基于神经网络的高压开关柜故障模式分类及预测方法

    公开(公告)号:CN117407770A

    公开(公告)日:2024-01-16

    申请号:CN202311462468.8

    申请日:2023-11-02

    Abstract: 本发明公开了基于神经网络的高压开关柜故障模式分类及预测方法,包括:通过多组传感器采集高压开关柜的运行数据以及运行时的声音和图像数据;将各运行数据、声音和图像数据均作为时序数据并输入到时序数据集,将各运行数据、声音和图像数据按一定方式整合或融合形成多模态数据并输入到多模态数据集,对多模态数据与时序数据均进行预处理;进行特征学习,引入注意力机制并采用LSTM对多模态数据与时序数据进行序列建模;构建注意力机制与长短期记忆神经网络的混合模型,对混合模型进行训练与优化;根据训练好的混合模型对故障模式分类与预测。本发明结合注意力机制和LSTM,并融合多模态数据,能保证高压开关柜设备的安全运行和提供有效故障维护。

    基于信息熵和深度学习的开关柜故障模式智能匹配方法

    公开(公告)号:CN117472630A

    公开(公告)日:2024-01-30

    申请号:CN202311467678.6

    申请日:2023-11-02

    Abstract: 本发明为基于信息熵和深度学习的高压开关柜故障模式智能匹配方法,需要建立高压开关柜故障模式数据库,通过信息熵与深度学习算法等方法对现实中所遇到的实际问题在数据库中进行智能匹配,找寻属于什么类型的故障,并根据每次匹配的结果丰富完善数据库。具体步骤如下,首先收集故障信息相关信息,建立起初始故障问题数据库,然后收集高压开关柜的故障信息,根据采集到的故障信息,进行分析和计算,利用信息熵的概念,筛选出具有较高信息量的特征,其次构建深度学习模型,使模型能够自动学习和提取关键特征,实现准确的故障模式分类和匹配,并给出相应解决办法,最后更新数据库。本发明旨在减少错误诊断的可能性,提高故障诊断准确性和效率。

Patent Agency Ranking