基于深度学习的电力拖动系统故障预测与健康管理（PHM）
张光乐 （ 杭州国电机械设计研究院有限公司 ）
李丽杰 （ 杭州国电机械设计研究院有限公司 ）
https://doi.org/10.37155/2717-5197-0720-10简介
本文聚焦基于深度学习的电力拖动系统故障预测与健康管理（PHM）。阐述深度学习理论基础，分析电 力拖动系统组成、故障机理与传播规律。构建基于深度学习的故障预测模型，选择合适算法并设计架构、训练优化模 型。研究健康评估方法，构建指标体系、实现健康状态表示并构建评估模型。通过案例实验，验证故障预测与健康管 理方法的有效性，结果表明其能准确预测故障、评估健康状态，提升系统可靠性与运行效率。
关键字
深度学习；电力拖动系统；故障预测；健康管理（PHM）全文
PDF参考文献
[1]汪可友,徐晋,李国杰.电力系统参数空间暂态
稳定边界构建及在线快速更新方法[J].电力系统自动
化,2021,45(9):1-15.
[2]李刚,张华,王建民.基于机器学习的工业设备故障诊
断与预测综述[J].自动化学报,2020,46(1):43-59.
[3]吕坐君.基于事故链模型的电力系统故障风险
评估分析[J].自动化技术与应用,2024,43(4):18-21,176.
DOI:10.20033/j.1003-7241.(2024)04-0018-05.
[4]范召典,孟庆超,张军,等.基于故障录波图的电力系
统故障特征分析[J].光源与照明,2023(1):234-236.
稳定边界构建及在线快速更新方法[J].电力系统自动
化,2021,45(9):1-15.
[2]李刚,张华,王建民.基于机器学习的工业设备故障诊
断与预测综述[J].自动化学报,2020,46(1):43-59.
[3]吕坐君.基于事故链模型的电力系统故障风险
评估分析[J].自动化技术与应用,2024,43(4):18-21,176.
DOI:10.20033/j.1003-7241.(2024)04-0018-05.
[4]范召典,孟庆超,张军,等.基于故障录波图的电力系
统故障特征分析[J].光源与照明,2023(1):234-236.
版权所有 © 2025 张光乐,李丽杰
出版时间:2025-10-31
本作品采用以下许可协议授权： 知识共享 署名 4.0 国际许可协议
邮箱
地址