CN115763167A - 固体柜断路器及其控制方法 - Google Patents
固体柜断路器及其控制方法 Download PDFInfo
- Publication number
- CN115763167A CN115763167A CN202211468378.5A CN202211468378A CN115763167A CN 115763167 A CN115763167 A CN 115763167A CN 202211468378 A CN202211468378 A CN 202211468378A CN 115763167 A CN115763167 A CN 115763167A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- circuit breaker
- scale
- classification
- feature
- 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.)
- Granted
Links
- 239000007787 solid Substances 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 333
- 238000012544 monitoring process Methods 0.000 claims abstract description 86
- 230000007246 mechanism Effects 0.000 claims abstract description 32
- 238000002955 isolation Methods 0.000 claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 26
- 230000005540 biological transmission Effects 0.000 claims abstract description 25
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 22
- 238000009826 distribution Methods 0.000 claims description 43
- 238000000605 extraction Methods 0.000 claims description 30
- 238000005457 optimization Methods 0.000 claims description 27
- 230000004927 fusion Effects 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 230000010354 integration Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 239000011800 void material Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 230000000712 assembly Effects 0.000 claims 1
- 238000000429 assembly Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000009413 insulation Methods 0.000 abstract description 5
- 230000007787 long-term memory Effects 0.000 abstract description 2
- 230000006403 short-term memory Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 239000000306 component Substances 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000007789 sealing Methods 0.000 description 3
- 238000009833 condensation Methods 0.000 description 2
- 230000005494 condensation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000016507 interphase Effects 0.000 description 2
- 230000006386 memory function Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及智能监控领域,其具体地公开了一种固体柜断路器及其控制方法,固体柜断路器包括有传动箱、断路器机构、隔离刀机构、三相绝缘极柱、隔离操作机构、断路器操作机构与开断性能自监控模块,开断性能自监控模块通过采用基于深度学习的深度神经网络模型作为特征提取器来捕捉分合操作监控视频的分合操作动态特征,再通过基于转换器的上下文编码器和双向长短期记忆神经网络模型来获取不同尺度下的分合操作图像语义的关联特征,融合两个尺度下的分合操作语义理解特征以得到分类特征向量,将分类特征向量通过分类器以得到分类结果,分类结果用于表示断路器的开断性能是否满足预定要求,提高了断路器对于其自身开断性能判断和监控的精准度。
Description
技术领域
本申请涉及智能监控领域,且更为具体地,涉及一种固体柜断路器及其控制方法。
背景技术
固体柜(全称为固体绝缘环网柜),是采用固体绝缘材料作为主绝缘介质的环网柜,其将真空灭弧室及其导电连接、隔离开关、接地开关、主母线、分支母线集成在一起。断路器是固体柜的核心部件之一。
现有的断路器多采用主轴转动方式,垂直布置。在进行分合操作时,主轴转动从而带动主轴上拐臂摆动,进而带动真空管动端动作,因为拐臂地摆动是带有弧度的,会连带真空管的动端做弧度运动,导致真空管产生弹跳,会降低开断性能。而一旦断路器的开断性能发生问题,会导致固体柜无法满足应用要求。针对上述问题,现有的解决方案为通过人工巡检来判断断路器的开断性能是否满足要求,这不仅费时、费力,且多次巡检是无意义的。
因此,期待一种优化的用于固体柜的断路器,其具有开断性能自监控模块,能够对其开断性能进行智能监控以及时提示更换或预警。
发明内容
为了解决上述技术问题,提出了本申请。
本申请的实施例提供了一种固体柜断路器及其控制方法,其通过采用基于深度学习的深度神经网络模型作为特征提取器来捕捉所述分合操作监控视频的分合操作动态特征,再通过基于转换器的上下文编码器和双向长短期记忆神经网络模型来获取不同尺度下的分合操作图像语义的关联特征,融合两个尺度下的分合操作语义理解特征以得到分类特征向量,继而,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示断路器的开断性能是否满足预定要求。这样,提高了断路器对于其自身开断性能判断和监控的精准度,以利于设备维护和故障预警。
根据本申请的一个方面,提供了一种固体柜断路器,其包括有开断性能自监控模块,所述开断性能自监控模块用于对断路器机构开断性能进行智能监控以及时提示更换或预警。
所述开断性能自监控模块包括:
监控模块,用于获取由部署于断路器机构内的摄像头采集的所述断路器的分合操作监控视频;
关键帧提取模块,用于提取所述分合操作监控视频中的多个分合操作关键帧;
关键帧图像特征提取模块,用于将所述多个分合操作关键帧中各个分合操作关键帧分别通过包含多个混合卷积层的卷积神经网络模型以得到多个分合操作特征向量;
第一分合操作动态理解模块,用于将所述多个分合操作特征向量通过基于转换器的上下文编码器以得到第一尺度分合操作语义理解特征向量;
第二分合操作动态理解模块,用于将所述多个分合操作特征向量通过双向长短期记忆神经网络模型以得到第二尺度分合操作语义理解特征向量;
多尺度融合模块,用于融合所述第一尺度分合操作语义理解特征向量和所述第二尺度分合操作语义理解特征向量以得到分类特征向量;
特征分布优化模块,用于对所述分类特征向量进行特征分布优化以得到优化分类特征向量;以及
监控结果生成模块,用于将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示断路器的开断性能是否满足预定要求。
在上述固体柜断路器中,所述关键帧提取模块,进一步用于以预定频率从所述分合操作监控视频中提取所述多个分合操作关键帧。
在上述固体柜断路器中,所述关键帧图像特征提取模块,包括:第一卷积分支单元,用于将所述多个分合操作关键帧中各个分合操作关键帧输入所述混合卷积层的第一卷积层以得到第一尺度分合操作特征向量,其中,所述第一卷积层使用具有第一尺寸的第一卷积核;第二卷积分支单元,用于将所述多个分合操作关键帧中各个分合操作关键帧输入所述混合卷积层的第二卷积层以得到第二尺度分合操作特征向量,其中,所述第二卷积层使用具有第一空洞率的第一空洞卷积核;第三卷积分支单元,用于将所述多个分合操作关键帧中各个分合操作关键帧输入所述混合卷积层的第三卷积层以得到第三尺度分合操作特征向量,其中,所述第三卷积层使用具有第二空洞率的第二空洞卷积核;第四卷积分支单元,用于将所述多个分合操作关键帧中各个分合操作关键帧输入所述混合卷积层的第四卷积层以得到第四尺度分合操作特征向量,其中,所述第四卷积层使用具有第三空洞率的第三空洞卷积核;多尺度特征融合单元,用于融合所述第一尺度分合操作特征向量、所述第二尺度分合操作特征向量、所述第三尺度分合操作特征向量和所述第四尺度分合操作特征向量以得到多个分合操作特征向量。
在上述固体柜断路器中,所述第一分合操作动态理解模块,包括:查询向量构造单元,用于将所述多个分合操作特征向量进行一维排列以得到全局分合操作特征向量;自注意单元,用于计算所述全局分合操作特征向量与所述多个分合操作特征向量中各个分合操作特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;标准化单元,用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;关注度计算单元,用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;注意力施加单元,用于分别以所述多个概率值中各个概率值作为权重对所述多个分合操作特征向量中各个分合操作特征向量进行加权以得到多个上下文语义分合操作特征向量;融合单元,用于将所述多个上下文语义分合操作特征向量进行级联以得到所述第一尺度分合操作语义理解特征向量。
在上述固体柜断路器中,所述多尺度融合模块,进一步用于:以如下公式来融合所述第一尺度分合操作语义理解特征向量和所述第二尺度分合操作语义理解特征向量以得到分类特征向量;其中,所述公式为:
V=Concat[V1,V2]
其中,V1表示所述第一尺度分合操作语义理解特征向量,V2表示所述第二尺度分合操作语义理解特征向量,Concat[·,·]表示级联函数,V表示所述分类特征向量。
在上述固体柜断路器中,所述特征分布优化模块,进一步用于:以如下公式对所述分类特征向量进行特征分布优化以得到优化分类特征向量;
其中,所述公式为:
其中μ和δ分别是特征集合的均值和标准差,且vi是所述分类特征向量的第i位置的特征值,vi∈V是特征集合。
在上述固体柜断路器中,所述监控结果生成模块,包括:全连接编码单元,用于使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码优化分类特征向量;以及,分类结果生成单元,用于将所述编码优化分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面,提供了一种固体柜断路器的控制方法,其包括:
获取由部署于断路器内的摄像头采集的所述断路器的分合操作监控视频;提取所述分合操作监控视频中的多个分合操作关键帧;将所述多个分合操作关键帧中各个分合操作关键帧分别通过包含多个混合卷积层的卷积神经网络模型以得到多个分合操作特征向量;将所述多个分合操作特征向量通过基于转换器的上下文编码器以得到第一尺度分合操作语义理解特征向量;将所述多个分合操作特征向量通过双向长短期记忆神经网络模型以得到第二尺度分合操作语义理解特征向量;融合所述第一尺度分合操作语义理解特征向量和所述第二尺度分合操作语义理解特征向量以得到分类特征向量;对所述分类特征向量进行特征分布优化以得到优化分类特征向量;以及将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示断路器的开断性能是否满足预定要求。
本申请的有益效果为:1.本申请通过将各电气部件以及主要回路设置在一体浇注的绝缘壳体内,有效提升绝缘性能,并且在各电气部件相联动易产生电弧的位置均设置屏蔽网,进一步提升绝缘性能,还能降低外部环境的影响,如避免潮湿空气进入,或者温差引起凝露;
2.本申请三相绝缘极柱各相为独立安装,避免相间绝缘问题,减少相间燃弧的隐患,并且更加容易实现规模化生产,便于装配、维修与维护;
3.本申请通过采用基于深度学习的深度神经网络模型作为特征提取器来捕捉所述分合操作监控视频的分合操作动态特征,再通过基于转换器的上下文编码器和双向长短期记忆神经网络模型来获取不同尺度下的分合操作图像语义的关联特征,融合两个尺度下的分合操作语义理解特征以得到分类特征向量,继而,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示断路器的开断性能是否满足预定要求。这样,提高了断路器对于其自身开断性能判断和监控的精准度,以利于设备维护和故障预警。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的固体柜断路器的应用场景图;图2为根据本申请实施例的固体柜断路器的示意图;图3为根据本申请实施例的固体柜断路器的部分示意图一;图4为根据本申请实施例的固体柜断路器的部分示意图二;图5为根据本申请实施例的固体柜断路器的局部示意图;图6为根据本申请实施例的固体柜断路器的部分示意图三;图7为根据本申请实施例的固体柜断路器的部分示意图四;图8为根据本申请实施例的固体柜断路器的框图;图9为根据本申请实施例的固体柜断路器的系统架构图;图10为根据本申请实施例的固体柜断路器中关键帧图像特征提取模块的框图;图11为根据本申请实施例的固体柜断路器中第一分合操作动态理解模块的框图;图12为根据本申请实施例的固体柜断路器的控制方法的流程图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如图1至图12所示,为本申请提供的一种实施例:
在本实施例中,一种固体柜断路器,其包括有传动箱1、断路器机构2与隔离刀机构3,所述传动箱1一侧连接有三相绝缘极柱4,另一侧连接有隔离操作机构5与断路器操作机构6,并且连接有隔离操作机构5与断路器操作机构6的一侧设置为操作面板,隔离操作机构5与断路器操作机构6可以采用本领域常用的机构,其中,隔离操作机构5包括有隔离操作主轴51,断路器操作机构6包括有断路器操作主轴61,隔离操作主轴51与断路器操作主轴61均一端伸入传动箱1内,每相绝缘极柱4均包括有一体浇注的绝缘壳体41,所述绝缘壳体41与传动箱1连接的端面设置有密封槽,所述密封槽内设置有密封圈401;所述断路器机构2包括设置在每个绝缘壳体41内的真空灭弧室21与断路器传动组件22以及设置在传动箱1内的断路器联动组件23,可以通过操作断路器操作机构6由断路器联动组件23联动至断路器传动组件22,实现与真空灭弧室21分断;所述隔离刀机构3包括有设置在每个绝缘壳体41内的隔离刀组件31和设置在传动箱1内的隔离刀联动组件32,通过操作隔离操作机构5由隔离刀联动组件32控制隔离刀组件31与不同触头进行电连接,而且三相绝缘极柱4各相为独立安装,避免相间绝缘问题,减少相间燃弧的隐患,并且更加容易实现规模化生产,便于装配、维修与维护。
所述断路器传动组件22包括有与真空灭弧室21连接的调节杆221和与调节杆221连接的绝缘拉杆222,所述断路器联动组件23包括有断路器主轴231以及设置在断路器主轴231上的第一拐臂232、第二拐臂233、第三拐臂234与第四拐臂235,所述第一拐臂232为三个分别与三相绝缘极柱4内的三个真空灭弧室21对应,所述第一拐臂232一端设置有万向头201,所述万向头201与绝缘拉杆222连接,所述第二拐臂233连接有拉簧202,所述拉簧202连接有拉杆203,所述拉杆203连接有固定块204且通过固定块204固定在传动箱1内,所述第三拐臂234连接有断路器调节杆205,所述断路器调节杆205与断路器操作主轴61连接,在转动断路器操作主轴61,通过断路器调节杆205与第三拐臂234带动断路器主轴231转动,再通过断路器主轴231上的各第一拐臂232拉动绝缘拉杆222与调节杆221;所述隔离刀联动组件32包括有与隔离刀组件31连接的隔离拉杆321、隔离主轴322以及设置在隔离主轴322上的第五拐臂323、第六拐臂324与第七拐臂325,所述第五拐臂323与隔离拉杆321连接,所述第六拐臂324连接有隔离调节杆326,所述隔离调节杆326与隔离操作主轴51连接,在隔离操作主轴51转动,通过隔离拉杆321与第六拐臂324带动隔离主轴322转动,再通过第五拐臂323与隔离拉杆321使得隔离刀组件31转动;所述第四拐臂235与第七拐臂325之间设置有缓冲器组件327。
所述真空灭弧室21下端连接有第一静触头7,所述断路器传动组件22软连接有进线导电杆8,所述隔离刀组件31包括有隔离刀底座311与铰接在隔离刀底座311上的隔离刀312,所述隔离刀底座311连接有出线导电杆9,所述传动箱1内对应每相绝缘极柱均设置有第二静触头10且各第二静触头10通过汇流排11连接,所述汇流排11上连接有接地排12,所述传动箱1设置有接地螺母121与接地排12连接,所述第二静触头10伸入绝缘壳体41内,所述隔离刀312可于第一静触头7与第二静触头10之间转动,所述绝缘壳体41浇注在进线导电杆8与出线导电杆9外部,并且在连接处均设置有第一屏蔽网13,第一屏蔽网13为环形,并且设置有定位柱,在其与绝缘壳体41浇注时进行定位;所述出线导电杆9与隔离刀组件31连接处设置有第二屏蔽网14,所述隔离刀312与第一静触头8联动处设置有第三屏蔽网15,所述真空灭弧室21与断路器传动组件22联动处设置有第四屏蔽网16,通过将各电气部件以及主要回路设置在一体浇注的绝缘壳体内,有效提升绝缘性能,并且在各电气部件相联动易产生电弧的位置均设置屏蔽网,进一步提升绝缘性能,还能降低外部环境的影响,如避免潮湿空气进入,或者温差引起凝露。
为了进一步改进上述固体柜断路器,如技术背景所言,一旦断路器的开断性能发生问题,会导致固体柜无法满足应用要求。针对上述问题,现有的解决方案为通过人工巡检来判断断路器的开断性能是否满足要求,这不仅费时、费力,且多次巡检是无意义的。因此,期待一种优化的用于固体柜的断路器,其具有开断性能自监控模块,能够对其开断性能进行智能监控以及时提示更换或预警。
相应地,在本申请的技术方案中,本申请的申请人发现当所述断路器的开断性能发生变化时,其会在分合操作中得到体现,例如,分合操作中主轴上拐臂的弧度发生变化、动作速度发生变化等,因此,在本申请的技术方案中,期待基于所述断路器的分合操作监控视频来构建断路器开断性能自监测方案。
因此,本申请中断路器机构还包括有开断性能自监控模块,所述开断性能自监控模块用于对断路器机构开断性能进行智能监控以及时提示更换或预警。
具体地,首先获取由部署于断路器机构内的摄像头采集的所述断路器的分合操作监控视频。也就是,在结构层面对所述断路器进行改进,将摄像头集成于所述断路器内。接着,以深度神经网络模型作为特征提取器来捕捉所述分合操作监控视频的分合操作动态特征。但是在进行视频处理是,发现在所述分合操作监控视频的连续图像帧序列中,许多图像帧是重复的或者是高度相似的,造成了信息冗余,增加后续模型计算量。针对这一技术问题,在本申请的技术方案中,在将所述提取所述分合操作监控视频输入网络前,先从所述分合操作监控视频中提取多个分合操作关键帧。例如,在本申请一个具体的实例中,以预定采样频率对所述分合操作监控视频进行采样处理以得到所述多个分合操作关键帧。
接着,将所述多个分合操作关键帧中各个分合操作关键帧分别通过包含多个混合卷积层的卷积神经网络模型以得到多个分合操作特征向量。也就是,在本申请的技术方案中,以在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉各个分合操作关键帧中的高维图像局部特征。特别地,为了使得图像特征提取更为丰富且具有更多尺度,在本申请的技术方案中,对所述卷积神经网络模型的各层结构进行优化,具体地,将所述卷积神经网络模型的各层结构调整为混合卷积层。
混合卷积层(mixed convolution layer,MCL)中,此模块的设计包括并联的四个分支,由一个卷积核大小为3×3的普通卷积层以及三个卷积核大小为3×3的空洞卷积层构成,分别对输入数据进行操作,将空洞卷积三个分支的扩张率分别设置为2、3、4,通过不同扩张率的设置可获得不同感受域的图像信息,即可得到不同尺度的特征图,在扩大感受野的同时,又避免了下采样损失信息,接着将4个分支特征图进行融合,使得采样更为密集,既拥有了高层特征,也没有增加额外的参数量。
在得到所述多个分合操作关键帧的多个分合操作特征向量,即,所述分合操作监控视频的离散化分合操作特征向量的时序分布集合,将所述多个分合操作特征向量通过基于转换器的上下文编码器以得到第一尺度分合操作语义理解特征向量。这里,所述基于转换器(transformer)的上下文编码器能够基于转换器结构对所述多个分合操作特征向量进行基于所述多个分合操作特征向量的全局的上下文语义编码以得到所述多个分合操作特征向量中各个分合操作特征向量的上下文语义关联信息,以得到多个上下文分合操作语义理解特征向量,并将所述多个上下文分合操作语义理解特征向量进行级联以得到所述第一尺度分合操作语义理解特征向量。
应可以理解,虽然所述基于转换器的上下文编码器能够得到各个分合操作特征向量的上下文关联信息,即,提取各个分合操作特征向量的长距离依赖信息,但是其在各个分合操作特征向量的局部邻域特征提取方面具有劣势,即,无法充分提取相邻帧的分合操作关键帧之间的局部关联信息。应可以理解,在一个分合操作中,相邻帧之间的上下文语义的关联度显然要高于距离多个帧之间的两个图像帧之间的上下文语义关联度。
因此,在本申请的技术方案中,进一步将所述多个分合操作特征向量通过双向长短期记忆神经网络模型以得到第二尺度分合操作语义理解特征向量。这里,长短期记忆神经网络(LSTM)是为了解决传统循环神经网络(RNN)的梯度消失问题而提出的,其基本单元是一种多组神经元的结构,称为细胞,其分别称三个控制门f、i、o为遗忘门、输入门和输出门,对三个控制门的参数进行合理设置,就可以实现LSTM的记忆功能,核心计算公式如下所示:
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi.[ht-1,xt]+bi)
Ot=σ(W0.[ht--1,xt]+bo)
ht=Ot.tanh(ct)
其中,f、i、o、t、o、h、c、W、b分别表示遗忘、Sigmoid激活函数、输入、时间步长、输出层、隐含层、单元状态、权重矩阵、偏差。为了满足提取信息的完整性,业内主流将细胞结构采用双向连接的形式,构成双向长短期记忆神经网络(BiLSTM)。
然后,融合所述第一尺度分合操作语义理解特征向量和所述第二尺度分合操作语义理解特征向量以得到分类特征向量。在本申请一个具体的示例中,以级联的方式来融合所述第一尺度分合操作语义理解特征向量和所述第二尺度分合操作语义理解特征向量。继而,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示断路器的开断性能是否满足预定要求。
特别地,在本申请的技术方案中,对于通过基于转换器的上下文编码器得到的所述第一尺度分合操作语义理解特征向量和通过双向长短期记忆神经网络模型得到的所述第二尺度分合操作语义理解特征向量,优选地通过特征向量级联的方式进行融合,以尽可能充分地利用不同尺度下的分合操作图像语义的关联特征。但是,这将会导致融合后得到的所述分类特征向量的聚类效果变差,从而影响分类效果。
由此,本申请的申请人考虑到在所述分类特征向量中,尽量所述第一尺度分合操作语义理解特征向量和所述第二尺度分合操作语义理解特征向量代表不同尺度下的分合操作图像语义的关联特征,但是其在尺度下仍然有重合,这就使得融合后得到的所述分类特征向量的特征值分布会呈现自然状态下的高斯分布,即在重合尺度下的特征分布具有最高的概率密度,而各自尺度下的特征分布的关联均具有较低的概率密度。因此,基于这种遵循高斯点分布的高频分布特征可以对所述分类特征向量进行特征聚类的去聚焦模糊优化,表示为:
μ和δ分别是特征集合vi∈V的均值和标准差,且vi是所述分类特征向量V的第i位置的特征值。
所述特征聚类的去聚焦模糊优化通过将用于估计聚类度量值的聚焦堆栈表示进行基于统计信息的特征聚类索引,来补偿遵循高斯点分布的高频分布特征相对于整体特征分布的均一化表示的依赖相似度,从而避免由于该依赖相似度低而引起整体特征分布的聚焦模糊,这样,就提升了所述分类特征向量的分类效果。也就是,提高断路器对于其自身开断性能判断和监控的精准度,以利于设备维护和故障预警。
基于此,本申请提出了一种具有开断性能自监控模块的固体柜断路器,其还包括:监控模块,用于获取由部署于断路器内的摄像头采集的所述断路器的分合操作监控视频;关键帧提取模块,用于提取所述分合操作监控视频中的多个分合操作关键帧;关键帧图像特征提取模块,用于将所述多个分合操作关键帧中各个分合操作关键帧分别通过包含多个混合卷积层的卷积神经网络模型以得到多个分合操作特征向量;第一分合操作动态理解模块,用于将所述多个分合操作特征向量通过基于转换器的上下文编码器以得到第一尺度分合操作语义理解特征向量;第二分合操作动态理解模块,用于将所述多个分合操作特征向量通过双向长短期记忆神经网络模型以得到第二尺度分合操作语义理解特征向量;多尺度融合模块,用于融合所述第一尺度分合操作语义理解特征向量和所述第二尺度分合操作语义理解特征向量以得到分类特征向量;特征分布优化模块,用于对所述分类特征向量进行特征分布优化以得到优化分类特征向量;以及,监控结果生成模块,用于将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示断路器的开断性能是否满足预定要求。
图1为根据本申请实施例的固体柜断路器的应用场景图。如图1所示,在该应用场景中,通过部署于断路器内的摄像头获取断路器(例如,如图1中所示意的B)的分合操作监控视频。然后,将所述监控视频输入至部署有用于固体柜断路器控制算法的服务器(例如,图1中的S)中,其中,所述服务器能够以所述固体柜断路器控制算法对上述输入的监控视频进行处理以生成用于表示断路器的开断性能是否满足预定要求的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图8为根据本申请实施例的固体柜断路器的框图。如图8所示,根据本申请实施例的固体柜断路器300,包括:监控模块310;关键帧提取模块320,用于提取所述分合操作监控视频中的多个分合操作关键帧;关键帧图像特征提取模块330;第一分合操作动态理解模块340;第二分合操作动态理解模块350;多尺度融合模块360;特征分布优化模块370;以及,监控结果生成模块380。
其中,所述监控模块310,用于获取由部署于断路器内的摄像头采集的所述断路器的分合操作监控视频;所述关键帧提取模块320,用于提取所述分合操作监控视频中的多个分合操作关键帧;所述关键帧图像特征提取模块330,用于将所述多个分合操作关键帧中各个分合操作关键帧分别通过包含多个混合卷积层的卷积神经网络模型以得到多个分合操作特征向量;所述第一分合操作动态理解模块340,用于将所述多个分合操作特征向量通过基于转换器的上下文编码器以得到第一尺度分合操作语义理解特征向量;所述第二分合操作动态理解模块350,用于将所述多个分合操作特征向量通过双向长短期记忆神经网络模型以得到第二尺度分合操作语义理解特征向量;所述多尺度融合模块360,用于融合所述第一尺度分合操作语义理解特征向量和所述第二尺度分合操作语义理解特征向量以得到分类特征向量;所述特征分布优化模块370,用于对所述分类特征向量进行特征分布优化以得到优化分类特征向量;以及,所述监控结果生成模块380,用于将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示断路器的开断性能是否满足预定要求。
图9为根据本申请实施例的固体柜断路器的系统架构图。如图9所示,在该网络架构中,首先通过所述监控模块310获取由部署于断路器内的摄像头采集的所述断路器的分合操作监控视频;所述关键帧提取模块320提取所述监控模块310获取的分合操作监控视频中的多个分合操作关键帧;接着,所述关键帧图像特征提取模块330将所述关键帧提取模块320提取的多个分合操作关键帧中各个分合操作关键帧分别通过包含多个混合卷积层的卷积神经网络模型以得到多个分合操作特征向量;所述第一分合操作动态理解模块340将所述关键帧图像特征提取模块330得到的多个分合操作特征向量通过基于转换器的上下文编码器以得到第一尺度分合操作语义理解特征向量;同时,所述第二分合操作动态理解模块350将所述关键帧图像特征提取模块330得到的多个分合操作特征向量通过双向长短期记忆神经网络模型以得到第二尺度分合操作语义理解特征向量;然后,所述多尺度融合模块360融合所述第一分合操作动态理解模块340得到的第一尺度分合操作语义理解特征向量和所述第二分合操作动态理解模块350得到的第二尺度分合操作语义理解特征向量以得到分类特征向量;所述特征分布优化模块370对所述多尺度融合模块360得到的分类特征向量进行特征分布优化以得到优化分类特征向量;进而,所述监控结果生成模块380将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示断路器的开断性能是否满足预定要求。
具体地,在所述固体柜断路器300的运行过程中,所述监控模块310,用于获取由部署于断路器内的摄像头采集的所述断路器的分合操作监控视频。在本申请的技术方案中,本申请的申请人发现当所述断路器的开断性能发生变化时,其会在分合操作中得到体现,例如,分合操作中主轴上拐臂的弧度发生变化、动作速度发生变化等,因此,在本申请的技术方案中,通过由部署于断路器内的摄像头采集的所述断路器的分合操作监控视频来进行对断路器开断性能的监测,在本申请的一个具体示例中,在结构层面对所述断路器进行改进,将摄像头集成于所述断路器内。
具体地,在所述固体柜断路器300的运行过程中,所述关键帧提取模块320,用于提取所述分合操作监控视频中的多个分合操作关键帧。以深度神经网络模型作为特征提取器来捕捉所述分合操作监控视频的分合操作动态特征。但是在进行视频处理是,发现在所述分合操作监控视频的连续图像帧序列中,许多图像帧是重复的或者是高度相似的,造成了信息冗余,增加后续模型计算量。针对这一技术问题,在本申请的技术方案中,在将所述提取所述分合操作监控视频输入网络前,先从所述分合操作监控视频中提取多个分合操作关键帧。例如,在本申请一个具体的实例中,以预定采样频率对所述分合操作监控视频进行采样处理以得到所述多个分合操作关键帧。
具体地,在所述固体柜断路器300的运行过程中,所述关键帧图像特征提取模块330,用于将所述多个分合操作关键帧中各个分合操作关键帧分别通过包含多个混合卷积层的卷积神经网络模型以得到多个分合操作特征向量。在本申请的技术方案中,以在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉各个分合操作关键帧中的高维图像局部特征。特别地,为了使得图像特征提取更为丰富且具有更多尺度,在本申请的技术方案中,对所述卷积神经网络模型的各层结构进行优化,具体地,将所述卷积神经网络模型的各层结构调整为混合卷积层。应可以理解,混合卷积层(mixedconvolution layer,MCL)中,此模块的设计包括并联的四个分支,由一个卷积核大小为3×3的普通卷积层以及三个卷积核大小为3×3的空洞卷积层构成,分别对输入数据进行操作,将空洞卷积三个分支的扩张率分别设置为2、3、4,通过不同扩张率的设置可获得不同感受域的图像信息,即可得到不同尺度的特征图,在扩大感受野的同时,又避免了下采样损失信息,接着将4个分支特征图进行融合,使得采样更为密集,既拥有了高层特征,也没有增加额外的参数量。更具体地,将所述多个分合操作关键帧中各个分合操作关键帧输入所述混合卷积层的第一卷积层、第二卷积层、第三卷积层、以及第四卷积层以得到第一尺度分合操作特征向量、第二尺度分合操作特征向量、第三尺度分合操作特征向量、以及第四尺度分合操作特征向量,进而融合所述第一尺度分合操作特征向量、第二尺度分合操作特征向量、第三尺度分合操作特征向量、以及第四尺度分合操作特征向量以得到多个分合操作特征向量。
图10为根据本申请实施例的固体柜断路器中关键帧图像特征提取模块的框图。如图10所示,所述关键帧图像特征提取模块330,包括:第一卷积分支单元331,用于将所述多个分合操作关键帧中各个分合操作关键帧输入所述混合卷积层的第一卷积层以得到第一尺度分合操作特征向量,其中,所述第一卷积层使用具有第一尺寸的第一卷积核;第二卷积分支单元332,用于将所述多个分合操作关键帧中各个分合操作关键帧输入所述混合卷积层的第二卷积层以得到第二尺度分合操作特征向量,其中,所述第二卷积层使用具有第一空洞率的第一空洞卷积核;第三卷积分支单元333,用于将所述多个分合操作关键帧中各个分合操作关键帧输入所述混合卷积层的第三卷积层以得到第三尺度分合操作特征向量,其中,所述第三卷积层使用具有第二空洞率的第二空洞卷积核;第四卷积分支单元334,用于将所述多个分合操作关键帧中各个分合操作关键帧输入所述混合卷积层的第四卷积层以得到第四尺度分合操作特征向量,其中,所述第四卷积层使用具有第三空洞率的第三空洞卷积核;多尺度特征融合单元335,用于融合所述第一尺度分合操作特征向量、所述第二尺度分合操作特征向量、所述第三尺度分合操作特征向量和所述第四尺度分合操作特征向量以得到多个分合操作特征向量。其中,在一个具体示例中,所述第一卷积神经网络包括相互级联的多个神经网络层,其中各个神经网络层包括卷积层、池化层和激活层。其中,在所述卷积神经网络的编码过程中,所述卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
具体地,在所述固体柜断路器300的运行过程中,所述第一分合操作动态理解模块340,用于将所述多个分合操作特征向量通过基于转换器的上下文编码器以得到第一尺度分合操作语义理解特征向量。应可以理解,在得到所述多个分合操作关键帧的多个分合操作特征向量,即,所述分合操作监控视频的离散化分合操作特征向量的时序分布集合,将所述多个分合操作特征向量通过基于转换器的上下文编码器以得到第一尺度分合操作语义理解特征向量。这里,所述基于转换器(transformer)的上下文编码器能够基于转换器结构对所述多个分合操作特征向量进行基于所述多个分合操作特征向量的全局的上下文语义编码以得到所述多个分合操作特征向量中各个分合操作特征向量的上下文语义关联信息,以得到多个上下文分合操作语义理解特征向量,并将所述多个上下文分合操作语义理解特征向量进行级联以得到所述第一尺度分合操作语义理解特征向量。其中所述将多个上下文分合操作语义理解特征向量进行级联以得到所述第一尺度分合操作语义理解特征向量,包括:以如下公式将多个上下文分合操作语义理解特征向量进行级联以得到所述第一尺度分合操作语义理解特征向量;其中,所述公式为:
Vc=Concat[Va1,Va2,…,Van]
其中,Va1,Va2,...,Van表示所述第一尺度分合操作语义理解特征向量,Concat[,]表示级联函数,Vc表示所述第一尺度分合操作语义理解特征向量。
图11为根据本申请实施例的固体柜断路器中第一分合操作动态理解模块的框图。如图11所示,所述第一分合操作动态理解模块340,包括:查询向量构造单元341,用于将所述多个分合操作特征向量进行一维排列以得到全局分合操作特征向量;自注意单元342,用于计算所述全局分合操作特征向量与所述多个分合操作特征向量中各个分合操作特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;标准化单元343,用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;关注度计算单元344,用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;注意力施加单元345,用于分别以所述多个概率值中各个概率值作为权重对所述多个分合操作特征向量中各个分合操作特征向量进行加权以得到多个上下文语义分合操作特征向量;融合单元346,用于将所述多个上下文语义分合操作特征向量进行级联以得到所述第一尺度分合操作语义理解特征向量。
具体地,在所述固体柜断路器300的运行过程中,所述第二分合操作动态理解模块350,用于将所述多个分合操作特征向量通过双向长短期记忆神经网络模型以得到第二尺度分合操作语义理解特征向量。应可以理解,虽然所述基于转换器的上下文编码器能够得到各个分合操作特征向量的上下文关联信息,即,提取各个分合操作特征向量的长距离依赖信息,但是其在各个分合操作特征向量的局部邻域特征提取方面具有劣势,即,无法充分提取相邻帧的分合操作关键帧之间的局部关联信息。应可以理解,在一个分合操作中,相邻帧之间的上下文语义的关联度显然要高于距离多个帧之间的两个图像帧之间的上下文语义关联度。因此,在本申请的技术方案中,进一步将所述多个分合操作特征向量通过双向长短期记忆神经网络模型以得到第二尺度分合操作语义理解特征向量。这里,长短期记忆神经网络(LSTM)是为了解决传统循环神经网络(RNN)的梯度消失问题而提出的,其基本单元是一种多组神经元的结构,称为细胞,其分别称三个控制门f、i、o为遗忘门、输入门和输出门,对三个控制门的参数进行合理设置,就可以实现LSTM的记忆功能,核心计算公式如下所示:
ft=σ(Wf.[ht-1,xt]+bf)
it=σ(Wi.[ht-1,xt]+bi)
Ot=σ(W0·[ht-1,xt]+bo)
ht=Ot·tanh(ct)
其中,f、i、o、t、o、h、c、W、b分别表示遗忘、Sigmoid激活函数、输入、时间步长、输出层、隐含层、单元状态、权重矩阵、偏差。为了满足提取信息的完整性,业内主流将细胞结构采用双向连接的形式,构成双向长短期记忆神经网络(BiLSTM)。
具体地,在所述固体柜断路器300的运行过程中,所述多尺度融合模块360,用于融合所述第一尺度分合操作语义理解特征向量和所述第二尺度分合操作语义理解特征向量以得到分类特征向量。在本申请一个具体的示例中,以级联的方式来融合所述第一尺度分合操作语义理解特征向量和所述第二尺度分合操作语义理解特征向量。继而,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示断路器的开断性能是否满足预定要求。更具体地,以如下公式来融合所述第一尺度分合操作语义理解特征向量和所述第二尺度分合操作语义理解特征向量以得到分类特征向量;
其中,所述公式为:
V=Concat[V1,V2]
其中,V1表示所述第一尺度分合操作语义理解特征向量,V2表示所述第二尺度分合操作语义理解特征向量,Concat[·,·]表示级联函数,V表示所述分类特征向量。
具体地,在所述固体柜断路器300的运行过程中,所述特征分布优化模块370,用于对所述分类特征向量进行特征分布优化以得到优化分类特征向量。特别地,在本申请的技术方案中,对于通过基于转换器的上下文编码器得到的所述第一尺度分合操作语义理解特征向量和通过双向长短期记忆神经网络模型得到的所述第二尺度分合操作语义理解特征向量,优选地通过特征向量级联的方式进行融合,以尽可能充分地利用不同尺度下的分合操作图像语义的关联特征。但是,这将会导致融合后得到的所述分类特征向量的聚类效果变差,从而影响分类效果。
由此,本申请的申请人考虑到在所述分类特征向量中,尽量所述第一尺度分合操作语义理解特征向量和所述第二尺度分合操作语义理解特征向量代表不同尺度下的分合操作图像语义的关联特征,但是其在尺度下仍然有重合,这就使得融合后得到的所述分类特征向量的特征值分布会呈现自然状态下的高斯分布,即在重合尺度下的特征分布具有最高的概率密度,而各自尺度下的特征分布的关联均具有较低的概率密度。因此,基于这种遵循高斯点分布的高频分布特征可以对所述分类特征向量进行特征聚类的去聚焦模糊优化,表示为:
μ和δ分别是特征集合vi∈V的均值和标准差,且vi是所述分类特征向量V的第i位置的特征值。
所述特征聚类的去聚焦模糊优化通过将用于估计聚类度量值的聚焦堆栈表示进行基于统计信息的特征聚类索引,来补偿遵循高斯点分布的高频分布特征相对于整体特征分布的均一化表示的依赖相似度,从而避免由于该依赖相似度低而引起整体特征分布的聚焦模糊,这样,就提升了所述分类特征向量的分类效果。也就是,提高断路器对于其自身开断性能判断和监控的精准度,以利于设备维护和故障预警。
具体地,在所述固体柜断路器300的运行过程中,所述监控结果生成模块380,用于将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示断路器的开断性能是否满足预定要求。在本申请的技术方案中,所述所述监控结果生成模块,包括:全连接编码单元,用于使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码优化分类特征向量;以及,分类结果生成单元,用于将所述编码优化分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。在本申请的一个具体示例中,将所述优化分类特征向量通过分类器以得到分类结果,包括:使用所述分类器以如下公式对所述优化分类特征向量进行处理以获得分类结果,其中,所述公式为:O=softmax{(Wn,Bn):...:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为优化分类特征向量。其中,所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。
综上,根据本申请实施例的固体柜断路器300被阐明,其通过采用基于深度学习的深度神经网络模型作为特征提取器来捕捉所述分合操作监控视频的分合操作动态特征,再通过基于转换器的上下文编码器和双向长短期记忆神经网络模型来获取不同尺度下的分合操作图像语义的关联特征,融合两个尺度下的分合操作语义理解特征以得到分类特征向量,继而,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示断路器的开断性能是否满足预定要求。这样,提高了断路器对于其自身开断性能判断和监控的精准度,以利于设备维护和故障预警。
如上所述,根据本申请实施例的固体柜断路器可以实现在各种终端设备中。在一个示例中,根据本申请实施例的固体柜断路器300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该固体柜断路器300可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该固体柜断路器300同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该固体柜断路器300与该终端设备也可以是分立的设备,并且该固体柜断路器300可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图12为根据本申请实施例的固体柜断路器的控制方法的流程图。如图12所示,根据本申请实施例的固体柜断路器的控制方法,包括步骤:S110,获取由部署于断路器内的摄像头采集的所述断路器的分合操作监控视频;S120,提取所述分合操作监控视频中的多个分合操作关键帧;S130,将所述多个分合操作关键帧中各个分合操作关键帧分别通过包含多个混合卷积层的卷积神经网络模型以得到多个分合操作特征向量;S140,将所述多个分合操作特征向量通过基于转换器的上下文编码器以得到第一尺度分合操作语义理解特征向量;S150,将所述多个分合操作特征向量通过双向长短期记忆神经网络模型以得到第二尺度分合操作语义理解特征向量;S160,融合所述第一尺度分合操作语义理解特征向量和所述第二尺度分合操作语义理解特征向量以得到分类特征向量;S170,对所述分类特征向量进行特征分布优化以得到优化分类特征向量;以及,S180,将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示断路器的开断性能是否满足预定要求。
在一个示例中,在上述固体柜断路器的控制方法中,所述步骤S120,包括:以预定频率从所述分合操作监控视频中提取所述多个分合操作关键帧。
在一个示例中,在上述固体柜断路器的控制方法中,所述步骤S130,包括:将所述多个分合操作关键帧中各个分合操作关键帧输入所述混合卷积层的第一卷积层以得到第一尺度分合操作特征向量,其中,所述第一卷积层使用具有第一尺寸的第一卷积核;将所述多个分合操作关键帧中各个分合操作关键帧输入所述混合卷积层的第二卷积层以得到第二尺度分合操作特征向量,其中,所述第二卷积层使用具有第一空洞率的第一空洞卷积核;将所述多个分合操作关键帧中各个分合操作关键帧输入所述混合卷积层的第三卷积层以得到第三尺度分合操作特征向量,其中,所述第三卷积层使用具有第二空洞率的第二空洞卷积核;将所述多个分合操作关键帧中各个分合操作关键帧输入所述混合卷积层的第四卷积层以得到第四尺度分合操作特征向量,其中,所述第四卷积层使用具有第三空洞率的第三空洞卷积核;融合所述第一尺度分合操作特征向量、所述第二尺度分合操作特征向量、所述第三尺度分合操作特征向量和所述第四尺度分合操作特征向量以得到多个分合操作特征向量。
在一个示例中,在上述固体柜断路器的控制方法中,所述步骤S140,包括:将所述多个分合操作特征向量进行一维排列以得到全局分合操作特征向量;计算所述全局分合操作特征向量与所述多个分合操作特征向量中各个分合操作特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;分别以所述多个概率值中各个概率值作为权重对所述多个分合操作特征向量中各个分合操作特征向量进行加权以得到多个上下文语义分合操作特征向量;将所述多个上下文语义分合操作特征向量进行级联以得到所述第一尺度分合操作语义理解特征向量。
在一个示例中,在上述固体柜断路器的控制方法中,所述步骤S160,包括:以如下公式来融合所述第一尺度分合操作语义理解特征向量和所述第二尺度分合操作语义理解特征向量以得到分类特征向量;其中,所述公式为:
V=Concat[V1,V2]
其中,V1表示所述第一尺度分合操作语义理解特征向量,V2表示所述第二尺度分合操作语义理解特征向量,Concat[·,·]表示级联函数,V表示所述分类特征向量。
在一个示例中,在上述固体柜断路器的控制方法中,所述步骤S170,包括:以如下公式对所述分类特征向量进行特征分布优化以得到优化分类特征向量;其中,所述公式为:
其中μ和δ分别是特征集合的均值和标准差,且vi是所述分类特征向量的第i位置的特征值,vi∈V是特征集合。
在一个示例中,在上述固体柜断路器的控制方法中,所述步骤S180,包括:使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码优化分类特征向量;以及,将所述编码优化分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,根据本申请实施例的固体柜断路器的控制方法被阐明,其通过采用基于深度学习的深度神经网络模型作为特征提取器来捕捉所述分合操作监控视频的分合操作动态特征,再通过基于转换器的上下文编码器和双向长短期记忆神经网络模型来获取不同尺度下的分合操作图像语义的关联特征,融合两个尺度下的分合操作语义理解特征以得到分类特征向量,继而,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示断路器的开断性能是否满足预定要求。这样,提高了断路器对于其自身开断性能判断和监控的精准度,以利于设备维护和故障预警。
Claims (10)
1.一种固体柜断路器,其特征在于,包括有传动箱、断路器机构与隔离刀机构,所述传动箱一侧连接有三相绝缘极柱,另一侧连接有隔离操作机构与断路器操作机构,每相绝缘极柱均包括有一体浇注的绝缘壳体,所述断路器机构包括设置在每个绝缘壳体内的真空灭弧室与断路器传动组件以及设置在传动箱内的断路器联动组件,所述隔离刀机构包括有设置在每个绝缘壳体内的隔离刀组件和设置在传动箱内的隔离刀联动组件,所述真空灭弧室下端连接有第一静触头,所述断路器传动组件软连接有进线导电杆,所述隔离刀组件包括有隔离刀底座与铰接在隔离刀底座上的隔离刀,所述隔离刀底座连接有出线导电杆,所述传动箱内对应每相绝缘极柱均设置有第二静触头且各第二静触头通过汇流排连接,所述汇流排上连接有接地排,所述第二静触头伸入绝缘壳体内,所述隔离刀可于第一静触头与第二静触头之间转动,所述绝缘壳体浇注在进线导电杆与出线导电杆外部,并且在连接处均设置有第一屏蔽网,所述出线导电杆与隔离刀组件连接处设置有第二屏蔽网,所述隔离刀与第一静触头联动处设置有第三屏蔽网,所述真空灭弧室与断路器传动组件联动处设置有第四屏蔽网,所述断路器机构还包括有开断性能自监控模块,所述开断性能自监控模块用于对断路器机构开断性能进行智能监控以及时提示更换或预警。
2.根据权利要求1所述的一种固体柜断路器,其特征在于,所述开断性能自监控模块包括:
监控模块,用于获取由部署于断路器机构内的摄像头采集的所述断路器的分合操作监控视频;
关键帧提取模块,用于提取所述分合操作监控视频中的多个分合操作关键帧;
关键帧图像特征提取模块,用于将所述多个分合操作关键帧中各个分合操作关键帧分别通过包含多个混合卷积层的卷积神经网络模型以得到多个分合操作特征向量;
第一分合操作动态理解模块,用于将所述多个分合操作特征向量通过基于转换器的上下文编码器以得到第一尺度分合操作语义理解特征向量;
第二分合操作动态理解模块,用于将所述多个分合操作特征向量通过双向长短期记忆神经网络模型以得到第二尺度分合操作语义理解特征向量;
多尺度融合模块,用于融合所述第一尺度分合操作语义理解特征向量和所述第二尺度分合操作语义理解特征向量以得到分类特征向量;
特征分布优化模块,用于对所述分类特征向量进行特征分布优化以得到优化分类特征向量;以及
监控结果生成模块,用于将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示断路器的开断性能是否满足预定要求。
3.根据权利要求2所述的固体柜断路器,其特征在于,所述关键帧提取模块,进一步用于以预定频率从所述分合操作监控视频中提取所述多个分合操作关键帧。
4.根据权利要求3所述的固体柜断路器,其特征在于,所述关键帧图像特征提取模块,包括:
第一卷积分支单元,用于将所述多个分合操作关键帧中各个分合操作关键帧输入所述混合卷积层的第一卷积层以得到第一尺度分合操作特征向量,其中,所述第一卷积层使用具有第一尺寸的第一卷积核;
第二卷积分支单元,用于将所述多个分合操作关键帧中各个分合操作关键帧输入所述混合卷积层的第二卷积层以得到第二尺度分合操作特征向量,其中,所述第二卷积层使用具有第一空洞率的第一空洞卷积核;
第三卷积分支单元,用于将所述多个分合操作关键帧中各个分合操作关键帧输入所述混合卷积层的第三卷积层以得到第三尺度分合操作特征向量,其中,所述第三卷积层使用具有第二空洞率的第二空洞卷积核;
第四卷积分支单元,用于将所述多个分合操作关键帧中各个分合操作关键帧输入所述混合卷积层的第四卷积层以得到第四尺度分合操作特征向量,其中,所述第四卷积层使用具有第三空洞率的第三空洞卷积核;
多尺度特征融合单元,用于融合所述第一尺度分合操作特征向量、所述第二尺度分合操作特征向量、所述第三尺度分合操作特征向量和所述第四尺度分合操作特征向量以得到多个分合操作特征向量。
5.根据权利要求4所述的固体柜断路器,其特征在于,所述第一分合操作动态理解模块,包括:
查询向量构造单元,用于将所述多个分合操作特征向量进行一维排列以得到全局分合操作特征向量;
自注意单元,用于计算所述全局分合操作特征向量与所述多个分合操作特征向量中各个分合操作特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;
标准化单元,用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;
关注度计算单元,用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;
注意力施加单元,用于分别以所述多个概率值中各个概率值作为权重对所述多个分合操作特征向量中各个分合操作特征向量进行加权以得到多个上下文语义分合操作特征向量;
融合单元,用于将所述多个上下文语义分合操作特征向量进行级联以得到所述第一尺度分合操作语义理解特征向量。
6.根据权利要求5所述的固体柜断路器,其特征在于,所述多尺度融合模块,进一步用于:以如下公式来融合所述第一尺度分合操作语义理解特征向量和所述第二尺度分合操作语义理解特征向量以得到分类特征向量;
其中,所述公式为:
V=Concat[V1,V2]
其中,V1表示所述第一尺度分合操作语义理解特征向量,V2表示所述第二尺度分合操作语义理解特征向量,Concat[·,·]表示级联函数,V表示所述分类特征向量。
8.根据权利要求7所述的固体柜断路器,其特征在于,所述监控结果生成模块,包括:
全连接编码单元,用于使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码优化分类特征向量;以及
分类结果生成单元,用于将所述编码优化分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
9.一种固体柜断路器的控制方法,其特征在于,包括:
获取由部署于断路器内的摄像头采集的所述断路器的分合操作监控视频;
提取所述分合操作监控视频中的多个分合操作关键帧;
将所述多个分合操作关键帧中各个分合操作关键帧分别通过包含多个混合卷积层的卷积神经网络模型以得到多个分合操作特征向量;
将所述多个分合操作特征向量通过基于转换器的上下文编码器以得到第一尺度分合操作语义理解特征向量;
将所述多个分合操作特征向量通过双向长短期记忆神经网络模型以得到第二尺度分合操作语义理解特征向量;
融合所述第一尺度分合操作语义理解特征向量和所述第二尺度分合操作语义理解特征向量以得到分类特征向量;
对所述分类特征向量进行特征分布优化以得到优化分类特征向量;以及
将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示断路器的开断性能是否满足预定要求。
10.根据权利要求9所述的固体柜断路器的控制方法,其特征在于,所述融合所述第一尺度分合操作语义理解特征向量和所述第二尺度分合操作语义理解特征向量以得到分类特征向量,包括:以如下公式来融合所述第一尺度分合操作语义理解特征向量和所述第二尺度分合操作语义理解特征向量以得到分类特征向量;
其中,所述公式为:
V=Concat[V1,V2]
其中,V1表示所述第一尺度分合操作语义理解特征向量,V2表示所述第二尺度分合操作语义理解特征向量,CDoncat[·,·]表示级联函数,V表示所述分类特征向量;
所述将所述优化分类特征向量通过分类器以得到分类结果,包括:使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码优化分类特征向量;以及,将所述编码优化分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211468378.5A CN115763167B (zh) | 2022-11-22 | 2022-11-22 | 固体柜断路器及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211468378.5A CN115763167B (zh) | 2022-11-22 | 2022-11-22 | 固体柜断路器及其控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115763167A true CN115763167A (zh) | 2023-03-07 |
CN115763167B CN115763167B (zh) | 2023-09-22 |
Family
ID=85335114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211468378.5A Active CN115763167B (zh) | 2022-11-22 | 2022-11-22 | 固体柜断路器及其控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115763167B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116003126A (zh) * | 2023-03-22 | 2023-04-25 | 珠海和泽科技有限公司 | 静电吸盘表面陶瓷材料的制备方法及其系统 |
CN116605617A (zh) * | 2023-05-17 | 2023-08-18 | 长兴南方水泥有限公司 | 一种智能化放料控制方法及其系统 |
CN116744511A (zh) * | 2023-05-22 | 2023-09-12 | 杭州行至云起科技有限公司 | 智能调光调色照明系统及其方法 |
CN116759053A (zh) * | 2023-06-16 | 2023-09-15 | 烟台汇通佳仁医疗科技有限公司 | 基于物联网系统的医疗体系防控方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN207966838U (zh) * | 2017-12-22 | 2018-10-12 | 上海攀森电气设备有限公司 | 一种刀闸式三工位屏蔽式固体绝缘真空开关模块 |
CN108984526A (zh) * | 2018-07-10 | 2018-12-11 | 北京理工大学 | 一种基于深度学习的文档主题向量抽取方法 |
CN111444924A (zh) * | 2020-04-20 | 2020-07-24 | 中国科学院声学研究所南海研究站 | 一种病虫害检测及灾害等级分析方法及系统 |
US20200250528A1 (en) * | 2017-10-25 | 2020-08-06 | Deepmind Technologies Limited | Auto-regressive neural network systems with a soft attention mechanism using support data patches |
CN111611847A (zh) * | 2020-04-01 | 2020-09-01 | 杭州电子科技大学 | 基于尺度注意力空洞卷积网络的视频动作检测方法 |
CN113468333A (zh) * | 2021-09-02 | 2021-10-01 | 华东交通大学 | 一种融合层次类别信息的事件检测方法与系统 |
CN113553437A (zh) * | 2021-03-30 | 2021-10-26 | 福州大学 | 基于多尺度空洞卷积的时间知识图谱补全方法 |
CN113567845A (zh) * | 2021-06-11 | 2021-10-29 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于深度置信网络的高压断路器生命周期智能评估方法 |
US11222217B1 (en) * | 2020-08-14 | 2022-01-11 | Tsinghua University | Detection method using fusion network based on attention mechanism, and terminal device |
CN114154620A (zh) * | 2021-11-29 | 2022-03-08 | 上海应用技术大学 | 人群计数网络的训练方法 |
CN115131710A (zh) * | 2022-07-05 | 2022-09-30 | 福州大学 | 基于多尺度特征融合注意力的实时动作检测方法 |
CN115205788A (zh) * | 2022-07-27 | 2022-10-18 | 浙江旅游职业学院 | 食材质量监控系统 |
-
2022
- 2022-11-22 CN CN202211468378.5A patent/CN115763167B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200250528A1 (en) * | 2017-10-25 | 2020-08-06 | Deepmind Technologies Limited | Auto-regressive neural network systems with a soft attention mechanism using support data patches |
CN207966838U (zh) * | 2017-12-22 | 2018-10-12 | 上海攀森电气设备有限公司 | 一种刀闸式三工位屏蔽式固体绝缘真空开关模块 |
CN108984526A (zh) * | 2018-07-10 | 2018-12-11 | 北京理工大学 | 一种基于深度学习的文档主题向量抽取方法 |
CN111611847A (zh) * | 2020-04-01 | 2020-09-01 | 杭州电子科技大学 | 基于尺度注意力空洞卷积网络的视频动作检测方法 |
CN111444924A (zh) * | 2020-04-20 | 2020-07-24 | 中国科学院声学研究所南海研究站 | 一种病虫害检测及灾害等级分析方法及系统 |
US11222217B1 (en) * | 2020-08-14 | 2022-01-11 | Tsinghua University | Detection method using fusion network based on attention mechanism, and terminal device |
CN113553437A (zh) * | 2021-03-30 | 2021-10-26 | 福州大学 | 基于多尺度空洞卷积的时间知识图谱补全方法 |
CN113567845A (zh) * | 2021-06-11 | 2021-10-29 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于深度置信网络的高压断路器生命周期智能评估方法 |
CN113468333A (zh) * | 2021-09-02 | 2021-10-01 | 华东交通大学 | 一种融合层次类别信息的事件检测方法与系统 |
CN114154620A (zh) * | 2021-11-29 | 2022-03-08 | 上海应用技术大学 | 人群计数网络的训练方法 |
CN115131710A (zh) * | 2022-07-05 | 2022-09-30 | 福州大学 | 基于多尺度特征融合注意力的实时动作检测方法 |
CN115205788A (zh) * | 2022-07-27 | 2022-10-18 | 浙江旅游职业学院 | 食材质量监控系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116003126A (zh) * | 2023-03-22 | 2023-04-25 | 珠海和泽科技有限公司 | 静电吸盘表面陶瓷材料的制备方法及其系统 |
CN116605617A (zh) * | 2023-05-17 | 2023-08-18 | 长兴南方水泥有限公司 | 一种智能化放料控制方法及其系统 |
CN116744511A (zh) * | 2023-05-22 | 2023-09-12 | 杭州行至云起科技有限公司 | 智能调光调色照明系统及其方法 |
CN116744511B (zh) * | 2023-05-22 | 2024-01-05 | 杭州行至云起科技有限公司 | 智能调光调色照明系统及其方法 |
CN116759053A (zh) * | 2023-06-16 | 2023-09-15 | 烟台汇通佳仁医疗科技有限公司 | 基于物联网系统的医疗体系防控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115763167B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115763167A (zh) | 固体柜断路器及其控制方法 | |
CN115586755B (zh) | 用于六氟磷酸锂制备的生产管理控制系统及其方法 | |
Kezunovic et al. | Detect and classify faults using neural nets | |
CN105703258B (zh) | Gis开关设备动作状态监测系统及其使用方法 | |
CN112729381B (zh) | 一种基于神经网络的高压断路器的故障诊断方法 | |
CN109768877B (zh) | 一种基于空间最优编码集及dhnn纠错的电网故障诊断方法 | |
CN110646708B (zh) | 基于双层长短时记忆网络的10kV单芯电缆早期状态识别方法 | |
CN115470857B (zh) | 变电站全景数字孪生系统及其方法 | |
CN112698196B (zh) | 一种高压开关机械特性监测装置 | |
CN117110798B (zh) | 智能配电网的故障检测方法和系统 | |
CN116008721A (zh) | 一种配电网故障定位方法及终端 | |
Xiong et al. | Fault section diagnosis of power systems with logical operation binary gaining‐sharing knowledge‐based algorithm | |
Joy et al. | Design and implementation of deep depth decision algorithm for complexity reduction in High Efficiency Video Coding (HEVC) | |
Abdel-Galil et al. | Partial discharge pulse pattern recognition using hidden Markov models | |
CN116662802A (zh) | 基于北方苍鹰算法优化svm的gis设备pd类型判定方法及系统 | |
CN217181103U (zh) | 一种高压开关柜的监测系统 | |
Cai et al. | Learning Historical Status Prompt for Accurate and Robust Visual Tracking | |
Liu et al. | A Byte Sequence is Worth an Image: CNN for File Fragment Classification Using Bit Shift and n-Gram Embeddings | |
Rosenfeld et al. | Ape: Aligning pretrained encoders to quickly learn aligned multimodal representations | |
CN117595133B (zh) | 一种直动式充气高压开关柜及其工作方法 | |
CN116819158B (zh) | 一种隔离开关电机电流智能化监测系统及方法 | |
CN116528229B (zh) | 5g安全通信方法及其系统 | |
Chen et al. | Fault diagnosis of vacuum circuit breaker based on coil current of release | |
CN115912662B (zh) | 一种用于中压柜的边缘计算装置 | |
Peng et al. | Lightweight Disconnector State Detection Model Based on Improved yolov5s |
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 |