CN110428400A - 一种设备故障的定位方法、装置、设备及存储介质 - Google Patents
一种设备故障的定位方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110428400A CN110428400A CN201910616821.0A CN201910616821A CN110428400A CN 110428400 A CN110428400 A CN 110428400A CN 201910616821 A CN201910616821 A CN 201910616821A CN 110428400 A CN110428400 A CN 110428400A
- Authority
- CN
- China
- Prior art keywords
- sparking
- region
- analyzed
- monitoring image
- target device
- 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.)
- Granted
Links
Classifications
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Alarm Systems (AREA)
Abstract
本申请公开了一种设备故障的定位方法,以解决现有技术中无法对设备中发生打火故障的区域进行精确定位的问题。方法包括:通过训练后的卷积神经网络模型对待分析的监测图像进行分析,以判断目标设备是否发生打火故障,卷积神经网络模型基于目标设备的历史监测图像训练得到,待分析的监测图像和历史检测图像通过对目标设备进行监测得到;若是,则确定发生打火故障的区域相对于预设参考点的距离和方向,基于距离和方向,确定发生打火故障的区域的相对位置。本申请还公开一种设备故障的定位装置、设备及计算机可读存储介质。
Description
技术领域
本申请涉及故障定位技术领域,尤其涉及一种设备故障的定位方法、装置、设备及计算机可读存储介质。
背景技术
广播发射机是一种可以将调幅广播电台的语音和音乐节目以无线方式发射出去的设备。通常,广播发射机长期工作在大功率、强电流或强电磁的环境下,容易引起射频打火故障。
在广播发射机使用过程中,为了避免射频打火故障,降低维护成本,通常可以采用弧光检测器、发射机门上的门镜或光电传感器对广播发射机的状态进行实时监测,从而根据监测结果实时地确定广播发射机是否发生射频打火故障,以便工作人员可以对广播发射机进行维护,进而防止广播故障的发生。
然而,由于广播发射机倒频次数的增加,广播发射机内部结构比较复杂等原因,造成广播发射机故障的因素也错综复杂(往往是多因素的耦合),使得采用上述几种检测方式对广播发射机的状态进行监测时,虽然能够判断出广播发射机是否发生打火故障,但是却无法对发生打火故障的区域进行精确定位,从而导致广播发射机的故障不能得到紧急处理,使得广播发射机长时间处于停播状态,影响广播发射系统的安全稳定运行。
发明内容
本申请实施例提供一种设备故障的定位方法,用以解决现有技术中无法对打火故障进行精确定位,从而导致设备故障不能得到紧急处理,长时间处于停播状态,影响广播发射系统的安全稳定运行的问题。
本申请实施例还提供一种设备故障的定位装置,一种设备故障的定位设备以及一种计算机可读存储介质。
本申请实施例采用下述技术方案:
第一方面,本申请实施例提供了一种设备故障的定位方法,所述方法包括:
通过训练后的卷积神经网络模型对待分析的监测图像进行分析,以判断目标设备是否发生打火故障,所述卷积神经网络模型基于所述目标设备的历史监测图像训练得到,所述待分析的监测图像和所述历史检测图像通过对所述目标设备进行监测得到;
若是,则确定所述发生打火故障的区域相对于预设参考点的距离和方向,基于所述距离和方向,确定所述发生打火故障的区域的相对位置。
第二方面,本申请实施例提供了一种设备故障的定位装置,所述装置包括判断模块和确定模块,其中:
判断模块,用于通过训练后的卷积神经网络模型对待分析的监测图像进行分析,以判断目标设备是否发生打火故障,所述卷积神经网络模型基于所述目标设备的历史监测图像训练得到,所述待分析的监测图像和所述历史检测图像通过对所述目标设备进行监测得到;
确定模块,用于当所述设备发生打火故障时,则确定所述发生打火故障的区域相对于预设参考点的距离和方向,基于所述距离和方向,确定所述发生打火故障的区域的相对位置。
第三方面,本申请实施例提供了一种设备故障的定位设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器实现上述权利要求1至7任一项所述的设备故障的定位方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时实现上述权利要求1至7任一项所述的设备故障的定位方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
采用本申请实施例提供的方法,当确定目标设备发生打火故障时,由于可以确定出发生打火故障的区域相对于预设参考点的距离和方向,因此,可以基于距离和方向,确定发生打火故障的区域的相对位置。这样一来,运维人员可以根据确定出的相对位置,及时对目标设备进行维修,避免了现有技术中无法对打火故障进行精确定位,从而导致设备故障不能得到紧急处理,长时间处于停播状态,影响广播发射系统的安全稳定运行的问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的设备故障的定位方法的实现流程示意图;
图2为本申请实施例提供的设备故障的定位方法的打火故障阶段示意图;
图3为本申请实施例提供的设备故障的定位方法的待分析的监测图像的象限划分示意图;
图4为本申请实施例提供设备故障的定位装置的具体结构示意图;
图5为本申请实施例提供的一种设备故障的定位设备的结构示意图;
图6为本申请实施例提供的一种设备故障的定位设备的电磁屏蔽设施的示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
实施例1
为解决现有技术中由于无法对打火故障进行精确定位,从而导致设备故障不能得到紧急处理,长时间处于停播状态,影响广播发射系统的安全稳定运行的问题,本申请实施例提供一种设备故障的定位方法。
为便于描述,本申请实施例以该方法的执行主体为具备故障监测功能的设备,以该计算设备为例对方法申请实施例以该计算设备为例对方法进行介绍,仅是一种示例性说明,并不对本方案对应的权利要求保护范围构成限制。
具体地,本申请实施例提供的该方法的实现流程如图1所示,包括如下步骤:
步骤11,通过训练后的卷积神经网络模型对待分析的监测图像进行分析,以判断目标设备是否发生打火故障,所述卷积神经网络模型基于所述目标设备的历史监测图像训练得到,所述待分析的监测图像和所述历史检测图像通过对所述目标设备进行监测得到;
本申请实施例中,所述目标设备可以是广播/电视/雷达发射机,也可以是其他能够用于故障监测的设备,比如全球眼,这里不做具体限定。为方便说明,以下以目标设备为广播发射机为例,对本申请进行说明。其中,对于所述广播发射机的波长、功率均不做限定,所述广播发射机例如可以是大功率短波发射机、大功率中波发射机等。
本申请实施例中,待分析的监测图像和历史检测图像可以通过对目标设备进行监测得到,具体地,例如可以在广播发射机的机箱内安装照相机、摄像机等具备图像采集功能的电子设备对广播发射机进行监测,进而获取待检测的监测图像以及历史监测图像。
需要说明的是,为了节约监控资源,对广播发射机进行监测时,并不需要对广播发射机进行全局监控,可以仅在广播发射机中容易发生打火故障的区域安装具备图像采集功能的电子设备,其中,容易发生打火故障的区域包括:L233 阻流圈区域、2π电路区域、3π电路区域、TH576高末电子管区域及中和电容区域。
根据上述方式获取到待检测的监测图像后,可以通过训练后的卷积神经网络模型对待分析的监测图像进行分析,以判断目标设备是否发生打火故障,具体步骤如下:
提取待分析的监测图像中的图像特征;
通过训练后的卷积神经网络模型对待分析的监测图像的图像特征进行分析,确定图像特征与打火故障特征集合的匹配程度,所述打火故障特征集合基于发生打火故障的历史监测图像得到;
根据匹配程度判断目标设备是否发生打火故障。
其中,上述匹配程度可以是表征待分析的监测图像中的图像特征与打火故障特征集合的匹配得分,还可以是包括:目标设备发生打火故障的第一概率、和/或表征目标设备未发生打火故障的第二概率。对应的,若匹配程度表征待分析的监测图像中的图像特征与打火故障特征集合的匹配得分时,则可以预先根据实际情况预先确定匹配阈值,当待分析的监测图像中的图像特征与打火故障特征集合的匹配得分大于等于匹配阈值,则可以确定目标设备发生打火故障。
本申请实施例中,通过训练后的卷积神经网络模型对监测图像进行检测,以判断设备是否发生打火故障之前,还包括以下步骤:
对历史监测图像进行预处理,将发生打火故障特征的历史监测图像作为训练卷积神经网络模型所需的样本数据,具体步骤如下:
首先,去除样本数据中未发生打火故障的历史监测图像。
其次,可以根据历史图像中打火故障发生的区域,将历史监测图像可以分为L233阻流圈区域历史监测图像、2π电路区域历史监测图像、3π电路区域历史监测图像、TH576高末电子管区域历史监测图像。
或者,可以基于打火故障的火光或者打火故障的电弧能量,将发生打火故障的历史监测图像分为三种类型:膨胀阶段的历史监测图像、排放阶段的历史监测图像、热效应阶段的历史监测图像。如图2所示,从左起,监测图像依次为膨胀阶段的打火故障图像、排放阶段的打火故障图像、热效应阶段的打火故障图像;其中,膨胀阶段电弧光的能量较低,产生的火光最小;排放阶段时电弧光的能量相对于膨胀阶段较高,产生的火光相对于膨胀阶段相对较大;热效应阶段电弧光的能量在三个阶段中最高,产生的火光在三个阶段中最大。
此外,为了可以聚类分析,区分不同区域打火故障特征间的区别,本申请对卷积神经网络模型进行训练之前,还可以根据打火故障发生的区域、打火故障的强度等将样本数据打上对应标签。其中标签种类如下表1所示:
表1:
其中,L233-I Arc表示打火故障发生在L233阻流圈区域,处于膨胀阶段的图像标识;2π-I Arc表示打火故障发生在2π电路区域,处于膨胀阶段的图像标识,L233-II Arc表示打火故障发生在L233阻流圈区域,处于排放阶段的图像标识;L233-III Arc表示打火故障发生在L233阻流圈区域,处于热效应阶段的图像标识;其余图像标识,以此类推,此处不再赘述。
根据上述方法对样本数据进行预处理后,可以利用机器学习方法并基于样本数据,对卷积神经网络模型进行训练,得到训练后的卷积神经网络模型。
其中,所述神经网络模型主要由输入层、卷积层、池化层(下采样层)、全连接层、输出层组成。
首先,将样本数据划分为训练集、验证集、测试集,其中划分方式不作具体限定,比如可以是等距抽样、整群抽样、分类抽样等。
其次,利用机器学习方法并基于样本数据,对卷积神经网络模型进行训练,得到训练后的卷积神经网络模型。
其中,为了提高打火故障区域的分析速度,本申请中卷积神经网络可以是两级的CNN级联结构检测框架。例如,第一级CNN可以是传统的模型,可以是一个二分类网络,即只包含一个卷积层、池化层和Softmax分类器,用于去掉大量明显的未发生打火故障的待分析监测图像,同时保证发生打火故障的历史监测图像的通过率。
第二级CNN可以采用Alexnet2模型的改进,这样一来,可以使得模型的参数数量大大减少,从而加快网络收敛速度,提高效率。具体地,ReduceAlexnet2 可以包含六层,在第一、二、三层的卷积层后,均连接池化层;为了防止过拟合现象,第四层和第五层可以是Dropout层,这样可以降低神经元复杂的互适应关系,避免过拟合问题。
最后,对卷积神经网络的输出进行序列化操作,将输出结果变为class-num 维的列向量。
步骤12,若是,则确定所述发生打火故障的区域相对于预设参考点的距离和方向,基于所述距离和方向,确定所述发生打火故障的区域的相对位置。
若执行步骤11后,确定目标设备发生打火故障,则可以采用如下方法,基于距离和方向,确定发生打火故障的区域的相对位置:
预先设置待分析的监测图像的中心为预设参考点;
由于监测目标设备时,通常将拍摄主体也就是目标设备放在取景器的中间,所以,对应的,在拍摄完成的待分析的监测图像中,待分析的监测图像的中心也即拍摄主体(即目标设备)的中心。
基于上述特点,且为了方便确定发生打火故障的区域的方向与距离,可以将待分析的监测图像的中心预先设置为预设参考点。其中,将待分析的监测图像的中心预先设置为预设参考点仅是一种示例性说明,并不对本申请实施例造成任何限定。
按照像素坐标系对待分析的监测图像进行区域划分,以确定发生打火故障的区域相对于预设参考点的方向;
具体地,如图3所示,可以按照像素坐标系将待分析的监测图像分为四个象限,图3中从左往右从上往下分别为象限II、象限I、象限III、象限IV,其中,若打火故障位于待分析的监测图像的象限I中,则表明在目标设备实物中,打火故障发生在目标设备中心的右上角;若打火故障位于待分析的监测图像的象限II中,则表明在目标设备实物中,打火故障发生在目标设备中心的左上角,依次类推,其余情况,此处不再赘述。
计算发生打火故障的区域与预设参考点的像素距离,作为发生打火故障的区域相对于预设参考点的距离;
由于待分析的监测图像中的目标设备与目标设备实物的尺寸有所区别,因此,为了方便后续确定发生打火故障的区域在目标设备实物中的相对位置,可以将发生打火故障的区域与预设参考点的像素距离转换为物理距离。
基于距离和方向,确定发生打火故障的区域的相对位置。
例如,假设确定打火故障位于待分析的监测图像的象限I中,计算发生打火故障的区域与预设参考点的像素距离转换为物理距离后为3厘米,则可以确定在目标设备中,打火故障发生在目标设备中心右上方的3厘米处。
基于距离和方向,确定发生打火故障的区域的相对位置后,为了,可以方便维护人员对广播发射机进行维护,本申请中,可以将发生打火故障的区域相对于预设参考点的距离和方向映射到目标设备的实物中,以确定发生打火故障的区域的相对位置。其中,映射方式例如可以但不限于是图像融合、图像叠加方式。
进一步地,为了可以及时对目标设备进行管理和维护,本申请实施例中,当判断目标设备发生打火故障后,可以对目标设备发出故障警报。
其中,警报的方式可以是语音警报,可以是短消息提示方式,本申请不做具体限定。
具体地,可以根据目标设备发生打火故障的阶段,发出对应打火故障阶段的警报级别,所述打火故障阶段对应打火故障的强度。
例如,可以在确定目标设备发生打火故障的阶段处于膨胀阶段时,可以发出黄色警报;在确定目标设备发生打火故障的阶段处于排放阶段时,可以发出橙色警报,在确定目标设备发生打火故障的阶段处于热效应阶段时,可以发出红色警报。
采用上述警报方法,在发出故障警报之后,还可以根据待分析的监测图像进行分析,确定导致目标设备异常的原因,比如器件老化、环境原因、自动化系统原因以及人为原因等,以便运维人员对目标设备进行管理和维护。
采用本申请实施例提供的方法,当确定目标设备发生打火故障时,由于可以确定出发生打火故障的区域相对于预设参考点的距离和方向,因此,可以基于距离和方向,确定发生打火故障的区域的相对位置。这样一来,运维人员可以根据确定出的相对位置,及时对目标设备进行维修,避免了现有技术中无法对打火故障进行精确定位,从而导致设备故障不能得到紧急处理,长时间处于停播状态,影响广播发射系统的安全稳定运行的问题。
实施例2
对应于上述实施例1描述的设备的故障定位方法,基于相同的发明构思,本申请实施例提供一种设备故障的定位装置40,该装置的具体结构示意图如图 4所示,包括判断模块41和确定模块42。各模块的功能如下:
判断模块41,用于通过训练后的卷积神经网络模型对待分析的监测图像进行分析,以判断目标设备是否发生打火故障,卷积神经网络模型基于目标设备的历史监测图像训练得到,待分析的监测图像和历史检测图像通过对目标设备进行监测得到;
确定模块42,用于当设备发生打火故障时,则确定发生打火故障的区域相对于预设参考点的距离和方向,基于距离和方向,确定发生打火故障的区域的相对位置。
本申请实施例中,判断模块41具体可以包括提取单元、确定单元以及判断单元,其中,各单元的功能如下:
提取单元,用于提取待分析的监测图像的图像特征;
确定单元,用于通过训练后的卷积神经网络模型对所述待分析的监测图像的图像特征进行分析,确定图像特征与打火故障特征集合的匹配程度,所述打火故障特征集合基于发生打火故障的历史监测图像得到;
判断单元,用于根据匹配程度判断目标设备是否发生打火故障。
可选地,确定模块42,具体用于:
预先设置所述待分析的监测图像的中心为所述预设参考点;
按照像素坐标系对所述待分析的监测图像进行区域划分,以确定所述发生打火故障的区域相对于所述预设参考点的方向;
计算所述发生打火故障的区域与所述预设参考点的像素距离,作为所述发生打火故障的区域相对于所述预设参考点的距离;
基于所述距离和方向,确定所述发生打火故障的区域的相对位置。
可选地,基于所述距离和方向,确定所述发生打火故障的区域的相对位置,具体包括:
将所述发生打火故障的区域相对于所述预设参考点的距离和方向映射到所述目标设备的实物图像中,以确定所述发生打火故障的区域的相对位置。
在一个实施例中,除判断模块41和确定模块42外,本申请实施例中提供的装置,还包括训练模块,具体用于:
对所述历史监测图像进行预处理,将发生打火故障特征的历史监测图像作为训练卷积神经网络模型所需的样本数据;
利用机器学习方法并基于所述样本数据,对卷积神经网络模型进行训练,得到所述训练后的卷积神经网络模型。
可选地,还包括预警模块,用于:
发出对所述目标设备的故障警报。
可选地,本申请实施例提供的装置,还包括故障强度确定模块,用于:
对所述待分析的监测图像进行分析,确定所述目标设备发生打火故障的故障强度。
采用本申请实施例提供的装置,当确定目标设备发生打火故障时,由于可以确定出发生打火故障的区域相对于预设参考点的距离和方向,因此,可以基于距离和方向,确定发生打火故障的区域的相对位置。这样一来,运维人员可以根据确定出的相对位置,及时对目标设备进行维修,避免了现有技术中无法对打火故障进行精确定位,从而导致设备故障不能得到紧急处理,长时间处于停播状态,影响广播发射系统的安全稳定运行的问题。
实施例3
图5为实现本申请各个实施例的一种故障定位设备的硬件结构50的示意图,该电子设备的硬件结构包括但不限于:控制处理模块510、采集模块520、数据传输总线530等部件。
本领域技术人员可以理解,图5中示出的硬件结构并不构成对故障定位设备的限定,硬件结构可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。在本申请实施例中,硬件结构包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、以及计步器等。
应理解的是,本申请实施例中,控制处理模块510包括但不限于图像采集单元5101、智能图像处理与决策单元5102。
控制处理模块510可以采用工业控制计算机,工业控制计算机应布置于机房监控台,配置液晶显示屏进行图像监控。
其中,图像采集单元5101可以将图像或视频转换成计算机软件可处理的数字格式(数字信号),并通过计算机总线传输到计算机内存或显存。图像采集单元5101通常包含相机信号接口、A/D转换模块、相机控制输入输出接口、总线接口。智能图像处理与决策单元5102,可以通过一种识别射频打火图像特征的卷积神经网络算法对实时图像进行处理,将有效的打火监测结果与实物图像进行图像融合、图像叠加,在弱光源的场景下为设备运营人员提供精准的打火位置分析结果。
采集模块520包括但不限于相机521、电磁屏蔽设施522、光源单元523。
在一个实施中,采集模块520可以独立装置在发射机机箱内安装部署,通过定制的纯铜金属万向接头与机箱内部面板紧固连接并实现可靠接地,其中安装的内部区域包括L233阻流圈区域、2π电路区域、3π电路区域、TH576高末电子管及中和电容区域。
进一步地,相机521由光学成像单元5210、图像传感器单元5211组成。图像传感器单元5211,是一个光电转换装置,即可以将图像传感器所接收到的光学图像转化为计算机所能处理的电信号,典型的光电转换器件,比如可以是 CCD、CMOS图像传感器。本申请实施例中,针对射频打火故障的监测区域较大,具有大广角、高分辨率的成像需求,可以选择相机分辨率为500万像素 CMOS图像传感器。
光学成像单元5210相当于人眼的晶状体,机器视觉的光学单元一般由若干组透镜组成,每组透镜可能是一个单透镜,也可能是两片或两片以上的单片透镜互相胶合而成。光学镜头的基本光学性能由焦距、相对孔径(光圈系数) 和视场角(视野)这三个参数表征。光学成像单元的一种实施例,通过计算工作距离和工作区域大小分别选择8mm和12mm固定焦距的C-Mount接口镜头。
图像传感器单元5211,可以通过数据传输总线530与控制处理单元510 通信,其中,为了防止数据传输总线530在发射机设备内部被强电磁波辐射损坏,可以选择将数据传输总线530埋入机箱走线槽中的走线方式,且无线槽的裸露部分通过双面导电铜箔胶带与机箱面板粘牢。
相机521和控制处理单元510通过高速数据传输总线530进行数据传输。上行链路主要传输相机521的工作参数和控制指令;下行链路主要传输相机实时采集的图像。本申请实施例中,针对远距离传输,例如可以采用基于千兆以太网通信协议的GigE Vision总线,针对近距离例如可以采用USB 3.0总线。
为了可以在实现方便安装拆卸的同时,也可以接机壳地(GND)使整体达到电磁屏蔽、安全接地的效果,在一个实施例中,相机521的光学成像单元 5210、图像传感器单元5211可以安装在电磁防护设施522的内部空间,并与电磁防护壳盖5222固定连接。
如下图6所示,电磁屏蔽设施522,是为了避免电磁对图像传感器5211、光学成像单元5210的干扰问题,提供的一种电磁屏蔽防护设施,电磁屏蔽设施522包括但不限于:电磁防护机箱5221、电磁防护壳盖5222、电磁防护玻璃5223、数据传输总线连接器5224组成。电磁屏蔽设施的电磁防护特性设计具有四种特征:一是纯铜设计,纯铜壳体具有良好的电磁屏蔽特性;二是缝隙屏蔽设计,电磁防护机箱5221、电磁防护壳盖5222的连接处的缝隙是主要的电磁波的泄漏源,应设计成凹凸槽连接,形成凹凸连接增大金属密封接触面积,增大壳盖和机箱连接接触面积达到密封效果;三是连接器的安装既要可灵活拆卸、方便使用,又要防止造成连接处的电磁波缝隙泄漏,连接器通过嵌入壳体安装可增加连接器壳体与机箱的接触面积,同时在连接处涂覆导电胶,达到电磁防护效果;四是在机箱内部安装光学成像单元5210的前方采用电磁屏蔽玻璃进行透光并屏蔽电磁波,该玻璃可屏蔽短波波段到40GHz的电磁信号,但允许紫外光和可见光通过。
光源单元523,用于克服环境光干扰,照亮目标(监测对象),保证图像稳定性,形成有利于图像处理的效果;其中,光源的类型一般包括:LED灯、荧光灯、卤素灯、金属卤化物灯,光源根据颜色分为白光、蓝光、绿光、红光、红外及紫外等。实际使用中,可以根据不同的应用场景选择不同的光源颜色。
在一个实施例中,为了防止强光干扰微弱的打火亮光,不利于人员观察光源单元,后续操作中可以由机箱顶部两只红色氖灯透过面板网状圆孔提供照明光源。
可以理解的是,本申请实施例中,除上述部件外,还包括处理器、存储器。其中,处理器,用于通过训练后的卷积神经网络模型对待分析的监测图像进行分析,以判断目标设备是否发生打火故障,卷积神经网络模型基于目标设备的历史监测图像训练得到,待分析的监测图像和历史检测图像通过对目标设备进行监测得到;
若是,则确定发生打火故障的区域相对于预设参考点的距离和方向,基于距离和方向,确定发生打火故障的区域的相对位置。
存储器,用于存储可在处理器上运行的计算机程序,该计算机程序被处理器执行时,实现处理器所实现的上述功能。
另外,故障定位设备还包括一些未示出的功能模块,在此不再赘述。
优选地,本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述图像裁剪方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称 ROM)、随机存取存储器(Random AccessMemory,简称RAM)、磁碟或者光盘等。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种设备故障的定位方法,其特征在于,包括:
通过训练后的卷积神经网络模型对待分析的监测图像进行分析,以判断目标设备是否发生打火故障,所述训练后的卷积神经网络模型基于所述目标设备的历史监测图像训练得到,所述待分析的监测图像和所述历史检测图像通过对所述目标设备进行监测得到;
若是,则确定所述发生打火故障的区域相对于预设参考点的距离和方向,基于所述距离和方向,确定所述发生打火故障的区域的相对位置。
2.根据权利要求1所述的定位方法,其特征在于,通过训练后的卷积神经网络模型对待分析的监测图像进行分析,以判断目标设备是否发生打火故障,具体包括:
提取所述待分析的监测图像的图像特征;
通过训练后的卷积神经网络模型对所述图像特征进行分析,确定所述图像特征与打火故障特征集合的匹配程度,所述打火故障特征集合基于发生打火故障的历史监测图像得到;
根据所述匹配程度判断所述目标设备是否发生所述打火故障。
3.根据权利要求1所述的定位方法,其特征在于,通过训练后的卷积神经网络模型对监测图像进行检测,以判断设备是否发生打火故障之前,还包括:
对所述历史监测图像进行预处理,将发生打火故障特征的历史监测图像作为训练卷积神经网络模型所需的样本数据;
利用机器学习方法并基于所述样本数据,对卷积神经网络模型进行训练,得到所述训练后的卷积神经网络模型。
4.根据权利要求1所述的定位方法,其特征在于,确定所述发生打火故障的区域相对于预设参考点的距离和方向,基于所述距离和方向,确定所述发生打火故障的区域的相对位置,具体包括:
预先设置所述待分析的监测图像的中心为所述预设参考点;
按照像素坐标系对所述待分析的监测图像进行区域划分,以确定所述发生打火故障的区域相对于所述预设参考点的方向;
计算所述发生打火故障的区域与所述预设参考点的像素距离,作为所述发生打火故障的区域相对于所述预设参考点的距离;
基于所述距离和方向,确定所述发生打火故障的区域的相对位置。
5.根据权利要求1所述的定位方法,其特征在于,基于所述距离和方向,确定所述发生打火故障的区域的相对位置,具体包括:
将所述发生打火故障的区域相对于所述预设参考点的距离和方向映射到所述目标设备的实物图像中,以确定所述发生打火故障的区域的相对位置。
6.根据权利要求1所述的定位方法,其特征在于,判断所述目标设备发生打火故障后,所述方法还包括:
发出对所述目标设备的故障警报。
7.根据权利要求1所述的定位方法,其特征在于,若所述目标设备发生打火故障,所述定位方法还包括:
通过训练后的卷积神经网络模型对所述待分析的监测图像进行检测,确定所述目标设备发打火故障的故障强度。
8.一种设备故障的定位装置,其特征在于,包括:
判断模块,用于通过训练后的卷积神经网络模型对待分析的监测图像进行分析,以判断目标设备是否发生打火故障,所述卷积神经网络模型基于所述目标设备的历史监测图像训练得到,所述待分析的监测图像和所述历史检测图像通过对所述目标设备进行监测得到;
确定模块,用于当所述设备发生打火故障时,则确定所述发生打火故障的区域相对于预设参考点的距离和方向,基于所述距离和方向,确定所述发生打火故障的区域的相对位置。
9.一种设备故障的定位设备,其特征在于,包括:
处理器;以及被安排成存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器实现上述权利要求1至7任一项所述的设备故障的定位方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时实现上述权利要求1至7任一项所述的设备故障的定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910616821.0A CN110428400B (zh) | 2019-07-09 | 2019-07-09 | 一种设备故障的定位方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910616821.0A CN110428400B (zh) | 2019-07-09 | 2019-07-09 | 一种设备故障的定位方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110428400A true CN110428400A (zh) | 2019-11-08 |
CN110428400B CN110428400B (zh) | 2021-08-27 |
Family
ID=68410401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910616821.0A Active CN110428400B (zh) | 2019-07-09 | 2019-07-09 | 一种设备故障的定位方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110428400B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110901224A (zh) * | 2019-11-27 | 2020-03-24 | 中国印钞造币总公司 | 印刷机及其故障叼牙查找装置、方法 |
CN111080578A (zh) * | 2019-11-27 | 2020-04-28 | 西安交通大学 | 一种利用图像识别评估电弧故障危险程度的方法 |
CN112180217A (zh) * | 2020-09-30 | 2021-01-05 | 福州大学 | 一种配电网单相接地故障区段定位方法及系统 |
CN112506159A (zh) * | 2020-12-11 | 2021-03-16 | 北京南洋思源智能科技有限公司 | 监测方法及装置、监测平台、计算机可读存储介质 |
CN112804072A (zh) * | 2019-11-14 | 2021-05-14 | 深信服科技股份有限公司 | 一种故障信息收集方法、装置、目标电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106226050A (zh) * | 2016-07-15 | 2016-12-14 | 北京航空航天大学 | 一种tfds故障自动识别方法 |
CN107255522A (zh) * | 2017-07-10 | 2017-10-17 | 国网信息通信产业集团有限公司 | 一种变压器故障诊断的方法及装置 |
CN107437245A (zh) * | 2017-06-26 | 2017-12-05 | 西南交通大学 | 基于深度卷积神经网络的高速铁路接触网故障诊断方法 |
CN109615000A (zh) * | 2018-12-04 | 2019-04-12 | 深圳码隆科技有限公司 | 故障识别方法、装置和服务器 |
US10311342B1 (en) * | 2016-04-14 | 2019-06-04 | XNOR.ai, Inc. | System and methods for efficiently implementing a convolutional neural network incorporating binarized filter and convolution operation for performing image classification |
-
2019
- 2019-07-09 CN CN201910616821.0A patent/CN110428400B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10311342B1 (en) * | 2016-04-14 | 2019-06-04 | XNOR.ai, Inc. | System and methods for efficiently implementing a convolutional neural network incorporating binarized filter and convolution operation for performing image classification |
CN106226050A (zh) * | 2016-07-15 | 2016-12-14 | 北京航空航天大学 | 一种tfds故障自动识别方法 |
CN107437245A (zh) * | 2017-06-26 | 2017-12-05 | 西南交通大学 | 基于深度卷积神经网络的高速铁路接触网故障诊断方法 |
CN107255522A (zh) * | 2017-07-10 | 2017-10-17 | 国网信息通信产业集团有限公司 | 一种变压器故障诊断的方法及装置 |
CN109615000A (zh) * | 2018-12-04 | 2019-04-12 | 深圳码隆科技有限公司 | 故障识别方法、装置和服务器 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112804072A (zh) * | 2019-11-14 | 2021-05-14 | 深信服科技股份有限公司 | 一种故障信息收集方法、装置、目标电子设备及存储介质 |
CN112804072B (zh) * | 2019-11-14 | 2023-05-16 | 深信服科技股份有限公司 | 一种故障信息收集方法、装置、目标电子设备及存储介质 |
CN110901224A (zh) * | 2019-11-27 | 2020-03-24 | 中国印钞造币总公司 | 印刷机及其故障叼牙查找装置、方法 |
CN111080578A (zh) * | 2019-11-27 | 2020-04-28 | 西安交通大学 | 一种利用图像识别评估电弧故障危险程度的方法 |
CN111080578B (zh) * | 2019-11-27 | 2022-08-16 | 西安交通大学 | 一种利用图像识别评估电弧故障危险程度的方法 |
CN112180217A (zh) * | 2020-09-30 | 2021-01-05 | 福州大学 | 一种配电网单相接地故障区段定位方法及系统 |
CN112506159A (zh) * | 2020-12-11 | 2021-03-16 | 北京南洋思源智能科技有限公司 | 监测方法及装置、监测平台、计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110428400B (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428400A (zh) | 一种设备故障的定位方法、装置、设备及存储介质 | |
CN104394361A (zh) | 行人越界智能监控装置与检测方法 | |
Hosseini et al. | Intelligent damage classification and estimation in power distribution poles using unmanned aerial vehicles and convolutional neural networks | |
CN111614913B (zh) | 基于隔离开关位置智能识别的一键顺控双确认系统及方法 | |
CN105245831A (zh) | 基于双目视觉的探测器 | |
CN107133592B (zh) | 电力变电站采用红外热成像及可见光成像技术融合的人体目标特征检测算法 | |
CN108872781A (zh) | 基于电力设施智能巡检的分析方法及装置 | |
CN109117764A (zh) | 在电力监控中采用颜色阈值法识别目标物体区域电气符号的方法 | |
CN109271844A (zh) | 基于OpenCV的电气柜电气符号识别方法 | |
CN111368727A (zh) | 配电室巡检人员着装检测方法、存储介质、系统、装置 | |
CN207926277U (zh) | 一种变电站隔离开关远程监视系统 | |
Yan et al. | Deep learning‐based substation remote construction management and AI automatic violation detection system | |
CN107403169B (zh) | 信号灯检测识别方法及装置 | |
CN111382610B (zh) | 一种事件检测方法、装置及电子设备 | |
CN110188624A (zh) | 一种基于深度学习的变电站风漂物识别方法及系统 | |
CN112001332A (zh) | 隔离开关工作状态监测方法、系统、介质、设备及应用 | |
CN205378015U (zh) | 一种带有双摄像头的探测装置 | |
Tamaki et al. | An automatic compensation system for unclear area in 360-degree images using pan-tilt camera | |
CN209218244U (zh) | 一种全彩夜视监控摄像头 | |
CN114202738A (zh) | 基于边缘计算和人工智能的电网监拍方法、装置及设备 | |
CN113139476A (zh) | 一种面向数据中心的人体行为属性实时检测方法和系统 | |
CN208897637U (zh) | 物流箱及物流箱系统 | |
CN206557937U (zh) | 基于视频监控的智能防外破输电线路监测装置 | |
CN217985415U (zh) | 一种uwb基站和图像采集装置一体化定位装置 | |
CN213235135U (zh) | 矿工安全管理系统 |
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 | ||
CB02 | Change of applicant information |
Address after: 100081 No.101, 1st floor, building 14, 27 Jiancai Chengzhong Road, Haidian District, Beijing Applicant after: Beijing PERCENT Technology Group Co.,Ltd. Address before: 100081 16 / F, block a, Beichen Century Center, building 2, courtyard 8, Beichen West Road, Chaoyang District, Beijing Applicant before: BEIJING BAIFENDIAN INFORMATION SCIENCE & TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |