CN107255522B - 一种变压器故障诊断的方法及装置 - Google Patents
一种变压器故障诊断的方法及装置 Download PDFInfo
- Publication number
- CN107255522B CN107255522B CN201710555660.XA CN201710555660A CN107255522B CN 107255522 B CN107255522 B CN 107255522B CN 201710555660 A CN201710555660 A CN 201710555660A CN 107255522 B CN107255522 B CN 107255522B
- Authority
- CN
- China
- Prior art keywords
- image
- transformer
- gray level
- structure feature
- deep structure
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003745 diagnosis Methods 0.000 title description 12
- 238000013021 overheating Methods 0.000 claims abstract description 35
- 238000002405 diagnostic procedure Methods 0.000 claims abstract description 4
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims 1
- 230000008569 process Effects 0.000 description 15
- 239000013598 vector Substances 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 5
- 238000003064 k means clustering Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0096—Radiation pyrometry, e.g. infrared or optical thermometry for measuring wires, electrical contacts or electronic systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiation Pyrometers (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本申请公开了一种变压器故障的诊断方法及装置,该方法包括:获取待诊断变压器的红外图像对应的第一灰度图像,根据该第一灰度图像的像素值判断该待诊断变压器是否存在故障,当存在故障时,获取待诊断变压器中变压器部件的特征图像,特征图像包括灰度图像;并确定特征图像的第一深层结构特征;其中,所述第一深层结构特征反映了变压器部件的外形特征、纹理特征以及故障位置特征;从预先确定的对应关系中,确定与第一深层结构特征相匹配的第二深层结构特征,将确定出的第二深层结构特征所对应的部件名称,确定为过热故障的变压器部件的名称。采用本申请实施例,可以确定出具体故障的变压器部件的名称。
Description
技术领域
本申请涉及变压器故障诊断领域,特别设计一种变压器故障诊断的方法及装置。
背景技术
在电力系统中,变压器是电力系统中的关键设备,因此,需要时刻诊断变压器是否存在过热故障。由于变压器红外图像可以反映变压器的温度,且其具有不受光照、电磁信号干扰等特点,被广泛应用于检测变压器是否存在过热故障的方法中。
现有技术中,一般分别获取多幅出现过热故障的变压器的红外图像,以及,多幅正常工作的变压器的红外图像;并获取多幅出现过热故障的变压器的灰度图像,得到多幅第一灰度图像,以及,获取多幅正常工作的变压器的灰度图像,得到多幅第二灰度图像;分别确定多幅第一灰度图像与多幅第二灰度图像的像素分布特征,得到两种像素分布特征;确定两种分布特征与过热故障变压器与正常工作变压器间的对应关系,基于该对应关系以及待诊断变压器的灰度图像的像素分布特征,确定待诊断变压器是否存在过热故障。
但是,发明人在研究过程中发现,现有技术中只确定出待诊断变压器是否存在故障,当确定出待诊断变压器存在过热故障时,不能确定出存在过热故障的变压器部件的名称。
发明内容
基于此,本申请提出一种变压器故障的诊断方法,用于确定待诊断变压器各变压器部件是否存在过热故障,以及,当存在过热故障时,确定过热故障的变压器部件的名称。
本申请还提供了一种变压器故障诊断的装置,用以保证上述方法在实际中的实现及应用。
为此,本申请提供的技术方案如下:
本申请提供了一种变压器故障的诊断方法,该方法包括:
获取待诊断变压器的红外图像对应的第一灰度图像;
判断所述第一灰度图像中是否存在大于预设阈值的像素值,若不存在,则确定所述待诊断变压器不存在故障;若存在,则根据所述第一灰度图像中大于预设阈值的像素点的分布位置,获取所述待诊断变压器中变压器部件的特征图像;其中,所述特征图像包括灰度图像;
确定所述特征图像的第一深层结构特征;其中,所述第一深层结构特征反映了变压器部件的外形特征、纹理特征以及故障位置等特征;
根据预先确定的对应关系,确定与所述第一深层结构特征相匹配的第二深层结构特征,所述预先确定的对应关系为各种故障变压器部件的名称与第二深层结构特征间的对应关系,所述第二深层结构特征反映了所述故障变压器部件的特征图像的外形特征、纹理特征以及故障位置等特征;
