CN117613822B - 变频器快速停机方法、装置、设备及存储介质 - Google Patents

变频器快速停机方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117613822B
CN117613822B CN202410073958.7A CN202410073958A CN117613822B CN 117613822 B CN117613822 B CN 117613822B CN 202410073958 A CN202410073958 A CN 202410073958A CN 117613822 B CN117613822 B CN 117613822B
Authority
CN
China
Prior art keywords
frequency converter
scale
key frame
target frequency
real
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410073958.7A
Other languages
English (en)
Other versions
CN117613822A (zh
Inventor
杨珍
刘诗敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Kewo Electric Technology Co ltd
Original Assignee
Shenzhen Kewo Electric Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Kewo Electric Technology Co ltd filed Critical Shenzhen Kewo Electric Technology Co ltd
Priority to CN202410073958.7A priority Critical patent/CN117613822B/zh
Publication of CN117613822A publication Critical patent/CN117613822A/zh
Application granted granted Critical
Publication of CN117613822B publication Critical patent/CN117613822B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
    • H02H7/10—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions for converters; for rectifiers
    • H02H7/12—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions for converters; for rectifiers for static converters or rectifiers
    • H02H7/1216—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions for converters; for rectifiers for static converters or rectifiers for AC-AC converters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/0096—Radiation pyrometry, e.g. infrared or optical thermometry for measuring wires, electrical contacts or electronic systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/48—Thermography; Techniques using wholly visual means
    • G01J5/485—Temperature profile
    • 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H1/00—Details of emergency protective circuit arrangements
    • H02H1/0007—Details of emergency protective circuit arrangements concerning the detecting means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H1/00—Details of emergency protective circuit arrangements
    • H02H1/0092—Details of emergency protective circuit arrangements concerning the data processing means, e.g. expert systems, neural networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H5/00—Emergency protective circuit arrangements for automatic disconnection directly responsive to an undesired change from normal non-electric working conditions with or without subsequent reconnection
    • H02H5/04—Emergency protective circuit arrangements for automatic disconnection directly responsive to an undesired change from normal non-electric working conditions with or without subsequent reconnection responsive to abnormal temperature
    • H02H5/045—Emergency protective circuit arrangements for automatic disconnection directly responsive to an undesired change from normal non-electric working conditions with or without subsequent reconnection responsive to abnormal temperature using a thermal radiation sensor
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H6/00—Emergency protective circuit arrangements responsive to undesired changes from normal non-electric working conditions using simulators of the apparatus being protected, e.g. using thermal images
    • H02H6/005—Emergency protective circuit arrangements responsive to undesired changes from normal non-electric working conditions using simulators of the apparatus being protected, e.g. using thermal images using digital thermal images
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/20—Cameras or camera modules comprising electronic image sensors; Control thereof for generating image signals from infrared radiation only
    • H04N23/23—Cameras or camera modules comprising electronic image sensors; Control thereof for generating image signals from infrared radiation only from thermal infrared radiation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J2005/0077—Imaging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Power Engineering (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Toxicology (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明提供了一种变频器快速停机方法、装置、设备及存储介质，该方法包括：在目标变频器工作过程中实时获取目标变频器的输出波形和热成像视频，对热成像视频进行分帧操作，得到热成像视频的多个关键帧图像；对多个关键帧图像进行图像特征提取，得到多个关键帧图像对应的特征图，并对输出波形进行特征提取，得到特征向量；将特征图和特征向量输入预设的多模态神经网络模型中，得到目标变频器的实时热检测结果；若热检测结果为热检测异常，则根据异常类型判断是否对目标变频器进行快速停机。本方法结合热成像技术和输出波形分析，实时、准确地监控变频器的工作状态，并在检测到异常情况时迅速执行停机程序，从而保护设备免受过热或电气故障的损害。

Description

变频器快速停机方法、装置、设备及存储介质
技术领域
本发明涉及自动化技术领域，尤其涉及一种变频器快速停机方法、装置、设备及存储介质。
背景技术
变频器作为电力电子技术中的关键组件，广泛应用于工业、能源、交通等多个领域。它通过改变电源的频率来控制交流电机的速度，从而实现能量的高效利用和工艺流程的优化。然而，随着工业自动化程度的不断提高，变频器的可靠性和安全性显得尤为重要。特别是在高负荷或恶劣环境下工作的变频器，容易出现过热、电路故障等问题，变频器在调节电机速度的过程中会产生热量，过高的温度不仅会影响变频器本身的效率和寿命，还可能导致安全事故。目前，变频器的温度检测主要依赖于传统的温度传感器，如热电偶或热阻。这些传感器虽然在特定应用中相对准确和可靠，但也存在一些限制。例如，它们可能无法提供关于变频器内部不同部位的详细温度分布信息，对于预测和防止局部过热现象的能力有限，导致变频器进行快速停机的时间并不准确。
发明内容
本发明的主要目的在于解决现有的热检测方式导致变频器进行快速停机的时间并不准确的技术问题。
本发明第一方面提供了一种变频器快速停机方法，所述变频器快速停机方法包括：
确定目标变频器，在所述目标变频器工作过程中实时获取所述目标变频器的输出波形；
在所述目标变频器工作过程中对所述目标变频器进行热成像拍摄，得到对应的热成像视频，并对所述热成像视频进行分帧操作，得到所述热成像视频的多个关键帧图像；
对所述多个关键帧图像进行图像特征提取，得到所述多个关键帧图像对应的特征图，并对所述输出波形进行特征提取，得到特征向量；
将所述特征图和所述特征向量输入预设的多模态神经网络模型中，得到所述目标变频器的实时热检测结果，其中所述实时热检测结果包括热检测异常和热检测正常，以及当所述实时热检测结果为热检测异常时的异常类型；
若所述热检测结果为热检测异常，则根据所述异常类型判断是否对所述目标变频器进行快速停机。
可选的，在本发明第一方面的第一种实现方式中，所述对所述热成像视频进行分帧操作，得到所述热成像视频的多个关键帧图像包括：
对所述热成像视频进行分帧操作，得到所述热成像视频的多个图像帧；
对所述多个图像帧进行逐帧比对，计算各图像帧之间的相似度；
根据所述多个图像帧的时间轴，将所述相似度大于预设相似度阈值的图像帧抽取为所述热成像视频的关键帧图像，得到多个关键帧图像。
