CN117607593A - 一种基于大数据的电容器分析方法及系统 - Google Patents
一种基于大数据的电容器分析方法及系统 Download PDFInfo
- Publication number
- CN117607593A CN117607593A CN202311616795.4A CN202311616795A CN117607593A CN 117607593 A CN117607593 A CN 117607593A CN 202311616795 A CN202311616795 A CN 202311616795A CN 117607593 A CN117607593 A CN 117607593A
- Authority
- CN
- China
- Prior art keywords
- capacitor
- area
- verification
- concave
- test
- 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
- 239000003990 capacitor Substances 0.000 title claims abstract description 295
- 238000004458 analytical method Methods 0.000 title claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 110
- 238000012795 verification Methods 0.000 claims abstract description 106
- 230000007547 defect Effects 0.000 claims abstract description 71
- 238000001514 detection method Methods 0.000 claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000006073 displacement reaction Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000003287 optical effect Effects 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000013519 translation Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000014759 maintenance of location Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本申请公开了一种基于大数据的电容器分析方法及系统，包括以下步骤：基于大数据获取电容器周长，并将测试斜面以倾斜方向依次划分为检测区、验证区和测试区，其中，测试斜面设置有若干出风洞，检验区与测试区长度均为单个电容器周长，验证区长度为n个电容器周长；使检测区内出风洞动力相同，并测试电容器在检测区内的动态平衡。本申请可以无需人工快速对表面存在凹形缺陷的电容器进行分析，能够得到其凹陷种类和凹陷部位；通过对电容器进行多次验证，具有较高的分析准确度且能够在分析完成后自动根据分析情况对电容器进行分类，大大提高了对电容器凹形缺陷分析的效率，降低了人力成本。
Description
技术领域
本申请涉及电容器分析的领域，尤其是涉及一种基于大数据的电容器分析方法及系统。
背景技术
电容器是电力系统中常见的电气元件，用于储存电能、平衡电压和电流等。在电力系统中，电容器的状态对系统的稳定性和安全性有重要影响；而圆柱形电容器是一种常见的电容器类型，其结构为两个球面或圆盘状的电极板，之间有一层绝缘介质，通常为空气、蜡纸、塑料薄片等。该电容器的特点是结构简单，制造和安装方便，使用范围广泛；由于圆柱形电容器的工作稳定性和可靠性较高，在电子电路、通讯系统和电力系统中具有广泛应用。
目前，随着大数据技术的发展，基于大数据的电容器分析方法逐渐被引入，并具有更高的准确性和可靠性，通过对大量电容器的数据分析和处理，可以获取更加全面的电容器信息和性能表现，提高电容器故障检测和预测的能力。
在相关技术中，对于圆柱形电容器的外观缺陷检测主要是基于大数据获取常规数据，然后通过人工进行测量和实验，在对圆柱形电容器进行人工检测时，只能对凸出状缺陷具有良好检测效果，由于一些缺陷的形态为凹陷状，并不容易被发现。
如何对表面存在凹形缺陷的电容器进行快速分析，提高整个检测过程的效率，是在电容器分析中亟待解决优化的问题。
发明内容
为了对表面存在凹形缺陷的电容器进行快速分析，提高整个检测过程的效率，本申请提供基于大数据的电容器分析方法及系统。
本申请提供的基于大数据的电容器分析方法及系统采用如下的技术方案：
第一方面，一种基于大数据的电容器分析方法，包括以下步骤：
基于大数据获取电容器周长，并将测试斜面以倾斜方向依次划分为检测区、验证区和测试区，其中，测试斜面设置有若干出风洞，检验区与测试区长度均为单个电容器周长，验证区长度为n个电容器周长；
使检测区内出风洞动力相同，并测试电容器在检测区内的动态平衡；
若测定检测区内的电容器动态不平衡，则根据电容器不平衡程度确定凹型缺陷信息及对应出风洞组列；
将验证区以电容器周长划分为n组子验证区域，并依据检测区确定的风出洞组列对n组子验证区域的出风洞匹配动力；
以凹型缺陷信息为初始验证对象，测试电容器在n组子验证区域的动态平衡，得到动态平衡结果集，并分析动态平衡结果集生成验证后的凹形缺陷信息；
根据验证后的凹形缺陷信息对测试区内出风洞动力进行分配，并对电容器预测试停留点区域；
测量电容器实际停留区域，若与预测试停留点区域相同，则输出验证后的凹形缺陷信息，并收集各停留点区域的电容器。
在上述任一方案中优选的是，所述使检测区内出风洞动力相同，并测试电容器在检测区内的动态平衡，包括以下步骤：
根据电容器表面对检测区内出风洞进行编码，并为出风洞分配相同气压；
实时采集电容器在检测区内的运动图像，并通过相关技术对运动图像进行预处理及提取电容器轮廓；
选取两针运动图像中的每个像素，在下一帧图像中找到对应的像素，并通过像素点平移计算相邻两帧运动图像中电容器的位移；
根据对连续帧的位移变量进行建模，得到电容器的运动模型。
在上述任一方案中优选的是，所述选取两针运动图像中的每个像素，在下一帧图像中找到对应的像素，并通过像素点平移计算相邻两帧运动图像中电容器的位移，包括以下步骤：
通过相关技术提取电容器特征点，设第t帧图像的特征点像素坐标为(x,y)，并通过光流向量Δv＝(Δx,Δy)表征特征点(x,y)从t帧图像至t+1帧图像中的位移；
通过公式：对光流向量Δv进行求解，其中，A为矩阵形式的系数矩阵，(u,v)为特征点的像素坐标，Ix和Iy分别为特征点像素位置上的梯度。
在上述任一方案中优选的是，所述根据对连续帧的位移变量进行建模，得到电容器的运动模型，包括以下步骤：
对于每个时刻t，设电容器在相机坐标系下的位置为(xt，yt，zt)，得到相邻两帧的电容器运动模型：其中Δxt、Δyt和Δzt为电容器在相邻两针图像中在相机坐标系下的位移向量；
将相邻两帧的运动模型推广至整个时间序列，得到整个时间序列的运动模型：其中，第t行的矩阵为相邻两帧之间的运动模型，/>为前t帧图像中电容器在相机坐标系下的位移向量之和；
将电容器在相机坐标系下的位置初始化为(x0，y0，z0)，设定初始时间戳为t0，并对于每个后续的时刻ti，设与之前的时刻ti-1之间的光流向量为Δvi-1,i＝(ui-1,i,vi-1,i)；
根据整个时间序列的运动模型，在相机坐标系下计算电容器的位移向量ΔXi＝(Δxi,Δyi,Δzi)：并将Δxi,Δyi,Δzi作为特征向量，将ti-t0作为特征值，将所有的(Δxi,Δyi,Δzi,ti-t0)组成特征集合D；
通过回归算法对D进行回归，得到电容器在相机坐标系下的运动模型其中，/>为电容器在时间ti时的预测位置，f(ti)为电容器在时间ti的运动模型。
在上述任一方案中优选的是，所述若测定检测区内的电容器动态不平衡，则根据电容器不平衡程度确定凹型缺陷信息及对应出风洞组列，包括以下步骤：
获得电容器在同一时刻下的预测位置和实际位置/>并通过公式：计算差值et，其中，||·||2为欧式距离；
若差值et大于差值阈值e，则判断电容器在t时刻出现了动态不平衡；
将时刻t下电容器经历的出风洞组列所匹配的电容器部位输出为凹陷部位，并根据凹陷种类差值区间判断差值et所属的凹陷种类，其中，凹形缺陷信息包括凹陷种类和凹陷部位。
在上述任一方案中优选的是，所述将验证区以电容器周长划分为n组子验证区域，并依据检测区确定的风出洞组列对n组子验证区域的出风洞匹配动力，包括以下步骤：
将凹陷部位所对应的出风洞与n组子验证区域内的出风洞进行配对，以将电容器的凹陷部位映射于每组子验证区域的出风洞上；
控制n组子验证区域内的对应出风洞气压与检测区内的出风洞气压相同，以对电容器的凹陷种类进行n次验证。
在上述任一方案中优选的是，所述以凹型缺陷信息为初始验证对象，测试电容器在n组子验证区域的动态平衡，得到动态平衡结果集，并分析动态平衡结果集生成验证后的凹形缺陷信息，包括以下步骤：
以凹陷种类为验证对象，凹陷部位对应的出风洞气压为验证参数，并构建电容器在每组子验证区域的运动模型；
通过每个子验证区域的运动模型，计算在对应出风洞处电容器实际位置与预测位置的差值；
对n个验证子区域的差值进行统计，计算验证区的差值平均值，并以验证区的差值平均值所属的凹陷种类为验证后的凹陷种类。
在上述任一方案中优选的是，所述根据验证后的凹形缺陷信息对测试区内出风洞动力进行分配，并对电容器预测试停留点区域，包括以下步骤：
预设置电容器停留区，并以凹陷种类类别对电容器停留区进行标记；
在测试区出风洞无气压下构建电容器在测试区的运动模型，并预测电容器通过测试区的最终位置；
对测试区内出风洞气压进行分配，使预测电容器通过测试区的最终位置更改至满足验证后的凹陷种类的电容器停留区。
在上述任一方案中优选的是，所述测量电容器实际停留区域，若与预测试停留点区域相同，则输出验证后的凹形缺陷信息，并收集各停留点区域的电容器，包括以下步骤：
获取电容器实际通过测试区的最终位置，并判断是否所属验证后的凹陷种类的电容器停留区；
若属于，则输出验证后的凹陷种类及凹陷部位，并对同一凹陷种类的电容器进行收集。
第二方面，一种基于大数据的电容器分析系统，所述系统包括：
划分模块，用于基于大数据获取电容器周长，并将测试斜面以倾斜方向依次划分为检测区、验证区和测试区，其中，测试斜面设置有若干出风洞，检验区与测试区长度均为单个电容器周长，验证区长度为n个电容器周长；
检测模块，用于使检测区内出风洞动力相同，并测试电容器在检测区内的动态平衡；
确定模块，用于若测定检测区内的电容器动态不平衡，则根据电容器不平衡程度确定凹型缺陷信息及对应出风洞组列；
动力分配模块，用于将验证区以电容器周长划分为n组子验证区域，并依据检测区确定的风出洞组列对n组子验证区域的出风洞匹配动力；
验证模块，用于以凹型缺陷信息为初始验证对象，测试电容器在n组子验证区域的动态平衡，得到动态平衡结果集，并分析动态平衡结果集生成验证后的凹形缺陷信息；
测试模块，用于根据验证后的凹形缺陷信息对测试区内出风洞动力进行分配，并对电容器预测试停留点区域；
分类模块，用于测量电容器实际停留区域，若与预测试停留点区域相同，则输出验证后的凹形缺陷信息，并收集各停留点区域的电容器。
综上所述，本申请包括以下至少一种有益技术效果：
本申请提供的基于大数据的电容器分析方法，可以无需人工快速对表面存在凹形缺陷的电容器进行分析，能够得到其凹陷种类和凹陷部位；通过对电容器进行多次验证，具有较高的分析准确度且能够在分析完成后自动根据分析情况对电容器进行分类，大大提高了对电容器凹形缺陷分析的效率，降低了人力成本。
附图说明
图1是本实施例主要体现基于大数据的电容器分析方法的步骤框图。
图2是本实施例主要体现S200子步骤的步骤框图；
图3是本实施例主要体现S300子步骤的步骤框图；
图4是本实施例主要体现S400子步骤的步骤框图；
图5是本实施例主要体现S500子步骤的步骤框图；
图6是本实施例主要体现S600子步骤的步骤框图；
图7是本实施例主要体现S700子步骤的步骤框图；
图8是本实施例主要体现基于大数据的电容器分析系统的框图；
图9是本实施例主要体现测试斜面各区域的示意图；
图10是本实施例主要体现测试斜面与电容器位置的示意图。
附图标记：1、划分模块；2、检测模块；3、确定模块；4、动力分配模块；5、验证模块；6、测试模块；7、分类模块。
具体实施方式
为了使本申请的技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请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申请，并不用于限定本申请。
为了更好地理解上述技术方案，以下结合附图1-10对本申请作进一步详细说明。
本申请提供了一种基于大数据的电容器分析方法，包括以下步骤：
S100，基于大数据获取电容器周长，并将测试斜面以倾斜方向依次划分为检测区、验证区和测试区，其中，测试斜面设置有若干出风洞，检验区与测试区长度均为单个电容器周长，验证区长度为n个电容器周长；
S200，使检测区内出风洞动力相同，并测试电容器在检测区内的动态平衡；
S300，若测定检测区内的电容器动态不平衡，则根据电容器不平衡程度确定凹型缺陷信息及对应出风洞组列；
S400，将验证区以电容器周长划分为n组子验证区域，并依据检测区确定的风出洞组列对n组子验证区域的出风洞匹配动力；
S500，以凹型缺陷信息为初始验证对象，测试电容器在n组子验证区域的动态平衡，得到动态平衡结果集，并分析动态平衡结果集生成验证后的凹形缺陷信息；
S600，根据验证后的凹形缺陷信息对测试区内出风洞动力进行分配，并对电容器预测试停留点区域；
S700，测量电容器实际停留区域，若与预测试停留点区域相同，则输出验证后的凹形缺陷信息，并收集各停留点区域的电容器。
在本申请实施例所述的基于大数据的电容器分析方法中，凹形缺陷包括凹槽、裂缝等凹陷于正常表面的缺陷。
应当指出的是，上述步骤仅是优选的实施顺序，在具体实施过程中，在不影响整体实施效果的前提下，部分步骤可以调换。
在S100中，可通过大数据预先获取待分析的圆柱状电容器的周长，即圆柱状电容器侧面圆形的周长，通过此周长可以表征电容器一点转动360度的位移长度，进而通过以周长为分割长度将测试斜面分割为多个区域，可以满足对电容器表面凹形缺陷的识别，避免缺少数据及产生冗余数据；其中，为防止电容器在测试斜面的运动速度过大，测试斜面的倾斜角不宜过大，测试斜面的宽度应略大于电容器宽度，且设置出风洞的出气方式为涓流出气。
在本申请实施例所述的基于大数据的电容器分析方法中，在S100步骤中，通过基于大数据的方法获取电容器周长，能够提高电容器分析的准确性和可靠，通过将测试斜面划分为三个区域，可以使得每个区域进行相关的测试和分析，更加详细全面地了解电容器的情况，可以更加全面地了解电容器的情况，提高分析的深度和广度；
在S200步骤中，通过使出风洞动力相同可以消除动力因素对测试结果的影响，提高测试结果的可靠性，为后续的分析和处理提供依据；
在S300步骤中，若电容器在检测区内动态不平衡，则可以判断是否存在凹形缺陷信息，并通过不平衡程度确定缺陷信息的具体属性，同时针对不同缺陷信息确定对应的出风洞组列，为下一步验证做准备；
在S400步骤中，将验证区划分为多个子区域，可以更加详细地了解电容器在不同区域的状态，根据检测区确定的风出洞组列，对每个子区域的出风洞进行动力匹配，方便后续对电容器进行有针对性的验证；
在S500步骤中，以凹型缺陷信息作为初始验证对象，能够更加有针对性地进行验证，且通过n组子验证区域，可以对电容器进行n次验证，大大提高了测试结果的可靠性；
在S600步骤中，根据验证后的凹型缺陷信息，对出风洞动力进行分配，能够进行二次验证，提高测试结果的可靠性；
在S700步骤中，通过测量电容器实际停留区域，能够更加准确地了解电容器的状态，判断电容器停留位置是否与预测试点区域相同，并输出验证后的凹形缺陷信息，实现对电容器的凹形缺陷的二次验证，并且能够同时对不同缺陷类型的电容器进行分类收集。
具体的，所述S200使检测区内出风洞动力相同，并测试电容器在检测区内的动态平衡，包括以下步骤：
S210，根据电容器表面对检测区内出风洞进行编码，并为出风洞分配相同气压；
S220，实时采集电容器在检测区内的运动图像，并通过相关技术对运动图像进行预处理及提取电容器轮廓；
S230，选取两针运动图像中的每个像素，在下一帧图像中找到对应的像素，并通过像素点平移计算相邻两帧运动图像中电容器的位移；
S240，根据对连续帧的位移变量进行建模，得到电容器的运动模型。
在S210中，由于是以电容器的侧圆周长作为分割长度，及可以将电容器表面的每个区域与出风洞进行匹配，可使电容器上每一区域在分割长度为周长的区间内都匹配有唯一出风洞。
进一步的，所述S230选取两针运动图像中的每个像素，在下一帧图像中找到对应的像素，并通过像素点平移计算相邻两帧运动图像中电容器的位移，包括以下步骤：
S231，通过相关技术提取电容器特征点，设第t帧图像的特征点像素坐标为(x,y)，并通过光流向量Δv＝(Δx,Δy)表征特征点(x,y)从t帧图像至t+1帧图像中的位移；
S232，通过公式：对光流向量Δv进行求解，其中，A为矩阵形式的系数矩阵，(u,v)为特征点的像素坐标，Ix和Iy分别为特征点像素位置上的梯度。
进一步的，所述S240根据对连续帧的位移变量进行建模，得到电容器的运动模型，包括以下步骤：
S241，对于每个时刻t，设电容器在相机坐标系下的位置为(xt，yt，zt)，得到相邻两帧的电容器运动模型：其中Δxt、Δyt和Δzt为电容器在相邻两针图像中在相机坐标系下的位移向量；
S242，将相邻两帧的运动模型推广至整个时间序列，得到整个时间序列的运动模型：
其中，第t行的矩阵为相邻两帧之间的运动模型，/>为前t帧图像中电容器在相机坐标系下的位移向量之和；
S243，将电容器在相机坐标系下的位置初始化为(x0，y0，z0)，设定初始时间戳为t0，并对于每个后续的时刻ti，设与之前的时刻ti-1之间的光流向量为Δvi-1,i＝(ui-1,i,vi-1,i)；
S244，根据整个时间序列的运动模型，在相机坐标系下计算电容器的位移向量ΔXi＝(Δxi,Δyi,Δzi)：并将Δxi,Δyi,Δzi作为特征向量，将ti-t0作为特征值，将所有的(Δxi,Δyi,Δzi,ti-t0)组成特征集合D；
S245，通过回归算法对D进行回归，得到电容器在相机坐标系下的运动模型其中，/>为电容器在时间ti时的预测位置，f(ti)为电容器在时间ti的运动模型。
具体的，所述S300若测定检测区内的电容器动态不平衡，则根据电容器不平衡程度确定凹型缺陷信息及对应出风洞组列，包括以下步骤：
S310，获得电容器在同一时刻下的预测位置和实际位置/>并通过公式：计算差值et，其中，||·||2为欧式距离；
S320，若差值et大于差值阈值e，则判断电容器在t时刻出现了动态不平衡；
S330，将时刻t下电容器经历的出风洞组列所匹配的电容器部位输出为凹陷部位，并根据凹陷种类差值区间判断差值et所属的凹陷种类，其中，凹形缺陷信息包括凹陷种类和凹陷部位。
在S330中，可预先设置有多组判定区间，每组判定区别分别对应一种凹陷种类，进而通过计算差值大小并判定差值所属的判定区间，可得到相应的凹陷种类，其中，由于差值的产生是由于气体作用于缺陷和无缺陷区域的结果，因而，可通过对应的出风洞行列，定位到电容器缺陷所在的横向部位。
具体的，所述S400将验证区以电容器周长划分为n组子验证区域，并依据检测区确定的风出洞组列对n组子验证区域的出风洞匹配动力，包括以下步骤：
S410，将凹陷部位所对应的出风洞与n组子验证区域内的出风洞进行配对，以将电容器的凹陷部位映射于每组子验证区域的出风洞上；
S420，控制n组子验证区域内的对应出风洞气压与检测区内的出风洞气压相同，以对电容器的凹陷种类进行n次验证。