将确定出的第二深层结构特征所对应的部件名称,确定为过热故障的变压器部件的名称。
其中,所述根据所述第一灰度图像中大于预设阈值的像素点的分布位置,获取所述待诊断变压器中多个不同变压器部件的特征图像,包括:
保留所述第一灰度图像中大于预设阈值的像素点的分布位置,得到第二灰度图像;
从所述第二灰度图像中,确定多个目标位置;
与每个所述目标位置在所述第二灰度图像中的位置相同,从所述待诊断变压器的红外图像中,获取以各目标位置为中心点所截取的预设大小的红外图像所对应的特征图像;
将所述截取的预设大小的红外图像所对应的特征图像,确定为所述待诊断变压器中变压器部件的特征图像。
其中,所述从所述第二灰度图像中,确定多个目标位置,包括:
将所述第二灰度图像中满足阈值要求的像素聚集区域确定为一个区域,得到多个区域;
分别将每个所述区域的中心位置确定为目标位置。
其中,从预先确定的对应关系中,确定与所述第一深层结构特征相匹配的第二深层结构特征之前,还包括:
获取各种故障变压器部件的名称与所述第二深层结构特征间的对应关系。
其中,预先确定各种故障变压器部件的名称与所述第二深层结构特征间的对应关系的方式,包括:
获取每种故障变压器部件的多幅红外图像;
针对每种故障变压器部件,分别对多幅红外图像进行处理,得到多幅特征图像;所述特征图像包括灰度图像;
针对每种故障变压器部件,分别根据多幅特征图像确定对应的第二深层结构特征,得到各种故障变压器部件的名称与第二深层结构特征间的对应关系。
其中,所述特征图像还包括:红外图像所对应的亮度图像与饱和度图像中的至少一种。
本申请还提供了一种变压器故障的诊断装置,所述装置包括:
第一获取单元,用于获取待诊断变压器的红外图像对应的第一灰度图像;
判断单元,用于判断所述第一灰度图像中是否存在大于预设阈值的像素值;
第一确定单元,用于当所述判断单元判断出所述第一灰度图像中不存在大于预设阈值的像素值时,确定所述待诊断变压器不存在故障;
第二获取单元,用于当所述判断单元判断出所述第一灰度图像中存在大于预设阈值的像素值时,根据所述第一灰度图像中大于预设阈值的像素点的分布位置,获取所述待诊断变压器中多个不同变压器部件的特征图像;其中,所述特征图像包括灰度图像;
其中,第二获取单元包括:
第一获取子单元,用于保留所述第一灰度图像中大于预设阈值的像素点的分布位置,得到第二灰度图像;
第一确定子单元,用于从所述第二灰度图像中,确定多个目标位置;
其中,第一确定子单元,包括:
第一确定模块,用于将所述第二灰度图像中满足阈值要求的像素聚集区域确定为一个区域,得到多个区域;
第二确定模块,用于分别将每个所述区域的中心位置确定为目标位置。
第二获取子单元,用于与每个所述目标位置在所述第二灰度图像中的位置相同,从所述待诊断变压器的红外图像中,获取以各目标位置为中心点所截取的预设大小的红外图像所对应的特征图像;
第二确定子单元,用于将所述截取的预设大小的红外图像所对应的特征图像,确定为所述待诊断变压器中变压器部件的特征图像。
第二确定单元,用于确定每幅所述特征图像的第一深层结构特征;其中,所述第一深层结构特征反映了变压器部件的外形特征、纹理特征以及故障位置特征;
第三确定单元,用于从预先确定的对应关系中,确定与所述第一深层结构特征相匹配的第二深层结构特征;所述预先确定的对应关系为各种故障变压器部件的名称与第二深层结构特征间的对应关系,所述第二深层结构特征反映了所述故障变压器部件的特征图像的外形特征、纹理特征以及故障位置特征;
第四确定单元,用于将确定出的第二深层结构特征所对应的部件名称,确定为过热故障的变压器部件的名称。
其中,所述装置在执行第三确定单元之前,还包括:
第三获取子单元,用于获取各种故障变压器部件的名称与所述第二深层结构特征间的对应关系。
其中,所述特征图像还可以包括:红外图像所对应的亮度图像与饱和度图像中的至少一种。
与现有技术相比,本申请包括以下优点:
在本申请实施例中,由于红外图像所反映的温度与灰度图像的像素值大小相对应,因此,根据第一灰度图像中的像素值的大小,可以反映待诊断变压器中相应位置的温度,进而,根据第一灰度图像中大于预设阈值的像素点在待诊断变压器中相应位置的温度超高过热故障的温度阈值,因此,第一灰度图像中不存在大于预设阈值的像素点,待诊断变压器不存在过热故障,否则,存在过热故障。接着,基于第一灰度图像中大于预设阈值的像素点,确定待诊断变压器中发生过热故障概率较大的变压器部件的特征图像。基于该变压器部件的特征图像所对应的第一深层结构特征,从预先确定的对应关系中,确定出与所述第一深层结构特征相匹配的第二深层结构特征,根据与第二深层结构特征对应的变压器部件名称,得到过热故障的变压器部件的名称。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1是本申请中一种确定变压器部件的名称与第二深层结构特征间的对应关系的方法实施例的流程图;
图2是本申请中一种变压器故障诊断方法实施例的流程图;
图3是本申请中又一种确定变压器部件的名称与第二深层结构特征间的对应关系的方法实施例的流程图;
图4(a)是本申请中RGB彩色空间模型的示意图;
图4(b)是本申请中HSI色彩空间模型的示意图;
图5是本申请中又一种变压器故障诊断方法实施例的流程图;
图6是本申请中一种变压器故障诊断装置实施例的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做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。
在本申请实施例中,可以首先确定出各故障变压器部件的特征图像与故障变压器部件的名称间的对应关系,其中,参考图1所示,为本申请中确定故障变压器部件的名称与第二深层结构特征间的对应关系的方法实施例的流程图,确定该对应关系的过程可以包括以下步骤:
