-
公开(公告)号：CN116304868A
公开(公告)日：2023-06-23
申请号：CN202310203930.6
申请日：2023-03-06
申请人： 华北电力大学(保定)
IPC分类号： G06F18/241 , G06F18/21 , G06F18/214 , G06F18/15 , G06N3/0464 , G06N3/082 , G01M13/04
摘要： 本发明公开了一种基于MFCNN模型的滚动轴承多故障诊断模型及方法，包括基于CNN模型改进的MFCNN模型，所述MFCNN模型包括依次设置的信号输入层、第一卷积层、第一批量归一化层、第一平均池化层、第二卷积层、第二批量归一化层、第二平均池化层、第三卷积层、第三批量归一化层、第三平均池化层、全局平均池化层和输出层。本发明采用上述基于MFCNN模型的滚动轴承多故障诊断模型及方法，通过对传统神经网络(CNN)的改进，能够大幅度提高轴承多故障分类时诊断结果的准确率。
-
公开(公告)号：CN116223955A
公开(公告)日：2023-06-06
申请号：CN202310227896.6
申请日：2023-03-10
申请人： 华北电力大学(保定)
IPC分类号： G01R31/00 , G06F18/214 , G06F18/2411 , G01R31/62 , G01H17/00
摘要： 本发明公开了一种基于HPO‑SVM的电力变压器典型故障声纹诊断方法，包括以下步骤：S1，采集声纹数据输入分析计算机中；S2，对采集到的声纹信号进行CEEMDAN分解，然后进行包络谱峭度计算并筛选；S3，利用HPO算法对SVM中核函数的惩罚因子C与核函数参数g进行参数寻优，将最优位置的C与g值赋给SVM；S4，输入故障数据训练集到SVM中构建故障模型；S5，输入故障测试集检验HPO‑SVM算法对电力变压器声纹信号的诊断与分类能力。本发明采用上述一种基于HPO‑SVM的电力变压器典型故障声纹诊断方法，能够解决在处理存在故障特征重合的电力变压器声纹信号中存在分类结果混叠、收敛速度慢与分类效果差的问题。
-
公开(公告)号：CN116223040A
公开(公告)日：2023-06-06
申请号：CN202310209121.6
申请日：2023-03-07
申请人： 华北电力大学(保定)
IPC分类号： G01M13/045 , B65G43/02 , B65G15/00 , G06F17/15 , G06F18/213 , G06F18/10 , G06F18/00
摘要： 本发明公开了一种托辊故障声学信号特征提取及定位方法，包括以下步骤：S1、对麦克风阵列阵元参数化仿真及选型；S2、利用麦克风阵列对托辊轴承故障音频信息进行采集和预处理；S3、对各通道信号进行VMD分解，提取声学信号中的故障特征信息，实现不同信源分离，从而抑制传递路径的噪声干扰；S4、选取包含托辊轴承故障循环冲击特征的最优子带；S5、利用C‑Beamforming算法对VMD最优子带信号进行旁瓣抑制，进行声源成像及声源定位，以实现高分辨率声源定位。本发明采用上述托辊故障声学信号特征提取及定位方法，能够有效抑制干扰声源及传递路径耦合噪声影响，实现托辊轴承故障声源的特征提取及高分辨率定位。
-
公开(公告)号：CN116222997A
公开(公告)日：2023-06-06
申请号：CN202310209119.9
申请日：2023-03-07
申请人： 华北电力大学(保定)
IPC分类号： G01M13/00 , G01H17/00 , G10L25/48 , G10L25/30 , G10L21/0216 , G06F18/241 , G06N3/08 , G06F17/16 , G06N3/0464 , G06N3/0442
摘要： 本发明公开了基于波束形成及时空网络的托辊故障声源距离估计方法，包括以下步骤：BCL模型构建及验证‑利用麦克风阵列采集不同距离的托辊故障声源数据，经波束形成定位处理构建数据样本集‑通过CNN层获得数据采样集的空间特性，再借助LSTM层在序列上的建模功能，将由空间数据所组成的序列信息注入LSTM网络，获得空间时序信息‑将空间时序信息注入Softmax分类器，通过对不同的故障距离特征进行分类，将分类结果作为BCL模型的输出。本发明采用上述基于波束形成及时空网络的托辊故障声源距离估计方法，减少了人工提取故障特征以及检测故障位置等步骤，能够在复杂环境下实现故障距离估计且保持较高准确率。
-
公开(公告)号：CN116106004A
公开(公告)日：2023-05-12
申请号：CN202111321248.4
申请日：2021-11-09
申请人： 河北建设集团股份有限公司 , 华北电力大学(保定)
IPC分类号： G01M13/028 , G01M13/021 , G06F17/14
摘要： 本发明公开了一种基于同步提取变换的多源时频脊线提取方法，包括：获取齿轮箱时域振动信号；对时域振动信号进行变分模态分解滤波，得到特征模态分量时域振动信号；对特征模态分量时域振动信号进行同步提取变换时频分析；根据局部峰值搜索算法提取转轴转频、齿轮啮合频率时频脊线；基于多源脊线融合方法优化时频脊线，提取转频曲线；基于转频曲线对特征模态分量时域振动信号进行阶次跟踪，从角域阶次谱中得到转轴故障特征阶次。改善了频率突变情况且IF融合精度高，从阶次跟踪后信号阶次谱中得到故障特征阶次，改善了频率模糊现象，优化了轴承故障特征提取效果。
-
公开(公告)号：CN112649761A
公开(公告)日：2021-04-13
申请号：CN202011356376.8
申请日：2020-11-26
申请人： 华北电力大学(保定)
IPC分类号： G01R31/62
摘要： 本发明公开了一种基于瓦斯继电器流速和压强的变压器重瓦斯动作整定方法，包括：采集油路管道的流速值、压强值和重瓦斯信号；施加不同程度的外部激励源至油路管道上，产生不同的涌动油流；基于实时采集的流速值、压强值和重瓦斯信号，分别生成不同涌动油流下的流速曲线图、压强曲线图和重瓦斯动作曲线图；基于流速曲线图、压强曲线图和重瓦斯动作曲线图，确定重瓦斯动作的流速整定值和压强整定值；基于流速整定值、压强整定值、以及实时采集的流速值和压强值，判定变压器的故障等级。本发明结合变压器故障时油压、油流变化，能够为瓦斯继电器瓦斯报警信号的辅助决策提供依据，并提高电力变压器运行的安全可靠性。
-
公开(公告)号：CN109270441A
公开(公告)日：2019-01-25
申请号：CN201810786407.X
申请日：2018-07-17
申请人： 国网浙江省电力有限公司检修分公司 , 国网浙江省电力有限公司 , 华北电力大学(保定)
发明人： 周国伟 , 董建新 , 杨松伟 , 徐华 , 周建平 , 郦于杰 , 陈欣 , 刘江明 , 陈晓锦 , 汪全虎 , 刘德 , 邓华 , 戴鹏飞 , 李文燕 , 艾云飞 , 刘昌标 , 张翾哲 , 万书亭 , 豆龙江 , 张燕珂
IPC分类号： G01R31/327
摘要： 本发明公开了一种基于振动信号的高压断路器分闸特性参数在线检测方法,本发明涉及一种高压断路器的检测方法。目前电力系统多采用定期检修时进行预防性试验的方法来了解断路器的特性参数，这种做法不仅费时费力，而且频繁地操作和过度地拆卸检修会降低断路器的动作可靠性，带来一定的负面影响。本发明采用加速度传感器，将加速度传感器分别安装在弹簧操作机构和断路器横梁上以采集两路振动信号，利用多路振动信号提取断路器分闸过程中运动时间参数，在测量精度和稳定性方面均取得了较好的效果，对于断路器特性参数的在线提取提供了一种新的思路。本技术方案解决了传统测量方法需离线测试、传感器安装繁琐的问题。
-
公开(公告)号：CN104362570A
公开(公告)日：2015-02-18
申请号：CN201410663097.4
申请日：2014-11-10
申请人： 华北电力大学(保定) , 国网青海省电力公司海西供电公司
IPC分类号： H02G7/20
CPC分类号： H02G7/20
摘要： 本发明公开了一种脉动风作用下输电线风偏时的横担挂点荷载计算方法，包括以下步骤：1、迭代求解输电线在平均风偏状态下的输电线弦向张力H；2、求解输电线在脉动风作用下的动态张力DH；3、求解输电线端部张力。本发明的脉动风作用下输电线风偏时的横担挂点荷载计算方法，可以在输电杆塔设计中的杆塔结构荷载计算时，考虑脉动风在输电线两端造成的动态张力的影响，这对于加强杆塔承载能力，保证电网安全运行具有重要意义。
-
公开(公告)号：CN104268705A
公开(公告)日：2015-01-07
申请号：CN201410521062.7
申请日：2014-09-30
申请人： 国家电网公司 , 国网黑龙江省电力有限公司 , 华北电力大学(保定)
摘要： 一种电力物资配送中心选址方法，所述方法包括以下步骤：A、将目标区域划分为子区域；B、在各子区域内将配送中心设定在不同物流节点处，确定所述子区域内供应商和所述不同位置的配送中心到需求点的加权距离和；C、将各子区域内所述加权距离和最小处对应的配送中心位置确定为所述子区域的配送中心位置。通过采用本发明的电力物资配送中心选址方法，能够考虑供应商库存管理模式和联合库存管理模式的特点，基于虚拟库存技术和时间满意度确定合适的电力物资配送中心的选址，由此满足复杂的电力配送系统要求，优化资源，提高服务质量。
-
公开(公告)号：CN117828437A
公开(公告)日：2024-04-05
申请号：CN202410006532.X
申请日：2024-01-03
申请人： 华北电力大学(保定)
IPC分类号： G06F18/241 , G06N3/0442 , G06N3/0464 , G06N3/045 , G06F18/213 , G01M13/045
摘要： 本发明公开了一种基于MF2D‑CNN‑LSTM模型的滚动轴承多故障分类与诊断方法，包括以下步骤：建立网络模型，从原始信号中选取多种故障类型，构建模型的输入信息；数据的预处理，构建数据集；将选取的数据进行打乱与重组，而后按照7：3的比例划分为训练集和测试集；将训练集作为输入，训练模型并进行参数调整；将测试集输入训练完毕的模型中，进行故障的识别与诊断，并对诊断结果进行可视化分析。本发明采用上述于MF2D‑CNN‑LSTM模型的滚动轴承多故障分类与诊断方法，通过对传统神经网络CNN‑LSTM模型的改进，能够大幅度提高轴承多故障分类时诊断结果的准确率。
-
-
-
-
-
-
-
-
-
搜索结果
88 条记录 (耗时 0.036 秒)
