CN117351271A - 高压配电线路监控设备故障监测方法、系统及其存储介质 - Google Patents
高压配电线路监控设备故障监测方法、系统及其存储介质 Download PDFInfo
- Publication number
- CN117351271A CN117351271A CN202311253936.0A CN202311253936A CN117351271A CN 117351271 A CN117351271 A CN 117351271A CN 202311253936 A CN202311253936 A CN 202311253936A CN 117351271 A CN117351271 A CN 117351271A
- Authority
- CN
- China
- Prior art keywords
- original image
- feature vector
- image set
- network model
- reference image
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000009826 distribution Methods 0.000 title claims abstract description 33
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 239000013598 vector Substances 0.000 claims abstract description 86
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 48
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012806 monitoring device Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 230000014509 gene expression Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000008485 antagonism Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- 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
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及设备故障监控领域,公开了高压配电线路监控设备故障监测方法、系统及其存储介质,其方法包括以下步骤:按照预设时间段采集被检测设备实时的原始图像集;将采集到的原始图像集通过预训练的卷积神经网络模型进行特征提取,获得第一特征矩阵;基于原始图像集中的任意部分原始图像数据及其对应的第一特征向量,对卷积神经网络模型进行微调;将原始图像集通过预处理后,通过对抗网络模型生成参考图像集;基于参考图像及其对应的第一特征向量,计算获得被检测设备预设时间段内的相对质量分数,在通过相对质量分数确定被检测设备运行异常的情况下,生成报警信息,本发明方案具有准确性高、适应性强、可靠性强等优点。
Description
技术领域
本发明涉及设备故障监控领域,尤其涉及高压配电线路监控设备故障监测方法、系统及其存储介质。
背景技术
高压配电线路与其关联的监控设备是现代电力系统的核心组成部分。这些设备的稳定运行直接影响到电力供应的可靠性和安全性。因此,实时和准确地故障监测机制至关重要。然而,由于高压设备通常安装在恶劣或难以到达的环境中,传统的检测和维护方法面临诸多挑战。
传统的故障检测方法通常依赖于图像处理技术,如阈值分割、边缘检测等,以及手动特征工程。这些方法的缺点是需要大量的手动干预和专业知识,而且很难应对复杂和多变的实际情况。
传统方法通常是静态的,缺乏对新故障模式和环境变化的自适应能力。一旦模型被建立,就很难进行调整或优化。
传统方法通常依赖于特定的硬件和软件环境,缺乏可扩展性。此外,它们通常需要大量的计算资源和专业人员进行维护。
发明内容
针对上述现有技术存在的若干问题,本发明提供高压配电线路监控设备故障监测方法、系统及其存储介质,本发明可以自适应地调整模型以适应新的故障模式或环境变化;即使在少量标注数据的情况下也能实现高准确性;提高故障检测的准确性和可靠性;能有效减少故障发生后的响应时间,从而提高系统的整体稳定性和安全性。
