CN110426415A - 基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法 - Google Patents

基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法 Download PDF

Info

Publication number
CN110426415A
CN110426415A CN201910637123.9A CN201910637123A CN110426415A CN 110426415 A CN110426415 A CN 110426415A CN 201910637123 A CN201910637123 A CN 201910637123A CN 110426415 A CN110426415 A CN 110426415A
Authority
CN
China
Prior art keywords
image
convolutional neural
fault
neural networks
oil
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
Application number
CN201910637123.9A
Other languages
English (en)
Inventor
何怡刚
段嘉珺
何鎏璐
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201910637123.9A priority Critical patent/CN110426415A/zh
Publication of CN110426415A publication Critical patent/CN110426415A/zh
Priority to US16/740,508 priority patent/US11581130B2/en
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N25/00—Investigating or analyzing materials by the use of thermal means
    • G01N25/72—Investigating presence of flaws
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
    • H01F27/00—Details of transformers or inductances, in general
    • H01F27/40—Structural association with built-in electric component, e.g. fuse
    • H01F27/402—Association of measuring or protective means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
    • H01F27/00—Details of transformers or inductances, in general
    • H01F27/40—Structural association with built-in electric component, e.g. fuse
    • H01F27/402—Association of measuring or protective means
    • H01F2027/406—Temperature sensor or protection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Algebra (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)

Abstract

本发明提供一种基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法，包括：1)划分变压器内部区域，将故障区域及正常状态作为深度卷积神经网络的标签；2)通过格子玻尔兹曼方法仿真，随机获取大量正常与各种故障状态模式下油浸式变压器内部温度场分布图像，将其故障区域作为标签，形成底层训练样本集；3)获取红外热像仪或温度传感器的历史监测信息，并将其相应的故障诊断结果按照步骤1)的划分方式形成标签；4)将步骤3)中各样本所包含的所有监测信息组合成一张图像，然后将步骤2)获得的样本提取同样监测信息形成新图像；5)将步骤4)获取的图像样本进行图像分割，然后输入卷积神经网络中进行训练，获取故障诊断结果。