可选的，在本发明第一方面的第二种实现方式中，所述对所述多个关键帧图像进行图像特征提取，得到所述多个关键帧图像对应的特征图包括：
根据所述多个关键帧图像中各像素的像素数值生成各关键帧图像对应的颜色直方图，并根据所述颜色直方图生成对应的关键帧图像的温度分布特征；
根据所述多个关键帧图像中各像素的像素数值对对应的关键帧图像进行热点检测，得到各颜色直方图的热点区域特征；
融合各关键帧图像对应的温度分布特征和热点区域特征，得到各关键帧图像对应的热成像特征，并根据所述热成像特征生成对应的关键帧图像对应的特征图。
可选的，在本发明第一方面的第三种实现方式中，所述对所述输出波形进行特征提取，得到特征向量包括：
获取所述目标变频器对应的解析函数，并根据所述解析函数对所述输出波形进行多尺度分解，得到各尺度下所述输出波形的近似系数和细节系数；
对各尺度下的近似系数和细节系数进行平方运算，得到各尺度下的能量值；
对所述各尺度下的能量值进行归一化处理，并提取归一化处理后的能量值的能量信号特征；
根据各尺度下的能量信号特征组合生成所述输出波形的特征向量。
可选的，在本发明第一方面的第四种实现方式中，所述获取所述目标变频器对应的解析函数，并根据所述解析函数对所述输出波形进行多尺度分解，得到各尺度下所述输出波形的近似系数和细节系数包括：
将所述输出波形作为当前尺度的当前近似系数，并通过预设的解析函数根据所述当前近似系数计算所述当前尺度的低频成分和高频成分；
将所述高频成分作为当前尺度的当前细节系数，并将所述低频成分作为当前尺度的下一尺度的当前近似系数；
将所述当前尺度的下一尺度更新为当前尺度，并返回至通过预设的解析函数根据所述当前近似系数计算所述当前尺度的低频成分和高频成分的步骤，直至达到预设的尺度数量；
将各尺度的当前近似系数和当前细节系数作为各尺度下所述输出波形的近似系数和细节系数。
可选的，在本发明第一方面的第五种实现方式中，所述将所述特征图和所述特征向量输入预设的多模态神经网络模型中，得到所述目标变频器的实时热检测结果包括：
将所述特征图和所述特征向量输入预设的多模态神经网络模型中，通过所述多模态神经网络模型的注意力机制层分别计算所述特征图和所述特征向量的注意力权重向量；
通过所述多模态神经网络模型中的特征融合层根据所述权重向量对所述特征图和所述特征向量进行加权融合，得到融合特征向量；
通过所述多模态神经网络模型中的分类层根据所述融合特征向量计算所述目标变频器的实时热检测结果，通过所述多模态神经网络模型中的输出层输出所述实时热检测结果。
可选的，在本发明第一方面的第六种实现方式中，所述通过所述多模态神经网络模型中的分类层根据所述融合特征向量计算所述目标变频器的实时热检测结果，通过所述多模态神经网络模型中的输出层输出所述实时热检测结果包括：
通过所述多模态神经网络模型中的分类层将所述融合特征向量线性变换映射至高维特征空间，得到线性变换结果；
通过预设的激活函数对所述线性变换结果进行非线性变换，得到非线性变换结果；
通过所述分类层中的全连接层根据所述非线性变换结果计算所述目标变频器对应不同实时热检测结果的概率；
将概率最高的实时热检测结果作为所述目标变频器的实时热检测结果，并通过所述多模态神经网络模型中的输出层输出所述实时热检测结果。
本发明第二方面提供了一种变频器快速停机装置，所述变频器快速停机装置包括：
数据获取模块，用于确定目标变频器，在所述目标变频器工作过程中实时获取所述目标变频器的输出波形；
热成像模块，用于在所述目标变频器工作过程中对所述目标变频器进行热成像拍摄，得到对应的热成像视频，并对所述热成像视频进行分帧操作，得到所述热成像视频的多个关键帧图像；
特征提取模块，用于对所述多个关键帧图像进行图像特征提取，得到所述多个关键帧图像对应的特征图，并对所述输出波形进行特征提取，得到特征向量；
模型输入模块，用于将所述特征图和所述特征向量输入预设的多模态神经网络模型中，得到所述目标变频器的实时热检测结果，其中所述实时热检测结果包括热检测异常和热检测正常，以及当所述实时热检测结果为热检测异常时的异常类型；
停机判断模块，用于若所述热检测结果为热检测异常，则根据所述异常类型判断是否对所述目标变频器进行快速停机。
本发明第三方面提供了一种变频器快速停机装置，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述变频器快速停机设备执行上述的变频器快速停机方法的步骤。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的变频器快速停机方法的步骤。
上述变频器快速停机方法、装置、设备及存储介质，通过在目标变频器工作过程中实时获取目标变频器的输出波形和热成像视频，对热成像视频进行分帧操作，得到热成像视频的多个关键帧图像；对多个关键帧图像进行图像特征提取，得到多个关键帧图像对应的特征图，并对输出波形进行特征提取，得到特征向量；将特征图和特征向量输入预设的多模态神经网络模型中，得到目标变频器的实时热检测结果；若热检测结果为热检测异常，则根据异常类型判断是否对目标变频器进行快速停机。本方法结合热成像技术和输出波形分析，实时、准确地监控变频器的工作状态，并在检测到异常情况时迅速执行停机程序，从而保护设备免受过热或电气故障的损害。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例中变频器快速停机方法的一个实施例示意图；
图2为本发明实施例中变频器快速停机装置的一个实施例示意图；
图3为本发明实施例中变频器快速停机设备的一个实施例示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种变频器快速停机方法进行详细介绍。如图1所示，该变频器快速停机的方法，本方法包括如下步骤：
101、确定目标变频器，在目标变频器工作过程中实时获取目标变频器的输出波形；
在本发明的一个实施例中，事先将信号采集设备（例如示波器、数据采集卡等）与目标变频器进行连接。根据目标变频器的特性和工作要求，对信号采集设备进行适当的配置。这包括选择合适的采样速率、量程、滤波器设置等参数，以确保能够准确地捕捉到变频器输出的波形信号。在目标变频器正常工作的过程中，启动信号采集设备，开始实时采集变频器的输出波形数据。这需要确保采样频率足够高，以捕捉到变频器输出的快速变化波形。采集到的输出波形数据需要进行处理和存储。可以使用计算机或其他数据处理设备，对采集到的波形数据进行滤波、去噪、校正等处理，以提高数据质量。同时，将处理后的数据存储到合适的介质中，方便后续的分析和应用。
102、在目标变频器工作过程中对目标变频器进行热成像拍摄，得到对应的热成像视频，并对热成像视频进行分帧操作，得到热成像视频的多个关键帧图像；
在本发明的一个实施例中，所述对所述热成像视频进行分帧操作，得到所述热成像视频的多个关键帧图像包括：对所述热成像视频进行分帧操作，得到所述热成像视频的多个图像帧；对所述多个图像帧进行逐帧比对，计算各图像帧之间的相似度；根据所述多个图像帧的时间轴，将所述相似度大于预设相似度阈值的图像帧抽取为所述热成像视频的关键帧图像，得到多个关键帧图像。
具体的，对热成像视频进行分帧操作，这个操作可以理解为将连续的视频剥离成多个独立的静态图像帧。在具体操作过程中，每一帧图像代表了变频器在一个特定时间点的热成像情况。这样，就能得到一系列热成像图像，每个图像都代表了变频器在工作过程中的某一时间点的热状态，对于关键帧的获取可以通过多种方式获取热成像拍摄的关键帧图像，例如基于时间间隔，按照设定的时间间隔从视频中均匀地提取关键帧。例如，每隔一秒或每隔几秒提取一帧作为关键帧，或者通过评估图像质量来选择关键帧。可以使用图像质量评估算法，如图像清晰度、对比度、亮度等指标来衡量每一帧的质量，选择质量最好的帧作为关键帧。而在本实施例中，主要通过计算各图像帧之间相似度的方式，对这些图像帧进行逐帧比对，计算各图像帧之间的相似度。这是为了找出在温度变化上有显著差异的帧，也就是说，要找出变频器在工作过程中温度变化的关键时刻。同一时间，这个步骤也有助于发现和定位可能存在的异常温度区域。然后，可以设置一个预设的相似度阈值，这个阈值会根据的特定需求设定，比如可以设定阈值为70%。这意味着，只有当两个连续的图像帧在热成像上的相似度低于70%时，才认为变频器在这两个时间点经历了显著的温度变化。最后，在整个时间轴上，将那些相似度大于预设相似度阈值的图像帧抽取出来作为关键帧图像。这些关键帧图像代表了变频器在整个工作过程中的关键热成像变化。
103、对多个关键帧图像进行图像特征提取，得到多个关键帧图像对应的特征图，并对输出波形进行特征提取，得到特征向量；
在本发明的一个实施例中，所述对所述多个关键帧图像进行图像特征提取，得到所述多个关键帧图像对应的特征图包括：根据所述多个关键帧图像中各像素的像素数值生成各关键帧图像对应的颜色直方图，并根据所述颜色直方图生成对应的关键帧图像的温度分布特征；根据所述多个关键帧图像中各像素的像素数值对对应的关键帧图像进行热点检测，得到各颜色直方图的热点区域特征；融合各关键帧图像对应的温度分布特征和热点区域特征，得到各关键帧图像对应的热成像特征，并根据所述热成像特征生成对应的关键帧图像对应的特征图。
具体的，对于每个关键帧图像，遍历图像中的每个像素，获取像素的色彩信息，可以是RGB颜色空间或其他颜色空间，根据像素的色彩信息，计算其在颜色空间中的位置，确定其对应的直方图bin，将每个像素的bin值统计到相应的直方图中，得到各关键帧图像对应的颜色直方图。在获得颜色直方图后，将颜色直方图进行归一化处理，使得所有直方图的值在相同的范围内，将颜色直方图的值映射到温度值的范围，例如将较大的直方图值映射为较高的温度值，较小的直方图值映射为较低的温度值，得到每个关键帧图像的温度分布特征，即将颜色直方图的值转化为对应的温度分布。对于每个关键帧图像，根据像素的像素数值进行热点检测。可以采用阈值方法，将超过设定阈值的像素认定为热点。根据热点像素的位置信息，可以得到热点区域的边界信息。融合各关键帧图像对应的温度分布特征和热点区域特征可以使用将温度分布特征和热点区域特征进行加权融合的方式，可以根据需求和应用场景设置不同的权重，平衡温度分布和热点区域对特征的影响，根据融合后的热成像特征，可以将其表示为一个热成像图，热成像图可以使用伪彩色或其他颜色映射方法进行可视化，以突出热点区域和温度分布。
进一步的，所述对所述输出波形进行特征提取，得到特征向量包括：获取所述目标变频器对应的解析函数，并根据所述解析函数对所述输出波形进行多尺度分解，得到各尺度下所述输出波形的近似系数和细节系数；对各尺度下的近似系数和细节系数进行平方运算，得到各尺度下的能量值；对所述各尺度下的能量值进行归一化处理，并提取归一化处理后的能量值的能量信号特征；根据各尺度下的能量信号特征组合生成所述输出波形的特征向量。
具体的，利用小波分解方法对采集到的电压波形数据进行处理。小波分解是一种时频分析方法，可以将信号分解成不同尺度和频率的小波系数，从而揭示信号的时频特征。可以选择适当的小波基函数（如Daubechies小波、Morlet小波等），并利用小波分解算法对电压波形进行分解。在进行小波分解后，可以根据得到的小波系数计算每个尺度下的能量值。这些能量值可以反映出不同频率成分在信号中所占的能量比重，从而可以用于特征提取。
具体的，在能量信息特征提取过程中，通过对于每个尺度下得到的近似系数和细节系数，将它们分别进行平方运算，得到能量值，对计算得到的能量值进行归一化处理，以便比较不同尺度下的能量值大小，通过比较每个尺度下的能量值大小，可以获得能量分布情况，如果某些尺度的能量较大，则可能表示信号中存在某些频率成分，反之，如果某些尺度的能量很小，则可能表示信号中缺乏对应的频率成分，在小波分解中，随着尺度的逐渐减小，所对应的频率范围会不断扩大，因此，可以通过比较每个尺度下的能量分布，得到主导频率成分所在的尺度，这些频率成分可以代表信号的重要特征，将每个尺度下的能量值按照频率排序，可以得到能量谱，能量谱反映了信号的频率分布情况，可以用于对信号进行分类和识别，在每个尺度下，可以检测出能量值最高的位置，即能量峰值，这些峰值可以作为信号的局部极值点，反映信号的局部特征，总之，根据每个尺度下的能量值，可以提取出多个能量信号特征。
进一步的，所述获取所述目标变频器对应的解析函数，并根据所述解析函数对所述输出波形进行多尺度分解，得到各尺度下所述输出波形的近似系数和细节系数包括：将所述输出波形作为当前尺度的当前近似系数，并通过预设的解析函数根据所述当前近似系数计算所述当前尺度的低频成分和高频成分；将所述高频成分作为当前尺度的当前细节系数，并将所述低频成分作为当前尺度的下一尺度的当前近似系数；将所述当前尺度的下一尺度更新为当前尺度，并返回至通过预设的解析函数根据所述当前近似系数计算所述当前尺度的低频成分和高频成分的步骤，直至达到预设的尺度数量；将各尺度的当前近似系数和当前细节系数作为各尺度下所述输出波形的近似系数和细节系数。
具体的，首先需要选择合适的小波基函数作为解析函数，如Daubechies小波、Morlet小波等。每个小波基函数在时域和频域上都有不同的局部特性，因此选择适合信号特征的小波基函数非常重要。将输出波形的原始信号作为第一尺度，也就是最低频率的近似系数，然后将当前层的近似系数通过低通滤波器和高通滤波器进行滤波，使用小波基函数的低通滤波器（低通系数）提取出信号的低频成分，表示信号的整体趋势，再高通滤波器（高通系数）提取出信号的高频成分，表示信号的细节信息，之后，对滤波后的系数进行下采样，即每隔一定间隔保留一个系数，将信号的采样率减半，这相当于将信号的频带缩小一倍，将得到的低频系数作为下一层的近似系数，然后重复上述步骤，直至达到设定的尺度或满足停止条件。每个尺度对应一个频带范围，随着尺度逐渐减小，频带范围逐渐扩大，最终得到的近似系数和细节系数构成了小波分解的结果，表示信号在不同尺度和频率上的成分。
104、将特征图和特征向量输入预设的多模态神经网络模型中，得到目标变频器的实时热检测结果，其中实时热检测结果包括热检测异常和热检测正常，以及当实时热检测结果为热检测异常时的异常类型；
在本发明的一个实施例中，所述将所述特征图和所述特征向量输入预设的多模态神经网络模型中，得到所述目标变频器的实时热检测结果包括：将所述特征图和所述特征向量输入预设的多模态神经网络模型中，通过所述多模态神经网络模型的注意力机制层分别计算所述特征图和所述特征向量的注意力权重向量；
通过所述多模态神经网络模型中的特征融合层根据所述权重向量对所述特征图和所述特征向量进行加权融合，得到融合特征向量；通过所述多模态神经网络模型中的分类层根据所述融合特征向量计算所述目标变频器的实时热检测结果，通过所述多模态神经网络模型中的输出层输出所述实时热检测结果。
具体的，在实际应用中，因为能量分布情况、主导频率成分和能量谱等数据都是数值数据，而特征图是图像数据，因此可以使用融合多种类型特征的神经网络模型对数值数据和特征图进行处理，融合多种类型特征的神经网络模型可以使用多输入模型、深度融合模型或注意力融合模型，其中，多输入模型可以将数值数据和图像数据分别作为不同的输入层，并通过连接层将它们合并为一个模型。这种方法可以使用常见的卷积神经网络，如ResNet、EfficientNet等，或视觉Transformer来处理图像数据，并使用全连接层来处理数值数据。深度融合模型可以将数值数据和图像数据分别送入各自的神经网络中进行特征提取和分类预测，并将它们的输出连接到全连接层中进行综合学习和分类预测。这种方法可以使用多个神经网络模型，例如一个卷积神经网络和一个全连接神经网络，以处理不同类型的特征。而本实施例主要使用注意力融合模型，其使用注意力机制来加权融合不同类型的特征。这种方法可以对数值数据和图像数据分别进行特征提取。
具体的，通过所述输入层对数值数据进行数据预处理以及数据特征提取，得到数据特征，并对梅尔频谱图、声波图像和瀑布图等图像数据进行图像特征提取，得到图像特征，其中，对于数值数据，将数值数据作为输入层的神经元，通过一些全连接层进行特征提取和转换，得到了一个维度为d的数值特征向量，图像特征提取可以使用视觉Transformer（如ViT）来处理图像数据，提取图像特征。假设得到了一个维度为d的图像特征向量，然后在注意力机制层使用注意力机制来加权融合数值特征和图像特征。可以使用自注意力机制（self-attention）来计算每个特征的重要性权重，得到了数值特征和图像特征的注意力权重向量，然后将数值特征向量和图像特征向量按照注意力权重进行加权融合，得到最终的融合特征向量，最后将融合特征向量输入到全连接层进行分类预测。这个层可以包括多个全连接层、激活函数和损失函数，用于模型的训练和优化。
进一步的，所述通过所述多模态神经网络模型中的分类层根据所述融合特征向量计算所述目标变频器的实时热检测结果，通过所述多模态神经网络模型中的输出层输出所述实时热检测结果包括：通过所述多模态神经网络模型中的分类层将所述融合特征向量线性变换映射至高维特征空间，得到线性变换结果；通过预设的激活函数对所述线性变换结果进行非线性变换，得到非线性变换结果；通过所述分类层中的全连接层根据所述非线性变换结果计算所述目标变频器对应不同实时热检测结果的概率；将概率最高的实时热检测结果作为所述目标变频器的实时热检测结果，并通过所述多模态神经网络模型中的输出层输出所述实时热检测结果。
具体的，将得到的融合特征向量作为全连接层的输入，将融合特征向量通过线性变换映射到一个更高维度的特征空间。这个线性变换通常是一个全连接层，其中包含多个神经元（节点），每个神经元与融合特征向量的每个元素相连。对线性变换的结果进行非线性变换，引入非线性关系以增加模型的表达能力。常用的激活函数包括ReLU、sigmoid、tanh等。激活函数的选择取决于具体的任务和模型设计。根据任务的不同，输出层的设计也会有所差异。例如，对于二分类任务，可以使用一个神经元并应用sigmoid激活函数来输出一个0到1之间的概率值；对于多分类任务，可以使用多个神经元，并应用softmax激活函数来输出每个类别的概率分布。根据输出层的结果，得到实时热检测结果包括热检测异常和热检测正常，以及当实时热检测结果为热检测异常时的异常类型。
105、若热检测结果为热检测异常，则根据异常类型判断是否对目标变频器进行快速停机。
在本发明的一个实施例中，可能存在不同原因导致热检测异常，通过热检测得到的异常类型判断是否需要进行快速停机，例如热检测异常的异常类型可以包括过载运行，此时变频器在超出额定负载的情况下运行，会导致输出电流和功率过高，从而产生过多的热量，导致温度升高，也可以包括环境温度高，如果变频器周围环境温度较高，例如在夏季高温天气或者密闭空间中使用，会导致变频器散热不良，无法及时散去热量，使其内部温度升高，或者是散热不良，如果变频器的设计不良或者安装不正确，会导致变频器散热不良，无法有效地散去产生的热量，从而使得内部温度升高，或者是频率变化频繁，如果变频器频繁地输出频率变化，会导致变频器内部元器件的工作状态频繁切换，从而产生过多的热量，进一步导致温度升高，可以是多种异常类型，针对上面的场景，需要进行快速停机的是过载运行和散热不良，当变频器超出额定负载运行时，输出电流和功率过高，会导致变频器内部温度升高。为了防止温度进一步升高，保护变频器不受损坏，应该及时停机，此外如果变频器的设计或安装存在散热问题，导致无法有效散热，内部温度升高。在这种情况下，为了避免变频器过热导致故障或损坏，应该进行快速停机，不需要进行快速停机的是环境温度高和频率变化频繁，可以进行的策略是降低环境温度，以及降低频率变化的频率等。