具体的，所述S500以凹型缺陷信息为初始验证对象，测试电容器在n组子验证区域的动态平衡，得到动态平衡结果集，并分析动态平衡结果集生成验证后的凹形缺陷信息，包括以下步骤：
S510，以凹陷种类为验证对象，凹陷部位对应的出风洞气压为验证参数，并构建电容器在每组子验证区域的运动模型；
S520，通过每个子验证区域的运动模型，计算在对应出风洞处电容器实际位置与预测位置的差值；
S530，对n个验证子区域的差值进行统计，计算验证区的差值平均值，并以验证区的差值平均值所属的凹陷种类为验证后的凹陷种类。
在S510中，电容器在验证区内的运动模型可通过上述在检测区的运动模型的构建方法进行构建，下述中电容器在测试区的运动模型同理进行构建。
具体的，所述S600根据验证后的凹形缺陷信息对测试区内出风洞动力进行分配，并对电容器预测试停留点区域，包括以下步骤：
S610，预设置电容器停留区，并以凹陷种类类别对电容器停留区进行标记；
S620，在测试区出风洞无气压下构建电容器在测试区的运动模型，并预测电容器通过测试区的最终位置；
S630，对测试区内出风洞气压进行分配，使预测电容器通过测试区的最终位置更改至满足验证后的凹陷种类的电容器停留区。
在S610中，电容器停留区预先设置于测试区的出口处，用于收集测试完成的电容器，其中也包括有用于收集正常电容器的电容器停留区。
具体的，所述S700测量电容器实际停留区域，若与预测试停留点区域相同，则输出验证后的凹形缺陷信息，并收集各停留点区域的电容器，包括以下步骤：
S710，获取电容器实际通过测试区的最终位置，并判断是否所属验证后的凹陷种类的电容器停留区；
S720，若属于，则输出验证后的凹陷种类及凹陷部位，并对同一凹陷种类的电容器进行收集。
在S720中，若发生电容器实际通过测试区的最终位置不属于验证后的凹陷种类的电容器停留区，则可将该电容器重新进行S100至S700操作。
本申请还提供了一种基于大数据的电容器分析系统，所述系统包括：
划分模块1，用于基于大数据获取电容器周长，并将测试斜面以倾斜方向依次划分为检测区、验证区和测试区，其中，测试斜面设置有若干出风洞，检验区与测试区长度均为单个电容器周长，验证区长度为n个电容器周长；
检测模块2，用于使检测区内出风洞动力相同，并测试电容器在检测区内的动态平衡；
确定模块3，用于若测定检测区内的电容器动态不平衡，则根据电容器不平衡程度确定凹型缺陷信息及对应出风洞组列；
动力分配模块4，用于将验证区以电容器周长划分为n组子验证区域，并依据检测区确定的风出洞组列对n组子验证区域的出风洞匹配动力；
验证模块5，用于以凹型缺陷信息为初始验证对象，测试电容器在n组子验证区域的动态平衡，得到动态平衡结果集，并分析动态平衡结果集生成验证后的凹形缺陷信息；
测试模块6，用于根据验证后的凹形缺陷信息对测试区内出风洞动力进行分配，并对电容器预测试停留点区域；
分类模块7，用于测量电容器实际停留区域，若与预测试停留点区域相同，则输出验证后的凹形缺陷信息，并收集各停留点区域的电容器。
本申请提供的有益效果是：
本申请提供的基于大数据的电容器分析方法，可以无需人工快速对表面存在凹形缺陷的电容器进行分析，能够得到其凹陷种类和凹陷部位；通过对电容器进行多次验证，具有较高的分析准确度且能够在分析完成后自动根据分析情况对电容器进行分类，大大提高了对电容器凹形缺陷分析的效率，降低了人力成本。
以上仅为本申请的优选实施例而已，并不用于限制本申请，尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于大数据的电容器分析方法，其特征在于：包括以下步骤：
基于大数据获取电容器周长，并将测试斜面以倾斜方向依次划分为检测区、验证区和测试区，其中，测试斜面设置有若干出风洞，检验区与测试区长度均为单个电容器周长，验证区长度为n个电容器周长；
使检测区内出风洞动力相同，并测试电容器在检测区内的动态平衡；
若测定检测区内的电容器动态不平衡，则根据电容器不平衡程度确定凹型缺陷信息及对应出风洞组列；
将验证区以电容器周长划分为n组子验证区域，并依据检测区确定的风出洞组列对n组子验证区域的出风洞匹配动力；
以凹型缺陷信息为初始验证对象，测试电容器在n组子验证区域的动态平衡，得到动态平衡结果集，并分析动态平衡结果集生成验证后的凹形缺陷信息；
根据验证后的凹形缺陷信息对测试区内出风洞动力进行分配，并对电容器预测试停留点区域；
测量电容器实际停留区域，若与预测试停留点区域相同，则输出验证后的凹形缺陷信息，并收集各停留点区域的电容器。
2.根据权利要求1所述的一种基于大数据的电容器分析方法，其特征在于：所述使检测区内出风洞动力相同，并测试电容器在检测区内的动态平衡，包括以下步骤：
根据电容器表面对检测区内出风洞进行编码，并为出风洞分配相同气压；
实时采集电容器在检测区内的运动图像，并通过相关技术对运动图像进行预处理及提取电容器轮廓；
选取两针运动图像中的每个像素，在下一帧图像中找到对应的像素，并通过像素点平移计算相邻两帧运动图像中电容器的位移；
根据对连续帧的位移变量进行建模，得到电流器的运动模型。
3.根据权利要求2所述的一种基于大数据的电容器分析方法，其特征在于：所述选取两针运动图像中的每个像素，在下一帧图像中找到对应的像素，并通过像素点平移计算相邻两帧运动图像中电容器的位移，包括以下步骤：
通过相关技术提取电容器特征点，设第t帧图像的特征点像素坐标为(x,y)，并通过光流向量Δv＝(Δx,Δy)表征特征点(x,y)从t帧图像至t+1帧图像中的位移；
通过公式：对光流向量Δv进行求解，其中，A为矩阵形式的系数矩阵，(u,v)为特征点的像素坐标，Ix和Iy分别为特征点像素位置上的梯度。
4.根据权利要求3所述的一种基于大数据的电容器分析方法，其特征在于：所述根据对连续帧的位移变量进行建模，得到电流器的运动模型，包括以下步骤：
对于每个时刻t，设电容器在相机坐标系下的位置为(xt,yt,zt)，得到相邻两帧的电容器运动模型：其中Δxt、Δyt和Δzt为电容器在相邻两针图像中在相机坐标系下的位移向量；
将相邻两帧的运动模型推广至整个时间序列，得到整个时间序列的运动模型：
其中，第t行的矩阵为相邻两帧之间的运动模型，/>为前t帧图像中电容器在相机坐标系下的位移向量之和；
将电容器在相机坐标系下的位置初始化为(x0,y0,z0)，设定初始时间戳为t0，并对于每个后续的时刻ti，设与之前的时刻ti-1之间的光流向量为Δvi-1,i＝(ui-1,i,vi-1,i)；
根据整个时间序列的运动模型，在相机坐标系下计算电容器的位移向量ΔXi＝(Δxi,Δyi,Δzi)：并将Δxi,Δyi,Δzi作为特征向量，将ti-t0作为特征值，将所有的(Δxi,Δyi,Δzi,ti-t0)组成特征集合D；
通过回归算法对D进行回归，得到电容器在相机坐标系下的运动模型其中，为电容器在时间ti时的预测位置，f(ti)为电容器在时间ti的运动模型。
5.根据权利要求4所述的一种基于大数据的电容器分析方法，其特征在于：所述若测定检测区内的电容器动态不平衡，则根据电容器不平衡程度确定凹型缺陷信息及对应出风洞组列，包括以下步骤：
获得电容器在同一时刻下的预测位置和实际位置/>并通过公式：/>计算差值et，其中，||·||2为欧式距离；
若差值et大于差值阈值e，则判断电容器在t时刻出现了动态不平衡；
将时刻t下电容器经历的出风洞组列所匹配的电容器部位输出为凹陷部位，并根据凹陷种类差值区间判断差值et所属的凹陷种类，其中，凹形缺陷信息包括凹陷种类和凹陷部位。
6.根据权利要求5所述的一种基于大数据的电容器分析方法，其特征在于：所述将验证区以电容器周长划分为n组子验证区域，并依据检测区确定的风出洞组列对n组子验证区域的出风洞匹配动力，包括以下步骤：
将凹陷部位所对应的出风洞与n组子验证区域内的出风洞进行配对，以将电容器的凹陷部位映射于每组子验证区域的出风洞上；
控制n组子验证区域内的对应出风洞气压与检测区内的出风洞气压相同，以对电容器的凹陷种类进行n次验证。
7.根据权利要求6所述的一种基于大数据的电容器分析方法，其特征在于：所述以凹型缺陷信息为初始验证对象，测试电容器在n组子验证区域的动态平衡，得到动态平衡结果集，并分析动态平衡结果集生成验证后的凹形缺陷信息，包括以下步骤：
以凹陷种类为验证对象，凹陷部位对应的出风洞气压为验证参数，并构建电容器在每组子验证区域的运动模型；
通过每个子验证区域的运动模型，计算在对应出风洞处电容器实际位置与预测位置的差值；
对n个验证子区域的差值进行统计，计算验证区的差值平均值，并以验证区的差值平均值所属的凹陷种类为验证后的凹陷种类。
8.根据权利要求7所述的一种基于大数据的电容器分析方法，其特征在于：所述根据验证后的凹形缺陷信息对测试区内出风洞动力进行分配，并对电容器预测试停留点区域，包括以下步骤：
预设置电容器停留区，并以凹陷种类类别对电容器停留区进行标记；
在测试区出风洞无气压下构建电容器在测试区的运动模型，并预测电容器通过测试区的最终位置；
对测试区内出风洞气压进行分配，使预测电容器通过测试区的最终位置更改至满足验证后的凹陷种类的电容器停留区。
9.根据权利要求8所述的一种基于大数据的电容器分析方法，其特征在于：所述测量电容器实际停留区域，若与预测试停留点区域相同，则输出验证后的凹形缺陷信息，并收集各停留点区域的电容器，包括以下步骤：
获取电容器实际通过测试区的最终位置，并判断是否所属验证后的凹陷种类的电容器停留区；
若属于，则输出验证后的凹陷种类及凹陷部位，并对同一凹陷种类的电容器进行收集。
10.一种基于大数据的电容器分析系统，其特征在于：所述系统包括：
划分模块(1)，用于基于大数据获取电容器周长，并将测试斜面以倾斜方向依次划分为检测区、验证区和测试区，其中，测试斜面设置有若干出风洞，检验区与测试区长度均为单个电容器周长，验证区长度为n个电容器周长；
检测模块(2)，用于使检测区内出风洞动力相同，并测试电容器在检测区内的动态平衡；
确定模块(3)，用于若测定检测区内的电容器动态不平衡，则根据电容器不平衡程度确定凹型缺陷信息及对应出风洞组列；
动力分配模块(4)，用于将验证区以电容器周长划分为n组子验证区域，并依据检测区确定的风出洞组列对n组子验证区域的出风洞匹配动力；
验证模块(5)，用于以凹型缺陷信息为初始验证对象，测试电容器在n组子验证区域的动态平衡，得到动态平衡结果集，并分析动态平衡结果集生成验证后的凹形缺陷信息；
测试模块(6)，用于根据验证后的凹形缺陷信息对测试区内出风洞动力进行分配，并对电容器预测试停留点区域；
分类模块(7)，用于测量电容器实际停留区域，若与预测试停留点区域相同，则输出验证后的凹形缺陷信息，并收集各停留点区域的电容器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311616795.4A CN117607593A (zh) | 2023-08-10 | 2023-08-10 | 一种基于大数据的电容器分析方法及系统 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311616795.4A CN117607593A (zh) | 2023-08-10 | 2023-08-10 | 一种基于大数据的电容器分析方法及系统 |
| CN202311000779.2A CN116718546B (zh) | 2023-08-10 | 2023-08-10 | 一种基于大数据的电容器分析方法及系统 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311000779.2A Division CN116718546B (zh) | 2023-08-10 | 2023-08-10 | 一种基于大数据的电容器分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117607593A true CN117607593A (zh) | 2024-02-27 |
Family
ID=87875610
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311616795.4A Pending CN117607593A (zh) | 2023-08-10 | 2023-08-10 | 一种基于大数据的电容器分析方法及系统 |
| CN202311000779.2A Active CN116718546B (zh) | 2023-08-10 | 2023-08-10 | 一种基于大数据的电容器分析方法及系统 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311000779.2A Active CN116718546B (zh) | 2023-08-10 | 2023-08-10 | 一种基于大数据的电容器分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN117607593A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107063858A (zh) * | 2016-12-29 | 2017-08-18 | 铜陵龙嘉机电有限公司 | 一种用于电容器壳体侧壁抗压性能测试的自动化检验筛选线 |
| US20200240924A1 (en) * | 2020-03-18 | 2020-07-30 | Zhuhai Autovision Technology Co. Ltd. | Method for detecting appearance of six sides of chip multi-layer ceramic capacitor based on artificial intelligence |
| CN111583211A (zh) * | 2020-04-29 | 2020-08-25 | 广东利元亨智能装备股份有限公司 | 缺陷检测方法、装置及电子设备 |
| CN116244860A (zh) * | 2023-03-09 | 2023-06-09 | 成都宏科电子科技有限公司 | 一种多芯组多层瓷介电容器模型设计方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05126750A (ja) * | 1991-11-01 | 1993-05-21 | Fuji Electric Co Ltd | 円形容器内面検査装置 |
| TWI564741B (zh) * | 2016-01-25 | 2017-01-01 | 敖翔科技股份有限公司 | 智慧型缺陷分類採樣方法、系統與電腦可讀取儲存媒體 |
| CN107345916B (zh) * | 2017-07-25 | 2020-01-10 | 深圳市杰恩世智能科技有限公司 | 一种基于固定轮廓的平面外观检测方法 |
| CN113624433A (zh) * | 2021-08-18 | 2021-11-09 | 商丘工学院 | 一种电子自动化电子仪器检测平台 |
| CN115164774A (zh) * | 2022-08-17 | 2022-10-11 | 张轶东 | 一种风电塔筒筒体圆度检测装置 |
-
2023
- 2023-08-10 CN CN202311616795.4A patent/CN117607593A/zh active Pending
- 2023-08-10 CN CN202311000779.2A patent/CN116718546B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107063858A (zh) * | 2016-12-29 | 2017-08-18 | 铜陵龙嘉机电有限公司 | 一种用于电容器壳体侧壁抗压性能测试的自动化检验筛选线 |
| US20200240924A1 (en) * | 2020-03-18 | 2020-07-30 | Zhuhai Autovision Technology Co. Ltd. | Method for detecting appearance of six sides of chip multi-layer ceramic capacitor based on artificial intelligence |
| CN111583211A (zh) * | 2020-04-29 | 2020-08-25 | 广东利元亨智能装备股份有限公司 | 缺陷检测方法、装置及电子设备 |
| CN116244860A (zh) * | 2023-03-09 | 2023-06-09 | 成都宏科电子科技有限公司 | 一种多芯组多层瓷介电容器模型设计方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116718546B (zh) | 2023-12-19 |
| CN116718546A (zh) | 2023-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
| CN111444939B (zh) | 电力领域开放场景下基于弱监督协同学习的小尺度设备部件检测方法 | |
| CN108961235A (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
| CN113920107A (zh) | 一种基于改进yolov5算法的绝缘子破损检测方法 | |
| CN110838112A (zh) | 一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法 | |
| CN113763312A (zh) | 使用弱标记检测半导体试样中的缺陷 | |
| CN113361354A (zh) | 轨道部件巡检方法、装置、计算机设备和存储介质 | |
| CN106649919A (zh) | 燃煤电站锅炉飞灰含碳量预测模型构建方法及系统 | |
| CN111462057B (zh) | 一种基于深度学习的输电线路上玻璃绝缘子自爆检测方法 | |
| CN111046950B (zh) | 一种图像处理方法、装置、存储介质和电子装置 | |
| CN113255590A (zh) | 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统 | |
| CN110660049A (zh) | 一种基于深度学习的轮胎缺陷检测方法 | |
| CN114724042B (zh) | 一种输电线路中零值绝缘子自动检测方法 | |
| CN116718546B (zh) | 一种基于大数据的电容器分析方法及系统 | |
| CN115631411A (zh) | 基于sten网络对不同环境中的绝缘子破损检测方法 | |
| CN114897858A (zh) | 一种基于深度学习的快速绝缘子缺陷检测方法及其系统 | |
| CN110427019A (zh) | 一种基于多变量判别分析的npda故障分类方法及控制装置 | |
| CN117094095B (zh) | 一种晶圆翘曲度优化方法及系统 | |
| US6108253A (en) | Failure analysis system, fatal failure extraction method and recording medium | |
| CN116030013A (zh) | 多目标多类别破损缺陷检测方法、系统及计算机存储介质 | |
| CN115937555A (zh) | 一种基于标准化流模型的工业缺陷检测算法 | |
| CN115170470A (zh) | 一种电缆缺陷的3d模型拟合生成装置及缺陷检测方法 | |
| CN116739959A (zh) | 基于改进Faster-RCNN的注射器缺陷检测方法 | |
| CN113989793A (zh) | 一种石墨电极钢印文字识别方法 | |
| CN117690846B (zh) | 太阳能硅片视觉检测方法、装置、设备及存储介质 |
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 |