步骤101:获取每种故障变压器部件的多幅红外图像。
变压器包括多个变压器部件,例如,螺栓、散热器、套管以及出线夹等等。在本步骤中,分别采集每种变压器部件故障时的多幅红外图像。
例如,以螺栓、散热器、套管以及出线夹为例进行介绍,分别采集50000幅故障螺栓的红外图像,50000幅故障散热器的红外图像、50000幅故障套管的红外图像,以及,50000幅故障出线夹的红外图像,需要说明的是,本步骤中所获取的每种故障变压器的红外图像时,可以为不包含整个变压器部件的红外图像,例如,本步骤所采集的50000幅故障螺栓的红外图像中,可以存在非完整螺栓部件的红外图像。
步骤102:针对每种变压器部件,分别对多幅红外图像进行处理,得到多幅特征图像;所述特征图像包括灰度图像。
在得到每种故障变压器部件的多幅红外图像后,针对每种故障变压器部件,对对应的多幅红外图像进行灰度处理得到多幅灰度图像,将多幅灰度图像作为多幅特征图像。
在实际应用中,可以对每种变压器部件对应的多幅灰度图像进行降噪处理,具体的可以采用小波变换的方式,当然,对每种变压器部件对应的多幅灰度图像进行降噪处理不是本实施例所必须执行的动作。
以螺栓、散热器、套管以及出线夹为例,在本步骤中,将故障螺栓对应的50000幅红外图像进行灰度处理,得到故障螺栓对应的50000幅灰度图像,并将该50000幅灰度图像作为故障螺栓的特征图像。同理,分别得到故障散热器、故障套管以及故障出线夹分别对应的50000幅特征图像。
步骤103:针对每种故障变压器部件,分别根据多幅特征图像确定对应的第二深层结构特征,得到各种故障变压器部件的名称与第二深层结构特征间的对应关系。
在获取每种故障变压器工作部件对应多幅特征图像后,在本步骤中,确定每种故障变压器部件对应的多幅特征图像的第二深层结构特征,该第二深层结构特征可以反映多幅特征图像中的外形特征、纹理特征,以及,故障位置等特征。例如,螺栓的多幅特征图像所对应的外形特征与散热器的多幅特征图像所对应的外形特征不同,分别反映各自独有的形状特征。
具体的,获取每种故障变压器部件所对应的多幅特征图像,所对应的第二深层结构特征,可以采用卷积神经网络的方法来获取,例如,具体可以采用GoogLeNet深度学习框架,当然,采用卷积神经网络的方法只是本申请的一种具体实施方式,本实施例不对具体的实施方式做限定。
具体的,采用卷积神经网络的方法确定每种故障变压器部件的多幅特征图像对应的第二深层结构特征的方法可以包括:
以50000幅故障螺栓红外图像所对应的特征图像为例,在本实施例中,特征图像为灰度图像,此时,得到故障螺栓对应的50000幅灰度图像。接着,采用卷积神经网络中的多尺度卷积核,分别提取50000幅灰度图像对应的50000个深层结构特征,其中每个深层结构特征可以作为一个深层结构特征向量,接着,输入全连接网络,对该卷积神经网络进行一次迭代训练,在本步骤中,可以进行50次迭代训练,得到一个标识螺栓特征图像的第二深层结构特征的数值。
按照对故障螺栓的50000幅特征图像进行神经网络的训练,得到标识螺栓特征图像的第二深层结构特征的数值的方法,将所有故障变压器部件特征图像的第二深层结构特征向量与对应的变压器部件名称作为输入,对卷积神经网络进行多次迭代训练,得到各故障变压器的名称与第二深层结构特征间对应关系,即得到一种训练模型,其中,在得到的训练模型中,每种变压器部件所对应的第二深层结构特征可以通过一个数值来标识,具体细节这里不再赘述。此时,得到各种故障变压器部件的名称与标识第二深层结构特征数值间的一一对应关系。
需要说明的是,采用卷积神经网络的方法,只是本实施例提供的一种确定各故障变压器的名称与第二深层结构特征间对应关系的方法,在实际的应用中,还可以采用其他的方式实现,本实施例不对具体的实现方式做限定。
通过本实施例,通过获取各故障变压器部件对应的多幅特征图像,确定各故障变压器部件的多幅特征图像所对应的第二深层结构特征。根据每种故障变压器部件的名称已知,因此,得到各种变压器部件的名称与多个第二深层结构特征间的对应关系,以便,后续利用该对应关系,确定存在过热故障的变压器部件的名称。
在介绍完各变压器部件的名称与第二深层结构特征间的对应关系的过程后,参考图2,示出了本申请中一种变压器故障诊断方法实施例的流程图,本实施例可以包括以下步骤:
步骤201:获取待诊断变压器的红外图像对应的第一灰度图像。
在本步骤中,首先获取待诊断变压器的红外图像,接着,对获取的红外图像进行灰度处理,得到红外图像对应的灰度图像,在本实施例中,将该灰度图像称为第一灰度图像。
步骤202:判断所述第一灰度图像中是否存在大于预设阈值的像素值,若不存在,则执行步骤203;若存在,则执行步骤204。
在得到第一灰度图像后,在本步骤中,判断该第一灰度图像中是否存在大于预设阈值的像素值。由于变压器的红外图像中的各像素值反映的是变压器中相应位置的温度,同时,红外图像的像素值与红外图像所对应的灰度图像的像素值之间存在一种对应关系,即,红外图像中表示一定温度范围的像素值在灰度图像中对应一定灰度范围的像素值。因此,在本实施例中,确定各故障变压器部件的红外图像最低温度在灰度图像中所对应的阈值,将此阈值称为预设阈值,根据该预设阈值,可以确定出第一灰度图像中,是否存在大于预设阈值的像素值,若不存在,表明该待诊断变压器中不存在温度高于故障温度的位置,即该待诊断变压器不存在过热故障;相反,表明该待诊断变压器中存在温度高于故障温度的位置,即该待诊断变压器存在过热故障。
步骤203:确定所述待诊断变压器不存在故障。
在步骤202中,第一灰度图像中不存在大于预设阈值的像素点。因此,本步骤中确定出待诊断变压器不存在故障。
步骤204:根据所述第一灰度图像中大于预设阈值的像素点的位置分布,获取所述待诊断变压器中变压器部件的特征图像;其中,所述特征图像包括灰度图像。
