申请/专利权人：武汉大学

申请日：2020-06-08

公开（公告）日：2020-10-09

公开（公告）号：CN111751763A

主分类号：G01R31/62(20200101)

分类号：G01R31/62(20200101);G01R31/72(20200101);G06N3/04(20060101);G06N3/08(20060101)

优先权：

专利状态码：有效-授权

法律状态：2021.08.10#授权;2020.10.30#实质审查的生效;2020.10.09#公开

摘要：本发明公开了一种基于GSMallat‑NIN‑CNN网络的电力变压器绕组故障诊断方法，包括：利用多通道传感器对变压器绕组振动情况进行测量，得到变压器的多源振动数据；对测量得到的多源振动数据，利用GST灰度变换将多源振动数据转化为灰度图像；采用Mallat算法将各灰度图像逐层分解为高频分量子图像和低频分量子图像，并对其进行图像融合；重构融合后的灰度图像，按照变压器绕组的故障状态，对振动灰度图像进行编码；建立基于GSMallat‑NIN‑CNN网络的变压器故障诊断模型；随机初始化网络参数，划分训练集和测试集，通过训练集对网络进行训练和调优；保存训练好的网络，并通过测试集对网络测试。本发明有效抑制了多源信号中的噪声，提高特征信息完整性，降低了计算量，提高了故障诊断准确性。

主权项：1.一种基于GSMallat-NIN-CNN网络的电力变压器绕组故障诊断方法，其特征在于，该方法包括以下步骤：步骤1、利用多通道传感器对变压器绕组振动情况进行测量，得到变压器的多源振动数据；步骤2、对测量得到的多源振动数据，利用GST灰度变换将多源振动数据转化为灰度图像；步骤3、采用Mallat算法将各灰度图像逐层分解为高频分量子图像和低频分量子图像，通过基于区域特性量测的方法融合高频分量子图像，通过加权平均的方法融合低频分量子图像；步骤4、重构融合后的灰度图像，按照变压器绕组的各故障状态，对振动灰度图像进行编码；步骤5、建立基于GSMallat-NIN-CNN网络的变压器故障诊断模型；步骤6、随机初始化网络参数，将融合灰度图像和对应故障状态编码按一定比例分为训练集和测试集，通过训练集对网络进行训练和调优；步骤7、保存训练好的网络，并通过测试集对网络测试，根据训练好的GSMallat-NIN-CNN网络对后续待诊断的变压器进行故障诊断。

全文数据：

权利要求：

百度查询： 武汉大学 一种基于GSMallat-NIN-CNN网络的电力变压器绕组故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD