CN109490280B - 基于激光诱导击穿光谱技术的绝缘子金具腐蚀检测方法 - Google Patents

基于激光诱导击穿光谱技术的绝缘子金具腐蚀检测方法 Download PDF

Info

Publication number
CN109490280B
CN109490280B CN201811573081.9A CN201811573081A CN109490280B CN 109490280 B CN109490280 B CN 109490280B CN 201811573081 A CN201811573081 A CN 201811573081A CN 109490280 B CN109490280 B CN 109490280B
Authority
CN
China
Prior art keywords
insulator
corrosion
fitting
data
hardware
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
Application number
CN201811573081.9A
Other languages
English (en)
Other versions
CN109490280A (zh
Inventor
张血琴
高润明
郭裕钧
吴广宁
刘凯
李院生
石超群
康永强
张广全
刘毅杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN201811573081.9A priority Critical patent/CN109490280B/zh
Publication of CN109490280A publication Critical patent/CN109490280A/zh
Application granted granted Critical
Publication of CN109490280B publication Critical patent/CN109490280B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
    • G01N21/718—Laser microanalysis, i.e. with formation of sample plasma

Landscapes

  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Plasma & Fusion (AREA)
  • Optics & Photonics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明公开了一种基于激光诱导击穿光谱技术的绝缘子金具腐蚀检测方法，其包括以下步骤：S1、获取不同腐蚀程度绝缘子金具的等离子体光谱数据；S2、对等离子体光谱数据进行预处理；S3、获取绝缘子金具与其腐蚀程度对应关系的评估模型；S4、获取待检测绝缘子金具的等离子体光谱并进行预处理；S5、将预处理后的待检测绝缘子金具的等离子体光谱数据作为绝缘子金具与其腐蚀程度对应关系的评估模型的输入数据，得到待检测绝缘子金具的腐蚀程度，完成绝缘子金具的腐蚀检测。该方法实现了对绝缘子端部金具腐蚀问题快速、准确、非接触的检测，相对于传统检测方法，实现了在线检测，检测流程简单，结果可靠，大大简化了检测过程。