在本步骤中,当第一灰度图像中存在大于预设阈值的像素值时,接着,获取待诊断变压器中较大概率存在过热故障的变压器部件的特征图像,其中,该特征图像为灰度图像。需要说明的是,在本实施例中,所获取的待诊断变压器中较大概率存在过热故障的变压器部件的特征图像时,较大概率存在过热故障的变压器部件可以为一个部件,也可以为多个不同变压器部件。因此,在本步骤中,所获取的较大概率存在过热故障的变压器部件的特征图像可以为一个变压器部件的特征图像,也可以为多个不同变压器部件的特征图像。
具体的,获取待诊断变压器中变压器部件的特征图像的过程,可以包括:
步骤A1:保留所述第一灰度图像中大于预设阈值的像素点,得到第二灰度图像。
在本步骤中,将第一灰度图像中大于预设阈值的像素点保留,其余的像素点的像素值统一确定为0或者255,在实际的应用中,可以设置为其他的像素值,只要与大于预设阈值的像素点区分开即可,本实施例不对具体的区分方式做限定。将第一灰度图像中大于预设阈值的像素点保留后得到一个新的灰度图像,本实施例称为第二灰度图像,该第二灰度图像中被保留的像素点的坐标位置与在第一灰度图像中的坐标位置相同。
步骤A2:将所述第二灰度图像中满足阈值要求的像素聚集区域确定为一个区域,得到多个区域。
在本步骤中,按照像素的相似度,将第二灰度图像中满足阈值要求的像素作为一类,得到多类像素;接着,将每一类像素所形成的区域,确定为第二灰度图像中的一个区域,此时,第二灰度图像得到多个区域。
本步骤从第二灰度图像中得到多个区域的过程,可以采用K-means聚类算法来实现,通过聚类算法将第二灰度图像中满足阈值要求的像素聚为一类,每类像素形成一个区域,从第二灰度图像中得到多个区域。
具体的,采用K-means聚类算法将第二灰度图像分为多个区域的具体步骤可以包括:
步骤B1:在第二灰度图像中确定初始聚类中心。
在本步骤中,在第二灰度图像中确定K个坐标位置作为初始聚类中心,在本步骤中,将K个坐标位置所组成的聚类中心集表示为{I(k)|k=1,2,3...,K},在本实施例中,聚类中心的个数可以选为4,当然可以选为其他数值,本步骤不对聚类中心的数目作具体限定。
步骤B2:将第二灰度图像的各像素,按照最小距离原则分配到最近的聚类中心。
将第二灰度图像的所有像素构成一个数据集,数据集中的每个数据为第二灰度图像中的一个像素值。假设第二灰度图像所对应的数据集为X={xi|,i∈N},其中,N为第二灰度图像的总像素个数,xi为第二灰度图像红的第i个像素值。
在第二灰度图像中,第i个像素值xi,与各初始聚类中心间的距离可以采用以下公式(1)来表示。
在得到第二灰度图像中每个像素值到分别发到各初始聚类中心的距离后,将该像素值与距离最小值所对应的聚类中心归为一类。按照此方法,将第二灰度图像中的每个像素都分配到与该像素距离最近的聚类中心,得到多个图像区域。
步骤B3:更新第二灰度图像中的初始聚类中心,得到更新后的聚类中心。
对于任意一个初始聚类中心,将第二灰度图像中分配到该初始聚类中心的像素的坐标平均值作为新的聚类中心,将得到的新聚类中心更新对应的初始聚类中心。按照此方法,更新步骤B1中的K个初始聚类中心。
步骤B4:重复步骤B2与步骤B3,得到多个图像区域。
在得到更新后的K个聚类中心后,重复步骤B2与步骤B3,直到聚类准则函数达到预设值,或者,到达一定的迭代次数,或者,每个聚类中心收敛至一个固定值。其中,聚类准则函数可以采用以下公式(2)所示的公式。
其中,X为聚类子集,包括X1,X2X3,...,XK,各聚类子集所包括的样本数量分别为n1,n2,…,nq,各聚类子集的聚类中心分别为m1,m2,…,mK。
在本步骤中所得到的多个图像区域中,每个图像区域的像素值相似度相同,因此,每个图像区域对应一个变压器部件。
需要说明的是,在本步骤中,采用K-means聚类算法,将第二灰度图像划分为多个区域,只是本实施例所提供的一种将第二灰度图像划分为多个区域的方法,在实际应用中,还可以采用其他的方式来实现,本实施例不对具体的实现方式作限定。
步骤A3:从所述第二灰度图像中,确定多个目标位置。
将步骤A2中确定出的多个聚类中心确定为多个目标位置,在实际的应用中,一般确定的聚类中心的数量为4个。
步骤A4:与每个所述目标位置在所述第二灰度图像中的位置相同,从所述待诊断变压器的红外图像中,获取以各目标位置为中心点所截取的预设大小的红外图像所对应的特征图像。
在第二灰度图像中,确定出多个目标位置后,按照各目标位置在第二灰度图像中的坐标位置,按照该相同的坐标位置,从待诊断变压器的红外图像中,确定出多个目标位置。接着,以每个目标位置为中心,截取预设大小的红外图像。在实际的应用中,可以截取200*200像素大小的红外图像。
在获取多个目标位置对应的多个预设大小的红外图像后,接着,获得每个红外图像的特征图像,本实施例中的特征图像为灰度图像。
步骤A5:将所述截取的预设大小的红外图像所对应的特征图像,确定为所述待诊断变压器中变压器部件的特征图像。
在得到各截去的预设大小的红外图像的特征图像后,将各特征图像确定为待诊断变压器中变压器部件的特征图像。
步骤205:确定每幅所述特征图像的第一深层结构特征。
在本步骤中,针对截取的每种变压器部件的特征图像,确定每幅特征图像的第一深层结构特征,该第一深层结构特征可以反映变压器部件的外形特征、纹理特征,以及,故障位置等特征,在实际的应用中,具体确定各特征图像对应的第一深层结构特征的方法,可以参考图1的实施例中通过卷积神经网络的方法确定第二深层结构特征的步骤,这里不在赘述,每幅特征图像的第一深层结构特征与一个数值相对应。
步骤206:从预先确定的对应关系中,确定与所述第一深层结构特征相匹配的第二深层结构特征。
