CN111798407A - 一种基于神经网络模型的带电设备故障诊断方法 - Google Patents
一种基于神经网络模型的带电设备故障诊断方法 Download PDFInfo
- Publication number
- CN111798407A CN111798407A CN202010414353.1A CN202010414353A CN111798407A CN 111798407 A CN111798407 A CN 111798407A CN 202010414353 A CN202010414353 A CN 202010414353A CN 111798407 A CN111798407 A CN 111798407A
- Authority
- CN
- China
- Prior art keywords
- temperature
- image
- measured object
- neural network
- network model
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000003062 neural network model Methods 0.000 title claims abstract description 20
- 230000007547 defect Effects 0.000 claims abstract description 56
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000007689 inspection Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims description 47
- 238000010438 heat treatment Methods 0.000 claims description 40
- 238000012937 correction Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 16
- 238000001931 thermography Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000009529 body temperature measurement Methods 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000032683 aging Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000428 dust Substances 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 238000003331 infrared imaging Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 239000012212 insulator Substances 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- 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
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Radiation Pyrometers (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种基于神经网络模型的带电设备故障诊断方法,包括以下主要步骤:S1、采集被测对象的红外图像;S2、进行图像处理,并建立图像模型库;S3、关联被测对象的对象名称,提取检测特征;S4、阙值上限设置,制定诊断规则;S5、构建缺陷样本图像的数据集,构建卷积神经网络模型并对卷积神经网络模型进行训练;S6、在线采集被测对象的红外图像,通过卷积神经网络模型实现在线的自动诊断,从而识别诊断带电设备存在的故障。本发明通过将训练出的卷积神经网络模型应用于带电设备缺陷图像的识别中,实现了对带电设备故障的精确识别,操作简便,数据规范统一,能减轻电力巡检工作难度,提高巡检效率,提升故障检出率。
Description
技术领域
本发明涉及红外诊断的技术领域,尤其涉及一种基于神经网络模型的带电设备故障诊断方法。
背景技术
红外检测是电网电力设备带电检测中一种常规、有效的检测方式,具有远距离、非接触、实时成像等优点,整个检测过程中利用红外热成像技术对电力设备进行检测,通过分析对比设备的红外热像图发现设备可能存在的热缺陷,预见性发现电力设备存在的故障问题,避免电力设备严重损坏。目前红外检测广泛应用于各个电压等级输变配电系统。
虽然电力工作者可基于《带电设备红外诊断应用规范》对传统电力设备进行红外热缺陷判断,但该规范所要求的红外专业知识高,包含的设备缺陷诊断规则复杂,大部分一线电力工作者没有熟练掌握,导致在实际检测过程中出现漏检、误检的情况。
另外,同一设备由于负荷、环境、材料等方面的不同,红外检测获得的温度数据有偏差,会直接影响红外诊断的结果。
此外,常规红外检测没有规范的红外拍摄流程,同一设备不同时间拍摄的红外热像图因角度、大小不同,无法统一进行数据对比。而传统红外检测拍摄的大量红外热像图无法根据拍摄时间、设备类型、三相对比等关联信息进行有效的数据分析,降低了电力工作者带电检测的工作效率。
例如,一种在中国专利文献上公开的“一种基于红外图像的绝缘子远程监测及故障诊断的方法”(公告号CN201810005323.8),通过由手机端和服务器端构成的系统来实现对电网上绝缘子的运行状态进行远程监控和故障绝缘子的定位导航,其中:手机端包括故障绝缘子信息显示模块、网络通信模块、故障绝缘子定位和导航模块,服务器端包括网络通信模块、MTALAB图像处理模块、数据库模块;当电网出现故障绝缘子时,手机端通过网络通信模块,从服务器端获取故障的绝缘子诊断结果及位置信息,并且显示在巡检人员的手机客户端,此时巡检人员通过故障绝缘子定位和导航模块实现对故障绝缘子的巡检导航,该方法没有考虑同一设备由于负荷、环境、材料等方面的不同,红外检测获得的温度数据有偏差,会直接影响红外诊断的结果,故障检出率低。
发明内容
本发明是为了克服现有技术中带电设备红外诊断方法中存在的应用规范复杂繁琐,红外拍摄流程非规范化,大量红外热图像数据未有效利用,且同一设备由于负荷、环境、材料等方面的不同,红外检测获得的温度数据有偏差,会直接影响红外诊断的结果,故障检出率低,不能及时预警的技术问题,提供一种基于神经网络模型的带电设备故障诊断方法,操作简便,数据规范统一,能减轻电力巡检工作难度,提高巡检效率,提升故障检出率。
为了实现上述目的,本发明采用以下技术方案:
一种基于神经网络模型的带电设备故障诊断方法,所述方法包括以下步骤:
S1、采集被测对象的红外图像:为特定区域内所有被测对象开展多次定点、定向、定位的红外精确拍摄;
S2、对步骤S1中采集到的红外图像进行图像处理,并建立图像模型库:建立图像模型,透明化图像模型,作为图像模型库保存;
S3、关联被测对象的对象名称,提取检测特征:将步骤S2中建立的图像模型与被测对象的对象名称关联;
S4、阙值上限设置,制定诊断规则;
S5、构建缺陷样本图像的数据集,构建卷积神经网络模型并对卷积神经网络模型进行训练;
S6、在线采集被测对象的红外图像,将待检测被测对象的图像输入到上述训练好的卷积神经网络模型中进行图像匹配,通过卷积神经网络模型实现在线的自动诊断,从而识别诊断带电设备存在的故障;
S7、将诊断结果上传并储存到诊断系统中,诊断系统根据诊断结果对远程控制端发出预警信号,巡检人员对带电设备进行排查。
作为优选,所述步骤S2包括以下步骤:
S2.1、选定红外热图像中被测对象的区域,根据预设的阈值对图像做二值化处理:使用双阈值边缘提取方法实现边缘选取,在高阈值图像中把边缘链接成轮廓,使得整个图像边缘闭合,最终将边缘提取后的图像做矢量化处理,生成一个被测对象的矢量图;
S2.2、批量透明化处理所有图像模型:对图像模型轮廓内外的像素做全透明处理,模型图轮廓的像素做半透明处理。
作为优选,所述步骤S3包括以下步骤:
S3.1、将步骤S2处理好的图像模型与被测对象的对象名称关联,并关联被测对象图像模型的对象材质与对应的辐射率;
S3.2、建立若干分析框,手动提取对齐点,从分析框最小外接矩形边缘出发设置对齐点停止提取条件,以确定分析框区域,将若干分析框根据对齐点覆盖被测对象的被测对象的不同部位,并对不同部位覆盖的分析框进行标记,以及对上述标记的不同分析框内的被测对象进行特征检测提取。
作为优选,所述S3.2中特征检测提取包括以下步骤:
将被测对象红外热成像的分析框按MxN划分小方格,对分析框进行二维图像坐标系建立,对每个小方格均随机部署f个测量点,(mx,ny)为每个小方格像素块测量点的坐标,并对每个小方格区域中f个测量点的温度进行测量,记为Tfn,计算并统计每个小方格区域内的平均温度值Tmean,平均温度值如下公式所述:
将每个小方格的平均温度Tmean作为小方格的温度;
步骤2、对比并记录每个小方格与其相邻小方格的温度差值,将多个相邻小方格的温度差值的温度最大值Tmax作为对应分析框的温度梯度K;
步骤3、测量被测对象每个小方格的发热部位面积Sm,n,根据被测对象温度和发热部位面积占比的关系建立数学模型,得到温度覆盖率Qn:
Qn=Tfn*(Sn/100);
步骤4、重新采集影响红外热成像分析框温度变化的数据,所述温度变化的数据包括带电设备环境温度参照体的温度T环境、发热点T异常和正常点的温度T正常;
步骤5、将所述的每个小方格的平均温度Tmean、温度覆盖率Qn、温度梯度K、环境温度参照体的温度T环境、发热点T异常和正常点的温度T正常作为神经网络模型的特征数据输入样本。
作为优选,所述步骤S5包括以下步骤:
S5.1、输入步骤S3.2中检测提取后的特征数据,并进行归一化处理,形成特征数据库;
S5.2、将该特征数据库中的数据集中的所有缺陷样本图像划分出训练集和验证集;
S5.3、搭建卷积神经网络模型;
S5.4、设定迭代周期,输入被测对象缺陷样本图像;
S5.5、计算损失函数;
S5.6、用优化器进行迭代优化计算,得到更新的卷积神经网络模型的最优的模型参数;
S5.7、在每一个迭代周期都进行步骤S5.4到步骤S5.7的迭代优化运算,每迭代一个周期,输出一次验证集准确率,可对参数进行微调或修改迭代周期数来获得最优模型,当迭代周期达到迭代周期设定值时退出训练。
作为优选,所述步骤S1包括区域内对所有被测对象进行精确拍摄,在安全距离允许的情况下,被测对象充满红外热成像画面且未被遮挡,保存被测对象的红外热像图。
作为优选,所述缺陷性质包括无缺陷、一般缺陷、严重缺陷和紧急缺陷;所述被测对象制热类型包括电流制热型和电压制热型,每个被测对象对应一个或者多个制热类型,被测对象与制热类型关联;所述故障特征包括被测对象发热部位存在接触不良或老化积灰现象。
作为优选,所述步骤S4包括:
S4.1、设置被测对象某一部位正常发热情况下的温度为T正常,异常发热情况下的温度T异常,环境温度为T环境,可得到:
其中τ1表示发热点的温升;τ2表示正常相对应点的温升;
S4.2、设定被测对象红外成像分析框的正常发热情况下的最大温度为T正常max,最小温度为T正常min,设置温度阙值范围为[T正常max,T正常min],当存在小方格的温度梯度K超过设定阙值,则发出报警;
S4.3、将分析框的每个小方格的平均温度Tmean,若该分析框内的温度总和超过温度阙值范围[T正常max,T正常min],则发出报警;
S4.4、比较被测对象不同分析框的温度覆盖率Qn,通过比较判断被测对象的缺陷性质。
作为优选,所述步骤S6包括以下步骤:
S6.1、根据带电检测的巡检顺序生成一个任务列表,巡检过程中按照任务列表的顺序拍摄;
S6.2、选择热像装置的任务模式,界面一侧显示被测对象的任务列表,主界面显示实时的红外热像图,任务列表中的被测对象对应的图像模型及分析框自动叠加在红外热像图的中间区域;
S6.3、拍摄者调整画面中被测对象的大小、位置使被测对象与图像模型重合,热像装置自动保存该被测对象的红外热像图,同时保存拍摄时间;
S6.4、将任务列表中的所有被测对象拍摄完毕后,将保存的红外热像图输入到上述训练好的卷积神经网络模型中与训练集进行图像匹配;
S6.5、根据诊断规则对被测对象进行诊断,并自动冻结图像,冻结的红外图像上叠加被测设备的诊断结果。
作为优选,所述步骤S6.4中包括巡检人员根据被测对象当时的负荷、风速以及环境温度,修正被测对象的分析框内的温度,所述修正包括以下步骤:
S7.1、采用二次线性方程拟合建立测温数学模型,分布得到被测对象温度T与负荷P的关系T修正=f1(T,P)、被测对象温度T风速与风速W的关T修正=f2(T,W)以及被测对象温度T环境温度与环境温度的关系T惨正=f3(T,T环境);
S7.2、读取被测对象当时的负荷P、风速W以及环境温度T环境,将被测对象采集的红外图像上的温度,代入f1(T,P),得到的T修正作为T代入T修正=f2(T,W),再代入T修正=f3(T,T环境)得到最终修正的被测对象的修正后的实测温度分布。
本发明的有益效果是:1.规范了带电设备红外精确诊断的拍摄流程,建立了完善的图像模型库;2.加入了负荷、风速、环境温度修正参数,提高红外测温的准确性;3.关联被测对象名称、对象材质、部件名称、缺陷性质、部件制热类型提高检测效率,无需人工诊断;4.诊断系统多维度比对同线路、同部位、同类型被测对象的温度变化趋势,提升故障检出率;5.利用卷积神经网络,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,能利用卷积神经网络从预先标记好的样本数据集中学习特征,从而快速准确进行分割,具有很强的适应性和鲁棒性,通过将训练出的卷积神经网络模型应用于带电设备缺陷图像的识别中,实现了对带电设备故障的精确识别。
附图说明
图1为本发明的热像装置框图;
图2为本发明的流程示意图;
图3为本发明的图像模型边缘处理、透明化处理示意图;
图4为本发明的被测对象材质、部件诊断位置、缺陷性质、制热类型的设置菜单界面示意图;
图5为本发明根据图像模型对被测对象进行拍摄、诊断流程的界面示意图;
图6为本发明同线路被测对象时间轴温度变化曲线的界面示意图;
图7为本发明被测对象同部位时间轴温度变化趋势曲线的界面示意图;
图8为本发明同类型被测对象温度变化曲线的界面示意图。
图中:1.热像装置,2.控制部,3.拍摄部,301.二值化处理,302.边缘提取,303.透明化,4.图像处理部,401.对象名称,402.对象材质,403.部件名称,404.缺陷性质,405.部件制热类型,406.辐射率,5.显示部,501.任务列表,502.实时红外热像图,503.图像模型,504.被测对象,505.诊断结果,506.对话框,6.操作部,7.存储部,701.温度阈值,8.通信部,9.诊断系统。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例1:本实施例的一种基于神经网络模型的带电设备故障诊断方法,如图2所示,包括以下步骤:
S1、采集被测对象的红外图像:为特定区域内所有被测对象开展多次定点、定向、定位的红外精确拍摄;
S2、对步骤S1中采集到的红外图像进行图像处理,并建立图像模型库:建立图像模型,透明化图像模型,作为图像模型库保存;
S3、关联被测对象的对象名称,提取检测特征:将步骤S2中建立的图像模型与被测对象的对象名称关联;
S4、阙值上限设置,制定诊断规则;
S5、构建缺陷样本图像的数据集,构建卷积神经网络模型并对卷积神经网络模型进行训练;
S6、在线采集被测对象的红外图像,将待检测被测对象的图像输入到上述训练好的卷积神经网络模型中进行图像匹配,通过卷积神经网络模型实现在线的自动诊断,从而识别诊断带电设备存在的故障;
S7、将诊断结果上传并储存到诊断系统中,诊断系统根据诊断结果对远程控制端发出预警信号,巡检人员对带电设备进行排查。
具体描述如下:
步骤S1为特定区域内所有被测对象开展多次定点、定向、定位的红外精确拍摄,采集被测对象的红外图像,包括区域内对所有被测对象进行精确拍摄,在安全距离允许的情况下,被测对象充满红外热成像画面且未被遮挡,保存被测对象的红外热像图。
如图3(a)所示,步骤S2包括以下步骤:
S2.1、选定红外热图像中被测对象的区域,根据预设的阈值对图像做二值化处理:阈值的范围(温度值、灰度值)可以人工设置,二值化处理后使用双阈值边缘提取方法实现边缘选取,在高阈值图像中把边缘链接成轮廓,使得整个图像边缘闭合,最终将边缘提取后的图像做矢量化处理,生成一个被测对象的矢量图;
S2.2、批量透明化处理所有图像模型:边缘提取处理后的被测对象矢量图如直接叠加到实际使用的红外热像图上会产生遮挡,需要做透明化处理,如图3(b),因此需要对图像模型轮廓内外的像素做全透明处理,模型图轮廓的像素做半透明处理,透明比例可以调整。
步骤S3包括以下步骤:
S3.1、将步骤S2处理好的图像模型与被测对象的对象名称关联,并关联被测对象图像模型的对象材质与对应的辐射率,由于被测对象因类型的不同对象材质也会有所不同,对应的辐射率有差别,用单一辐射率计算所有被测对象会影响最终测温结果的准确性,因此需要根据辐射率与材质对应关系表,关联被测对象图像模型的对象材质与对应的辐射率;
S3.2、建立若干分析框,手动提取对齐点,从分析框最小外接矩形边缘出发设置对齐点停止提取条件,以确定分析框区域,将若干分析框根据对齐点覆盖被测对象的被测对象的不同部位,并对不同部位覆盖的分析框进行标记,以及对上述标记的不同分析框内的被测对象进行特征检测提取。
S3.2中特征检测提取包括以下步骤:
步骤1、将被测对象红外热成像的分析框按MxN划分小方格,对分析框进行二维图像坐标系建立,对每个小方格均随机部署f个测量点,(mx,ny)为每个小方格像素块测量点的坐标,并对每个小方格区域中f个测量点的温度进行测量,记为Tfn,计算并统计每个小方格区域内的平均温度值Tmean,平均温度值如下公式所述:
将每个小方格的平均温度Tmean作为小方格的温度;
步骤2、对比并记录每个小方格与其相邻小方格的温度差值,将多个相邻小方格的温度差值的温度最大值Tmax作为对应分析框的温度梯度K;
步骤3、测量被测对象每个小方格的发热部位面积Sm,n,根据被测对象温度和发热部位面积占比的关系建立数学模型,得到温度覆盖率Qn:
Qn=Tfn*(Sn/100);
步骤4、重新采集影响红外热成像分析框温度变化的数据,所述温度变化的数据包括带电设备环境温度参照体的温度T环境、发热点T异常和正常点的温度T正常;
步骤5、将所述的每个小方格的平均温度Tmean、温度覆盖率Qn、温度梯度K、环境温度参照体的温度T环境、发热点T异常和正常点的温度T正常作为神经网络模型的特征数据输入样本。
不同被测对象对应一个或者多个诊断规则,根据步骤S4可知:
S4.1、设置被测对象某一部位正常发热情况下的温度为T正常,异常发热情况下的温度T异常,环境温度为T环境,可得到:
其中τ1表示发热点的温升;τ2表示正常相对应点的温升;
S4.2、设定被测对象红外成像分析框的正常发热情况下的最大温度为T正常max,最小温度为T正常min,设置温度阙值范围为[T正常max,T正常min],当存在小方格的温度梯度K超过设定阙值,则发出报警;
S4.3、将分析框的每个小方格的平均温度Tmean,若该分析框内的温度总和超过温度阙值范围[T正常max,T正常min],则发出报警;
S4.4、比较被测对象不同分析框的温度覆盖率Qn,通过比较判断被测对象的缺陷性质。
缺陷性质包括无缺陷、一般缺陷、严重缺陷和紧急缺陷;被测对象制热类型包括电流制热型和电压制热型,不同被测对象对应一个或者多个制热类型,被测对象与制热类型关联;故障特征包括被测对象发热部位存在接触不良或老化积灰现象。
以被测对象4为例,设置分析框为S1、S2:
一般缺陷:S1最高温度与环境温度差值大于15℃且S1最高温度小于80℃(S1MAX-环境温度>15℃且S1MAX<80℃);
严重缺陷:S1最高温度大于等于80℃且小于等于110℃(S1MAX≥80℃且S1MAX≤110℃);
紧急缺陷:S1最高温度大于110℃(S1MAX>110℃)。
步骤S5构建缺陷样本图像的数据集,构建卷积神经网络模型并对卷积神经网络模型进行训练包括以下步骤:
S5.1、输入步骤S3.2中检测提取后的特征数据,并进行归一化处理,形成特征数据库;
S5.2、将该特征数据库中的数据集中的所有缺陷样本图像划分出训练集和验证集;
S5.3、搭建卷积神经网络模型;
S5.4、设定迭代周期,输入被测对象缺陷样本图像;
S5.5、计算损失函数;
S5.6、用优化器进行迭代优化计算,得到更新的卷积神经网络模型的最优的模型参数;
S5.7、在每一个迭代周期都进行步骤S5.4到步骤S5.7的迭代优化运算,每迭代一个周期,输出一次验证集准确率,可对参数进行微调或修改迭代周期数来获得最优模型,当迭代周期达到迭代周期设定值时退出训练。
搭建卷积神经网络模型包括输入缺陷样本图像后对图像进行卷积操作,并进行输出特征操作,对特征图进行加权通过上采样还原到原来的分辨率,最终输出分割图像。
使用双向分割网络,保证了空间分辨率和感受野,使得卷积神经网络模型具备对带电设备故障精确诊断的功能。
步骤S6包括以下步骤:
S6.1、根据带电检测的巡检顺序生成一个任务列表,巡检过程中按照任务列表的顺序拍摄;
S6.2、选择热像装置的任务模式,获得如图5(a)的界面示意图,界面一侧显示被测对象的任务列表,主界面显示实时的红外热像图,任务列表中的被测对象对应的图像模型及分析框自动叠加在红外热像图的中间区域,由于步骤S2对图像模型做了透明化处理,拍摄者能透过图像模型图层清晰观察到底层的红外热像图;
S6.3、拍摄者调整画面中被测对象的大小、位置使被测对象与图像模型重合,热像装置自动保存该被测对象的红外热像图,同时保存拍摄时间;
S6.4、将任务列表中的所有被测对象拍摄完毕后,将保存的红外热像图输入到上述训练好的卷积神经网络模型中与训练集进行图像匹配;
S6.5、根据诊断规则对被测对象进行诊断,并自动冻结图像,冻结的红外图像上叠加被测设备的诊断结果。
步骤S6.4中包括巡检人员根据被测对象当时的负荷、风速以及环境温度,修正被测对象的分析框内的温度,修正包括以下步骤:
S7.1、采用二次线性方程拟合建立测温数学模型,分布得到被测对象温度T与负荷P的关系T修正=f1(T,P)、被测对象温度T风速与风速W的关T修正=f2(T,W)以及被测对象温度T环境温度与环境温度的关系T修正=T3(T,T环境);
S7.2、读取被测对象当时的负荷P、风速W以及环境温度T环境,将被测对象采集的红外图像上的温度,代入f1(T,P),得到的T修正作为T代入T修正=f2(T,W),再代入T修正=f3(T,T环境)得到最终修正的被测对象的修正后的实测温度分布。
以改变被测对象的负荷为例,从50A每隔10A提高负荷至200A,记录每个负荷时接触式测温设备的温度数据,拟合得到二次线性方程为:
f1(T,P)=p10+p11*T1+p12*P1+p13*T1^2+p14*T1*P1+p15*P1^2;
其中f1(T,P)为实际被测对象温度;
T为修正前的温度;P为负荷数值;
系数p10=-234.1,系数p11=12.21,系数p12=0.04792,系数p13=-0.07269,系数p14=-0.008746,系数p15=-1.8279e-07。
步骤S7将诊断结果上传并储存到诊断系统中,诊断系统根据诊断结果对远程控制段发出预警信号,巡检人员对带电设备进行排查。
诊断系统可调用数据库内基于拍摄时间远近区分的某个被测对象的温度数据,该被测对象包含多个部件,每个部件都有对应的分析框分析该部件的最高温或平均温,如图7。
如图6,根据选择的时间区间,获得每个时间节点该被测对象部件的温度数据,在一个坐标系里生成多条温度曲线。其中横坐标代表了该时间区间的每个拍摄时间,纵坐标代表了温度数值,每条特征曲线代表了该被测对象的不同部件的最高温或平均温温度曲线。这样可直观地观察出该被测对象不同部件间的温度变化趋势,与其他部件温度变化趋势偏离的部件需要关注。可显示一条或多条温度阈值701,用于使用者理解该部件是否超过了预设的温度阈值;
诊断系统还可调用数据库内基于拍摄时间远近区分的同类型所有被测对象的温度数据,每个被测对象有对应的最高温或平均温,如图8。根据选择的时间区间,获得每个时间节点该被测对象的温度数据,在一个坐标系里生成多条温度曲线。其中横坐标代表了该时间区间的每个拍摄时间,纵坐标代表了温度数值,每条特征曲线代表了同类型不同线路的被测对象的最高温或平均温温度曲线。这样如某被测设备801已被诊断出有缺陷,可快速找到同类型温度曲线趋势相似的被测设备802,也可能存在类似缺陷,可提前预判。
实施例1表示热像装置1的结构。热像装置1由控制部2、拍摄部3、图像处理部4、显示部5、操作部6、存储部7和通信部8组成。控制部2负责热像装置1的总体控制,负责所有操作指令的发出和数据流的输入输出,由CPU、MPU、SOC、FPGA等实现。
拍摄部3由未图示的光学部件、镜头驱动部件、非制冷红外探测器、信号预处理电路等构成。
图像处理部4用于对拍摄部3获得的热像数据进行如修正、插值、伪彩、合成、压缩、解压等,进行转换为适合于显示、记录等数据的处理。
显示部5根据控制部2的控制,显示图像数据转换的视频信号输出,显示实时红外热像图、标识和菜单。
操作部6用于拍摄者的各项操作,可按键操作也可触摸屏触摸操作。存储部7包括对拍摄部3输出的热像数据的临时存储以及作为可改写的存储器存储卡,存储卡可拆装在热像装置1的卡槽内。通信部8可通过USB、蓝牙、WIFI等通信规范将热像装置1与计算机、服务器、可见光拍摄装置等外部装置进行连接并数据交换,实施例中热像装置1通过通信部8与计算机中的诊断系统9交互。
本发明的有益效果是:1.规范了带电设备红外精确诊断的拍摄流程,建立了完善的图像模型库;2.加入了负荷、风速、环境温度修正参数,提高红外测温的准确性;3.关联被测对象名称、对象材质、部件名称、缺陷性质、部件制热类型提高检测效率,无需人工诊断;4.诊断系统多维度比对同线路、同部位、同类型被测对象的温度变化趋势,提升故障检出率;5.利用卷积神经网络,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,能利用卷积神经网络从预先标记好的样本数据集中学习特征,从而快速准确进行分割,具有很强的适应性和鲁棒性,通过将训练出的卷积神经网络模型应用于带电设备缺陷图像的识别中,实现了对带电设备故障的精确识别。
应理解,本实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
Claims (10)
1.一种基于神经网络模型的带电设备故障诊断方法,其特征在于,所述方法包括以下步骤:
S1、采集被测对象的红外图像:为特定区域内所有被测对象开展多次定点、定向、定位的红外精确拍摄;
S2、对步骤S1中采集到的红外图像进行图像处理,并建立图像模型库:建立图像模型,透明化图像模型,作为图像模型库保存;
S3、关联被测对象的对象名称,提取检测特征:将步骤S2中建立的图像模型与被测对象的对象名称关联;
S4、阙值上限设置,制定诊断规则;
S5、构建缺陷样本图像的数据集,构建卷积神经网络模型并对卷积神经网络模型进行训练;
S6、在线采集被测对象的红外图像,将待检测被测对象的图像输入到上述训练好的卷积神经网络模型中进行图像匹配,通过卷积神经网络模型实现在线的自动诊断,从而识别诊断带电设备存在的故障;
S7、将诊断结果上传并储存到诊断系统中,诊断系统根据诊断结果对远程控制端发出预警信号,巡检人员对带电设备进行排查。
2.根据权利要求1所述的一种基于神经网络模型的带电设备故障诊断方法,其特征在于,所述步骤S2包括以下步骤:
S2.1、选定红外热图像中被测对象的区域,根据预设的阈值对图像做二值化处理:使用双阈值边缘提取方法实现边缘选取,在高阈值图像中把边缘链接成轮廓,使得整个图像边缘闭合,最终将边缘提取后的图像做矢量化处理,生成一个被测对象的矢量图;
S2.2、批量透明化处理所有图像模型:对图像模型轮廓内外的像素做全透明处理,模型图轮廓的像素做半透明处理。
3.根据权利要求1所述的一种基于神经网络模型的带电设备故障诊断方法,其特征在于,所述步骤S3包括以下步骤:
S3.1、将步骤S2处理好的图像模型与被测对象的对象名称关联,并关联被测对象图像模型的对象材质与对应的辐射率;
S3.2、建立若干分析框,手动提取对齐点,从分析框最小外接矩形边缘出发设置对齐点停止提取条件,以确定分析框区域,将若干分析框根据对齐点覆盖被测对象的被测对象的不同部位,并对不同部位覆盖的分析框进行标记,以及对上述标记的不同分析框内的被测对象进行特征检测提取。
4.根据权利要求2所述的一种基于神经网络模型的带电设备故障诊断方法,其特征在于,所述S3.2中特征检测提取包括以下步骤:
步骤1、将被测对象红外热成像的分析框按MxN划分小方格,对分析框进行二维图像坐标系建立,对每个小方格均随机部署f个测量点,(mx,ny)为每个小方格像素块测量点的坐标,并对每个小方格区域中f个测量点的温度进行测量,记为Tfn,计算并统计每个小方格区域内的平均温度值Tmean,平均温度值如下公式所述:
将每个小方格的平均温度Tmean作为小方格的温度;
步骤2、对比并记录每个小方格与其相邻小方格的温度差值,将多个相邻小方格的温度差值的温度最大值Tmax作为对应分析框的温度梯度K;
步骤3、测量被测对象每个小方格的发热部位面积Sm,n,根据被测对象温度和发热部位面积占比的关系建立数学模型,得到温度覆盖率Qn:
Qn=Tfn*(Sn/100);
步骤4、重新采集影响红外热成像分析框温度变化的数据,所述温度变化的数据包括带电设备环境温度参照体的温度T环境、发热点T异常和正常点的温度T正常;
步骤5、将所述的每个小方格的平均温度Tmean、温度覆盖率Qn、温度梯度K、环境温度参照体的温度T环境、发热点T异常和正常点的温度T正常作为神经网络模型的特征数据输入样本。
5.根据权利要求1所述的一种基于神经网络模型的带电设备故障诊断方法,其特征在于,所述步骤S5包括以下步骤:
S5.1、输入步骤S3.2中检测提取后的特征数据,并进行归一化处理,形成特征数据库;
S5.2、将该特征数据库中的数据集中的所有缺陷样本图像划分出训练集和验证集;
S5.3、搭建卷积神经网络模型;
S5.4、设定迭代周期,输入被测对象缺陷样本图像;
S5.5、计算损失函数;
S5.6、用优化器进行迭代优化计算,得到更新的卷积神经网络模型的最优的模型参数;
S5.7、在每一个迭代周期都进行步骤S5.4到步骤S5.7的迭代优化运算,每迭代一个周期,输出一次验证集准确率,可对参数进行微调或修改迭代周期数来获得最优模型,当迭代周期达到迭代周期设定值时退出训练。
6.根据权利要求1所述的一种基于神经网络模型的带电设备故障诊断方法,其特征在于,所述步骤S1包括区域内对所有被测对象进行精确拍摄,在安全距离允许的情况下,被测对象充满红外热成像画面且未被遮挡,保存被测对象的红外热像图。
7.根据权利要求1所述的一种基于神经网络模型的带电设备故障诊断方法,其特征在于,所述缺陷性质包括无缺陷、一般缺陷、严重缺陷和紧急缺陷;所述被测对象制热类型包括电流制热型和电压制热型,每个被测对象对应一个或者多个制热类型,被测对象与制热类型关联;所述故障特征包括被测对象发热部位存在接触不良或老化积灰现象。
8.根据权利要求1或4所述的一种基于神经网络模型的带电设备故障诊断方法,其特征在于,所述步骤S4包括:
S4.1、设置被测对象某一部位正常发热情况下的温度为T正常,异常发热情况下的温度T异常,环境温度为T环境,可得到:
其中τ1表示发热点的温升;τ2表示正常相对应点的温升;
当温差θ≥80%,则表示被测对象的缺陷性质为严重缺陷,并发出报警;
当温差θ≥95%,则表示被测对象的缺陷性质为紧急缺陷,并发出报警;
S4.2、设定被测对象红外成像分析框的正常发热情况下的最大温度为T正常max,最小温度为T正常min,设置温度阙值范围为[T正常max,T正常min],当存在小方格的温度梯度K超过设定阙值,则发出报警;
S4.3、将分析框的每个小方格的平均温度Tmean,若该分析框内的温度总和超过温度阙值范围[T正常max,T正常min],则发出报警;
S4.4、比较被测对象不同分析框的温度覆盖率Qn,通过比较判断被测对象的缺陷性质。
9.根据权利要求1所述的一种基于神经网络模型的带电设备故障诊断方法,其特征在于,所述步骤S6包括以下步骤:
S6.1、根据带电检测的巡检顺序生成一个任务列表,巡检过程中按照任务列表的顺序拍摄;
S6.2、选择热像装置的任务模式,界面一侧显示被测对象的任务列表,主界面显示实时的红外热像图,任务列表中的被测对象对应的图像模型及分析框自动叠加在红外热像图的中间区域;
S6.3、拍摄者调整画面中被测对象的大小、位置使被测对象与图像模型重合,热像装置自动保存该被测对象的红外热像图,同时保存拍摄时间;
S6.4、将任务列表中的所有被测对象拍摄完毕后,将保存的红外热像图输入到上述训练好的卷积神经网络模型中与训练集进行图像匹配;
S6.5、根据诊断规则对被测对象进行诊断,并自动冻结图像,冻结的红外图像上叠加被测设备的诊断结果。
10.根据权利要求9所述的一种基于神经网络模型的带电设备故障诊断方法,其特征在于,所述步骤S6.4中包括巡检人员根据被测对象当时的负荷、风速以及环境温度,修正被测对象的分析框内的温度,所述修正包括以下步骤:
S7.1、采用二次线性方程拟合建立测温数学模型,分布得到被测对象温度T与负荷P的关系T修正=f1(T,P)、被测对象温度T风速与风速W的关T修正=f2(T,W)以及被测对象温度T环境温度与环境温度的关系T修正=f3(T,T环境);
S7.2、读取被测对象当时的负荷P、风速W以及环境温度T环境,将被测对象采集的红外图像上的温度,代入f1(T,P),得到的T修正作为T代入T修正=f2(T,W),再代入T修正=f3(T,T环境)得到最终修正的被测对象的修正后的实测温度分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010414353.1A CN111798407B (zh) | 2020-05-15 | 2020-05-15 | 一种基于神经网络模型的带电设备故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010414353.1A CN111798407B (zh) | 2020-05-15 | 2020-05-15 | 一种基于神经网络模型的带电设备故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111798407A true CN111798407A (zh) | 2020-10-20 |
CN111798407B CN111798407B (zh) | 2024-05-21 |
Family
ID=72806739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010414353.1A Active CN111798407B (zh) | 2020-05-15 | 2020-05-15 | 一种基于神经网络模型的带电设备故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798407B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112283050A (zh) * | 2020-11-17 | 2021-01-29 | 天津科技大学 | 一种基于机器视觉的风力机叶片在线监测方法 |
CN112881842A (zh) * | 2021-01-25 | 2021-06-01 | 众智学府信息技术有限公司 | 一种设备智能诊断的模块 |
CN113076673A (zh) * | 2021-04-08 | 2021-07-06 | 江苏省送变电有限公司 | 基于神经网络的湿污复合绝缘子温升风险等级评估方法 |
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 |
CN113723189A (zh) * | 2021-07-28 | 2021-11-30 | 广西大学 | 一种基于单阶红外图像目标检测的电力设备故障智能诊断方法 |
CN114136451A (zh) * | 2021-11-30 | 2022-03-04 | 国网黑龙江省电力有限公司电力科学研究院 | 低温环境下红外广域测温系统 |
CN115885883A (zh) * | 2022-12-06 | 2023-04-04 | 西南大学 | 一种畜牧养殖用智能保温灯控制系统及方法 |
CN116090094A (zh) * | 2022-12-27 | 2023-05-09 | 武汉理工大学 | 一种基于红外热成像的船体热模型建立方法、装置及设备 |
CN116388379A (zh) * | 2023-01-18 | 2023-07-04 | 国网浙江省电力有限公司开化县供电公司 | 一种变电站远程红外智能巡检方法及系统 |
CN117538658A (zh) * | 2023-11-16 | 2024-02-09 | 深圳市美信检测技术股份有限公司 | 基于红外光谱及热成像的人工智能故障定位方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103776542A (zh) * | 2012-09-21 | 2014-05-07 | 杭州美盛红外光电技术有限公司 | 热像诊断装置和热像诊断方法 |
CN104535066A (zh) * | 2014-12-19 | 2015-04-22 | 大连海事大学 | 一种船载红外视频图像中的海上目标与电子海图的叠加方法及系统 |
CN104809722A (zh) * | 2015-04-13 | 2015-07-29 | 国家电网公司 | 一种基于红外热像的电气设备故障诊断方法 |
CN105654477A (zh) * | 2015-12-25 | 2016-06-08 | 华中科技大学 | 一种条带状地下目标的探测定位方法 |
US20180253836A1 (en) * | 2015-06-16 | 2018-09-06 | South China University Of Technology | Method for automated detection of defects in cast wheel products |
CN108921117A (zh) * | 2018-07-11 | 2018-11-30 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
WO2019120032A1 (zh) * | 2017-12-21 | 2019-06-27 | Oppo广东移动通信有限公司 | 模型构建方法、拍照方法、装置、存储介质及终端 |
US20190243735A1 (en) * | 2018-02-05 | 2019-08-08 | Wuhan University | Deep belief network feature extraction-based analogue circuit fault diagnosis method |
CN110555513A (zh) * | 2019-08-16 | 2019-12-10 | 国电南瑞科技股份有限公司 | 一种基于深度学习的电力设备缺陷集成诊断方法 |
CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
-
2020
- 2020-05-15 CN CN202010414353.1A patent/CN111798407B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103776542A (zh) * | 2012-09-21 | 2014-05-07 | 杭州美盛红外光电技术有限公司 | 热像诊断装置和热像诊断方法 |
CN104535066A (zh) * | 2014-12-19 | 2015-04-22 | 大连海事大学 | 一种船载红外视频图像中的海上目标与电子海图的叠加方法及系统 |
CN104809722A (zh) * | 2015-04-13 | 2015-07-29 | 国家电网公司 | 一种基于红外热像的电气设备故障诊断方法 |
US20180253836A1 (en) * | 2015-06-16 | 2018-09-06 | South China University Of Technology | Method for automated detection of defects in cast wheel products |
CN105654477A (zh) * | 2015-12-25 | 2016-06-08 | 华中科技大学 | 一种条带状地下目标的探测定位方法 |
WO2019120032A1 (zh) * | 2017-12-21 | 2019-06-27 | Oppo广东移动通信有限公司 | 模型构建方法、拍照方法、装置、存储介质及终端 |
US20190243735A1 (en) * | 2018-02-05 | 2019-08-08 | Wuhan University | Deep belief network feature extraction-based analogue circuit fault diagnosis method |
CN108921117A (zh) * | 2018-07-11 | 2018-11-30 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
CN110555513A (zh) * | 2019-08-16 | 2019-12-10 | 国电南瑞科技股份有限公司 | 一种基于深度学习的电力设备缺陷集成诊断方法 |
Non-Patent Citations (1)
Title |
---|
王淼;杜伟;孙鸿博;张静;: "基于红外图像识别的输电线路故障诊断方法", 红外技术, no. 04 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112283050A (zh) * | 2020-11-17 | 2021-01-29 | 天津科技大学 | 一种基于机器视觉的风力机叶片在线监测方法 |
CN112881842A (zh) * | 2021-01-25 | 2021-06-01 | 众智学府信息技术有限公司 | 一种设备智能诊断的模块 |
CN113076673A (zh) * | 2021-04-08 | 2021-07-06 | 江苏省送变电有限公司 | 基于神经网络的湿污复合绝缘子温升风险等级评估方法 |
CN113076673B (zh) * | 2021-04-08 | 2024-05-03 | 江苏省送变电有限公司 | 基于神经网络的湿污复合绝缘子温升风险等级评估方法 |
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 |
CN113723189B (zh) * | 2021-07-28 | 2023-08-01 | 广西大学 | 一种基于单阶红外图像目标检测的电力设备故障智能诊断方法 |
CN113723189A (zh) * | 2021-07-28 | 2021-11-30 | 广西大学 | 一种基于单阶红外图像目标检测的电力设备故障智能诊断方法 |
CN114136451A (zh) * | 2021-11-30 | 2022-03-04 | 国网黑龙江省电力有限公司电力科学研究院 | 低温环境下红外广域测温系统 |
CN114136451B (zh) * | 2021-11-30 | 2023-10-31 | 国网黑龙江省电力有限公司电力科学研究院 | 低温环境下红外广域测温系统 |
CN115885883A (zh) * | 2022-12-06 | 2023-04-04 | 西南大学 | 一种畜牧养殖用智能保温灯控制系统及方法 |
CN115885883B (zh) * | 2022-12-06 | 2024-04-05 | 西南大学 | 一种畜牧养殖用智能保温灯控制系统及方法 |
CN116090094A (zh) * | 2022-12-27 | 2023-05-09 | 武汉理工大学 | 一种基于红外热成像的船体热模型建立方法、装置及设备 |
CN116090094B (zh) * | 2022-12-27 | 2024-06-04 | 武汉理工大学 | 一种基于红外热成像的船体热模型建立方法、装置及设备 |
CN116388379A (zh) * | 2023-01-18 | 2023-07-04 | 国网浙江省电力有限公司开化县供电公司 | 一种变电站远程红外智能巡检方法及系统 |
CN117538658A (zh) * | 2023-11-16 | 2024-02-09 | 深圳市美信检测技术股份有限公司 | 基于红外光谱及热成像的人工智能故障定位方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111798407B (zh) | 2024-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111798407A (zh) | 一种基于神经网络模型的带电设备故障诊断方法 | |
CN111624229B (zh) | 一种基于红外成像的带电设备故障智能诊断方法 | |
CN111751002B (zh) | 一种基于红外热成像的带电设备故障智能诊断方法 | |
CN103901072B (zh) | 利用红外图谱分析诊断设备过热缺陷的方法 | |
CN111242123B (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
Han et al. | A smart thermography camera and application in the diagnosis of electrical equipment | |
CN111047568A (zh) | 一种漏汽缺陷检测识别方法及系统 | |
CN112146761A (zh) | 一种基于机器学习的人体测温补偿方法 | |
US20210397837A1 (en) | Apparatus for monitoring a switchgear | |
JP2005533997A (ja) | Irカメラ検査の方法および装置 | |
Taib et al. | Thermal imaging for enhancing inspection reliability: detection and characterization | |
CN113688817A (zh) | 一种自动巡检的仪表识别方法及识别系统 | |
CN116465315B (zh) | 一种网版质量自动化检测方法及系统 | |
CN112465797A (zh) | 一种电缆终端热状态智能诊断方法及系统 | |
JP2002132341A (ja) | 現場点検装置 | |
CN109961428B (zh) | 基于流形的非负矩阵分解电熔氧化镁工业故障检测方法 | |
JP6823025B2 (ja) | 検査装置及び機械学習方法 | |
CN106454338A (zh) | 电子设备图片显示效果检测方法及装置 | |
CN111504927A (zh) | 用于食品检测的高效稳定的原子吸收光谱仪及其控制方法 | |
CN116721083A (zh) | 一种检测电力设备瑕疵的背夹及其检测方法 | |
WO2019224707A1 (en) | A method for the remote detection of the internal temperature of a cabin of an aircraft through at least one thermal imaging camera, and means for carrying out such method | |
KR20240064037A (ko) | 피로 테스트를 통해 물체의 표면 결함 및 브레이크 디스크의 크랙을 인공 지능에 의해 식별 및 특성화하는 방법 | |
CN113780224B (zh) | 一种变电站无人化巡视方法及系统 | |
CN114821025A (zh) | 一种基于深度学习的表计识别方法和系统 | |
CN109975686B (zh) | 一种基于红外图像处理的电路板短路自动识别方法 |
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 |