Description

基于深度卷积神经网络和图像分割的油浸式变压器内部热故 障诊断方法
技术领域
本发明涉及一种电力变压器的故障诊断方法，尤其是涉及一种基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断定位方法及系统。
背景技术
电力变压器等关键输变电设备的故障诊断是电力系统安全、经济运行的重要保障。对变压器内部温度场的分析一直是监测过程中的热门话题。常用的电力变压器温度监测方法通常侧重于热点温度的监测，或是基于等效的数学模型，通过合理推算获取外部温度与内部故障间的关系。这种方法是有效的，但它需要针对不同电力设备的模型推导公式，当出现机械部件老化或杂质时，其监测标准需要进行改变。而深度学习能够实现监测信息特征与异常状态的自动甄别，是故障诊断邻域的发展方向之一。格子玻尔兹曼方法(LBM)具有简单、计算效率高、能并行处理等优点，能够快速模拟变压器内部的温度分布，补充监测样本的不足。
利用深度卷积神经网络(DCNN)能够自动提取故障特征，且随着运行状态的不断改变，网络参数也能够通过不断训练动态地调整。由于红外热像等图像监测数据包含较多冗余信息，通过图像分割方法能够提取边缘特征，压缩数据量。Souleymane等人提出一种基于格子玻尔兹曼方法(LBM)和水平集方法(LSM)的自动分割算法，具有快速、抗噪声、且不受初始轮廓设置的限制等优点。通过将其与深度卷积神经网络(DCNN)相结合，能够根据极少的监测信息判断出故障诊断结果，实现故障的定位。
发明内容
为了克服上述背景技术中存在的缺陷，本发明提供一种更加智能化、数据传输量小的基于深度卷积神经网络与图像分割的油浸式变压器内部热故障诊断方法。
本发明解决其技术问题所采用的技术方案是：
提供一种基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法，包括以下步骤：
1)划分变压器内部区域，将故障区域及正常状态作为深度卷积神经网络的标签；
2)通过格子玻尔兹曼方法仿真，随机获取大量正常与各种故障状态模式下油浸式变压器内部温度场分布的特征图像，将其故障区域作为标签，形成底层训练样本集；
3)获取红外热像仪或温度传感器的历史监测信息，并将其相应的故障诊断结果按照步骤1)的划分方式形成标签；
4)将步骤3)中各样本所包含的所有监测信息组合成一张图像，然后将步骤2)获得的底层训练样本集中的样本提取同样监测信息形成新图像；
5)将步骤4)获取的图像样本进行图像分割，然后将分割后的图像输入深度卷积神经网络中进行训练，生成训练好的故障诊断网络；
6)将待诊断监测信息按照同样方式合成新图像，并输入训练好的故障诊断网络获取诊断结果。
接上述技术方案，步骤1)中的变压器内部区域划分和标签设置方法为：根据实际监测需要将变压器内部区域划分为若干部分，然后直接根据故障区域分配标签，若存在多种故障类型，则将故障类型与故障区域的组合作为不同标签。
接上述技术方案，步骤2)中基于格子玻尔兹曼方法的多种故障状态下油浸式变压器内部温度场仿真时，将故障位置的边界条件修改为反弹边界，其故障区域的大小取长和宽为小于10的随机值；收敛标准通过计算每步的温度增量来定义，直到它小于预定义的阈值ε：
其中T表示温度，x表示变压器内任意一点的坐标，t表示迭代步骤或仿真时间。
接上述技术方案，步骤3)中将监测信息减去正常状态的数据集，并进行合并，获得温度场分布的特征图像。
接上述技术方案，步骤4)中将红外热像仪或温度传感器监测信息组合成图像的方法为：首先将所有监测信息统一为特定取值范围的颜色图，然后将同一样本的所有信息合并，组成一张图。
接上述技术方案，步骤5)中的图像分割方法使用LBM来求解对流-扩散方程，粒子密度设置为φ，称为符号距离函数，表示初始轮廓内外像素点之间的距离；由于各晶格中的粒子数不能为负，将其修改为上标“'”表示更新后的值；则分割后的轮廓为满足φ'＝-min(φ)的像素点，其计算步骤如下：
①初始化符号距离函数φ，令φ'＝φ-min(φ)；扩散系数取γ＝15，则松弛时间τ＝(9*γ+2)/4；fout表示fin下一时刻的粒子分布，feq则为平衡粒子分布，初始化fout＝fin＝feq＝0；
②记第k个类型的质心为vk，初始化vk＝0。一般k＝1或2，即总类型数c＝2(包括轮廓和非轮廓区域)；
③假设图像共有N个像素，i＝1，2，…，N，定义分块矩阵U＝{uki}，它的每个元素uki表示第i个像素属于第k种类型的隶属度。U是原始图像值X和观测图像值Y的函数，写为矩阵形式为p是模糊度指数，一般取常数p＝2；记轮廓线图像Y＝{yi}，它是表征原始图像的距离函数J取灰度后的非线性变化。则有：
其中vk表示第k种类型的质心，令初始的偏置场图像为B＝{βi}，它同样是X和Y的函数，则：
其中l是用于遍历c的变量，Ω为求解区域。
④计算模糊外力F：
⑤计算格子玻尔兹曼LBM对流碰撞过程：
其中feq为各次迭代的水平集方程φ'与LBM晶格常数的乘积；
⑥更新fin'＝fout，φ'＝φ'+fin'，返回第③步，直到满足要求的迭代次数。
接上述技术方案，步骤5)中进行故障诊断的卷积神经网络为根据监测需要考虑网络深度、网络大小、网络层数、参数数量，并通过验证获取故障诊断的准确率、仿真时间、损耗函数，使用合适的卷积神经网络，将标签数量修改为网络的输出总数，进行训练验证和故障诊断。
本发明还提供了一种基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断系统，包括：
区域划分模块，用于划分变压器内部区域，将故障区域及正常状态作为深度卷积神经网络的标签；
仿真模块，用于通过格子玻尔兹曼方法仿真，随机获取大量正常与各种故障状态模式下油浸式变压器内部温度场分布的特征图像，将其故障区域作为标签，形成底层训练样本集；