接着,根据图1所对应的实施例中得到的各故障变压器部件的名称与第二深层结构特征间的对应关系,确定出与第一深层结构特征相匹配的第二深层结构特征。在本步骤中,确定与第一深层结构特征相匹配的第二深层结构特征的过程,可以在标识各第二深层结构特征的数值中,寻找与标识第一深层结构特征的数值相比较误差最小的结果。
步骤207:将确定出的第二深层结构特征所对应的部件名称,确定为过热故障的变压器部件的名称。
接着,将所寻找到的数值,在对应关系中所对应的故障变压器故障的名称,确定为过热故障的变压器部件的名称。
通所本实施例,根据待诊断变压器对应的第一灰度图像,确定该待诊断变压器是否存在过热故障,当存在过热故障时,获取待诊断变压器中变压器部件的特征图像,并根据该特征图像所对应的第一深层结构特征,参考图1所示的对应关系中,确定与每种变压器部件对应的第一深层结构特征相匹配的第二深层结构特征,进而确定出获取的特征图像所对应的变压器部件的名称,进而,确定出引起该待诊断变压器过热故障的变压器部件的名称。
参考图3,示出了本申请又一种确定故障变压器部件的名称与第二深层结构特征间的对应关系的方法流程图,确定该对应关系的过程可以包括以下步骤:
步骤301:获取每种故障变压器部件的多幅红外图像。
本步骤的具体实施例方式,与图1所示的确定变压器部件的名称与第二深层结构特征间的对应关系方法中的步骤101的具体操作相同,这里不再赘述,请参考步骤101。
步骤302:针对每种变压器部件,分别对多幅红外图像进行处理,得到多幅特征图像;所述特征图像包括除灰度图像外,还包括亮度图像与饱和度图像中的至少一种。
在本步骤中,针对每种故障变压器部件,分别对多幅红外图像进行灰度处理、色彩空间变换(Hue Saturation Intensity,HSI),得到多幅特征图像,此时的特征图像为除包括灰度图像外,还可以包括亮度图像与饱和度图像中的至少一种。
其中,以对一幅红外图像进行HSI空间变换为例,介绍得到该红外图像对应的亮度图像以及饱和度图像的过程。
将红外图像进行HSI空间变换的过程如图4所示,其中,图4(a)为RGB彩色空间模型的示意图,图4(b)为HSI色彩空间模型的示意图。对红外图像进行HSI空间变换的过程就是将图4(a)的笛卡尔直角坐标系的单位立方体,转换为图4(b)对应的圆柱极坐标的双锥体。
红外图像是一个RGB图像,具体的,采用数学运算的方式计算红外图像对应的亮度图像以及饱和度图像,可以采用公式(3)与公式(4)的计算方式。
其中,S表示饱和度图像,R表示红外图像中的R分量对应的图像,G表示红外图像中的G分量对应的图像,B表示红外图像中的B分量对应的图像。采用公式(3)的计算方式可以得到红外图像对应的饱和度图像。
其中,I表示红外图像对应的亮度图像,R表示红外图像中的R分量对应的图像,G表示红外图像中的G分量对应的图像,B表示红外图像中的B分量对应的图像。
步骤303:针对每种故障变压器部件,分别根据多幅特征图像确定对应的第二深层结构特征,得到各种故障变压器部件的名称与第二深层结构特征间的对应关系。
本步骤的实现过程与图1所示的确定对应关系的方法中的步骤103的实现方式思路相同,不同的是,本步骤中的特征图像为除灰度图像外,还包括亮度图像与饱和度图像中的至少一种,即至少两种特征图像,本步骤中确定灰度图像、亮度图像以及饱和度图像中的至少两种图像,以特征图像为灰度图像、亮度图像以及饱和度图像这三种图像为例来进行介绍,所对应的第二深层结构特征的过程可以为:可以首先分别确定三种特征图像对应的第二深层结构特征向量,得到三个深层结构特征向量;然后,将三个特征向量拼接在一起,得到每种变压器部件所对应的一个深层结构特征向量;最后,将每种变压器部件所对应的深层结构特征向量输入全连接网络进行迭代训练,得到一个训练模型,具体训练细节,可以按照图1对应实施例中确定对应关系方法进行操作,这里不再赘述。
通过本实施例,在确定各故障变压器部件的名称与第二深层结构特征间的对应关系时,特征图像采用的红外图像所对应的除包括灰度图像外,还可以包括亮度图像与饱和度图像中的至少一种,其中,亮度图像和饱和度图像反映红外图像的色彩信息,因此,根据本实施例的特征图像确定出的,各故障变压器部件的名称与第二深层结构特征间的对应关系的准确性更高。
在介绍完本申请中又一种各故障变压器部件的名称与第二深层结构特征间的对应关系的过程后,参考图5,示出了本申请中又一种变压器故障诊断方法实施例的流程图,本实施例可以包括以下步骤:
步骤501:获取待诊断变压器的红外图像对应的第一灰度图像。
本步骤的具体实现方式与步骤201相同,具体实现可以参考步骤201,这里不再赘述。
步骤502:判断所述第一灰度图像中是否存在大于预设阈值的像素值,若不存在,则执行步骤503;若存在,则执行步骤504。
在本步骤中,确定待诊断变压器是否存在故障的过程,与步骤202相同,这里不再赘述。
步骤503:确定所述待诊断变压器不存在故障。
具体过程可以参考步骤203,这里不在赘述。
步骤504:根据所述第一灰度图像中大于预设阈值的像素点,获取所述待诊断变压器中多个不同变压器部件的特征图像;其中,所述特征图像除包括灰度图像外,还包括亮度图像与饱和度图像中的至少一种。
在获取待诊断变压器中多个不同变压器部件的特征图像的过程中,对待诊断变压器的多个变压器部件对应的红外图像进行灰度处理、HSI色彩空间转化,得到除包括灰度图像外,还可以包括亮度图像与饱和度图像中的至少一种图像作为红外图像的特征图像。
需要说明的是,本步骤中的多个变压器部件的红外图像所对应特征图像具体是,灰度图像、亮度图像以及饱和度图像中的哪几种,需要与图3所示的确定又一种对应关系中的特征图像所包括的图像种类相同。
步骤505:确定所述特征图像的第一深层结构特征。
