CN105203210A - 基于360°红外全景视图与支持向量机的特高压变电站变压器故障检测装置及检测方法 - Google Patents
基于360°红外全景视图与支持向量机的特高压变电站变压器故障检测装置及检测方法 Download PDFInfo
- Publication number
- CN105203210A CN105203210A CN201510698473.8A CN201510698473A CN105203210A CN 105203210 A CN105203210 A CN 105203210A CN 201510698473 A CN201510698473 A CN 201510698473A CN 105203210 A CN105203210 A CN 105203210A
- Authority
- CN
- China
- Prior art keywords
- transformer
- vector machine
- support vector
- infrared
- ultra
- 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
Landscapes
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种基于360°红外全景视图与支持向量机的特高压变电站变压器故障检测装置。本发明包括圆形轨道，设置于圆形轨道上且可在圆形轨道上移动的智能可控小车，以及设置于智能可控小车上的红外热像仪；所述智能可控小车上设有支架，红外热像仪固定于支架上。本发明还公开了一种基于360°红外全景视图与支持向量机的特高压变电站变压器故障检测方法。本发明能够生动形象地反映出变压器实时地运行状态，可以从不同角度无死角地观察变压器的运行状态，及早判断出运行故障。
Description
技术领域
本发明属于特高压变电站设备运行状态领域，具体涉及一种基于360°红外全景视图与支持向量机的特高压变电站变压器故障检测装置及检测方法。
背景技术
特高压变电站变压器的安全运行直接影响电网的安全可靠性，因此特高压变电站变压器的状态监控非常必要。变压器的诸多故障都以温度异常表现出来，因此应用红外热成像仪可以检测到变压器故障。由于特高压变压器体型的巨大，传统的红外热图像只能同时获取变压器部分的红外热图，无法知悉变压器全局的温度分布热图。因此，设法得到变压器红外全景图像将更有利于对变压器进行故障诊断。
在应用红外仪器测定温度参量时，测定结果与诸多因素有关，如物体表面的发射率、环境温度、大气温度、测量距离和大气衰减等，利用人眼进行红外故障诊断很容易产生误判。统计学习理论建立在结构风险最小化原则基础上，它是专门针对少样本情况下机器学习问题而建立的一套新的理论体系，支持向量机就是在统计学习理论这一基础上发展起来的一种新的机器学习算法，它是统计学习理论的具体应用。支持向量机目前主要用于模式识别、回归估计、概率密度函数估计等方面，故障诊断属于模式识别问题。
利用红外全景图像和支持向量机进行变压器故障自动诊断将比通过人眼对单幅变压器红外图像诊断更加准确和高效。
发明内容
针对现有变压器红外故障诊断的局限性，本发明提供一种基于360°红外全景视图与支持向量机的特高压变电站变压器故障检测装置及检测方法。
为了实现上述目的，本发明采用的技术方案如下：
一种基于360°红外全景视图与支持向量机的特高压变电站变压器故障检测装置，包括圆形轨道，设置于圆形轨道上且可在圆形轨道上移动的智能可控小车，以及设置于智能可控小车上的红外热像仪；所述智能可控小车上设有支架，红外热像仪固定于支架上。
进一步地，所述圆形轨道铺设于变压器周围，且变压器的中轴线通过圆形轨道的圆心。
一种基于360°红外全景视图与支持向量机的特高压变电站变压器故障检测方法，包括以下步骤：
(1)在变压器外部铺设一个圆形轨道，变压器中轴线通过轨道圆心，将红外热像仪设在智能可控小车上，然后将智能可控小车放于圆形轨道上；
(2)调整好红外热像仪的拍摄参数；控制智能可控小车在圆形轨道运行，每隔10°，摄像机拍摄一张图像，智能可控小车游走360°，总共形成36张图像，拍摄形成的相邻图像须有20％～40％的重合部分，最后将36张图像传入计算机，进行处理；
(3)将获得的36张红外热图像进行预处理；
(4)利用红外图像拼接技术对步骤(3)处理后的图像进行拼接，形成变压器360°红外全景图像；
(5)利用红外图像分割技术对步骤(4)形成的全景图像进行分割，分别分割出变压器导管、变压器主箱体、变压器油枕、变压器散热器，并对各个部分进行标识；
(6)对步骤(5)分割出来的变压器导管、变压器主箱体、变压器散热器以及变压器油枕分别进行特征提取，提取出区域温度最大值tpmax、区域温度最小值tpmin、区域温度平均值tpaver、区域温度方差tpvari，背景温度最大值tBmax、背景温度最小值tBmin、背景温度平均值tBaver，区域温度最大差值t1(tpmax-tpmin)、区域与背景相对温差最大值t2(tpmax-tBmin)、区域与背景相对温差最小值t3(tpmin-tBmax)、区域与背景相对温差平均值t4(tpaver-tBaver)；获取当前变压器运行状态下的电压U、电流I、功率S，最终形成特征向量T＝(tpmax,tpmin,tpaver,tpvari,tBmax,tBmin,tBaver,t1,t2,t3,t4,U,I,S)'；
(7)根据变压器历史温度数据、变压器发热机理、环境信息、电气信息建立不同条件下变压器表面温度预测模型；
(8)对不同条件下表面温度预测模型中的变压器导管、变压器主箱体、变压器散热器以及变压器油枕分别进行温度信息提取，其中包括区域温度最大值tpmax、区域温度最小值tpmin、区域温度平均值tpaver、区域温度方差tpvari，背景温度最大值tBmax、背景温度最小值tBmin、背景温度平均值tBaver，区域温度最大差值t1(tpmax-tpmin)、区域与背景相对温差最大值t2(tpmax-tBmin)、区域与背景相对温差最小值t3(tpmin-tBmax)、区域与背景相对温差平均值t4(tpaver-tBaver)；结合相应条件下变压器的电压、电流以及功率值最终形成多组特征向量样本，用于对支持向量机分类器的训练；
(9)建立变压器支持向量机模型；
(10)将司机获取到的特征向量输入变压器支持向量机模型，利用支持向量机分类器对输入对象进行分类，判定变压器是否存在故障，如果存在故障，则判断属于哪种故障，最终将故障点以及故障类型标注在红外全景视图上；
(11)将变压器360°红外全景视图显示在监控屏幕上，如果有故障则显示故障点以及故障类型，并进行报警。
具体地，所述步骤(3)操作如下：
(3-1)利用小波变换模极大值去噪算法对红外图像进行去噪处理；
(3-2)利用直方图均衡法对去噪后的红外图像进行增强处理。
具体地，所述步骤(4)操作如下：
(4-1)利用基于区域的配准方法，对相邻的融合图像进行图像对齐与匹配操作；
(4-2)利用加权平滑法对图像重叠部分进行融合与边界平滑。
具体地，所述步骤(5)操作如下：
(5-1)利用最大类间方差法对图像进行分割，分割出变压器导管，并将分割出来的图片标识为变压器导管；
(5-2)利用区域生长法分割出变压器主箱体，通过多次试验确定合适的生长点以及阈值，将分割出来的图片标识为变压器主箱体；
(5-3)利用阈值法分割变压器油枕，将分割出来的图像标识为变压器油枕；
(5-4)利用边缘检测分割出变压器散热器，利用Canny算子作为边缘检测的算子，将分割出来的图像标识为变压器散热器。
具体地，所述步骤(7)操作如下：
(7-1)基于特征的变压器实体建模，利用SolidWorks建立变压器三维实体模型；
(7-2)SolidWorks实体模型与ANSYS进行数据转换，建立有限元模型；
(7-3)施加不同条件下的边界约束条件和载荷处理，最后得出不同条件下的变压器表面温度预测模型。
具体地，所述步骤(9)操作如下：
(9-1)设定支持向量机分类器核函数，采用径向基核函数；
(9-2)设定错误代价C，设置一个有限的C值，得到软超平面；
(9-3)将步骤(8)得到的多组特征向量作为训练数据对支持向量机分类器进行训练。
本发明与现有技术相比，具有以下优点及有益效果：
本发明能够生动形象地反映出变压器实时地运行状态，可以从不同角度无死角地观察变压器的运行状态，及早判断出运行故障。
附图说明
图1为本发明拍摄装置的结构示意图。
图2为采用本发明检测方法进行变压器检测后的效果示意图。
其中，附图中标记对应的零部件名称为：1-圆形轨道，2-智能可控小车，3-红外热像仪，4-支架，5-变压器。
具体实施方式
下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。
实施例
如图1所示，一种基于360°红外全景视图与支持向量机的特高压变电站变压器故障检测装置，包括圆形轨道1，设置于圆形轨道上且可在圆形轨道上移动的智能可控小车2，以及设置于智能可控小车上的红外热像仪3；所述智能可控小车上设有支架4，红外热像仪固定于支架上。另外，所述圆形轨道铺设于变压器5周围，且变压器的中轴线通过圆形轨道的圆心。
如图1、2所示，一种基于360°红外全景视图与支持向量机的特高压变电站变压器故障检测方法，包括以下步骤：
(1)在变压器外部铺设一个圆形轨道，变压器中轴线通过轨道圆心，将红外热像仪设在智能可控小车上，然后将智能可控小车放于圆形轨道上。
(2)调整好红外热像仪的拍摄参数；控制智能可控小车在圆形轨道运行，每隔10°，摄像机拍摄一张图像，智能可控小车游走360°，总共形成36张图像，拍摄形成的相邻图像须有20％～40％的重合部分，最后将36张图像传入计算机，进行处理。
(3)将获得的36张红外热图像进行预处理；具体操作如下：
(3-1)利用小波变换模极大值去噪算法对红外图像进行去噪处理；
(3-2)利用直方图均衡法对去噪后的红外图像进行增强处理。
(4)利用红外图像拼接技术对步骤(3)处理后的图像进行拼接，形成变压器360°红外全景图像；具体操作如下：
(4-1)利用基于区域的配准方法，对相邻的融合图像进行图像对齐与匹配操作；
(4-2)利用加权平滑法对图像重叠部分进行融合与边界平滑。
(5)利用红外图像分割技术对步骤(4)形成的全景图像进行分割，分别分割出变压器导管、变压器主箱体、变压器油枕、变压器散热器，并对各个部分进行标识；具体操作如下：
(5-1)利用最大类间方差法对图像进行分割，分割出变压器导管，并将分割出来的图片标识为变压器导管；
(5-2)利用区域生长法分割出变压器主箱体，通过多次试验确定合适的生长点以及阈值，将分割出来的图片标识为变压器主箱体；
(5-3)利用阈值法分割变压器油枕，将分割出来的图像标识为变压器油枕；
(5-4)利用边缘检测分割出变压器散热器，利用Canny算子作为边缘检测的算子，将分割出来的图像标识为变压器散热器。
(6)对步骤(5)分割出来的变压器导管、变压器主箱体、变压器散热器以及变压器油枕分别进行特征提取，提取出区域温度最大值tpmax、区域温度最小值tpmin、区域温度平均值tpaver、区域温度方差tpvari，背景温度最大值tBmax、背景温度最小值tBmin、背景温度平均值tBaver，区域温度最大差值t1(tpmax-tpmin)、区域与背景相对温差最大值t2(tpmax-tBmin)、区域与背景相对温差最小值t3(tpmin-tBmax)、区域与背景相对温差平均值t4(tpaver-tBaver)；获取当前变压器运行状态下的电压U、电流I、功率S，最终形成特征向量T＝(tpmax,tpmin,tpaver,tpvari,tBmax,tBmin,tBaver,t1,t2,t3,t4,U,I,S)'。
(7)根据变压器历史温度数据、变压器发热机理、环境信息、电气信息建立不同条件下变压器表面温度预测模型；具体操作如下：
(7-1)基于特征的变压器实体建模，利用SolidWorks建立变压器三维实体模型；
(7-2)SolidWorks实体模型与ANSYS进行数据转换，建立有限元模型；
(7-3)施加不同条件下的边界约束条件和载荷处理，最后得出不同条件下的变压器表面温度预测模型。
(8)对不同条件下表面温度预测模型中的变压器导管、变压器主箱体、变压器散热器以及变压器油枕分别进行温度信息提取，其中包括区域温度最大值tpmax、区域温度最小值tpmin、区域温度平均值tpaver、区域温度方差tpvari，背景温度最大值tBmax、背景温度最小值tBmin、背景温度平均值tBaver，区域温度最大差值t1(tpmax-tpmin)、区域与背景相对温差最大值t2(tpmax-tBmin)、区域与背景相对温差最小值t3(tpmin-tBmax)、区域与背景相对温差平均值t4(tpaver-tBaver)；结合相应条件下变压器的电压、电流以及功率值最终形成多组特征向量样本，用于对支持向量机分类器的训练。
(9)建立变压器支持向量机模型；具体操作如下：
(9-1)设定支持向量机分类器核函数，采用径向基核函数；
(9-2)设定错误代价C，设置一个有限的C值，得到软超平面；
(9-3)将步骤(8)得到的多组特征向量作为训练数据对支持向量机分类器进行训练。
(10)将司机获取到的特征向量输入变压器支持向量机模型，利用支持向量机分类器对输入对象进行分类，判定变压器是否存在故障，如果存在故障，则判断属于哪种故障，最终将故障点以及故障类型标注在红外全景视图上。
(11)将变压器360°红外全景视图显示在监控屏幕上，如果有故障则显示故障点以及故障类型，并进行报警。
值得说明的是，图2中①点故障位置为变压器主箱体，故障类型为绕组短路；②点故障位置为变压器主箱体，故障类型为箱体过热。
按照上述实施例，便可很好地实现本发明。值得说明的是，基于上述结构设计的前提下，为解决同样的技术问题，即使在本发明上做出的一些无实质性的改动或润色，所采用的技术方案的实质仍然与本发明一样，故其也应当在本发明的保护范围内。
Claims (8)
1.一种基于360°红外全景视图与支持向量机的特高压变电站变压器故障检测装置，其特征在于，包括圆形轨道(1)，设置于圆形轨道上且可在圆形轨道上移动的智能可控小车(2)，以及设置于智能可控小车上的红外热像仪(3)；所述智能可控小车上设有支架(4)，红外热像仪固定于支架上。
2.根据权利要求1所述的基于360°红外全景视图与支持向量机的特高压变电站变压器故障检测装置，其特征在于，所述圆形轨道铺设于变压器(5)周围，且变压器的中轴线通过圆形轨道的圆心。
3.一种基于360°红外全景视图与支持向量机的特高压变电站变压器故障检测方法，其特征在于，包括以下步骤：
(1)在变压器外部铺设一个圆形轨道，变压器中轴线通过轨道圆心，将红外热像仪设在智能可控小车上，然后将智能可控小车放于圆形轨道上；
(2)调整好红外热像仪的拍摄参数；控制智能可控小车在圆形轨道运行，每隔10°，摄像机拍摄一张图像，智能可控小车游走360°，总共形成36张图像，拍摄形成的相邻图像须有20％～40％的重合部分，最后将36张图像传入计算机，进行处理；
(3)将获得的36张红外热图像进行预处理；
(4)利用红外图像拼接技术对步骤(3)处理后的图像进行拼接，形成变压器360°红外全景图像；
(5)利用红外图像分割技术对步骤(4)形成的全景图像进行分割，分别分割出变压器导管、变压器主箱体、变压器油枕、变压器散热器，并对各个部分进行标识；
(6)对步骤(5)分割出来的变压器导管、变压器主箱体、变压器散热器以及变压器油枕分别进行特征提取，提取出区域温度最大值tpmax、区域温度最小值tpmin、区域温度平均值tpaver、区域温度方差tpvari，背景温度最大值tBmax、背景温度最小值tBmin、背景温度平均值tBaver，区域温度最大差值t1(tpmax-tpmin)、区域与背景相对温差最大值t2(tpmax-tBmin)、区域与背景相对温差最小值t3(tpmin-tBmax)、区域与背景相对温差平均值t4(tpaver-tBaver)；获取当前变压器运行状态下的电压U、电流I、功率S，最终形成特征向量T＝(tpmax,tpmin,tpaver,tpvari,tBmax,tBmin,tBaver,t1,t2,t3,t4,U,I,S)'；
(7)根据变压器历史温度数据、变压器发热机理、环境信息、电气信息建立不同条件下变压器表面温度预测模型；
(8)对不同条件下表面温度预测模型中的变压器导管、变压器主箱体、变压器散热器以及变压器油枕分别进行温度信息提取，其中包括区域温度最大值tpmax、区域温度最小值tpmin、区域温度平均值tpaver、区域温度方差tpvari，背景温度最大值tBmax、背景温度最小值tBmin、背景温度平均值tBaver，区域温度最大差值t1(tpmax-tpmin)、区域与背景相对温差最大值t2(tpmax-tBmin)、区域与背景相对温差最小值t3(tpmin-tBmax)、区域与背景相对温差平均值t4(tpaver-tBaver)；结合相应条件下变压器的电压、电流以及功率值最终形成多组特征向量样本，用于对支持向量机分类器的训练；
(9)建立变压器支持向量机模型；
(10)将司机获取到的特征向量输入变压器支持向量机模型，利用支持向量机分类器对输入对象进行分类，判定变压器是否存在故障，如果存在故障，则判断属于哪种故障，最终将故障点以及故障类型标注在红外全景视图上；
(11)将变压器360°红外全景视图显示在监控屏幕上，如果有故障则显示故障点以及故障类型，并进行报警。
4.根据权利要求3所述的基于360°红外全景视图与支持向量机的特高压变电站变压器故障检测方法，其特征在于，所述步骤(3)操作如下：
(3-1)利用小波变换模极大值去噪算法对红外图像进行去噪处理；
(3-2)利用直方图均衡法对去噪后的红外图像进行增强处理。
5.根据权利要求3所述的基于360°红外全景视图与支持向量机的特高压变电站变压器故障检测方法，其特征在于，所述步骤(4)操作如下：
(4-1)利用基于区域的配准方法，对相邻的融合图像进行图像对齐与匹配操作；
(4-2)利用加权平滑法对图像重叠部分进行融合与边界平滑。
6.根据权利要求3所述的基于360°红外全景视图与支持向量机的特高压变电站变压器故障检测方法，其特征在于，所述步骤(5)操作如下：
(5-1)利用最大类间方差法对图像进行分割，分割出变压器导管，并将分割出来的图片标识为变压器导管；
(5-2)利用区域生长法分割出变压器主箱体，通过多次试验确定合适的生长点以及阈值，将分割出来的图片标识为变压器主箱体；
(5-3)利用阈值法分割变压器油枕，将分割出来的图像标识为变压器油枕；
(5-4)利用边缘检测分割出变压器散热器，利用Canny算子作为边缘检测的算子，将分割出来的图像标识为变压器散热器。
7.根据权利要求3所述的基于360°红外全景视图与支持向量机的特高压变电站变压器故障检测方法，其特征在于，所述步骤(7)操作如下：
(7-1)基于特征的变压器实体建模，利用SolidWorks建立变压器三维实体模型；
(7-2)SolidWorks实体模型与ANSYS进行数据转换，建立有限元模型；
(7-3)施加不同条件下的边界约束条件和载荷处理，最后得出不同条件下的变压器表面温度预测模型。
8.根据权利要求3所述的基于360°红外全景视图与支持向量机的特高压变电站变压器故障检测方法，其特征在于，所述步骤(9)操作如下：
(9-1)设定支持向量机分类器核函数，采用径向基核函数；
(9-2)设定错误代价C，设置一个有限的C值，得到软超平面；
(9-3)将步骤(8)得到的多组特征向量作为训练数据对支持向量机分类器进行训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510698473.8A CN105203210A (zh) | 2015-10-23 | 2015-10-23 | 基于360°红外全景视图与支持向量机的特高压变电站变压器故障检测装置及检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510698473.8A CN105203210A (zh) | 2015-10-23 | 2015-10-23 | 基于360°红外全景视图与支持向量机的特高压变电站变压器故障检测装置及检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105203210A true CN105203210A (zh) | 2015-12-30 |
Family
ID=54951012
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510698473.8A Pending CN105203210A (zh) | 2015-10-23 | 2015-10-23 | 基于360°红外全景视图与支持向量机的特高压变电站变压器故障检测装置及检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105203210A (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105945651A (zh) * | 2016-06-22 | 2016-09-21 | 哈尔滨理工大学 | 球头铣刀精密铣削用的刀具磨损在线检测装置及检测方法 |
| CN106155029A (zh) * | 2016-08-30 | 2016-11-23 | 国网河南省电力公司南阳供电公司 | 一种远程在线的变电站环境监测系统 |
| CN106682083A (zh) * | 2016-11-21 | 2017-05-17 | 云南电网有限责任公司电力科学研究院 | 一种红外全景监测系统及监测方法 |
| CN106840412A (zh) * | 2017-02-10 | 2017-06-13 | 云南电网有限责任公司电力科学研究院 | 一种基于红外全景监测数据的集成系统及方法 |
| CN107220937A (zh) * | 2017-05-25 | 2017-09-29 | 云南电网有限责任公司电力科学研究院 | 一种电气设备检测用红外全景图像处理方法及平台 |
| CN107872642A (zh) * | 2016-09-23 | 2018-04-03 | 河北农业大学 | 培养钵植物根系图像采集系统 |
| CN108225568A (zh) * | 2017-12-26 | 2018-06-29 | 国网河北省电力有限公司衡水供电分公司 | 变压器高压侧套管故障检测方法 |
| CN108846155A (zh) * | 2018-04-27 | 2018-11-20 | 中国中元国际工程有限公司 | 建筑工程电气负荷中心矢量计算方法及变电所设计方法 |
| CN109029731A (zh) * | 2018-05-24 | 2018-12-18 | 河海大学常州校区 | 一种基于多目视觉的电力设备异常监测系统及方法 |
| CN109374526A (zh) * | 2018-10-19 | 2019-02-22 | 江苏盛久变压器有限公司 | 一种变压器的表面检测装置 |
| CN109871660A (zh) * | 2019-03-26 | 2019-06-11 | 国网江苏省电力有限公司扬州供电分公司 | 一种主变压器发热故障的预警方法及故障定位方法 |
| US10346968B2 (en) | 2016-06-24 | 2019-07-09 | Kwok Keung YAU | Machine condition monitoring system using three dimensional thermography |
| CN110443093A (zh) * | 2019-07-31 | 2019-11-12 | 安徽大学 | 一种面向智能化的红外数字全景系统及其仓库管理方法 |
| CN111024234A (zh) * | 2019-11-21 | 2020-04-17 | 贵州电网有限责任公司 | 一种温度监测系统 |
| WO2020117160A1 (en) * | 2018-12-04 | 2020-06-11 | Eae Elektrik Asansor Endustrisi Insaat Sanayi Ve Ticaret Anonim Sirketi | Multi-temperature reading system in electricity distribution lines |
| WO2020124701A1 (zh) * | 2018-12-18 | 2020-06-25 | 深圳码隆科技有限公司 | 一种温度检测方法及装置 |
| CN112053464A (zh) * | 2020-09-15 | 2020-12-08 | 中国铁建重工集团股份有限公司 | 一种掘进机远程故障诊断方法及系统 |
| CN112163484A (zh) * | 2020-09-17 | 2021-01-01 | 湖北省农业机械工程研究设计院 | 冷库围护结构缺陷智能定位装置及方法 |
| CN112432669A (zh) * | 2020-11-27 | 2021-03-02 | 贵州电网有限责任公司 | 一种电力二次设备运行状态移动视频实时监视方法及系统 |
| CN112669262A (zh) * | 2020-12-08 | 2021-04-16 | 上海交通大学 | 一种电机轮轴震动异常检测与预测系统与方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101118189A (zh) * | 2007-09-07 | 2008-02-06 | 西安理工大学 | 基于上下位结构的电站锅炉空预器热点检测装置 |
| US20090040517A1 (en) * | 2007-08-08 | 2009-02-12 | Chemimage Corporation | Raman difference spectra based disease classification |
| CN203722342U (zh) * | 2014-03-03 | 2014-07-16 | 江西省电力设计院 | 一种变电站的巡视系统 |
| CN205066942U (zh) * | 2015-10-23 | 2016-03-02 | 国网山西省电力公司大同供电公司 | 基于360°红外全景视图与支持向量机的特高压变电站变压器故障检测装置 |
-
2015
- 2015-10-23 CN CN201510698473.8A patent/CN105203210A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090040517A1 (en) * | 2007-08-08 | 2009-02-12 | Chemimage Corporation | Raman difference spectra based disease classification |
| CN101118189A (zh) * | 2007-09-07 | 2008-02-06 | 西安理工大学 | 基于上下位结构的电站锅炉空预器热点检测装置 |
| CN203722342U (zh) * | 2014-03-03 | 2014-07-16 | 江西省电力设计院 | 一种变电站的巡视系统 |
| CN205066942U (zh) * | 2015-10-23 | 2016-03-02 | 国网山西省电力公司大同供电公司 | 基于360°红外全景视图与支持向量机的特高压变电站变压器故障检测装置 |
Non-Patent Citations (2)
| Title |
|---|
| 何洪英 等: "基于支持向量机的高压绝缘子污秽等级红外热像检测", 《电力系统自动化》 * |
| 何洪英: "基于红外热像及人工智能的绝缘子污秽等级识别方法研究", 《中国博士学位论文全文数据库(工程科技II辑)》 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105945651A (zh) * | 2016-06-22 | 2016-09-21 | 哈尔滨理工大学 | 球头铣刀精密铣削用的刀具磨损在线检测装置及检测方法 |
| US10346968B2 (en) | 2016-06-24 | 2019-07-09 | Kwok Keung YAU | Machine condition monitoring system using three dimensional thermography |
| CN106155029A (zh) * | 2016-08-30 | 2016-11-23 | 国网河南省电力公司南阳供电公司 | 一种远程在线的变电站环境监测系统 |
| CN107872642A (zh) * | 2016-09-23 | 2018-04-03 | 河北农业大学 | 培养钵植物根系图像采集系统 |
| CN106682083A (zh) * | 2016-11-21 | 2017-05-17 | 云南电网有限责任公司电力科学研究院 | 一种红外全景监测系统及监测方法 |
| CN106840412A (zh) * | 2017-02-10 | 2017-06-13 | 云南电网有限责任公司电力科学研究院 | 一种基于红外全景监测数据的集成系统及方法 |
| CN107220937A (zh) * | 2017-05-25 | 2017-09-29 | 云南电网有限责任公司电力科学研究院 | 一种电气设备检测用红外全景图像处理方法及平台 |
| CN108225568A (zh) * | 2017-12-26 | 2018-06-29 | 国网河北省电力有限公司衡水供电分公司 | 变压器高压侧套管故障检测方法 |
| CN108846155B (zh) * | 2018-04-27 | 2022-06-28 | 中国中元国际工程有限公司 | 建筑工程电气负荷中心矢量计算方法及变电所设计方法 |
| CN108846155A (zh) * | 2018-04-27 | 2018-11-20 | 中国中元国际工程有限公司 | 建筑工程电气负荷中心矢量计算方法及变电所设计方法 |
| CN109029731A (zh) * | 2018-05-24 | 2018-12-18 | 河海大学常州校区 | 一种基于多目视觉的电力设备异常监测系统及方法 |
| CN109374526A (zh) * | 2018-10-19 | 2019-02-22 | 江苏盛久变压器有限公司 | 一种变压器的表面检测装置 |
| WO2020117160A1 (en) * | 2018-12-04 | 2020-06-11 | Eae Elektrik Asansor Endustrisi Insaat Sanayi Ve Ticaret Anonim Sirketi | Multi-temperature reading system in electricity distribution lines |
| WO2020124701A1 (zh) * | 2018-12-18 | 2020-06-25 | 深圳码隆科技有限公司 | 一种温度检测方法及装置 |
| CN109871660A (zh) * | 2019-03-26 | 2019-06-11 | 国网江苏省电力有限公司扬州供电分公司 | 一种主变压器发热故障的预警方法及故障定位方法 |
| CN110443093A (zh) * | 2019-07-31 | 2019-11-12 | 安徽大学 | 一种面向智能化的红外数字全景系统及其仓库管理方法 |
| CN110443093B (zh) * | 2019-07-31 | 2022-07-29 | 安徽大学 | 一种面向智能化的红外数字全景系统及其仓库管理方法 |
| CN111024234A (zh) * | 2019-11-21 | 2020-04-17 | 贵州电网有限责任公司 | 一种温度监测系统 |
| CN112053464A (zh) * | 2020-09-15 | 2020-12-08 | 中国铁建重工集团股份有限公司 | 一种掘进机远程故障诊断方法及系统 |
| CN112163484A (zh) * | 2020-09-17 | 2021-01-01 | 湖北省农业机械工程研究设计院 | 冷库围护结构缺陷智能定位装置及方法 |
| CN112432669A (zh) * | 2020-11-27 | 2021-03-02 | 贵州电网有限责任公司 | 一种电力二次设备运行状态移动视频实时监视方法及系统 |
| CN112669262A (zh) * | 2020-12-08 | 2021-04-16 | 上海交通大学 | 一种电机轮轴震动异常检测与预测系统与方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105203210A (zh) | 基于360°红外全景视图与支持向量机的特高压变电站变压器故障检测装置及检测方法 | |
| CN103208008B (zh) | 基于机器视觉的交通视频监控目标检测快速适应方法 | |
| CN110458839B (zh) | 一种有效的电线电缆监测系统 | |
| CN108957240A (zh) | 电网故障远程定位方法及系统 | |
| CN111259706B (zh) | 一种车辆的车道线压线判断方法和系统 | |
| CN106570863A (zh) | 一种输电线路的检测方法及装置 | |
| CN103136531A (zh) | 一种绝缘子串红外图像自动识别方法 | |
| CN109631776B (zh) | 一种高压输电线路导线结冰厚度自动测量方法 | |
| CN102393961A (zh) | 基于计算机视觉的飞行器输电线路实时检测跟踪方法 | |
| CN104281857B (zh) | 一种基于正交方向投影的绝缘子检测方法 | |
| CN112395972B (zh) | 一种基于无人机图像处理的电力系统绝缘子串识别方法 | |
| CN110536074B (zh) | 一种智能巡检系统、巡检方法 | |
| CN104573713A (zh) | 一种基于图像纹理特征的互感器红外图像识别方法 | |
| Prasad et al. | Review on Machine Vision based Insulator Inspection Systems for Power Distribution System. | |
| CN112669287B (zh) | 基于图像识别的电气设备温度监测方法 | |
| CN109961501A (zh) | 用于建立三维立体模型的方法和装置 | |
| Chen et al. | Environment perception technologies for power transmission line inspection robots | |
| CN203083532U (zh) | 一种检测输电线路安全运行的系统 | |
| CN112329584A (zh) | 基于机器视觉自动识别电网异物的方法及系统、设备 | |
| CN112595936A (zh) | 基于无人机巡检的输电线复合绝缘子智能检测系统 | |
| CN115830450A (zh) | 输电线路树障隐患危害的监测方法及装置 | |
| Lu et al. | Thermal Fault Diagnosis of Electrical Equipment in Substations Based on Image Fusion. | |
| CN113965733A (zh) | 双目视频监控方法、系统、计算机设备及存储介质 | |
| BR112021002143A2 (pt) | método e montagem para detectar objetos sobre instalações | |
| CN105098651A (zh) | 输电线路绝缘子定位方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151230 |