CN114065811A - 复合绝缘子检测方法、装置、终端设备及可读存储介质 - Google Patents

复合绝缘子检测方法、装置、终端设备及可读存储介质 Download PDF

Info

Publication number
CN114065811A
CN114065811A CN202111328998.4A CN202111328998A CN114065811A CN 114065811 A CN114065811 A CN 114065811A CN 202111328998 A CN202111328998 A CN 202111328998A CN 114065811 A CN114065811 A CN 114065811A
Authority
CN
China
Prior art keywords
composite insulator
recognition model
data
training
taking
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
Application number
CN202111328998.4A
Other languages
English (en)
Inventor
汪林立
梁永纯
黄丰
董重里
岳楹超
吕旺燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Electric Power Research Institute of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202111328998.4A priority Critical patent/CN114065811A/zh
Publication of CN114065811A publication Critical patent/CN114065811A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1209—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using acoustic measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G01R31/1245—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of line insulators or spacers, e.g. ceramic overhead line cap insulators; of insulators in HV bushings
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Chemical & Material Sciences (AREA)
  • Ceramic Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明公开了一种复合绝缘子检测方法、装置、终端设备及可读存储介质，该方法包括：获取样本复合绝缘子的超声波信号，作为样本数据；对所述样本数据进行特征提取，生成对应的信号特征数据；建立识别模型，利用所述信号特征数据对所述识别模型进行训练；对训练后的识别模型的网络参数进行修正，直至识别模型的识别精度满足预设条件时，将对应的识别模型作为目标模型；利用所述目标模型对待测复合绝缘子进行检测。本发明提供的复合绝缘子检测方法，能够快速判断复合绝缘子是否存在缺陷，并提供缺陷的类型、大小及位置信息，具有识别速度快，准确度高的优点。

Description

复合绝缘子检测方法、装置、终端设备及可读存储介质
技术领域
本发明涉及复合绝缘子检测技术领域，尤其涉及一种复合绝缘子检测方法、装置、终端设备及可读存储介质。
背景技术
复合绝缘子由于其体积小、密度高、力学性能高、耐污性能优异、绝缘性好等优点，已广泛应用于输电线路中。复合绝缘子主要由芯棒、护套、伞裙和端部金属附件四个部分组成，其中伞裙护套主要由硅橡胶或其他成分复合材料，伞裙表面为外绝缘，可提供需要的爬电距离，芯棒一般为环氧树脂玻璃纤维(玻璃钢棒)，具有较高的机械强度。在复合绝缘子制造过程中，材料的质量问题以及制造工艺的不当，均会给复合绝缘子留下各种隐蔽的缺陷，包括橡胶内部气泡、橡胶和芯棒的裂开、芯棒与伞裙的脱粘等。由于这些缺陷十分隐蔽，无法从外观上直接发现，在高场强的电磁环境下可能会局部放电，导致复合绝缘子的性能劣化，造成绝缘击穿、闪络、芯棒断裂等问题，给输电线路的运行留下巨大的安全隐患。
目前，超声波检测法是复合绝缘子最常用的检测方法之一，其主要根据检测的超声波信号来判断复合绝缘子内部是否存在缺陷。然而，现有的复合绝缘子超声波探伤对探伤技术人员的技术要求往往较高，需要技术人员根据经验来分析超声波信号，再判断样品是否存在缺陷以及缺陷的类型、大小和位置等，而这种依赖人工分析的方法，不仅会由于检测技术人员能力的参差不齐导致检测结果之间的差异性大，效率低下，而且还会出现分析结果与真实情况存在较大偏差，甚至造成缺陷的漏检、错检等问题，进而不利于输电线路的维护。
发明内容
本发明的目的在于提供一种复合绝缘子检测方法、装置、终端设备及可读存储介质，以解决现有技术中依赖人工分析的复合绝缘子检测方法存在的效率低、误差大的问题。
为实现上述目的，本发明提供一种复合绝缘子检测方法，包括：
获取样本复合绝缘子的超声波信号，作为样本数据；
对所述样本数据进行特征提取，生成对应的信号特征数据；
建立识别模型，利用所述信号特征数据对所述识别模型进行训练；
对训练后的识别模型的网络参数进行修正，直至识别模型的识别精度满足预设条件时，将对应的识别模型作为目标模型；
利用所述目标模型对待测复合绝缘子进行检测。
进一步，作为优选地，所述对所述样本数据进行特征提取，生成对应的信号特征数据，包括：
利用经验模态分解对所述样本数据进行特征提取，将生成的内涵模态分量作为信号特征数据。
进一步，作为优选地，所述建立识别模型，包括：
利用BP神经网络、朴素贝叶斯法、决策树或者支持向量机建立识别模型。
进一步，作为优选地，所述利用所述信号特征数据对所述识别模型进行训练，包括：
将信号特征数据作为输入，将复合绝缘子缺陷类型数据作为输出对所述识别模型进行训练。
本发明还提供一种复合绝缘子检测装置，包括：
样本获取单元，用于获取样本复合绝缘子的超声波信号，作为样本数据；
特征提取单元，用于对所述样本数据进行特征提取，生成对应的信号特征数据；
训练单元，用于建立识别模型，利用所述信号特征数据对所述识别模型进行训练；
修正单元，用于对训练后的识别模型的网络参数进行修正，直至识别模型的识别精度满足预设条件时，将对应的识别模型作为目标模型；
检测单元，用于利用所述目标模型对待测复合绝缘子进行检测。
进一步，作为优选地，所述特征提取单元，还用于：
利用经验模态分解对所述样本数据进行特征提取，将生成的内涵模态分量作为信号特征数据。
进一步，作为优选地，所述训练单元，还用于：
利用BP神经网络、朴素贝叶斯法、决策树或者支持向量机建立识别模型。
进一步，作为优选地，所述训练单元，还用于：
将信号特征数据作为输入，将复合绝缘子缺陷类型数据作为输出对所述识别模型进行训练。
本发明还提供一种终端设备，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上任一项所述的复合绝缘子检测方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的复合绝缘子检测方法。
相对于现有技术，本发明的有益效果在于：
本发明公开了一种复合绝缘子检测方法、装置、终端设备及可读存储介质，该方法包括：获取样本复合绝缘子的超声波信号，作为样本数据；对所述样本数据进行特征提取，生成对应的信号特征数据；建立识别模型，利用所述信号特征数据对所述识别模型进行训练；对训练后的识别模型的网络参数进行修正，直至识别模型的识别精度满足预设条件时，将对应的识别模型作为目标模型；利用所述目标模型对待测复合绝缘子进行检测。
本发明提供的复合绝缘子检测方法，能够快速判断复合绝缘子是否存在缺陷，并提供缺陷的类型、大小及位置信息，避免了检测技术人员因为技术不足造成复合绝缘子缺陷的误检、误判情况，实现了超声波检测复合绝缘子内部缺陷时的智能识别，具有识别速度快，准确度高的优点。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式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方式，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是本发明某一实施例提供的复合绝缘子检测方法的流程示意图；
图2是本发明某一实施例提供的复合绝缘子检测装置的结构示意图；
图3是本发明某一实施例提供的终端设备的结构示意图。
具体实施方式
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、完整地描述，显然，所描述的实施例仅仅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作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。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，本发明某一实施例提供一种复合绝缘子检测方法。如图1所示，该复合绝缘子检测方法包括步骤S10至步骤S50。各步骤具体内容如下：
S10、获取样本复合绝缘子的超声波信号，作为样本数据。
本步骤中，主要收集大量各种状态的复合绝缘子，包括完好和存在各种缺陷的复合绝缘子，对绝缘子进行超声波检测(非带电)，将所获得的回波信号(A型显示)原始数据建立数据样本库。其中对于含有缺陷的复合绝缘子，缺陷类型主要包括橡胶内部气孔、橡胶内部断面、芯棒脱粘、芯棒断裂等。
S20、对所述样本数据进行特征提取，生成对应的信号特征数据。
本步骤中，基于步骤S10得到的样本数据，主要利用经验模态分解法，对样本数据进行特征提取，并将生成的内涵模态分量作为信号特征数据。
需要说明的是，经验模态分解(Empirical Mode Decomposition，简称EMD))方法是一种新型自适应信号时频处理方法，特别适用于非线性非平稳信号的分析处理。该方法的关键是经验模式分解，它能使复杂信号分解为有限个本征模函数(Intrinsic ModeFunction，简称IMF)，所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号。由于经验模态分解依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数，因此它与建立在先验性的谐波基函数和小波基函数上的傅里叶分解与小波分解方法具有本质性的差别，因此EMD方法在理论上可以应用于任何类型的信号的分解，尤其在处理非平稳及非线性数据上，具有非常明显的优势,适合于分析非线性、非平稳信号序列，具有很高的信噪比。
在某一个可选地实施例中，为了得到质量更高的样本数据，在执行步骤S20之前，还包括：对步骤S10得到的样本原始数据进行数据预处理，以得到质量更高的样本数据。作为可选地，该预处理方式为采用小波变换对所述样本数据进行处理。需要说明的是，小波变换在处理非平稳非线性信号具有良好的效果，因此在本实施例中可用来对原始数据进行去噪处理。当进行了去躁处理之后，在执行步骤S20时，即可利用经验模态分解对去噪后的样本数据进行特征提取，并将生成的内涵模态分量作为信号特征数据。
S30、建立识别模型，利用所述信号特征数据对所述识别模型进行训练。
需要说明的是，在某一具体实施例中，主要利用BP神经网络、朴素贝叶斯法、决策树或者支持向量机建立识别模型。
具体地，在执行步骤S30时，可以将收集到的不同复合绝缘子的缺陷和缺陷波形的信号特征数据使用朴素贝叶斯法、决策树、支持向量机、神经网络等方法进行训练，得到对应的识别模型。例如当采用BP神经网络构建识别模型时，具体包括以下内容：
1)构建3～5层的神经网络；
2)输入节点数可选择反映超声回波信号1×10的特征向量，即信号特征数据作为输入，且对应输入节点为10个；
3)输出节点个数共有5个，对应复合绝缘子五种不同类型的缺陷；
4)选用sigmoid函数作为隐藏层的传递函数，log-sigmoid作为输出层传递函数；
5)在实际训练过程中可使用Batch Normalization、Dropout等方法，正则化等降低过拟合的方法，得到对应的识别模型。
S40、对训练后的识别模型的网络参数进行修正，直至识别模型的识别精度满足预设条件时，将对应的识别模型作为目标模型。
可以理解的是，假设利用BP神经网络构建识别模型，在训练到预设次数时(例如120次)，还需要此时的训练成果进行检验，即检验当前识别模型的识别精度，当检测时，若该识别模型的识别精度能够达到预设值，例如95％，就可以将该识别模型作为目标模型用于其他复合绝缘子的检测，若该识别模型的识别精度未能达到预设值，则可以再利用样本数据进行进一步地训练，直至识别精度达到预设值。需要说明的是，95％只是本实施例中识别精度的一种优选方式，在实际应用中可根据需要来设置该值的大小，在此不作任何限定。
S50、利用所述目标模型对待测复合绝缘子进行检测。
本步骤中，在步骤S40获得了目标模型后，可以将该目标模型编写成识别对应缺陷的程序。在对待测复合绝缘子进行检测时，首先使用超声波检测仪对复合绝缘子样品进行检测，将在各个测量测得的超声信号实时传入程序中进行缺陷识别；若所有测量点均判断正常，则说明复合绝缘子无缺陷，可投入使用；若对应测量点数据经程序判断存在缺陷，则可根据判断的缺陷信息进行后续的缺陷处理。例如程序输出缺陷位置位于芯棒，因此可根据识别结果，物理截开待测复合绝缘子进一步确认是否存在缺陷。
本发明实施例提供的复合绝缘子检测方法，能够快速判断复合绝缘子是否存在缺陷，并提供缺陷的类型、大小及位置信息，避免了检测技术人员因为技术不足造成复合绝缘子缺陷的误检、误判情况，实现了超声波检测复合绝缘子内部缺陷时的智能识别，具有识别速度快，准确度高的优点。
请参阅图2，本发明某一实施例还提供一种复合绝缘子检测装置，包括：
样本获取单元01，用于获取样本复合绝缘子的超声波信号，作为样本数据；
特征提取单元02，用于对所述样本数据进行特征提取，生成对应的信号特征数据；
训练单元03，用于建立识别模型，利用所述信号特征数据对所述识别模型进行训练；
修正单元04，用于对训练后的识别模型的网络参数进行修正，直至识别模型的识别精度满足预设条件时，将对应的识别模型作为目标模型；
检测单元05，用于利用所述目标模型对待测复合绝缘子进行检测。
在某一具体实施例中，特征提取单元02，还用于：
利用经验模态分解对所述样本数据进行特征提取，将生成的内涵模态分量作为信号特征数据。
在某一具体实施例中，训练单元03，还用于：
利用BP神经网络、朴素贝叶斯法、决策树或者支持向量机建立识别模型。
在某一具体实施例中，训练单元03，还用于：
将信号特征数据作为输入，将复合绝缘子缺陷类型数据作为输出对所述识别模型进行训练。
可以理解的是，本发明实施例提供的复合绝缘子检测装置用于执行如上述任意一项实施例所述的复合绝缘子检测方法。本实施例能够快速判断复合绝缘子是否存在缺陷，并提供缺陷的类型、大小及位置信息，避免了检测技术人员因为技术不足造成复合绝缘子缺陷的误检、误判情况，实现了超声波检测复合绝缘子内部缺陷时的智能识别，具有识别速度快，准确度高的优点。
请参阅图3，本发明某一实施例还提供了一种终端设备，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的复合绝缘子检测方法。
处理器用于控制该终端设备的整体操作，以完成上述的复合绝缘子检测方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该终端设备的操作，这些数据例如可以包括用于在该终端设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
在一示例性实施例中，终端设备可以被一个或多个应用专用集成电路(Application Specific 1ntegrated Circuit，简称AS1C)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行如上述任一项实施例所述的复合绝缘子检测方法，并达到如上述方法一致的技术效果。
在另一示例性实施例中，还提供一种包括计算机程序的计算机可读存储介质，该计算机程序被处理器执行时实现如上述任一项实施例所述的复合绝缘子检测方法的步骤。例如，该计算机可读存储介质可以为上述包括计算机程序的存储器，上述计算机程序可由终端设备的处理器执行以完成如上述任一项实施例所述的复合绝缘子检测方法，并达到如上述方法一致的技术效果。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种复合绝缘子检测方法，其特征在于，包括：
获取样本复合绝缘子的超声波信号，作为样本数据；
对所述样本数据进行特征提取，生成对应的信号特征数据；
建立识别模型，利用所述信号特征数据对所述识别模型进行训练；
对训练后的识别模型的网络参数进行修正，直至识别模型的识别精度满足预设条件时，将对应的识别模型作为目标模型；
利用所述目标模型对待测复合绝缘子进行检测。
2.根据权利要求1所述的复合绝缘子检测方法，其特征在于，所述对所述样本数据进行特征提取，生成对应的信号特征数据，包括：
利用经验模态分解对所述样本数据进行特征提取，将生成的内涵模态分量作为信号特征数据。
3.根据权利要求1所述的复合绝缘子检测方法，其特征在于，所述建立识别模型，包括：
利用BP神经网络、朴素贝叶斯法、决策树或者支持向量机建立识别模型。
4.根据权利要求1所述的复合绝缘子检测方法，其特征在于，所述利用所述信号特征数据对所述识别模型进行训练，包括：
将信号特征数据作为输入，将复合绝缘子缺陷类型数据作为输出对所述识别模型进行训练。
5.一种复合绝缘子检测装置，其特征在于，包括：
样本获取单元，用于获取样本复合绝缘子的超声波信号，作为样本数据；
特征提取单元，用于对所述样本数据进行特征提取，生成对应的信号特征数据；
训练单元，用于建立识别模型，利用所述信号特征数据对所述识别模型进行训练；
修正单元，用于对训练后的识别模型的网络参数进行修正，直至识别模型的识别精度满足预设条件时，将对应的识别模型作为目标模型；
检测单元，用于利用所述目标模型对待测复合绝缘子进行检测。
6.根据权利要求5所述的复合绝缘子检测装置，其特征在于，所述特征提取单元，还用于：
利用经验模态分解对所述样本数据进行特征提取，将生成的内涵模态分量作为信号特征数据。
7.根据权利要求5所述的复合绝缘子检测装置，其特征在于，所述训练单元，还用于：
利用BP神经网络、朴素贝叶斯法、决策树或者支持向量机建立识别模型。
8.根据权利要求5所述的复合绝缘子检测装置，其特征在于，所述训练单元，还用于：
将信号特征数据作为输入，将复合绝缘子缺陷类型数据作为输出对所述识别模型进行训练。
9.一种终端设备，其特征在于，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4任一项所述的复合绝缘子检测方法。
10.一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，所述计算机程序被处理器执行时实现如权利要求1-4任一项所述的复合绝缘子检测方法。
CN202111328998.4A 2021-11-10 2021-11-10 复合绝缘子检测方法、装置、终端设备及可读存储介质 Pending CN114065811A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111328998.4A CN114065811A (zh) 2021-11-10 2021-11-10 复合绝缘子检测方法、装置、终端设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111328998.4A CN114065811A (zh) 2021-11-10 2021-11-10 复合绝缘子检测方法、装置、终端设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN114065811A true CN114065811A (zh) 2022-02-18

Family

ID=80274739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111328998.4A Pending CN114065811A (zh) 2021-11-10 2021-11-10 复合绝缘子检测方法、装置、终端设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN114065811A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116087345A (zh) * 2023-04-06 2023-05-09 广东电网有限责任公司揭阳供电局 复合绝缘子的轴向缺陷长度的计算方法、装置及介质
CN116466667A (zh) * 2023-04-20 2023-07-21 成都工业职业技术学院 一种零件加工的智能控制方法、系统及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116087345A (zh) * 2023-04-06 2023-05-09 广东电网有限责任公司揭阳供电局 复合绝缘子的轴向缺陷长度的计算方法、装置及介质
CN116087345B (zh) * 2023-04-06 2023-06-13 广东电网有限责任公司揭阳供电局 复合绝缘子的轴向缺陷长度的计算方法、装置及介质
CN116466667A (zh) * 2023-04-20 2023-07-21 成都工业职业技术学院 一种零件加工的智能控制方法、系统及存储介质

Similar Documents

Publication Publication Date Title
CN114065811A (zh) 复合绝缘子检测方法、装置、终端设备及可读存储介质
CN109523752B (zh) 一种设备故障预警方法、装置、电子设备和介质
CN113409284B (zh) 电路板故障检测方法、装置、设备以及存储介质
CN112085071A (zh) 一种基于边缘计算的配电房设备故障分析预判方法及装置
WO2023093919A2 (zh) 一种洗衣机异音检测方法、装置、电子设备及存储介质
CN115951185A (zh) 绝缘子闪络检测方法、装置、电子设备及存储介质
CN110766236A (zh) 基于统计分析和深度学习的电力设备状态趋势预测方法
CN114004996A (zh) 异音检测方法、装置、电子设备及介质
CN113341283A (zh) 一种变压器套管局部放电模式识别方法
CN115994742B (zh) 湿拌砂浆塑化剂的全生命周期管理方法及装置
CN112016598A (zh) 基于sdae的局部放电模式识别方法、计算机设备和存储介质
CN115761648A (zh) 应用于变压器的渗油评估方法、装置、设备、介质及产品
CN115758659A (zh) 一种水体修复方案的修复效果验证方法、装置及电子设备
CN116338391A (zh) 一种绝缘子状态检测方法、装置、电子设备以及介质
CN113985226A (zh) 电缆处理方法和系统
CN110455503B (zh) 一种紫外线管寿命监测方法及装置
CN113435664A (zh) 一种电费异常数据分析方法、装置、终端设备及介质
CN109357751B (zh) 一种电力变压器绕组松动缺陷检测系统
CN113487550A (zh) 一种基于改进激活函数的目标检测方法及装置
CN111103511A (zh) 电介质状态分析方法、系统、计算机及存储介质
CN116087345B (zh) 复合绝缘子的轴向缺陷长度的计算方法、装置及介质
CN117388636A (zh) 一种输电线路故障定位方法、设备及存储介质
CN117310393B (zh) 一种电缆局部缺陷检测方法、装置及存储介质
CN113295928A (zh) 一种数显式电介质电导率测试仪增强方法及系统
CN110749650B (zh) 基于支持向量机的锚杆锚固密实度等级评定方法

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