智能作物生产过程溯源档案的生成方法 |
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 |