高压配电线路监控设备故障监测方法,包括以下步骤:
按照预设时间段采集被检测设备实时的原始图像集,所述原始图像集包括至少一个原始图像数据;
将采集到的原始图像集通过预训练的卷积神经网络模型进行特征提取,获得第一特征矩阵,所述第一特征矩阵的每一行代表一个原始图像数据的第一特征向量;
基于原始图像集中的任意部分原始图像数据及其对应的第一特征向量,对卷积神经网络模型进行微调;
将原始图像集通过预处理后,通过对抗网络模型生成参考图像集,所述参考图像集包括至少一个参考图像;
基于参考图像及其对应的第一特征向量,计算获得被检测设备预设时间段内的相对质量分数,在通过相对质量分数确定被检测设备运行异常的情况下,生成报警信息。
优选的,所述原始图像数据通过直接采集得到,或者通过从原始视频数据中抽取帧获得。
优选的,通过将正常工作状态下被监控设备图像数据、各种故障状态下的被监控设备图像数据以及在不同环境和光照条件下被监控设备图像数据作为训练样本,对卷积神经网络模型进行预训练,使卷积神经网络模型能识别出被监测设备在不同工作状态下的视觉特征。
优选的,所述基于原始图像集中的任意部分原始图像数据及其对应的第一特征向量,对卷积神经网络模型进行微调包括:
选择原始图像集中的任意部分原始图像数据进行标注,获得包含标注信息的标注数据集;
从第一特征矩阵中选择与被标注的原始图像数据对应的第一特征向量,获得标注特征子集;
将标注数据集及标注特征子集作为输入数据,通过反向传播算法及梯度下降算法对卷积神经网络模型进行微调。
优选的,通过对原始图像集进行预处理,达到符合生成对抗网络模型的输入要求,其中,所述对抗网络模型的函数表达式为:
其中,V(D,G)表示判别器D和生成器G的目标函数;x表示实际故障图像;z表示随机噪声向量;preal表示实际故障图像的概率分布;pz表示随机噪声的概率分布;D(x)表示判别器D对实际故障图像的输出;D(G(x))表示判别器D对生成的参考故障图像的输出;minG对生成参考故障图像的生成器G进行参数最小化;maxD对区分实际故障图像和生成的参考故障图像的判别器D进行参数最大化。
优选的,所述基于参考图像及其对应的第一特征向量,计算获得预设时间段内的相对质量分数包括:
选择全部或部分参考图像及其对应的第一特征向量;
通过微调后的卷积神经网络模型提取参考图像的第二特征向量;
通过第一特征向量及第二特征向量计算相对质量分数。
优选的,采用余弦相似度作为评分机制,所述通过第一特征向量及第二特征向量计算相对质量分数的计算函数表达式为:
其中,cos(θ)表示第一特征向量与第二特征向量之间角度的余弦值,也就是相对质量分数;A表示第一特征向量;B表示第二特征向量;‖A‖与‖B‖分别表示向量A与向量B的模。
优选的,通过将相对质量分数与预设阈值分数进行对比,当相对质量分数低于预设阈值分数时,确定被检测设备运行异常,生成报警信息。
高压配电线路监控设备故障监测系统,包括:
原始数据采集模块,所述原始数据采集模块用于按照预设时间段和观测时间采集被检测设备实时的原始图像集,所述原始图像集包括至少一个原始图像数据;
特征提取模块,所述特征提取用于将采集到的原始图像集通过预训练的卷积神经网络模型进行特征提取,获得第一特征矩阵,所述第一特征矩阵的每一行代表一个原始图像数据的第一特征向量;
模型调整模块,所述模型调整模块基于原始图像集中的任意部分原始图像数据及其对应的第一特征向量,对卷积神经网络模型进行微调;
参考图像集生成模块,所述参考图像集生成模块用于将原始图像集通过预处理后,通过对抗网络模型生成参考图像集,所述参考图像集包括至少一个参考图像;
评估模块,所述评估模块基于参考图像及其对应的第一特征向量,计算获得预设时间段内的相对质量分数,在通过相对质量分数确定被检测设备运行异常的情况下,生成报警信息。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的高压配电线路监控设备故障监测方法的步骤。
相比于现有技术,本发明的优点及有益效果在于:
自动特征提取和准确分类
(1)通过使用预训练的卷积神经网络(CNN)进行特征提取,本发明能自动识别和提取图像中的关键特征;这消除了手动选择和调整特征的需要,能实现更高的分类和故障检测准确性;
(2)本发明包括一个模型微调步骤,允许用户根据实际应用场景和少量标注数据对预训练模型进行微调;这提高了模型的准确性和泛化能力,尤其是在数据量有限的情况下;
(3)通过使用生成对抗网络(GAN),本发明能生成与实际情况非常接近的高质量参考图像;这增强了质量评分和故障检测的准确性和可靠性;
(4)本发明提供了一个完整的端到端流程,从数据采集和预处理到特征提取、模型微调和最终的故障检测;这不仅简化了实施过程,还确保了各个步骤之间的高度整合和优化;
(5)本发明通过计算相对质量分数并与预设阈值进行比较,能实时地监控设备状态;一旦检测到异常,系统会自动触发报警,从而实现快速和有效的故障响应;
(6)由于特征提取和故障检测过程是自动化的,本发明能大大减少手动分析和监控的需要,从而节省人力和时间。
附图说明
图1为本发明方法的流程示意图;
图2为本发明中对卷积神经网络模型进行微调的流程示意图;
图3为本发明中计算相对质量分数的流程示意图;
图4为本发明系统的结构框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显的,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
附图中示出了一些方框图和/或流程图。应理解,方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外,本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式,该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。
如图1所示,高压配电线路监控设备故障监测方法,包括以下步骤:
按照预设时间段采集被检测设备实时的原始图像集,所述原始图像集包括至少一个原始图像数据;
优选的,所述原始图像数据通过直接采集得到,或者通过从原始视频数据中抽取帧获得。
数据采集是按照预设的时间段进行的,这意味着系统会在特定的时间点或时间间隔进行图像捕获。这种时间驱动的方式是为了确保能够获得被检测设备状态的时序性展示。
原始图像数据有两种获取方式:一是直接从被检测设备(例如,摄像头)采集单帧图像;二是从一个连续的视频流中抽取单独的帧。
在第二种方式中,每一帧实际上是一个独立的图像,这些图像共同构成一个视频。这种方式通常用于捕获更多的上下文信息和动态变化。
本发明使用预设时间段进行采集可以确保系统在关键时刻(如故障更容易发生的时间段)有足够的数据进行分析;提供多种数据采集方式(直接图像或从视频抽帧)增加了系统的灵活性,使其能够适应不同的场景和需求;通过实时采集原始图像数据,系统能够及时反映被检测设备的状态,这对于及时识别和处理可能的故障是非常关键的。
在一个实施例中,
直接采集:每隔10秒采集一次图像数据,这些图像数据可以用来检测某个时间点设备的状态。
或者通过视频中抽取:若一个摄像头以10帧/秒的速度录制视频,从这些视频中每隔1秒抽取一帧,以便捕获更多的动态信息。
将采集到的原始图像集通过预训练的卷积神经网络模型进行特征提取,获得第一特征矩阵,所述第一特征矩阵的每一行代表一个原始图像数据的第一特征向量;
优选的,通过将正常工作状态下被监控设备图像数据、各种故障状态下的被监控设备图像数据以及在不同环境和光照条件下被监控设备图像数据作为训练样本,对卷积神经网络模型进行预训练,使卷积神经网络模型能识别出被监测设备在不同工作状态下的视觉特征。
卷积神经网络是一种深度学习模型,特别适用于图像分析。这个模型能够自动且适应地从原始图像数据中学习有用的特征,而无需手动设计特征。
在这个阶段,预训练的卷积神经网络模型用于提取原始图像集的特征。每一张图像都会被转换成一个特征向量,这些特征向量合在一起形成一个特征矩阵。
为了使模型能够更准确地识别和分类不同类型的设备故障,模型首先在一个大型、多样化的数据集上进行预训练。
这个数据集不仅包括正常工作状态下的设备图像,还包括各种故障状态下的设备图像,以及在不同环境和光照条件下的设备图像。
通过这样的预训练,模型能够学习识别设备在不同工作状态下的视觉特征,从而为后续的故障诊断提供更准确的数据基础。
本发明通过使用卷积神经网络进行特征提取可以获得高度信息化的特征表示,这对于后续的质量评分和故障检测非常有用;通过预训练的模型,特征提取的准确性和可靠性都有所提高。这意味着模型能够更准确地识别出设备是否处于故障状态;由于模型在多种工作状态和环境条件下都进行了预训练,因此它具有很高的适应性和鲁棒性。
在一个实施例中,一个原始图像集包含100张图像,每张图像通过卷积神经网络模型转换成一个256维的特征向量。这样,就得到了一个100行256列的第一特征矩阵。
在另一个实施例中,假设预训练数据集包括三类图像:正常工作的设备图像,短路故障的设备图像,以及在雨天和夜晚的设备图像。模型会从这些图像中学习如何区分正常和异常情况,以及如何在不同的环境条件下进行准确识别。
如图2所示,基于原始图像集中的任意部分原始图像数据及其对应的第一特征向量,对卷积神经网络模型进行微调;
微调是一种迁移学习的形式,它允许一个已经在某任务上训练过的模型被调整(fine-tuned)用于一个新的但相关的任务。
在本发明中,卷积神经网络模型已经在一个大规模数据集上进行了预训练。然而,这个预训练模型并不完全适应于特定的高压配电线路监控设备和它们的故障模式。因此,微调在这里用于校正这些模型偏差。
优选的,所述基于原始图像集中的任意部分原始图像数据及其对应的第一特征向量,对卷积神经网络模型进行微调包括:
选择原始图像集中的任意部分原始图像数据进行标注,获得包含标注信息的标注数据集;
从第一特征矩阵中选择与被标注的原始图像数据对应的第一特征向量,获得标注特征子集;
将标注数据集及标注特征子集作为输入数据,通过反向传播算法及梯度下降算法对卷积神经网络模型进行微调。
在微调过程中,首先从原始图像集中选择一部分图像进行人工标注。这些标注信息提供了对应图像应有的“正确答案”,用于后续的模型训练。
这些被标注的原始图像数据对应于第一特征矩阵中的一些行(特征向量)。这些对应的特征向量被选出来,构成一个“标注特征子集”。
使用标注数据集和标注特征子集作为输入,通过反向传播算法和梯度下降算法来更新模型的权重。
这样,模型就会在特定于高压配电线路监控设备的数据上进行优化。
本发明通过微调,模型将更准确地识别和分类设备的故障状态,从而提高整个监控系统的可靠性;微调有助于减少模型在特定应用场景下的误报和漏报,因为模型现在更加适应于这些特定的数据。
在一个实施例中,假设原始图像集包含1000张图像,其中选择100张图像进行人工标注。这些标注包括“正常”、“短路”、“电缆破损”等。这100张被标注的图像在第一特征矩阵中对应于100个特征向量。这些特征向量被选出,构成一个100行的标注特征子集。使用这100张标注图像和对应的特征子集,通过反向传播和梯度下降算法,对卷积神经网络模型进行微调。
将原始图像集通过预处理后,通过对抗网络模型生成参考图像集,所述参考图像集包括至少一个参考图像;
生成对抗网络(GAN)由两部分组成:生成器G和判别器D。
生成器负责从随机噪声z生成图像,而判别器则试图区分这些生成的图像与实际图像(实际故障图像)的区别。
在将原始图像数据输入到GAN之前,需要一系列预处理步骤,如尺寸调整、归一化等,以确保它们满足GAN的输入要求。
生成器G使用随机噪声z生成参考图像,这些图像作为与原始图像集进行比较的基准。
生成器和判别器各自有一个目标函数,这两个目标函数是相互竞争的。
生成器试图最小化其参数以生成越来越逼真的参考图像,而判别器则试图最大化其参数以更准确地区分实际图像和生成的图像。
优选的,通过对原始图像集进行预处理,达到符合生成对抗网络模型的输入要求,其中,所述对抗网络模型的函数表达式为:
其中,V(D,G)表示判别器D和生成器G的目标函数;x表示实际故障图像;z表示随机噪声向量;preal表示实际故障图像的概率分布;pz表示随机噪声的概率分布;D(x)表示判别器D对实际故障图像的输出;D(G(x))表示判别器D对生成的参考故障图像的输出;minG对生成参考故障图像的生成器G进行参数最小化;maxD对区分实际故障图像和生成的参考故障图像的判别器D进行参数最大化。
本发明通过GAN生成的参考图像应具有足够的质量和多样性,以便能与实际故障图像进行有效比较;由于GAN能够生成各种各样的参考图像,这有助于提高整个故障检测系统的鲁棒性。
在一个实施例中,假设原始图像集的图像大小不统一,预处理步骤包括将所有图像调整为相同的尺寸和颜色范围。在训练GAN之后,生成器G会生成一系列的参考图像,这些图像模拟了各种可能的设备故障情况。在训练过程中,生成器和判别器会不断更新其参数,以改善各自的性能。例如,生成器会越来越擅长生成逼真的参考故障图像,而判别器则会越来越擅长区分实际故障图像和生成的参考故障图像。
如图3所示,基于参考图像及其对应的第一特征向量,计算获得被检测设备预设时间段内的相对质量分数,在通过相对质量分数确定被检测设备运行异常的情况下,生成报警信息。
优选的,所述基于参考图像及其对应的第一特征向量,计算获得预设时间段内的相对质量分数包括:
选择全部或部分参考图像及其对应的第一特征向量;
通过微调后的卷积神经网络模型提取参考图像的第二特征向量;
通过第一特征向量及第二特征向量计算相对质量分数。
每张参考图像都有一个与之对应的第一特征向量,这些特征向量是通过预训练和微调后的卷积神经网络模型得到的,目的是通过比较这些特征向量以及由相同模型提取出的参考图像的第二特征向量来计算一个相对质量分数。
