CN115661154B - 机器视觉识别发电机集电环碳刷接触状态的系统及方法 - Google Patents

机器视觉识别发电机集电环碳刷接触状态的系统及方法 Download PDF

Info

Publication number
CN115661154B
CN115661154B CN202211683293.9A CN202211683293A CN115661154B CN 115661154 B CN115661154 B CN 115661154B CN 202211683293 A CN202211683293 A CN 202211683293A CN 115661154 B CN115661154 B CN 115661154B
Authority
CN
China
Prior art keywords
carbon brush
generator
output
collector ring
state
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
Application number
CN202211683293.9A
Other languages
English (en)
Other versions
CN115661154A (zh
Inventor
梁波
乐零陵
刘亚青
崔磊
朱钊
谌睿
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.)
Changjiang Institute of Survey Planning Design and Research Co Ltd
Original Assignee
Changjiang Institute of Survey Planning Design and Research 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 Changjiang Institute of Survey Planning Design and Research Co Ltd filed Critical Changjiang Institute of Survey Planning Design and Research Co Ltd
Priority to CN202211683293.9A priority Critical patent/CN115661154B/zh
Publication of CN115661154A publication Critical patent/CN115661154A/zh
Application granted granted Critical
Publication of CN115661154B publication Critical patent/CN115661154B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02E10/20—Hydro energy

Landscapes

  • Motor Or Generator Current Collectors (AREA)

Abstract

本发明公开了一种机器视觉识别发电机集电环碳刷接触状态的系统。它包括光学系统、图像采集模块、图像处理系统和输出交互界面；图像采集模块用于识别集电环和碳刷，获取集电环和碳刷的图片；光学系统、图像采集模块、图像处理系统和输出交互界面依次连接；图像处理系统包括图像采集卡、微小电火花机器识别及AI算法处理单元和深度学习单元；图像采集卡用于对图像采集模块获取的图像进行采集和预处理。本发明具有可在线识别和监测集电环和碳刷的接触状态，捕捉并定位任何微小的打火，识别测量碳刷的厚度分布，提供状态趋势预报和超阙值预警的优点。本发明还公开了机器视觉识别发电机集电环碳刷接触状态的系统的监测方法。

