CN115271117A - 一种换流站内部设备故障诊断方法、装置、计算机设备 - Google Patents
一种换流站内部设备故障诊断方法、装置、计算机设备 Download PDFInfo
- Publication number
- CN115271117A CN115271117A CN202210878798.4A CN202210878798A CN115271117A CN 115271117 A CN115271117 A CN 115271117A CN 202210878798 A CN202210878798 A CN 202210878798A CN 115271117 A CN115271117 A CN 115271117A
- Authority
- CN
- China
- Prior art keywords
- equipment
- image
- fault type
- fault
- converter station
- 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 67
- 238000003745 diagnosis Methods 0.000 claims abstract description 51
- 238000007689 inspection Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 52
- 238000012423 maintenance Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 14
- 238000012790 confirmation Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000013024 troubleshooting Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本公开涉及一种换流站内部设备故障诊断方法、装置、计算机设备。所述方法包括：获取待处理图像，所述待处理图像包括对监测的换流站内设备进行拍摄获取的图像信息；将所述待处理图像输入至诊断模型，得到所述换流站内目标设备的预测故障类型；获取所述设备的运行状态信息；根据所述诊断模型输出的预测故障类型和所述设备的运行状态信息确定目标换流站内设备的故障类型。采用本方法能够将整个换流站内的同类设备的红外巡检数据进行统一分析，通过数据增强提高了对换流站内设备的故障识别能力和准确性。
Description
技术领域
本公开涉及检测技术领域，特别是涉及一种换流站内部设备故障诊断方法、装置、计算机设备。
背景技术
随着特高压直流输电技术的发展，对于高压直流输电线路的稳定性和安全性提出了更高的要求。换流站则是在高压直流输电系统中，为了完成将交流电变换为直流电或者将直流电变换为交流电的转换，并达到电力系统对于安全稳定及电能质量的要求而建立的站点。因此换流站在电力输送中起到很重要的作用，对于换流站中的设备而言，设备的温度是一个十分重要的状态参量。
目前，采用红外检测技术实现快速检测换流站内部设备的故障。但是，红外检测技术容易受到试件表面、背景辐射、距离远近的影响，分辨率差，且只能对单一目标进行检测和故障判断。
发明内容
基于此，有必要针对上述技术问题，提供一种换流站内部设备故障诊断方法、装置、计算机设备，可以对换流站内的同一设备的图像数据进行统一的分析，根据设备的运行状态信息确定故障类型。
第一方面，本公开提供了一种换流站内部设备故障诊断方法。所述方法包括：
获取待处理图像，所述待处理图像包括对监测的换流站内设备进行拍摄获取的图像信息；
将所述待处理图像输入至诊断模型，得到所述换流站内目标设备的预测故障类型，所述诊断模型包括：以获取换流站内同类设备在不同位置的图像数据集作为训练样本，所述训练样本中包括对数据集里的故障特征或异常数据特征进行特征提取生成的不同故障类型标签数据，以基于语义流的深度神经网络算法作为诊断模型进行训练得到；
获取所述设备的运行状态信息；
根据所述诊断模型输出的预测故障类型和所述设备的运行状态信息确定目标换流站内设备的故障类型。
在其中一个实施例中，所述方法还包括确定目标换流站内设备的故障类型，匹配与所述故障类型对应的设备检修方案。
在其中一个实施例中，所述方法还包括发出检修指令，检修指令包括待检修的设备信息、故障类型、检修方案。
在其中一个实施例中，所述方法还包括：
在得到所述待处理图像的预测故障类型且确认所述设备的运行状态信息正常的情况下，确定所述预测故障类型为故障预警；
响应所述故障预警触发指令，根据预先设置的流站内的设备策略，发出设备维护指令。
在其中一个实施例中，所述方法还包括基于故障排查后的确认信息，将所述目标设备的待处理图像和故障类型作为新的训练样本，所述新的训练样本用于所述诊断模型继续训练。
在其中一个实施例中，所述的待处理图像是红外巡检图像，所述红外巡检图像是利用红外检测得到的设备图像。
第二方面，本公开还提供了一种换流站内部设备故障诊断装置。所述装置包括：
图像获取模块，用于获取待处理图像，所述待处理图像包括对监测的换流站内设备进行拍摄获取的图像信息；
诊断模块，用于将所述待处理图像输入至诊断模型，得到所述换流站内目标设备的预测故障类型，所述诊断模型包括：以获取换流站内同类设备在不同位置的图像数据集作为训练样本，所述训练样本中包括对数据集里的故障特征或异常数据特征进行特征提取生成的不同故障类型标签数据，以基于语义流的深度神经网络算法作为诊断模型进行训练得到；
运行状态获取模块，用于获取所述设备的运行状态信息，
故障类型确认模块，用于根据所述诊断模型输出的预测故障类型和所述设备的运行状态信息确定目标换流站内设备的故障类型。