Description

基于激光诱导击穿光谱技术的绝缘子金具腐蚀检测方法
技术领域
本发明涉及绝缘子金具的腐蚀检测方法，具体涉及一种基于激光诱导击穿光谱技术的绝缘子金具腐蚀检测方法。
背景技术
输电线路绝缘子金具位于绝缘子两端，在输电线中，绝缘子金具起着连接和固定裸导线、导体及绝缘子，传递机械载荷、电气负荷的重要作用。绝缘子金具表面有一层致密的镀锌层，可以保护金具内部金属部分不被腐蚀。金具一般承受较大拉力，在拉力作用下，增大了镀锌层表面的破坏程度，使表面产生的裂纹扩展且增多，表面破坏程度变大，腐蚀介质更容易进入镀锌层，金属将比静止状态更容易腐蚀；当冰、风等附加载荷引起输电线路风偏、振动时，将带动金具之间相互接触部位的轻微摩擦和碰撞，在腐蚀环境下引起微动腐蚀；表面镀锌层由于雨水对基体的腐蚀效应导致磨损速度加快，同时磨损产生的缺陷也使得腐蚀速度加快，腐蚀和磨损协同作用，极大地增加了接触构件间的机械和化学损伤，加剧了腐蚀速度；此外，长期运行在酸性或碱性环境下是导致绝缘子金具腐蚀的另一个不可忽略的因素。
金具表面的防腐镀层在复杂的环境下会加快腐蚀。绝缘子端部金具的腐蚀过程中，其表面和内部会缓慢的发生元素含量的变化，表层通常是镀锌层含量的变化，而内部金具则会在臭氧、酸、碱等化合物下发生化学反应，组成金具的金属含量也会有发生变化。金具的腐蚀失效，将造成连接线路断开或掉落，严重的引起停电跳闸的重大事故。人们对绝缘子端部金具腐蚀程度的检测方法还缺乏进一步深入的研究。目前实验室使用化学分析的方法对绝缘子金具腐蚀程度进行量化测量，现场由检修人员停电登杆对绝缘子金具进行人工检测，金具检修需高空停电作业，没有专业检测方法。因此，有必要找到一种方法能够快速检测得到绝缘子金具腐蚀程度，预防腐蚀金具给电力系统带来损失。
发明内容
针对现有技术中的上述不足，本发明提供的基于激光诱导击穿光谱技术的绝缘子金具腐蚀检测方法解决了现有绝缘子金具腐蚀程度检测效率低的问题。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种基于激光诱导击穿光谱技术的绝缘子金具腐蚀检测方法，其包括以下步骤：
S1、通过激光诱导击穿光谱系统轰击已知腐蚀程度的绝缘子金具样品，获取不同腐蚀程度绝缘子金具的等离子体光谱数据；
S2、对获取的等离子体光谱数据进行预处理，得到预处理后的数据；
S3、将预处理后的数据和对应的腐蚀程度作为训练神经网络的样本，得到绝缘子金具与其腐蚀程度对应关系的评估模型；
S4、采用与步骤S1相同的方法获取待检测绝缘子金具的等离子体光谱，并采用与步骤S2相同的方法对待检测绝缘子金具的等离子体光谱进行预处理；
S5、将预处理后的待检测绝缘子金具的等离子体光谱数据作为绝缘子金具与其腐蚀程度对应关系的评估模型的输入数据，得到待检测绝缘子金具的腐蚀程度，完成绝缘子金具的腐蚀检测。
进一步地，步骤S1的具体方法为：
通过激光诱导击穿光谱系统采用M个不同光谱强度对N种已知腐蚀程度的绝缘子金具进行轰击，得到维度为N×M的等离子体光谱数据。
进一步地，步骤S2的具体方法包括以下子步骤：
S2-1、根据公式
Figure BDA0001916015550000031
获取每个绝缘子金具样品等离子体光谱数据中第i列数据Xi和第j列数据Xj之间的相关程度ρij，并将相关程度大于0.8的数据作为该等离子体光谱数据的特征向量，进而得到每个绝缘子金具样品对应的特征向量；其中Cov(·)为协方差函数；D(·)为方差函数；
S2-2、在特征向量中加入对应的轰击次数、环境变量、激光能量和等离子体温度，形成新的特征向量；
S2-3、对新的特征向量进行归一化处理，得到预处理后的数据，其中归一化范围为[-1，1]。
进一步地，步骤S3的具体方法包括以下子步骤：
S3-1、构建神经网络评估模型；
S3-2、将预处理后的数据作为样本输入神经网络评估模型进行预测，获取样本腐蚀程度预测结果；
S3-3、根据样本腐蚀程度预测结果与原本腐蚀程度获取神经网络评估模型的评估误差；
S3-4、判断评估误差是否在阈值范围内，若是则将得到的神经网络评估模型作为绝缘子金具与其腐蚀程度对应关系的评估模型，否则返回步骤S3-1。
本发明的有益效果为：本发明利用激光诱导击穿光谱技术获得样品等离子体光谱，对数据预处理后加入衍生特征变量，特别地考虑了环境变量及激光测量参数等对检测结果的影响，通过建立等离子体光谱衍生特征向量与绝缘子端部金具腐蚀程度之间的非线性映射关系，最终得到绝缘子金具的腐蚀程度。本方法实现了对绝缘子端部金具腐蚀问题快速、准确、非接触的检测，相对于传统检测方法，实现了在线检测，检测流程简单，结果可靠，大大简化了检测过程。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，该基于激光诱导击穿光谱技术的绝缘子金具腐蚀检测方法包括以下步骤：
S1、通过激光诱导击穿光谱系统轰击已知腐蚀程度的绝缘子金具样品，获取不同腐蚀程度绝缘子金具的等离子体光谱数据；
S2、对获取的等离子体光谱数据进行预处理，得到预处理后的数据；
S3、将预处理后的数据和对应的腐蚀程度作为训练神经网络的样本，得到绝缘子金具与其腐蚀程度对应关系的评估模型；
S4、采用与步骤S1相同的方法获取待检测绝缘子金具的等离子体光谱，并采用与步骤S2相同的方法对待检测绝缘子金具的等离子体光谱进行预处理；
S5、将预处理后的待检测绝缘子金具的等离子体光谱数据作为绝缘子金具与其腐蚀程度对应关系的评估模型的输入数据，得到待检测绝缘子金具的腐蚀程度，完成绝缘子金具的腐蚀检测。
步骤S1的具体方法为：
通过激光诱导击穿光谱系统采用M个不同光谱强度对N种已知腐蚀程度的绝缘子金具进行轰击，得到维度为N×M的等离子体光谱数据。
步骤S2的具体方法包括以下子步骤：
S2-1、根据公式
Figure BDA0001916015550000051
获取每个绝缘子金具样品等离子体光谱数据中第i列数据Xi和第j列数据Xj之间的相关程度ρij，并将相关程度大于0.8的数据作为该等离子体光谱数据的特征向量，进而得到每个绝缘子金具样品对应的特征向量；其中Cov(·)为协方差函数；D(·)为方差函数；
S2-2、在特征向量中加入对应的轰击次数、环境变量、激光能量和等离子体温度，形成新的特征向量；
S2-3、对新的特征向量进行归一化处理，得到预处理后的数据，其中归一化范围为[-1，1]。
步骤S3的具体方法包括以下子步骤：
S3-1、构建神经网络评估模型；
S3-2、将预处理后的数据作为样本输入神经网络评估模型进行预测，获取样本腐蚀程度预测结果；
S3-3、根据样本腐蚀程度预测结果与原本腐蚀程度获取神经网络评估模型的评估误差；
S3-4、判断评估误差是否在阈值范围内，若是则将得到的神经网络评估模型作为绝缘子金具与其腐蚀程度对应关系的评估模型，否则返回步骤S3-1。
在本发明的一个实施例中，绝缘子金具腐蚀程度分别为未腐蚀、潜在腐蚀、轻度腐蚀、中度腐蚀、重度腐蚀五种状态下做100次激光诱导击穿实验，得到500个实验样品点的光谱数据，激光诱导击穿后有各种元素共M个光谱强度变量，则得到数据矩阵为500×M；五种不同腐蚀程度的标签分别定为0，0.25，0.5，0.75，1。在具体实施过程中，神经网络采用广义回归神经网络，其最优SPREAD值采用0.1。
在具体实施过程中，环境变量包括温度、湿度和空气中的污染物成分，在进行归一化处理时，可采用公式
Figure BDA0001916015550000061
对温度列向量进行归一化，获取归一化后的结果Rn；其中温度列向量X＝(x1，x2，...，xn)；max(X)表示取列向量X中的最大值；min(X)表示取列向量X中的最小值。
综上所述，本发明利用激光诱导击穿光谱技术获得样品等离子体光谱，对数据预处理后加入衍生特征变量，特别地考虑了环境变量及激光测量参数等对检测结果的影响，通过建立等离子体光谱衍生特征向量与绝缘子端部金具腐蚀程度之间的非线性映射关系，最终得到绝缘子金具的腐蚀程度。本方法实现了对绝缘子端部金具腐蚀问题快速、准确、非接触的检测，相对于传统检测方法，实现了在线检测，检测流程简单，结果可靠，大大简化了检测过程。