历史监测信息获取模块，用于获取红外热像仪或温度传感器的历史监测信息，并将其相应的故障诊断结果按照区域划分模块的划分方式形成标签；
图像组合模块，用于将历史监测信息获取模块中各样本所包含的所有监测信息组合成一张图像，然后将仿真模块获得的底层训练样本集中的样本提取同样监测信息形成新图像；
图像分割模块，用于将图像组合模块获取的图像样本进行图像分割；
故障诊断网络生成模块，用于将分割后的图像输入深度卷积神经网络中进行训练，生成训练好的故障诊断网络；
故障诊断模块，用于将待诊断监测信息按照同样方式合成新图像，并输入训练好的故障诊断网络获取诊断结果。
本发明还提供了一种计算机存储介质，该计算机存储介质中存储有可被处理器执行的计算机程序，该计算机程序执行上述基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法步骤。
本发明产生的有益效果是：本发明采用深度卷积神经网络和图像分割处理方法对油浸式电力变压器绕组故障特征进行提取和分类，可实现通过少量监测信息有效地定位变压器内部故障。DCNN的智能故障特征提取过程不受故障特征的极端分布的影响，并且当参数或运行状况稍微改变时不需要对模拟进行重新建模，利用图像分割提取轮廓能够减少数据量并保证较高的定位精度。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明的流程图；
图2为本发明的油浸式电力变压器内部故障区域划分方法示意图；
图3为本发明的监测区域及相应图像处理方法示例；
图4为本发明的基于LBM-LSM的变压器油中故障检测图像的分割示例；
图5为本发明的不同卷积神经网络故障定位的验证准确率。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明实施例基于深度卷积神经网络与图像分割的油浸式变压器内部热故障诊断方法，如图1所示，包括以下步骤：
1)划分变压器内部区域，将故障区域及正常状态作为深度卷积神经网络(DCNN)的标签；
2)通过格子玻尔兹曼方法(LBM)仿真，随机获取大量正常与各种故障状态模式下油浸式变压器内部温度场分布的特征图像，将其故障区域作为标签，形成底层训练样本集；
3)获取红外热像仪或温度传感器的历史监测信息，并将其相应的故障诊断结果按照步骤1)的划分方式形成标签；
4)将步骤3)中各样本所包含的所有监测信息组合成一张图像，然后将步骤2)获得的底层训练样本集中的样本提取同样监测信息形成新图像；
5)将步骤4)获取的图像样本进行图像分割，然后将分割后的图像输入深度卷积神经网络中进行训练，获取训练好的故障诊断网络；
6)将待诊断监测信息按照同样方式合成新图像，并输入训练好的故障诊断网络获取诊断结果。
所述步骤1)中的变压器内部区域划分和标签设置方法为，根据实际监测需要将变压器内部区域划分为若干部分，然后直接根据故障区域分配标签。若存在多种故障类型，则将故障类型与故障区域的组合作为不同标签。
所述步骤2)中基于格子玻尔兹曼方法(LBM)的多种故障状态下油浸式变压器内部温度场仿真时，将故障位置的边界条件修改为反弹边界，其故障区域的大小取长和宽为小于10的随机值。收敛标准可以通过计算每步的温度增量来定义，直到它小于预定义的阈值ε：
其中T表示温度，x表示变压器内任意一点的坐标，t表示迭代步骤或仿真时间。为了提高DCNN的识别效果，通过将监测信息减去正常状态的数据集进行合并，从而可以获得温度场分布的特征图像。
所述步骤3)中将监测信息减去正常状态的数据集，并进行合并，获得温度场分布的特征图像。监测信息包括了该台油浸式变压器任意位置的历史监测信息，它可由多个传感器采集的信息共同构成，每个负责监测特定的区域。
所述步骤4)中将红外热像仪或温度传感器监测信息组合成图像的方法为：首先将所有监测信息统一为特定取值范围的颜色图，然后将同一样本的所有信息合并，组成一张图。
所述步骤5)中的图像分割方法使用LBM来求解对流-扩散方程，其具体步骤如下。设粒子密度为φ，称为符号距离函数，它表示初始轮廓内外像素点之间的距离；由于各晶格中的粒子数不能为负，将其修改为上标“'”表示更新后的值。则分割后的轮廓为满足φ'＝-min(φ)的像素点。其计算步骤如下：
①初始化符号距离函数φ，令φ'＝φ-min(φ)；扩散系数取γ＝15，则松弛时间τ＝(9*γ+2)/4；fout表示fin下一时刻的粒子分布，feq则为平衡粒子分布，初始化fout＝fin＝feq＝0；
②记第k个类型的质心为vk，初始化vk＝0。一般k＝1或2，即总类型数c＝2(包括轮廓和非轮廓区域)；
③假设图像共有N个像素，i＝1，2，…，N，定义分块矩阵U＝{uki}，它的每个元素uki表示第i个像素属于第k种类型的隶属度。U是原始图像值X和观测图像值Y的函数，写为矩阵形式为p是模糊度指数，一般取常数p＝2；记轮廓线图像Y＝{yi}，它是表征原始图像的距离函数J取灰度后的非线性变化。则有：
其中vk表示第k种类型的质心，令初始的偏置场图像为B＝{βi}，它同样是X和Y的函数，则：
其中l是用于遍历c的变量，Ω为求解区域。
④计算模糊外力F：
⑤计算格子玻尔兹曼LBM对流碰撞过程：
其中feq为各次迭代的水平集方程φ'与LBM晶格常数的乘积。
⑥更新fin'＝fout，φ'＝φ'+fin'，返回第③步，直到满足要求的迭代次数。
所述步骤5)中进行故障诊断的卷积神经网络应根据监测需要考虑网络深度、网络大小、网络层数、参数数量，并通过验证获取故障诊断的准确率、仿真时间、损耗函数等，使用合适的卷积神经网络，将标签数量修改为网络的输出总数，进行训练验证和故障诊断。
本发明还提供了一种基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断系统，用于实现上述方法，该系统具体包括：
区域划分模块，用于划分变压器内部区域，将故障区域及正常状态作为深度卷积神经网络的标签；
仿真模块，用于通过格子玻尔兹曼方法仿真，随机获取大量正常与各种故障状态模式下油浸式变压器内部温度场分布的特征图像，将其故障区域作为标签，形成底层训练样本集；
历史监测信息获取模块，用于获取红外热像仪或温度传感器的历史监测信息，并将其相应的故障诊断结果按照区域划分模块的划分方式形成标签；
图像组合模块，用于将历史监测信息获取模块中各样本所包含的所有监测信息组合成一张图像，然后将仿真模块获得的底层训练样本集中的样本提取同样监测信息形成新图像；
图像分割模块，用于将图像组合模块获取的图像样本进行图像分割；
故障诊断网络生成模块，用于将分割后的图像输入深度卷积神经网络中进行训练，生成训练好的故障诊断网络；
故障诊断模块，用于将待诊断监测信息按照同样方式合成新图像，并输入训练好的故障诊断网络获取诊断结果。
本发明还提供一种计算机存储介质，该计算机存储介质中存储有可被处理器执行的计算机程序，该计算机程序执行上述实施例的方法步骤。本发明的应用实施例如下所示：
变压器内部结构具有中心对称性，其温度分布仅需要考虑二维分布。首先根据步骤1)进行监测变压器的故障区域划分，本实例中将变压器内部区域划分为左上、右上、左、中、右、左下、右下等7个部分，如图2所示。具体的区域划分方式可以根据实际变压器结构和诊断定位需求做调整。在本实施例中，将靠近对称轴(铁芯)的绕组上部位置，且在初级和次级绕组中间面以内部分划分为一部分，并称为“左上”区域；将靠近对称轴(铁芯)的绕组下部位置，同样在初级和次级绕组中间面以内部分划分为一部分，并称为“左下”区域；将绕组上部，且在初级和次级绕组中间面以外部分划分为一部分，并称为“右上”区域；将绕组下部，且在初级和次级绕组中间面以外部分划分为一部分，并称为“右下”区域；将次级绕组到铁芯部分划分为“左”区域；次级绕组与初级绕组之间划分为“中”区域；初级绕组之外划分为“右”区域。
本实施例中的故障类型只有一种，均为油中杂质，因此直接根据故障位置分配标签。通过格子玻尔兹曼仿真方法(LBM)来获取油浸式变压器内部温度场分布图像。根据步骤2)的方法，将故障位置的边界条件修改为反弹边界，其故障区域的大小取长和宽小于10的随机值。收敛标准可以通过计算每步的温度增量来定义，直到它小于预定义的阈值ε。然后将其与正常状态数据集通过相减合并，从而获得温度场分布特征图像。随机设置不同的故障位置，获取大量故障样本，样本标签即对应的故障区域。
假设监测区域位于绕组附近，如图3中红框所表示的位置。该监测信息的类型为红外监测图像，根据步骤3)、4)将其对应的故障位置作为标签，并直接将这些区域获得的温度分布按照图3所示拼接形成多监测点组合图像。对于仿真获得的样本集，提取与监测点相同位置的数据，用同样的方法组合成图像。
针对CNN特征提取时重视边缘特征的特性，基于LSM-LBM方法提取图像边缘信息，压缩数据量。将所有数据集根据步骤5)的图像分割方法进行边缘提取，经图像分割后的劣化区域设置为1，用白线表示，其余区域设置为0，显示为黑色。该图像分割算法进行边缘提取的执行效果如图4所示。假设监测区域范围包括m×n个像素，每个像素点的值从0到255变化，即256＝8位2进制数据。彩色图像由3通道数据组成。经过图像分割提取边缘轮廓后，每个像素的值为0或1，并且数据的维度从三维减小到两维。此外，异常区域的轮廓仅占整个图像的很小一部分。例如，图3中左图的轮廓线包含779个像素，而该图像的尺寸是224×224。因此，原始图像中的数据量从m×n×3＝224×224×3＝150528减少到了779。在数据存储或传输期间，原图的每个像素点需要8位(1B)二进制数据。而经过LBM-LSM图像分割后，只需要标示值为1的数据位置，根据图像尺寸，x轴和y轴分别需要8位(1B)坐标。因此，储存或传输所需的二进制数据总量分别为150528×1B＝147kB和779×2B＝1.52kB，大约仅为原始数据的1％。
随机选取80％的样本作为训练数据集，20％的样本作为测试数据集。即使是相同标签的样本，由于故障位置和程度的随机性，其特征也不完全相同，并将样本集的图像处理过程进行随机的添加噪声、切割、旋转、镜像、灰度变化等处理，可有效防止过拟合。训练样本集如表1所示。
表1训练数据集
在本实施例中，分别用GoogLeNet、Vgg16、Vgg19、Squeezenet、Alexnet、Densenet201、Resnet18、Resnet50和Resnet101进行训练验证。为了方便观察，仅选取GoogLeNet、Vgg19、Squeezenet、Alexnet、Densenet201、和Resnet101的故障诊断训练过程绘制在图中，如图5所示。完整的验证结果则如表2所示。
表2基于各深度卷积神经网络的验证结果
结合图5和表2数据可以看出，在本实施例中，GoogLeNet能够较快获得较高的故障定位准确率，且稳定性高，网络大小与参数数量较优，在本实例中可将其作为最终采用的训练网络。
最后，将待诊断监测信息按照同样方式预处理后输入训练好的故障诊断网络，获取诊断结果。此处的诊断结果实际上是一个支持度向量，它给出该检测样本隶属于不同故障区域或是正常状态的概率。一般情况下，如上述网络训练验证过程中，取可能性最高的故障区域作为最终的诊断结果。
综上，本发明能够实现油浸式变压器内部热故障的检测和定位；图像分割能够压缩数据大小，突出有用信息。通过图像转化和卷积神经网络(CNN)实现非结构化监测信息的融合与自适应的特征提取，从而实现故障定位诊断。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (9)

1.一种基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法，其特征在于，包括以下步骤：
1)划分变压器内部区域，将故障区域及正常状态作为深度卷积神经网络的标签；
2)通过格子玻尔兹曼方法仿真，随机获取大量正常与各种故障状态模式下油浸式变压器内部温度场分布的特征图像，将其故障区域作为标签，形成底层训练样本集；
3)获取红外热像仪或温度传感器的历史监测信息，并将其相应的故障诊断结果按照步骤1)的划分方式形成标签；
4)将步骤3)中各样本所包含的所有监测信息组合成一张图像，然后将步骤2)获得的底层训练样本集中的样本提取同样监测信息形成新图像；
5)将步骤4)获取的图像样本进行图像分割，然后将分割后的图像输入深度卷积神经网络中进行训练，生成训练好的故障诊断网络；
6)将待诊断监测信息按照同样方式合成新图像，并输入训练好的故障诊断网络获取诊断结果。
2.根据权利要求1所述的基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法，其特征在于，步骤1)中的变压器内部区域划分和标签设置方法为：根据实际监测需要将变压器内部区域划分为若干部分，然后直接根据故障区域分配标签，若存在多种故障类型，则将故障类型与故障区域的组合作为不同标签。
3.根据权利要求1所述的基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法，其特征在于，步骤2)中基于格子玻尔兹曼方法的多种故障状态下油浸式变压器内部温度场仿真时，将故障位置的边界条件修改为反弹边界，其故障区域的大小取长和宽为小于10的随机值；收敛标准通过计算每步的温度增量来定义，直到它小于预定义的阈值ε：
其中T表示温度，x表示变压器内任意一点的坐标，t表示迭代步骤或仿真时间。
4.根据权利要求1所述的基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法，其特征在于，步骤3)中将监测信息减去正常状态的数据集，并进行合并，获得温度场分布的特征图像。
5.根据权利要求1所述的基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法，其特征在于，步骤4)中将红外热像仪或温度传感器监测信息组合成图像的方法为：首先将所有监测信息统一为特定取值范围的颜色图，然后将同一样本的所有信息合并，组成一张图。
6.根据权利要求1所述的基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法，其特征在于，步骤5)中的图像分割方法使用LBM来求解对流-扩散方程，粒子密度设置为φ，称为符号距离函数，表示初始轮廓内外像素点之间的距离；由于各晶格中的粒子数不能为负，将其修改为 上标“'”表示更新后的值；则分割后的轮廓为满足φ'＝-min(φ)的像素点，其计算步骤如下：
①初始化符号距离函数φ，令φ'＝φ-min(φ)；扩散系数取γ＝15，则松弛时间τ＝(9*γ+2)/4；fout表示fin下一时刻的粒子分布，feq则为平衡粒子分布，初始化fout＝fin＝feq＝0；
②记第k个类型的质心为vk，初始化vk＝0。一般k＝1或2，即总类型数c＝2(包括轮廓和非轮廓区域)；
③假设图像共有N个像素，i＝1，2，…，N，定义分块矩阵U＝{uki}，它的每个元素uki表示第i个像素属于第k种类型的隶属度。U是原始图像值X和观测图像值Y的函数，写为矩阵形式为p是模糊度指数，一般取常数p＝2；记轮廓线图像Y＝{yi}，它是表征原始图像的距离函数J取灰度后的非线性变化。则有：
其中vk表示第k种类型的质心，令初始的偏置场图像为B＝{βi}，它同样是X和Y的函数，则：
其中l是用于遍历c的变量，Ω为求解区域。
④计算模糊外力F：
⑤计算格子玻尔兹曼LBM对流碰撞过程：
其中feq为各次迭代的水平集方程φ'与LBM晶格常数的乘积；
⑥更新fin'＝fout，φ'＝φ'+fin'，返回第③步，直到满足要求的迭代次数。
7.根据权利要求1所述的基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法，其特征在于，步骤5)中进行故障诊断的卷积神经网络为根据监测需要考虑网络深度、网络大小、网络层数、参数数量，并通过验证获取故障诊断的准确率、仿真时间、损耗函数，使用合适的卷积神经网络，将标签数量修改为网络的输出总数，进行训练验证和故障诊断。
8.一种基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断系统，其特征在于，包括：
区域划分模块，用于划分变压器内部区域，将故障区域及正常状态作为深度卷积神经网络的标签；
仿真模块，用于通过格子玻尔兹曼方法仿真，随机获取大量正常与各种故障状态模式下油浸式变压器内部温度场分布的特征图像，将其故障区域作为标签，形成底层训练样本集；
历史监测信息获取模块，用于获取红外热像仪或温度传感器的历史监测信息，并将其相应的故障诊断结果按照区域划分模块的划分方式形成标签；
图像组合模块，用于将历史监测信息获取模块中各样本所包含的所有监测信息组合成一张图像，然后将仿真模块获得的底层训练样本集中的样本提取同样监测信息形成新图像；
图像分割模块，用于将图像组合模块获取的图像样本进行图像分割；
故障诊断网络生成模块，用于将分割后的图像输入深度卷积神经网络中进行训练，生成训练好的故障诊断网络；
故障诊断模块，用于将待诊断监测信息按照同样方式合成新图像，并输入训练好的故障诊断网络获取诊断结果。
9.一种计算机存储介质，其特征在于，该计算机存储介质中存储有可被处理器执行的计算机程序，该计算机程序执行权利要求1-7中任一项所述的方法步骤。
CN201910637123.9A 2019-07-15 2019-07-15 基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法 Pending CN110426415A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910637123.9A CN110426415A (zh) 2019-07-15 2019-07-15 基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法
US16/740,508 US11581130B2 (en) 2019-07-15 2020-01-13 Internal thermal fault diagnosis method of oil-immersed transformer based on deep convolutional neural network and image segmentation

