CN108921812B - 基于图像识别的断路器弹簧疲劳状态智能评价方法 - Google Patents
基于图像识别的断路器弹簧疲劳状态智能评价方法 Download PDFInfo
- Publication number
- CN108921812B CN108921812B CN201810450389.8A CN201810450389A CN108921812B CN 108921812 B CN108921812 B CN 108921812B CN 201810450389 A CN201810450389 A CN 201810450389A CN 108921812 B CN108921812 B CN 108921812B
- Authority
- CN
- China
- Prior art keywords
- spring
- circuit breaker
- fatigue state
- fatigue
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了一种基于图像识别的断路器弹簧疲劳状态智能评价方法,涉及断路器检测技术领域。所述基于图像识别的断路器弹簧疲劳状态智能评价方法,通过多次离线测试样本统计分析、分类建立断路器弹簧状态评价基础数据库,采用高速图像序列和NCC算法检测分析弹簧形变过程中关键运动目标位置,实现高压断路器正常分合闸过程中弹簧形变检测,得到表征弹簧疲劳状态的曲线,从而获取弹簧疲劳特征参数向量;采用GA‑‑SALBP模型对获得的弹簧疲劳特征参数向量进行分析,即得到断路器弹簧的疲劳状态值以及应力松弛情况,实现高压断路器弹簧状态监测的目的。
Description
技术领域
本发明属于断路器检测技术领域,尤其涉及一种基于图像识别的断路器弹簧疲劳状态智能评价方法。
背景技术
高压断路器运行的可靠性对电网的保护与控制至关重要,据统计高压断路器故障大多数都是操动机构故障,而断路器弹簧作为断路器操动机构一个重要组成元件,其可靠性通过影响断路器操动机构,决定着断路器能否正常分合闸。高压断路器弹簧在正常工作中主要承受变化的载荷,其失效形式大多都是疲劳破坏。由于弹簧长期疲劳工作而突然断裂,进而引发的断路器故障的事故常有发生,因此研究操动机构弹簧的疲劳状态监测有着非常重大的意义。
目前,对于高压断路器操动机构的监测更多集中在操动机构整体机械性能上,通过直接或者间接的方式测量动触头分合闸行程曲线、分合闸线圈电流等,对弹簧的监测和状态评价方法研究的少之又少。在实际中只能通过定期巡检来发现可能存在问题的弹簧,但依靠肉眼一般难以判断弹簧出现的问题,而且非常耗费人力资源,既费时又费力,效率还不高。而弹簧的疲劳测试机的作用在于对弹簧的疲劳曲线的计算,需要对断路器弹簧拆解后实施测试,并不能实现断路器运行中对操作机构弹簧受力及形变状态进行快速分析。
基于此,本发明提出一种基于图像识别的断路器弹簧疲劳状态智能评价方法,将计算机视觉、模式识别和神经网络等方法应用在弹簧的疲劳状态监测当中。运用计算机视觉技术检测断路器操作机构弹簧形变,在分合闸过程中动态评价弹簧性能,是一种新型的非接触式断路器机械状态测试方法。将此方法运用在检测断路器弹簧的运动参数当中,具体运用高速摄像机代替传统的位移和形变传感器,得到断路器弹簧的运动图像序列,再通过图像匹配的方法跟踪弹簧运动的过程,最后通过曲线拟合得到弹簧运动曲过程相关工作参数,并以此形变特征建立特征向量,通过与正常状态下弹簧形变进行智能比对,判断弹簧的疲劳状态和应力松弛程度。
发明内容
针对现有技术的不足,本发明提供一种基于图像识别的断路器弹簧疲劳状态智能评价方法。
本发明是通过如下的技术方案来解决上述技术问题的:一种基于图像识别的断路器弹簧疲劳状态智能评价方法,包括以下几个步骤:
(1)建立断路器弹簧状态评价基础数据库;
(2)设置实测断路器操作弹簧形变过程的测试装置的参数,捕捉弹簧形变过程中的图像,经过处理后获得弹簧的高速图像序列;
(3)以弹簧固定端像素坐标为初始点,初始点与弹簧活动端顶端之间的弹簧即为需要识别的运动目标;选取运动目标上的某一区域为匹配模板,采用图像匹配算法识别所述步骤(2)高速图像序列中每一帧图像,获得对应的匹配模板中心像素位置坐标,该像素位置代表操作机构弹簧的实际工作位置;
(4)计算每一帧图像中匹配模板中心像素坐标到初始点像素坐标的距离,绘制操作机构弹簧形变过程中运动目标的位移-时间曲线,以及匹配模板中心像素坐标的速度-时间曲线;
(5)通过位移-时间曲线和速度-时间曲线获取弹簧工作参数;
(6)从所述步骤(1)的基础数据库中提取有明显代表特征的试验样本,获取试验样本的工作参数和疲劳状态评估值,建立代表高压断路器操作机构弹簧疲劳状态的疲劳特征参数向量;同时获取实测的弹簧疲劳特征参数向量;
(7)采用遗传算法-自适应学习率反向传播(genetic algorithms-self-adaptionlearning rate Backpropation,GA-SALBP)分析弹簧的疲劳状态:提取基础数据库中的典型样本,求取典型样本的疲劳特征参数向量,以典型样本的疲劳特征参数向量作为训练样本,训练GA-SALBP模型;再将未知疲劳状态的弹簧疲劳特征参数向量代入已训练好的GA-SALBP模型中,得到断路器弹簧的疲劳状态值以及应力松弛情况,最后设定疲劳事故预警阈值,实现高压断路器弹簧状态监测的目的。
进一步的,所述步骤(1)的基础数据库中根据断路器弹簧型号记录有弹簧的固有尺寸,同时记录有弹簧疲劳测试基础数据,断路器弹簧伸缩形变过程与压力和疲劳程度关系。
进一步的,所述步骤(2)的测试装置为高速摄像机,所述高速摄像机需设置的参数包括拍摄焦距、触发速度、相机帧率、分辨率和曝光时间,且根据断路器型号以及分合闸时间设置高速摄像机的拍摄时长,确定标定高速摄像机拍摄图像每个像素在实际拍摄平面中的实际尺寸。
进一步的,确定拍摄图像每个像素在实际拍摄平面中实际尺寸的方法为:在与拍摄的断路器弹簧同一平面内放置已知具体尺寸的标尺,获取所述标尺在图像中的像素长度,以标尺实际尺寸和像素长度的商作为图像每个像素在实际拍摄平面中的实际尺寸。
进一步的,所述步骤(5)弹簧工作参数包括弹簧初始工作高度、弹簧最终工作高度、伸缩时间、弹簧最大运动行程、弹簧中间圈径向往复的次数以及弹簧工作的最大加速度;
以初始帧匹配模板中心像素坐标到初始点像素坐标的距离作为弹簧初始工作高度,以结束帧匹配模板中心像素坐标到初始点像素坐标的距离作为弹簧最终工作高度,取位移-时间曲线上界与下界的差值作为弹簧最大运动行程hm。
进一步的,采用图像相邻帧对应位置灰度差分法确定初始帧和结束帧。
进一步的,所述弹簧初始工作高度Ht0的计算表达式为Ht0=k|s0-s|,弹簧最终工作高度Ht的计算表达式为Ht=k|st-s|,弹簧伸缩时间t为y=st±ε与位移-时间曲线的交点的最大值;
其中,s0为初始帧匹配模板中心像素坐标,s为初始点像素坐标,st为结束帧匹配模板中心像素坐标,k为图像每个像素在实际拍摄平面中的实际尺寸,ε为认定的弹簧伸缩幅度的最大值。
进一步的,所述步骤(7)采用GA-SALBP模型进行弹簧疲劳状态分析的具体过程为:
(7.1)设输入为弹簧疲劳状态特征参数的N维向量x,设基础数据库中有M个样本,计算每个特征参数的均值,并与各个样本的特征值做比对,剔除由环境因素影响或是识别记录误差而造成部分特征参数明显存在异常的样本,剩下合适的M′个样本,形成N×M′的断路器操作机构弹簧的特征参数矩阵和M′个疲劳状态程度评估值及应力松弛度;
(7.2)建立BP神经网络,根据弹簧疲劳状态特征参数的数量确定中间层的神经元个数,BP神经网络的权值个数为弹簧特征参数个数N加上评价指标个数后与中间层神经元个数的积;运用GA遗传算法得到BP神经网络误差较小的一组完整的权值作为BP神经网络的初始权值,再将样本数值即弹簧的特征参数矩阵代入,进行BP神经网络的学习和训练;
(7.3)在训练过程中根据弹簧性能评估误差能量及学习率调整权值,用前后两次调整权值后误差能量的变化调整学习率;根据需要调整学习率的变化快慢,优点在于不仅免去了误差的增减判断,而且不用设定增/减因子,在误差增大的时候降低学习率,误差减小方向适当提高学习率;
(7.4)当误差能量小于设定阈值,即输入任意一个弹簧样本的疲劳状态特征参数得到的结果与实际此样本的疲劳状态评估值非常接近时,BP神经网络则训练完成;此时通过图像识别跟踪待测操作机构弹簧运动过程,计算疲劳状态特征参数向量,代入训练完成的BP神经网络,即分析出其疲劳状态,达到断路器操作机构弹簧疲劳状态智能评价的目的。
与现有技术相比,本发明所提供的基于图像识别的断路器弹簧疲劳状态智能评价方法,通过多次离线测试样本统计分析、分类建立断路器弹簧状态评价基础数据库,采用高速图像序列和NCC算法检测分析弹簧形变过程中关键运动目标位置,实现高压断路器正常分合闸过程中弹簧形变检测,得到表征弹簧疲劳状态的曲线,从而获取弹簧疲劳特征参数向量;采用GA-SALBP模型对获得的弹簧疲劳特征参数向量进行分析,即得到断路器弹簧的疲劳状态值以及应力松弛情况,实现高压断路器弹簧状态监测的目的;采用GA-SALBP模型对获得的弹簧疲劳特征参数向量进行分析时,结合断路器弹簧性能评估误差能量指标实现对测试弹簧性能的评估,使整个评价方法更加有效、计算速度更快。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一个实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一种基于图像识别的断路器弹簧疲劳状态智能评价方法的流程示意图;
图2是本发明弹簧参数描述示意图;
图3是本发明GA-SALBP神经网络判断操作机构弹簧疲劳状态及应力松弛程度的流程示意图。
具体实施方式
下面结合本发明实施例中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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作出创造性劳动的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。
如图1所示,本发明所提供的一种基于图像识别的断路器弹簧疲劳状态智能评价方法,包括以下几个步骤:
(1)建立断路器弹簧状态评价基础数据库。
基础数据库中根据断路器弹簧型号记录有弹簧的固有尺寸,该固有尺寸包括弹簧的直径d,弹簧中径D,内径D1,外径D2,自由高度H0,螺旋角α,原始节距b,弹簧圈数n(部分参数之间可以相互推导);同时记录有弹簧疲劳测试基础数据,断路器弹簧伸缩形变过程与压力和疲劳程度关系,该关系包括弹簧工作高度、运动速度、受力伸缩形变曲线及振荡频率等描述弹簧性能的关键参数。基础数据库中的数据样本是通过弹簧疲劳测试机模拟断路器分合闸状态的现场,由高速摄像机拍摄和分析识别弹簧伸缩过程特征,结合力学传感器测试结果,通过同类弹簧在疲劳测试机的反复试验而获得的,该数据样本经统计分类后存入基础数据库中,即为断路器弹簧状态评价基础数据库。
(2)设置实测断路器操作弹簧形变过程的测试装置的参数,捕捉弹簧形变过程中的图像,经过处理后获得弹簧的高速图像序列。
测试装置为高速摄像机,在待测断路器弹簧附近寻找合适位置安装高速摄像机,调节高速摄像机的参数使操作机构弹簧图像清晰;高速摄像机需设置的参数包括拍摄焦距、触发速度、相机帧率、分辨率和曝光时间,且根据断路器型号以及分合闸时间设置高速摄像机的拍摄时长,确定标定高速摄像机拍摄图像每个像素在实际拍摄平面中的实际尺寸k(mm)。
确定该实际尺寸k的方法为:在与拍摄的断路器弹簧同一平面内放置已知具体尺寸的标尺,获取标尺在图像中的像素长度,以标尺实际尺寸和像素长度的商作为图像每个像素在实际拍摄平面中的实际尺寸k,便于计算最终弹簧工作参数,且与弹簧自由状态参数做比对,使得结果更加直观。
当断路器分合闸线圈电流触发超过阈值时,判断为断路器分合闸开始时刻,控制高速摄像机开始捕捉图像,再经过图像采集,预处理,存储工作获得高压断路器弹簧的高速图像序列。
(3)在高速图像序列中搜索弹簧运动的初始帧,以弹簧固定端像素坐标为初始点A,用于计算弹簧在形变过程中的实际工作长度及运动速度变化,以弹簧活动端顶端临近区域(即匹配模板)为目标点B,初始点与目标点之间的弹簧即为需要识别的运动目标(如图2所示);通过目标点B分辨断路器分合闸过程中的运动,此即为明显的断路器操作机构弹簧的特征节间。
采用图像匹配算法(NCC算法)识别步骤(2)高速图像序列中每一帧图像的弹簧顶端临近区域(即匹配模板)中心像素位置(即弹簧特征节间在每一帧图像中的像素位置),该像素位置代表操作机构弹簧的实际工作位置。
(4)计算每一帧图像中目标点B像素坐标到初始点A像素坐标的距离(即弹簧的工作高度),绘制操作机构弹簧形变过程中运动目标的位移-时间曲线,以及目标点B的速度-时间曲线,速度值为弹簧目标点B在运动方向上位移-时间曲线的逐点斜率值。
(5)通过位移-时间曲线和速度-时间曲线获取弹簧工作参数,弹簧工作参数包括弹簧初始工作高度、弹簧最终工作高度、伸缩时间、弹簧最大运动行程、弹簧中间圈径向往复的次数以及弹簧工作的最大加速度;以初始帧目标点像素坐标s0到初始点像素坐标s的距离作为弹簧初始工作高度Ht0,以结束帧目标点像素坐标st到初始点像素坐标s的距离作为弹簧最终工作高度Ht,通过位移-时间曲线得到弹簧的伸缩时间t,取位移-时间曲线上界与下界的差值作为弹簧最大运动行程hm,计算弹簧在伸缩时间内中间圈径向往复的次数fc(即在弹簧伸缩时间内弹簧上目标点B的方向变化次数),并求取弹簧工作的最大加速度am。
弹簧初始工作高度Ht0的计算表达式为Ht0=k|s0-s|,弹簧最终工作高度Ht的计算表达式为Ht=k|st-s|,弹簧伸缩时间t为y=st±ε与位移-时间曲线的交点的最大值;ε为认定的弹簧伸缩幅度的最大值,ε默认取0-2个像素,消除弹簧伸缩幅度过小而可能是因为识别误差而引起的动作,k为一个系数,反应弹簧实际尺寸与像素长度之间的计算关系。
采用图像相邻帧对应位置灰度差分法确定初始帧和结束帧,滤除大量无关的静止的帧图像,避免断路器操作前后大量冗余图像影响处理速度。
(6)从步骤(1)的基础数据库中提取有明显代表特征的试验样本,获取试验样本的工作参数和疲劳状态评估值;通过主成分提取,分析试验样本之间数据的相关性获得因弹簧疲劳状态改变而可能发生变化的弹簧工作参数,建立代表高压断路器操作机构弹簧疲劳状态的疲劳特征参数向量,减小参数的复杂程度;同时获取实测的弹簧疲劳特征参数向量[hm,am,fc];
(7)采用遗传算法-自适应学习率反向传播(genetic algorithms-self-adaptionlearning rate Backpropation,GA-SALBP)分析弹簧的疲劳状态:提取基础数据库中的典型样本,求取典型样本的疲劳特征参数向量,以典型样本的疲劳特征参数向量作为训练样本,训练GA-SALBP模型;再将未知疲劳状态的弹簧疲劳特征参数向量代入已训练好的GA-SALBP模型中,得到断路器弹簧的疲劳状态值(0~1之间的值)以及应力松弛情况,最后设定疲劳事故预警阈值(可以根据实际工作要求调整)作为发生弹簧疲劳断裂事故发生的预警值,实现高压断路器弹簧状态监测的目的。
如图3所示,采用GA-SALBP模型进行弹簧疲劳状态分析的具体过程为:
(7.1)设输入为弹簧疲劳状态特征参数的N维向量x,设基础数据库中有M个样本,计算每个特征参数的均值,并与各个样本的特征值做比对,剔除由环境因素影响或是识别记录误差而造成部分特征参数明显存在异常的样本,剩下合适的M′个样本,形成N×M′的断路器操作机构弹簧的特征参数矩阵和M′个疲劳状态程度评估值及应力松弛度。
(7.2)建立三层BP神经网络,根据弹簧疲劳状态特征参数的数量确定中间层的神经元个数,BP神经网络的权值个数为弹簧特征参数个数N加上评价指标个数后与中间层神经元个数的积;运用GA遗传算法得到BP神经网络误差较小的一组完整的权值作为BP神经网络的初始权值,再将样本数值即弹簧的特征参数矩阵代入,进行BP神经网络的学习和训练。
(7.3)在训练过程中根据弹簧性能评估误差能量(即实际弹簧疲劳状态程度评估值及应力松弛度的误差值平方和的ej(n)为第j次弹簧疲劳状态程度评估值与应力松弛度误差)及学习率η调整权值w,用前后两次调整权值后误差能量的变化调整学习率η,学习率的调整表示式为p的取值为大于1的常数,η(n)为第n次训练过程中的学习率,为调整后第n+1次训练过程学习率,e(n)和e(n+1)为递归的两次训练弹簧性能评估误差能量;根据需要调整学习率的变化快慢,优点在于不仅免去了误差的增减判断,而且不用设定增/减因子,在误差增大的时候降低学习率,误差减小方向适当提高学习率。
(7.4)当误差能量小于设定阈值,即输入任意一个弹簧样本的疲劳状态特征参数得到的结果与实际此样本的疲劳状态评估值非常接近时,BP神经网络则训练完成;此时通过图像识别跟踪待测操作机构弹簧运动过程,计算疲劳状态特征参数向量,代入训练完成的BP神经网络,即分析出其疲劳状态,达到断路器操作机构弹簧疲劳状态智能评价的目的。
利用遗传算法获取BP神经网络的初始权值和阈值在保证BP神经网络的计算精度上加速了BP神经网络的收敛速度,自适应学习率的训练方法使得BP神经网络最后会有较好的精度同时收敛速度也相对较快。
以上所揭露的仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或变型,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于图像识别的断路器弹簧疲劳状态智能评价方法,其特征在于,包括以下几个步骤:
(1)建立断路器弹簧状态评价基础数据库;
