CN114167242A - 一种基于光纤激光传感技术的电缆局放监测装置 - Google Patents
一种基于光纤激光传感技术的电缆局放监测装置 Download PDFInfo
- Publication number
- CN114167242A CN114167242A CN202111494080.7A CN202111494080A CN114167242A CN 114167242 A CN114167242 A CN 114167242A CN 202111494080 A CN202111494080 A CN 202111494080A CN 114167242 A CN114167242 A CN 114167242A
- Authority
- CN
- China
- Prior art keywords
- cable
- fiber laser
- partial discharge
- optical fiber
- laser sensor
- 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
- 239000013307 optical fiber Substances 0.000 title claims abstract description 41
- 238000005516 engineering process Methods 0.000 title claims abstract description 17
- 238000012806 monitoring device Methods 0.000 title claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000005086 pumping Methods 0.000 claims abstract description 15
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 6
- 239000000835 fiber Substances 0.000 claims description 7
- 238000009413 insulation Methods 0.000 claims description 5
- 239000012535 impurity Substances 0.000 claims description 4
- 239000004020 conductor Substances 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims 3
- 238000000034 method Methods 0.000 description 10
- 238000013507 mapping Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1218—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using optical methods; using charged particle, e.g. electron, beams or X-rays
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种基于光纤激光传感技术的电缆局放监测装置，包括泵浦光源、隔离器、耦合器、波分复用器、光纤激光传感器，光纤激光传感器粘接在悬臂梁上，悬臂梁粘接在电缆上，光纤激光传感器后端依次设置有非平衡干涉仪、光电转换模块，泵浦光源发出的泵浦光经过隔离器和耦合器后分为两路，经过波分复用器后进入光纤激光传感器，电缆局放时产生的振动将引起悬臂梁的振动，进而引起光纤激光传感器发出的光波长产生变化，通过非平衡干涉仪将波长的变化转换为相位的变化，最终通过光电转换模块解调出波长信息，进而得到振动信号，将振动信号通过卷积神经网络进行在线比对，反映电缆局放检测结果，判断电缆是否异常。
Description
技术领域
本发明属于电力检修技术领域，具体涉及一种基于光纤激光传感技术的电缆局放监测装置。
背景技术
随着国民经济的提升以及电力需求不断的增长，电网规模越来越大，电压等级越来越高。电缆作为电力系统的重要组成部分，在电网中扮演着越来越重要的角色，其状态关系到电网的稳定运行。但由于电缆通常埋于地下，其状态具有较强的隐蔽性，一旦发生故障不仅对与及时发现故障部位进行抢修带来一定的挑战同时也会造成重大的经济损失。
根据国家电网公司对6kV～500kV交联电缆故障统计数据，电力电缆故障原因是复杂多样的，电缆制造过程中混入的空隙和杂质、敷设安装过程中造成的划痕和污染以及老化过程中产生的电树枝都会引起不同程度的局部放电，而局放也是造成电缆绝缘劣化的重要因素，因此局部放电检测涵盖了电缆故障中绝大多数的起因，所以对电缆局放检测的研究具有重要的意义。
现有技术中，对电缆进行局放检测的方法主要是采用定期试验维修的方法，这种离线试验方法为电力行业做出了重要的贡献，但我们也时常碰到，经过试验维修，合格的设备投入运行后不久就出现事故的情况。电缆在试验时使用耐压试验等方法，本身就会对其造成损伤，加快了电缆的老化，影响电缆的绝缘特性，目前急需一种电缆局放监测装置，在不破坏电缆的情况下对电缆进行局放检测。
