CN113205506B - 一种电力设备全空间信息三维重构方法 - Google Patents
一种电力设备全空间信息三维重构方法 Download PDFInfo
- Publication number
- CN113205506B CN113205506B CN202110532344.7A CN202110532344A CN113205506B CN 113205506 B CN113205506 B CN 113205506B CN 202110532344 A CN202110532344 A CN 202110532344A CN 113205506 B CN113205506 B CN 113205506B
- Authority
- CN
- China
- Prior art keywords
- power equipment
- representing
- dimensional
- equipment
- parameter
- 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
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/30164—Workpiece; Machine component
-
- 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
- G06T2207/30244—Camera pose
Abstract
本发明公开了一种电力设备全空间信息三维重构方法,包括:采集电力设备图像信息;基于所述电力设备图像信息重建出所述电力装备的三维可视化模型;定时向每个电力设备发送检测请求并利用电力设备多物理场多参数反演模型计算得到所述电力设备内部参数分布情况;利用所述电力装备的三维可视化模型融合所述电力设备内部参数以及其他的异构检测参量实现空间维度信息的合成,结合不同检测参量的传播特性对电力设备内部状态进行可视化分析评估和诊断。本发明结合不同检测参量的传播特性对设备内部状态进行可视化分析评估和诊断,可以精确快速地判断设备的故障及故障点,提高电力设备用电可靠性及安全性。
Description
技术领域
本发明涉及电力装备三维重构的技术领域,尤其涉及一种电力设备全空间信息三维重构方法。
背景技术
电力装备故障定位是快速处理故障的重要基础。随着先进感知技术的发展,电力装备的检测手段已经由传统的温度点测量、接地电流测量等一维测量方法转变为红外、紫外、可见光、X射线、声音成像等多个光谱二维成像技术与传统检测手段共存的局面。不同检测方式获得的检测信息呈现出多源、多维、多类、多量、多尺度等特征,基于3D技术的电力装备三维尺寸精确建模技术为三维立体空间的故障点自动诊断定位提供了条件。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明解决的技术问题是:现有技术方案无法快速检测判断出设备故障及故障点位置,从而导致电力设备安全性、可靠性较低。
为解决上述技术问题,本发明提供如下技术方案:采集电力设备图像信息;基于所述电力设备图像信息重建出所述电力装备的三维可视化模型;定时向每个电力设备发送检测请求并利用电力设备多物理场多参数反演模型计算得到所述电力设备内部参数分布情况;利用所述电力装备的三维可视化模型融合所述电力设备内部参数以及其他的异构检测参量实现空间维度信息的合成,结合不同检测参量的传播特性对电力设备内部状态进行可视化分析评估和诊断。。
作为本发明所述的电力设备全空间信息三维重构方法的一种优选方案,其中:所述电力设备图像信息的采集包括,利用单个或多个成像传感器拍摄的多视角图像。
作为本发明所述的电力设备全空间信息三维重构方法的一种优选方案,其中:所述电力装备的三维可视化模型的建立包括,运动恢复结构技术和多视角立体技术;所述运动恢复结构技术:从所述多视角图像序列中恢复出精确的相机拍摄位姿,并获得所述电力装备的稀疏点云;所述多视角立体技术:将原始图像序列和所述运动恢复结构技术恢复出的相机位姿作为输入,重构出具有纹理细节的电力装备稠密点云以及纹理映射模型。
作为本发明所述的电力设备全空间信息三维重构方法的一种优选方案,其中:所述电力装备数据的检测过程包括,定时向每个电力设备发送检测请求;利用贪心算法构建所述电力装备检测计算模型,识别每个电力设备的参数信息和权重综合衡量其优先度;所述识别计算包括:
QRl,m<QRl+1,m
其中,QRl,m表示第l个设备的第m个参数分布的位置优先度,QRl,n,QRl+1,m同理,每个设备参数分布的位置优先度只与l有关;
所述权重计算包括,计算参数的加权位置优先度,其计算公式为:
WQRl,m=Wl,m×QRl,m
其中,WQRl,m表示第l个设备的第m个参数分布的加权位置优先度,Wl,m表示第l个设备的第m个参数分布的权重,k表示第l个设备的所有的参数分布个数;
将检测到的参数数据以所述电力装备参数分布的空间位置为坐标合成不同检测手段的数据,构建电力装备高维数据的合成框架。
作为本发明所述的电力设备全空间信息三维重构方法的一种优选方案,其中:所述电力设备多物理场多参数反演模型包括,基于多物理场仿真方法建立电力设备内部参数的正演计算模型;根据检测到的电压、电流以及负荷参数信息,反演计算得到所述电力设备内部电磁场分布参数,进而计算出所述电力设备内部的损耗分布;将所述电力设备内部的损耗分布导入正演计算模型,建立目标函数和约束条件,获得所述电力设备多物理场多参数反演模型。
作为本发明所述的电力设备全空间信息三维重构方法的一种优选方案,其中:所述多物理场仿真方法的计算公式包括,
其中,ρl表示流体密度,n表示微元面积矢量dS外法线的单位矢量,U表示流体速度,f表示单位质量流体所受到的质量力,Π表示微元面积矢量dS的应力张量,c表示流体的比热容,T表示控制体的温度,k表示导热系数,Q表示对应微元的生热量,表示调和算子,x,y,z表示空间坐标系的三个轴,u、v、w分别表示流体速度U在x,y,z方向上的速度分量。
作为本发明所述的电力设备全空间信息三维重构方法的一种优选方案,其中:建立所述目标函数和约束条件包括,
所述目标函数:
所述约束条件:
Y<ns2
其中,Ei(Y)为电力设备i点处的电荷分布,i=1,2,3…n,Ei为电力设备i点处的振动频率,k为导热系数,s为测量功率E的标准差。
作为本发明所述的电力设备全空间信息三维重构方法的一种优选方案,其中:所述电力设备的参数分布情况包括,
其中,E为电场强度,D为电通量密度,H为磁场强度,B为磁通量密度,J为电流密度,σ为电荷密度。
作为本发明所述的电力设备全空间信息三维重构方法的一种优选方案,其中:判断所述电力设备是否发生故障及故障点的过程包括,构建评估函数:
其中,sk,s表示输出值,Hk,s表示磁场强度系数,Bk,s表示磁通量密度系数,l表示常规系数;利用所述评估函数及三维模型的可视化性质判断所述电力设备是否发生故障:当输出值sk,s≥1时,所述电力设备发生故障;若发生故障,则基于三维可视化模型进行故障点判断。
作为本发明所述的电力设备全空间信息三维重构方法的一种优选方案,其中:所述电力装备高维数据的合成框架还包括,所述其他的异构检测参量:机器人巡检产生的红外、可见光、紫外图像;带电检测系统产生的声音成像、三维激光点云。
本发明的有益效果:结合不同检测参量的传播特性对设备内部状态进行可视化分析评估和诊断,可以精确快速地判断设备的故障及故障点,提高电力设备用电可靠性及安全性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例提供的一种电力设备全空间信息三维重构方法的基本流程示意图;
图2为本发明一个实施例提供的一种电力设备全空间信息三维重构方法的异源数据配准技术流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1~2,为本发明的一个实施例,提供了一种电力设备全空间信息三维重构方法,包括:
S1:采集电力设备图像信息;需要说明的是,
电力设备图像信息的采集包括:
利用单个或多个成像传感器拍摄的多视角图像。
S2:基于电力设备图像信息重建出电力装备的三维可视化模型;需要说明的是,
电力装备的三维可视化模型的建立包括:运动恢复结构技术和多视角立体技术;
其中,运动恢复结构技术为:从多视角图像序列中恢复出精确的相机拍摄位姿,并获得电力装备的稀疏点云;
多视角立体技术为:将原始图像序列和运动恢复结构技术恢复出的相机位姿作为输入,重构出具有纹理细节的电力装备稠密点云以及纹理映射模型。
S3:定时向每个电力设备发送检测请求并利用电力设备多物理场多参数反演模型计算得到电力设备内部参数分布情况;需要说明的是,
电力装备数据的检测过程包括:
定时向每个电力设备发送检测请求;
利用贪心算法构建电力装备检测计算模型,识别每个电力设备的参数信息和权重综合衡量其优先度;
其中,识别计算包括:
QRl,m<QRl+1,m
其中,QRl,m表示第l个设备的第m个参数分布的位置优先度,QRl,n,QRl+1,m同理,每个设备参数分布的位置优先度只与l有关;
权重计算包括,
计算参数的加权位置优先度,其计算公式为:
WQRl,m=Wl,m×QRl,m
其中,WQRl,m表示第l个设备的第m个参数分布的加权位置优先度,Wl,m表示第l个设备的第m个参数分布的权重,k表示第l个设备的所有的参数分布个数;
将检测到的参数数据以电力装备参数分布的空间位置为坐标合成不同检测手段的数据,构建电力装备高维数据的合成框架。
进一步的,电力设备多物理场多参数反演模包括:
基于多物理场仿真方法建立电力设备内部参数的正演计算模型;
根据检测到的电压、电流以及负荷参数信息,反演计算得到电力设备内部电磁场分布参数,进而计算出电力设备内部的损耗分布;
将电力设备内部的损耗分布导入正演计算模型,建立目标函数和约束条件,获得电力设备多物理场多参数反演模型。
具体的,多物理场仿真方法的计算公式包括:
其中,ρl表示流体密度,n表示微元面积矢量dS外法线的单位矢量,U表示流体速度,f表示单位质量流体所受到的质量力,Π表示微元面积矢量dS的应力张量,c表示流体的比热容,T表示控制体的温度,k表示导热系数,Q表示对应微元的生热量,表示调和算子,x,y,z表示空间坐标系的三个轴,u、v、w分别表示流体速度U在x,y,z方向上的速度分量。
进一步的,建立目标函数和约束条件包括:
目标函数:
约束条件:
Y<ns2
其中,Ei(Y)为电力设备i点处的电荷分布,i=1,2,3…n,Ei为电力设备i点处的振动频率,k为导热系数,s为测量功率E的标准差。
更进一步的,电力设备的参数分布情况包括,
其中,E为电场强度,D为电通量密度,H为磁场强度,B为磁通量密度,J为电流密度,σ为电荷密度。
S4:利用电力装备的三维可视化模型融合电力设备内部参数以及其他的异构检测参量实现空间维度信息的合成,结合不同检测参量的传播特性对电力设备内部状态进行可视化分析评估和诊断;需要说明的是,
电力装备高维数据的合成框架还包括:
其他的异构检测参量:
机器人巡检产生的红外、可见光、紫外图像;
带电检测系统产生的声音成像、三维激光点云。
利用异源数据配准技术来将异源检测数据在高维空间进行合成,具体包括:如图2所示,异源数据配准技术是以不同类型图像中的特征点为目标构建图像之间的映射关系,进一步在三维空间中对同一目标不同类型检测参量的特征点云进行匹配,构建三维点云之间的位姿变换映射,最终实现点云模型对齐,为电力装备异源检测数据在高维空间的合成提供技术支撑,形成全空间信息三维模型。
进一步的,基于全空间信息三维模型判断电力设备是否发生故障包括,
构建评估函数:
其中,sk,s表示输出值,Hk,s表示磁场强度系数,Bk,s表示磁通量密度系数,l表示常规系数;
利用评估函数及三维模型的可视化性质判断电力设备是否发生故障:当输出值sk,s≥1时,电力设备发生故障,若发生故障,则基于三维可视化模型进行故障点判断。
本发明结合电力装备检测计算模型、电力设备多物理场多参数反演模型、评估函数以及全空间信息三维模型快速而精确地进行电力设备故障的检测、定位,提高了电力设备的可靠性及安全性。
实施例2
为对本方法中采用的技术效果加以验证说明,本实施例采用传统技术方案与本发明方法进行对比测试,以科学论证的手段对比试验结果,以验证本方法所具有的真实效果。
传统的技术方案:无法快速、准确检测到故障信息,电力设备运行可靠性、安全性低,为验证本方法相对传统方法具有较高可靠性及安全性。本实施例中将采用传统基于电力设备红外图像的故障检测及定位方法和本方法分别对电力设备的故障定位准确度及时延进行实时测量对比。
测试环境:将电力装备在仿真平台模拟运行并模拟电力设备故障的发生,采用预设不同故障点为测试样本,分别利用传统方法和本方法,开启自动化测试设备并运用MATLB软件编程实现两种方法的仿真测试,根据实验结果得到仿真数据。每种方法各测试20组数据,将获得的每组数据故障点位置与仿真模拟输入的实际故障点位置进行对比计算误差。结果如下表所示:
表1:实验结果对比表。
从上表可以看出,本发明方法相较于传统方法故障判断及定位准确率较高。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种电力设备全空间信息三维重构方法,其特性在于,包括:
采集电力设备图像信息;
基于所述电力设备图像信息重建出所述电力装备的三维可视化模型;
定时向每个电力设备发送检测请求并利用电力设备多物理场多参数反演模型计算得到所述电力设备内部参数分布情况;
所述电力装备数据的检测过程包括,
定时向每个电力设备发送检测请求;
利用贪心算法构建所述电力装备检测计算模型,识别每个电力设备的参数信息和权重综合衡量其优先度;
所述识别计算包括:
QRl,m<QRl+1,m
其中,QRl,m表示第l个设备的第m个参数分布的位置优先度,QRl,n,QRl+1,m同理,每个设备参数分布的位置优先度只与l有关;
所述权重计算包括,
计算参数的加权位置优先度,其计算公式为:
WQRl,m=Wl,m×QRl,m
其中,WQRl,m表示第l个设备的第m个参数分布的加权位置优先度,Wl,m表示第l个设备的第m个参数分布的权重,k表示第l个设备的所有的参数分布个数;
将检测到的参数数据以所述电力装备参数分布的空间位置为坐标合成不同检测手段的数据,构建电力装备高维数据的合成框架;
所述电力装备高维数据的合成框架还包括,
其他的异构检测参量:
机器人巡检产生的红外、可见光、紫外图像;
带电检测系统产生的声音成像、三维激光点云;
所述电力设备多物理场多参数反演模型包括,
基于多物理场仿真方法建立电力设备内部参数的正演计算模型;
根据检测到的电压、电流以及负荷参数信息,反演计算得到所述电力设备内部电磁场分布参数,进而计算出所述电力设备内部的损耗分布;
将所述电力设备内部的损耗分布导入正演计算模型,建立目标函数和约束条件,获得所述电力设备多物理场多参数反演模型;
所述多物理场仿真方法的计算公式包括,
其中,ρl表示流体密度,n表示微元面积矢量dS外法线的单位矢量,U表示流体速度,f表示单位质量流体所受到的质量力,Π表示微元面积矢量dS的应力张量,c表示流体的比热容,T表示控制体的温度,k表示导热系数,Q表示对应微元的生热量,表示调和算子,x,y,z表示空间坐标系的三个轴,u、v、w分别表示流体速度U在x,y,z方向上的速度分量;
利用所述电力装备的三维可视化模型融合所述电力设备内部参数以及其他的异构检测参量实现空间维度信息的合成,结合不同检测参量的传播特性对电力设备内部状态进行可视化分析评估和诊断。
2.如权利要求1所述的电力设备全空间信息三维重构方法,其特征在于:所述电力设备图像信息的采集包括,
利用单个或多个成像传感器拍摄的多视角图像。
3.如权利要求1或2所述的电力设备全空间信息三维重构方法,其特征在于:所述电力装备的三维可视化模型的建立包括,
运动恢复结构技术和多视角立体技术;
所述运动恢复结构技术:从所述多视角图像序列中恢复出精确的相机拍摄位姿,并获得所述电力装备的稀疏点云;
所述多视角立体技术:将原始图像序列和所述运动恢复结构技术恢复出的相机位姿作为输入,重构出具有纹理细节的电力装备稠密点云以及纹理映射模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110532344.7A CN113205506B (zh) | 2021-05-17 | 2021-05-17 | 一种电力设备全空间信息三维重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110532344.7A CN113205506B (zh) | 2021-05-17 | 2021-05-17 | 一种电力设备全空间信息三维重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113205506A CN113205506A (zh) | 2021-08-03 |
CN113205506B true CN113205506B (zh) | 2022-12-27 |
Family
ID=77031451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110532344.7A Active CN113205506B (zh) | 2021-05-17 | 2021-05-17 | 一种电力设备全空间信息三维重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113205506B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523321B (zh) * | 2023-07-04 | 2024-02-02 | 深圳鸿祥源科技有限公司 | 一种基于云平台的智能头盔安防管控系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104699578A (zh) * | 2015-01-09 | 2015-06-10 | 同济大学 | 一种以内升温方式检测时延故障的定温指令级自测试方法 |
CN105207213A (zh) * | 2015-10-23 | 2015-12-30 | 国家电网公司 | 一种考虑分段负荷转移的配电网n-1校验方法 |
CN109490814A (zh) * | 2018-09-07 | 2019-03-19 | 广西电网有限责任公司电力科学研究院 | 基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法 |
CN111736899A (zh) * | 2020-05-29 | 2020-10-02 | 中国科学院计算技术研究所 | 一种网络处理器上寄存器的分配方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819239B (zh) * | 2010-04-06 | 2012-05-02 | 嘉兴学院 | 基于三维温度场快速构建的变压器故障诊断系统 |
CN104216006B (zh) * | 2013-06-04 | 2017-05-17 | 中国石油化工股份有限公司 | 利用重磁电震同步联合参数模型进行提高成像质量的方法 |
CN103630244B (zh) * | 2013-12-18 | 2016-03-09 | 重庆大学 | 电力系统设备故障诊断方法及系统 |
CN105866633B (zh) * | 2016-05-30 | 2018-06-19 | 上海交通大学 | 基于波权重的输电线路故障电流行波波形的重现方法 |
CN106447202A (zh) * | 2016-09-29 | 2017-02-22 | 国网山东省电力公司 | 基于数据挖掘和主成分分析的电力设备状态评估方法 |
CN108731736B (zh) * | 2018-06-04 | 2019-06-14 | 山东大学 | 用于桥隧结构病害无损检测诊断的自动爬墙式雷达光电机器人系统 |
CN112306658A (zh) * | 2020-10-31 | 2021-02-02 | 贵州电网有限责任公司 | 一种多能源系统数字孪生应用管理调度方法 |
-
2021
- 2021-05-17 CN CN202110532344.7A patent/CN113205506B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104699578A (zh) * | 2015-01-09 | 2015-06-10 | 同济大学 | 一种以内升温方式检测时延故障的定温指令级自测试方法 |
CN105207213A (zh) * | 2015-10-23 | 2015-12-30 | 国家电网公司 | 一种考虑分段负荷转移的配电网n-1校验方法 |
CN109490814A (zh) * | 2018-09-07 | 2019-03-19 | 广西电网有限责任公司电力科学研究院 | 基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法 |
CN111736899A (zh) * | 2020-05-29 | 2020-10-02 | 中国科学院计算技术研究所 | 一种网络处理器上寄存器的分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113205506A (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Poozesh et al. | Large-area photogrammetry based testing of wind turbine blades | |
CN109870108B (zh) | 输电线路覆冰检测方法及装置 | |
CN103901291B (zh) | 一种变电设备内部绝缘缺陷的诊断方法 | |
JP2009508459A (ja) | 送電線を通る電力流を監視する方法及びシステム | |
CN113205506B (zh) | 一种电力设备全空间信息三维重构方法 | |
Poozesh et al. | A multi-camera stereo DIC system for extracting operating mode shapes of large scale structures | |
WO2021033249A1 (ja) | 線状構造物の検出装置、検出方法及び検出プログラム | |
CN106709905A (zh) | 一种基于双目视觉图像的防振锤故障在线检测识别方法 | |
JP6989398B2 (ja) | 故障診断装置、故障診断方法、および故障診断プログラム | |
JP2019144153A (ja) | 電線形状の再現方法,再現装置,及び再現プログラム、並びに、点群精度の評価方法,評価装置,及び評価プログラム | |
Zdziebko et al. | Synthetic image generation using the finite element method and blender graphics program for modeling of vision-based measurement systems | |
Oats et al. | Digital image correlation advances in structural evaluation applications: a review | |
CN113204887B (zh) | 一种电力装备的多物理场多参数反演方法 | |
Woodhouse et al. | Vision metrology and three dimensional visualization in structural testing and monitoring | |
WO2008129561A2 (en) | Real-time system and method for designing structures | |
Yang et al. | Investigation of point cloud registration uncertainty for gap measurement of aircraft wing assembly | |
CN115184563B (zh) | 一种基于数字孪生的化工车间现场数据采集方法 | |
CN110619665A (zh) | 虚拟仿真环境下双目相机的标定及验证方法 | |
CN115393537A (zh) | 输电通道三维可视化建模的精准性评估系统及方法 | |
CN105352445B (zh) | 单边固支板结构变形光纤模式辨识系统及标定方法与应用 | |
CN112798143A (zh) | 一种基于集成光纤传感器的型架状态监控方法 | |
Navab et al. | Lines in one orthographic and two perspective views | |
US20230003626A1 (en) | Crack estimation device, crack estimation method, crack inspection method, and failure diagnosis method | |
CN113466291B (zh) | 一种基于温度场变化检测大体积混凝土裂缝的分析方法 | |
CN117496133B (zh) | 基于多模态数据的封闭母线r-cnn温度故障监测方法 |
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 |