在本实施例中，通过在目标变频器工作过程中实时获取目标变频器的输出波形和热成像视频，对热成像视频进行分帧操作，得到热成像视频的多个关键帧图像；对多个关键帧图像进行图像特征提取，得到多个关键帧图像对应的特征图，并对输出波形进行特征提取，得到特征向量；将特征图和特征向量输入预设的多模态神经网络模型中，得到目标变频器的实时热检测结果；若热检测结果为热检测异常，则根据异常类型判断是否对目标变频器进行快速停机。本方法结合热成像技术和输出波形分析，实时、准确地监控变频器的工作状态，并在检测到异常情况时迅速执行停机程序，从而保护设备免受过热或电气故障的损害。
上面对本发明实施例中变频器快速停机方法进行了描述，下面对本发明实施例中变频器快速停机装置进行描述，请参阅图2，本发明实施例中变频器快速停机装置一个实施例包括：
数据获取模块201，用于确定目标变频器，在所述目标变频器工作过程中实时获取所述目标变频器的输出波形；
热成像模块202，用于在所述目标变频器工作过程中对所述目标变频器进行热成像拍摄，得到对应的热成像视频，并对所述热成像视频进行分帧操作，得到所述热成像视频的多个关键帧图像；
特征提取模块203，用于对所述多个关键帧图像进行图像特征提取，得到所述多个关键帧图像对应的特征图，并对所述输出波形进行特征提取，得到特征向量；
模型输入模块204，用于将所述特征图和所述特征向量输入预设的多模态神经网络模型中，得到所述目标变频器的实时热检测结果，其中所述实时热检测结果包括热检测异常和热检测正常，以及当所述实时热检测结果为热检测异常时的异常类型；
停机判断模块205，用于若所述热检测结果为热检测异常，则根据所述异常类型判断是否对所述目标变频器进行快速停机。
本发明实施例中，所述变频器快速停机装置运行上述变频器快速停机方法，所述变频器快速停机装置通过在目标变频器工作过程中实时获取目标变频器的输出波形和热成像视频，对热成像视频进行分帧操作，得到热成像视频的多个关键帧图像；对多个关键帧图像进行图像特征提取，得到多个关键帧图像对应的特征图，并对输出波形进行特征提取，得到特征向量；将特征图和特征向量输入预设的多模态神经网络模型中，得到目标变频器的实时热检测结果；若热检测结果为热检测异常，则根据异常类型判断是否对目标变频器进行快速停机。本方法结合热成像技术和输出波形分析，实时、准确地监控变频器的工作状态，并在检测到异常情况时迅速执行停机程序，从而保护设备免受过热或电气故障的损害。
上面图2从模块化功能实体的角度对本发明实施例中的中变频器快速停机装置进行详细描述，下面从硬件处理的角度对本发明实施例中变频器快速停机设备进行详细描述。
图3是本发明实施例提供的一种变频器快速停机设备的结构示意图，该变频器快速停机设备300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）310（例如，一个或一个以上处理器）和存储器320，一个或一个以上存储应用程序333或数据332的存储介质330（例如一个或一个以上海量存储设备）。其中，存储器320和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对变频器快速停机设备300中的一系列指令操作。更进一步地，处理器310可以设置为与存储介质330通信，在变频器快速停机设备300上执行存储介质330中的一系列指令操作，以实现上述变频器快速停机方法的步骤。
变频器快速停机设备300还可以包括一个或一个以上电源340，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口360，和/或，一个或一个以上操作系统331，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图3示出的变频器快速停机设备结构并不构成对本发明提供的变频器快速停机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述变频器快速停机方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统或装置、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种变频器快速停机方法，其特征在于，所述变频器快速停机方法包括：
确定目标变频器，在所述目标变频器工作过程中实时获取所述目标变频器的输出波形；
在所述目标变频器工作过程中对所述目标变频器进行热成像拍摄，得到对应的热成像视频，并对所述热成像视频进行分帧操作，得到所述热成像视频的多个关键帧图像；
对所述多个关键帧图像进行图像特征提取，得到所述多个关键帧图像对应的特征图，并获取所述目标变频器对应的解析函数，并根据所述解析函数对所述输出波形进行多尺度分解，得到各尺度下所述输出波形的近似系数和细节系数；对各尺度下的近似系数和细节系数进行平方运算，得到各尺度下的能量值；对所述各尺度下的能量值进行归一化处理，并提取归一化处理后的能量值的能量信号特征；根据各尺度下的能量信号特征组合生成所述输出波形的特征向量；
将所述特征图和所述特征向量输入预设的多模态神经网络模型中，通过所述多模态神经网络模型的注意力机制层分别计算所述特征图和所述特征向量的注意力权重向量；通过所述多模态神经网络模型中的特征融合层根据所述权重向量对所述特征图和所述特征向量进行加权融合，得到融合特征向量；通过所述多模态神经网络模型中的分类层根据所述融合特征向量计算所述目标变频器的实时热检测结果，通过所述多模态神经网络模型中的输出层输出所述实时热检测结果，其中所述实时热检测结果包括热检测异常和热检测正常，以及当所述实时热检测结果为热检测异常时的异常类型；
若所述热检测结果为热检测异常，则根据所述异常类型判断是否对所述目标变频器进行快速停机。
2.根据权利要求1所述的变频器快速停机方法，其特征在于，所述对所述热成像视频进行分帧操作，得到所述热成像视频的多个关键帧图像包括：
对所述热成像视频进行分帧操作，得到所述热成像视频的多个图像帧；
对所述多个图像帧进行逐帧比对，计算各图像帧之间的相似度；
根据所述多个图像帧的时间轴，将所述相似度大于预设相似度阈值的图像帧抽取为所述热成像视频的关键帧图像，得到多个关键帧图像。
3.根据权利要求1所述的变频器快速停机方法，其特征在于，所述对所述多个关键帧图像进行图像特征提取，得到所述多个关键帧图像对应的特征图包括：
根据所述多个关键帧图像中各像素的像素数值生成各关键帧图像对应的颜色直方图，并根据所述颜色直方图生成对应的关键帧图像的温度分布特征；
根据所述多个关键帧图像中各像素的像素数值对对应的关键帧图像进行热点检测，得到各颜色直方图的热点区域特征；
融合各关键帧图像对应的温度分布特征和热点区域特征，得到各关键帧图像对应的热成像特征，并根据所述热成像特征生成对应的关键帧图像对应的特征图。
4.根据权利要求1所述的变频器快速停机方法，其特征在于，所述获取所述目标变频器对应的解析函数，并根据所述解析函数对所述输出波形进行多尺度分解，得到各尺度下所述输出波形的近似系数和细节系数包括：
将所述输出波形作为当前尺度的当前近似系数，并通过预设的解析函数根据所述当前近似系数计算所述当前尺度的低频成分和高频成分；
将所述高频成分作为当前尺度的当前细节系数，并将所述低频成分作为当前尺度的下一尺度的当前近似系数；
将所述当前尺度的下一尺度更新为当前尺度，并返回至通过预设的解析函数根据所述当前近似系数计算所述当前尺度的低频成分和高频成分的步骤，直至达到预设的尺度数量；
将各尺度的当前近似系数和当前细节系数作为各尺度下所述输出波形的近似系数和细节系数。
5.根据权利要求1所述的变频器快速停机方法，其特征在于，所述通过所述多模态神经网络模型中的分类层根据所述融合特征向量计算所述目标变频器的实时热检测结果，通过所述多模态神经网络模型中的输出层输出所述实时热检测结果包括：
通过所述多模态神经网络模型中的分类层将所述融合特征向量线性变换映射至高维特征空间，得到线性变换结果；
通过预设的激活函数对所述线性变换结果进行非线性变换，得到非线性变换结果；
通过所述分类层中的全连接层根据所述非线性变换结果计算所述目标变频器对应不同实时热检测结果的概率；
将概率最高的实时热检测结果作为所述目标变频器的实时热检测结果，并通过所述多模态神经网络模型中的输出层输出所述实时热检测结果。
6.一种变频器快速停机装置，其特征在于，所述变频器快速停机装置包括：
数据获取模块，用于确定目标变频器，在所述目标变频器工作过程中实时获取所述目标变频器的输出波形；
热成像模块，用于在所述目标变频器工作过程中对所述目标变频器进行热成像拍摄，得到对应的热成像视频，并对所述热成像视频进行分帧操作，得到所述热成像视频的多个关键帧图像；
特征提取模块，用于对所述多个关键帧图像进行图像特征提取，得到所述多个关键帧图像对应的特征图，并获取所述目标变频器对应的解析函数，并根据所述解析函数对所述输出波形进行多尺度分解，得到各尺度下所述输出波形的近似系数和细节系数；对各尺度下的近似系数和细节系数进行平方运算，得到各尺度下的能量值；对所述各尺度下的能量值进行归一化处理，并提取归一化处理后的能量值的能量信号特征；根据各尺度下的能量信号特征组合生成所述输出波形的特征向量；
模型输入模块，用于将所述特征图和所述特征向量输入预设的多模态神经网络模型中，通过所述多模态神经网络模型的注意力机制层分别计算所述特征图和所述特征向量的注意力权重向量；通过所述多模态神经网络模型中的特征融合层根据所述权重向量对所述特征图和所述特征向量进行加权融合，得到融合特征向量；通过所述多模态神经网络模型中的分类层根据所述融合特征向量计算所述目标变频器的实时热检测结果，通过所述多模态神经网络模型中的输出层输出所述实时热检测结果，其中所述实时热检测结果包括热检测异常和热检测正常，以及当所述实时热检测结果为热检测异常时的异常类型；
停机判断模块，用于若所述热检测结果为热检测异常，则根据所述异常类型判断是否对所述目标变频器进行快速停机。
7.一种变频器快速停机设备，其特征在于，所述变频器快速停机设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述变频器快速停机设备执行如权利要求1-5中任意一项所述的变频器快速停机方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-5中任意一项所述变频器快速停机方法的步骤。
CN202410073958.7A 2024-01-18 2024-01-18 变频器快速停机方法、装置、设备及存储介质 Active CN117613822B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410073958.7A CN117613822B (zh) 2024-01-18 2024-01-18 变频器快速停机方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410073958.7A CN117613822B (zh) 2024-01-18 2024-01-18 变频器快速停机方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN117613822A CN117613822A (zh) 2024-02-27
CN117613822B true CN117613822B (zh) 2024-04-09

Family

ID=89950210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410073958.7A Active CN117613822B (zh) 2024-01-18 2024-01-18 变频器快速停机方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117613822B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101475849B1 (ko) * 2013-12-19 2014-12-23 주식회사 에스원 열화상 센서와 신경망 모델을 이용한 pc 자동 절전 시스템 및 자동 절전 방법
CN107271808A (zh) * 2017-05-17 2017-10-20 浙江万里学院 基于红外热成像技术的多电平逆变器故障诊断方法
CN208907835U (zh) * 2018-08-27 2019-05-28 杭州市特种设备检测研究院 基于红外热成像的电梯控制柜变频器监测装置
CN109911550A (zh) * 2019-04-17 2019-06-21 华夏天信（北京）智能低碳技术研究院有限公司 基于红外热成像与可见光视频分析的刮板运输机保护装置
CN111486965A (zh) * 2020-04-24 2020-08-04 国网上海市电力公司 一种变频器红外热像仪
CN116643110A (zh) * 2023-06-29 2023-08-25 山东兴楚电气工程有限公司 一种高压变频器运行监测系统
CN117353651A (zh) * 2023-10-16 2024-01-05 中科宏一教育科技集团有限公司 光伏系统控制方法、装置、设备和介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101475849B1 (ko) * 2013-12-19 2014-12-23 주식회사 에스원 열화상 센서와 신경망 모델을 이용한 pc 자동 절전 시스템 및 자동 절전 방법
CN107271808A (zh) * 2017-05-17 2017-10-20 浙江万里学院 基于红外热成像技术的多电平逆变器故障诊断方法
CN208907835U (zh) * 2018-08-27 2019-05-28 杭州市特种设备检测研究院 基于红外热成像的电梯控制柜变频器监测装置
CN109911550A (zh) * 2019-04-17 2019-06-21 华夏天信（北京）智能低碳技术研究院有限公司 基于红外热成像与可见光视频分析的刮板运输机保护装置
CN111486965A (zh) * 2020-04-24 2020-08-04 国网上海市电力公司 一种变频器红外热像仪
CN116643110A (zh) * 2023-06-29 2023-08-25 山东兴楚电气工程有限公司 一种高压变频器运行监测系统
CN117353651A (zh) * 2023-10-16 2024-01-05 中科宏一教育科技集团有限公司 光伏系统控制方法、装置、设备和介质

Also Published As

Publication number Publication date
CN117613822A (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
Husari et al. Incipient interturn fault detection and severity evaluation in electric drive system using hybrid HCNN-SVM based model
CN110555819B (zh) 基于红外和可见光图像融合的设备监测方法、装置及设备
CN112734692A (zh) 一种变电设备缺陷识别方法及装置
dit Leksir et al. Localization of thermal anomalies in electrical equipment using Infrared Thermography and support vector machine
CN112036435A (zh) 一种基于卷积神经网络的无刷直流电机传感器故障检测方法
Bhuiyan et al. WPD for detecting disturbances in presence of noise in smart grid for PQ monitoring
CN117237349B (zh) 电池管理系统的热失控防护方法、装置、设备及存储介质
CN113609901A (zh) 一种输变电设备故障监测方法及系统
Hussain et al. Fault Detection and Identification Using Deep Learning Algorithms in InductionMotors.
CN118013427B (zh) 一种漏液预警的液冷散热汽车充电桩及预警方法
CN117972358A (zh) 基于ai的配电柜状态识别方法、装置、设备及存储介质
CN117268760A (zh) 轴承状态监测系统及方法
Mohamed et al. Thermal Images Captured and Classifier-based Fault Detection System for Electric Motors Through ML Based Model
CN117452148B (zh) 一种环网柜的智能监控方法
CN117095003B (zh) 一种双金属复合板材碳钢原材料清洁度检测方法及装置
CN112419243B (zh) 一种基于红外图像分析的配电房设备故障识别方法
CN117613822B (zh) 变频器快速停机方法、装置、设备及存储介质
CN118443307A (zh) 一种轴承寿命退化起点的辨识方法和装置
Głowacz et al. Recognition of monochrome thermal images of synchronous motor with the application of skeletonization and classifier based on words
Mahmoud et al. Transfer learning by fine-tuning pre-trained convolutional neural network architectures for switchgear fault detection using thermal imaging
Tosyali et al. Data-driven gantry health monitoring and process status identification based on texture extraction
CN113034465B (zh) 一种基于红外图像的电力设备热故障监测方法、装置及介质
Olivatti et al. Analysis of artificial intelligence techniques applied to thermographic inspection for automatic detection of electrical problems
Mlakić et al. Detection of faults in electrical panels using deep learning method
CN118175065B (zh) 一种设备端口安全报警系统

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