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910637123.9A CN110426415A (zh) 2019-07-15 2019-07-15 基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法

Publications (1)

Publication Number Publication Date
CN110426415A true CN110426415A (zh) 2019-11-08

Family

ID=68409510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910637123.9A Pending CN110426415A (zh) 2019-07-15 2019-07-15 基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法

Country Status (2)

Country Link
US (1) US11581130B2 (zh)
CN (1) CN110426415A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401289A (zh) * 2020-03-24 2020-07-10 国网上海市电力公司 一种变压器部件的智能识别方法和装置
CN111553910A (zh) * 2020-05-06 2020-08-18 哈尔滨工业大学 一种基于红外图像的大型实验装置电器设备热故障检测方法
CN111562358A (zh) * 2020-05-06 2020-08-21 武汉大学 基于联合模型的变压器油中气体含量预测方法及系统
CN111796162A (zh) * 2020-06-24 2020-10-20 国网浙江平湖市供电有限公司 一种可视化配电网故障研判系统
CN112345531A (zh) * 2020-10-19 2021-02-09 国网安徽省电力有限公司电力科学研究院 一种基于仿生机器鱼的变压器故障检测方法
CN112365399A (zh) * 2020-10-09 2021-02-12 北京星闪世图科技有限公司 基于深度学习的风机叶片图像全景拼接方法和系统
CN112604916A (zh) * 2020-12-14 2021-04-06 天津商业大学 基于统计学和piv图像确定喷涂覆膜沉积基线的方法
CN113418617A (zh) * 2021-07-15 2021-09-21 西安华控智能系统工程有限公司 一种风电场箱式变压器三维温度场测量与诊断方法
CN113591251A (zh) * 2021-08-17 2021-11-02 中冶北方（大连）工程技术有限公司 设备故障温度分析诊断方法
CN116881827A (zh) * 2023-07-18 2023-10-13 济南西电特种变压器有限公司 一种适用于变压器的运行安全监管系统