可以选择全部或部分参考图像及其对应的第一特征向量。选择的数量和具体哪些图像被选中取决于具体应用需求。
选择全部参考图像
使用全部参考图像能提供更全面的信息,从而增加评分的精度。
如果参考图像集非常多样,使用全部图像可以增加模型对异常情况的鲁棒性。
选择部分参考图像
只使用部分参考图像可以大大减少计算时间和资源。
可以根据具体需求选择最具代表性或最相关的参考图像。
通过微调后的卷积神经网络模型对所选的参考图像进行特征提取,得到第二特征向量。
本发明中,质量分数为故障检测提供了一个量化的标准。如果某个设备的相对质量分数低于预定阈值,系统将生成报警信息;由于可以选择全部或部分参考图像进行质量评分,这增加了系统的灵活性。
在一个实施例中,假设有100张参考图像,可以选择其中的10张(或所有100张)进行质量评分。运用微调后的卷积神经网络模型,对这10张选定的参考图像进行特征提取。假设使用余弦相似度作为评分机制,会计算每对第一和第二特征向量之间的余弦相似度,然后求平均值作为相对质量分数。
优选的,采用余弦相似度作为评分机制,所述通过第一特征向量及第二特征向量计算相对质量分数的计算函数表达式为:
其中,cos(θ)表示第一特征向量与第二特征向量之间角度的余弦值,也就是相对质量分数;A表示第一特征向量;B表示第二特征向量;‖A‖与‖B‖分别表示向量A与向量B的模。
相对质量分数的数值范围是已知的(-1到1),因此它具有很好的解释性。这有助于操作人员快速理解设备的状态。
在一个实施例中,计算相对质量分数:
假设有两个特征向量A=[1,2,3]和B=[1,2,2.9],计算它们之间的余弦相似度。
根据公式,余弦相似度(即相对质量分数)将非常接近1,这意味着两个特征向量非常相似。
通过使用余弦相似度作为评分机制,本发明能够精确地量化两个特征向量(因此也是两张图像或设备状态)之间的相似性。这种量化对于故障检测和预防性维护是非常有用的。
优选的,通过将相对质量分数与预设阈值分数进行对比,当相对质量分数低于预设阈值分数时,确定被检测设备运行异常,生成报警信息。
本发明引入了一个“预设阈值分数”作为决策边界。这个阈值是一个经验或统计数据得出的数值,用于区分正常和异常状态。
当计算得到的“相对质量分数”低于这个预设阈值时,系统会认定为设备运行出现异常。
决策机制实际上是一个分类问题,其中预设阈值作为决策边界。相对质量分数与这个阈值进行比较,以确定设备是否处于正常运行状态。
如果相对质量分数低于预设阈值,系统会生成一个报警信息。这是一个自动化的过程,其目的是立即通知维护人员或系统管理员。
本发明中,由于这一步是自动化的,因此它能够实现快速响应,减少了因故障导致的停机时间和潜在损失;阈值的选取会直接影响到系统报警的准确性和可靠性。如果阈值设置得太高或太低,会出现误报或漏报。
在一个实施例中,假设预设阈值是0.8,而某次计算得到的相对质量分数为0.75。由于0.75小于0.8,系统将判断设备处于异常状态,并生成报警信息。
通过将相对质量分数与预设阈值进行比较,本发明提供了一种自动化、快速、并相对准确的方法来判断高压配电线路监控设备的运行状态。
如图4所示,高压配电线路监控设备故障监测系统,包括:
原始数据采集模块,所述原始数据采集模块用于按照预设时间段和观测时间采集被检测设备实时的原始图像集,所述原始图像集包括至少一个原始图像数据;
原始数据采集模块使用各种传感器或摄像头来按照预定的时间段和观测时间采集高压配电线路监控设备的原始图像。收集的图像被组织成一个原始图像集,每个图像都是该集合的一个元素。
特征提取模块,所述特征提取用于将采集到的原始图像集通过预训练的卷积神经网络模型进行特征提取,获得第一特征矩阵,所述第一特征矩阵的每一行代表一个原始图像数据的第一特征向量;
预训练的CNN用于从原始图像中提取重要特征,每个原始图像通过CNN变换成一个特征向量,所有这些向量组成了一个特征矩阵。
模型调整模块,所述模型调整模块基于原始图像集中的任意部分原始图像数据及其对应的第一特征向量,对卷积神经网络模型进行微调;
模型调整模块接收原始图像集的一部分和其相应的特征向量,然后微调预训练的CNN模型以适应当前的监控环境。
参考图像集生成模块,所述参考图像集生成模块用于将原始图像集通过预处理后,通过对抗网络模型生成参考图像集,所述参考图像集包括至少一个参考图像;
参考图像集生成模块使用GAN从原始图像集生成参考图像集。这些参考图像反映了设备在正常和异常状态下的预期外观。
评估模块,所述评估模块基于参考图像及其对应的第一特征向量,计算获得预设时间段内的相对质量分数,在通过相对质量分数确定被检测设备运行异常的情况下,生成报警信息。