发明内容
针对现有技术的不足，本发明的目的是提供一种基于光纤激光传感技术的电缆局放监测装置，在不破坏电缆的情况下对电缆进行局放检测。
为实现上述目的，本发明采用以下技术方案:
一种基于光纤激光传感技术的电缆局放监测装置，监测装置包括依次设置的泵浦光源、隔离器、耦合器，耦合器的后端设置有波分复用器，波分复用器的后端设置有光纤激光传感器，光纤激光传感器粘接在悬臂梁上，悬臂梁粘接在电缆上，光纤激光传感器后端依次设置有非平衡干涉仪、光电转换模块，泵浦光源用于发射泵浦光，泵浦光依次经过隔离器和耦合器后分为两路，经过波分复用器后进入光纤激光传感器，电缆局放时产生的振动将引起悬臂梁的振动，悬臂梁振动发生形变引起光纤激光传感器发出的光波长产生变化，通过非平衡干涉仪将波长的变化转换为相位的变化，最终通过光电转换模块解调出波长信息，进而得到振动信号，将振动信号通过卷积神经网络进行在线比对，反映电缆局放检测结果，判断电缆是否异常。
进一步的，光纤激光传感器为DFB激光器。
进一步的，卷积神经网络包括卷积层和池化层。
进一步的，卷积神经网络中样本库为电缆局放的振动信号，包括电缆主绝缘内存在气隙、杂质引起局部放电的振动信号、导体的尖端、毛刺引起局部放电的振动信号、电缆终端产生局部放电的振动信号。
进一步的，样本库中的振动信号中带有正确目标图像的为正样本，带有错误目标图像的为负样本，卷积神经网络利用正样本和负样本进行机器学习。
与现有技术相比，本发明提供的基于光纤激光传感技术的电缆局放监测装置有以下有益效果：
1.本发明提供的基于光纤激光传感技术的电缆局放监测装置，通过检测局部放电产生的振动信号来判断电缆是否发生了局部放电，相对于常规的定期试验维修的方法，该方法可以在不破坏电缆的情况下对电缆进行局放检测，保护电缆寿命，且将振动信号通过卷积神经网络进行在线比对，反映电缆局放检测结果，判断电缆是否异常，使用方便。
2.在检测结果的可靠性和稳定性上，由于振动信号在电缆介质中的衰减远远小于声信号，因此其检测的灵敏度及可靠性比超声波法高得多。同时，由于其检测的是振动信号，故其抗电磁干扰能力强。在检测中光纤对被测信息用光波编码，而波长、频率等是一种绝对参量，故它不受光源功率波动以及光纤弯曲等因素引起的系统损耗的影响，因此具有非常好的可靠性和稳定性。
附图说明
下面结合附图对本发明做进一步的详细说明。
图1为本发明提供的基于光纤激光传感技术的电缆局放监测装置的结构示意图。
具体实施方式
下面结合实施例对本发明作进一步说明。显然，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1，图1为本发明提供的基于光纤激光传感技术的电缆局放监测装置的结构示意图。本发明提供的基于光纤激光传感技术的电缆局放监测装置，包括依次设置的泵浦光源、隔离器、耦合器，耦合器的后端设置有波分复用器，波分复用器的后端设置有光纤激光传感器，光纤激光传感器粘接在悬臂梁上，悬臂梁粘接在电缆上，光纤激光传感器后端依次设置有非平衡干涉仪、光电转换模块，泵浦光源用于发射泵浦光，泵浦光依次经过隔离器和耦合器后分为两路，经过波分复用器后进入光纤激光传感器，电缆局放时产生的振动将引起悬臂梁的振动，悬臂梁振动发生形变引起光纤激光传感器发出的光波长产生变化，通过非平衡干涉仪将波长的变化转换为相位的变化，最终通过光电转换模块解调出波长信息，进而得到振动信号，将振动信号通过卷积神经网络进行在线比对，反映电缆局放检测结果，判断电缆是否异常。
在一些优选的实施例中，光纤激光传感器为DFB激光器。DFB激光器有着高度的单模工作稳定性、窄线宽、与光纤兼容等优点，可以广泛应用于光纤通信、光纤传感、光谱学等领域中。光纤光棚的结构决定了光棚的周期对温度、应力都有着很高的灵敏度，因此将光纤激光器进行封装后可以应用在传感领域中。如果有外部环境的变化，那么光棚的结构就会发生变化，从而激光器的输出发生变化。DFB激光器制成传感器有着精度高、灵敏度高、可以分布式铺设，以及不受电磁辐射影响等优点。
卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现，卷积神经网络包括卷积层和池化层。站在另外的维度上对卷积神经网络进行分层，卷积神经网络包括两层结构，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来。其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。
卷积神经网络主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于卷积神经网络的特征检测层通过训练数据进行学习，所以在使用卷积神经网络时，避免了显示的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。
通过深度学习对各种类型的电缆局放振动信号进行分类整理，卷积神经网络中样本库为电缆局放的振动信号，包括电缆主绝缘内存在气隙、杂质引起局部放电的振动信号、导体的尖端、毛刺引起局部放电的振动信号、电缆终端产生局部放电的振动信号。样本库中的振动信号中带有正确目标图像的为正样本，带有错误目标图像的为负样本，卷积神经网络利用正样本和负样本进行机器学习。