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112013966B (zh) * 2020-08-24 2021-07-06 电子科技大学 一种基于测量温度的电力设备红外图像处理方法
CN112926563B (zh) * 2021-02-23 2024-01-02 辽宁科技大学 一种钢卷喷印标记故障诊断系统
CN113034450A (zh) * 2021-03-12 2021-06-25 西安工业大学 一种变压器过热故障诊断方法
CN113298767A (zh) * 2021-05-19 2021-08-24 南京大学 一种能克服反光现象的围棋图谱可靠识别方法
CN113408202B (zh) * 2021-06-18 2022-04-08 国网湖南省电力有限公司 面向变电站核心工控业务的流量基线模型构造方法
CN115935807A (zh) * 2021-06-28 2023-04-07 山东华科信息技术有限公司 基于图马尔可夫神经网络的诊断模型的训练方法
CN113657623B (zh) * 2021-07-13 2023-09-29 国网河北省电力有限公司电力科学研究院 电力设备状态诊断效果确定方法、装置、终端及存储介质
CN113468762B (zh) * 2021-07-22 2024-04-30 广东电网有限责任公司广州供电局 热点温度计算方法、装置、计算机设备和存储介质
CN113834656B (zh) * 2021-08-27 2024-04-30 西安电子科技大学 一种轴承故障诊断方法、系统、设备及终端
CN113688947B (zh) * 2021-10-11 2024-03-15 国网智能科技股份有限公司 一种配电设备红外图像故障识别方法及系统
CN113899973A (zh) * 2021-10-11 2022-01-07 四川华能嘉陵江水电有限责任公司 基于红外热成像和可见光图像的发电设备故障诊断方法
CN114157023B (zh) * 2021-11-19 2023-12-05 广东电网有限责任公司电力调度控制中心 一种配变预警信息获取方法
CN114722865B (zh) * 2022-03-27 2022-12-02 江苏东佳电气有限公司 基于数据识别的防爆电机故障诊断方法
CN114842002B (zh) * 2022-07-04 2022-09-09 山东华尚电气有限公司 一种检测油浸式变压器故障的方法
CN115587975B (zh) * 2022-09-28 2023-06-30 国网湖北省电力有限公司超高压公司 充油设备套管积污缺陷诊断系统、方法和介质
CN115792729A (zh) * 2022-11-30 2023-03-14 广东粤电科试验检测技术有限公司 一种变压器复合故障诊断方法、装置、设备和存储介质
CN115797453B (zh) * 2023-01-17 2023-06-16 西南科技大学 一种红外微弱目标的定位方法、定位装置及可读存储介质
CN116402825B (zh) * 2023-06-09 2023-08-11 华东交通大学 轴承故障红外诊断方法、系统、电子设备及存储介质
CN116523508B (zh) * 2023-06-30 2023-08-29 北京东联世纪科技股份有限公司 一种基于AIoT资产的智慧运维管理系统
CN116720150B (zh) * 2023-08-09 2023-10-20 山东晋工科技有限公司 一种机械制冷系统故障诊断方法及系统
CN117007984B (zh) * 2023-09-27 2023-12-15 南通国轩新能源科技有限公司 一种电池包运行故障动态监测方法及系统
CN117094179B (zh) * 2023-10-18 2023-12-26 南通豪强电器设备有限公司 用于高压开关柜的母排散热分析方法及系统
CN117313501B (zh) * 2023-11-30 2024-03-19 国网浙江省电力有限公司电力科学研究院 一种油浸式电力变压器绕组温升快速计算方法及系统
CN117390999B (zh) * 2023-12-12 2024-02-06 山东工商学院 基于cfd深度学习模型的封闭母线温度故障监测方法
CN117392130B (zh) * 2023-12-12 2024-02-23 山东海纳智能装备科技股份有限公司 基于红外图像的在线故障诊断系统
CN117409376B (zh) * 2023-12-15 2024-05-10 南京中鑫智电科技有限公司 一种用于高压套管的红外在线监测方法及系统
CN117984333A (zh) * 2024-04-03 2024-05-07 广东电网有限责任公司东莞供电局 一种油浸式变压器的巡检方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107703186A (zh) * 2017-09-26 2018-02-16 电子科技大学 基于芯片温度场效应的硬件木马检测方法
CN108198181A (zh) * 2018-01-23 2018-06-22 电子科技大学 一种基于区域分割和图像融合的红外热图像处理方法
CN108986104A (zh) * 2018-06-04 2018-12-11 国网浙江省电力有限公司检修分公司 基于距离变换和标记分水岭算法的绝缘子图像分割方法
CN109741347A (zh) * 2018-12-30 2019-05-10 北京工业大学 一种基于卷积神经网络的迭代学习的图像分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107703186A (zh) * 2017-09-26 2018-02-16 电子科技大学 基于芯片温度场效应的硬件木马检测方法
CN108198181A (zh) * 2018-01-23 2018-06-22 电子科技大学 一种基于区域分割和图像融合的红外热图像处理方法
CN108986104A (zh) * 2018-06-04 2018-12-11 国网浙江省电力有限公司检修分公司 基于距离变换和标记分水岭算法的绝缘子图像分割方法
CN109741347A (zh) * 2018-12-30 2019-05-10 北京工业大学 一种基于卷积神经网络的迭代学习的图像分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIAJUN DUAN ET AL: "Intelligent Localization of Transformer Internal Degradations Combining Deep Convolutional Neural Networks and Image Segmentation", 《IEEE ACCESS》 *
SOULEYMANE BALLA-ARABÉ ET AL: "A Fast and Robust Level Set Method for Image Segmentation Using Fuzzy Clustering and Lattice Boltzmann Method", 《IEEE TRANSACTIONS ON CYBERNETICS》 *
林群武: "红外热成像技术在电力系统设备故障检测中的应用研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401289A (zh) * 2020-03-24 2020-07-10 国网上海市电力公司 一种变压器部件的智能识别方法和装置
CN111401289B (zh) * 2020-03-24 2024-01-23 国网上海市电力公司 一种变压器部件的智能识别方法和装置
CN111553910B (zh) * 2020-05-06 2022-03-25 哈尔滨工业大学 一种基于红外图像的大型实验装置电器设备热故障检测方法
CN111553910A (zh) * 2020-05-06 2020-08-18 哈尔滨工业大学 一种基于红外图像的大型实验装置电器设备热故障检测方法
CN111562358A (zh) * 2020-05-06 2020-08-21 武汉大学 基于联合模型的变压器油中气体含量预测方法及系统
CN111796162A (zh) * 2020-06-24 2020-10-20 国网浙江平湖市供电有限公司 一种可视化配电网故障研判系统
CN112365399A (zh) * 2020-10-09 2021-02-12 北京星闪世图科技有限公司 基于深度学习的风机叶片图像全景拼接方法和系统
CN112365399B (zh) * 2020-10-09 2024-05-03 江苏星闪世图科技(集团)有限公司 基于深度学习的风机叶片图像全景拼接方法和系统
CN112345531A (zh) * 2020-10-19 2021-02-09 国网安徽省电力有限公司电力科学研究院 一种基于仿生机器鱼的变压器故障检测方法
CN112345531B (zh) * 2020-10-19 2024-04-09 国网安徽省电力有限公司电力科学研究院 一种基于仿生机器鱼的变压器故障检测方法
CN112604916B (zh) * 2020-12-14 2022-05-10 天津商业大学 基于统计学和piv图像确定喷涂覆膜沉积基线的方法
CN112604916A (zh) * 2020-12-14 2021-04-06 天津商业大学 基于统计学和piv图像确定喷涂覆膜沉积基线的方法
CN113418617A (zh) * 2021-07-15 2021-09-21 西安华控智能系统工程有限公司 一种风电场箱式变压器三维温度场测量与诊断方法
CN113591251A (zh) * 2021-08-17 2021-11-02 中冶北方（大连）工程技术有限公司 设备故障温度分析诊断方法
CN113591251B (zh) * 2021-08-17 2024-04-23 中冶北方（大连）工程技术有限公司 设备故障温度分析诊断方法
CN116881827A (zh) * 2023-07-18 2023-10-13 济南西电特种变压器有限公司 一种适用于变压器的运行安全监管系统
CN116881827B (zh) * 2023-07-18 2024-05-24 济南西电特种变压器有限公司 一种适用于变压器的运行安全监管系统