Claims (2)

1.一种基于激光诱导击穿光谱技术的绝缘子金具腐蚀检测方法，其特征在于，包括以下步骤：
S1、通过激光诱导击穿光谱系统轰击已知腐蚀程度的绝缘子金具样品，获取不同腐蚀程度绝缘子金具的等离子体光谱数据；
S2、对获取的等离子体光谱数据进行预处理，得到预处理后的数据；
S3、将预处理后的数据和对应的腐蚀程度作为训练神经网络的样本，得到绝缘子金具与其腐蚀程度对应关系的评估模型；
S4、采用与步骤S1相同的方法获取待检测绝缘子金具的等离子体光谱，并采用与步骤S2相同的方法对待检测绝缘子金具的等离子体光谱进行预处理；
S5、将预处理后的待检测绝缘子金具的等离子体光谱数据作为绝缘子金具与其腐蚀程度对应关系的评估模型的输入数据，得到待检测绝缘子金具的腐蚀程度，完成绝缘子金具的腐蚀检测；
所述步骤S1的具体方法为：
通过激光诱导击穿光谱系统采用M个不同光谱强度对N种已知腐蚀程度的绝缘子金具进行轰击，得到维度为N×M的等离子体光谱数据；
所述步骤S2的具体方法包括以下子步骤：
S2-1、根据公式
Figure FDA0002278262720000011
获取每个绝缘子金具样品等离子体光谱数据中第i列数据Xi和第j列数据Xj之间的相关程度ρij，并将相关程度大于0.8的数据作为该等离子体光谱数据的特征向量，进而得到每个绝缘子金具样品对应的特征向量；其中Cov(·)为协方差函数；D(·)为方差函数；
S2-2、在特征向量中加入对应的轰击次数、环境变量、激光能量和等离子体温度，形成新的特征向量；
S2-3、对新的特征向量进行归一化处理，得到预处理后的数据，其中归一化范围为[-1，1]。
2.根据权利要求1所述的基于激光诱导击穿光谱技术的绝缘子金具腐蚀检测方法，其特征在于，所述步骤S3的具体方法包括以下子步骤：
S3-1、构建神经网络评估模型；
S3-2、将预处理后的数据作为样本输入神经网络评估模型进行预测，获取样本腐蚀程度预测结果；
S3-3、根据样本腐蚀程度预测结果与原本腐蚀程度获取神经网络评估模型的评估误差；
S3-4、判断评估误差是否在阈值范围内，若是则将得到的神经网络评估模型作为绝缘子金具与其腐蚀程度对应关系的评估模型，否则返回步骤S3-1。
CN201811573081.9A 2018-12-21 2018-12-21 基于激光诱导击穿光谱技术的绝缘子金具腐蚀检测方法 Active CN109490280B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811573081.9A CN109490280B (zh) 2018-12-21 2018-12-21 基于激光诱导击穿光谱技术的绝缘子金具腐蚀检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811573081.9A CN109490280B (zh) 2018-12-21 2018-12-21 基于激光诱导击穿光谱技术的绝缘子金具腐蚀检测方法