本发明提供的基于光纤激光传感技术的电缆局放监测装置，通过检测局部放电产生的振动信号来判断电缆是否发生了局部放电，相对于常规的定期试验维修的方法，该方法可以在不破坏电缆的情况下对电缆进行局放检测，保护电缆寿命，且将振动信号通过卷积神经网络进行在线比对，反映电缆局放检测结果，判断电缆是否异常，使用方便。
至此，本领域技术人员应认识到，虽然本文已详尽示出和描述了本发明的多个示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此，本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。
Claims (5)
1.一种基于光纤激光传感技术的电缆局放监测装置，其特征在于，所述监测装置包括依次设置的泵浦光源、隔离器、耦合器，所述耦合器的后端设置有波分复用器，所述波分复用器的后端设置有光纤激光传感器，所述光纤激光传感器粘接在悬臂梁上，所述悬臂梁粘接在电缆上，所述光纤激光传感器后端依次设置有非平衡干涉仪、光电转换模块，所述泵浦光源用于发射泵浦光，所述泵浦光依次经过隔离器和耦合器后分为两路，经过波分复用器后进入光纤激光传感器，电缆局放时产生的振动将引起悬臂梁的振动，悬臂梁振动发生形变引起光纤激光传感器发出的光波长产生变化，通过非平衡干涉仪将波长的变化转换为相位的变化，最终通过光电转换模块解调出波长信息，进而得到振动信号，将振动信号通过卷积神经网络进行在线比对，反映电缆局放检测结果，判断电缆是否异常。
2.根据权利要求1所述的一种基于光纤激光传感技术的电缆局放监测装置，其特征在于，所述光纤激光传感器为DFB激光器。
3.根据权利要求1所述的一种基于光纤激光传感技术的电缆局放监测装置，其特征在于，所述卷积神经网络包括卷积层和池化层。
4.根据权利要求1所述的一种基于光纤激光传感技术的电缆局放监测装置，其特征在于，所述卷积神经网络中样本库为电缆局放的振动信号，包括电缆主绝缘内存在气隙、杂质引起局部放电的振动信号；导体的尖端、毛刺引起局部放电的振动信号；电缆终端产生局部放电的振动信号。
5.根据权利要求1所述的一种基于光纤激光传感技术的电缆局放监测装置，其特征在于，所述样本库中的振动信号中带有正确目标图像的为正样本，带有错误目标图像的为负样本，所述卷积神经网络利用所述正样本和所述负样本进行机器学习。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111494080.7A CN114167242A (zh) | 2021-12-08 | 2021-12-08 | 一种基于光纤激光传感技术的电缆局放监测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111494080.7A CN114167242A (zh) | 2021-12-08 | 2021-12-08 | 一种基于光纤激光传感技术的电缆局放监测装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114167242A true CN114167242A (zh) | 2022-03-11 |
Family
ID=80484526
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111494080.7A Pending CN114167242A (zh) | 2021-12-08 | 2021-12-08 | 一种基于光纤激光传感技术的电缆局放监测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114167242A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技（上海）股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及系统 |
| CN108573225A (zh) * | 2018-03-30 | 2018-09-25 | 国网天津市电力公司电力科学研究院 | 一种局部放电信号模式识别方法及系统 |
| CN111121945A (zh) * | 2019-11-28 | 2020-05-08 | 上海电力大学 | 一种高灵敏度分布式变压器振动监测系统 |
| CN112557833A (zh) * | 2020-10-10 | 2021-03-26 | 国网河南省电力公司焦作供电公司 | 一种基于深度样本增强的电缆局部放电模式识别方法 |
| KR20210046356A (ko) * | 2019-10-18 | 2021-04-28 | 한전케이디엔주식회사 | 부분방전 진단 장치 및 방법 |
-
2021
- 2021-12-08 CN CN202111494080.7A patent/CN114167242A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技（上海）股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及系统 |
| CN108573225A (zh) * | 2018-03-30 | 2018-09-25 | 国网天津市电力公司电力科学研究院 | 一种局部放电信号模式识别方法及系统 |
| KR20210046356A (ko) * | 2019-10-18 | 2021-04-28 | 한전케이디엔주식회사 | 부분방전 진단 장치 및 방법 |
| CN111121945A (zh) * | 2019-11-28 | 2020-05-08 | 上海电力大学 | 一种高灵敏度分布式变压器振动监测系统 |
| CN112557833A (zh) * | 2020-10-10 | 2021-03-26 | 国网河南省电力公司焦作供电公司 | 一种基于深度样本增强的电缆局部放电模式识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Govindarajan et al. | A review on partial discharge diagnosis in cables: Theory, techniques, and trends | |
| CN105699843A (zh) | 一种电缆运行状态诊断方法及系统 | |
| Wang et al. | Gas-insulated switchgear insulation defect diagnosis via a novel domain adaptive graph convolutional network | |
| CN114167242A (zh) | 一种基于光纤激光传感技术的电缆局放监测装置 | |
| CN112539772B (zh) | 一种基于卷积神经网络集成学习的Sagnac分布光纤传感系统的定位方法 | |
| Zhang et al. | Optical-fiber-based dynamic measurement system for 3D tip clearance of rotating blades | |
| CN117491801B (zh) | 交叉互联电缆缺陷检测系统、模型及缺陷定位方法 | |
| CN113791339B (zh) | 一种基于r-ncc图像识别算法的断路器性能状态检测方法 | |
| CN112578220B (zh) | 一种地下电缆故障在线定位系统及方法 | |
| CN115389870A (zh) | 一种基于光纤振动成像的变压器绝缘状态在线监测方法 | |
| CN117589693B (zh) | 基于视觉识别的模块化柔性芯片测试系统 | |
| Tian et al. | Power Cable Vibration Detection and Signal Feature Parameter Extraction Based on Optical Fiber Mach-Zehnder Interference | |
| CN114200304A (zh) | 一种用于转子绕组故障的判断方法、装置及存储介质 | |
| Gräf et al. | Nonconventional partial discharge measurement using fiber optic sensor system for transmission systems and switchgear | |
| CN108809409B (zh) | 一种基于衰耗图形特征点的光缆衰耗类型诊断系统及方法 | |
| CN115615969B (zh) | 一种变压器故障诊断方法、系统及电子设备 | |
| Yuan et al. | The Research on the Effectiveness Evaluation Technology for the PD Sensing Components of the 220kV Cable Joint with Built-in Multi-Dimensional Sensing Elements | |
| JP3335574B2 (ja) | 光パルス試験方法 | |
| CN115825007B (zh) | 基于二氧化钛和琼脂糖复合膜的光纤传感器及检测方法 | |
| CN117216605B (zh) | 一种高精度电能数据采集方法及系统 | |
| CN113740663B (zh) | 一种基于阻抗特征的飞机装机电缆故障定位方法 | |
| Wang et al. | Recognition of Third-Party Interference in Cable Monitoring Based on 1-D CNN with Fiber Optic DAS System | |
| CN115468929B (zh) | 一种高压电缆外护套进水状况检测方法及装置 | |
| Polisetty | Partial discharge classification using acoustic signals and artificial neural networks and its application in detection of defects in Ceramic insulators | |
| CN114878674B (zh) | 基于融合算法的绕组应力与漏磁参量综合特征的变压器绕组缺陷诊断方法 |
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 |