Also Published As

Publication number Publication date
US20210020360A1 (en) 2021-01-21
US11581130B2 (en) 2023-02-14

Similar Documents

Publication Publication Date Title
CN110426415A (zh) 基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法
CN110598736B (zh) 一种电力设备红外图像故障定位、识别与预测方法
CN109977921B (zh) 一种输电线路隐患检测方法
CN112380952A (zh) 基于人工智能的电力设备红外图像实时检测及识别方法
CN108898077B (zh) 电力设备红外热图的识别方法和电力设备红外识别系统
CN107679490A (zh) 用于检测图像质量的方法和装置
CN107133943A (zh) 一种防震锤缺陷检测的视觉检测方法
CN106951695A (zh) 多工况下的机械设备剩余使用寿命计算方法及系统
CN112183788A (zh) 一种域自适应设备运检系统和方法
CN111199523B (zh) 电力设备识别方法、装置、计算机设备和存储介质
CN113469950A (zh) 一种基于深度学习的复合绝缘子异常发热缺陷的诊断方法
CN109064436A (zh) 图像融合方法
CN114170144A (zh) 一种输电线路销钉缺陷检测方法、设备及介质
CN113947555A (zh) 基于深度神经网络的红外与可见光融合的视觉系统及方法
CN116229560A (zh) 一种基于人体姿态的异常行为识别方法及系统
CN112560948A (zh) 数据偏差下的眼底图分类方法及成像方法
CN110400335B (zh) 基于深度学习的纹理图像质量估计方法
CN112419243B (zh) 一种基于红外图像分析的配电房设备故障识别方法
CN111598032B (zh) 一种基于图神经网络的群体行为识别方法
CN117576724A (zh) 一种无人机飞鸟检测方法、系统、设备和介质
CN113284103B (zh) 基于空间变换Faster R-CNN模型的变电站设备缺陷在线检测方法
CN112288019B (zh) 一种基于关键点定位的厨师帽检测方法
CN115170897A (zh) 一种基于掩码区域卷积神经网络的图像处理方法及其应用
CN108459585A (zh) 基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法
CN115601674A (zh) 一种输电工程烟雾隐患识别方法、装置及存储介质

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191108

WD01 Invention patent application deemed withdrawn after publication