Publications (2)

Publication Number Publication Date
CN109490280A CN109490280A (zh) 2019-03-19
CN109490280B true CN109490280B (zh) 2020-02-07

Family

ID=65711316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811573081.9A Active CN109490280B (zh) 2018-12-21 2018-12-21 基于激光诱导击穿光谱技术的绝缘子金具腐蚀检测方法

Country Status (1)

Country Link
CN (1) CN109490280B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111879710B (zh) * 2020-07-23 2023-07-11 中冶建筑研究总院（深圳）有限公司 钢结构涂层防腐性能评定方法、系统、服务器和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102520323A (zh) * 2011-12-15 2012-06-27 国网电力科学研究院 基于高光谱的复合绝缘子老化运行状态检测方法
CN105572102A (zh) * 2016-01-15 2016-05-11 清华大学深圳研究生院 一种复合绝缘材料老化状态检测方法
CN109000597A (zh) * 2018-08-08 2018-12-14 清华大学深圳研究生院 一种基于激光诱导击穿光谱技术的表面粗糙度测量方法
CN109031066A (zh) * 2018-08-08 2018-12-18 清华大学深圳研究生院 一种基于激光诱导击穿光谱技术的耐漏电起痕测量方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102520323A (zh) * 2011-12-15 2012-06-27 国网电力科学研究院 基于高光谱的复合绝缘子老化运行状态检测方法
CN105572102A (zh) * 2016-01-15 2016-05-11 清华大学深圳研究生院 一种复合绝缘材料老化状态检测方法
CN109000597A (zh) * 2018-08-08 2018-12-14 清华大学深圳研究生院 一种基于激光诱导击穿光谱技术的表面粗糙度测量方法
CN109031066A (zh) * 2018-08-08 2018-12-18 清华大学深圳研究生院 一种基于激光诱导击穿光谱技术的耐漏电起痕测量方法

Also Published As

Publication number Publication date
CN109490280A (zh) 2019-03-19

Similar Documents

Publication Publication Date Title
CN106504122B (zh) 一种基于邻域保持嵌入算法的环网柜的故障监测方法及系统
CN109739214B (zh) 工业过程间歇故障的检测方法
CN112557838B (zh) 一种基于极化因子评估xlpe电缆绝缘老化的方法
CN109490280B (zh) 基于激光诱导击穿光谱技术的绝缘子金具腐蚀检测方法
CN111537845A (zh) 基于拉曼光谱聚类分析的油纸绝缘设备老化状态识别方法
CN108844612B (zh) 一种基于数理统计概率模型的变压器内部故障识别方法
Datla et al. Estimation of life expectancy of wood poles in electrical distribution networks
Valeti et al. Automated detection of corrosion damage in power transmission lattice towers using image processing
Jayabal et al. Naive Bayesian classifier for hydrophobicity classification of overhead polymeric insulators using binary image features with ambient light compensation
CN111044617A (zh) 一种基于深度学习与声发射技术的拉索损伤识别方法
Zhang et al. Feasibility of automatic detection of surface cracks in wind turbine blades
CN113758652A (zh) 换流变压器漏油检测方法、装置、计算机设备和存储介质
CN113269327A (zh) 一种基于机器学习的流量异常预测方法
CN115270410A (zh) 基于arma模型的gis微粒微弱放电发展趋势预测方法及系统
CN117408514A (zh) 基于多参数传感器的智能运维变电站监测预警系统及方法
Fu et al. Automatic bolt tightness detection using acoustic emission and deep learning
US8249818B2 (en) Method for qualifying the variability of an effluent composition
CN115187880A (zh) 基于图像识别的通信光缆缺陷检测方法、系统及存储介质
Zahiri et al. Characterization Of Corrosion Products On Carbon Steel Using Hyperspectral Imaging In Short-Wave Infrared (SWIR)
CN112902994A (zh) 一种基于差分进化改进极限学习机的光纤光栅传感网络畸变光谱解调方法及系统
CN112348262A (zh) 一种电力电缆运行安全预警方法
Du et al. A critical change point detection method in threaded steel pipe connection processes using two stage sequential piecewise linear approach
CN116008685B (zh) 一种电力设备的自动检修方法及系统
Lin et al. Power mapping: A wind turbine performance indicator in population-based structural health monitoring
Baklouti et al. Recursive kernel pca-based glrt for fault detection: Application to an air quality monitoring network

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