在其中一个实施例中，所述装置还包括：
方案匹配模块，用于确定目标换流站内设备的故障类型，匹配与所述故障类型对应的设备检修方案。
在其中一个实施例中，所述装置还包括：
检修模块，用于发出检修指令，检修指令包括待检修的设备信息、故障类型、检修方案。
在其中一个实施例中，所述装置还包括：
故障预警确认模块，用于在得到所述待处理图像的预测故障类型且确认所述设备的运行状态信息正常的情况下，确定所述预测故障类型为故障预警；
响应指令模块，用于响应所述故障预警触发指令，根据预先设置的流站内的设备策略，发出设备维护指令。
在其中一个实施例中，所述装置还包括基于故障排查后的确认信息，将所述目标设备的待处理图像和故障类型作为新的训练样本，所述新的训练样本用于所述诊断模型继续训练。
在其中一个实施例中，所述的待处理图像是红外巡检图像，所述红外巡检图像是利用红外检测得到的设备图像。
第三方面，本公开还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现图像中目标对象定位方法的步骤。
第四方面，本公开还提供了一种计算机可读存储介质。所述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图像中目标对象定位方法的步骤。
第五方面，本公开还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现图像中目标对象定位方法的步骤。
上述一种换流站内部设备故障诊断方法、装置、计算机设备，至少包括以下有益效果：
本公开提供的实施例方案，可以将待处理图像输入诊断模型，得到换流站内目标设备的预测故障类型，再根据目标设备的运行状态信息，确定故障类型。其中，诊断模型是基于训练样本训练得到的，在换流站内部设备遍布于不同位置，训练样本包括同类设备在不同位置的图像数据集，这样，增强了对换流站内目标设备的故障识别能力。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
为了更清楚地说明本公开实施例或传统技术中的技术方案，下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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为一个实施例中换流站内部设备故障诊断方法的应用环境图；
图2为一个实施例中换流站内部设备故障诊断方法的流程示意图；
图3为一个实施例中a套管和b套管接线处的特征提取图；
图4为一个实施例中换流站内部设备故障诊断方法的流程环境图；
图5为一个实施例中换流站内部设备故障诊断方法的流程环境图；
图6为一个实施例中换流站内部设备故障诊断方法的流程环境图；
图7为一个实施例中换流站内部设备故障诊断装置的结构框图；
图8为一个实施例中换流站内部设备故障诊断装置的结构框图；
图9为一个实施例中换流站内部设备故障诊断装置的结构框图；
图10为一个实施例中换流站内部设备故障诊断装置的结构框图；
图11为一个实施例中计算机设备的内部结构图；
图12为一个实施例中一种服务器的内部结构图。
具体实施方式
为了使本公开的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本公开进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本公开，并不用于限定本公开。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。术语“包括”、“包含”或者其任何其它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、产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它要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。例如若使用到第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
本公开实施例提供的换流站内部设备故障诊断方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种换流站内部设备故障诊断方法，以该方法应用于图1中的服务器对待处理图像进行处理为例进行说明，包括以下步骤：
S202：获取待处理图像，所述待处理图像包括对监测的换流站内设备进行拍摄获取的图像信息。
本实施例中换流站内的主要设备可以包括换流阀、换流变压器、控制调节系统、交流滤波器、直流滤波器等。所述的待处理图像可以包括通过安装于目标设备附件的拍摄装置对所述目标设备进行拍摄得到的图像，也可以是拍摄设备通过硬件或通信网络传输过来的图像，或者直接输入到处理设备的包含目标设备的图像。
S204：将所述待处理图像输入至诊断模型，得到所述换流站内目标设备的预测故障类型，所述诊断模型包括：以获取换流站内同类设备在不同位置的图像数据集作为训练样本，所述训练样本中包括对数据集里的故障特征或异常数据特征进行特征提取生成的不同故障类型标签数据，以基于语义流的深度神经网络算法作为诊断模型进行训练得到。
本实施例中的预测故障类型为训练后的诊断模型根据当前输入的待处理图像诊断出的故障类型。待处理图像可以通过多种方式获得，例如从视频中截取一帧图像作为待处理图像输入诊断模型中诊断。所述诊断模型可以采用一种或多种机器学习算法，以实现样本的训练和待处理图像的诊断。本公开的一些实施例中的识别模型可以选择基于语义流的深度神经网络算法(SFNeT)，包括基于语义流的深度神经网络算法的改进、变形、变化、与其他机器学习算法的组合等。
在使用识别模型预测前或模型使用以及更新中，可以根据预先构建的训练样本对模型进行训练，得到符合要求的识别模型，实现对待处理图像进行识别处理后可以输出目标设备的预测故障类型。训练样本包括换流站内同类设备在不同位置的图像数据集，可以利用孪生网络识别出不同位置的同类设备。孪生神经网络通常用于比较两个输入特征向量的距离来衡量两个输入的相似度，得到所有训练样本中的同类设备。每个训练样本可以预先对图像数据集中的故障特征或异常数据特征进行特征提取，生成不同故障类型标签数据。一般，可以使用快速残差训练网络(ResNet101)提取图像特征，本实施例在此基础上引入了适应层(adaptation layers)和指数归一化输出最大值层(Kernel soft argmaxlayer)来提高匹配度，图3为对a套管和b套管接线处的特征提取图。所述故障类型标签数据可以直接用文字表述，显示在故障特征或异常数据特征的上方，或用不同颜色的圆点标注显示在图像的外侧。
S206：获取所述设备的运行状态信息。
本实施例中，运行状态信息可以包括设备当前是否处于工作阶段、输出功率大小、电流电压的转换状态等信息，可以通过工作人员检查，或通过设备上传数据等方式获取设备当前的运行状态信息。在一些实施场景中，故障的发生可能并不是一个即刻的过程，本公开实施例可以获取参考设备的运行状态信息，在后续故障类型判断处理中结合运行状态信息进行判断，进一步提高故障类型的识别准确性。
S208：根据所述诊断模型输出的预测故障类型和所述设备的运行状态信息确定目标换流站内设备的故障类型。
本实施例中，诊断模型当前输出的目标设备的预测故障类型可能与目标设备真实的运行状态不符，例如当前目标设备处于休眠模式，诊断模型得到的预测故障类型可能是机器损坏，但是通过与获取的当前运行状态信息进行比较，可以确定当前目标设备的准确故障类型，提高故障类型识别的准确性。
上述换流站内部设备故障诊断方法，使用诊断模型对待输入图像诊断，其中诊断模型是基于训练样本训练得到的，得到所述换流站内目标设备的预测故障类型。训练样本包括换流站内同类设备在不同位置的图像数据集，当不同位置的同类设备发生故障，可以调取数据集中不同故障类型标签数据对比查询，提高故障识别的准确率。此外，将得到的预测故障类型与设备的运行状态对比，提高预测故障类型的准确性。
在本公开的一些实施例中，如图4所示，所述方法还包括：
S402：确定目标换流站内设备的故障类型，匹配与所述故障类型对应的设备检修方案。
本实施例中，故障类型包括高压套管内外接头故障、高压套管内外放电故障、套管缺油故障、高压隔离开关故障等，预先根据设备可能会出现的故障类型制定对应的设备检修方案，根据诊断模型得出的故障类型匹配对应的设备检修方案。
在本公开的一些实施例中，如图5所示，所述方法还包括：
S602：发出检修指令，检修指令包括待检修的设备信息、故障类型、检修方案。
本实施例中，根据诊断模型得到的预测故障类型和设备的运行状态信息，确定当前设备已经发生故障，可以停止机器运行，避免出现更为严重的事故，发出检修指令。机器可以通过蓝牙、系统弹窗、警报等方式发出检修指令，保障换流站运行的安全性和可靠性。检修指令包括待检修的设备信息、故障类型、检修方案，设备信息包括设备的原始出厂数据、当前设备的运行数据等，故障类型由诊断模型预测得到，检修方案由故障类型确定。
在本公开的一些实施例中，如图6所示，所述方法还包括：
S802：在得到所述待处理图像的预测故障类型且确认所述设备的运行状态信息正常的情况下，确定所述预测故障类型为故障预警。
S804：响应所述故障预警触发指令，根据预先设置的流站内的设备策略，发出设备维护指令。
故障预警是指当前设备并没有出现故障，或是在诊断模型得到预测故障类型的情况下，设备出现了故障发生前的征兆，在一些实施例中，故障的发生可能不是一个即刻的过程，此时所发出的预警。预先设置的设备策略与故障预警的类型相对应。维护指令包括老化元器件的替换、变压器油量的添加等，用于解决设备潜在的故障。
本实施例中，得到诊断模型给出的预测故障类型，获取当前设备的运行状态信息为正常，在当前情况下，换流站的设备可能存在潜在的故障风险，此时的预测故障类型为故障预警。响应故障预警，调用预先设置的换流站内的对应的设备策略，发出维护指令，提醒工作人员排查潜在的故障，降低设备发生故障的风险。
在本公开的一些实施例中，所述的方法还包括：
基于故障排查后的确认信息，将所述目标设备的待处理图像和故障类型作为新的训练样本，所述新的训练样本用于所述诊断模型继续训练。
本实施例中，故障排查后，可以通过工作人员确认当前设备的运行状态或是设备自动反馈运行参数等方式确认信息，将目标设备的待处理图像和得出的故障类型作为新的训练样本用于模型训练，进行数据增强，不断提高深度神经网络的识别准确率。
在本公开的一些实施例中，所述的待处理图像是红外巡检图像，所述红外巡检图像是利用红外检测得到的设备图像。
红外巡检可以包括被动式红外检测、主动式红外检测等，本实施例运用被动式红外检测方式，进行红外检测时不对被测目标加热，仅仅利用被测目标的温度不同于周围环境温度的条件，当某个设备故障，对应故障位置温度过高，对应红外热图的相应位置的会出现光斑，得到所述红外巡检图像作为待处理图像。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本公开实施例还提供了一种用于实现上述所涉及的换流站内部设备故障诊断方法的换流站内部设备故障诊断装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的换流站内部设备故障诊断装置实施例中的具体限定可以参见上文中对于换流站内部设备故障诊断方法的限定，在此不再赘述。
所述装置可以包括使用了本说明书实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本公开实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本说明书实施例具体的装置的实施可以参见前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
在一个实施例中，如图7所示，提供了一种换流站内部设备故障诊断装置Z00，所述装置可以为前述服务器，或者集成于所述服务器的模块、组件、器件、单元等。该装置Z00可以包括：
图像获取模块Z02，用于获取待处理图像，所述待处理图像包括对监测的换流站内设备进行拍摄获取的图像信息；
诊断模块Z04，用于将所述待处理图像输入至诊断模型，得到所述换流站内目标设备的预测故障类型，所述诊断模型包括：以获取换流站内同类设备在不同位置的图像数据集作为训练样本，所述训练样本中包括对数据集里的故障特征或异常数据特征进行特征提取生成的不同故障类型标签数据，以基于语义流的深度神经网络算法作为诊断模型进行训练得到；
运行状态获取模块Z06，用于获取所述设备的运行状态信息，
故障类型确认模块Z08，用于根据所述诊断模型输出的预测故障类型和所述设备的运行状态信息确定目标换流站内设备的故障类型。
在一个实施例中，如图8所示，所述装置Z20还包括：
方案匹配模块Z22，用于确定目标换流站内设备的故障类型，匹配与所述故障类型对应的设备检修方案。
在一个实施例中，如图9所示，所述装置Z40还包括：
检修模块Z42，用于发出检修指令，检修指令包括待检修的设备信息、故障类型、检修方案。
在一个实施例中，如图10所示，所述装置Z60还包括：
故障预警确认模块Z62，用于在得到所述待处理图像的预测故障类型且确认所述设备的运行状态信息正常的情况下，确定所述预测故障类型为故障预警；
响应指令模块Z64，用于响应所述故障预警触发指令，根据预先设置的流站内的设备策略，发出设备维护指令。
在一个实施例中，所述装置还包括基于故障排查后的确认信息，将所述目标设备的待处理图像和故障类型作为新的训练样本，所述新的训练样本用于所述诊断模型继续训练。
在一个实施例中，所述的待处理图像是红外巡检图像，所述红外巡检图像是利用红外检测得到的设备图像。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
上述换流站内部设备故障诊断装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储故障特征数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种换流站内部设备故障诊断方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种换流站内部设备故障诊断方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图11、图12中示出的结构，仅仅是与本公开方案相关的部分结构的框图，并不构成对本公开方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本公开任一实施例所述的方法。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例所述的方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本公开所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本公开所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本公开所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本公开的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本公开专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本公开构思的前提下，还可以做出若干变形和改进，这些都属于本公开的保护范围。因此，本公开的保护范围应以所附权利要求为准。
Claims (15)
1.一种换流站内部设备故障诊断方法，其特征在于，所述方法包括：
获取待处理图像，所述待处理图像包括对监测的换流站内设备进行拍摄获取的图像信息；
将所述待处理图像输入至诊断模型，得到所述换流站内目标设备的预测故障类型，所述诊断模型包括：以获取换流站内同类设备在不同位置的图像数据集作为训练样本，所述训练样本中包括对数据集里的故障特征或异常数据特征进行特征提取生成的不同故障类型标签数据，以基于语义流的深度神经网络算法作为诊断模型进行训练得到；
获取所述设备的运行状态信息；
根据所述诊断模型输出的预测故障类型和所述设备的运行状态信息确定目标换流站内设备的故障类型。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
确定目标换流站内设备的故障类型，匹配与所述故障类型对应的设备检修方案。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
发出检修指令，检修指令包括待检修的设备信息、故障类型、检修方案。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在得到所述待处理图像的预测故障类型且确认所述设备的运行状态信息正常的情况下，确定所述预测故障类型为故障预警；
响应所述故障预警触发指令，根据预先设置的流站内的设备策略，发出设备维护指令。
5.根据权利要求2-4任一所述的方法，其特征在于，所述方法还包括：
基于故障排查后的确认信息，将所述目标设备的待处理图像和故障类型作为新的训练样本，所述新的训练样本用于所述诊断模型继续训练。
6.根据权利要求1所述的方法，其特征在于，所述的待处理图像是红外巡检图像，所述红外巡检图像是利用红外检测得到的设备图像。
7.一种换流站内部设备故障诊断装置，其特征在于，所述装置包括：
图像获取模块，用于获取待处理图像，所述待处理图像包括对监测的换流站内设备进行拍摄获取的图像信息；
诊断模块，用于将所述待处理图像输入至诊断模型，得到所述换流站内目标设备的预测故障类型，所述诊断模型包括：以获取换流站内同类设备在不同位置的图像数据集作为训练样本，所述训练样本中包括对数据集里的故障特征或异常数据特征进行特征提取生成的不同故障类型标签数据，以基于语义流的深度神经网络算法作为诊断模型进行训练得到；
运行状态获取模块，用于获取所述设备的运行状态信息；
故障类型确认模块，用于根据所述诊断模型输出的预测故障类型和所述设备的运行状态信息确定目标换流站内设备的故障类型。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
方案匹配模块，用于确定目标换流站内设备的故障类型，匹配与所述故障类型对应的设备检修方案。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括：
检修模块，用于发出检修指令，检修指令包括待检修的设备信息、故障类型、检修方案。
10.根据权利要求7所述的装置，其特征在于，所述装置还包括：
故障预警确认模块，用于在得到所述待处理图像的预测故障类型且确认所述设备的运行状态信息正常的情况下，确定所述预测故障类型为故障预警；
响应指令模块，用于响应所述故障预警触发指令，根据预先设置的流站内的设备策略，发出设备维护指令。
11.根据权利要求8-10任一所述的装置，其特征在于，所述装置还包括：
基于故障排查后的确认信息，将所述目标设备的待处理图像和故障类型作为新的训练样本，所述新的训练样本用于所述诊断模型继续训练。
12.根据权利要求7所述的装置，其特征在于，所述的待处理图像是红外巡检图像，所述红外巡检图像是利用红外检测得到的设备图像。
13.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
14.一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权利要求1至6中任一项所述的方法的步骤。
15.一种计算机程序产品，包括计算机程序，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6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210878798.4A CN115271117A (zh) | 2022-07-25 | 2022-07-25 | 一种换流站内部设备故障诊断方法、装置、计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210878798.4A CN115271117A (zh) | 2022-07-25 | 2022-07-25 | 一种换流站内部设备故障诊断方法、装置、计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115271117A true CN115271117A (zh) | 2022-11-01 |
Family
ID=83769767
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210878798.4A Pending CN115271117A (zh) | 2022-07-25 | 2022-07-25 | 一种换流站内部设备故障诊断方法、装置、计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115271117A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115865751A (zh) * | 2022-11-25 | 2023-03-28 | 南方电网数字平台科技(广东)有限公司 | 基于多态数据的故障检测方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110175204A (zh) * | 2019-05-17 | 2019-08-27 | 国网河北省电力有限公司沧州供电分公司 | 智能变电站数据管理与决策系统、方法及终端设备 |
| CN111734885A (zh) * | 2020-06-30 | 2020-10-02 | 全球能源互联网研究院有限公司 | 一种换流阀在线监测与评估的方法及系统 |
| CN112733824A (zh) * | 2021-04-06 | 2021-04-30 | 中国电力科学研究院有限公司 | 基于视频图像智能前端的变电设备缺陷诊断方法和系统 |
-
2022
- 2022-07-25 CN CN202210878798.4A patent/CN115271117A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110175204A (zh) * | 2019-05-17 | 2019-08-27 | 国网河北省电力有限公司沧州供电分公司 | 智能变电站数据管理与决策系统、方法及终端设备 |
| CN111734885A (zh) * | 2020-06-30 | 2020-10-02 | 全球能源互联网研究院有限公司 | 一种换流阀在线监测与评估的方法及系统 |
| CN112733824A (zh) * | 2021-04-06 | 2021-04-30 | 中国电力科学研究院有限公司 | 基于视频图像智能前端的变电设备缺陷诊断方法和系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115865751A (zh) * | 2022-11-25 | 2023-03-28 | 南方电网数字平台科技(广东)有限公司 | 基于多态数据的故障检测方法及装置 |
| CN115865751B (zh) * | 2022-11-25 | 2024-05-14 | 南方电网数字平台科技(广东)有限公司 | 基于多态数据的故障检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| LU502731B1 (en) | Method for monitoring abnormality of power production, apparatus, computer device, and storage medium therefor | |
| Mourtzis et al. | Intelligent predictive maintenance and remote monitoring framework for industrial equipment based on mixed reality | |
| US20180276913A1 (en) | Remote vehicle network monitoring and failure prediction system | |
| US20210373063A1 (en) | Method and system for monitoring a health of a power cable accessory based on machine learning | |
| US9332362B2 (en) | Acoustic diagnosis and correction system | |
| CN112840219B (zh) | 使用低侧电极和接地分隔的电力电缆监测装置 | |
| Mourtzis et al. | Design and development of an IoT enabled platform for remote monitoring and predictive maintenance of industrial equipment | |
| US20110010130A1 (en) | Health management systems and methods with predicted diagnostic indicators | |
| US11500370B2 (en) | System for predictive maintenance using generative adversarial networks for failure prediction | |
| US11099219B2 (en) | Estimating the remaining useful life of a power transformer based on real-time sensor data and periodic dissolved gas analyses | |
| US11693371B2 (en) | Potential replacement algorithm selection based on algorithm execution context information | |
| JP7563879B2 (ja) | センサデータの存在下において整備計画を改善するためのシステムと方法 | |
| CN115271117A (zh) | 一种换流站内部设备故障诊断方法、装置、计算机设备 | |
| Tsybunov et al. | Interactive (intelligent) integrated system for the road vehicles’ diagnostics | |
| CN114550336A (zh) | 设备巡检方法、装置、计算机设备和存储介质 | |
| CN113222531A (zh) | 数据存储及监控方法、系统、计算机设备和存储介质 | |
| Trajkova et al. | Active learning for automated visual inspection of manufactured products | |
| CN116381419B (zh) | 输电线路故障处理方法、装置、计算机设备和存储介质 | |
| CN116561588B (zh) | 电力文本识别模型构建方法、电力设备维修方法和装置 | |
| CN116823222A (zh) | 一种设备排障系统及方法 | |
| CN113076350B (zh) | 焊接异常检测方法、装置、计算机设备和存储介质 | |
| CN116071864A (zh) | 预警处理方法、装置、设备、存储介质和计算机程序产品 | |
| JP2016212560A (ja) | 異常予兆検知システムおよび異常予兆検知方法 | |
| CN114943297A (zh) | 发电机出口断路器的智能运维方法、装置、计算机设备 | |
| CN114859155A (zh) | 智能马桶自检方法、装置、计算机设备 |
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 |