CN117309065B - 一种基于无人机的换流站远程监控方法及系统 - Google Patents
一种基于无人机的换流站远程监控方法及系统 Download PDFInfo
- Publication number
- CN117309065B CN117309065B CN202311605036.8A CN202311605036A CN117309065B CN 117309065 B CN117309065 B CN 117309065B CN 202311605036 A CN202311605036 A CN 202311605036A CN 117309065 B CN117309065 B CN 117309065B
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- report
- algorithm
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000007613 environmental effect Effects 0.000 claims abstract description 100
- 238000003745 diagnosis Methods 0.000 claims abstract description 43
- 238000010801 machine learning Methods 0.000 claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims abstract description 37
- 238000012423 maintenance Methods 0.000 claims abstract description 36
- 238000007689 inspection Methods 0.000 claims abstract description 23
- 238000007405 data analysis Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 154
- 230000036541 health Effects 0.000 claims description 58
- 230000007547 defect Effects 0.000 claims description 43
- 230000000007 visual effect Effects 0.000 claims description 41
- 238000001514 detection method Methods 0.000 claims description 28
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 23
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 20
- 238000012502 risk assessment Methods 0.000 claims description 19
- 230000005856 abnormality Effects 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 15
- 238000012300 Sequence Analysis Methods 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 231100000290 environmental risk assessment Toxicity 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012800 visualization Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 5
- 238000002360 preparation method Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000007418 data mining Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 239000000463 material Substances 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003891 environmental analysis Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Abstract
本发明涉及换流站远程监控方法技术领域，具体为一种基于无人机的换流站远程监控方法及系统，包括以下步骤：通过无人机搭载声音传感器、气体传感器、震动传感器，对换流站设备进行实时监控，收集环境参数数据。本发明中，通过无人机可高度自主地对换流站设备进行实时监测，无需人力巡检，提高了监测实时性和效率，使用声音、气体、震动传感器和高清摄像头综合监控设备，数据更全面准确，有助于故障诊断和预警，运用机器学习和大数据分析技术，实现对设备状态数据的智能分析和处理，无人机可在恶劣环境下飞行与监测，连续工作时间长，不受人力因素影响，以无人机为载体的远程监控减少了人力巡检，投资一次后，只需定期维护，节约人力物力开支。
Description
技术领域
本发明涉及换流站远程监控方法技术领域，尤其涉及一种基于无人机的换流站远程监控方法及系统。
背景技术
换流站远程监控方法，是一种利用先进的通信技术和监控系统，通过远程传输和接收设备的数据，实时监测和控制换流站的运行状态。方法包括远程数据采集与传输，通过传感器和仪表采集换流站的参数数据，并通过有线网络、无线通信或卫星通信等方式将数据传输到远程监控中心。远程监控系统在监控中心建立，并使用专业的监控软件或自行开发的应用程序，以实时显示和分析换流站的数据，提供报警功能，并进行故障诊断和预测分析。操作人员可以通过远程监控界面对设备进行远程控制和操作，包括启动、停止、调节等操作。当设备状态异常时，远程监控系统会发出警报并通知操作人员，以便及时响应和处理。