在本步骤中,提取出的每种变压器部件对应的特征图像至少有两种,接着,分别确定该至少两种特征图像的第一深层结构特征向量,得到至少两个深层结构特征向量,将该至少两个深层结构特征向量进行拼接,得到一个拼接后的第一深层结构特征向量,进而得到特征图像对应的第一深层结构特征。具体的,确定特征图像对应的第一深层结构向量的过程与步骤205的实施方式相同,这里不在赘述。
步骤506:从预先确定的对应关系中,确定与所述第一深层结构特征相匹配的第二深层结构特征。
本步骤的具体实现方式与步骤206相同,具体可以参考步骤206,这里不再赘述。
步骤507:将确定出的第二深层结构特征所对应的部件名称,确定为过热故障的变压器部件的名称。本步骤的具体实现方式与步骤205相同,具体可以参考步骤207,这里不再赘述。
通过本实施,各变压器部件所对应的特征图像除了包括灰度图像外,还包括亮度图像与饱和度图像中的至少一种,基于图3所确定的准确性更高的各变压器部件的名称与第二深层结构特征间的对应关系,本实施例确定出的过热故障的变压器部件的名称更准确。
参考图6,示出了本申请中一种变压器故障诊断的装置实施例的结构框图,该装置可以包括:
第一获取单元601,用于获取待诊断变压器的红外图像对应的第一灰度图像;
判断单元602,用于判断所述第一灰度图像中是否存在大于预设阈值的像素值;
第一确定单元603,用于当所述判断单元判断出所述第一灰度图像中不存在大于预设阈值的像素值时,确定所述待诊断变压器不存在故障;
第二获取单元604,用于当所述判断单元判断出所述第一灰度图像中存在大于预设阈值的像素值时,根据所述第一灰度图像中大于预设阈值的像素点的分布位置,获取所述待诊断变压器中多个不同变压器部件的特征图像;其中,所述特征图像包括灰度图像;
其中,第二获取单元604可以包括:
第一获取子单元,用于保留所述第一灰度图像中大于预设阈值的像素点的分布位置,得到第二灰度图像;
第一确定子单元,用于从所述第二灰度图像中,确定多个目标位置;
其中,第一确定子单元,可以包括:
第一确定模块,用于将所述第二灰度图像中满足阈值要求的像素聚集区域确定为一个区域,得到多个区域;
第二确定模块,用于分别将每个所述区域的中心位置确定为目标位置。
第二获取子单元,用于与每个所述目标位置在所述第二灰度图像中的位置相同,从所述待诊断变压器的红外图像中,获取以各目标位置为中心点所截取的预设大小的红外图像所对应的特征图像;
第二确定子单元,用于将所述截取的预设大小的红外图像所对应的特征图像,确定为所述待诊断变压器中变压器部件的特征图像。
第二确定单元605,用于确定每幅所述特征图像的第一深层结构特征;其中,所述第一深层结构特征反映了变压器部件的外形特征、纹理特征以及故障位置等特征;
第三确定单元606,用于从预先确定的对应关系中,确定与所述第一深层结构特征相匹配的第二深层结构特征;所述预先确定的对应关系为各种故障变压器部件的名称与第二深层结构特征间的对应关系,所述第二深层结构特征反映了所述故障变压器部件的特征图像的外形特征、纹理特征以及故障位置等特征;
第四确定单元607,用于将确定出的第二深层结构特征所对应的部件名称,确定为过热故障的变压器部件的名称。
其中,所述装置在执行第三确定单元606之前,还可以包括:
第三获取子单元,用于获取各种故障变压器部件的名称与所述第二深层结构特征间的对应关系。
其中,所述特征图像还可以包括:红外图像所对应的亮度图像与饱和度图像中的至少一种。
通所本实施例,根据待诊断变压器对应的第一灰度图像,确定该待诊断变压器是否存在过热故障,当存在过热故障时,获取待诊断变压器中变压器部件的特征图像,并根据该特征图像所对应的第一深层结构特征,参考图1所示的对应关系中,确定与每种变压器部件对应的第一深层结构特征相匹配的第二深层结构特征,进而确定出获取的特征图像所对应的变压器部件的名称,进而,确定出引起该待诊断变压器过热故障的变压器部件的名称。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种变压器故障的诊断方法,其特征在于,所述方法包括:
获取待诊断变压器的红外图像对应的第一灰度图像;
判断所述第一灰度图像中是否存在大于预设阈值的像素值,若不存在,则确定所述待诊断变压器不存在故障;若存在,则根据所述第一灰度图像中大于预设阈值的像素点的分布位置,获取所述待诊断变压器中变压器部件的特征图像;其中,所述特征图像包括灰度图像;
确定所述特征图像的第一深层结构特征;其中,所述第一深层结构特征反映了变压器部件的外形特征、纹理特征以及故障位置等特征;
根据预先确定的对应关系,确定与所述第一深层结构特征相匹配的第二深层结构特征,所述预先确定的对应关系为各种故障变压器部件的名称与第二深层结构特征间的对应关系,所述第二深层结构特征反映了所述故障变压器部件的特征图像的外形特征、纹理特征以及故障位置等特征;
将确定出的第二深层结构特征所对应的部件名称,确定为过热故障的变压器部件的名称;
所述根据所述第一灰度图像中大于预设阈值的像素点的分布位置,获取所述待诊断变压器中多个不同变压器部件的特征图像,包括:
保留所述第一灰度图像中大于预设阈值的像素点的分布位置,得到第二灰度图像;
从所述第二灰度图像中,确定多个目标位置;
与每个所述目标位置在所述第二灰度图像中的位置相同,从所述待诊断变压器的红外图像中,获取以各目标位置为中心点所截取的预设大小的红外图像所对应的特征图像;
将所述截取的预设大小的红外图像所对应的特征图像,确定为所述待诊断变压器中变压器部件的特征图像。
2.根据权利要求1所述的方法,其特征在于,所述从所述第二灰度图像中,确定多个目标位置,包括:
将所述第二灰度图像中满足阈值要求的像素聚集区域确定为一个区域,得到多个区域;
分别将每个所述区域的中心位置确定为目标位置。
3.根据权利要求1所述的方法,其特征在于,从预先确定的对应关系中,确定与所述第一深层结构特征相匹配的第二深层结构特征之前,还包括:
获取各种故障变压器部件的名称与所述第二深层结构特征间的对应关系。
4.根据权利要求1所述的方法,其特征在于,预先确定各种故障变压器部件的名称与所述第二深层结构特征间的对应关系的方式,包括:
获取每种故障变压器部件的多幅红外图像;
针对每种故障变压器部件,分别对多幅红外图像进行处理,得到多幅特征图像;所述特征图像包括灰度图像;
针对每种故障变压器部件,分别根据多幅特征图像确定对应的第二深层结构特征,得到各种故障变压器部件的名称与第二深层结构特征间的对应关系。
5.根据权利要求1~4任意一项所述的方法,其特征在于,所述特征图像还包括:红外图像所对应的亮度图像与饱和度图像中的至少一种。
6.一种变压器故障的诊断装置,其特征在于,所述装置包括:
第一获取单元,用于获取待诊断变压器的红外图像对应的第一灰度图像;
判断单元,用于判断所述第一灰度图像中是否存在大于预设阈值的像素值;
第一确定单元,用于当所述判断单元判断出所述第一灰度图像中不存在大于预设阈值的像素值时,确定所述待诊断变压器不存在故障;
第二获取单元,用于当所述判断单元判断出所述第一灰度图像中存在大于预设阈值的像素值时,根据所述第一灰度图像中大于预设阈值的像素点的分布位置,获取所述待诊断变压器中多个不同变压器部件的特征图像;其中,所述特征图像包括灰度图像;
第二确定单元,用于确定每幅所述特征图像的第一深层结构特征;其中,所述第一深层结构特征反映了变压器部件的外形特征、纹理特征以及故障位置特征;
第三确定单元,用于从预先确定的对应关系中,确定与所述第一深层结构特征相匹配的第二深层结构特征;所述预先确定的对应关系为各种故障变压器部件的名称与第二深层结构特征间的对应关系,所述第二深层结构特征反映了所述故障变压器部件的特征图像的外形特征、纹理特征以及故障位置特征;
第四确定单元,用于将确定出的第二深层结构特征所对应的部件名称,确定为过热故障的变压器部件的名称。
7.根据权利要求6所述的装置,其特征在于,所述第二获取单元,包括:
第一获取子单元,用于保留所述第一灰度图像中大于预设阈值的像素点的分布位置,得到第二灰度图像;
第一确定子单元,用于从所述第二灰度图像中,确定多个目标位置;
第二获取子单元,用于与每个所述目标位置在所述第二灰度图像中的位置相同,从所述待诊断变压器的红外图像中,获取以各目标位置为中心点所截取的预设大小的红外图像所对应的特征图像;
第二确定子单元,用于将所述截取的预设大小的红外图像所对应的特征图像,确定为所述待诊断变压器中变压器部件的特征图像。
8.根据权利要求7所述的装置,其特征在于,所述第一确定子单元包括:
第一确定模块,用于将第二灰度图像中满足阈值要求的像素聚集区域确定为一个区域,得到多个区域;
第二确定模块,用于分别将每个所述区域的中心位置确定为目标位置。
9.根据权利要求6~8任意一项所述的装置,其特征在于,所述特征图像还包括:
红外图像所对应的亮度图像与饱和度图像中的至少一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710555660.XA CN107255522B (zh) | 2017-07-10 | 2017-07-10 | 一种变压器故障诊断的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710555660.XA CN107255522B (zh) | 2017-07-10 | 2017-07-10 | 一种变压器故障诊断的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107255522A CN107255522A (zh) | 2017-10-17 |
CN107255522B true CN107255522B (zh) | 2019-04-23 |
Family
ID=60024831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710555660.XA Active CN107255522B (zh) | 2017-07-10 | 2017-07-10 | 一种变压器故障诊断的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107255522B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107907217A (zh) * | 2017-11-11 | 2018-04-13 | 成都市龙泉星源机械厂 | 一种新型焊机变压器故障在线监测系统及监测方法 |
CN108038847A (zh) * | 2017-12-05 | 2018-05-15 | 国网内蒙古东部电力有限公司 | 基于深度学习的变压器巡检图像智能识别和故障检测系统 |
CN108680259B (zh) * | 2018-05-08 | 2020-06-23 | 温州凯唐电子科技有限公司 | 一种变压器故障诊断的装置 |
CN109829916A (zh) * | 2019-03-04 | 2019-05-31 | 国网内蒙古东部电力有限公司 | 一种基于cnn的变压器故障诊断方法 |
CN111738040A (zh) * | 2019-06-25 | 2020-10-02 | 北京京东尚科信息技术有限公司 | 一种减速带识别方法及系统 |
CN110428400B (zh) * | 2019-07-09 | 2021-08-27 | 北京百分点科技集团股份有限公司 | 一种设备故障的定位方法、装置、设备及存储介质 |
CN110715736B (zh) * | 2019-07-19 | 2020-12-29 | 广东电网有限责任公司 | 一种电缆终端异常发热缺陷等级划分方法 |
