-
公开(公告)号：CN112179481B
公开(公告)日：2023-01-06
申请号：CN202010906414.6
申请日：2020-09-01
Applicant: 国网山西省电力公司电力科学研究院 , 华中科技大学 , 国网电力科学研究院武汉南瑞有限责任公司
Abstract: 本发明公开了一种GIS设备的机械故障诊断方法及系统，包括以下步骤：S1、采集待测GIS设备运行时产生的振动信号，并对该振动信号进行标准化处理；S2、计算所得标准化处理后的振动信号的显著性序列；其中，显著性序列为表示原始振动信号变化趋势的时间序列；S3、将所得显著性序列输入到预训练好的GIS设备故障诊断模型中，得到待测GIS设备的运行状态；其中，GIS设备故障诊断模型为卷积神经网络。本发明通过计算GIS设备运行时所产生的振动信号的显著性序列，来提高故障信号的区分度；并采用卷积神经网络作为GIS设备的故障诊断模型，对GIS设备的显著性序列进行识别，可精确的完成对GIS设备具体故障类型的判断。
-
公开(公告)号：CN112179481A
公开(公告)日：2021-01-05
申请号：CN202010906414.6
申请日：2020-09-01
Applicant: 国网山西省电力公司电力科学研究院 , 华中科技大学 , 国网电力科学研究院武汉南瑞有限责任公司
Abstract: 本发明公开了一种GIS设备的机械故障诊断方法及系统，包括以下步骤：S1、采集待测GIS设备运行时产生的振动信号，并对该振动信号进行标准化处理；S2、计算所得标准化处理后的振动信号的显著性序列；其中，显著性序列为表示原始振动信号变化趋势的时间序列；S3、将所得显著性序列输入到预训练好的GIS设备故障诊断模型中，得到待测GIS设备的运行状态；其中，GIS设备故障诊断模型为卷积神经网络。本发明通过计算GIS设备运行时所产生的振动信号的显著性序列，来提高故障信号的区分度；并采用卷积神经网络作为GIS设备的故障诊断模型，对GIS设备的显著性序列进行识别，可精确的完成对GIS设备具体故障类型的判断。
-
Patent Agency Ranking
公开(公告)号：CN113191247A
公开(公告)日：2021-07-30
申请号：CN202110458551.2
申请日：2021-04-27
Applicant: 国网山西省电力公司电力科学研究院 , 华中科技大学 , 国网电力科学研究院武汉南瑞有限责任公司
Abstract: 本发明公开了一种GIS设备机械故障诊断方法及系统，属于机械故障诊断领域，方法包括：采集GIS设备的长度为N的振动信号时间序列；以L为移动平均周期，对振动信号时间序列进行移动平均处理，依次得到N‑L+1个移动平均值，并按照时间顺序将N‑L+1个移动平均值进行组合以得到移动平均值时间序列；对移动平均值时间序列进行标准化处理，并计算标准化处理后移动平均值时间序列的近似熵；将近似熵输入至SVM分类器，以分类输出GIS设备的运行状态。对振动信号时间序列进行移动平均处理，使得提取的GIS设备机械振动趋势更为精准，基于移动平均值时间序列得到的近似熵更能准确地反映GIS设备的运行状态，提高GIS设备机械故障诊断的准确率和精度。
-
公开(公告)号：CN112182490B
公开(公告)日：2024-02-02
申请号：CN202010906417.X
申请日：2020-09-01
Applicant: 华中科技大学 , 国网四川省电力公司电力科学研究院 , 国网电力科学研究院武汉南瑞有限责任公司
IPC: G06F17/14 , G06N3/0464 , G06N3/08 , G01R31/00 , G01H17/00
Abstract: 本发明公开了一种电抗器状态诊断方法及系统，包括以下步骤：S1、采集待测电抗器运行时表面产生的振动信号，并对其进行预处理；S2、对于所得预处理后的振动信号进行谱残差运算，并基于所得谱残差计算得到该振动信号的显著性序列；S3、将所得振动信号的显著性序列输入到预处理好的状态诊断模型中，得到待测电抗器的运行状态；其中，状态诊断模型为卷积神经网络；本发明通过提取振动信号的显著性序列，去除了振动信号中存在的冗余信息，得到了对信息变化趋势更加敏感的信息，并结合卷积神经网络对所得显著性序列进行识别，可以实时的对电抗器具体运行状态进行判断，且状态诊断的准确性较(56)对比文件REN Han-sheng等.Time-Series AnomalyDetection Service atMicrosoft.Proceedings of the 25th ACMSIGKDD International Conference onKnowledge Discovery ＆ Data Mining.2019,全文.崔博文;任章.基于傅里叶变换和神经网络的逆变器故障检测与诊断.电工技术学报.2006,(第07期),全文.
-
公开(公告)号：CN112182490A
公开(公告)日：2021-01-05
申请号：CN202010906417.X
申请日：2020-09-01
Applicant: 华中科技大学 , 国网四川省电力公司电力科学研究院 , 国网电力科学研究院武汉南瑞有限责任公司
Abstract: 本发明公开了一种电抗器状态诊断方法及系统，包括以下步骤：S1、采集待测电抗器运行时表面产生的振动信号，并对其进行预处理；S2、对于所得预处理后的振动信号进行谱残差运算，并基于所得谱残差计算得到该振动信号的显著性序列；S3、将所得振动信号的显著性序列输入到预处理好的状态诊断模型中，得到待测电抗器的运行状态；其中，状态诊断模型为卷积神经网络；本发明通过提取振动信号的显著性序列，去除了振动信号中存在的冗余信息，得到了对信息变化趋势更加敏感的信息，并结合卷积神经网络对所得显著性序列进行识别，可以实时的对电抗器具体运行状态进行判断，且状态诊断的准确性较高。
-
公开(公告)号：CN113901999B
公开(公告)日：2023-09-29
申请号：CN202111156233.7
申请日：2021-09-29
Applicant: 国网四川省电力公司电力科学研究院 , 华中科技大学
IPC: G06F18/2433 , G06F18/2411 , G06F18/213 , G06F18/2113 , G06F18/214
Abstract: 本发明公开了一种高压并联电抗器故障诊断方法和系统，属于高压并联电抗器的故障诊断技术领域。包括：在不同工况下采集电抗器运行产生的振动信号，所述振动信号来自电抗器表面P个不同位置；分别在时域、频域和时频域对电抗器表面每个采样位置的振动信号构建特征数据集并进行归一化，然后划分为特征训练数据集和特征测试数据集；利用SVM‑RFE算法对电抗器表面每个采样位置各自的特征训练数据集进行特征重要性排序，获得每个采样位置的最优特征索引；利用GA算法以所有位置共有的最优特征索引为搜索空间，去除冗余特征，选出最优特征组合；将最优特征组合利用SVM分类器对所有采样位置的特征测试数据集进行故障诊断，有效实现了基于多元振动序列的特征选择。
-
公开(公告)号：CN113901999A
公开(公告)日：2022-01-07
申请号：CN202111156233.7
申请日：2021-09-29
Applicant: 国网四川省电力公司电力科学研究院 , 华中科技大学
Abstract: 本发明公开了一种高压并联电抗器故障诊断方法和系统，属于高压并联电抗器的故障诊断技术领域。包括：在不同工况下采集电抗器运行产生的振动信号，所述振动信号来自电抗器表面P个不同位置；分别在时域、频域和时频域对电抗器表面每个采样位置的振动信号构建特征数据集并进行归一化，然后划分为特征训练数据集和特征测试数据集；利用SVM‑RFE算法对电抗器表面每个采样位置各自的特征训练数据集进行特征重要性排序，获得每个采样位置的最优特征索引；利用GA算法以所有位置共有的最优特征索引为搜索空间，去除冗余特征，选出最优特征组合；将最优特征组合利用SVM分类器对所有采样位置的特征测试数据集进行故障诊断，有效实现了基于多元振动序列的特征选择。
-
-
-
-
-
-
Search Results
7
records
(took 0.08 seconds)