在换流站远程监控方法的实际使用过程中，传统的介入式巡检往往涉及大量人力，并容易受到人为因素的影响，例如巡检频率和质量的不一致。人力主导的巡检模式获取的信息类型和数量相对单一，难以实现多角度和全面的监测。此外，传统巡检主要依赖工作人员的经验判断，缺乏系统化的智能分析、预测和预警机制。对于恶劣环境和限制区域，人工巡检也存在一定的风险。
发明内容
本发明的目的是解决现有技术中存在的缺点，而提出的一种基于无人机的换流站远程监控方法及系统。
为了实现上述目的，本发明采用了如下技术方案：一种基于无人机的换流站远程监控方法，包括以下步骤：
通过无人机搭载声音传感器、气体传感器、震动传感器，对换流站设备进行实时监控，收集环境参数数据；
对所述环境参数数据进行整合和分析，识别出异常数据并辨析表示的设备故障信号，发现潜在故障和风险，生成设备潜在故障及风险报告；
通过所述无人机采集换流站设备的高清全景视图，通过图像处理算法进行设备异常检测和缺陷识别，将可视化结果融合到所述设备潜在故障及风险报告中，生成可视化设备状况报告；
基于所述环境参数数据和可视化设备状况报告进行智能巡检，利用机器学习算法对设备状态数据进行模型训练，实现故障预测和诊断，生成设备故障诊断报告；
所述无人机搭载遥感传感器实现对换流站环境的远程监测，通过地理信息系统和机器学习算法，分析遥感数据，预测环境风险，生成环境风险预测报告；
基于设备状态数据和所述设备故障诊断报告，采用ARIMA时序分析方法实现对换流站设备的故障预测，获取设备故障预测报告；
根据设备状态数据，结合所述设备故障预测报告和环境风险预测报告，利用大数据分析技术进行设备健康评估，得出设备的健康状况和潜在故障信息，生成设备健康评估报告。
作为本发明的进一步方案，通过无人机搭载声音传感器、气体传感器、震动传感器，对换流站设备进行实时监控，收集环境参数数据的步骤具体为：
选用声音传感器、气体传感器、震动传感器，使用传感器校准算法确保传感器精度，得到校准后传感器；
将校准后传感器搭载至无人机，采用实时路径规划算法，结合所述无人机的飞行特性与环境因素，自动调整飞行参数，得到最佳飞行路径；
采用所述无人机沿最佳飞行路径收集数据，并使用数据采集算法从所述校准后传感器中读取数据，得到初步环境参数数据；
使用数据清洗和滤波算法对所述初步环境参数数据进行清洗和滤波，得到清洗后环境参数数据；
使用数据库存储算法和云上传算法，将所述清洗后环境参数数据上传至服务器，存储环境参数数据。
作为本发明的进一步方案，对所述环境参数数据进行整合和分析，识别出异常数据并辨析表示的设备故障信号，发现潜在故障和风险，生成设备潜在故障及风险报告的步骤具体为：
使用数据聚合算法，对所述环境参数数据进行整合，获取整合后的环境参数数据；
使用异常检测算法对所述整合后的环境参数数据，找出异常值，整合作为异常数据列表；
使用信号处理算法对异常数据进行故障信号分析，得到设备故障信号列表；
使用风险评估算法，结合所述设备故障信号列表，进行潜在故障和风险分析，得到潜在故障和风险列表；
使用数据合并算法，整合所述潜在故障和风险列表，得到整合的故障信息；
基于所述得到整合的故障信息，使用报告生成算法，得到设备潜在故障及风险报告。
作为本发明的进一步方案，通过所述无人机采集换流站设备的高清全景视图，通过图像处理算法进行设备异常检测和缺陷识别，将可视化结果融合到所述设备潜在故障及风险报告中，生成可视化设备状况报告的步骤具体为：
使用高清摄像头搭载至无人机，根据预设参数进行实时摄像，得到原始设备视图数据；
使用图像预处理算法，对所述原始设备视图数据进行增强和清晰处理，得到预处理后的设备视图；
利用设备异常检测算法，对所述预处理后的设备视图进行分析，识别出设备的异常部位和缺陷，得到异常设备列表；
使用缺陷融合算法，将设备异常和缺陷信息整合，生成设备缺陷融合信息；
利用报告生成算法，将所述设备缺陷融合信息融入设备潜在故障及风险报告中，生成可视化设备状况报告。
作为本发明的进一步方案，基于所述环境参数数据和可视化设备状况报告进行智能巡检，利用机器学习算法对设备状态数据进行模型训练，实现故障预测和诊断，生成设备故障诊断报告的步骤具体为：
使用数据准备算法，对所述环境参数数据和可视化设备状况报告进行格式化和标准化，得到标准化数据；
使用特征选择算法，从所述标准化数据中选取关键特征进行机器学习模型训练；
使用机器学习算法进行故障预测模型的训练，得到故障预测模型；
使用所述故障预测模型对当前设备状态进行故障预测和诊断，得到故障预测结果；
使用报告生成算法，根据所述故障预测结果生成设备故障诊断报告。
作为本发明的进一步方案，所述无人机搭载遥感传感器实现对换流站环境的远程监测，通过地理信息系统和机器学习算法，分析遥感数据，预测环境风险，生成环境风险预测报告的步骤具体为：
使用遥感传感器搭载至无人机，根据预设参数进行实时遥感数据收集，得到原始遥感数据；
使用地理信息系统算法对所述原始遥感数据进行地理标定和修正，得到修正后的遥感数据；
使用机器学习算法对所述修正后的遥感数据进行环境风险分析，得到环境风险预测结果；
使用风险评估算法，结合所述环境风险预测结果，生成环境风险评估报告；
使用报告生成算法，根据所述环境风险评估报告生成最终的环境风险预测报告。
作为本发明的进一步方案，基于设备状态数据和所述设备故障诊断报告，采用ARIMA时序分析方法实现对换流站设备的故障预测，获取设备故障预测报告的步骤具体为：
使用数据整理算法，将设备状态数据和设备故障诊断报告进行格式化和整合，得到标准化的时序数据集；
使用ARIMA模型参数确定算法，对所述标准化的时序数据集进行分析，确定ARIMA模型参数；
利用所述ARIMA参数进行模型训练，得到设备故障时序预测模型；
使用所述设备故障时序预测模型对未来一段时间的设备状态进行预测，得到故障预测结果；
利用报告生成算法，根据所述故障预测结果生成设备故障预测报告。
作为本发明的进一步方案，根据设备状态数据，结合所述设备故障预测报告和环境风险预测报告，利用大数据分析技术进行设备健康评估，得出设备的健康状况和潜在故障信息，生成设备健康评估报告的步骤具体为：
利用数据合并算法，将所述设备故障预测报告、设备状态数据、环境风险预测报告进行整合，得到综合分析数据集；
使用包括分布式计算和数据挖掘算法的大数据分析技术，对所述综合分析数据集进行深度分析，得到设备健康评分和潜在故障信息；
结合评分标准，对所述设备健康评分进行级别划分，所述级别划分包括优良、正常、警告、危险；
利用报告整合算法，将所述设备健康评分、级别划分和潜在故障信息整合成为设备健康评估报告，并通过可视化工具展示给维护人员或相关决策者。
一种基于无人机的换流站远程监控系统用于执行基于无人机的换流站远程监控方法，所述基于无人机的换流站远程监控系统是由传感器校准与飞行规划模块、环境参数监测与分析模块、设备视觉检测与缺陷识别模块、智能巡检与故障预测模块、环境风险预测与分析模块、设备健康评估与可视化展示模块组成。
作为本发明的进一步方案，所述传感器校准与飞行规划模块包括传感器校准子模块、飞行规划子模块；
所述环境参数监测与分析模块包括数据采集子模块、数据清洗滤波子模块、异常检测子模块、信号处理子模块；
所述设备视觉检测与缺陷识别模块包括图像预处理子模块、设备异常检测子模块、缺陷融合子模块；
所述智能巡检与故障预测模块包括机器学习训练子模块、故障预测子模块、故障诊断子模块；
所述环境风险预测与分析模块包括遥感数据收集子模块、地理信息系统算法子模块、机器学习算法子模块；
所述设备健康评估与可视化展示模块包括ARIMA时序分析子模块、大数据分析子模块。
与现有技术相比，本发明的优点和积极效果在于：
本发明中，通过无人机可高度自主地对换流站设备进行实时监测，无需人力进行巡检，大大提升了监测的实时性和效率。通过综合使用声音、气体、震动等多种传感器以及高清摄像头，从多个维度和角度对设备进行监控，获取的数据更全面准确，可更深入进行故障诊断和预警。通过运用机器学习和大数据分析技术，实现对设备状态数据的智能分析和处理，提供更准确的故障预测和设备健康评估。无人机可在恶劣环境下进行飞行与监测，连续工作时间长，不会因人力因素中断。以无人机为载体的远程监控，减少了人力巡检，一次性投资后，只需定期维护，节约了人力物力开支。
附图说明
图1为本发明的工作流程示意图；
图2为本发明的步骤1细化流程图；
图3为本发明的步骤2细化流程图；
图4为本发明的步骤3细化流程图；
图5为本发明的步骤4细化流程图；
图6为本发明的步骤5细化流程图；
图7为本发明的步骤6细化流程图；
图8为本发明的步骤7细化流程图；
图9为本发明的系统流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例一
请参阅图1，本发明提供一种技术方案：一种基于无人机的换流站远程监控方法，包括以下步骤：
通过无人机搭载声音传感器、气体传感器、震动传感器，对换流站设备进行实时监控，收集环境参数数据；
对环境参数数据进行整合和分析，识别出异常数据并辨析表示的设备故障信号，发现潜在故障和风险，生成设备潜在故障及风险报告；
通过无人机采集换流站设备的高清全景视图，通过图像处理算法进行设备异常检测和缺陷识别，将可视化结果融合到设备潜在故障及风险报告中，生成可视化设备状况报告；
基于环境参数数据和可视化设备状况报告进行智能巡检，利用机器学习算法对设备状态数据进行模型训练，实现故障预测和诊断，生成设备故障诊断报告；
无人机搭载遥感传感器实现对换流站环境的远程监测，通过地理信息系统和机器学习算法，分析遥感数据，预测环境风险，生成环境风险预测报告；
基于设备状态数据和设备故障诊断报告，采用ARIMA时序分析方法实现对换流站设备的故障预测，获取设备故障预测报告；
根据设备状态数据，结合设备故障预测报告和环境风险预测报告，利用大数据分析技术进行设备健康评估，得出设备的健康状况和潜在故障信息，生成设备健康评估报告。
通过无人机搭载的声音传感器、气体传感器和震动传感器，可以实时监控换流站设备并收集环境参数数据。这可以帮助及时发现设备异常和故障信号，提高故障诊断的准确性。通过采集换流站设备的高清全景视图，并应用图像处理算法进行设备异常检测和缺陷识别。将可视化结果融合到设备潜在故障及风险报告中，能够提供更直观的设备状况信息，帮助运维人员快速了解设备的健康状况。基于环境参数数据和设备状态数据，利用机器学习算法对设备状态进行模型训练，实现故障预测和诊断。这样可以通过分析历史数据和趋势，提前发现设备故障的潜在风险，并生成设备故障诊断报告，以指导维护和修复工作。无人机搭载遥感传感器可以实现对换流站环境的远程监测。通过地理信息系统和机器学习算法对遥感数据进行分析，可以预测环境风险，并生成相应的环境风险预测报告。这有助于运维人员及时采取措施来减少环境风险对设备运行的影响。结合设备状态数据、设备故障预测报告和环境风险预测报告，利用大数据分析技术进行设备健康评估。通过分析数据，可以得出设备的健康状况和潜在故障信息，生成设备健康评估报告。这提供了全面的设备评估，支持制定合理的维护计划和决策。
请参阅图2，通过无人机搭载声音传感器、气体传感器、震动传感器，对换流站设备进行实时监控，收集环境参数数据的步骤具体为：
选用声音传感器、气体传感器、震动传感器，使用传感器校准算法确保传感器精度，得到校准后传感器；
将校准后传感器搭载至无人机，采用实时路径规划算法，结合无人机的飞行特性与环境因素，自动调整飞行参数，得到最佳飞行路径；
采用无人机沿最佳飞行路径收集数据，并使用数据采集算法从校准后传感器中读取数据，得到初步环境参数数据；
使用数据清洗和滤波算法对初步环境参数数据进行清洗和滤波，得到清洗后环境参数数据；
使用数据库存储算法和云上传算法，将清洗后环境参数数据上传至服务器，存储环境参数数据。
首先，监控设备可以及时发现异常声音、异常气体和震动，帮助准确检测设备故障和预测潜在故障风险，从而提高换流站的可靠性和安全性。其次，通过收集环境参数数据，可以进行数据分析和趋势监测，帮助优化运维策略和设备维护计划，提高设备的运行效率和寿命。此外，无人机的应用可以减少人工巡检的工作量，提高效率和降低成本。最重要的是，通过云上传算法和数据库存储算法，环境参数数据可以实时上传到服务器，实现远程访问和共享，为决策者提供实时的状态监控和分析，从而做出准确的决策，有效应对可能的风险和问题。
请参阅图3，对环境参数数据进行整合和分析，识别出异常数据并辨析表示的设备故障信号，发现潜在故障和风险，生成设备潜在故障及风险报告的步骤具体为：
使用数据聚合算法，对环境参数数据进行整合，获取整合后的环境参数数据；
使用异常检测算法对整合后的环境参数数据，找出异常值，整合作为异常数据列表；
使用信号处理算法对异常数据进行故障信号分析，得到设备故障信号列表；
使用风险评估算法，结合设备故障信号列表，进行潜在故障和风险分析，得到潜在故障和风险列表；
使用数据合并算法，整合潜在故障和风险列表，得到整合的故障信息；
基于得到整合的故障信息，使用报告生成算法，得到设备潜在故障及风险报告。
使用数据聚合算法，将收集到的环境参数数据进行整合。这可以帮助将不同传感器采集到的数据进行合并，形成完整的环境参数数据集。运用异常检测算法对整合后的环境参数数据进行分析，找出异常值。异常值可能表示设备出现故障或不正常的情况，可作为潜在故障的线索。使用信号处理算法对异常数据进行进一步分析，以辨析出可能表示设备故障的信号。这些信号可能包括异常的声音、振动模式或气体浓度，有助于识别设备存在的故障。基于得到的设备故障信号列表，应用风险评估算法进行进一步的潜在故障和风险分析。该算法可以综合考虑故障信号的严重程度、概率和影响范围，识别出存在潜在故障和风险的设备。使用数据合并算法，将得到的潜在故障和风险列表整合成一个完整的故障信息列表。这可以将各种潜在故障和风险信息有机地结合在一起，提供全面的故障分析和评估。最后，基于整合的故障信息，利用报告生成算法生成设备潜在故障及风险报告。该报告将清晰地呈现设备的潜在故障和相关风险信息，有助于运维人员做出相应的决策和采取措施。
请参阅图4，通过无人机采集换流站设备的高清全景视图，通过图像处理算法进行设备异常检测和缺陷识别，将可视化结果融合到设备潜在故障及风险报告中，生成可视化设备状况报告的步骤具体为：
使用高清摄像头搭载至无人机，根据预设参数进行实时摄像，得到原始设备视图数据；
使用图像预处理算法，对原始设备视图数据进行增强和清晰处理，得到预处理后的设备视图；
利用设备异常检测算法，对预处理后的设备视图进行分析，识别出设备的异常部位和缺陷，得到异常设备列表；
使用缺陷融合算法，将设备异常和缺陷信息整合，生成设备缺陷融合信息；
利用报告生成算法，将设备缺陷融合信息融入设备潜在故障及风险报告中，生成可视化设备状况报告。
首先，使用高清摄像头搭载至无人机，通过实时摄像获得原始设备视图数据。这种高清全景视图可以提供详细而全面的设备图像，帮助运维人员实时观察设备情况。然后，通过图像预处理算法对原始设备视图数据进行增强和清晰处理，提高图像质量和细节展示。这可以帮助减少图像的噪声和模糊，并突出显示设备的关键特征。接下来，运用设备异常检测算法对预处理后的设备视图进行分析，识别出设备的异常部位和缺陷。通过对图像的比较和特征提取，可以检测到设备表面的损伤、裂纹、异物等问题，并生成异常设备列表。使用缺陷融合算法，将设备异常和缺陷信息整合在一起，形成设备缺陷融合信息。这样，运维人员可以清晰地了解设备的问题和缺陷，并有助于定位和排查具体的故障原因。最后，利用报告生成算法，将设备缺陷融合信息融入设备潜在故障及风险报告中，生成可视化设备状况报告。这样，运维人员可以通过可视化报告直观地了解设备的状况，并做出相应的决策和维修计划。
请参阅图5，基于环境参数数据和可视化设备状况报告进行智能巡检，利用机器学习算法对设备状态数据进行模型训练，实现故障预测和诊断，生成设备故障诊断报告的步骤具体为：
使用数据准备算法，对环境参数数据和可视化设备状况报告进行格式化和标准化，得到标准化数据；
使用特征选择算法，从标准化数据中选取关键特征进行机器学习模型训练；
使用机器学习算法进行故障预测模型的训练，得到故障预测模型；
使用故障预测模型对当前设备状态进行故障预测和诊断，得到故障预测结果；
使用报告生成算法，根据故障预测结果生成设备故障诊断报告。
使用数据准备算法对环境参数数据和可视化设备状况报告进行格式化和标准化处理。这可以确保数据的一致性和可比性，为后续的机器学习模型训练提供合适的输入。运用特征选择算法从标准化数据中选择关键特征。这些特征是与设备故障相关的重要参数，有助于提高机器学习模型的准确性和可解释性。使用机器学习算法对选定的特征进行模型训练，构建故障预测模型。常用的机器学习算法包括决策树、支持向量机、随机森林等。训练过程基于历史数据和对应的设备故障标签，使模型能够学习故障与特征之间的关系。利用故障预测模型对当前设备状态进行故障预测和诊断。将环境参数数据和可视化设备状况报告输入到训练好的模型中，模型会输出对设备可能存在的故障进行预测和诊断的结果。运用报告生成算法，基于故障预测结果生成设备故障诊断报告。该报告会详细描述预测的故障类型、可能的原因和建议的修复措施，为运维人员提供有针对性的故障诊断和处理方案。
请参阅图6，无人机搭载遥感传感器实现对换流站环境的远程监测，通过地理信息系统和机器学习算法，分析遥感数据，预测环境风险，生成环境风险预测报告的步骤具体为：
使用遥感传感器搭载至无人机，根据预设参数进行实时遥感数据收集，得到原始遥感数据；
使用地理信息系统算法对原始遥感数据进行地理标定和修正，得到修正后的遥感数据；
使用机器学习算法对修正后的遥感数据进行环境风险分析，得到环境风险预测结果；
使用风险评估算法，结合环境风险预测结果，生成环境风险评估报告；
使用报告生成算法，根据环境风险评估报告生成最终的环境风险预测报告。
使用遥感传感器搭载至无人机，进行实时遥感数据收集。遥感传感器可以获取换流站周围的环境数据，包括温度、湿度、大气质量等多个指标，为环境分析提供数据基础。运用地理信息系统算法对原始遥感数据进行地理标定和修正，确保数据的准确性和空间参照。通过空间校正和配准，将遥感数据与地理坐标系统对应，使得数据能够在地理信息系统中进行进一步的分析和处理。利用机器学习算法对修正后的遥感数据进行环境风险分析。通过训练机器学习模型，模型可以学习遥感数据与不同环境风险之间的关系。模型可以预测和识别潜在的环境风险，例如火灾风险、有害气体排放等。使用风险评估算法，结合机器学习模型预测的环境风险结果，进行风险评估。风险评估算法会对预测的环境风险进行综合评估，考虑风险的概率、影响程度和可能的后果，为后续的决策提供依据。利用报告生成算法，根据环境风险评估结果生成最终的环境风险预测报告。该报告将包含环境风险预测的详细信息，如风险类型、可能的原因、可能的影响和建议的应对措施，为运维人员和决策者提供参考和指导。
请参阅图7，基于设备状态数据和设备故障诊断报告，采用ARIMA时序分析方法实现对换流站设备的故障预测，获取设备故障预测报告的步骤具体为：
使用数据整理算法，将设备状态数据和设备故障诊断报告进行格式化和整合，得到标准化的时序数据集；
使用ARIMA模型参数确定算法，对标准化的时序数据集进行分析，确定ARIMA模型参数；
利用ARIMA参数进行模型训练，得到设备故障时序预测模型；
使用设备故障时序预测模型对未来一段时间的设备状态进行预测，得到故障预测结果；
利用报告生成算法，根据故障预测结果生成设备故障预测报告。
通过运用ARIMA时序分析方法，结合设备状态数据和故障诊断报告，可以提前预测设备可能发生的故障。这有助于避免设备故障对生产和运行造成的不可预料的损失。通过生成设备故障预测报告，运维人员可以获取详细的故障预测结果、故障时间和维修建议等信息。这为他们制定维修计划和采取适当的措施提供了决策支持，帮助他们在故障发生之前采取合理的预防和维修策略。通过及时的故障预测，运维人员可以提前进行设备维护和维修，减少因故障而引起的生产中断和安全事故的风险。这有助于提高换流站设备的可靠性和运行安全性。通过故障预测报告，运维人员可以合理规划维修资源和时间，提高资源利用效率。他们可以根据预测结果和优先级制定维修计划，以迅速响应潜在故障，减少停机时间并提高设备的使用率。
请参阅图8，根据设备状态数据，结合设备故障预测报告和环境风险预测报告，利用大数据分析技术进行设备健康评估，得出设备的健康状况和潜在故障信息，生成设备健康评估报告的步骤具体为：
利用数据合并算法，将设备故障预测报告、设备状态数据、环境风险预测报告进行整合，得到综合分析数据集；
使用包括分布式计算和数据挖掘算法的大数据分析技术，对综合分析数据集进行深度分析，得到设备健康评分和潜在故障信息；
结合评分标准，对设备健康评分进行级别划分，级别划分包括优良、正常、警告、危险；
利用报告整合算法，将设备健康评分、级别划分和潜在故障信息整合成为设备健康评估报告，并通过可视化工具展示给维护人员或相关决策者。
使用数据合并算法将设备故障预测报告、设备状态数据和环境风险预测报告进行整合，得到一个综合分析的数据集。这一步确保数据的一致性和可比性，为后续的分析建模提供合适的输入。运用大数据分析技术，包括分布式计算和数据挖掘算法，对综合分析数据集进行深度分析。这些技术可以处理海量数据，并挖掘其中的隐藏模式和关联规则，以获取设备的健康状况和潜在故障信息。结合事先定义的评分标准，对设备进行健康评分并进行级别划分。根据分析结果，根据设备健康状况的指标和阈值设置，给出相应的评分，如优良、正常、警告、危险等级别划分，以帮助维护人员和决策者快速了解设备的健康状态。利用报告整合算法，将设备健康评分、级别划分和潜在故障信息整合为设备健康评估报告。该报告将提供设备的综合健康评估结果，包括健康评分、级别划分和潜在故障信息等，以便维护人员或相关决策者能够直观地了解设备的健康状况。
请参阅图9，一种基于无人机的换流站远程监控系统用于执行基于无人机的换流站远程监控方法，基于无人机的换流站远程监控系统是由传感器校准与飞行规划模块、环境参数监测与分析模块、设备视觉检测与缺陷识别模块、智能巡检与故障预测模块、环境风险预测与分析模块、设备健康评估与可视化展示模块组成。
传感器校准与飞行规划模块包括传感器校准子模块、飞行规划子模块；
环境参数监测与分析模块包括数据采集子模块、数据清洗滤波子模块、异常检测子模块、信号处理子模块；
设备视觉检测与缺陷识别模块包括图像预处理子模块、设备异常检测子模块、缺陷融合子模块；
智能巡检与故障预测模块包括机器学习训练子模块、故障预测子模块、故障诊断子模块；
环境风险预测与分析模块包括遥感数据收集子模块、地理信息系统算法子模块、机器学习算法子模块；
设备健康评估与可视化展示模块包括ARIMA时序分析子模块、大数据分析子模块。
系统利用传感器校准与飞行规划模块，可以对无人机上搭载的各种传感器进行校准，并规划合理的飞行路径。这样，系统能够实时监测换流站的环境参数，如温度、湿度、大气质量等，并进行实时数据采集。通过环境参数监测与分析模块，系统能够对采集到的数据进行处理、清洗、滤波和异常检测等操作，保证数据的准确性和可靠性。同时，利用信号处理技术，可以从复杂的数据中提取有用的特征信息，为后续的分析和决策提供支持。系统通过设备视觉检测与缺陷识别模块，利用图像处理和机器视觉算法分析无人机采集的图像数据，实现对换流站设备的异常检测和缺陷识别。这有助于及时发现设备的异常情况和潜在缺陷，为维护人员提供及时的预警和定位信息。系统借助智能巡检与故障预测模块，利用机器学习算法对历史数据进行训练和建模，实现对设备的故障预测和诊断。这样，系统能够提前预测可能发生的故障，并提供相应的维护建议和预防措施，减少设备故障对生产和运行的影响。系统利用遥感数据收集子模块和地理信息系统算法子模块采集和分析环境数据，通过机器学习算法子模块实现环境风险的预测和分析。这为维护人员提供了全面的环境风险评估，帮助他们制定相应的防范和应对策略。利用ARIMA时序分析子模块和大数据分析子模块，系统能够对设备健康状况进行评估，并根据评分标准进行级别划分。通过可视化展示模块，系统可以生成直观的设备健康评估报告，为维护人员或相关决策者提供准确的健康状况和故障信息，帮助他们做出相应的决策和安排维修计划。
工作原理：
传感器校准与飞行规划：选择声音传感器、气体传感器、震动传感器等环境监测设备，并使用传感器校准算法确保传感器的精度。将校准后的传感器搭载至无人机，并通过飞行规划算法自动调整飞行参数，得到最佳飞行路径。
环境参数监测与分析：无人机沿最佳飞行路径收集环境参数数据，并通过数据采集算法读取数据。对初步的环境参数数据进行清洗和滤波，得到清洗后的环境参数数据。将清洗后的数据上传至服务器进行存储。
设备视觉检测与缺陷识别：无人机搭载高清摄像头，采集换流站设备的全景视图。通过图像处理算法对设备进行异常检测和缺陷识别，得到异常设备列表。将可视化结果融合到设备潜在故障及风险报告中，生成可视化设备状况报告。
智能巡检与故障预测：利用机器学习算法对设备状态数据进行模型训练，实现故障预测和诊断。使用数据准备算法对环境参数数据和可视化设备状况报告进行格式化和标准化，选取关键特征进行机器学习模型训练。根据故障预测模型对当前设备状态进行预测，生成设备故障诊断报告。
环境风险预测与分析：通过遥感传感器搭载至无人机，收集换流站环境的遥感数据。使用地理信息系统和机器学习算法对遥感数据进行分析，预测环境风险，并生成环境风险预测报告。
设备健康评估与可视化展示：基于设备状态数据、设备故障预测报告和环境风险预测报告，采用大数据分析技术进行设备健康评估。对综合分析数据集进行深度分析，得出设备的健康状况和潜在故障信息，并生成设备健康评估报告。通过可视化工具将评估结果展示给维护人员或相关决策者。
以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (10)
1.一种基于无人机的换流站远程监控方法，其特征在于，包括以下步骤：
通过无人机搭载声音传感器、气体传感器和震动传感器，对换流站设备进行实时监控，收集环境参数数据；
对所述环境参数数据进行整合和分析，识别出异常数据并辨析表示的设备故障信号，发现潜在故障和风险，生成设备潜在故障及风险报告；
通过所述无人机采集换流站设备的高清全景视图，通过图像处理算法进行设备异常检测和缺陷识别，将可视化结果融合到所述设备潜在故障及风险报告中，生成可视化设备状况报告；
基于所述环境参数数据和可视化设备状况报告进行智能巡检，利用机器学习算法对设备状态数据进行模型训练，实现故障预测和诊断，生成设备故障诊断报告；
所述无人机搭载遥感传感器实现对换流站环境的远程监测，通过地理信息系统和机器学习算法，分析遥感数据，预测环境风险，生成环境风险预测报告；
基于设备状态数据和所述设备故障诊断报告，采用ARIMA时序分析方法实现对换流站设备的故障预测，获取设备故障预测报告；
根据设备状态数据，结合所述设备故障预测报告和环境风险预测报告，利用大数据分析技术进行设备健康评估，得出设备的健康状况和潜在故障信息，生成设备健康评估报告。
2.根据权利要求1所述的基于无人机的换流站远程监控方法，其特征在于，通过无人机搭载声音传感器、气体传感器和震动传感器，对换流站设备进行实时监控，收集环境参数数据的步骤具体为：
选用声音传感器、气体传感器和震动传感器，使用传感器校准算法确保传感器精度，得到校准后传感器；
将校准后传感器搭载至无人机，采用实时路径规划算法，结合所述无人机的飞行特性与环境因素，自动调整飞行参数，得到最佳飞行路径；
采用所述无人机沿最佳飞行路径收集数据，并使用数据采集算法从所述校准后传感器中读取数据，得到初步环境参数数据；
使用数据清洗和滤波算法对所述初步环境参数数据进行清洗和滤波，得到清洗后环境参数数据；
使用数据库存储算法和云上传算法，将所述清洗后环境参数数据上传至服务器，存储环境参数数据。
3.根据权利要求1所述的基于无人机的换流站远程监控方法，其特征在于，对所述环境参数数据进行整合和分析，识别出异常数据并辨析表示的设备故障信号，发现潜在故障和风险，生成设备潜在故障及风险报告的步骤具体为：
使用数据聚合算法，对所述环境参数数据进行整合，获取整合后的环境参数数据；
使用异常检测算法对所述整合后的环境参数数据，找出异常值，整合作为异常数据列表；
使用信号处理算法对异常数据进行故障信号分析，得到设备故障信号列表；
使用风险评估算法，结合所述设备故障信号列表，进行潜在故障和风险分析，得到潜在故障和风险列表；
使用数据合并算法，整合所述潜在故障和风险列表，得到整合的故障信息；
基于所述得到整合的故障信息，使用报告生成算法，得到设备潜在故障及风险报告。
4.根据权利要求1所述的基于无人机的换流站远程监控方法，其特征在于，通过所述无人机采集换流站设备的高清全景视图，通过图像处理算法进行设备异常检测和缺陷识别，将可视化结果融合到所述设备潜在故障及风险报告中，生成可视化设备状况报告的步骤具体为：
使用高清摄像头搭载至无人机，根据预设参数进行实时摄像，得到原始设备视图数据；
使用图像预处理算法，对所述原始设备视图数据进行增强和清晰处理，得到预处理后的设备视图；
利用设备异常检测算法，对所述预处理后的设备视图进行分析，识别出设备的异常部位和缺陷，得到异常设备列表；
使用缺陷融合算法，将设备异常和缺陷信息整合，生成设备缺陷融合信息；
利用报告生成算法，将所述设备缺陷融合信息融入设备潜在故障及风险报告中，生成可视化设备状况报告。
5.根据权利要求1所述的基于无人机的换流站远程监控方法，其特征在于，基于所述环境参数数据和可视化设备状况报告进行智能巡检，利用机器学习算法对设备状态数据进行模型训练，实现故障预测和诊断，生成设备故障诊断报告的步骤具体为：
使用数据准备算法，对所述环境参数数据和可视化设备状况报告进行格式化和标准化，得到标准化数据；
使用特征选择算法，从所述标准化数据中选取关键特征进行机器学习模型训练；
使用机器学习算法进行故障预测模型的训练，得到故障预测模型；
使用所述故障预测模型对当前设备状态进行故障预测和诊断，得到故障预测结果；
使用报告生成算法，根据所述故障预测结果生成设备故障诊断报告。
6.根据权利要求1所述的基于无人机的换流站远程监控方法，其特征在于，所述无人机搭载遥感传感器实现对换流站环境的远程监测，通过地理信息系统和机器学习算法，分析遥感数据，预测环境风险，生成环境风险预测报告的步骤具体为：
使用遥感传感器搭载至无人机，根据预设参数进行实时遥感数据收集，得到原始遥感数据；
使用地理信息系统算法对所述原始遥感数据进行地理标定和修正，得到修正后的遥感数据；
使用机器学习算法对所述修正后的遥感数据进行环境风险分析，得到环境风险预测结果；
使用风险评估算法，结合所述环境风险预测结果，生成环境风险评估报告；
使用报告生成算法，根据所述环境风险评估报告生成最终的环境风险预测报告。
7.根据权利要求1所述的基于无人机的换流站远程监控方法，其特征在于，基于设备状态数据和所述设备故障诊断报告，采用ARIMA时序分析方法实现对换流站设备的故障预测，获取设备故障预测报告的步骤具体为：
使用数据整理算法，将设备状态数据和设备故障诊断报告进行格式化和整合，得到标准化的时序数据集；
使用ARIMA模型参数确定算法，对所述标准化的时序数据集进行分析，确定ARIMA模型参数；
利用所述ARIMA参数进行模型训练，得到设备故障时序预测模型；
使用所述设备故障时序预测模型对未来一段时间的设备状态进行预测，得到故障预测结果；
利用报告生成算法，根据所述故障预测结果生成设备故障预测报告。
8.根据权利要求1所述的基于无人机的换流站远程监控方法，其特征在于，根据设备状态数据，结合所述设备故障预测报告和环境风险预测报告，利用大数据分析技术进行设备健康评估，得出设备的健康状况和潜在故障信息，生成设备健康评估报告的步骤具体为：
利用数据合并算法，将所述设备故障预测报告、设备状态数据、环境风险预测报告进行整合，得到综合分析数据集；
使用包括分布式计算和数据挖掘算法的大数据分析技术，对所述综合分析数据集进行深度分析，得到设备健康评分和潜在故障信息；
结合评分标准，对所述设备健康评分进行级别划分，所述级别划分包括优良、正常、警告、危险；
利用报告整合算法，将所述设备健康评分、级别划分和潜在故障信息整合成为设备健康评估报告，并通过可视化工具展示给维护人员或相关决策者。
9.一种基于无人机的换流站远程监控系统，其特征在于，所述基于无人机的换流站远程监控系统用于执行权利要求1-8任一所述的基于无人机的换流站远程监控方法，所述基于无人机的换流站远程监控系统是由传感器校准与飞行规划模块、环境参数监测与分析模块、设备视觉检测与缺陷识别模块、智能巡检与故障预测模块、环境风险预测与分析模块、设备健康评估与可视化展示模块组成。
10.根据权利要求9所述的基于无人机的换流站远程监控系统，其特征在于，所述传感器校准与飞行规划模块包括传感器校准子模块和飞行规划子模块；
所述环境参数监测与分析模块包括数据采集子模块、数据清洗滤波子模块、异常检测子模块和信号处理子模块；
所述设备视觉检测与缺陷识别模块包括图像预处理子模块、设备异常检测子模块和缺陷融合子模块；
所述智能巡检与故障预测模块包括机器学习训练子模块、故障预测子模块、和故障诊断子模块；
所述环境风险预测与分析模块包括遥感数据收集子模块、地理信息系统算法子模块和机器学习算法子模块；
所述设备健康评估与可视化展示模块包括ARIMA时序分析子模块和大数据分析子模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311605036.8A CN117309065B (zh) | 2023-11-29 | 2023-11-29 | 一种基于无人机的换流站远程监控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311605036.8A CN117309065B (zh) | 2023-11-29 | 2023-11-29 | 一种基于无人机的换流站远程监控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117309065A CN117309065A (zh) | 2023-12-29 |
| CN117309065B true CN117309065B (zh) | 2024-02-09 |
Family
ID=89260754
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311605036.8A Active CN117309065B (zh) | 2023-11-29 | 2023-11-29 | 一种基于无人机的换流站远程监控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117309065B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103812052A (zh) * | 2014-03-07 | 2014-05-21 | 国家电网公司 | 一种用于无人机输电线路巡检的集中监控系统及监控方法 |
| CN108693888A (zh) * | 2017-04-07 | 2018-10-23 | 中交遥感载荷（北京）科技有限公司 | 一种用于无人机输电线路巡检的集中监控系统 |
| CN115986915A (zh) * | 2022-11-28 | 2023-04-18 | 国网冀北电力有限公司超高压分公司 | 一种基于数字孪生技术的换流站设备监控管理系统及方法 |
| KR20230081235A (ko) * | 2021-11-30 | 2023-06-07 | 한국전력공사 | 드론을 적용한 배전선로 감시 진단 시스템 및 방법 |
| CN116755474A (zh) * | 2023-08-18 | 2023-09-15 | 广州全成多维信息技术有限公司 | 一种无人机用电力巡线方法及系统 |
| CN116796907A (zh) * | 2023-07-11 | 2023-09-22 | 桂林理工大学 | 一种基于物联网的水环境动态监测系统及其方法 |
| CN116826958A (zh) * | 2023-05-26 | 2023-09-29 | 云南电网有限责任公司文山供电局 | 一种数字化输电通道智能安全巡检方法 |
-
2023
- 2023-11-29 CN CN202311605036.8A patent/CN117309065B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103812052A (zh) * | 2014-03-07 | 2014-05-21 | 国家电网公司 | 一种用于无人机输电线路巡检的集中监控系统及监控方法 |
| CN108693888A (zh) * | 2017-04-07 | 2018-10-23 | 中交遥感载荷（北京）科技有限公司 | 一种用于无人机输电线路巡检的集中监控系统 |
| KR20230081235A (ko) * | 2021-11-30 | 2023-06-07 | 한국전력공사 | 드론을 적용한 배전선로 감시 진단 시스템 및 방법 |
| CN115986915A (zh) * | 2022-11-28 | 2023-04-18 | 国网冀北电力有限公司超高压分公司 | 一种基于数字孪生技术的换流站设备监控管理系统及方法 |
| CN116826958A (zh) * | 2023-05-26 | 2023-09-29 | 云南电网有限责任公司文山供电局 | 一种数字化输电通道智能安全巡检方法 |
| CN116796907A (zh) * | 2023-07-11 | 2023-09-22 | 桂林理工大学 | 一种基于物联网的水环境动态监测系统及其方法 |
| CN116755474A (zh) * | 2023-08-18 | 2023-09-15 | 广州全成多维信息技术有限公司 | 一种无人机用电力巡线方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| Fault Detection in Power Equipment via an Unmanned Aerial System Using Multi Modal Data;Bushra Jalil et al.;《sensors》;1-15 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117309065A (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111798127B (zh) | 基于动态火灾风险智能评估的化工园区巡检机器人路径优化系统 | |
| CN109001649B (zh) | 一种电源智能诊断系统及保护方法 | |
| CN110366031B (zh) | 一种数字化车间mes系统基于视觉的异常状态监测与故障诊断方法 | |
| CN110908370A (zh) | 一种火电厂无人巡检任务规划方法及其系统 | |
| CN112115927B (zh) | 一种基于深度学习的机房设备智能识别方法及系统 | |
| CN111899211A (zh) | 基于图像和气味的变压器漏油故障检测系统及方法 | |
| CN114147740A (zh) | 基于环境状态的机器人巡查规划系统及方法 | |
| US11521120B2 (en) | Inspection apparatus and machine learning method | |
| CN116824731A (zh) | 一种火电厂智能巡检方法和设备 | |
| CN113177646A (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及系统 | |
| CN116882426A (zh) | 基于标识解析的机电设备管理平台 | |
| CN113267601B (zh) | 一种基于机器视觉和数据分析的工业生产环境远程实时监测云平台 | |
| CN113450471A (zh) | 一种生产园区智能巡检系统 | |
| CN114445756A (zh) | 一种生产设备自动巡查方法及系统 | |
| CN114326741A (zh) | 基于四足机器人的海水淡化监视控制系统 | |
| CN117309065B (zh) | 一种基于无人机的换流站远程监控方法及系统 | |
| JP2020042668A (ja) | 検査装置及び機械学習方法 | |
| CN116976865A (zh) | 基于大数据分析的船舶维修器件调配管理系统 | |
| CN112235741A (zh) | 一种基于深度学习的巡检机器人车间状态检测系统 | |
| CN116611953A (zh) | 基于物联网的电能表生产制造实时数据管理方法和系统 | |
| CN114662619B (zh) | 基于多源数据融合的桥梁监测系统 | |
| CN113487189A (zh) | 一种石化设备故障概率风险评估系统及评估方法 | |
| CN114091700A (zh) | 电力设备的运维方法、装置、运维管理设备和运维机器人 | |
| CN112363432A (zh) | 一种水电站辅助设备的监测系统及监测方法 | |
| CN117740082B (zh) | 一种电力设备故障风险预警方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Remote Monitoring Method and System for Converter Stations Based on Drones Granted publication date: 20240209 Pledgee: Industrial and Commercial Bank of China Limited Guangzhou tianpingjia sub branch Pledgor: GUANGZHOU ZHONGKE ZHIYUN TECHNOLOGY Co.,Ltd. Registration number: Y2024980012049 |