CN111950448B - 基于机器视觉的高压隔离开关故障状态检测方法及装置 - Google Patents
基于机器视觉的高压隔离开关故障状态检测方法及装置 Download PDFInfo
- Publication number
- CN111950448B CN111950448B CN202010803617.2A CN202010803617A CN111950448B CN 111950448 B CN111950448 B CN 111950448B CN 202010803617 A CN202010803617 A CN 202010803617A CN 111950448 B CN111950448 B CN 111950448B
- Authority
- CN
- China
- Prior art keywords
- fault
- target area
- information
- label
- isolation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 62
- 238000013486 operation strategy Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000002955 isolation Methods 0.000 claims description 204
- 230000002159 abnormal effect Effects 0.000 claims description 85
- 238000003745 diagnosis Methods 0.000 claims description 77
- 238000012544 monitoring process Methods 0.000 claims description 72
- 230000002688 persistence Effects 0.000 claims description 42
- 238000012163 sequencing technique Methods 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 22
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 7
- 238000013024 troubleshooting Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 4
- 230000006399 behavior Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 238000003860 storage Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Multimedia (AREA)
- Entrepreneurship & Innovation (AREA)
- Remote Sensing (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种基于机器视觉的高压隔离开关故障状态检测方法及装置,通过对目标区域的区域图像以及运行策略进行分析,这样能够根据分析和识别得到的结果从区域图像层面来判断目标区域是否存在故障情况,从而可以快速、准确地识别出故障状态,确定故障过程的准确判别。
Description
技术领域
本公开涉及计算机视觉技术领域,具体而言,特别涉及一种基于机器视觉的高压隔离开关故障状态检测方法及装置。
背景技术
现如今的高压隔离开关故障状态技术具有一定的隐蔽性,在进行数据交互时,故障服务平台很难发现故障状态的存在。
发明内容
为改善相关技术中存在的上述技术问题,本公开提供了一种基于机器视觉的高压隔离开关故障状态检测方法及装置。
第一方面,提供一种基于机器视觉的高压隔离开关故障状态检测方法,应用于与视觉采集设备通信的故障服务平台,所述方法包括:
基于所述视觉采集设备采集到的高压隔离开关所控制的隔离目标区域对应的区域图像信息和区域标签信息,对所述高压隔离开关所控制的隔离目标区域进行机器视觉识别,以提取所述高压隔离开关所控制的隔离目标区域中包括的运行状态特征信息以及隔离状态特征信息;其中,所述高压隔离开关所控制的隔离目标区域为所述故障服务平台对应的第一目标区域或者所述视觉采集设备对应的第二目标区域,所述运行状态特征信息是所述区域图像信息中的运行状态的状态特征信息,所述隔离状态特征信息与所述区域标签信息之间存在匹配关系,所述匹配关系用于表征所述运行状态的运行策略;
通过筛选得到的所述运行状态特征信息中相对于所述隔离状态特征信息存在异常行为特征的目标特征信息符,获取所述高压隔离开关所控制的隔离目标区域中异常行为标签不随所述目标特征信息符的变化范围而更新的目标运行状态,以作为所述高压隔离开关所控制的隔离目标区域的待分析运行状态;
构建所述待分析运行状态的故障诊断模型,从预设的故障解析策略方案中查询出与所述故障诊断模型的匹配率最高的目标故障诊断模型,根据所述目标故障诊断模型唯一对应的故障标识确定所述故障诊断模型对应的所述高压隔离开关所控制的隔离目标区域是第一目标区域还是第二目标区域;
若所述高压隔离开关所控制的隔离目标区域是所述第一目标区域,则确定所述高压隔离开关所控制的隔离目标区域在预设监控区域内的目标区域图像信息,根据所述目标区域图像信息识别所述高压隔离开关所控制的隔离目标区域是否存在故障情况;
若所述高压隔离开关所控制的隔离目标区域是所述第二目标区域,则根据接收到的与所述第二目标区域对应的故障解析策略方案确定所述第二目标区域的运行状态持续性参数,基于所述运行状态持续性参数识别所述高压隔离开关所控制的隔离目标区域是否存在故障情况。
在一些可能的示例中,确定所述高压隔离开关所控制的隔离目标区域在预设监控区域内的目标区域图像信息,根据所述目标区域图像信息识别所述高压隔离开关所控制的隔离目标区域是否存在故障情况,包括:
从所述故障服务平台的故障检测策略中提取与所述高压隔离开关所控制的隔离目标区域对应的在预设监控区域内的目标区域图像信息;其中,所述预设监控区域根据所述故障服务平台的故障检测策略的刷新情况确定;
获取所述目标区域图像信息的图像采集信息的采集节点分布序列以及各图像采集信息;根据所述图像采集信息的采集节点分布序列判定所述目标区域图像信息是否存在可定位异常标签和不可定位异常标签;其中,所述可定位异常标签用于表征图像采集信息中的异常标签事件可定位,所述不可定位异常标签用于表征图像采集信息中的异常标签事件不可定位;
若判定出所述目标区域图像信息存在所述可定位异常标签和所述不可定位异常标签,依据所述目标区域图像信息在所述可定位异常标签下的图像采集信息及其解析故障节点数量确定所述目标区域图像信息在所述不可定位异常标签下的各图像采集信息与所述目标区域图像信息在所述可定位异常标签下的各图像采集信息之间的故障指标;其中,所述故障指标用于表征所述可定位异常标签和所述不可定位异常标签下的图像采集信息之间的故障关联区间;
将所述目标区域图像信息在所述不可定位异常标签下的与在所述可定位异常标签下的图像采集信息之间的故障指标匹配预设指标范围的图像采集信息转移至所述可定位异常标签下;
确定所述可定位异常标签下的图像采集信息的第一运行策略路径以及所述不可定位异常标签下图像采集信息的第二运行策略路径,按照将所述第一运行策略路径和所述第二运行策略路径进行对比,得到所述第一运行策略路径和所述第二运行策略路径的重合度;在所述重合度低于设定阈值时判定所述高压隔离开关所控制的隔离目标区域存在故障情况。
在一些可能的示例中,所述方法还包括:
对所述故障检测策略所在的目标监控区域进行划分,得到第一目标监控区域和第二目标监控区域;其中,所述第一目标监控区域和所述第二目标监控区域互相独立,所述第一目标监控区域用于表征除所述第一目标区域之外的区域对应的监测关键区域,所述第二目标监控区域用于表征所述第二目标区域的监测关键区域;
对所述第一目标区域进行标注,并在获取到所述故障服务平台产生的实时监测关键区域时判断所述实时监测关键区域是否存在所述标签标注;若存在,则将所述实时监测关键区域存入所述第二目标监控区域,若不存在,则将所述实时监测关键区域存入所述第一目标监控区域。
在一些可能的示例中,根据接收到的与所述第二目标区域对应的故障解析策略方案确定所述第二目标区域的运行状态持续性参数,基于所述运行状态持续性参数识别所述高压隔离开关所控制的隔离目标区域是否存在故障情况,包括:
接收到所述故障解析策略方案后确定所述故障解析策略方案的故障解析字段,并基于所述故障解析字段进行所述第二目标区域的第一故障特征抽取;其中,所述故障解析字段为所述故障解析策略方案中与所述故障服务平台相关的故障解析底层逻辑的故障解析内容信息;
将所述第一故障特征与预设参数集中的各第二故障特征进行时空域特征对比;其中,如果所述第一故障特征为多个,则通过以下方式进行时空域特征对比:按照预先为各第一故障特征设置的综合权衡度,进行将每个第一故障特征分别与每个第二故障特征进行时空域特征对比,得到比较信息,如果该比较信息表征所述第一故障特征在该第二故障特征所处的时段内为稳定,则将所述第一故障特征与下一个第二故障特征进行时空域特征对比;如果所述第一故障特征与每个第二故障特征的比较信息表征所述第一故障特征在每个第二故障特征所处的时段内为稳定,则将所述第一故障特征导入预设的故障特征序列中;
将所述故障特征序列中的第一故障特征按照时空域特征维度的大小顺序进行排序得到排序序列;确定所述排序序列的序列结构信息,并以所述序列结构信息对所述排序序列中的每个第一故障特征进行特征向量提取,将提取出的特征向量整合为运行状态持续性参数;
确定所述运行状态持续性参数在所述第二目标区域中的多个运行状态持续性特征值;根据所述多个运行状态持续性特征值得到所述第二目标区域的描述向量信息;根据所述描述向量信息确定所述第二目标区域的运行轨迹,在所述运行轨迹中出现离散节点时,确定所述第二目标区域存在故障情况。
在一些可能的示例中,所述方法还包括:
提取所述第二目标区域的故障源对象;其中,所述视觉采集设备通过调用所述故障源对象实现所述第二目标区域的;
解析所述故障源对象得到多个控制元素信息;其中,每个控制元素信息对应所述视觉采集设备对应的其中一类用户数据;
确定出所述视觉采集设备对应故障标注标签对应的用户数据的目标控制元素信息,对所述目标控制元素信息设置可变化标识标签;其中,所述视觉采集设备在调用所述目标控制元素信息对应的故障策略命令时,通过所述可变化标识标签与所述故障服务平台之间进行故障排查。
在一些可能的示例中,构建所述待分析运行状态的故障诊断模型,包括:
获取待分析运行状态的运行状态标签对应的诊断节点信息及所述运行状态标签的状态所属标签信息,所述状态所属标签信息表示所述待分析运行状态的运行状态标签的标签有效时长;
生成与所述诊断节点信息对应的标签信息集合,所述标签信息集合中包含有预先提取的所述待分析运行状态的故障诊断行为信息,所述故障诊断行为信息用于表征所述待分析运行状态的不同故障诊断方式;
根据所述标签信息集合以及所述状态所属标签信息将所述待分析运行状态拆分为多个拆分状态节点,基于所述标签信息集合中的故障诊断行为信息对应的故障排序等级将多个拆分状态节点进行排序得到所述故障诊断模型。
第二方面,提供了一种基于机器视觉的高压隔离开关故障状态检测系统,包括互相之间通信的故障服务平台和视觉采集设备;
所述故障服务平台,用于:
基于所述视觉采集设备采集到的高压隔离开关所控制的隔离目标区域对应的区域图像信息和区域标签信息,对所述高压隔离开关所控制的隔离目标区域进行机器视觉识别,以提取所述高压隔离开关所控制的隔离目标区域中包括的运行状态特征信息以及隔离状态特征信息;其中,所述高压隔离开关所控制的隔离目标区域为所述故障服务平台对应的第一目标区域或者所述视觉采集设备对应的第二目标区域,所述运行状态特征信息是所述区域图像信息中的运行状态的状态特征信息,所述隔离状态特征信息与所述区域标签信息之间存在匹配关系,所述匹配关系用于表征所述运行状态的运行策略;
通过筛选得到的所述运行状态特征信息中相对于所述隔离状态特征信息存在异常行为特征的目标特征信息符,获取所述高压隔离开关所控制的隔离目标区域中异常行为标签不随所述目标特征信息符的变化范围而更新的目标运行状态,以作为所述高压隔离开关所控制的隔离目标区域的待分析运行状态;
构建所述待分析运行状态的故障诊断模型,从预设的故障解析策略方案中查询出与所述故障诊断模型的匹配率最高的目标故障诊断模型,根据所述目标故障诊断模型唯一对应的故障标识确定所述故障诊断模型对应的所述高压隔离开关所控制的隔离目标区域是第一目标区域还是第二目标区域;
若所述高压隔离开关所控制的隔离目标区域是所述第一目标区域,则确定所述高压隔离开关所控制的隔离目标区域在预设监控区域内的目标区域图像信息,根据所述目标区域图像信息识别所述高压隔离开关所控制的隔离目标区域是否存在故障情况;
若所述高压隔离开关所控制的隔离目标区域是所述第二目标区域,则根据接收到的与所述第二目标区域对应的故障解析策略方案确定所述第二目标区域的运行状态持续性参数,基于所述运行状态持续性参数识别所述高压隔离开关所控制的隔离目标区域是否存在故障情况。
在一些可能的示例中,所述故障服务平台确定所述高压隔离开关所控制的隔离目标区域在预设监控区域内的目标区域图像信息,根据所述目标区域图像信息识别所述高压隔离开关所控制的隔离目标区域是否存在故障情况具体包括:
从所述故障服务平台的故障检测策略中提取与所述高压隔离开关所控制的隔离目标区域对应的在预设监控区域内的目标区域图像信息;其中,所述预设监控区域根据所述故障服务平台的故障检测策略的刷新情况确定;
获取所述目标区域图像信息的图像采集信息的采集节点分布序列以及各图像采集信息;根据所述图像采集信息的采集节点分布序列判定所述目标区域图像信息是否存在可定位异常标签和不可定位异常标签;其中,所述可定位异常标签用于表征图像采集信息中的异常标签事件可定位,所述不可定位异常标签用于表征图像采集信息中的异常标签事件不可定位;
若判定出所述目标区域图像信息存在所述可定位异常标签和所述不可定位异常标签,依据所述目标区域图像信息在所述可定位异常标签下的图像采集信息及其解析故障节点数量确定所述目标区域图像信息在所述不可定位异常标签下的各图像采集信息与所述目标区域图像信息在所述可定位异常标签下的各图像采集信息之间的故障指标;其中,所述故障指标用于表征所述可定位异常标签和所述不可定位异常标签下的图像采集信息之间的故障关联区间;
将所述目标区域图像信息在所述不可定位异常标签下的与在所述可定位异常标签下的图像采集信息之间的故障指标匹配预设指标范围的图像采集信息转移至所述可定位异常标签下;
确定所述可定位异常标签下的图像采集信息的第一运行策略路径以及所述不可定位异常标签下图像采集信息的第二运行策略路径,按照将所述第一运行策略路径和所述第二运行策略路径进行对比,得到所述第一运行策略路径和所述第二运行策略路径的重合度;在所述重合度低于设定阈值时判定所述高压隔离开关所控制的隔离目标区域存在故障情况。
在一些可能的示例中,所述故障服务平台根据接收到的与所述第二目标区域对应的故障解析策略方案确定所述第二目标区域的运行状态持续性参数,基于所述运行状态持续性参数识别所述高压隔离开关所控制的隔离目标区域是否存在故障情况具体包括:
接收到所述故障解析策略方案后确定所述故障解析策略方案的故障解析字段,并基于所述故障解析字段进行所述第二目标区域的第一故障特征抽取;其中,所述故障解析字段为所述故障解析策略方案中与所述故障服务平台相关的故障解析底层逻辑的故障解析内容信息;
将所述第一故障特征与预设参数集中的各第二故障特征进行时空域特征对比;其中,如果所述第一故障特征为多个,则通过以下方式进行时空域特征对比:按照预先为各第一故障特征设置的综合权衡度,进行将每个第一故障特征分别与每个第二故障特征进行时空域特征对比,得到比较信息,如果该比较信息表征所述第一故障特征在该第二故障特征所处的时段内为稳定,则将所述第一故障特征与下一个第二故障特征进行时空域特征对比;如果所述第一故障特征与每个第二故障特征的比较信息表征所述第一故障特征在每个第二故障特征所处的时段内为稳定,则将所述第一故障特征导入预设的故障特征序列中;
将所述故障特征序列中的第一故障特征按照时空域特征维度的大小顺序进行排序得到排序序列;确定所述排序序列的序列结构信息,并以所述序列结构信息对所述排序序列中的每个第一故障特征进行特征向量提取,将提取出的特征向量整合为运行状态持续性参数;
确定所述运行状态持续性参数在所述第二目标区域中的多个运行状态持续性特征值;根据所述多个运行状态持续性特征值得到所述第二目标区域的描述向量信息;根据所述描述向量信息确定所述第二目标区域的运行轨迹,在所述运行轨迹中出现离散节点时,确定所述第二目标区域存在故障情况。
在一些可能的示例中,所述故障服务平台构建所述待分析运行状态的故障诊断模型具体包括:
获取待分析运行状态的运行状态标签对应的诊断节点信息及所述运行状态标签的状态所属标签信息,所述状态所属标签信息表示所述待分析运行状态的运行状态标签的标签有效时长;
生成与所述诊断节点信息对应的标签信息集合,所述标签信息集合中包含有预先提取的所述待分析运行状态的故障诊断行为信息,所述故障诊断行为信息用于表征所述待分析运行状态的不同故障诊断方式;
根据所述标签信息集合以及所述状态所属标签信息将所述待分析运行状态拆分为多个拆分状态节点,基于所述标签信息集合中的故障诊断行为信息对应的故障排序等级将多个拆分状态节点进行排序得到所述故障诊断模型。
本公开的实施例提供的技术方案可以包括以下有益效果。
首先提取高压隔离开关所控制的隔离目标区域中的运行状态特征信息和隔离状态特征信息,其次通过筛选得到的目标特征信息符来获取高压隔离开关所控制的隔离目标区域的待分析运行状态,然后构建待分析运行状态的故障诊断模型并查询得到目标故障诊断模型从而确定高压隔离开关所控制的隔离目标区域是第一目标区域还是第二目标区域。最后基于高压隔离开关所控制的隔离目标区域的类别选用不同的识别方法来识别高压隔离开关所控制的隔离目标区域是否存在故障情况。
如此,通过对目标区域的区域图像以及运行策略进行分析,这样能够根据分析和识别得到的结果从区域图像层面来判断目标区域是否存在故障情况,从而可以快速、准确地识别出故障状态,确定故障过程的准确判别。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的基于机器视觉的高压隔离开关故障状态检测方法的应用场景示意图;
图2为本申请实施例提供的基于机器视觉的高压隔离开关故障状态检测方法的流程示意图;
图3为本申请实施例提供的基于机器视觉的高压隔离开关故障状态检测装置的功能模块示意图;
图4为本申请实施例提供的用于执行上述的基于机器视觉的高压隔离开关故障状态检测方法的故障服务平台的结构示意框图。
具体实施方式
下面结合说明书附图对本申请进行具体说明,方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
请参阅图1,为本申请实施例提供的基于机器视觉的高压隔离开关故障状态检测方法的应用场景示意图。本实施例中,该应用场景可通过基于机器视觉的高压隔离开关故障状态检测系统10实现,具体可以包括故障服务平台100以及与该故障服务平台100通信连接的多个视觉采集设备200。其中,故障服务平台100可以为多个视觉采集设备200提供服务。
图2为本申请实施例提供的基于机器视觉的高压隔离开关故障状态检测方法的流程示意图。本实施例中,该基于机器视觉的高压隔离开关故障状态检测方法可以由图1中所示的故障服务平台100执行,下面对该基于机器视觉的高压隔离开关故障状态检测方法进行详细介绍。
步骤S110,基于所述视觉采集设备采集到的高压隔离开关所控制的隔离目标区域对应的区域图像信息和区域标签信息,对所述高压隔离开关所控制的隔离目标区域进行机器视觉识别,以提取所述高压隔离开关所控制的隔离目标区域中包括的运行状态特征信息以及隔离状态特征信息;其中,所述高压隔离开关所控制的隔离目标区域为所述故障服务平台对应的第一目标区域或者所述视觉采集设备对应的第二目标区域,所述运行状态特征信息是所述区域图像信息中的运行状态的状态特征信息,所述隔离状态特征信息与所述区域标签信息之间存在匹配关系,所述匹配关系用于表征所述运行状态的运行策略。
步骤S120,通过筛选得到的所述运行状态特征信息中相对于所述隔离状态特征信息存在异常行为特征的目标特征信息符,获取所述高压隔离开关所控制的隔离目标区域中异常行为标签不随所述目标特征信息符的变化范围而更新的目标运行状态,以作为所述高压隔离开关所控制的隔离目标区域的待分析运行状态。
步骤S130,构建所述待分析运行状态的故障诊断模型,从预设的故障解析策略方案中查询出与所述故障诊断模型的匹配率最高的目标故障诊断模型,根据所述目标故障诊断模型唯一对应的故障标识确定所述故障诊断模型对应的所述高压隔离开关所控制的隔离目标区域是第一目标区域还是第二目标区域。
步骤S140,若所述高压隔离开关所控制的隔离目标区域是所述第一目标区域,则确定所述高压隔离开关所控制的隔离目标区域在预设监控区域内的目标区域图像信息,根据所述目标区域图像信息识别所述高压隔离开关所控制的隔离目标区域是否存在故障情况。
步骤S150,若所述高压隔离开关所控制的隔离目标区域是所述第二目标区域,则根据接收到的与所述第二目标区域对应的故障解析策略方案确定所述第二目标区域的运行状态持续性参数,基于所述运行状态持续性参数识别所述高压隔离开关所控制的隔离目标区域是否存在故障情况。
在执行上述步骤S110-步骤S150所描述的内容时,首先提取高压隔离开关所控制的隔离目标区域中的运行状态特征信息和隔离状态特征信息,其次通过筛选得到的目标特征信息符来获取高压隔离开关所控制的隔离目标区域的待分析运行状态,然后构建待分析运行状态的故障诊断模型并查询得到目标故障诊断模型从而确定高压隔离开关所控制的隔离目标区域是第一目标区域还是第二目标区域。最后基于高压隔离开关所控制的隔离目标区域的类别选用不同的识别方法来识别高压隔离开关所控制的隔离目标区域是否存在故障情况。
如此,通过对目标区域的区域图像以及运行策略进行分析,这样能够根据分析和识别得到的结果从区域图像层面来判断目标区域是否存在故障情况,从而可以快速、准确地识别出故障状态,确定故障过程的准确判别。
在具体实施时,不同的目标区域需要采用不同的区域识别方式来进行识别,在步骤S140中,若高压隔离开关所控制的隔离目标区域是所述故障服务平台对应的第一目标区域,则确定所述高压隔离开关所控制的隔离目标区域在预设监控区域内的目标区域图像信息,根据所述目标区域图像信息识别所述高压隔离开关所控制的隔离目标区域是否存在故障情况,具体可以包括以下步骤S141-步骤S145所描述的内容。
步骤S141,从所述故障服务平台的故障检测策略中提取与所述高压隔离开关所控制的隔离目标区域对应的在预设监控区域内的目标区域图像信息;其中,所述预设监控区域根据所述故障服务平台的故障检测策略的刷新情况确定。
步骤S142,获取所述目标区域图像信息的图像采集信息的采集节点分布序列以及各图像采集信息;根据所述图像采集信息的采集节点分布序列判定所述目标区域图像信息是否存在可定位异常标签和不可定位异常标签;其中,所述可定位异常标签用于表征图像采集信息中的异常标签事件可定位,所述不可定位异常标签用于表征图像采集信息中的异常标签事件不可定位。
步骤S143,若判定出所述目标区域图像信息存在所述可定位异常标签和所述不可定位异常标签,依据所述目标区域图像信息在所述可定位异常标签下的图像采集信息及其解析故障节点数量确定所述目标区域图像信息在所述不可定位异常标签下的各图像采集信息与所述目标区域图像信息在所述可定位异常标签下的各图像采集信息之间的故障指标;其中,所述故障指标用于表征所述可定位异常标签和所述不可定位异常标签下的图像采集信息之间的故障关联区间。
在本实施例中,故障指标越大,所述可定位异常标签和所述不可定位异常标签下的图像采集信息之间的故障关联区间越强,表征图像采集信息可以在所述可定位异常标签和所述不可定位异常标签下互相转移以改变目标区域图像信息的信息稳定性。
步骤S144,将所述目标区域图像信息在所述不可定位异常标签下的与在所述可定位异常标签下的图像采集信息之间的故障指标匹配预设指标范围的图像采集信息转移至所述可定位异常标签下。
步骤S145,确定所述可定位异常标签下的图像采集信息的第一运行策略路径以及所述不可定位异常标签下图像采集信息的第二运行策略路径,按照将所述第一运行策略路径和所述第二运行策略路径进行对比,得到所述第一运行策略路径和所述第二运行策略路径的重合度;在所述重合度低于设定阈值时判定所述高压隔离开关所控制的隔离目标区域存在故障情况。
可以理解,通过上述步骤S141-步骤S145,能够对目标区域图像信息中的图像采集信息进行分析,这样可以通过图像采集信息的故障关联区间确定高压隔离开关所控制的隔离目标区域是否存在故障情况,从而对故障服务平台的故障检测策略进行深度剖析,以准确、可靠地识别出故障状态。
在上述步骤S141-步骤S145的基础上,如果确定出第一目标区域存在故障情况,为了避免在对第一目标区域进行处理时影响到故障服务平台的正常运行,可以通过以下步骤S146-步骤S147的方式对第一目标区域进行拦截。
步骤S146,对所述故障检测策略所在的目标监控区域进行划分,得到第一目标监控区域和第二目标监控区域;其中,所述第一目标监控区域和所述第二目标监控区域互相独立,所述第一目标监控区域用于表征除所述第一目标区域之外的区域对应的监测关键区域,所述第二目标监控区域用于表征所述第二目标区域的监测关键区域。
步骤S147,对所述第一目标区域进行标注,并在获取到所述故障服务平台产生的实时监测关键区域时判断所述实时监测关键区域是否存在所述标签标注;若存在,则将所述实时监测关键区域存入所述第二目标监控区域,若不存在,则将所述实时监测关键区域存入所述第一目标监控区域。
进一步地,若高压隔离开关所控制的隔离目标区域是所述视觉采集设备对应的第二目标区域,则步骤S150所描述的根据接收到的与所述第二目标区域对应的故障解析策略方案确定所述第二目标区域的运行状态持续性参数,基于所述运行状态持续性参数识别所述高压隔离开关所控制的隔离目标区域是否存在故障情况,具体可以包括以下步骤S151-步骤S154所描述的内容。
步骤S151,接收到所述故障解析策略方案后确定所述故障解析策略方案的故障解析字段,并基于所述故障解析字段进行所述第二目标区域的第一故障特征抽取;其中,所述故障解析字段为所述故障解析策略方案中与所述故障服务平台相关的故障解析底层逻辑的故障解析内容信息。
步骤S152,将所述第一故障特征与预设参数集中的各第二故障特征进行时空域特征对比;其中,如果所述第一故障特征为多个,则通过以下方式进行时空域特征对比:按照预先为各第一故障特征设置的综合权衡度,进行将每个第一故障特征分别与每个第二故障特征进行时空域特征对比,得到比较信息,如果该比较信息表征所述第一故障特征在该第二故障特征所处的时段内为稳定,则将所述第一故障特征与下一个第二故障特征进行时空域特征对比;如果所述第一故障特征与每个第二故障特征的比较信息表征所述第一故障特征在每个第二故障特征所处的时段内为稳定,则将所述第一故障特征导入预设的故障特征序列中。
步骤S153,将所述故障特征序列中的第一故障特征按照时空域特征维度的大小顺序进行排序得到排序序列;确定所述排序序列的序列结构信息,并以所述序列结构信息对所述排序序列中的每个第一故障特征进行特征向量提取,将提取出的特征向量整合为运行状态持续性参数。
步骤S154,确定所述运行状态持续性参数在所述第二目标区域中的多个运行状态持续性特征值;根据所述多个运行状态持续性特征值得到所述第二目标区域的描述向量信息;根据所述描述向量信息确定所述第二目标区域的运行轨迹,在所述运行轨迹中出现离散节点时,确定所述第二目标区域存在故障情况。
在本实施例中,所述描述向量信息用于表征所述第二目标区域在所述视觉采集设备对应运行时的描述向量特征情况。
可以理解,基于上述步骤S151-步骤S154,能够从第二目标区域的运行稳定性层面进行故障状态的识别,这样能够快速、可靠地识别出第二目标区域是否存在故障情况。
在上述基础上,如果确定出第二目标区域存在故障情况,则可以通过以下步骤S155-步骤S157进行故障状态的防护处理。
步骤S155,提取所述第二目标区域的故障源对象;其中,所述视觉采集设备通过调用所述故障源对象实现所述第二目标区域的。
步骤S156,解析所述故障源对象得到多个控制元素信息;其中,每个控制元素信息对应所述视觉采集设备对应的其中一类用户数据。
步骤S157,确定出所述视觉采集设备对应故障标注标签对应的用户数据的目标控制元素信息,对所述目标控制元素信息设置可变化标识标签;其中,所述视觉采集设备在调用所述目标控制元素信息对应的故障策略命令时,通过所述可变化标识标签与所述故障服务平台之间进行故障排查。
在本实施例中,基于上述步骤S155-步骤S157,能够通过为目标控制元素信息设置可变化标识标签实现对第二目标区域的运行权限的管理,从而避免第二目标区域对视觉采集设备和故障服务平台的故障数据的误识别。
在具体实施时,为了确保待分析运行状态的故障诊断模型的层级准确性,在步骤S130中,构建所述待分析运行状态的故障诊断模型,具体可以包括以下步骤S131-步骤S133所描述的内容。
步骤S131,获取待分析运行状态的运行状态标签对应的诊断节点信息及所述运行状态标签的状态所属标签信息,所述状态所属标签信息表示所述待分析运行状态的运行状态标签的标签有效时长。
步骤S132,生成与所述诊断节点信息对应的标签信息集合,所述标签信息集合中包含有预先提取的所述待分析运行状态的故障诊断行为信息,所述故障诊断行为信息用于表征所述待分析运行状态的不同故障诊断方式。
步骤S133,根据所述标签信息集合以及所述状态所属标签信息将所述待分析运行状态拆分为多个拆分状态节点,基于所述标签信息集合中的故障诊断行为信息对应的故障排序等级将多个拆分状态节点进行排序得到所述故障诊断模型。
可以理解,在实施上述步骤S131-步骤S133所描述的内容时,能够对待分析运行状态的运行状态标签对应的诊断节点信息及所述运行状态标签的状态所属标签信息进行分析,从而基于所述标签信息集合中的故障诊断行为信息对应的故障排序等级将拆分得到的多个拆分状态节点进行排序得到故障诊断模型。这样能够确保待分析运行状态的故障诊断模型的层级准确性。
在一种可替换的实施方式中,步骤S120所描述的,通过筛选得到的所述运行状态特征信息中相对于所述隔离状态特征信息存在异常行为特征的目标特征信息符,获取所述高压隔离开关所控制的隔离目标区域中异常行为标签不随所述目标特征信息符的变化范围而更新的目标运行状态,具体可以包括以下步骤S121-步骤S125所描述的内容。
步骤S121,确定所述目标特征信息符的异常行为特征的行为趋向信息。
步骤S122,根据所述行为趋向信息统计出所述高压隔离开关所控制的隔离目标区域中的所有异常行为标签对应的初始运行状态。
步骤S123,按照设定步长生成所述目标特征信息符的变化范围变化轨迹,并确定每个异常行为标签在所述变化范围变化轨迹中的更新累计值。
步骤S124,筛选出更新累计值最小的异常行为标签。
步骤S125,将更新累计值最小的异常行为标签对应的初始运行状态确定为所述目标运行状态。
可以理解,通过上述步骤S121-步骤S125所描述的内容,能够准确确定出目标运行状态。
图3为本申请实施例提供的基于机器视觉的高压隔离开关故障状态检测装置300的功能模块示意图,本实施例可以根据上述方法实施例对该基于机器视觉的高压隔离开关故障状态检测装置300进行功能模块的划分。例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。比如,在采用对应各个功能划分各个功能模块的情况下,图3示出的基于机器视觉的高压隔离开关故障状态检测装置300只是一种装置示意图。其中,基于机器视觉的高压隔离开关故障状态检测装置300可以包括第一识别模块310、获取模块320、构建模块330、确定模块340以及第二识别模块350,下面分别对该基于机器视觉的高压隔离开关故障状态检测装置300的各个功能模块的功能进行详细阐述。
第一识别模块310,用于基于所述视觉采集设备采集到的高压隔离开关所控制的隔离目标区域对应的区域图像信息和区域标签信息,对所述高压隔离开关所控制的隔离目标区域进行机器视觉识别,以提取所述高压隔离开关所控制的隔离目标区域中包括的运行状态特征信息以及隔离状态特征信息;其中,所述高压隔离开关所控制的隔离目标区域为所述故障服务平台对应的第一目标区域或者所述视觉采集设备对应的第二目标区域,所述运行状态特征信息是所述区域图像信息中的运行状态的状态特征信息,所述隔离状态特征信息与所述区域标签信息之间存在匹配关系,所述匹配关系用于表征所述运行状态的运行策略;
获取模块320,用于通过筛选得到的所述运行状态特征信息中相对于所述隔离状态特征信息存在异常行为特征的目标特征信息符,获取所述高压隔离开关所控制的隔离目标区域中异常行为标签不随所述目标特征信息符的变化范围而更新的目标运行状态,以作为所述高压隔离开关所控制的隔离目标区域的待分析运行状态;
构建模块330,用于构建所述待分析运行状态的故障诊断模型,从预设的故障解析策略方案中查询出与所述故障诊断模型的匹配率最高的目标故障诊断模型,根据所述目标故障诊断模型唯一对应的故障标识确定所述故障诊断模型对应的所述高压隔离开关所控制的隔离目标区域是第一目标区域还是第二目标区域;
确定模块340,用于若所述高压隔离开关所控制的隔离目标区域是所述第一目标区域,则确定所述高压隔离开关所控制的隔离目标区域在预设监控区域内的目标区域图像信息,根据所述目标区域图像信息识别所述高压隔离开关所控制的隔离目标区域是否存在故障情况;
第二识别模块350,用于若所述高压隔离开关所控制的隔离目标区域是所述第二目标区域,则根据接收到的与所述第二目标区域对应的故障解析策略方案确定所述第二目标区域的运行状态持续性参数,基于所述运行状态持续性参数识别所述高压隔离开关所控制的隔离目标区域是否存在故障情况。
图4为本申请实施例提供的用于执行上述基于机器视觉的高压隔离开关故障状态检测方法的故障服务平台100的结构示意图,如图4所示,该故障服务平台100可包括网络接口110、机器可读存储介质120、处理器130以及总线140。处理器130的数量可以是一个或多个,图4中以一个处理器130为例;网络接口110、机器可读存储介质120以及处理器130可以通过总线140或其他方式连接,图4中以通过总线140连接为例。
机器可读存储介质120作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请实施例中的建立机器人自动问答知识库的方法对应的程序指令/模块(例如,图3中所示的基于机器视觉的高压隔离开关故障状态检测装置300中的第一识别模块310、获取模块320、构建模块330、确定模块340以及第二识别模块350)。处理器130通过检测存储在机器可读存储介质120中的软件程序、指令以及模块,从而执行故障服务平台100的各种功能应用以及数据处理,即实现上述的基于机器视觉的高压隔离开关故障状态检测方法,在此不再赘述。
机器可读存储介质120可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,机器可读存储介质120可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-OnlyMemory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRateSDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DR RAM)。应注意,本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合时刻的存储器。在一些实例中,机器可读存储介质120可进一步包括相对于处理器130远程设置的存储器,这些远程存储器可以通过网络连接至终端设备。上述网络的实例包括但不限于互联网、互联网用户内部网、局域网、移动通信网及其组合。
处理器130可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器130中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器130可以是通用处理器、数字信号处理器(DigitalSignalProcessorDSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。
故障服务平台100可以通过网络接口110和其它设备进行信息交互。网络接口110可以是电路、总线、收发器或者其它任意可以用于进行信息交互的装置。处理器130可以利用网络接口110收发信息。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、故障服务平台或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、故障服务平台或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的故障服务平台、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
本申请实施例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。
显然,本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (6)
1.一种基于机器视觉的高压隔离开关故障状态检测方法,其特征在于,应用于与视觉采集设备通信的故障服务平台,所述方法包括:
基于所述视觉采集设备采集到的高压隔离开关所控制的隔离目标区域对应的区域图像信息和区域标签信息,对所述高压隔离开关所控制的隔离目标区域进行机器视觉识别,以提取所述高压隔离开关所控制的隔离目标区域中包括的运行状态特征信息以及隔离状态特征信息;其中,所述高压隔离开关所控制的隔离目标区域为所述故障服务平台对应的第一目标区域或者所述视觉采集设备对应的第二目标区域,所述运行状态特征信息是所述区域图像信息中的运行状态的状态特征信息,所述隔离状态特征信息与所述区域标签信息之间存在匹配关系,所述匹配关系用于表征所述运行状态的运行策略;
通过筛选得到的所述运行状态特征信息中相对于所述隔离状态特征信息存在异常行为特征的目标特征信息符,获取所述高压隔离开关所控制的隔离目标区域中异常行为标签不随所述目标特征信息符的变化范围而更新的目标运行状态,以作为所述高压隔离开关所控制的隔离目标区域的待分析运行状态;
构建所述待分析运行状态的故障诊断模型,从预设的故障解析策略方案中查询出与所述故障诊断模型的匹配率最高的目标故障诊断模型,根据所述目标故障诊断模型唯一对应的故障标识确定所述故障诊断模型对应的所述高压隔离开关所控制的隔离目标区域是第一目标区域还是第二目标区域;
若所述高压隔离开关所控制的隔离目标区域是所述第一目标区域,则确定所述高压隔离开关所控制的隔离目标区域在预设监控区域内的目标区域图像信息,根据所述目标区域图像信息识别所述高压隔离开关所控制的隔离目标区域是否存在故障情况;
若所述高压隔离开关所控制的隔离目标区域是所述第二目标区域,则根据接收到的与所述第二目标区域对应的故障解析策略方案确定所述第二目标区域的运行状态持续性参数,基于所述运行状态持续性参数识别所述高压隔离开关所控制的隔离目标区域是否存在故障情况;
确定所述高压隔离开关所控制的隔离目标区域在预设监控区域内的目标区域图像信息,根据所述目标区域图像信息识别所述高压隔离开关所控制的隔离目标区域是否存在故障情况,包括:
从所述故障服务平台的故障检测策略中提取与所述高压隔离开关所控制的隔离目标区域对应的在预设监控区域内的目标区域图像信息;其中,所述预设监控区域根据所述故障服务平台的故障检测策略的刷新情况确定;
获取所述目标区域图像信息的图像采集信息的采集节点分布序列以及各图像采集信息;根据所述图像采集信息的采集节点分布序列判定所述目标区域图像信息是否存在可定位异常标签和不可定位异常标签;其中,所述可定位异常标签用于表征图像采集信息中的异常标签事件可定位,所述不可定位异常标签用于表征图像采集信息中的异常标签事件不可定位;
若判定出所述目标区域图像信息存在所述可定位异常标签和所述不可定位异常标签,依据所述目标区域图像信息在所述可定位异常标签下的图像采集信息及其解析故障节点数量确定所述目标区域图像信息在所述不可定位异常标签下的各图像采集信息与所述目标区域图像信息在所述可定位异常标签下的各图像采集信息之间的故障指标;其中,所述故障指标用于表征所述可定位异常标签和所述不可定位异常标签下的图像采集信息之间的故障关联区间;
将所述目标区域图像信息在所述不可定位异常标签下的与在所述可定位异常标签下的图像采集信息之间的故障指标匹配预设指标范围的图像采集信息转移至所述可定位异常标签下;
确定所述可定位异常标签下的图像采集信息的第一运行策略路径以及所述不可定位异常标签下图像采集信息的第二运行策略路径,按照将所述第一运行策略路径和所述第二运行策略路径进行对比,得到所述第一运行策略路径和所述第二运行策略路径的重合度;在所述重合度低于设定阈值时判定所述高压隔离开关所控制的隔离目标区域存在故障情况;
根据接收到的与所述第二目标区域对应的故障解析策略方案确定所述第二目标区域的运行状态持续性参数,基于所述运行状态持续性参数识别所述高压隔离开关所控制的隔离目标区域是否存在故障情况,包括:
接收到所述故障解析策略方案后确定所述故障解析策略方案的故障解析字段,并基于所述故障解析字段进行所述第二目标区域的第一故障特征抽取;其中,所述故障解析字段为所述故障解析策略方案中与所述故障服务平台相关的故障解析底层逻辑的故障解析内容信息;
将所述第一故障特征与预设参数集中的各第二故障特征进行时空域特征对比;其中,如果所述第一故障特征为多个,则通过以下方式进行时空域特征对比:按照预先为各第一故障特征设置的综合权衡度,进行将每个第一故障特征分别与每个第二故障特征进行时空域特征对比,得到比较信息,如果该比较信息表征所述第一故障特征在该第二故障特征所处的时段内为稳定,则将所述第一故障特征与下一个第二故障特征进行时空域特征对比;如果所述第一故障特征与每个第二故障特征的比较信息表征所述第一故障特征在每个第二故障特征所处的时段内为稳定,则将所述第一故障特征导入预设的故障特征序列中;
将所述故障特征序列中的第一故障特征按照时空域特征维度的大小顺序进行排序得到排序序列;确定所述排序序列的序列结构信息,并以所述序列结构信息对所述排序序列中的每个第一故障特征进行特征向量提取,将提取出的特征向量整合为运行状态持续性参数;
确定所述运行状态持续性参数在所述第二目标区域中的多个运行状态持续性特征值;根据所述多个运行状态持续性特征值得到所述第二目标区域的描述向量信息;根据所述描述向量信息确定所述第二目标区域的运行轨迹,在所述运行轨迹中出现离散节点时,确定所述第二目标区域存在故障情况。
2.如权利要求1所述的基于机器视觉的高压隔离开关故障状态检测方法,其特征在于,所述方法还包括:
对所述故障检测策略所在的目标监控区域进行划分,得到第一目标监控区域和第二目标监控区域;其中,所述第一目标监控区域和所述第二目标监控区域互相独立,所述第一目标监控区域用于表征除所述第一目标区域之外的区域对应的监测关键区域,所述第二目标监控区域用于表征所述第二目标区域的监测关键区域;
对所述第一目标区域进行标注,并在获取到所述故障服务平台产生的实时监测关键区域时判断所述实时监测关键区域是否存在标签标注;若存在,则将所述实时监测关键区域存入所述第二目标监控区域,若不存在,则将所述实时监测关键区域存入所述第一目标监控区域。
3.如权利要求1所述的基于机器视觉的高压隔离开关故障状态检测方法,其特征在于,所述方法还包括:
提取所述第二目标区域的故障源对象;
解析所述故障源对象得到多个控制元素信息;其中,每个控制元素信息对应所述视觉采集设备对应的其中一类用户数据;
确定出所述视觉采集设备对应故障标注标签对应的用户数据的目标控制元素信息,对所述目标控制元素信息设置可变化标识标签;其中,所述视觉采集设备在调用所述目标控制元素信息对应的故障策略命令时,通过所述可变化标识标签与所述故障服务平台之间进行故障排查。
4.如权利要求1所述的基于机器视觉的高压隔离开关故障状态检测方法,其特征在于,构建所述待分析运行状态的故障诊断模型,包括:
获取待分析运行状态的运行状态标签对应的诊断节点信息及所述运行状态标签的状态所属标签信息,所述状态所属标签信息表示所述待分析运行状态的运行状态标签的标签有效时长;
生成与所述诊断节点信息对应的标签信息集合,所述标签信息集合中包含有预先提取的所述待分析运行状态的故障诊断行为信息,所述故障诊断行为信息用于表征所述待分析运行状态的不同故障诊断方式;
根据所述标签信息集合以及所述状态所属标签信息将所述待分析运行状态拆分为多个拆分状态节点,基于所述标签信息集合中的故障诊断行为信息对应的故障排序等级将多个拆分状态节点进行排序得到所述故障诊断模型。
5.一种基于机器视觉的高压隔离开关故障状态检测系统,其特征在于,包括互相之间通信的故障服务平台和视觉采集设备;
所述故障服务平台,用于:
基于所述视觉采集设备采集到的高压隔离开关所控制的隔离目标区域对应的区域图像信息和区域标签信息,对所述高压隔离开关所控制的隔离目标区域进行机器视觉识别,以提取所述高压隔离开关所控制的隔离目标区域中包括的运行状态特征信息以及隔离状态特征信息;其中,所述高压隔离开关所控制的隔离目标区域为所述故障服务平台对应的第一目标区域或者所述视觉采集设备对应的第二目标区域,所述运行状态特征信息是所述区域图像信息中的运行状态的状态特征信息,所述隔离状态特征信息与所述区域标签信息之间存在匹配关系,所述匹配关系用于表征所述运行状态的运行策略;
通过筛选得到的所述运行状态特征信息中相对于所述隔离状态特征信息存在异常行为特征的目标特征信息符,获取所述高压隔离开关所控制的隔离目标区域中异常行为标签不随所述目标特征信息符的变化范围而更新的目标运行状态,以作为所述高压隔离开关所控制的隔离目标区域的待分析运行状态;
构建所述待分析运行状态的故障诊断模型,从预设的故障解析策略方案中查询出与所述故障诊断模型的匹配率最高的目标故障诊断模型,根据所述目标故障诊断模型唯一对应的故障标识确定所述故障诊断模型对应的所述高压隔离开关所控制的隔离目标区域是第一目标区域还是第二目标区域;
若所述高压隔离开关所控制的隔离目标区域是所述第一目标区域,则确定所述高压隔离开关所控制的隔离目标区域在预设监控区域内的目标区域图像信息,根据所述目标区域图像信息识别所述高压隔离开关所控制的隔离目标区域是否存在故障情况;
若所述高压隔离开关所控制的隔离目标区域是所述第二目标区域,则根据接收到的与所述第二目标区域对应的故障解析策略方案确定所述第二目标区域的运行状态持续性参数,基于所述运行状态持续性参数识别所述高压隔离开关所控制的隔离目标区域是否存在故障情况;
所述故障服务平台确定所述高压隔离开关所控制的隔离目标区域在预设监控区域内的目标区域图像信息,根据所述目标区域图像信息识别所述高压隔离开关所控制的隔离目标区域是否存在故障情况具体包括:
从所述故障服务平台的故障检测策略中提取与所述高压隔离开关所控制的隔离目标区域对应的在预设监控区域内的目标区域图像信息;其中,所述预设监控区域根据所述故障服务平台的故障检测策略的刷新情况确定;
获取所述目标区域图像信息的图像采集信息的采集节点分布序列以及各图像采集信息;根据所述图像采集信息的采集节点分布序列判定所述目标区域图像信息是否存在可定位异常标签和不可定位异常标签;其中,所述可定位异常标签用于表征图像采集信息中的异常标签事件可定位,所述不可定位异常标签用于表征图像采集信息中的异常标签事件不可定位;
若判定出所述目标区域图像信息存在所述可定位异常标签和所述不可定位异常标签,依据所述目标区域图像信息在所述可定位异常标签下的图像采集信息及其解析故障节点数量确定所述目标区域图像信息在所述不可定位异常标签下的各图像采集信息与所述目标区域图像信息在所述可定位异常标签下的各图像采集信息之间的故障指标;其中,所述故障指标用于表征所述可定位异常标签和所述不可定位异常标签下的图像采集信息之间的故障关联区间;
将所述目标区域图像信息在所述不可定位异常标签下的与在所述可定位异常标签下的图像采集信息之间的故障指标匹配预设指标范围的图像采集信息转移至所述可定位异常标签下;
确定所述可定位异常标签下的图像采集信息的第一运行策略路径以及所述不可定位异常标签下图像采集信息的第二运行策略路径,按照将所述第一运行策略路径和所述第二运行策略路径进行对比,得到所述第一运行策略路径和所述第二运行策略路径的重合度;在所述重合度低于设定阈值时判定所述高压隔离开关所控制的隔离目标区域存在故障情况;
所述故障服务平台根据接收到的与所述第二目标区域对应的故障解析策略方案确定所述第二目标区域的运行状态持续性参数,基于所述运行状态持续性参数识别所述高压隔离开关所控制的隔离目标区域是否存在故障情况具体包括:
接收到所述故障解析策略方案后确定所述故障解析策略方案的故障解析字段,并基于所述故障解析字段进行所述第二目标区域的第一故障特征抽取;其中,所述故障解析字段为所述故障解析策略方案中与所述故障服务平台相关的故障解析底层逻辑的故障解析内容信息;
将所述第一故障特征与预设参数集中的各第二故障特征进行时空域特征对比;其中,如果所述第一故障特征为多个,则通过以下方式进行时空域特征对比:按照预先为各第一故障特征设置的综合权衡度,进行将每个第一故障特征分别与每个第二故障特征进行时空域特征对比,得到比较信息,如果该比较信息表征所述第一故障特征在该第二故障特征所处的时段内为稳定,则将所述第一故障特征与下一个第二故障特征进行时空域特征对比;如果所述第一故障特征与每个第二故障特征的比较信息表征所述第一故障特征在每个第二故障特征所处的时段内为稳定,则将所述第一故障特征导入预设的故障特征序列中;
将所述故障特征序列中的第一故障特征按照时空域特征维度的大小顺序进行排序得到排序序列;确定所述排序序列的序列结构信息,并以所述序列结构信息对所述排序序列中的每个第一故障特征进行特征向量提取,将提取出的特征向量整合为运行状态持续性参数;
确定所述运行状态持续性参数在所述第二目标区域中的多个运行状态持续性特征值;根据所述多个运行状态持续性特征值得到所述第二目标区域的描述向量信息;根据所述描述向量信息确定所述第二目标区域的运行轨迹,在所述运行轨迹中出现离散节点时,确定所述第二目标区域存在故障情况。
6.如权利要求5所述的基于机器视觉的高压隔离开关故障状态检测系统,其特征在于,所述故障服务平台构建所述待分析运行状态的故障诊断模型具体包括:
获取待分析运行状态的运行状态标签对应的诊断节点信息及所述运行状态标签的状态所属标签信息,所述状态所属标签信息表示所述待分析运行状态的运行状态标签的标签有效时长;
生成与所述诊断节点信息对应的标签信息集合,所述标签信息集合中包含有预先提取的所述待分析运行状态的故障诊断行为信息,所述故障诊断行为信息用于表征所述待分析运行状态的不同故障诊断方式;
根据所述标签信息集合以及所述状态所属标签信息将所述待分析运行状态拆分为多个拆分状态节点,基于所述标签信息集合中的故障诊断行为信息对应的故障排序等级将多个拆分状态节点进行排序得到所述故障诊断模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010803617.2A CN111950448B (zh) | 2020-08-11 | 2020-08-11 | 基于机器视觉的高压隔离开关故障状态检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010803617.2A CN111950448B (zh) | 2020-08-11 | 2020-08-11 | 基于机器视觉的高压隔离开关故障状态检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111950448A CN111950448A (zh) | 2020-11-17 |
CN111950448B true CN111950448B (zh) | 2024-02-02 |
Family
ID=73331623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010803617.2A Active CN111950448B (zh) | 2020-08-11 | 2020-08-11 | 基于机器视觉的高压隔离开关故障状态检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950448B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116755403B (zh) * | 2023-06-13 | 2024-03-26 | 英利新能源(宁夏)有限公司 | 基于光伏组件生产控制系统的数据采集方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650788A (zh) * | 2016-11-16 | 2017-05-10 | 合肥普望电子有限责任公司 | 隔离开关故障检测方法 |
CN108318810A (zh) * | 2017-12-27 | 2018-07-24 | 国网北京市电力公司 | 高压隔离开关故障确定方法和装置 |
CN109101906A (zh) * | 2018-07-27 | 2018-12-28 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 一种变电站电力设备红外图像异常实时检测方法及装置 |
CN109100641A (zh) * | 2017-06-20 | 2018-12-28 | 平高集团有限公司 | 一种高压隔离开关故障检测方法和装置 |
CN109271872A (zh) * | 2018-08-22 | 2019-01-25 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种高压隔离开关分合状态判断与故障诊断装置及方法 |
CN109708855A (zh) * | 2017-10-25 | 2019-05-03 | 平高集团有限公司 | 一种高压隔离开关分合状态监测方法和装置 |
CN110380907A (zh) * | 2019-07-26 | 2019-10-25 | 京信通信系统(中国)有限公司 | 一种网络故障诊断方法、装置、网络设备及存储介质 |
CN111208385A (zh) * | 2019-12-19 | 2020-05-29 | 云南电网有限责任公司玉溪供电局 | 电网在线故障分层诊断方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2014152062A (ru) * | 2012-06-26 | 2016-08-10 | Сименс Акциенгезелльшафт | Распознавание неисправностей в сетях энергоснабжения |
WO2015085286A1 (en) * | 2013-12-06 | 2015-06-11 | Abb Inc. | Systems and methods for identifying faulted segments in multiphase power networks |
US10923907B2 (en) * | 2018-03-07 | 2021-02-16 | Southern States, Llc | Direction-to-fault and zone-based distance-to-fault electric power sectionalizer systems |
-
2020
- 2020-08-11 CN CN202010803617.2A patent/CN111950448B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650788A (zh) * | 2016-11-16 | 2017-05-10 | 合肥普望电子有限责任公司 | 隔离开关故障检测方法 |
CN109100641A (zh) * | 2017-06-20 | 2018-12-28 | 平高集团有限公司 | 一种高压隔离开关故障检测方法和装置 |
CN109708855A (zh) * | 2017-10-25 | 2019-05-03 | 平高集团有限公司 | 一种高压隔离开关分合状态监测方法和装置 |
CN108318810A (zh) * | 2017-12-27 | 2018-07-24 | 国网北京市电力公司 | 高压隔离开关故障确定方法和装置 |
CN109101906A (zh) * | 2018-07-27 | 2018-12-28 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 一种变电站电力设备红外图像异常实时检测方法及装置 |
CN109271872A (zh) * | 2018-08-22 | 2019-01-25 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种高压隔离开关分合状态判断与故障诊断装置及方法 |
CN110380907A (zh) * | 2019-07-26 | 2019-10-25 | 京信通信系统(中国)有限公司 | 一种网络故障诊断方法、装置、网络设备及存储介质 |
CN111208385A (zh) * | 2019-12-19 | 2020-05-29 | 云南电网有限责任公司玉溪供电局 | 电网在线故障分层诊断方法 |
Non-Patent Citations (4)
Title |
---|
Fault Detection and Isolation of Distributed Inverter-Based Microgrids;Horst Schulte 等;《Advanced, Contemporary Control. Advances in Intelligent Systems and Computing》;第1196卷;第1483–1495页 * |
基于ReliefF特征量优化及BP神经网络识别的高压隔离开关故障类型与位置诊断方法;张一茗 等;《高压电器》;第54卷(第02期);第12-19页 * |
基于经验模态分解及支持向量机的高压隔离开关机械故障诊断方法;郭煜敬 等;《高压电器》;第54卷(第09期);第12-18页 * |
基于高压隔离开关振动信号的故障诊断方法分析;李少华 等;《内蒙古电力技术》;第36卷(第01期);第89-92页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111950448A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111740991B (zh) | 一种异常检测方法及系统 | |
CN113282461B (zh) | 传输网的告警识别方法和装置 | |
CN110955550B (zh) | 一种云平台故障定位方法、装置、设备及存储介质 | |
CN109739904B (zh) | 一种时间序列的标记方法、装置、设备和存储介质 | |
CN115118581B (zh) | 一种基于5g的物联网数据全链路监控和智能保障系统 | |
CN112565187B (zh) | 基于逻辑回归的电网攻击检测方法、系统、设备及介质 | |
CN111950448B (zh) | 基于机器视觉的高压隔离开关故障状态检测方法及装置 | |
CN108180935B (zh) | 传感器的故障检测方法及装置 | |
CN112817814A (zh) | 异常监控方法、系统、存储介质及电子装置 | |
CN109743339B (zh) | 电力厂站的网络安全监测方法和装置、计算机设备 | |
CN117368651B (zh) | 一种配电网故障综合分析系统及方法 | |
CN112637888B (zh) | 覆盖空洞区域识别方法、装置、设备及可读存储介质 | |
CN110324207A (zh) | 一种数据采集终端的检测方法及装置 | |
CN115827363A (zh) | 资源告警分析方法、装置、电子设备和存储介质 | |
CN111797287A (zh) | 基于遥控报警识别的节能电力柜控制方法及装置 | |
CN111667190B (zh) | 一种电力施工接地监控方法、装置及服务器 | |
CN115801538A (zh) | 场站服务器应用资产深度识别方法、系统及设备 | |
CN111935279B (zh) | 基于区块链和大数据的物联网络维护方法及计算节点 | |
CN111539477B (zh) | 水质监测管理方法、装置、服务器及可读存储介质 | |
CN110098983B (zh) | 一种异常流量的检测方法及装置 | |
CN112184493A (zh) | 基于大数据和装配式建筑平台的数据处理方法、系统及存储介质 | |
CN112699435A (zh) | 一种建筑物安全检测方法及建筑物安全检测系统 | |
CN111652323B (zh) | 水质监测方法、装置及服务器 | |
CN116962083B (zh) | 网络异常行为的检测方法、装置、设备及可读存储介质 | |
CN113515507B (zh) | 应用于大坝渗水检测的方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |