CN113591251B - 设备故障温度分析诊断方法 - Google Patents
设备故障温度分析诊断方法 Download PDFInfo
- Publication number
- CN113591251B CN113591251B CN202110942204.7A CN202110942204A CN113591251B CN 113591251 B CN113591251 B CN 113591251B CN 202110942204 A CN202110942204 A CN 202110942204A CN 113591251 B CN113591251 B CN 113591251B
- Authority
- CN
- China
- Prior art keywords
- data
- temperature
- dimensional
- fault
- equipment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003745 diagnosis Methods 0.000 title claims abstract description 37
- 238000004458 analytical method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000013135 deep learning Methods 0.000 claims abstract description 22
- 238000012795 verification Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000010200 validation analysis Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000009529 body temperature measurement Methods 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000001681 protective effect Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims 1
- 238000010223 real-time analysis Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及一种设备故障温度分析诊断方法，包括被监控设备和计算机处理系统，其特征在于,包括下列步骤：在监被控设备周边采用温度图像监控仪实时采集设备温度场图像数据；采用3D三维扫描仪获得设备外形三维图像数据，将上述两个数据匹配，构建三维温度数据图库，并对其进行处理，建立三维温度故障数据图库，采用深度学习VGG算法对三维温度故障数据图库进行学习训练，根据训练结果生成分析诊断模型；利用得到的分析诊断模型，对实时温度数据进行设备故障分析与诊断，判断设备运行是否正常并报警。本发明的优点是：能准确的自动在线分析诊断大型设备运行时的声音信息，做到实时分析及报警，避免重大损失发生。
Description
技术领域
本发明涉及设备故障诊断方法，尤其涉及一种设备故障温度分析诊断方法。
背景技术
对于工业大型设备来说，如电机、风机等一旦发生故障，而没有及时采取措施，会造成设备的损坏，直接导致大规模停产事件发生，造成重大经济损失。若能准确及时识别运行过程中萌生和演变的故障，则有可能在故障发生前对设备进行必要的维护，做到防患于未然。因此，建立稳定可靠的机械设备健康监测及诊断系统具有非常重要的意义。
工业大型设备故障诊断技术是一门综合性极强、覆盖面极广的交叉学科，集合了传感器技术、信号处理技术、计算机技术。
目前市场上对于大型设备的故障监测、分析诊断大多停留在设置固定传感器的单点监控阶段，且故障分析诊断能力欠缺。
人工智能方法是风机故障诊断中重要类别，如BP神经网络、支持向量机和最小二乘向量机等。中国专利201710142440.4公开了一种风机齿轮箱故障诊断模型建立方法及装置，该方法首先将振动信号进行平滑和降噪处理，再对处理后的振动信号进行分解，并提取振动信号的特征向量。然后将提取的特征向量分为训练数据集和测试数据集，并利用果蝇算法对径向基神经网络模型的参数进行优化，最终利用径向基神经网络对风机齿轮箱故障进行诊断。上述人工智能诊断方法一般仅利用了振动信号的时域特征值或频域特征值，而且训练集和测试即数据量有限，因而存在网络训练收敛满、故障识别、分析诊断效率低和准确率低等缺点。
发明内容
本发明的目的是提供一种设备故障温度分析诊断方法。
本发明是这样实现的：
本发明的一种设备故障温度分析诊断方法，包括被监控设备和计算机处理系统，其特征在于,包括下列步骤：
步骤a：在被监控设备周边安装温度图像监控仪，并将所述的温度图像监控仪与计算机处理系统电性连接，对设备全表面实现无死角温度场采集，实时采集设备温度场图像数据；
步骤b：在被监控设备旁布设3D三维扫描仪和工作站，手持3D三维扫描仪对设备进行三维扫描，获得设备外形三维图像数据，采用三维建模技术将设备外形三维图像数据与所采集的设备温度场图像数据匹配，构建三维温度数据图库；
步骤c：通过PYTHON对构建的三维温度数据图库进行处理，建立三维温度故障数据图库，所述的三维温度故障数据图库包括采集并处理得到故障图和经验型故障图,将三维温度故障数据图库作为深度学习的数据；
步骤d：采用深度学习VGG算法对三维温度故障数据图库进行学习训练，根据训练结果生成分析诊断模型；
步骤e：利用得到的分析诊断模型，对实时温度数据进行设备故障分析与诊断，判断设备运行是否正常，若正常，则继续采集温度信号数据，进入步骤a，若不正常，则输出故障类型并报警。
优选地，所述的计算机处理系统包括：
预处理模块：用于把设备温度场图像数据与设备外形三维图像数据匹配构建三维温度图；
故障数据图库模块：用于三维温度故障数据图库的建立及实时更新；
深度学习模块：用于对三维温度故障图库进行深度学习。
优选地，所述的温度图像监控仪采用LE10型号的热成像仪：视区范围：72°H x 54°V x 90°D，成套配带穿墙保护套；测温准确度：±2℃，采用空气冷却系统，空气消耗量低，电源：220VAC，50Hz，防护等级：IP65，视区内所有像素点均可实现在上位机读取实时温度值，最终将实时采集的设备温度场图像数据传送至计算机处理系统。
优选地，所述的3D三维扫描仪为HL751手持式3D扫描仪，3D三维扫描仪采用激光扫描原理，体积精度0.05mm，带配套电缆，扫描后，3D三维扫描仪将信号送至工作站进行处理，工作站内置配套软件，最终输出.stl格式的设备外形三维图像文件。
优选地，所述的步骤b中的构建三维温度数据图库由三维图像与温度场图像结合构成，具体过程如下：
b1.计算机系统将采集到的设备外形三维图像数据以.stl形式存储，采用PYTHON中vtk库包实现对.stl读取，过程如下：
b11调用vtk库文件；
b12采用vtk.vtkSTLReader()读取.stl中3D数据信息；
b13用vtk.vtkPolyDataMapper将数据存入stlreader中的polydata；
b14遍历polydata，将数据信息存储到对应数组变量，以便后续处理；
b2.stl文件读取后，将热成像仪采集的设备温度场图像数据按照x，y坐标赋值给三维图的对应位置，并用设备温度场图像数据替代原有设备色彩数据，形成带有温度图像信息的三维温度数据图库，具体包括：
b21设置文件目录及文件名称；
b22将三维图像信息按x，y坐标映射到二维；
b23使用Image.open打开stl的降维图像数据；
b24将温度数据赋值到降维图像中；
b25将降维图像恢复到三维图像中。
优选地，所述的步骤c中建立三维温度故障数据图库，包括如下步骤：
c1建立数据库形式
三维温度数据格式定义为：
{[x,y,z],[R,G,B],[GZ]}
其中[x,y,z]为设备的外形三维坐标值的衍生，并将z值设置为1、-1两个值以表示被测设备正反面，[R,G,B]为该坐标值对应的温度图像色值，[GZ]为故障类型代码(初始化阶段为空值，后期补充为具体故障类型)。处理后的温度场数据以图形文件形式存入数据库，以供故障数据累积和深度学习使用；
c2故障信息的采集
设备运行期间，如发现设备出现故障，可作为故障样本存入故障数据图库[GZ]中，具体步骤如下：
C21当设备故障发生时，记录下故障类型；
C22查询故障时的三维温度数据图库；
C23将三维温度数据图库信息与故障数据图库匹配；
C24经分析认证，确认故障类型，将故障数据存入三维温度数据图库中；
C25将三维温度故障图库数据上传至云端，作为云端数据图库共享。
通过上述方式，建立三维温度故障数据图库，并通过不断的积累更新三维温度故障数据图库信息，使被学习数据逐渐完善，达到更高的检测率。
优选地，所述的步骤d、采用深度学习VGG算法对三维温度故障数据图库进行学习训练，根据训练结果生成分析诊断模型，包括如下步骤：
d1.启用PYTHON相关codecs、os、random、shutil模块,实现基础功能调用：
d2.调取及分配训练集及验证集，将故障温度图随机划分80％为训练集，20％为验证集：
d21读取样本总数量，
d22随机生成个数为样本数量*20％数量的随机数，
d23将此20％数据对应的文件标记为验证样本，
d24其余80％标记为训练样本；
d3.训练温度场故障数据集：
d31用codecs.open打开训练集及验证集，
d32遍历故障样本，
d33使用os.listdir读取文件信息，
d34将Image.open打开训练集，
d35使用train_ratio模块开始训练，生成训练模型，
d36使用text_ratio模块开始验证，检验正确率，
d37如果准确率高于85％，保存模型，否则重新训练；
d4.调用训程序模型检测实时数据；
采用深度学习VGG算法对三维温度故障数据图库进行分析时，对于实时采集的设备温度场图像数据长期保存，当数据量累积至10TB时自动覆盖最前端数据。
本发明的优点是：本发明基于温度分析原理，经过建立三维温度故障数据图库，采用深度学习算法对实时温度进行分析，准确的自动在线分析诊断大型设备运行时的声音信息，做到实时分析及报警，避免重大损失发生。
附图说明
图1为本发明的设备故障温度分析诊断系统图。
图2为设备故障温度分析诊断方法流程图。
图3为诊断模型训练流程图。
具体实施方式
下面结合附图对本发明作进一步说明。
本发明本一种设备故障温度分析诊断方法，包括被监控设备和计算机处理系统，其特征在于,包括下列步骤：
步骤a：在被监控设备周边安装温度图像监控仪，并将所述的温度图像监控仪与计算机处理系统电性连接，对设备全表面实现无死角温度场采集，实时采集设备温度场图像数据；
所述的温度图像监控仪采用LE10型号的热成像仪：视区范围：72°H x 54°V x 90°D，成套配带穿墙保护套；测温准确度：±2℃，采用高效的空气冷却系统，空气消耗量低，电源：220V AC，50Hz，防护等级：IP65，视区内所有像素点均可实现在上位机读取实时温度值，最终将实时采集的设备温度场图像数据传送至计算机处理系统。
步骤b：在被监控设备旁布设3D三维扫描仪和工作站，手持3D三维扫描仪对设备进行三维扫描，获得设备外形三维图像数据，采用三维建模技术将设备外形三维图像数据与所采集的设备温度场图像数据匹配，构建三维温度数据图库；所述的3D三维扫描仪为HL751手持式3D扫描仪，3D三维扫描仪为采用激光扫描原理，体积精度0.05mm，带配套电缆，扫描后，3D三维扫描仪为将信号送至工作站进行处理，工作站内置配套软件，最终输出.stl格式的设备外形三维图像文件。
步骤c、通过PYTHON对构建的三维温度数据图库进行处理，建立三维温度故障数据图库，所述的三维温度故障数据图库包括采集并处理得到故障图和经验型故障图,将三维温度故障数据图库作为深度学习的数据；
所述的步骤b中的构建三维温度数据图库由三维图像与温度场图像结合构成，具体过程如下：
b1.计算机系统将采集到的设备外形三维图像数据以.stl形式存储，采用PYTHON中vtk库包实现对.stl读取，过程如下：
b11调用vtk库文件；
b12采用vtk.vtkSTLReader()读取.stl中3D数据信息；
b13用vtk.vtkPolyDataMapper将数据存入stlreader中的polydata；
b14遍历polydata，将数据信息存储到对应数组变量，以便后续处理；
b2.stl文件读取后，将热成像仪采集的设备温度场图像数据按照x，y坐标赋值给三维图的对应位置，并用设备温度场图像数据替代原有设备色彩数据，形成带有温度图像信息的三维温度数据图库，具体包括：
b21设置文件目录及文件名称；
b22将三维图像信息按x，y坐标映射到二维；
b23使用Image.open打开stl的降维图像数据；
b24将温度数据赋值到降维图像中；
b25将降维图像恢复到三维图像中。
所述的步骤c中建立三维温度故障数据图库，包括如下步骤：
c1建立数据库形式
三维温度数据格式定义为：
{[x,y,z],[R,G,B],[GZ]}
其中[x,y,z]为设备的外形三维坐标值的衍生，并将z值设置为1、-1两个值以表示被测设备正反面，[R,G,B]为该坐标值对应的温度图像色值，[GZ]为故障类型代码(初始化阶段为空值，后期补充为具体故障类型)。处理后的温度场数据以图形文件形式存入数据库，以供故障数据累积和深度学习使用；
c2故障信息的采集
设备运行期间，如发现设备出现故障，可作为故障样本存入故障数据图库[GZ]中，具体步骤如下：
C21当设备故障发生时，记录下故障类型；
C22查询故障时的三维温度数据图库；
C23将三维温度数据图库信息与故障数据图库匹配；
C24经分析认证，确认故障类型，将故障数据存入三维温度数据图库中；
C25将三维温度故障图库数据上传至云端，作为云端数据图库共享。
通过上述方式，建立三维温度故障数据图库，并通过不断的积累更新三维温度故障数据图库信息，使被学习数据逐渐完善，达到更高的检测率。
步骤d、采用深度学习VGG算法对三维温度故障数据图库进行学习训练，根据训练结果生成分析诊断模型，包括如下步骤：
d1.启用PYTHON相关codecs、os、random、shutil模块,实现基础功能调用：
d2.调取及分配训练集及验证集，将故障温度图随机划分80％为训练集，20％为验证集：
d21读取样本总数量，
d22随机生成个数为样本数量*20％数量的随机数，
d23将此20％数据对应的文件标记为验证样本，
d24其余80％标记为训练样本；
d3.训练温度场故障数据集：
d31用codecs.open打开训练集及验证集，
d32遍历故障样本，
d33使用os.listdir读取文件信息，
d34将Image.open打开训练集，
d35使用train_ratio模块开始训练，生成训练模型，
d36使用text_ratio模块开始验证，检验正确率，
d37如果准确率高于85％，保存模型，否则重新训练；
d4.调用训程序模型检测实时数据；
采用深度学习VGG算法对三维温度故障数据图库进行分析时，对于实时采集的设备温度场图像数据长期保存，当数据量累积至10TB时自动覆盖最前端数据。
本发明的所述的计算机处理系统包括：
预处理模块：用于把设备温度场图像数据与设备外形三维图像数据匹配构建三维温度图；
故障数据图库模块：用于三维温度故障数据图库的建立及实时更新；
深度学习模块：用于对三维温度故障图库进行深度学习。
步骤e：利用得到的分析诊断模型，对实时温度数据进行设备故障分析与诊断，判断设备运行是否正常，若正常，则继续采集温度信号数据，进入步骤a，若不正常，则输出故障类型并报警。
计算机处理系统采用带有GPU处理器的计算机，便于加快深度学习处理能力。可配置网络以读取和写入网络云服务器。
最后，将分析诊断结果输送至上级计算机系统，如PLC、DCS、MES或通过网络推送至手机终端，通知相关负责人员及时检查故障隐患，做到及时检修避免重大事故发生的目的。
Claims (4)
1.一种设备故障温度分析诊断方法，包括被监控设备和计算机处理系统，其特征在于,包括下列步骤：
步骤a：在被监控设备周边安装温度图像监控仪，并将所述的温度图像监控仪与计算机处理系统电性连接，对设备全表面实现无死角温度场采集，实时采集设备温度场图像数据；
步骤b：在被监控设备旁布设3D三维扫描仪和工作站，手持3D三维扫描仪对设备进行三维扫描，获得设备外形三维图像数据，采用三维建模技术将设备外形三维图像数据与所采集的设备温度场图像数据匹配，构建三维温度数据图库；所述的步骤b中的构建三维温度数据图库由三维图像与温度场图像结合构成，具体过程如下：
b1.计算机系统将采集到的设备外形三维图像数据以.stl形式存储，采用PYTHON中vtk库包实现对.stl读取，过程如下：
b11调用vtk库文件；
b12采用vtk.vtkSTLReader()读取.stl中3D数据信息；
b13用vtk.vtkPolyDataMapper将数据存入stlreader中的polydata；
b14遍历polydata，将数据信息存储到对应数组变量，以便后续处理；
b2..stl文件读取后，将热成像仪采集的设备温度场图像数据按照x，y坐标赋值给三维图的对应位置，并用设备温度场图像数据替代原有设备色彩数据，形成带有温度图像信息的三维温度数据图库，具体包括：
b21设置文件目录及文件名称；
b22将三维图像信息按x，y坐标映射到二维；
b23使用Image.open打开.stl的降维图像数据；
b24将温度数据赋值到降维图像中；
b25将降维图像恢复到三维图像中；
步骤c：通过PYTHON对构建的三维温度数据图库进行处理，建立三维温度故障数据图库，所述的三维温度故障数据图库包括采集并处理得到故障图和经验型故障图,将三维温度故障数据图库作为深度学习的数据；
所述的步骤c中建立三维温度故障数据图库，包括如下步骤：
c1建立数据库形式
三维温度数据格式定义为：
{[x,y,z],[R,G,B],[GZ]}
其中[x,y,z]为设备的外形三维坐标值的衍生，并将z值设置为1、-1两个值以表示被测设备正反面，[R,G,B]为该坐标值对应的温度图像色值，[GZ]为故障类型代码,初始化阶段为空值，后期补充为具体故障类型;处理后的温度场数据以图形文件形式存入数据库，以供故障数据累积和深度学习使用；
c2故障信息的采集
设备运行期间，如发现设备出现故障，可作为故障样本存入故障数据图库[GZ]中，具体步骤如下：
C21当设备故障发生时，记录下故障类型；
C22查询故障时的三维温度数据图库；
C23将三维温度数据图库信息与故障数据图库匹配；
C24经分析认证，确认故障类型，将故障数据存入三维温度数据图库中；
C25将三维温度故障图库数据上传至云端，作为云端数据图库共享;
通过上述方式，建立三维温度故障数据图库，并通过不断的积累更新三维温度故障数据图库信息，使被学习数据逐渐完善，达到更高的检测率；
步骤d：采用深度学习VGG算法对三维温度故障数据图库进行学习训练，根据训练结果生成分析诊断模型；
所述的步骤d、采用深度学习VGG算法对三维温度故障数据图库进行学习训练，根据训练结果生成分析诊断模型，包括如下步骤：
d1.启用PYTHON相关codecs、os、random、shutil模块,实现基础功能调用：
d2.调取及分配训练集及验证集，将故障温度图随机划分80％为训练集，20％为验证集：
d21读取样本总数量，
d22随机生成个数为样本数量*20％数量的随机数，
d23将此20％数据对应的文件标记为验证样本，
d24其余80％标记为训练样本；
d3.训练温度场故障数据集：
d31用codecs.open打开训练集及验证集，
d32遍历故障样本，
d33使用os.listdir读取文件信息，
d34将Image.open打开训练集，
d35使用train_ratio模块开始训练，生成训练模型，
d36使用text_ratio模块开始验证，检验正确率，
d37如果准确率高于85％，保存模型，否则重新训练；
d4.调用训程序模型检测实时数据；
采用深度学习VGG算法对三维温度故障数据图库进行分析时，对于实时采集的设备温度场图像数据长期保存，当数据量累积至10TB时自动覆盖最前端数据；步骤e：利用得到的分析诊断模型，对实时温度数据进行设备故障分析与诊断，判断设备运行是否正常，若正常，则继续采集温度信号数据，进入步骤a，若不正常，则输出故障类型并报警。
2.根据权利要求1所述一种设备故障温度分析诊断方法，其特征是：所述的计算机处理系统包括：
预处理模块：用于把设备温度场图像数据与设备外形三维图像数据匹配构建三维温度图；
故障数据图库模块：用于三维温度故障数据图库的建立及实时更新；
深度学习模块：用于对三维温度故障图库进行深度学习。
3.根据权利要求1所述一种设备故障温度分析诊断方法，其特征是：所述的温度图像监控仪采用LE10型号的热成像仪：视区范围：72°H x 54°V x 90°D，成套配带穿墙保护套；测温准确度：±2℃，采用空气冷却系统，空气消耗量低，电源：220V AC，50Hz，防护等级：IP65，视区内所有像素点均可实现在上位机读取实时温度值，最终将实时采集的设备温度场图像数据传送至计算机处理系统。
4.根据权利要求1所述一种设备故障温度分析诊断方法，其特征是：所述的3D三维扫描仪为HL751手持式3D扫描仪，3D三维扫描仪采用激光扫描原理，体积精度0.05mm，带配套电缆，扫描后，3D三维扫描仪将信号送至工作站进行处理，工作站内置配套软件，最终输出.stl格式的设备外形三维图像文件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110942204.7A CN113591251B (zh) | 2021-08-17 | 2021-08-17 | 设备故障温度分析诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110942204.7A CN113591251B (zh) | 2021-08-17 | 2021-08-17 | 设备故障温度分析诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113591251A CN113591251A (zh) | 2021-11-02 |
| CN113591251B true CN113591251B (zh) | 2024-04-23 |
Family
ID=78258423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110942204.7A Active CN113591251B (zh) | 2021-08-17 | 2021-08-17 | 设备故障温度分析诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113591251B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101819239A (zh) * | 2010-04-06 | 2010-09-01 | 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 |
| CN107067470A (zh) * | 2017-04-05 | 2017-08-18 | 东北大学 | 基于红外热像仪与深度相机的便携式三维温度场重建系统 |
| CN109783560A (zh) * | 2019-01-16 | 2019-05-21 | 江苏圣通电力新能源科技有限公司 | 基于深度学习多特征融合的电力设备状态的检测方法 |
| CN110261436A (zh) * | 2019-06-13 | 2019-09-20 | 暨南大学 | 基于红外热成像和计算机视觉的轨道故障检测方法及系统 |
| CN110426415A (zh) * | 2019-07-15 | 2019-11-08 | 武汉大学 | 基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11621668B2 (en) * | 2019-05-06 | 2023-04-04 | Arizona Board Of Regents On Behalf Of Arizona State University | Solar array fault detection, classification, and localization using deep neural nets |
-
2021
- 2021-08-17 CN CN202110942204.7A patent/CN113591251B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101819239A (zh) * | 2010-04-06 | 2010-09-01 | 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 |
| CN107067470A (zh) * | 2017-04-05 | 2017-08-18 | 东北大学 | 基于红外热像仪与深度相机的便携式三维温度场重建系统 |
| CN109783560A (zh) * | 2019-01-16 | 2019-05-21 | 江苏圣通电力新能源科技有限公司 | 基于深度学习多特征融合的电力设备状态的检测方法 |
| CN110261436A (zh) * | 2019-06-13 | 2019-09-20 | 暨南大学 | 基于红外热成像和计算机视觉的轨道故障检测方法及系统 |
| CN110426415A (zh) * | 2019-07-15 | 2019-11-08 | 武汉大学 | 基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 基于神经网络的红外诊断系统研究;王格芳, 王学明, 陈国顺, 贾志军;红外与激光工程;20021225(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113591251A (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108681747B (zh) | 基于深度学习的旋转机械故障诊断与状态监测系统及方法 | |
| CN107168294B (zh) | 一种火电水系统设备无人巡检监控方法 | |
| CN111080775A (zh) | 一种基于人工智能的服务器巡检方法及系统 | |
| CN113551765A (zh) | 设备故障声谱分析诊断方法 | |
| CN113767409A (zh) | 输配电设备诊断方法、装置、系统、计算设备、介质以及产品 | |
| CN113343998A (zh) | 电力机械表计读数监测系统、方法、计算机设备及应用 | |
| CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
| CN114170477A (zh) | 一种基于注意力图卷积网络的多模态融合机械缺陷检测方法 | |
| CN110609864B (zh) | 一种面向化工供应链的数据可视化管理方法及装置 | |
| CN113591251B (zh) | 设备故障温度分析诊断方法 | |
| CN116363397A (zh) | 设备故障排查方法、装置及巡检系统 | |
| CN116824479A (zh) | 用于工厂的智能巡检系统 | |
| CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 | |
| CN116055521A (zh) | 一种电力巡检机器人巡检系统及图像识别方法 | |
| CN114233581A (zh) | 一种风机机舱智能巡视报警系统 | |
| CN114113900A (zh) | Gil检测系统及其使用方法 | |
| CN117723917B (zh) | 基于光纤非本征法珀型超声波传感器的监测应用方法 | |
| CN114326741B (zh) | 基于四足机器人的海水淡化监视控制系统 | |
| CN112931482B (zh) | 一种杆塔驱鸟器 | |
| CN117853295A (zh) | 一种基于工业互联和数字全景的安全环保应急系统 | |
| CN116647032B (zh) | 一种目标施工车辆的输电线路实时防护系统和方法 | |
| CN113377839A (zh) | 一种基于工业互联网大数据分析提取方法 | |
| CN115562227A (zh) | 变电站巡检机器人监控方法、装置和计算机设备 | |
| CN117876722A (zh) | 基于云边协同和模版匹配的工业园区设备巡检方法及系统 | |
| CN117132525A (zh) | 一种基于输电线路的数字孪生测量采集系统 |
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 |