评估模块基于参考图像和原始图像的特征向量计算一个分数。如果这个分数低于一个预设阈值,模块会生成一个报警信息。
本发明系统中由于各模块的自动化和实时处理能力,系统能够快速检测并响应设备的异常状态;预训练和微调的CNN模型以及GAN生成的参考图像提高了系统的准确性和可靠性。
在一个实施例中,假设一个摄像头拍摄了一个高压电缆的图像,并检测到某种异常(如破损或火花)。
这个图像首先通过特征提取模块,然后通过微调模块进行进一步处理。
参考图像集生成模块创建一个正常状态下电缆应有的参考图像。
评估模块比较这两个图像(或其特征向量)并计算一个相对质量分数。如果这个分数低于预设阈值,系统会生成一个报警信息。
这个高压配电线路监控设备故障监测系统通过集成多个专门设计的模块,实现了高度自动化和准确的故障检测。这不仅提高了电网的可靠性,还有助于预防可能的安全事故。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的高压配电线路监控设备故障监测方法的步骤。
本发明方案与传统方案的对比的区别主要在于:
图像特征提取和分类
传统方案:通常使用手工特征提取和经典机器学习算法(如SVM)来进行图像分类或故障检测。
本发明方案:使用预训练的卷积神经网络(CNN)自动提取图像特征并进行分类。
优点:CNN能自动学习更复杂和抽象的特征,通常比传统方法更准确。
2.模型训练和微调
传统方案:通常需要大量标注数据和手动调整模型参数。
本发明方案:通过迁移学习,使用预训练的模型并在少量目标数据上进行微调。
优点:即使只有少量标注数据,也能通过微调实现高准确性。
3.参考图像生成
传统方案:使用手动选取或简单算法生成的“伪”参考图像。
本发明方案:使用生成对抗网络(GAN)生成高质量、与真实情况接近的参考图像。
优点:GAN生成的参考图像通常更准确,从而提高了质量评分和故障检测的准确性。
综上所述,本发明方案主要使用深度学习和生成对抗网络,具有自动特征提取、准确的故障检测和高质量参考图像生成等优点。与传统方案相比,它通常能实现更高的准确性和更低的人工干预需求。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例,或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框,以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他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、商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他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所做的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.高压配电线路监控设备故障监测方法,其特征在于,包括以下步骤:
按照预设时间段采集被检测设备实时的原始图像集,所述原始图像集包括至少一个原始图像数据;
将采集到的原始图像集通过预训练的卷积神经网络模型进行特征提取,获得第一特征矩阵,所述第一特征矩阵的每一行代表一个原始图像数据的第一特征向量;
基于原始图像集中的任意部分原始图像数据及其对应的第一特征向量,对卷积神经网络模型进行微调;
将原始图像集通过预处理后,通过对抗网络模型生成参考图像集,所述参考图像集包括至少一个参考图像;
基于参考图像及其对应的第一特征向量,计算获得被检测设备预设时间段内的相对质量分数,在通过相对质量分数确定被检测设备运行异常的情况下,生成报警信息。
2.根据权利要求1所述的高压配电线路监控设备故障监测方法,其特征在于,所述原始图像数据通过直接采集得到,或者通过从原始视频数据中抽取帧获得。
3.根据权利要求1所述的高压配电线路监控设备故障监测方法,其特征在于,通过将正常工作状态下被监控设备图像数据、各种故障状态下的被监控设备图像数据以及在不同环境和光照条件下被监控设备图像数据作为训练样本,对卷积神经网络模型进行预训练,使卷积神经网络模型能识别出被监测设备在不同工作状态下的视觉特征。
4.根据权利要求1所述的高压配电线路监控设备故障监测方法,其特征在于,所述基于原始图像集中的任意部分原始图像数据及其对应的第一特征向量,对卷积神经网络模型进行微调包括:
选择原始图像集中的任意部分原始图像数据进行标注,获得包含标注信息的标注数据集;
从第一特征矩阵中选择与被标注的原始图像数据对应的第一特征向量,获得标注特征子集;
将标注数据集及标注特征子集作为输入数据,通过反向传播算法及梯度下降算法对卷积神经网络模型进行微调。
5.根据权利要求1所述的高压配电线路监控设备故障监测方法,其特征在于,通过对原始图像集进行预处理,达到符合生成对抗网络模型的输入要求,其中,所述对抗网络模型的函数表达式为:
其中,V(D,G)表示判别器D和生成器G的目标函数;x表示实际故障图像;z表示随机噪声向量;preal表示实际故障图像的概率分布;pz表示随机噪声的概率分布;D(x)表示判别器D对实际故障图像的输出;D(G(x))表示判别器D对生成的参考故障图像的输出;minG对生成参考故障图像的生成器G进行参数最小化;maxD对区分实际故障图像和生成的参考故障图像的判别器D进行参数最大化。
6.根据权利要求1所述的高压配电线路监控设备故障监测方法,其特征在于,所述基于参考图像及其对应的第一特征向量,计算获得预设时间段内的相对质量分数包括:
选择全部或部分参考图像及其对应的第一特征向量;
通过微调后的卷积神经网络模型提取参考图像的第二特征向量;
通过第一特征向量及第二特征向量计算相对质量分数。
7.根据权利要求6所述的高压配电线路监控设备故障监测方法,其特征在于,采用余弦相似度作为评分机制,所述通过第一特征向量及第二特征向量计算相对质量分数的计算函数表达式为:
其中,cos(θ)表示第一特征向量与第二特征向量之间角度的余弦值,也就是相对质量分数;A表示第一特征向量;B表示第二特征向量;‖A‖与‖B‖分别表示向量A与向量B的模。
8.据权利要求1所述的高压配电线路监控设备故障监测方法,其特征在于,通过将相对质量分数与预设阈值分数进行对比,当相对质量分数低于预设阈值分数时,确定被检测设备运行异常,生成报警信息。
9.高压配电线路监控设备故障监测系统,其特征在于,包括:
原始数据采集模块,所述原始数据采集模块用于按照预设时间段和观测时间采集被检测设备实时的原始图像集,所述原始图像集包括至少一个原始图像数据;
特征提取模块,所述特征提取用于将采集到的原始图像集通过预训练的卷积神经网络模型进行特征提取,获得第一特征矩阵,所述第一特征矩阵的每一行代表一个原始图像数据的第一特征向量;
模型调整模块,所述模型调整模块基于原始图像集中的任意部分原始图像数据及其对应的第一特征向量,对卷积神经网络模型进行微调;
参考图像集生成模块,所述参考图像集生成模块用于将原始图像集通过预处理后,通过对抗网络模型生成参考图像集,所述参考图像集包括至少一个参考图像;
评估模块,所述评估模块基于参考图像及其对应的第一特征向量,计算获得预设时间段内的相对质量分数,在通过相对质量分数确定被检测设备运行异常的情况下,生成报警信息。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的高压配电线路监控设备故障监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311253936.0A CN117351271A (zh) | 2023-09-26 | 2023-09-26 | 高压配电线路监控设备故障监测方法、系统及其存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311253936.0A CN117351271A (zh) | 2023-09-26 | 2023-09-26 | 高压配电线路监控设备故障监测方法、系统及其存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117351271A true CN117351271A (zh) | 2024-01-05 |
Family
ID=89368272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311253936.0A Pending CN117351271A (zh) | 2023-09-26 | 2023-09-26 | 高压配电线路监控设备故障监测方法、系统及其存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117351271A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117589798A (zh) * | 2024-01-19 | 2024-02-23 | 中诚华隆计算机技术有限公司 | 一种芯片故障检测方法、装置及电子设备 |
CN117974658A (zh) * | 2024-03-29 | 2024-05-03 | 深圳市明谋科技有限公司 | 基于图像处理的线缆异常识别方法及系统 |
-
2023
- 2023-09-26 CN CN202311253936.0A patent/CN117351271A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117589798A (zh) * | 2024-01-19 | 2024-02-23 | 中诚华隆计算机技术有限公司 | 一种芯片故障检测方法、装置及电子设备 |
CN117974658A (zh) * | 2024-03-29 | 2024-05-03 | 深圳市明谋科技有限公司 | 基于图像处理的线缆异常识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN117351271A (zh) | 高压配电线路监控设备故障监测方法、系统及其存储介质 | |
CN111862065B (zh) | 基于多任务深度卷积神经网络的输电线路诊断方法和系统 | |
CN112163572A (zh) | 识别对象的方法和装置 | |
CN110751270A (zh) | 一种无人机电线故障检测方法、系统及设备 | |
CN116052082A (zh) | 一种基于深度学习算法的配电站房异常检测方法及装置 | |
Manninen et al. | Multi-stage deep learning networks for automated assessment of electricity transmission infrastructure using fly-by images | |
KR102433598B1 (ko) | 데이터 경계 도출 시스템 및 방법 | |
CN112232235B (zh) | 基于5g和算法的智慧工厂远程监控方法及系统 | |
Daogang et al. | Anomaly identification of critical power plant facilities based on YOLOX-CBAM | |
CN117253192A (zh) | 用于桑蚕养殖的智能系统及方法 | |
CN115309871B (zh) | 一种基于人工智能算法的工业大数据处理方法及系统 | |
CN115965625A (zh) | 一种基于视觉识别的仪表检测装置及其检测方法 | |
CN116739963A (zh) | 一种基于多层级多尺度特征融合的电网设备缺陷检测方法 | |
CN111553408B (zh) | 视频识别软件自动测试的方法 | |
Wang et al. | Anomaly detection in crowd scene using historical information | |
He et al. | Fabric defect detection based on improved object as point | |
WO2024117143A1 (en) | Information processing system, control system, and controllable image sensor | |
CN116156149B (zh) | 一种用于检测摄像头移动的检测方法及装置 | |
CN114724041B (zh) | 基于深度学习的电力设备红外热图的识别方法及系统 | |
CN111259843B (zh) | 基于视觉稳定特征分类配准的多媒体导航仪测试方法 | |
Meng et al. | A swin transformer based bird nest detection approach with unmanned aerial vehicle images for power distribution and pole towers | |
Zhao et al. | Image data analytics to support engineers’ decision-making | |
CN116824210A (zh) | 一种刀闸状态识别方法、系统及电子设备 | |
Pal et al. | A Video-Based Activity Classification of Human Pickers in Agriculture |
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 |