CN110728257B (zh) * | 2019-10-22 | 2023-07-07 | 中国计量大学 | 基于振动灰度图像的变压器绕组故障监测方法 |
CN116310734B (zh) * | 2023-04-25 | 2023-12-15 | 慧铁科技股份有限公司 | 基于深度学习的铁路货车走行部的故障检测方法及系统 |
CN116977907A (zh) * | 2023-06-25 | 2023-10-31 | 国网山东省电力公司金乡县供电公司 | 基于图像识别的电力巡检故障诊断方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819239B (zh) * | 2010-04-06 | 2012-05-02 | 嘉兴学院 | 基于三维温度场快速构建的变压器故障诊断系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03257381A (ja) * | 1990-03-08 | 1991-11-15 | Ngk Insulators Ltd | 高圧送電線故障点標定方法及び装置 |
CN103278244B (zh) * | 2013-05-15 | 2016-04-20 | 杭州盈电科技有限公司 | 变压器过热故障的监测方法及其监测系统 |
CN103630244B (zh) * | 2013-12-18 | 2016-03-09 | 重庆大学 | 电力系统设备故障诊断方法及系统 |
-
2017
- 2017-07-10 CN CN201710555660.XA patent/CN107255522B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819239B (zh) * | 2010-04-06 | 2012-05-02 | 嘉兴学院 | 基于三维温度场快速构建的变压器故障诊断系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107255522A (zh) | 2017-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107255522B (zh) | 一种变压器故障诊断的方法及装置 | |
US10430707B2 (en) | Information processing device | |
CN109492582B (zh) | 一种基于算法对抗性攻击的图像识别攻击方法 | |
JP7051267B2 (ja) | 画像検出方法、装置、電子設備、記憶媒体、及びプログラム | |
CN102341813B (zh) | 匹配图像的系统和方法 | |
JP7359802B2 (ja) | 自動運転における機能テスト方法に基づくセマンティックな敵対的生成 | |
Mohabey et al. | Rough set theory based segmentation of color images | |
Gragnaniello et al. | Perceptual quality-preserving black-box attack against deep learning image classifiers | |
CN110768971B (zh) | 适用于人工智能系统的对抗样本快速预警方法及系统 | |
CN113370217B (zh) | 基于深度学习的物体姿态识别和抓取的智能机器人的方法 | |
JP6860079B2 (ja) | 異常検知装置、異常検知方法、及びプログラム | |
JP2021093117A (ja) | 連帯的な検出と記述システムおよび方法 | |
CN113034332A (zh) | 不可见水印图像、后门攻击模型构建、分类方法及系统 | |
CN115774014A (zh) | 一种基于视觉与超声的焊缝缺陷检测系统及检测方法 | |
Lennon et al. | Patch attack invariance: How sensitive are patch attacks to 3d pose? | |
CN110378407A (zh) | 基于纹理参数和神经网络的电力设备图像识别方法和装置 | |
CN116205835A (zh) | 电路板瑕疵检测方法、装置及电子设备 | |
CN110135428A (zh) | 图像分割处理方法和装置 | |
CN116503398B (zh) | 绝缘子污闪检测方法、装置、电子设备及存储介质 | |
CN110738170A (zh) | 一种用于电表终端故障识别的图像识别方法 | |
CN113487675B (zh) | 一种不完整棋盘格合作图标快速特征点检测方法 | |
KR102405168B1 (ko) | 데이터 셋 생성 방법 및 장치, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램 | |
CN114881103A (zh) | 一种基于通用扰动贴纸的对抗样本检测方法及装置 | |
EP3076370B1 (en) | Method and system for selecting optimum values for parameter set for disparity calculation | |
CN114638356A (zh) | 一种静态权重引导的深度神经网络后门检测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |