CN111951243A - 线性可变差动变压器的监测方法及装置 - Google Patents
线性可变差动变压器的监测方法及装置 Download PDFInfo
- Publication number
- CN111951243A CN111951243A CN202010799338.3A CN202010799338A CN111951243A CN 111951243 A CN111951243 A CN 111951243A CN 202010799338 A CN202010799338 A CN 202010799338A CN 111951243 A CN111951243 A CN 111951243A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- differential transformer
- linear variable
- variable differential
- classification
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000013145 classification model Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims description 49
- 238000012545 processing Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012806 monitoring device Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 13
- 238000013135 deep learning Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 239000000872 buffer Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000000306 component Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004304 visual acuity Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000010295 mobile communication 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
- 230000000750 progressive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种线性可变差动变压器的监测方法及装置,方法包括:获取线性可变差动变压器的监测图像;根据预设的分类模型对所述监测图像进行分类,得到所述监测图像对应的分类结果;根据所述分类结果确定线性可变差动变压器中杆芯的状态。本发明能够对线性可变差动变压器中杆芯状态作出精确判断,有效降低因线性可变差动变压器导致汽轮机运行故障的概率,进而提高汽轮机运行的安全性和稳定性,具有更强的适应性。
Description
技术领域
本发明涉及数字图像中的目标跟踪技术领域,具体涉及一种线性可变差动变压器的监测方法及装置。
背景技术
线性可变差动变压器(LVDT)是火电机组控制系统的核心部件。火电机组通过LVDT采集汽轮机调节汽阀的开度值,基于开度值对火电机组有功功率进行控制。图1显示了当前LVDT的工作原理。如图1所示,LVDT由铁芯和线圈构成。当调节汽阀开度变化时,调节汽阀油动机会带动LVDT的杆芯运动,杆芯在线圈中的位置发生变化,导致线圈输出的电压发生相应变化,电压的变化可以反应调节汽阀的开度变化。由于LVDT与汽轮机本体距离较近,而且处于高温、振动等恶劣工作环境中,长期运行后,可能出现杆芯偏斜等异常情况。如图2所示,当杆芯的偏斜较大时,杆芯将与线圈发生碰撞和摩擦,造成LVDT损毁,同时导致机组调节汽阀开度信号故障,无法反应杆芯位置,对机组的安全经济运行产生巨大影响。
目前,绝大多数火电机组仅采集线圈输出电压信号以监控调节汽阀开度,尚无针对LVDT本体状态监测系统,只能通过人眼观察来作出判断。但是,由于观测频率、观测精度以及人员经验等因素的限制,无法保障对于LVDT状态的实时精确掌控。导致火电机组的安全经济运行存在很大的隐患。
发明内容
针对现有技术中的问题,本发明提供一种线性可变差动变压器的监测方法及装置,能够对线性可变差动变压器中杆芯状态的精确判断,提高汽轮机的安全性和稳定性。
为解决上述技术问题,本发明提供以下技术方案:
第一方面,本发明提供一种线性可变差动变压器的监测方法,包括:
获取线性可变差动变压器的监测图像;
根据预设的分类模型对所述监测图像进行分类,得到所述监测图像对应的分类结果;
根据所述分类结果确定线性可变差动变压器中杆芯的状态。
其中,所述将所述根据预设的分类模型对所述监测图像进行分类,包括:
对所述监测图像进行转换处理,得到所述监测图像对应的向量;
将所述向量输入所述分类模型得到所述分类模型输出的分类结果。
进一步的,在所述根据所述分类结果确定线性可变差动变压器中杆芯的状态之后,还包括:
确定所述杆芯的状态为偏斜状态,则向预警装置发出预警信号。
进一步的,在所述根据所述分类结果确定线性可变差动变压器中杆芯的状态之后,还包括:
基于所述杆芯的状态对所述监测图像进行标记处理;
将标记处理后的监测图像进行可视化。
进一步的,在所述获取线性可变差动变压器的监测图像之前,还包括:
确定线性可变差动变压器的训练集图像以及所述训练集图像对应的分类标签;
根据所述训练集图像和所述训练集图像对应的分类标签对卷积神经网络模型进行分类训练,得到分类模型。
第二方面,本发明提供一种线性可变差动变压器的监测装置,包括:
采集单元,用于获取线性可变差动变压器的监测图像;
分类单元,用于根据预设的分类模型对所述监测图像进行分类,得到所述监测图像对应的分类结果;
处理单元,用于根据所述分类结果确定线性可变差动变压器中杆芯的状态。
其中,所述分类单元包括:
转换子单元,用于对所述监测图像进行转换处理,得到所述监测图像对应的向量;
输入子单元,用于将所述向量输入所述分类模型得到所述分类模型输出的分类结果。
进一步的,还包括:
预警单元,用于确定所述杆芯的状态为偏斜状态,则向预警装置发出预警信号。
进一步的,还包括:
标记单元,用于基于所述杆芯的状态对所述监测图像进行标记处理;
可视化单元,用于将标记处理后的监测图像进行可视化。
进一步的,还包括:
获取单元,用于确定线性可变差动变压器的训练集图像以及所述训练集图像对应的分类标签;
训练单元,用于根据所述训练集图像和所述训练集图像对应的分类标签对卷积神经网络模型进行分类训练,得到分类模型。
第三方面,本发明提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的线性可变差动变压器的监测方法的步骤。
第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的线性可变差动变压器的监测方法的步骤。
由上述技术方案可知,本发明提供一种线性可变差动变压器的监测方法及装置,通过获取线性可变差动变压器的监测图像;根据预设的分类模型对所述监测图像进行分类,得到所述监测图像对应的分类结果;根据所述分类结果确定线性可变差动变压器中杆芯的状态,能够对线性可变差动变压器中杆芯状态作出精确判断,有效降低因线性可变差动变压器导致汽轮机运行故障的概率,进而提高汽轮机运行的安全性和稳定性,具有更强的适应性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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的附图。
图1为现有技术中LVDT工作原理示意图;
图2为现有技术中LVDT杆芯偏斜与线圈发生碰磨示意图;
图3为本发明实施例中的线性可变差动变压器的监测方法的第一流程示意图;
图4为本发明实施例中的线性可变差动变压器的监测方法的第二流程示意图;
图5为本发明线性可变差动变压器的监测方法实施例中正常状态下杆芯图像样本示意图;
图6为本发明线性可变差动变压器的监测方法实施例中偏斜状态下杆芯图像样本示意图;
图7为本发明线性可变差动变压器的监测方法实施例中分类模型训练过程示意图;
图8为本发明实施例中的线性可变差动变压器的监测方法的第三流程示意图;
图9为本发明实施例中的线性可变差动变压器的监测方法的第四流程示意图;
图10为本发明实施例中的线性可变差动变压器的监测方法中步骤S102的流程示意图;
图11为本发明实施例中的线性可变差动变压器的监测装置的结构示意图;
图12为应用本发明实施例中的线性可变差动变压器的监测装置的系统的整体结构示意图;
图13为本发明实施例中的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明提供一种线性可变差动变压器的监测方法的实施例,参见图3,所述线性可变差动变压器的监测方法具体包含有如下内容:
S101:获取线性可变差动变压器的监测图像;
可以理解的是,在线性可变差动变压器的工作范围之外设置摄像机,其中,摄像机的分辨率越高采集的图像则越清晰。通过摄像机采集线性可变差动变压器的监测图像时,可以实时采集也可以按周期采集,根据使用需求自行选择采集监测图像的方式。
需要说明的是,采集线性可变差动变压器的图像的目的是确定线性可变差动变压器上杆芯自身的偏斜状态,而不是杆芯正常工作状态下的整体的位移情况。
S102:根据预设的分类模型对所述监测图像进行分类,得到所述监测图像对应的分类结果;
在本步骤中,根据采集的监测图像构建深度学习神经网络的训练集,确定训练集中杆芯的标签。其中,杆芯的标签包括:第一标签和第二标签,第一标签和第二标签用来表征杆芯的状态。其中,第一标签的标记为0,表示杆芯为正常状态;第二标签的标记为1,表示杆芯为偏斜状态。
根据训练集以及训练集中杆芯的标签,对深度学习神经网络的模型进行训练,得到训练神经网络模型(即分类模型)。基于分类模型能够对步骤S101中采集的监测图像进行分类并确定监测图像对应的标签,监测图像对应的标签即为监测图像对应的分类结果。
需要说明的是,深度学习网络对于复杂特性数据具有更加强大的拟合能力,对于多变情况具有更灵活的适应能力,因此,在基于分类模型对监测图像进行分类,能够提高分类处理的拟合能力和灵活的适应能力。
S103:根据所述分类结果确定线性可变差动变压器中杆芯的状态。
可以理解的是,分类结果包括:第一标签和第二标签;其中,第一标签的标记为0,表示杆芯为正常状态;第二标签的标记为1,表示杆芯为偏斜状态。
在本步骤中,若分类结果为第一标签,则当前监测图像中线性可变差动变压器中杆芯的状态为正常状态。若分类结果为第二标签,则当前监测图像中线性可变差动变压器中杆芯的状态为偏斜状态。
从上述描述可知,本发明实施例提供的线性可变差动变压器的监测方法,通过获取线性可变差动变压器的监测图像;根据预设的分类模型对所述监测图像进行分类,得到所述监测图像对应的分类结果;根据所述分类结果确定线性可变差动变压器中杆芯的状态,能够对线性可变差动变压器中杆芯状态作出精确判断,有效降低因线性可变差动变压器导致汽轮机运行故障的概率,进而提高汽轮机运行的安全性和稳定性,具有更强的适应性。
在本发明的一实施例中,参见图4,所述线性可变差动变压器的监测方法的步骤S101之前还包含有步骤S201和步骤S202,具体包含有如下内容:
S201:确定线性可变差动变压器的训练集图像以及所述训练集图像对应的分类标签;
S202:根据所述训练集图像和所述训练集图像对应的分类标签对卷积神经网络模型进行分类训练,得到分类模型。
在本实施例中,首先构建线性可变差动变压器(以下称为LVDT)杆芯状态的图像数据集,划分为:训练集、验证集和测试集。应用深度学习神经网络,结合数据集构建适用于分类任务的分类模型。将测试完毕的分类模型应用在上述方法实施例中,实现对LVDT杆芯状态的视觉识别。
其中,构建数据集和训练深度学习神经网络,具体需要细节如下:
(1)构建数据集:
为了使深度学习神经网络学习到判别杆芯是否偏斜的能力,需要构建图像数据集,其中包含杆芯正常和偏斜的图像样本,分别标记为0和1,如图5所示,正常状态下杆芯图像样本示意图,以及如图6所示,偏斜状态下杆芯图像样本示意图。将数据集分为训练集、验证集和测试集。
(2)训练:
应用成熟的深度学习神经网络,利用训练集对深度学习神经网络的模型进行监督学习训练,利用验证集对模型的参数进行择优,利用测试集对模型的实际分辨能力进行测试。经过反复调整,最终得到具备较高准确度的分类模型。
其中,在训练过程中,如图7所示,首先将图像转换成向量,输入到神经网络模型中,将神经网络预测结果(预测值)与图像标记值(1或0)进行对比,计算损失函数值,然后进行反向传播计算,对神经网络参数进行优化。
需要说明的是,图像转换成向量具体的步骤包括:将图像进行灰度处理,将灰度处理后的图像进行二值化处理,将二值化处理后的图像转换为矩阵以及将矩阵转换为向量。
本实施例是通过深度学习对LVDT杆芯图像进行分析判断,具有更强的适应性。利用图像识别方法实现对LVDT杆芯状态的实时精确判断。
在本发明的一实施例中,参见图8,所述线性可变差动变压器的监测方法的步骤S103之后还包含有步骤S104,具体包含有如下内容:
S104:确定所述杆芯的状态为偏斜状态,则向预警装置发出预警信号。
在本实施例中,在线性可变差动变压器的工作范围之外设置高频摄像机,通过高频摄像,实现对杆芯图像的实时采集。基于杆芯图像确定杆芯的状态为偏斜状态时,发出预警信号,为故障处理提供宝贵的准备时间,有效降低线性可变差动变压器的故障时长。
本实施例能够弥补人工巡检的不足,主动、连续对汽轮机调节阀LVDT的运行工况进行监控,有效避免因调节阀LVDT故障发现不及时导致汽轮机运行工况失衡的发生。
在本发明的一实施例中,参见图9,所述线性可变差动变压器的监测方法的步骤S103之后还包含有步骤S105和步骤S106,具体包含有如下内容:
S105:基于所述杆芯的状态对所述监测图像进行标记处理;
S106:将标记处理后的监测图像进行可视化。
在本实施例中,在线性可变差动变压器的工作范围之外设置高频摄像机,通过高频摄像,实现对杆芯图像的实时采集,基于杆芯图像确定杆芯的状态。将杆芯的状态标注在采集的监测图像上,对标记处理后的监测图像进行可视化,有助于监控人员更加直观的确定杆芯的状态。
本实施例采用深度学习技术对LVDT杆芯状态进行实时的可视化的在线监测,为机组运行人员提供LVDT的状态信息,及时发出预警信号,避免因LVDT突然失效导致的机组运行风险。
在本发明的一实施例中,提供上述实施例中步骤S102的一种具体实现方式,参见图10,具体包括如下步骤:
S1021:对所述监测图像进行转换处理,得到所述监测图像对应的向量;
S1022:将所述向量输入所述分类模型得到所述分类模型输出的分类结果。
可以理解的是,在训练过程中,首先将图像转换成向量,输入到神经网络模型中,将神经网络预测结果与图像标记值进行对比,计算损失函数值,然后进行反向传播计算,对神经网络参数进行优化。
在本实施例中,图像转换成向量具体的步骤包括:将图像进行灰度处理,将灰度处理后的图像进行二值化处理,将二值化处理后的图像转换为矩阵以及将矩阵转换为向量。
需要说明的是,应用成熟的深度学习神经网络,利用训练集对深度学习神经网络的模型进行监督学习训练,利用验证集对模型的参数进行择优,利用测试集对模型的实际分辨能力进行测试。经过反复调整,最终得到具备较高准确度的分类模型。
本发明实施例提供一种能够实现所述线性可变差动变压器的监测方法中全部内容的线性可变差动变压器的监测装置的具体实施方式,参见图11,所述线性可变差动变压器的监测装置具体包括如下内容:
采集单元10,用于获取线性可变差动变压器的监测图像;
分类单元11,用于根据预设的分类模型对所述监测图像进行分类,得到所述监测图像对应的分类结果;
处理单元12,用于根据所述分类结果确定线性可变差动变压器中杆芯的状态。
其中,所述分类单元11包括:
转换子单元,用于对所述监测图像进行转换处理,得到所述监测图像对应的向量;
输入子单元,用于将所述向量输入所述分类模型得到所述分类模型输出的分类结果。
进一步的,还包括:
预警单元21,用于确定所述杆芯的状态为偏斜状态,则向预警装置发出预警信号。
进一步的,还包括:
标记单元22,用于基于所述杆芯的状态对所述监测图像进行标记处理;
可视化单元23,用于将标记处理后的监测图像进行可视化。
进一步的,还包括:
获取单元31,用于确定线性可变差动变压器的训练集图像以及所述训练集图像对应的分类标签;
训练单元32,用于根据所述训练集图像和所述训练集图像对应的分类标签对卷积神经网络模型进行分类训练,得到分类模型。
本发明提供的线性可变差动变压器的监测装置的实施例具体可以用于执行上述实施例中的线性可变差动变压器的监测方法的实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
从上述描述可知,本发明实施例提供的线性可变差动变压器的监测装置,通过获取线性可变差动变压器的监测图像;根据预设的分类模型对所述监测图像进行分类,得到所述监测图像对应的分类结果;根据所述分类结果确定线性可变差动变压器中杆芯的状态,能够对线性可变差动变压器中杆芯状态作出精确判断,有效降低因线性可变差动变压器导致汽轮机运行故障的概率,进而提高汽轮机运行的安全性和稳定性,具有更强的适应性。
参见图12,在应用该线性可变差动变压器监测装置的系统中,通过在线性可变差动变压器的杆芯附近设置摄像机,由摄像机获取线性可变差动变压器的监测图像;应用深度学习技术对图像进行识别,实时确定杆芯位置信息,判定杆芯是否发生偏斜状态,及时发出预警信号,为故障处理提供宝贵的准备时间。
本申请提供一种用于实现所述线性可变差动变压器的监测方法中的全部或部分内容的电子设备的实施例所述电子设备具体包含有如下内容:
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述通信接口用于实现相关设备之间的信息传输;该电子设备可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该电子设备可以参照实施例用于实现所述线性可变差动变压器的监测方法的实施例及用于实现所述线性可变差动变压器的监测装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
图13为本申请实施例的电子设备9600的系统构成的示意框图。如图13所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图13是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
一实施例中,线性可变差动变压器的监测功能可以被集成到中央处理器9100中。其中,中央处理器9100可以被配置为进行如下控制:
获取线性可变差动变压器的监测图像;
根据预设的分类模型对所述监测图像进行分类,得到所述监测图像对应的分类结果;
根据所述分类结果确定线性可变差动变压器中杆芯的状态。
从上述描述可知,本申请的实施例提供的电子设备,通过获取线性可变差动变压器的监测图像;根据预设的分类模型对所述监测图像进行分类,得到所述监测图像对应的分类结果;根据所述分类结果确定线性可变差动变压器中杆芯的状态,能够对线性可变差动变压器中杆芯状态作出精确判断,有效降低因线性可变差动变压器导致汽轮机运行故障的概率,进而提高汽轮机运行的安全性和稳定性,具有更强的适应性。
在另一个实施方式中,线性可变差动变压器的监测装置可以与中央处理器9100分开配置,例如可以将线性可变差动变压器的监测配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现线性可变差动变压器的监测功能。
如图13所示,该电子设备9600还可以包括:通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图13中所示的所有部件;此外,电子设备9600还可以包括图13中没有示出的部件,可以参考现有技术。
如图13所示,中央处理器9100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中,存储器9140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器9140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块9110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132,以经由扬声器9131提供音频输出,并接收来自麦克风9132的音频输入,从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器9130还耦合到中央处理器9100,从而使得可以通过麦克风9132能够在本机上录音,且使得可以通过扬声器9131来播放本机上存储的声音。
本发明的实施例还提供能够实现上述实施例中的线性可变差动变压器的监测方法中全部步骤的一种计算机可读存储介质,所述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实施例中的线性可变差动变压器的监测方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
获取线性可变差动变压器的监测图像;
根据预设的分类模型对所述监测图像进行分类,得到所述监测图像对应的分类结果;
根据所述分类结果确定线性可变差动变压器中杆芯的状态。
从上述描述可知,本发明实施例提供的计算机可读存储介质,通过获取线性可变差动变压器的监测图像;根据预设的分类模型对所述监测图像进行分类,得到所述监测图像对应的分类结果;根据所述分类结果确定线性可变差动变压器中杆芯的状态,能够对线性可变差动变压器中杆芯状态作出精确判断,有效降低因线性可变差动变压器导致汽轮机运行故障的概率,进而提高汽轮机运行的安全性和稳定性,具有更强的适应性。
虽然本发明提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
本领域技术人员应明白,本说明书的实施例可提供为方法、装置(系统)或计算机程序产品。因此,本说明书实施例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,本发明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。
本发明是参照根据本发明实施例的方法、装置(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。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物品或者设备所固有的要素。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面,也不局限于任何单一的实施例,也不局限于这些方面和/或实施例的任意组合和/或置换。而且,可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (12)
1.一种线性可变差动变压器的监测方法,其特征在于,包括:
获取线性可变差动变压器的监测图像;
根据预设的分类模型对所述监测图像进行分类,得到所述监测图像对应的分类结果;
根据所述分类结果确定线性可变差动变压器中杆芯的状态。
2.根据权利要求1所述的线性可变差动变压器的监测方法,其特征在于,所述将所述根据预设的分类模型对所述监测图像进行分类,包括:
对所述监测图像进行转换处理,得到所述监测图像对应的向量;
将所述向量输入所述分类模型得到所述分类模型输出的分类结果。
3.根据权利要求1所述的线性可变差动变压器的监测方法,其特征在于,在所述根据所述分类结果确定线性可变差动变压器中杆芯的状态之后,还包括:
确定所述杆芯的状态为偏斜状态,则向预警装置发出预警信号。
4.根据权利要求1所述的线性可变差动变压器的监测方法,其特征在于,在所述根据所述分类结果确定线性可变差动变压器中杆芯的状态之后,还包括:
基于所述杆芯的状态对所述监测图像进行标记处理;
将标记处理后的监测图像进行可视化。
5.根据权利要求1所述的线性可变差动变压器的监测方法,其特征在于,在所述获取线性可变差动变压器的监测图像之前,还包括:
确定线性可变差动变压器的训练集图像以及所述训练集图像对应的分类标签;
根据所述训练集图像和所述训练集图像对应的分类标签对卷积神经网络模型进行分类训练,得到分类模型。
6.一种线性可变差动变压器的监测装置,其特征在于,包括:
采集单元,用于获取线性可变差动变压器的监测图像;
分类单元,用于根据预设的分类模型对所述监测图像进行分类,得到所述监测图像对应的分类结果;
处理单元,用于根据所述分类结果确定线性可变差动变压器中杆芯的状态。
7.根据权利要求6所述的线性可变差动变压器的监测装置,其特征在于,所述分类单元包括:
转换子单元,用于对所述监测图像进行转换处理,得到所述监测图像对应的向量;
输入子单元,用于将所述向量输入所述分类模型得到所述分类模型输出的分类结果。
8.根据权利要求6所述的线性可变差动变压器的监测装置,其特征在于,还包括:
预警单元,用于确定所述杆芯的状态为偏斜状态,则向预警装置发出预警信号。
9.根据权利要求6所述的线性可变差动变压器的监测装置,其特征在于,还包括:
标记单元,用于基于所述杆芯的状态对所述监测图像进行标记处理;
可视化单元,用于将标记处理后的监测图像进行可视化。
10.根据权利要求6所述的线性可变差动变压器的监测装置,其特征在于,还包括:
获取单元,用于确定线性可变差动变压器的训练集图像以及所述训练集图像对应的分类标签;
训练单元,用于根据所述训练集图像和所述训练集图像对应的分类标签对卷积神经网络模型进行分类训练,得到分类模型。
11.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至5任一项所述的线性可变差动变压器的监测方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至5任一项所述的线性可变差动变压器的监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010799338.3A CN111951243A (zh) | 2020-08-11 | 2020-08-11 | 线性可变差动变压器的监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010799338.3A CN111951243A (zh) | 2020-08-11 | 2020-08-11 | 线性可变差动变压器的监测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111951243A true CN111951243A (zh) | 2020-11-17 |
Family
ID=73332900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010799338.3A Pending CN111951243A (zh) | 2020-08-11 | 2020-08-11 | 线性可变差动变压器的监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111951243A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104428628A (zh) * | 2012-06-25 | 2015-03-18 | 斯奈克玛 | 监测线性差动变压器传感器 |
CN109829916A (zh) * | 2019-03-04 | 2019-05-31 | 国网内蒙古东部电力有限公司 | 一种基于cnn的变压器故障诊断方法 |
CN110163078A (zh) * | 2019-03-21 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 活体检测方法、装置及应用活体检测方法的服务系统 |
WO2020113694A1 (zh) * | 2018-12-04 | 2020-06-11 | 深圳码隆科技有限公司 | 纺丝机故障监测方法、装置和服务器 |
CN111275759A (zh) * | 2020-01-16 | 2020-06-12 | 国网江苏省电力有限公司 | 基于无人机双光影像融合的变电站刀闸温度检测方法 |
-
2020
- 2020-08-11 CN CN202010799338.3A patent/CN111951243A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104428628A (zh) * | 2012-06-25 | 2015-03-18 | 斯奈克玛 | 监测线性差动变压器传感器 |
WO2020113694A1 (zh) * | 2018-12-04 | 2020-06-11 | 深圳码隆科技有限公司 | 纺丝机故障监测方法、装置和服务器 |
CN109829916A (zh) * | 2019-03-04 | 2019-05-31 | 国网内蒙古东部电力有限公司 | 一种基于cnn的变压器故障诊断方法 |
CN110163078A (zh) * | 2019-03-21 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 活体检测方法、装置及应用活体检测方法的服务系统 |
CN111275759A (zh) * | 2020-01-16 | 2020-06-12 | 国网江苏省电力有限公司 | 基于无人机双光影像融合的变电站刀闸温度检测方法 |
Non-Patent Citations (5)
Title |
---|
张婷婷等主编: "《遥感技术概论》", vol. 978, 31 July 2011, 郑州:黄河水利出版社, pages: 160 * |
张江丰等: "基于视频处理的汽轮机调节阀LVDT故障自动监控技术", 《热力发电》, vol. 46, no. 12, pages 1 - 13 * |
王锐: "一种线性可变差动变压器输出的监控电路设计", 《信息系统工程》, no. 11, pages 52 * |
石鑫等: "深度学习神经网络在电力变压器故障诊断中的应用", 《电力建设》, vol. 36, no. 12, pages 116 - 122 * |
高德林等编译: "《机器人学导论》", vol. 7, 31 October 1988, 上海:上海交通大学出版社, pages: 133 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10853623B2 (en) | Method and apparatus for generating information | |
US20190392252A1 (en) | Systems and methods for selecting a forecast model for analyzing time series data | |
EP3701708B1 (en) | Machine diagnosis using mobile devices and cloud computers | |
US10592823B2 (en) | Learning model construction device, abnormality detection device, abnormality detection system and server | |
US20140074435A1 (en) | Acoustic diagnosis and correction system | |
KR102262889B1 (ko) | 시선 추적을 이용한 머신 러닝 기반의 읽기 능력 진단 장치 및 방법 | |
US11715190B2 (en) | Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device | |
CN107942956B (zh) | 信息处理装置、信息处理方法、信息处理程序及记录介质 | |
CN105095817A (zh) | 基于人工智能的智能机器人故障诊断方法、装置及系统 | |
JP2018077779A (ja) | センサインタフェース装置、測定情報通信システム、測定情報通信方法、及び測定情報通信プログラム | |
EP3759789B1 (en) | System and method for audio and vibration based power distribution equipment condition monitoring | |
US11263479B2 (en) | Training apparatus, training method, and non-transitory computer-readable recording medium | |
WO2023090193A1 (ja) | 情報処理装置、制御システム、情報処理方法、及びプログラム | |
CN115668084A (zh) | 诊断装置、服务器以及诊断方法 | |
CN111742274A (zh) | 用于空间系统的智能音频分析装置(iaaa)和方法 | |
CN116012681A (zh) | 基于声振信号融合的管道机器人电机故障诊断方法及系统 | |
US20220044060A1 (en) | Control system and control method | |
CN112035325A (zh) | 文本机器人自动监控方法及装置 | |
US20210304786A1 (en) | Sound data processing method, sound data processing device, and program | |
CN111951243A (zh) | 线性可变差动变压器的监测方法及装置 | |
CN115798520A (zh) | 语音检测的方法和装置、电子设备和存储介质 | |
JP2023154373A (ja) | 情報処理装置 | |
US11310349B1 (en) | Transforming multivariate time series data into image data to generate image-based predictions | |
CN115393846B (zh) | 一种血细胞识别方法、装置、设备及可读存储介质 | |
US20230004783A1 (en) | Evaluation framework for time series data |
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 |