(2)设置实测断路器操作弹簧形变过程的测试装置的参数,捕捉弹簧形变过程中的图像,经过处理后获得弹簧的高速图像序列;
(3)以弹簧固定端像素坐标为初始点,初始点与弹簧活动端顶端之间的弹簧即为需要识别的运动目标;选取运动目标上的某一区域为匹配模板,采用图像匹配算法识别所述步骤(2)高速图像序列中每一帧图像,获得对应的匹配模板中心像素位置坐标;
(4)计算每一帧图像中匹配模板中心像素坐标到初始点像素坐标的距离,绘制操作机构弹簧形变过程中运动目标的位移-时间曲线,以及匹配模板中心像素坐标的速度-时间曲线;
(5)通过位移-时间曲线和速度-时间曲线获取弹簧工作参数;
(6)从所述步骤(1)的基础数据库中提取有明显代表特征的试验样本,获取试验样本的工作参数和疲劳状态评估值,建立代表高压断路器操作机构弹簧疲劳状态的疲劳特征参数向量;同时获取实测的弹簧疲劳特征参数向量;
(7)采用GA-SALBP模型分析弹簧的疲劳状态:提取基础数据库中的典型样本,求取典型样本的疲劳特征参数向量,以典型样本的疲劳特征参数向量作为训练样本,训练GA-SALBP模型;再将未知疲劳状态的弹簧疲劳特征参数向量代入已训练好的GA-SALBP模型中,得到断路器弹簧的疲劳状态值以及应力松弛情况,最后设定疲劳事故预警阈值,实现高压断路器弹簧状态监测的目的;
所述步骤(7)采用GA-SALBP模型进行弹簧疲劳状态分析的具体过程为:
(7.1)设输入为弹簧疲劳状态特征参数的N维向量x,设基础数据库中有M个样本,计算每个特征参数的均值,并与各个样本的特征值做比对,剔除由环境因素影响或是识别记录误差而造成部分特征参数明显存在异常的样本,剩下合适的M′个样本,形成N×M′的断路器操作机构弹簧的特征参数矩阵和M′个疲劳状态程度评估值及应力松弛度;
(7.2)建立BP神经网络,根据弹簧疲劳状态特征参数的数量确定中间层的神经元个数,BP神经网络的权值个数为弹簧特征参数个数N加上评价指标个数后与中间层神经元个数的积;运用GA遗传算法得到BP神经网络误差较小的一组完整的权值作为BP神经网络的初始权值,再将样本数值即弹簧的特征参数矩阵代入,进行BP神经网络的学习和训练;
(7.3)在训练过程中根据弹簧性能评估误差能量及学习率调整权值,用前后两次调整权值后误差能量的变化调整学习率;
(7.4)当误差能量小于设定阈值,即输入任意一个弹簧样本的疲劳状态特征参数得到的结果与实际此样本的疲劳状态评估值非常接近时,BP神经网络则训练完成;此时通过图像识别跟踪待测操作机构弹簧运动过程,计算疲劳状态特征参数向量,代入训练完成的BP神经网络,即分析出其疲劳状态,达到断路器操作机构弹簧疲劳状态智能评价的目的。
2.如权利要求1所述的基于图像识别的断路器弹簧疲劳状态智能评价方法,其特征在于,所述步骤(1)的基础数据库中根据断路器弹簧型号记录有弹簧的固有尺寸,同时记录有弹簧疲劳测试基础数据,断路器弹簧伸缩形变过程与压力和疲劳程度关系。
3.如权利要求1所述的基于图像识别的断路器弹簧疲劳状态智能评价方法,其特征在于,所述步骤(2)的测试装置为高速摄像机,所述高速摄像机需设置的参数包括拍摄焦距、触发速度、相机帧率、分辨率和曝光时间,且根据断路器型号以及分合闸时间设置高速摄像机的拍摄时长,确定标定高速摄像机拍摄图像每个像素在实际拍摄平面中的实际尺寸。
4.如权利要求3所述的基于图像识别的断路器弹簧疲劳状态智能评价方法,其特征在于,确定拍摄图像每个像素在实际拍摄平面中实际尺寸的方法为:在与拍摄的断路器弹簧同一平面内放置已知具体尺寸的标尺,获取所述标尺在图像中的像素长度,以标尺实际尺寸和像素长度的商作为图像每个像素在实际拍摄平面中的实际尺寸。
5.如权利要求1所述的基于图像识别的断路器弹簧疲劳状态智能评价方法,其特征在于,所述步骤(5)弹簧工作参数包括弹簧初始工作高度、弹簧最终工作高度、伸缩时间、弹簧最大运动行程、弹簧中间圈径向往复的次数以及弹簧工作的最大加速度;
以初始帧匹配模板中心像素坐标到初始点像素坐标的距离作为弹簧初始工作高度,以结束帧匹配模板中心像素坐标到初始点像素坐标的距离作为弹簧最终工作高度,取位移-时间曲线上界与下界的差值作为弹簧最大运动行程hm。
6.如权利要求5所述的基于图像识别的断路器弹簧疲劳状态智能评价方法,其特征在于,采用图像相邻帧对应位置灰度差分法确定所述的初始帧和结束帧。
7.如权利要求5所述的基于图像识别的断路器弹簧疲劳状态智能评价方法,其特征在于,所述弹簧初始工作高度Ht0的计算表达式为Ht0=k|s0-s|,弹簧最终工作高度Ht的计算表达式为Ht=k|st-s|,弹簧伸缩时间t为y=st±ε与位移-时间曲线的交点的最大值;
其中,s0为初始帧匹配模板中心像素坐标,s为初始点像素坐标,st为结束帧匹配模板中心像素坐标,k为图像每个像素在实际拍摄平面中的实际尺寸,ε为认定的弹簧伸缩幅度的最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810450389.8A CN108921812B (zh) | 2018-05-11 | 2018-05-11 | 基于图像识别的断路器弹簧疲劳状态智能评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810450389.8A CN108921812B (zh) | 2018-05-11 | 2018-05-11 | 基于图像识别的断路器弹簧疲劳状态智能评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108921812A CN108921812A (zh) | 2018-11-30 |
CN108921812B true CN108921812B (zh) | 2022-04-22 |
Family
ID=64403753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810450389.8A Active CN108921812B (zh) | 2018-05-11 | 2018-05-11 | 基于图像识别的断路器弹簧疲劳状态智能评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921812B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109655248A (zh) * | 2018-12-18 | 2019-04-19 | 安徽江淮汽车集团股份有限公司 | 电磁阀响应时间测试方法 |
CN112097673B (zh) * | 2019-06-18 | 2022-11-15 | 上汽通用汽车有限公司 | 车身部件虚拟匹配方法和*** |
CN111067531A (zh) * | 2019-12-11 | 2020-04-28 | 中南大学湘雅医院 | 一种伤口测量的方法及装置、存储介质 |
CN111649883B (zh) * | 2020-05-25 | 2022-04-05 | 河北金力新能源科技股份有限公司 | 一种分切机圆刀弹簧的评价方法及使用的圆刀弹簧弹力测试装置 |
CN112798242A (zh) * | 2020-12-25 | 2021-05-14 | 合肥开关厂有限公司 | 一种真空断路器弹簧疲惫度计算方法 |
CN113791339B (zh) * | 2021-07-19 | 2024-07-19 | 国网浙江省电力有限公司乐清市供电公司 | 一种基于r-ncc图像识别算法的断路器性能状态检测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101102004B1 (ko) * | 2005-12-30 | 2012-01-04 | 삼성전자주식회사 | 3차원 입체 영상에 대한 피로도를 정량화하는 방법 및시스템 |
US9390517B2 (en) * | 2011-01-25 | 2016-07-12 | Samsung Sdi Co., Ltd. | System for image analysis and method thereof |
CN102693450B (zh) * | 2012-05-16 | 2014-11-12 | 北京理工大学 | 一种基于遗传神经网络的曲轴疲劳寿命预测方法 |
CN103839412B (zh) * | 2014-03-27 | 2015-12-02 | 北京建筑大学 | 一种基于贝叶斯加权的路口动态转向比例组合估计方法 |
CN104062111A (zh) * | 2014-06-13 | 2014-09-24 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种基于高速摄像机采集断路器机械特性参数的方法 |
CN106651906A (zh) * | 2015-10-30 | 2017-05-10 | 国网山西省电力公司电力科学研究院 | 基于改进混合高斯模型的高压断路器运动特性测试方法 |
CN107860562B (zh) * | 2017-09-25 | 2019-06-14 | 广西电网有限责任公司电力科学研究院 | 一种高压断路器操作弹簧疲软测试方法 |
CN107884164B (zh) * | 2017-09-25 | 2019-07-26 | 广西电网有限责任公司电力科学研究院 | 一种ncc-sar算法的断路器弹簧性能检测方法 |
CN107860564B (zh) * | 2017-09-25 | 2019-10-18 | 广西电网有限责任公司电力科学研究院 | 一种用于高压断路器操作弹簧的疲软状态在线测试装置 |
-
2018
- 2018-05-11 CN CN201810450389.8A patent/CN108921812B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108921812A (zh) | 2018-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921812B (zh) | 基于图像识别的断路器弹簧疲劳状态智能评价方法 | |
CN111259930B (zh) | 自适应注意力指导机制的一般性目标检测方法 | |
Pan et al. | A new image recognition and classification method combining transfer learning algorithm and mobilenet model for welding defects | |
CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
WO2021184619A1 (zh) | 一种人体运动姿态识别评价方法及其*** | |
CN112766103B (zh) | 一种机房巡检方法及装置 | |
CN108956614A (zh) | 一种基于机器视觉的矿用钢丝绳动态探伤检测方法和装置 | |
CN108984893A (zh) | 一种基于梯度提升方法的趋势预测方法 | |
CN107860562A (zh) | 一种高压断路器操作弹簧疲软测试方法 | |
CN116257777B (zh) | 分类模型融合的密封继电器多余物检测与材质识别方法 | |
CN106651906A (zh) | 基于改进混合高斯模型的高压断路器运动特性测试方法 | |
CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
CN103310191B (zh) | 运动信息图像化的人体动作识别方法 | |
CN117451744B (zh) | 红外透镜的缺陷检测方法、装置、设备及存储介质 | |
CN111340748A (zh) | 电池缺陷识别方法、装置、计算机设备和存储介质 | |
CN117764980A (zh) | 基于红外多特征融合的复合材料缺陷自动识别与度量方法 | |
CN117333821A (zh) | 基于图像识别的阀基电子设备板老化状态评估方法及*** | |
CN111238927A (zh) | 疲劳耐久性评测方法、装置、电子设备和计算机可读介质 | |
CN113762131A (zh) | 高含硫气田的油套管双层管柱形变位置检测方法及终端 | |
CN106446837B (zh) | 一种基于运动历史图像的挥手检测方法 | |
CN113343550A (zh) | 基于局部图像特征的局部放电故障的诊断方法 | |
CN106803080B (zh) | 一种基于形状玻尔兹曼机的补全式行人检测方法 | |
CN109166122A (zh) | 基于图像处理的断路器操作机构弹簧伸缩特性测试方法 | |
Zhu et al. | Improved YOLOv5l-based Detection of Surface Defects in Hot Rolled Steel Strips | |
CN117790353B (zh) | 一种el检测***及el检测方法 |
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 |