Description

机器视觉识别发电机集电环碳刷接触状态的系统及方法
技术领域
本发明涉及水利水电及人工智能领域，具体地说它是一种机器视觉识别发电机集电环碳刷接触状态的系统，更具体地说它是一种利用机器视觉在线实时识别发电机集电环碳刷接触状态的系统。更具体地说它是一种通过机器视觉和算法精准识别发电机集电环和碳刷接触状态的自动监测系统。本发明还涉及机器视觉识别发电机集电环碳刷接触状态的系统的监测方法。
背景技术
在水电站一般采用转子直流励磁的同步发电机组；正、负直流励磁电流通过励磁电缆分别连接到上、下两层碳刷组，再通过上、下两层碳刷和旋转部件-大轴顶部的正、负集电环接触联通；集电环通过导电铜排和转子绕组联通；
集电环和大轴一起为发电机的旋转部件，碳刷为固定部件，两者依靠摩擦接触导电；由于集电环随大轴旋转存在一定的摆度和偏心，而碳刷组上下两层（对应正、负两极）多组分布，每组碳刷由刷握提供的紧固力和集电环压紧接触，因此该发电机高速旋转时，易由于偏心、振摆和刷握紧固力的不同而导致碳刷和集电环之间接触的不均衡，导致局部过热、打火等现象，不利于发电机的稳定可靠运行；特别是，目前针对上述情况，尚没有可靠、有效的在线监测方法，只能依靠人进入集电环室进行肉眼观测和判断集电环和碳刷之间的接触状态，往往不能及时发现问题，更无法预知运行情况的状态趋势，对发电机的运行形成潜在的风险因素；
因此，开发一种能实时在线监控、可靠、有效的集电环和碳刷之间的接触状态的自动监测系统及方法很有必要。
发明内容
本发明的第一目的是为了提供一种机器视觉识别发电机集电环碳刷接触状态的系统，通过侧位相机和俯视相机的组合，识别集电环周边所有各个碳刷的厚度变化趋势，结合微小电火花的识别，提供碳刷刷握力矩和更换的运行维护指提示，通过设置阙值预警，在碳刷的厚度不均匀度超过一定范围时，发出预警，能可靠、有效地实时在线监控集电环和碳刷之间的接触状态；克服了现有技术依靠人进入集电环室进行肉眼观测和判断集电环和碳刷之间的接触状态，不能及时发现问题，更无法预知运行情况的状态趋势的缺陷。
本发明的第二目的是为了提供一种机器视觉识别发电机集电环碳刷接触状态的系统的监测方法，为一种多相机组合的机器视觉和人工智能算法，可在线识别和监测集电环和碳刷的接触状态，捕捉并定位任何微小的打火（电火花），识别测量碳刷的厚度分布，提供状态趋势预报和超阙值预警，该方法具体应用时，针对发电机顶轴处的集电环在高速旋转时易发生和接触不良的碳刷之间发生打火现象，通过机器视觉进行识别，并精确提示碳刷刷握松动、碳刷磨损等不良状态，以及时调整或更换碳刷，避免长时间电火花高温烧蚀对集电环表面的损坏。
为了实现上述本发明的第一目的，本发明的技术方案为：机器视觉识别发电机集电环碳刷接触状态的系统，包括光学系统、图像采集模块、图像处理系统和预警等状态输出交互界面；本发明通过光学系统、图像采集模块、图像处理系统和基于机器视觉识别算法实现无接触、无内置传感器的集电环-碳刷状态高精度参数识别、高灵敏度微电火花捕捉、碳刷厚度分布情况和预报及超阙值预警；本发明对机器视觉高精度识别的碳刷厚度△C按运用场景进行基于安全系数的阙值设定，并根据和阙值的比对发出碳刷失效状态的预警；通过机器视觉识别对应变化率△aC/day、△aC/week或△aC/month基于W-LSTM预测模型的机器深度学习，提出集电环和碳刷接触的状态趋势；
图像采集模块用于识别集电环和碳刷，获取集电环和碳刷的图片；如图1、图2所示，集电环和碳刷为识别的目标对象，均有正、负两极且对应接触联接；
光学系统、图像采集模块、图像处理系统和输出交互界面依次连接；
图像处理系统包括图像采集卡、微小电火花机器识别及AI算法处理单元、预警装置和深度学习单元；
图像采集卡用于对图像采集模块获取的图像进行采集和预处理，数据接口根据分辨率和帧率决定传输带宽，结合传输距离可选择USB3.0、Camera Link或GigE接口；
微小电火花机器识别及AI算法处理单元通过高速、高动态的机器视觉成像，高精度识别集电环和碳刷接触状态，全方位捕捉集电环和碳刷之间微小电火花；通过位于大轴顶部集电环上方的俯视相机识别大轴（集电环）的轴心轨迹，通过算法得到碳刷刷握的紧固力矩分布，从而为保证碳刷和集电环之间的均衡良好接触提供精准的数值参考依据；本发明通过测量大轴及集电环的轴心运行轨迹的算法，能够基于BP网络算法获取碳刷刷握紧固力及分布情况；
同时，通过侧位相机和俯视相机的组合，识别集电环周边所有各个碳刷的厚度变化趋势，结合微小电火花的识别，提供碳刷刷握力矩和更换的运行维护指提示，通过设置阙值预警，在碳刷的厚度不均匀度超过一定范围时，发出预警（如图3、图4所示）；本发明通过微小的接触电火花的识别算法，能够避免长时间电火花高温烧蚀对集电环表面的损坏；本发明通过识别碳刷的厚度及分布情况的算法，发出碳刷厚度不均匀分布的超限预警，能够有效的保证发电机集电环和碳刷的良好接触；
深度学习单元用于对实时获得的集电环和碳刷接触状态进行对比分析和深度学习，当发生突然变化趋势时，可对打火、碳刷失效等现象进行智能识别和预报、预警；预警装置设置在深度学习单元上；预警装置在发生超过预警阙值的变化量（单位时间）时，发出预警信号；输出交互界面用于对深度学习单元的状态输出和显示（如图6所示）；
电源及控制电缆用于连接上述设备的动力电缆接入和控制电缆连接。
在上述技术方案中，光学系统包括补充照明用的专用光源；图像采集模块在集电环室内的照明条件即可识别，专用光源是考虑局部部位需要的补充光源，为识别旋转部件与固定部件的接触情况，可选用正面或正侧面光源，并避免反光、炫光对识别的影响。
在上述技术方案中，图像采集模块选用多目工业级相机；
工业级相机选用面阵相机或线阵相机；
相机由俯视相机和侧视相机组合监测；本发明通过侧位相机和俯视相机的组合，识别集电环周边所有各个碳刷的厚度变化趋势，结合微小电火花的识别，提供碳刷刷握力矩和更换的运行维护指提示，通过设置阙值预警，在碳刷的厚度不均匀度超过一定范围时，发出预警；
工业级相机选用高动态、全彩相机；工业级相机为高分辨率、高帧率相机；相机分辨率根据实际图像幅宽与精度要求计算，当要求高精度、色差动态识别，可选择较高分辨率如1920像素×1080像素；一般若为长期状态监测，由于集电环为高速旋转部件，帧率可选用高帧率如20fps；若相机的位置固定，镜头可采用定焦、固定光圈；本发明中的光学系统相机设置和标定，相机为高分辨率、低帧频的俯视和侧视多目相机，根据监测的目标为彩色、高分辨率、高动态响应速度的成像相机。
在上述技术方案中，输出交互界面选用趋势状态输出显示装置；
本发明机器视觉识别发电机集电环碳刷接触状态的系统通过光学提供提供补充光源，通过工业相机在线实时获取发电机集电环碳刷接触位置、并将信息传递给图像采集卡，微小电火花机器识别及AI算法处理单元识别微小的接触电火花、获取碳刷刷握的紧固力矩分布，发出碳刷厚度不均匀分布的超限预警、并在输出交互界面显示、通过预警装置发出预警信号。
为了实现上述本发明的第二目的，本发明的技术方案为：一种机器视觉识别发电机集电环碳刷接触状态的系统的监测方法，其特征在于：包括如下步骤，
步骤一：通过机器视觉识别发电机集电环碳刷接触状态的系统的图像采集模块获取待测发电机集电环及碳刷图像；本发明通过机器视觉人工智能算法可精准识别集电环和碳刷接触状态，全方位捕捉集电环和碳刷之间微小电火花；通过位于大轴顶部集电环上方的俯视相机识别大轴（集电环）的轴心轨迹，通过算法得到碳刷刷握的紧固力矩分布，从而为保证碳刷和集电环之间的均衡良好接触提供精准的数值参考依据；
步骤二：在图像采集卡上，基于Kalman滤波对采集的发电机集电环及碳刷图像进行图像去噪处理；
步骤三：在微小电火花机器识别及AI算法处理单元，基于迭代阙值选择方法分别识别集电环轴心、碳刷厚度和微小电火花的数目；
步骤四：在深度学习单元，采用BP神经网络分析集电环轴心信息和碳刷刷握力矩的关系，提供碳刷刷握力矩的运行维护提示；
步骤五：在深度学习单元，采用W-LSTM预测模型实现对于集电环-碳刷状态的趋势分析；本发明通过W-LSTM预测模型进行状态趋势分析，提出碳刷刷握紧固力及分布情况，进行打火和碳刷厚度不均匀分布的超限预警（如图5所示）。
在上述技术方案中，在步骤二中，采用Kalman滤波对采集的发电机集电环及碳刷图像进行去噪处理，具体方法为：
首先负责及时向前推算当前视频帧状态变量和误差协方差估计的值，以便为当前时间状态构造先验估计，后者负责反馈，进而将视频帧的先验估计和新的实际测量值结合以构造改进的后验估计；此过程（即，采用Kalman滤波对采集的发电机集电环及碳刷图像进行图像去噪处理方法）亦可成为预估和校正过程，原理可由数学表达式表示如下：
Figure 657372DEST_PATH_IMAGE001
（1）
Figure 530781DEST_PATH_IMAGE002
（2）
Figure 490647DEST_PATH_IMAGE003
（3）
Figure 407787DEST_PATH_IMAGE004
（4）
Figure 718683DEST_PATH_IMAGE005
（5）
公式（1）表示Kalman滤波的状态预测方程；公式（2）表示Kalman滤波在预测状态下的协方差方程；公式（3）表示Kalman滤波的滤波增益方程；公式（4）表示Kalman滤波的状态最优化估计方程；公式（5）表示Kalman滤波状态最优化估计的协方差方程；
利用Kalman滤波对所摄发电机集电环及碳刷图像进行平滑时，具体方法为：首先根据公式（3）计算测量更新的Kalman增益
Figure 379471DEST_PATH_IMAGE006
，然后假定初值
Figure 193843DEST_PATH_IMAGE007
和
Figure 547464DEST_PATH_IMAGE008
，然后结合在k时刻的实际测量值
Figure 80077DEST_PATH_IMAGE009
和公式（4），对于k时刻估计状态的后验估计
Figure 278977DEST_PATH_IMAGE010
进行递推计算，最后根据公式（5）对估计状态的后验协方差
Figure 961238DEST_PATH_IMAGE011
进行计算。
在上述技术方案中，在步骤三中，迭代阙值选择方法，具体为：
S31：选择近似阈值
Figure 220181DEST_PATH_IMAGE012
作为初值，其计算方式为对所摄发电机集电环及碳刷图像上所有位置的灰度值取加权平均；
Figure 240089DEST_PATH_IMAGE013
（6）
其中，
Figure 242680DEST_PATH_IMAGE014
表示图像上的所有像素点，
Figure 31645DEST_PATH_IMAGE015
表示第n个像素点上的灰度值，
Figure 727068DEST_PATH_IMAGE016
表示像素点在图像上的位置；
S32：基于阈值初值将前述图像分割为两部分，图像中像素灰度值大于阈值初值
Figure 968694DEST_PATH_IMAGE017
的部分记为
Figure 774976DEST_PATH_IMAGE018
，小于阈值初值
Figure 434758DEST_PATH_IMAGE017
的部分记为
Figure 35504DEST_PATH_IMAGE019
，然后分别对两个区域
Figure 30005DEST_PATH_IMAGE018
和
Figure 374398DEST_PATH_IMAGE019
的灰度值取加权平均，得到其灰度均值
Figure 137955DEST_PATH_IMAGE020
和
Figure 909602DEST_PATH_IMAGE021
后，对其灰度均值取平均作为新的分割阈值
Figure 391399DEST_PATH_IMAGE022
；
Figure 539484DEST_PATH_IMAGE023
（7）
S33：基于分割阈值
Figure 908279DEST_PATH_IMAGE024
将前述图像再次分割为两部分，图像中像素灰度值大于阈值初值
Figure 116407DEST_PATH_IMAGE024
的部分记为
Figure 819920DEST_PATH_IMAGE025
，小于阈值初值
Figure 506117DEST_PATH_IMAGE024
的部分记为
Figure 244265DEST_PATH_IMAGE026
，根据上述公式（7）重新计算两个区域
Figure 357715DEST_PATH_IMAGE027
和
Figure 548525DEST_PATH_IMAGE028
的灰度均值
Figure 38412DEST_PATH_IMAGE029
和
Figure 381800DEST_PATH_IMAGE030
，将其与
Figure 931730DEST_PATH_IMAGE020
和
Figure 609836DEST_PATH_IMAGE021
进行比较，若值分别相同，则阈值为
Figure 637835DEST_PATH_IMAGE024
，若不相同则重复此步骤；
S34：依此类推，循环反复，直至两个区域的灰度均值不再因为分割阈值取值的不同而发生变化，则该分割阈值为计算得到二值图像的分割阈值；即若
Figure 84997DEST_PATH_IMAGE031
，则
Figure 805828DEST_PATH_IMAGE032
；r表示迭代次数；
利用上述方法最终得到的分割阈值获取所摄发电机集电环及碳刷图像的二值图像，然后基于所得到的二值图像，可以分别对集电环、碳刷及微小电火花进行轮廓检测。
在上述技术方案中，当对集电环进行识别时，首先，提取迭代阙值选择方法获取的图像中表征碳刷边界轮廓的一系列坐标点或者链码形式，边界表示二值图像中1像素连通域(黑色)和0像素连通域（白色)之间的边界；然后，提取出集电环的轴心信息，进而分析其轴心运行轨迹；边界轮廓包括图形的外层轮廓和孔洞轮廓，该方法能够提取出集电环的轴心信息，进而分析其轴心运行轨迹；
当对碳刷进行识别时，通过迭代阙值选择方法够获取其（即碳刷）在垂直和水平上的坐标信息，进而计算其（即碳刷）厚度；
当对微小电火花进行识别时，通过迭代阙值选择方法直接判断其（即：微小电火花）数目；
若出现打火和碳刷厚度不均匀分布的情况，需要发出超限预警；依据公式（８）对集电环-碳刷状态的预警等级（L）进行评估：
Figure 971230DEST_PATH_IMAGE033
（8）
其中，
Figure 802920DEST_PATH_IMAGE034
为集电环的轴心轨迹长度；
Figure 852391DEST_PATH_IMAGE035
为碳刷厚度；
Figure 744124DEST_PATH_IMAGE036
为微小电火花的数目；a、b、c分别表示集电环的轴心轨迹长度、碳刷厚度和微小电火花数目对于集电环-碳刷状态预警（L）等级的权重；（
Figure 396822DEST_PATH_IMAGE037
，
Figure 766623DEST_PATH_IMAGE038
）和（
Figure 188377DEST_PATH_IMAGE039
，
Figure 251011DEST_PATH_IMAGE040
）分别表示集电环轴心在前后两帧中识别出的坐标位置；
Figure 125426DEST_PATH_IMAGE041
，
Figure 564498DEST_PATH_IMAGE042
分别表示碳刷边界轮廓上位于不同纵坐标上的点的横坐标对。
在上述技术方案中，在步骤四中，采用BP神经网络对集电环的轴心信息和碳刷刷握力矩的关系进行分析的算法包括正向传播和反向传播两个过程，在正向传播过程中，外部数据由输入层进入BP网络，经过处理后进入到隐藏层，再经过隐藏层各层神经元的处理传向输出层，由输出层输出数据；
若经输出层输出的结果非理想输出，则进入反向传播过程，即将输出端的误差信号逐层向前反馈，以便修改隐藏层各层神经元的权重值，进而减少输出层的输出误差；
在M层神经网络中，设
Figure 591491DEST_PATH_IMAGE043
和
Figure 825026DEST_PATH_IMAGE044
分别表示第k层i个神经元总的输入和输出，
Figure 186737DEST_PATH_IMAGE045
表示k-1层第j个神经元对k层的第i个神经元的输入影响大小的权值；如果在输入与输出之间存在关系函数
Figure 898341DEST_PATH_IMAGE046
，且在输入层加上输入模式，则
Figure 294688DEST_PATH_IMAGE047
，
Figure 699124DEST_PATH_IMAGE048
和
Figure 548132DEST_PATH_IMAGE049
之间的关系可表达如下：
Figure 63426DEST_PATH_IMAGE050
（9）
若实际输出与预期输出存在一定的差异，则定义误差函数E为该差异的平方和，其计算方法如公式（10）所示：
Figure 330591DEST_PATH_IMAGE051
（10）
其中，
Figure 905929DEST_PATH_IMAGE052
和
Figure 242232DEST_PATH_IMAGE053
分别表示输出神经元的预期输出和实际输出；
为尽量控制输出误差，在BP神经网络中通过非线性系统中的最快下降法，沿着误差函数的负梯度方向对权重值进行修改，进而得到权值
Figure 561218DEST_PATH_IMAGE054
的更新量
Figure 666577DEST_PATH_IMAGE055
；
Figure 412816DEST_PATH_IMAGE056
（11）
其中，
Figure 970837DEST_PATH_IMAGE057
表示学习步长，其值大于0；设
Figure 844246DEST_PATH_IMAGE058
为实际输出与预期输出的误差值，经过推导可得BP神经网络的学习公式：
Figure 804112DEST_PATH_IMAGE059
（12）
基于上述BP神经网络学习方法，即可获取集电环的轴心信息和碳刷刷握力矩的关系，进而提供碳刷刷握力矩和更换的运行维护指提示。
在上述技术方案中，在步骤五中，采用W-LSTM预测模型实现对于集电环-碳刷状态的趋势分析的具体方法为：
预测模型将小波分析与LSTM网络相结合，首先基于小波分析对集电环轴心、碳刷厚度及微小电火花数目随时间变化的数据中具体特征差异的各分量进行分离，从而得到平稳序列以及在不同尺度上的非平稳序列；选取dbN小波序列4级分解，以每天多个时段上的集电环轴心、碳刷厚度及微小电火花数目数据作为一个分解序列，并进行特征分析；
然后结合LSTM网络实现水面水位高度的预测；LSTM网络是一种改进的时间循环神经网络，通过增加额外的遗忘门解决在模型训练中“梯度消失”的问题，其计算公式如下：
Figure 721252DEST_PATH_IMAGE060
(13)
Figure 32148DEST_PATH_IMAGE061
(14)
Figure 692936DEST_PATH_IMAGE062
(15)
Figure 507308DEST_PATH_IMAGE063
(16)
Figure 860929DEST_PATH_IMAGE064
(17)
Figure 393542DEST_PATH_IMAGE065
(18)
其中，
Figure 340245DEST_PATH_IMAGE066
和
Figure 274703DEST_PATH_IMAGE067
分别表示网络中遗忘门、输入门、输入节点、输出门、状态单元和中间输出的状态，
Figure 799225DEST_PATH_IMAGE068
和
Figure 553554DEST_PATH_IMAGE069
分别表示sigmoid函数变化和tanh函数变化，
Figure 821725DEST_PATH_IMAGE070
和
Figure 610689DEST_PATH_IMAGE071
分别表示与输入与中间输出相乘的矩阵权重，
Figure 40533DEST_PATH_IMAGE072
分别表示偏置项，
Figure 547738DEST_PATH_IMAGE073
表示各向量按元素相乘；
最后，通过实验法选取模型的层数以及各层神经元的数量，最终决定采用2层LSTM网络层和一个全连接层对未来的集电环轴心、碳刷厚度及微小电火花数目进行预测，进而实现对于集电环-碳刷状态的趋势分析，并发出预报预警。
采用本发明技术方案的优点及积极效果如下：
（1）以机器视觉方式实现对发电机集电环关键旋转部件的状态监测，解决目前尚无可靠、有效的在线监测方法、只能依靠人进入集电环室进行肉眼观测和判断集电环和碳刷之间的接触状态、不能实现实时监测、且监测误差大的问题；
（2）本发明通过多相机组合的机器视觉和人工智能算法，可在线识别和监测集电环和碳刷的接触状态，捕捉并定位任何微小的打火（电火花），识别测量碳刷的厚度分布，从而将原来只能定性、人为主观判断的集电环及碳刷状态变为定量、可视的参数判据；
（3）本发明能通过机器视觉获得目标对象的长期运行状态数据，从而可以提供状态趋势预报和超阙值预警；
（4）本发明的方法通过机器视觉的图像处理算法，能实现满足工程运行要求的测量精度，可大幅降低运行维护工作量，提升设备安全性，保障发电机安全稳定运行；
本发明的方法可在线监测集电环和碳刷的接触状态，发现并识别微小的接触电火花、测量大轴及集电环的轴心运行轨迹、识别碳刷的厚度及分布情况，并能通过状态趋势分析提出碳刷刷握紧固力及分布情况，进行打火和碳刷厚度不均匀分布的超限预警，从而有效的保证发电机集电环和碳刷的良好接触，避免集电环打火或过热对发电机运行的影响，保障发电机安全稳定运行。
附图说明
图1本发明中的发电机集电环与碳刷接触状态的平面示意图；
图2为本发明中的发电机集电环与碳刷接触状态的立面示意图；
图3为本发明中的发电机集电环与碳刷接触状态机器视觉检测平面示意图；
图4为本发明中的发电机集电环与碳刷接触状态机器视觉检测立面示意图；
图5为本发明机器视觉在线识别发电机集电环碳刷接触状态方法原理流程框图；
图6为本发明机器视觉识别发电机集电环碳刷接触状态的系统的结构框图；
在图1中，A1表示发电机主轴（为旋转部件）；A2为集电环（包括上集电环（＋正极）、下集电环（－负极），为旋转部件）；A3为碳刷；A4为碳刷刷握；
在图2中，A1表示发电机主轴（为旋转部件）；A21为发电机上集电环（为＋正极）；A22为发电机下集电环（为－负极）；A3为碳刷；A4为碳刷刷握；
在图3中，A1表示发电机主轴（为旋转部件）；A2为集电环（包括上集电环（＋正极）、下集电环（－负极），为旋转部件）；A3为碳刷；A4为碳刷刷握；A51为俯视角度的工业相机；A52为正视角度的工业相机（在上集电环（＋正极）、下集电环（－负极）处各设置一组工业相机）；A6为集电环旋转轴心偏移轨迹线（为倍数放大示意图）；
在图4中，A1表示发电机主轴（为旋转部件）；A2为集电环（包括上集电环（＋正极）、下集电环（－负极），为旋转部件）；A3为碳刷；A4为碳刷刷握；A51为俯视角度的工业相机；A52为正视角度的工业相机（在上集电环（＋正极）、下集电环（－负极）处各设置一组工业相机）；A6为集电环旋转轴心偏移轨迹线（为倍数放大示意图）。
具体实施方式
下面结合附图详细说明本发明的实施情况，但它们并不构成对本发明的限定，仅作举例而已。同时通过说明使本发明的优点更加清楚和容易理解。
本发明通过光学系统、图像采集模块、图像处理系统和基于机器视觉识别算法实现无接触、无内置传感器的集电环-碳刷状态高精度参数识别、高灵敏度微电火花捕捉、碳刷厚度分布情况和预报及超阙值预警；本发明通过W-LSTM预测模型进行状态趋势分析，提出碳刷刷握紧固力及分布情况，进行打火和碳刷厚度不均匀分布的超限预警；
本发明的机器视觉人工智能算法可精准识别发电机集电环和碳刷接触状态，全方位捕捉集电环和碳刷之间微小电火花；在该方法下，通过机器视觉人工智能算法可精准识别集电环和碳刷接触状态，全方位捕捉集电环和碳刷之间微小电火花；本发明通过位于大轴顶部集电环上方的俯视相机识别大轴（集电环）的轴心轨迹，通过算法得到碳刷刷握的紧固力矩分布，从而为保证碳刷和集电环之间的均衡良好接触提供精准的数值参考依据。
实施例：现以本发明试用于某水电站同步发电机组的集电环和碳刷接触状态监测为实施例对本发明进行详细说明，对本发明应用于其他集电环和碳刷接触状态监测同样具有指导作用。
本实施例采用本发明方法对某水电站同步发电机组的集电环和碳刷接触状态监测进行监测，具体实施方式如下：
首先，在位于大轴顶部集电环上方设置俯视相机，在集电环及碳刷周边设置侧视相机，可为1配4组合，即一个俯视相机，4个正交侧视相机；使集电环和碳刷的图像在标定相机视域范围内；对应相机镜头图像范围，设置LED光源补光（用于夜间照明），满足现场高清晰成像的照度要求；相机为工业级，1920像素×1080d像素，选用20fps帧率；采用图像采集卡用于上述工业级相机镜头获取的图像采集和预处理，数据接口根据上述分辨率和帧率所决定传输带宽选择USB3.0接口；
通过侧位相机和俯视相机的组合，识别大轴（集电环）的轴心轨迹，通过算法得到碳刷刷握的紧固力矩分布，为保证碳刷和集电环之间的均衡良好接触提供精准的数值参考依据；
同时，识别集电环周边所有各个碳刷的厚度变化趋势，结合微小电火花的识别，提供碳刷刷握力矩和更换的运行维护指提示，通过设置阙值预警，在碳刷的厚度不均匀度超过一定范围时，发出预警；
本发明的方法可在线监测集电环和碳刷的接触状态，发现并识别微小的接触电火花、测量大轴及集电环的轴心运行轨迹、识别碳刷的厚度及分布情况，并能通过状态趋势分析提出碳刷刷握紧固力及分布情况，进行打火和碳刷厚度不均匀分布的超限预警，从而有效的保证发电机集电环和碳刷的良好接触，避免集电环打火或过热对发电机运行的影响，保障发电机安全稳定运行；
当监测对象超过设定阙值时，发出预警信号；并根据状态参数在两个或多个时间序列上的△C（碳刷厚度变化量）/day、△C/week或△C/month以及对应的变化率△aC/day、△aC/week或△aC/month通过BP神经网络或SVMC（支持向量机）算法的机器深度学习输出集电环-碳刷状态的趋势分析，并发出预报预警；
本例△C、△aC根据在某水力发电厂的技术研究和实验运用，均采用0.1mm为基准参数，趋势分析按周（7天）、月（30天）输出，对应的检修周期（本例为发电机集电环碳刷）以6个月（180天）为基准单位；预警设定阈值为单个碳刷1.0mm/day、5.0mm/week、10.0mm/month；本发明在某水电站的运用大大提高了发电机关键旋转部件集电环及碳刷的运行状态稳定性，特别是趋势分析，能很好的预知关键设备的状态，对保证设备的安全稳定运行、指导电站的日常维护和高效运行具有重要的作用和意义；
首先，采用Kalman滤波对采集的发电机集电环及碳刷图像进行图像去噪处理；Kalman滤波的两个关键步骤分别是时间更新和测量更新：首先负责及时向前推算当前视频帧状态变量和误差协方差估计的值，以便为当前时间状态构造先验估计，后者负责反馈，进而将视频帧的先验估计和新的实际测量值结合以而构造改进的后验估计；此过程亦可成为预估和校正过程，原理可由数学表达式表示如下：
Figure 104753DEST_PATH_IMAGE001
（1）
Figure 748223DEST_PATH_IMAGE002
（2）
Figure 614548DEST_PATH_IMAGE003
（3）
Figure 343470DEST_PATH_IMAGE004
（4）
Figure 953443DEST_PATH_IMAGE005
（5）
公式（1）表示Kalman滤波的状态预测方程，公式（2）表示Kalman滤波在预测状态下的协方差方程，公式（3）表示Kalman滤波的滤波增益方程，公式（4）表示Kalman滤波的状态最优化估计方程，公式（5）表示Kalman滤波状态最优化估计的协方差方程；利用Kalman滤波对所摄发电机集电环及碳刷图像进行平滑时，其主要步骤包括：首先根据公式（3）计算测量更新的Kalman增益
Figure 716999DEST_PATH_IMAGE006
，然后假定初值
Figure 488646DEST_PATH_IMAGE007
和
Figure 970443DEST_PATH_IMAGE008
，然后结合在k时刻的实际测量值
Figure 134840DEST_PATH_IMAGE009
和公式（4），对于k时刻估计状态的后验估计
Figure 752903DEST_PATH_IMAGE010
进行递推计算，最后根据公式（5）对估计状态的后验协方差
Figure 695451DEST_PATH_IMAGE011
进行计算；
由于本发明需要对所摄发电机集电环及碳刷图像中的集电环轴心、碳刷厚度及微小电火花数目进行识别，且二者属于不同色系，因此需要基与迭代阈值选择方法对图像进行三次二值化，用于分别识别集电环轴心、碳刷厚度和微小电火花的数目；将获取的非二值图像转化为二值图像的迭代阈值选择算法，其具体实施步骤为：
1）选择近似阈值
Figure 398965DEST_PATH_IMAGE012
作为初值，其计算方式为对所摄发电机集电环及碳刷图像上所有位置的灰度值取加权平均；
Figure 350740DEST_PATH_IMAGE013
（6）
其中，
Figure 823310DEST_PATH_IMAGE014
表示图像上的所有像素点，
Figure 202339DEST_PATH_IMAGE015
表示第n个像素点上的灰度值，
Figure 143881DEST_PATH_IMAGE016
表示像素点在图像上的位置；
2）基于阈值初值将前述图像分割为两部分，图像中像素灰度值大于阈值初值
Figure 633768DEST_PATH_IMAGE017
的部分记为
Figure 226423DEST_PATH_IMAGE018
，小于阈值初值
Figure 776353DEST_PATH_IMAGE017
的部分记为
Figure 188880DEST_PATH_IMAGE019
，然后分别对两个区域
Figure 482458DEST_PATH_IMAGE018
和
Figure 929620DEST_PATH_IMAGE019
的灰度值取加权平均，得到其灰度均值
Figure 650452DEST_PATH_IMAGE020
和
Figure 575375DEST_PATH_IMAGE021
后，对其灰度均值取平均作为新的分割阈值
Figure 407065DEST_PATH_IMAGE022
；
Figure 708733DEST_PATH_IMAGE074
（7）
3）基于分割阈值
Figure 600466DEST_PATH_IMAGE024
将前述图像再次分割为两部分，图像中像素灰度值大于阈值初值
Figure 987585DEST_PATH_IMAGE024
的部分记为
Figure 622966DEST_PATH_IMAGE075
，小于阈值初值
Figure 44720DEST_PATH_IMAGE024
的部分记为
Figure 107354DEST_PATH_IMAGE026
，根据上述公式（7）重新计算两个区域
Figure 732501DEST_PATH_IMAGE076
和
Figure 905993DEST_PATH_IMAGE028
的灰度均值
Figure 182254DEST_PATH_IMAGE077
和
Figure 415789DEST_PATH_IMAGE030
，将其与上述
Figure 777500DEST_PATH_IMAGE078
和
Figure 754684DEST_PATH_IMAGE021
进行比较，若值分别相同，则阈值为
Figure 151030DEST_PATH_IMAGE024
，若不相同重复此步骤；
4）依此类推，循环反复，直至两个区域的灰度均值不再因为分割阈值取值的不同而发生变化，则该分割阈值为计算得到二值图像的分割阈值；即若
Figure 555467DEST_PATH_IMAGE031
，则
Figure 873315DEST_PATH_IMAGE032
；r表示迭代次数；利用上述方法最终得到的分割阈值获取所摄发电机集电环及碳刷图像的二值图像；然后基于所得到的二值图像，可以分别对集电环、碳刷及微小电火花进行轮廓检测；以集电环的识别为例，首先提取图像中表征碳刷边界轮廓的一系列坐标点或者链码形式，边界表示二值图像中1像素连通域(黑色)和0像素连通域（白色)之间的边界；边界轮廓包括图形的外层轮廓和孔洞轮廓，该方法能够提取出集电环的轴心信息，进而分析其轴心运行轨迹；
同样地，对于碳刷而言，采用该方法能够获取其在垂直和水平上的坐标信息，进而计算其厚度；对于微小电火花而言，采用该方法能够判断其数目；若出现打火和碳刷厚度不均匀分布的情况，需要发出超限预警；在本发明中，依据公式（8）对集电环-碳刷状态的预警等级（L）进行评估：
Figure 670501DEST_PATH_IMAGE033
（8）
其中，
Figure 655775DEST_PATH_IMAGE034
为集电环的轴心轨迹长度，
Figure 231113DEST_PATH_IMAGE035
为碳刷厚度，
Figure 301837DEST_PATH_IMAGE036
为微小电火花的数目，a、b、c分别表示集电环的轴心轨迹长度、碳刷厚度和微小电火花数目对于集电环-碳刷状态预警（L）等级的权重；（
Figure 620823DEST_PATH_IMAGE037
，
Figure 726182DEST_PATH_IMAGE038
）和（
Figure 472421DEST_PATH_IMAGE039
，
Figure 296021DEST_PATH_IMAGE040
）分别表示集电环轴心在前后两帧中识别出的坐标位置，
Figure 903851DEST_PATH_IMAGE041
，
Figure 129296DEST_PATH_IMAGE042
分别表示碳刷边界轮廓上位于不同纵坐标上的点的横坐标对；
本发明采用BP神经网络对集电环的轴心信息和碳刷刷握力矩的关系进行分析；该方法适用于多层网络，每一层都有多个神经元，可以对批量数据进行处理；第一层为输入层，最后一层为输出层；其算法包括正向传播和反向传播两个过程；在正向传播过程中，外部数据由输入层进入BP网络，经过处理后进入到隐藏层，再经过隐藏层各层神经元的处理传向输出层，由输出层输出数据；若经输出层输出的结果非理想输出，则进入反向传播过程，即将输出端的误差信号逐层向前反馈，以便修改隐藏层各层神经元的权重值，进而减少输出层的输出误差；在M层神经网络中，设
Figure 46436DEST_PATH_IMAGE043
和
Figure 91752DEST_PATH_IMAGE044
分别表示第k层i个神经元总的输入和输出，
Figure 752541DEST_PATH_IMAGE045
表示k-1层第j个神经元对k层的第i个神经元的输入影响大小的权值；如果在输入与输出之间存在关系函数
Figure 832492DEST_PATH_IMAGE046
，且在输入层加上输入模式，则
Figure 920534DEST_PATH_IMAGE047
，
Figure 453147DEST_PATH_IMAGE048
和
Figure 665429DEST_PATH_IMAGE049
之间的关系可表达如下：
Figure 599887DEST_PATH_IMAGE050
（9）
若实际输出与预期输出存在一定的差异，则定义误差函数E为该差异的平方和，其计算方法如公式（10）所示：
Figure 858830DEST_PATH_IMAGE051
（10）
其中，
Figure 878738DEST_PATH_IMAGE052
和
Figure 881329DEST_PATH_IMAGE053
分别表示输出神经元的预期输出和实际输出；为尽量控制输出误差，本发明在BP神经网络中借助非线性系统中的最快下降法，其具体思路是沿着误差函数的负梯度方向对权重值进行修改，进而得到权值
Figure 935873DEST_PATH_IMAGE079
的更新量
Figure 365717DEST_PATH_IMAGE055
；
Figure 872922DEST_PATH_IMAGE080
（11）
其中，
Figure 429936DEST_PATH_IMAGE081
表示学习步长，其值大于0；设
Figure 807828DEST_PATH_IMAGE082
为实际输出与预期输出的误差值，经过推导可得BP神经网络的学习公式：
Figure 674153DEST_PATH_IMAGE083
（12）
基于上述BP神经网络学习方法，即可获取集电环的轴心信息和碳刷刷握力矩的关系，进而提供碳刷刷握力矩和更换的运行维护指提示；
最后，基于所摄发电机集电环及碳刷图像进行视觉识别后获取的集电环轴心、碳刷厚度及微小电火花数目的大量数据，本发明采用W-LSTM预测模型实现对于集电环-碳刷状态的趋势分析；该预测模型将小波分析与LSTM网络相结合，首先基于小波分析对集电环轴心、碳刷厚度及微小电火花数目随时间变化的数据中具体特征差异的各分量进行分离，从而得到平稳序列以及在不同尺度上的非平稳序列；本发明选取dbN小波序列4级分解，以每天多个时段上的集电环轴心、碳刷厚度及微小电火花数目数据作为一个分解序列，并进行特征分析；然后结合LSTM网络实现水面水位高度的预测；LSTM网络是一种改进的时间循环神经网络，通过增加额外的遗忘门解决在模型训练中“梯度消失”的问题，其计算公式如下：
Figure 403075DEST_PATH_IMAGE060
(13)
Figure 13047DEST_PATH_IMAGE061
(14)
Figure 511025DEST_PATH_IMAGE062
(15)
Figure 548251DEST_PATH_IMAGE063
(16)
Figure 764469DEST_PATH_IMAGE064
(17)
Figure 912553DEST_PATH_IMAGE065
(18)
其中，
Figure 281349DEST_PATH_IMAGE066
和
Figure 489476DEST_PATH_IMAGE067
分别表示网络中遗忘门、输入门、输入节点、输出门、状态单元和中间输出的状态，
Figure 192990DEST_PATH_IMAGE068
和
Figure 144766DEST_PATH_IMAGE069
分别表示sigmoid函数变化和tanh函数变化，
Figure 617335DEST_PATH_IMAGE070
和
Figure 996364DEST_PATH_IMAGE071
分别表示与输入与中间输出相乘的矩阵权重，
Figure 187174DEST_PATH_IMAGE072
分别表示偏置项，
Figure 677061DEST_PATH_IMAGE073
表示各向量按元素相乘；本发明通过实验法选取模型的层数以及各层神经元的数量，最终决定采用2层LSTM网络层和一个全连接层对未来的集电环轴心、碳刷厚度及微小电火花数目进行预测，进而实现对于集电环-碳刷状态的趋势分析，并发出预报预警；
结论：本实施例采用本发明方法以机器视觉方式实现对发电机集电环关键旋转部件的状态监测，通过多相机组合的机器视觉和人工智能算法，可在线识别和监测集电环和碳刷的接触状态，捕捉并定位任何微小的打火（电火花），识别测量碳刷的厚度分布，从而将原来只能定性、人为主观判断的集电环及碳刷状态变为定量、可视的参数判据，且通过机器视觉获得目标对象的长期运行状态数据，从而可以提供状态趋势预报和超阙值预警，能实现满足工程运行要求的测量精度（本方法采用0.1mm为基准参数，优于现有技术），可大幅降低运行维护工作量，提升设备安全性，保障发电机安全稳定运行。
其它未说明的部分均属于现有技术。

Claims (9)

1.机器视觉识别发电机集电环碳刷接触状态的系统，其特征在于：包括光学系统、图像采集模块、图像处理系统和输出交互界面；
图像采集模块用于识别集电环和碳刷，获取集电环和碳刷的图片；
光学系统、图像采集模块、图像处理系统和输出交互界面依次连接；
图像处理系统包括图像采集卡、微小电火花机器识别及AI算法处理单元和深度学习单元；图像采集卡用于对图像采集模块获取的图像进行采集和预处理；
微小电火花机器识别及AI算法处理单元通过高速、高动态的机器视觉成像，高精度识别集电环和碳刷接触状态，全方位捕捉集电环和碳刷之间微小电火花；通过位于大轴顶部集电环上方的俯视相机识别大轴的轴心轨迹，通过算法得到碳刷刷握的紧固力矩分布，从而为保证碳刷和集电环之间的均衡良好接触提供精准的数值参考依据；同时，通过侧位相机和俯视相机的组合，识别集电环周边所有各个碳刷的厚度变化趋势，结合微小电火花的识别，提供碳刷刷握力矩和更换的运行维护指提示，通过设置阙值预警，在碳刷的厚度不均匀度超过一定范围时，发出预警；
当对集电环进行识别时，首先，提取迭代阙值选择方法获取的图像中表征碳刷边界轮廓的一系列坐标点或者链码形式，边界表示二值图像中1像素连通域和0像素连通域之间的边界；然后，提取出集电环的轴心信息，进而分析其轴心运行轨迹；边界轮廓包括图形的外层轮廓和孔洞轮廓，该方法能够提取出集电环的轴心信息，进而分析其轴心运行轨迹；
当对碳刷进行识别时，通过迭代阙值选择方法够获碳刷在垂直和水平上的坐标信息，进而计算碳刷厚度；
当对微小电火花进行识别时，通过迭代阙值选择方法直接判断微小电火花数目；
若出现打火和碳刷厚度不均匀分布的情况，需要发出超限预警；依据公式(8)对集电环-碳刷状态的预警等级L进行评估：
Figure FDA0004078519090000011
其中，Scr为集电环的轴心轨迹长度；Tcb为碳刷厚度；Nes为微小电火花的数目；a、b、c分别表示集电环的轴心轨迹长度、碳刷厚度和微小电火花数目对于集电环-碳刷状态预警L等级的权重；
Figure FDA0004078519090000021
和
Figure FDA0004078519090000022
分别表示集电环轴心在前后两帧中识别出的坐标位置；
Figure FDA0004078519090000023
分别表示碳刷边界轮廓上位于不同纵坐标上的点的横坐标对；
深度学习单元用于对实时获得的集电环和碳刷接触状态进行对比分析和深度学习，当发生突然变化趋势时，可对打火、碳刷失效这些现象进行智能识别和预报、预警；
输出交互界面用于对深度学习单元的状态输出和显示。
2.根据权利要求1所述的机器视觉识别发电机集电环碳刷接触状态的系统，其特征在于：光学系统包括补充照明用的专用光源。
3.根据权利要求2所述的机器视觉识别发电机集电环碳刷接触状态的系统，其特征在于：图像采集模块选用高分辨率、高帧率的多目工业级相机。
4.根据权利要求3所述的机器视觉识别发电机集电环碳刷接触状态的系统，其特征在于：输出交互界面选用趋势状态输出显示装置。
5.根据权利要求1-4中任一权利要求所述的机器视觉识别发电机集电环碳刷接触状态的系统的监测方法，其特征在于：包括如下步骤，
步骤一：通过机器视觉识别发电机集电环碳刷接触状态的系统的图像采集模块获取待测发电机集电环及碳刷图像；
步骤二：在图像采集卡上，基于Kalman滤波对采集的发电机集电环及碳刷图像进行图像去噪处理；
步骤三：在微小电火花机器识别及AI算法处理单元，基于迭代阙值选择方法分别识别集电环轴心、碳刷厚度和微小电火花的数目；
步骤四：在深度学习单元，采用BP神经网络分析集电环轴心信息和碳刷刷握力矩的关系，提供碳刷刷握力矩的运行维护提示；
步骤五：在深度学习单元，采用W-LSTM预测模型实现对于集电环-碳刷状态的趋势分析。
6.根据权利要求5所述的机器视觉识别发电机集电环碳刷接触状态的系统的监测方法，其特征在于：在步骤二中，采用Kalman滤波对采集的发电机集电环及碳刷图像进行去噪处理，具体方法为：
首先负责及时向前推算当前视频帧状态变量和误差协方差估计的值，以便为当前时间状态构造先验估计，进而将视频帧的先验估计和新的实际测量值结合以构造改进的后验估计，此过程亦成为预估和校正过程，由数学表达式表示如下：
Figure FDA0004078519090000031
Figure FDA0004078519090000032
Figure FDA0004078519090000033
Figure FDA0004078519090000034
Figure FDA0004078519090000035
其中，公式(1)表示Kalman滤波的状态预测方程；公式(2)表示Kalman滤波在预测状态下的协方差方程；公式(3)表示Kalman滤波的滤波增益方程；公式(4)表示Kalman滤波的状态最优化估计方程；公式(5)表示Kalman滤波状态最优化估计的协方差方程；
利用Kalman滤波对所摄发电机集电环及碳刷图像进行平滑时，具体方法为：首先根据公式(3)计算测量更新的Kalman增益Kk，然后假定初值
Figure FDA0004078519090000036
和p0，然后结合在k时刻的实际测量值Zk和公式(4)，对于k时刻估计状态的后验估计
Figure FDA0004078519090000037
进行递推计算，最后根据公式(5)对估计状态的后验协方差Pk进行计算。
7.根据权利要求6所述的机器视觉识别发电机集电环碳刷接触状态的系统的监测方法，其特征在于：在步骤三中，迭代阙值选择方法，具体为：
S31：选择近似阈值T0作为初值，其计算方式为对所摄发电机集电环及碳刷图像上所有位置的灰度值取加权平均；
Figure FDA0004078519090000038
其中，N表示图像上的所有像素点，Kn(i，j)表示第n个像素点上的灰度值，(i，j)表示像素点在图像上的位置；
S32：基于阈值初值将前述图像分割为两部分，图像中像素灰度值大于阈值初值T0的部分记为P1 1，小于阈值初值T0的部分记为P2 1，然后分别对两个区域P1 1和P2 1的灰度值取加权平均，得到其灰度均值
Figure FDA0004078519090000039
和
Figure FDA00040785190900000310
后，对灰度均值取平均作为新的分割阈值T1；
Figure FDA0004078519090000041
Figure FDA0004078519090000042
Figure FDA0004078519090000043
S33：基于分割阈值T1将前述图像再次分割为两部分，图像中像素灰度值大于阈值初值T1的部分记为P1 2，小于阈值初值T1的部分记为P2 2，根据上述公式(7)重新计算两个区域P1 2和P2 2的灰度均值G1 2和
Figure FDA0004078519090000044
并与步骤32中的
Figure FDA0004078519090000045
和
Figure FDA0004078519090000046
进行比较，若值分别相同，则阈值为T1，若不相同则重复此步骤；
S34：依此类推，循环反复，直至两个区域的灰度均值不再因为分割阈值取值的不同而发生变化，则该分割阈值为计算得到二值图像的分割阈值；即若
Figure FDA0004078519090000047
则T＝Tr-1；r表示迭代次数；
利用上述方法最终得到的分割阈值获取所摄发电机集电环及碳刷图像的二值图像，然后基于所得到的二值图像，分别对集电环、碳刷及微小电火花进行轮廓检测。
8.根据权利要求7所述的机器视觉识别发电机集电环碳刷接触状态的系统的监测方法，其特征在于：在步骤四中，采用BP神经网络对集电环的轴心信息和碳刷刷握力矩的关系进行分析的算法包括正向传播和反向传播两个过程，在正向传播过程中，外部数据由输入层进入BP网络，经过处理后进入到隐藏层，再经过隐藏层各层神经元的处理传向输出层，由输出层输出数据；
若经输出层输出的结果非理想输出，则进入反向传播过程，即将输出端的误差信号逐层向前反馈，以便修改隐藏层各层神经元的权重值，进而减少输出层的输出误差；
在M层神经网络中，设
Figure FDA0004078519090000048
和Vi k分别表示第k层i个神经元总的输入和输出，Wij表示k-1层第j个神经元对k层的第i个神经元的输入影响大小的权值；如果在输入与输出之间存在关系函数f(x)＝1/1+e-x，且在输入层加上输入模式，则
Figure FDA0004078519090000049
Vi k和Wij之间的关系表达如下：
Figure FDA00040785190900000410
若实际输出与预期输出存在一定的差异，则定义误差函数E为该差异的平方和，其计算方法如公式(10)所示：
Figure FDA0004078519090000051
其中，Yj和
Figure FDA0004078519090000052
分别表示输出神经元的预期输出和实际输出；
为控制输出误差，在BP神经网络中通过非线性系统中的最快下降法，沿着误差函数的负梯度方向对权重值进行修改，进而得到权值Wij的更新量ΔWij：
ΔWij＝εαE/ΔWij (11)
其中，ε表示学习步长，其值大于0；设
Figure FDA0004078519090000053
为实际输出与预期输出的误差值，经过推导可得BP神经网络的学习公式：
Figure FDA0004078519090000054
基于上述BP神经网络学习方法，获取集电环的轴心信息和碳刷刷握力矩的关系，进而提供碳刷刷握力矩和更换的运行维护指提示。
9.根据权利要求8所述的机器视觉识别发电机集电环碳刷接触状态的系统的监测方法，其特征在于：在步骤五中，采用W-LSTM预测模型实现对于集电环-碳刷状态的趋势分析的具体方法为：
预测模型将小波分析与LSTM网络相结合，首先基于小波分析对集电环轴心、碳刷厚度及微小电火花数目随时间变化的数据中具体特征差异的各分量进行分离，从而得到平稳序列以及在不同尺度上的非平稳序列；选取dbN小波序列4级分解，以每天多个时段上的集电环轴心、碳刷厚度及微小电火花数目数据作为一个分解序列，并进行特征分析；
然后结合LSTM网络实现水面水位高度的预测，计算公式如下：
ft＝σ(Wfxxt+Wfhht-1+bf) (13)
it＝σ(Wixxt+Wihht-1+bi) (14)
gt＝φ(Wgxxt+Wghht-1+bg) (15)
ot＝σ(Woxxt+Wohht-1+bo) (16)
St＝gt⊙xt+St-1⊙ft (17)
ht＝φ(St)⊙ot (18)
其中，ft，it，gt，ot，St和ht分别表示网络中遗忘门、输入门、输入节点、输出门、状态单元和中间输出的状态，σ和φ分别表示sigmoid函数变化和tanh函数变化，WfxWfh，Wix，Wih，Wgx，Wgh，Wox和分别表示与输入与中间输出相乘的矩阵权重，分别表示偏置项，表示各向量按元素相乘；
最后，通过实验法选取模型的层数以及各层神经元的数量，最终决定采用2层LSTM网络层和一个全连接层对未来的集电环轴心、碳刷厚度及微小电火花数目进行预测，进而实现对于集电环-碳刷状态的趋势分析，并发出预报预警。
CN202211683293.9A 2022-12-27 2022-12-27 机器视觉识别发电机集电环碳刷接触状态的系统及方法 Active CN115661154B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211683293.9A CN115661154B (zh) 2022-12-27 2022-12-27 机器视觉识别发电机集电环碳刷接触状态的系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211683293.9A CN115661154B (zh) 2022-12-27 2022-12-27 机器视觉识别发电机集电环碳刷接触状态的系统及方法

Publications (2)

Publication Number Publication Date
CN115661154A CN115661154A (zh) 2023-01-31
CN115661154B true CN115661154B (zh) 2023-03-28

Family

ID=85022682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211683293.9A Active CN115661154B (zh) 2022-12-27 2022-12-27 机器视觉识别发电机集电环碳刷接触状态的系统及方法

Country Status (1)

Country Link
CN (1) CN115661154B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116109599B (zh) * 2023-02-17 2024-06-11 湖北清江水电开发有限责任公司 一种发电机碳刷打火监测系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101819681B (zh) * 2009-12-16 2011-11-09 东南大学 权值自适应调整的加权平均背景更新方法
CN108334885A (zh) * 2018-02-05 2018-07-27 湖南航升卫星科技有限公司 一种视频卫星图像空间目标检测方法
CN114509173B (zh) * 2022-03-31 2023-04-18 东方电气集团东方电机有限公司 一种碳刷的温度监测模块及发电机的智能监测装置
CN114895159B (zh) * 2022-04-22 2024-08-06 三峡大学 水轮发电机碳刷/集电环界面间隙放电模拟试验装置及方法
CN115471501B (zh) * 2022-10-31 2023-10-13 长江勘测规划设计研究有限责任公司 利用机器视觉在线识别发电机气隙分布状态的方法及系统
CN115409741B (zh) * 2022-11-01 2023-02-28 长江勘测规划设计研究有限责任公司 一种利用河流表面色差测量泥沙含量的机器视觉识别方法
CN115493740B (zh) * 2022-11-14 2023-02-28 长江勘测规划设计研究有限责任公司 利用机器视觉测量水轮机内部流道压力脉动的方法及系统

Also Published As

Publication number Publication date
CN115661154A (zh) 2023-01-31

Similar Documents

Publication Publication Date Title
Haessig et al. Spiking optical flow for event-based sensors using ibm's truenorth neurosynaptic system
Tsin et al. Statistical calibration of CCD imaging process
JP6509027B2 (ja) 被写体追跡装置、光学機器、撮像装置、被写体追跡装置の制御方法、プログラム
CN115661154B (zh) 机器视觉识别发电机集电环碳刷接触状态的系统及方法
CN115471501B (zh) 利用机器视觉在线识别发电机气隙分布状态的方法及系统
CN106596579A (zh) 一种基于多光谱图像信息融合的绝缘子污秽状态检测方法
CN116309781B (zh) 一种基于跨模态融合的水下视觉目标测距方法及装置
CN112396635A (zh) 一种基于多设备的复杂环境下多目标检测方法
CN117895899B (zh) 一种光伏板清洁度检测方法及系统
Jia et al. Self-supervised person detection in 2D range data using a calibrated camera
CN116295847A (zh) 电力设备故障诊断系统及诊断方法
CN111767826A (zh) 一种定时定点场景异常检测方法
CN117149857A (zh) 一种基于深度学习的电气设备故障预警与自动化维护系统
Goyal et al. Photon-starved scene inference using single photon cameras
CN112598666A (zh) 一种基于卷积神经网络的电缆隧道异常检测方法
CN115493740B (zh) 利用机器视觉测量水轮机内部流道压力脉动的方法及系统
CN111582076A (zh) 一种基于像素运动智能感知的画面冻结检测方法
CN116739996A (zh) 基于深度学习的输电线路绝缘子故障诊断方法
CN113034465B (zh) 一种基于红外图像的电力设备热故障监测方法、装置及介质
CN113670268A (zh) 基于双目视觉的无人机和电力杆塔距离测量方法
CN113724274A (zh) 一种温度智能监测方法及系统
CN114723611B (zh) 图像重建模型训练方法、重建方法、装置、设备及介质
Qiu et al. Temperature Anomaly Location and Cable Equipment recognition with an Improved Convolutional Neural Network Method and Transfer Learning
Brander et al. Improving data-scarce image classification through multimodal synthetic data pretraining
Zhang et al. Motion detection for high-speed high-brightness objects based on a pulse array image sensor

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