CN112211793A - 一种基于视频图像分析的风电机组故障自动识别方法 - Google Patents
一种基于视频图像分析的风电机组故障自动识别方法 Download PDFInfo
- Publication number
- CN112211793A CN112211793A CN202010864733.5A CN202010864733A CN112211793A CN 112211793 A CN112211793 A CN 112211793A CN 202010864733 A CN202010864733 A CN 202010864733A CN 112211793 A CN112211793 A CN 112211793A
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- turbine generator
- feature map
- feature
- fault
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000010191 image analysis Methods 0.000 title claims abstract description 11
- 238000003745 diagnosis Methods 0.000 claims abstract description 12
- 230000007547 defect Effects 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000013136 deep learning model Methods 0.000 claims abstract description 7
- 238000004806 packaging method and process Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims abstract description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 3
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
- F03D80/80—Arrangement of components within nacelles or towers
- F03D80/82—Arrangement of components within nacelles or towers of electrical components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/80—Diagnostics
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/84—Modelling or simulation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/80—Devices generating input signals, e.g. transducers, sensors, cameras or strain gauges
- F05B2270/804—Optical devices
- F05B2270/8041—Cameras
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/30—Wind power
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于视频图像分析的风电机组故障自动识别方法,包括如下步骤:采集风电机组内部正常运行状态的全量现场图像数据,建立图像数据特征数据库;对故障截图进行标注;建立基于视频图像的风电机组故障诊断模型,增强模型的鲁棒性;训练模型,增加对小目标的识别能力;深度学习模型封装接口,搭建B‑S结构,利用浏览器中网页对系统进行操作,调用算法接口对视频或者图片进行目标检测,完成自动识别;本发明通过在风电机组重点部分安装固定点摄像设备,采集图像数据,为风电场厂区建立正常、异常风电机组设备特征数据库,然后利用故障诊断模型实现风电机组缺陷自动陈端预警示范系统,达到自动识别、判定风电机组各类缺陷的目的。
Description
技术领域
本发明涉及一种基于视频图像分析的风电机组故障自动识别方法。
背景技术
风电场规模日益扩大,风电场需要更加高效的管理。风电场存在着占地面积大,风电机组离地高度高等现有状况,对风电机组的故障诊断以及检修提出了严峻的挑战。
传统的风电场管理水平落后,自动化水平较低,计算机辅助系统落后,主要依靠设备异常报警发现设备故障,缺少预警的能力。风电机组设备的巡检依靠工作人员现场检测,但由于工作人员技术水平的差异、技术装备的落后,导致检测工作时间较长、工作效率较低,容易出现误检、漏检、错检等问题。
当前风电机组监控图像利用效率低,主要用于事故发生后原因追查,未使用到故障识别诊断中。
发明内容
本发明所要解决的技术问题是提供一种基于视频图像分析的风电机组故障自动识别方法,可以自动识别、判定风电机组缺陷。
本发明所采用的技术方案是:
一种基于视频图像分析的风电机组故障自动识别方法,其特征在于其包括如下步骤:
在风电机组头部机舱安装固定点可见光摄像机和红外摄像机,采集风电机组内部正常运行状态的全量现场图像数据,通过传输设备传输到数据中心,建立图像数据特征数据库;
对故障截图进行标注;
建立基于视频图像的风电机组故障诊断模型;
采用数据增强方法,增强风电机组故障诊断模型的鲁棒性;
训练风电机组故障诊断模型,增加对小目标的识别能力;
深度学习模型封装接口,搭建B-S结构,利用浏览器中网页对系统进行操作,调用算法接口对视频或者图片进行目标检测,完成自动识别。
进一步的,在采集风电机组的全量现场图像数据时,收集风电机组设备锈蚀、风电机组漏水、漏油情况图像,利用图像数据分别建立特征数据库。
进一步的,利用数据增强方法增强模型鲁棒性时,采用马赛克图像增强方法,将4张采集到的的不同的图片镶嵌到一张图中,混合四张具有不同语义信息的图片。
进一步的,在训练深度学习模型时,将标注好的图片以416x416的大小投入到网络中,输出3层,每层 S × S个网格,得到三张不同尺度的特征图谱,让网络同时学习到深层和浅层的特征,通过叠加浅层特征图特征到相邻通道,把26x26x512的特征图叠加13x13x256的特征图,使模型有了细粒度特征,增加对小目标的识别能力。
进一步的,得到的三张不同尺度的特征图谱分别为:
小尺度为13×13的feature map,网络接收一张416×416的图,经过5个步长为2的卷积来进行降采样416 / 2ˆ5 = 13,输出13×13×512,再经过7个卷积得到第一个特征图谱,在第一个特征图谱上做第一次预测;
中尺度为26×26的feature map,从小尺度中从后向前获得倒数第3个卷积层的输出,进行一次卷积一次x2上采样,将上采样特征26×26×256与第43个卷积特征26×26×512连接,输出26×26×728,经过7个卷积得到第二个特征图谱26×26×255,在第二个特征图谱上做第二次预测;
大尺度为52×52的feature map,从大尺度中从后向前获得倒数第3个卷积层的输出,进行一次卷积一次x2上采样,将上采样特征与第26个卷积特征连接,经过7个卷积得到第三个特征图谱得到52×52×255数据,最后在第三个特征图谱上做第三次预测输出预测图片。
进一步的,标注的方法为:
选取风电机组故障截图,利用标注工具对图片进行标注,将故障或者缺陷部位用框标注,标注信息为xml格式文件保存,内容为标注框的类型和位置信息。
本发明的积极效果为:本发明通过在风电机组重点部分安装固定点摄像设备,采集图像数据,为风电场厂区建立正常、异常风电机组设备特征数据库,然后利用故障诊断模型实现风电机组缺陷自动陈端预警示范系统,达到自动识别、判定风电机组各类缺陷的目的。
附图说明
图1为本发明结构框架图。
具体实施方式
如附图1所示,本发明包括如下步骤:
(1)在风电机组头部机舱安装固定点可见光摄像机和红外摄像机,对风电机组内部正常运行状态下的全量现场图像数据进行采集,通过传输设备传输到数据中心。
(2)采用摄像机配合人工采集图像的方式,收集风电机组设备锈蚀,风电机组漏水,漏油等情况图像,利用图像数据分别建立特征数据库。
(3)风电机组故障存在类型单一的情况,采用数据增强方法—马赛克图像增强方法,通过将4张不同的图片镶嵌到一张图中,混合四张具有不同语义信息的图片,可以让检测器检测超出常规语境的目标,增强模型的鲁棒性。
(4)训练深度学习模型。将标注好的图片以416x416像素的大小投入到网络中,输出3层,每层 S × S个网格,得到如下三张不同尺度的特征图谱,让网络同时学习到深层和浅层的特征,通过叠加浅层特征图特征到相邻通道,把26x26x512像素的特征图叠加13x13x256像素的特征图,使模型有了细粒度特征,增,加对小目标的识别能力。
小尺度:(13×13像素的feature map)网络接收一张(416×416像素)的图,经过5个步长为2的卷积来进行降采样(416 / 2ˆ5 = 13),输出(13×13×512),再经过7个卷积得到第一个特征图谱,在这个特征图谱上做第一次预测。
中尺度: (26×26的feature map)从小尺度中从后向前获得倒数第3个卷积层的输出,进行一次卷积一次x2上采样,将上采样特征(26×26×256)与第43个卷积特征(26×26×512)连接,输出(26×26×728),经过7个卷积得到第二个特征图谱(26×26×255),在这个特征图谱上做第二次预测。
大尺度:(52×52的feature map)操作同中尺度,从后向前获得倒数第3个卷积层的输出,进行一次卷积一次x2上采样,将上采样特征与第26个卷积特征连接,经过7个卷积得到第三个特征图谱,在这个特征图谱上做第三次预测。输出(52×52×255)。
(5)深度学习模型封装接口,搭建B-S结构,利用浏览器中网页对系统进行操作,调用算法接口对视频或者图片进行目标检测。
本发明在风电机组重点部位安装固定点摄像设备,为风电场厂区建立正常、异常风电机组设备特征数据库,实现开发风电机组缺陷自动诊断预警示范系统,达到自动识别、判定风电机组各类缺陷的目的。
以上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:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分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实施例技术方案的精神和范围。
Claims (6)
1.一种基于视频图像分析的风电机组故障自动识别方法,其特征在于其包括如下步骤:
在风电机组头部机舱安装固定点可见光摄像机和红外摄像机,采集风电机组内部正常运行状态的全量现场图像数据,通过传输设备传输到数据中心,建立图像数据特征数据库;
对图像数据进行标注;
建立基于视频图像的风电机组故障诊断模型;
采用数据增强方法,增强风电机组故障诊断模型的鲁棒性;
训练风电机组故障诊断模型,增加对小目标的识别能力;
深度学习模型封装接口,搭建B-S结构,利用浏览器中网页对系统进行操作,调用算法接口对视频或者图片进行目标检测,完成自动识别。
2.根据权利要求1所述的一种基于视频图像分析的风电机组故障自动识别方法,其特征在于在采集风电机组的全量现场图像数据时,收集风电机组设备锈蚀、风电机组漏水、漏油情况图像,利用图像数据分别建立特征数据库。
3.根据权利要求1所述的一种基于视频图像分析的风电机组故障自动识别方法,其特征在于利用数据增强方法增强模型鲁棒性时,采用马赛克图像增强方法,将4张采集到的的不同的图片镶嵌到一张图中,混合四张具有不同语义信息的图片。
4.根据权利要求1所述的一种基于视频图像分析的风电机组故障自动识别方法,其特征在于在训练深度学习模型时,将标注好的图片以416x416的大小投入到网络中,输出3层,每层 S × S个网格,得到三张不同尺度的特征图谱,让网络同时学习到深层和浅层的特征,通过叠加浅层特征图特征到相邻通道,把26x26x512的特征图叠加13x13x256的特征图,使模型有了细粒度特征,增加对小目标的识别能力。
5.根据权利要求4所述的一种基于视频图像分析的风电机组故障自动识别方法,其特征在于得到的三张不同尺度的特征图谱分别为:
小尺度为13×13的feature map,网络接收一张416×416的图,经过5个步长为2的卷积来进行降采样416 / 2ˆ5 = 13,输出13×13×512,再经过7个卷积得到第一个特征图谱,在第一个特征图谱上做第一次预测;
中尺度为26×26的feature map,从小尺度中从后向前获得倒数第3个卷积层的输出,进行一次卷积一次x2上采样,将上采样特征26×26×256与第43个卷积特征26×26×512连接,输出26×26×728,经过7个卷积得到第二个特征图谱26×26×255,在第二个特征图谱上做第二次预测;
大尺度为52×52的feature map,从大尺度中从后向前获得倒数第3个卷积层的输出,进行一次卷积一次x2上采样,将上采样特征与第26个卷积特征连接,经过7个卷积得到第三个特征图谱得到52×52×255数据,最后在第三个特征图谱上做第三次预测输出预测图片。
6.根据权利要求1所述的一种基于视频图像分析的风电机组故障自动识别方法,其特征在于标注的方法为:
选取风电机组故障截图,利用标注工具对图片进行标注,将故障或者缺陷部位用框标注,标注信息为xml格式文件保存,内容为标注框的类型和位置信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010864733.5A CN112211793A (zh) | 2020-08-25 | 2020-08-25 | 一种基于视频图像分析的风电机组故障自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010864733.5A CN112211793A (zh) | 2020-08-25 | 2020-08-25 | 一种基于视频图像分析的风电机组故障自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112211793A true CN112211793A (zh) | 2021-01-12 |
Family
ID=74059386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010864733.5A Pending CN112211793A (zh) | 2020-08-25 | 2020-08-25 | 一种基于视频图像分析的风电机组故障自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112211793A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139955A (zh) * | 2021-05-12 | 2021-07-20 | 华北电力大学 | 一种基于双光图像的光伏组件故障识别方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103982378A (zh) * | 2014-04-25 | 2014-08-13 | 广东电网公司电力科学研究院 | 基于机器视觉图像对电力系统风力发电机叶片表面结冰故障进行诊断的方法 |
CN104696169A (zh) * | 2015-03-18 | 2015-06-10 | 大唐(赤峰)新能源有限公司 | 一种能识别桨叶表面故障的风机设备 |
US20180247416A1 (en) * | 2017-02-27 | 2018-08-30 | Dolphin AI, Inc. | Machine learning-based image recognition of weather damage |
CN109961398A (zh) * | 2019-02-18 | 2019-07-02 | 鲁能新能源(集团)有限公司 | 风机叶片图像分割与网格优化拼接方法 |
CN110147807A (zh) * | 2019-01-04 | 2019-08-20 | 上海海事大学 | 一种船舶智能识别跟踪方法 |
CN110232406A (zh) * | 2019-05-28 | 2019-09-13 | 厦门大学 | 一种基于统计学习的液晶面板cf图片识别方法 |
CN110298410A (zh) * | 2019-07-04 | 2019-10-01 | 北京维联众诚科技有限公司 | 基于深度学习的低对比度图像中弱目标检测方法及装置 |
CN110766098A (zh) * | 2019-11-07 | 2020-02-07 | 中国石油大学(华东) | 基于改进YOLOv3的交通场景小目标检测方法 |
CN111059004A (zh) * | 2020-03-18 | 2020-04-24 | 浙江上风高科专风实业有限公司 | 一种适应于风机系列的状态自动监测方法及系统 |
CN111340238A (zh) * | 2020-03-12 | 2020-06-26 | 中南大学 | 一种工业系统的故障诊断方法、装置、设备及存储介质 |
US20200226480A1 (en) * | 2019-01-14 | 2020-07-16 | Oregon State University | Apparatus and amendment of wind turbine blade impact detection and analysis |
CN111458144A (zh) * | 2020-03-04 | 2020-07-28 | 华北电力大学 | 一种基于卷积神经网络的风力发电机故障诊断方法 |
-
2020
- 2020-08-25 CN CN202010864733.5A patent/CN112211793A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103982378A (zh) * | 2014-04-25 | 2014-08-13 | 广东电网公司电力科学研究院 | 基于机器视觉图像对电力系统风力发电机叶片表面结冰故障进行诊断的方法 |
CN104696169A (zh) * | 2015-03-18 | 2015-06-10 | 大唐(赤峰)新能源有限公司 | 一种能识别桨叶表面故障的风机设备 |
US20180247416A1 (en) * | 2017-02-27 | 2018-08-30 | Dolphin AI, Inc. | Machine learning-based image recognition of weather damage |
CN110147807A (zh) * | 2019-01-04 | 2019-08-20 | 上海海事大学 | 一种船舶智能识别跟踪方法 |
US20200226480A1 (en) * | 2019-01-14 | 2020-07-16 | Oregon State University | Apparatus and amendment of wind turbine blade impact detection and analysis |
CN109961398A (zh) * | 2019-02-18 | 2019-07-02 | 鲁能新能源(集团)有限公司 | 风机叶片图像分割与网格优化拼接方法 |
CN110232406A (zh) * | 2019-05-28 | 2019-09-13 | 厦门大学 | 一种基于统计学习的液晶面板cf图片识别方法 |
CN110298410A (zh) * | 2019-07-04 | 2019-10-01 | 北京维联众诚科技有限公司 | 基于深度学习的低对比度图像中弱目标检测方法及装置 |
CN110766098A (zh) * | 2019-11-07 | 2020-02-07 | 中国石油大学(华东) | 基于改进YOLOv3的交通场景小目标检测方法 |
CN111458144A (zh) * | 2020-03-04 | 2020-07-28 | 华北电力大学 | 一种基于卷积神经网络的风力发电机故障诊断方法 |
CN111340238A (zh) * | 2020-03-12 | 2020-06-26 | 中南大学 | 一种工业系统的故障诊断方法、装置、设备及存储介质 |
CN111059004A (zh) * | 2020-03-18 | 2020-04-24 | 浙江上风高科专风实业有限公司 | 一种适应于风机系列的状态自动监测方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139955A (zh) * | 2021-05-12 | 2021-07-20 | 华北电力大学 | 一种基于双光图像的光伏组件故障识别方法及系统 |
CN113139955B (zh) * | 2021-05-12 | 2024-02-27 | 华北电力大学 | 一种基于双光图像的光伏组件故障识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109712127B (zh) | 一种用于机巡视频流的输电线路故障检测方法 | |
CN113205039B (zh) | 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法 | |
CN115797357B (zh) | 一种基于改进YOLOv7的输电通道隐患检测方法 | |
CN112697798B (zh) | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 | |
CN115546565A (zh) | 基于yolocbf电厂关键区域管道油液泄漏检测方法 | |
CN111696320A (zh) | 一种早期气体泄漏智能可视化预警系统 | |
CN113222949B (zh) | 一种电力设备导体插接位置的x射线影像自动检测方法 | |
CN113723189B (zh) | 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 | |
CN111044149A (zh) | 电压互感器的温度异常点检测方法、装置及可读存储介质 | |
CN113837991A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN116310274A (zh) | 一种输变电设备的状态评估方法 | |
CN112211793A (zh) | 一种基于视频图像分析的风电机组故障自动识别方法 | |
CN110728212B (zh) | 一种基于计算机视觉的道路井盖监控装置及监控方法 | |
CN116416237A (zh) | 基于改进YOLOv5与模糊图像增强的输电线路缺陷检测方法 | |
CN117351311A (zh) | 一种基于双模态数据融合的变电站设备检测方法及系统 | |
KR102402653B1 (ko) | 인공지능 기반 스카다 시스템 및 그 운용방법 | |
CN114155468A (zh) | 一种变压器渗漏油检测方法、装置、设备及介质 | |
JP6954242B2 (ja) | 定置式ガス検知装置の設置箇所の調査方法 | |
CN115035328A (zh) | 转炉图像增量自动机器学习系统及其建立训练方法 | |
CN113569956A (zh) | 一种基于ai算法的山火灾害勘查识别方法 | |
CN113052103A (zh) | 一种基于神经网络的电气设备缺陷检测方法及装置 | |
CN106534845A (zh) | 基于人工智能的电视屏及屏组件诊断系统及方法 | |
CN112233193A (zh) | 一种基于多光谱图像处理的变电设备故障诊断方法 | |
CN112113638A (zh) | 水表功能自检装置及方法 | |
CN115291141A (zh) | 一种电缆及其附件的故障诊断方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210112 |