CN110411580B - 一种电力设备发热缺陷的诊断方法以及诊断*** - Google Patents
一种电力设备发热缺陷的诊断方法以及诊断*** Download PDFInfo
- Publication number
- CN110411580B CN110411580B CN201910717499.0A CN201910717499A CN110411580B CN 110411580 B CN110411580 B CN 110411580B CN 201910717499 A CN201910717499 A CN 201910717499A CN 110411580 B CN110411580 B CN 110411580B
- Authority
- CN
- China
- Prior art keywords
- defect
- data
- heating
- infrared
- power equipment
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 156
- 238000010438 heat treatment Methods 0.000 title claims abstract description 101
- 238000003745 diagnosis Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000003384 imaging method Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000001931 thermography Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims description 45
- 238000012795 verification Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000020169 heat generation Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G01J5/10—Radiation pyrometry, e.g. infrared or optical thermometry using electric radiation detectors
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种电力设备发热缺陷的诊断方法以及诊断***,该诊断方法包括:从历史现场测试数据中提取电力设备各类发热缺陷对应的红外温度数据;对红外温度数据进行预处理得到电力设备各类发热缺陷对应的缺陷数据;缺陷数据至少包括电力设备的红外热成像图、红外点阵温度图、可见光成像图、关键测量点温度标记;利用电力设备的缺陷数据以及发热缺陷类型标签训练深度卷积神经网络得到发热缺陷诊断模型;其中,发热缺陷模型的输入数据为电力设备的缺陷数据,输出数据为电力设备的发热缺陷诊断结果,诊断结果包括是否存在发热缺陷以及发热缺陷的类型;采集待诊断电力设备的缺陷数据输入至发热缺陷诊断模型中得到发热缺陷诊断结果。
Description
技术领域
本发明属于电气设备红外带电检测技术领域,具体涉及一种电力设备发热缺陷的诊断方法以及诊断***。
背景技术
随着电力设备状态检修工作的不断开展,红外测温作为电力设备状态检测的重要手段越来越多的应用到电力设备日常维护中。目前大部分红外检测工作仍然依靠运维人员通过带电检测仪器完成,单纯依靠人员进行带电检测在实际的操作过程中存在以下问题未能有效解决:
1、绝大部分红外检测装置并无数据诊断功能,检测过程需要检测人员自行对数据进行分析判断。而红外检测数据量大,人工分析判断需要耗费大量时间,严重影响检测效率。且电压致热型发热故障诊断往往需要经过长久的经验积累才能做到准确判断,对检测人员专业技能要求较高,不利于红外带电检测工作在电网基层的开展。
2、部分红外检测装置中自带的诊断功能无法满足现场实际应用的需要。在现场应用中,由于电力设备发热缺陷类型的表现形式复杂多样,同时还存在大量干扰,检测装置自带的诊断功能很难准确识别发热缺陷类型,在使用过程中会产生误判,给带电检测人员的判断及后续的检修策略造成误导。
发明内容
本发明的目的是提供一种电力设备发热缺陷的诊断方法以及诊断***,其通过红外传感器对电力设备进行红外热成像检测采集数据,并通过深度学习网络训练深度卷积神经网络得到发热缺陷诊断模型,进而实现了电力设备发热缺陷的自动诊断与识别,其通过训练神经网络提高了诊断结果的可靠性。
一方面,一种电力设备发热缺陷的诊断方法,包括如下步骤:
步骤S1:从历史现场测试数据中提取电力设备各类发热缺陷对应的红外温度数据;
步骤S2:对所述红外温度数据进行预处理得到电力设备各类发热缺陷对应的缺陷数据;
所述缺陷数据至少包括电力设备的红外热成像图、红外点阵温度图、可见光成像图、关键测量点温度标记;
步骤S3:利用步骤S2中电力设备的缺陷数据以及发热缺陷类型标签训练深度卷积神经网络得到发热缺陷诊断模型;
其中,发热缺陷诊断模型的输入数据为电力设备的缺陷数据,输出数据为电力设备的发热缺陷诊断结果,所述诊断结果包括是否存在发热缺陷以及发热缺陷的类型;
步骤S4:采集待诊断电力设备的红外温度数据,并进行预处理得到缺陷数据;
步骤S5:将步骤S4的缺陷数据输入至步骤S3的发热缺陷诊断模型中得到发热缺陷诊断结果。
进一步优选,按照预设比例将步骤S2中采集的电力设备的缺陷数据以及发热缺陷类型标签进行划分得到训练集和验证集,训练集和验证集中每个样本均对应电力设备的一组缺陷数据以及发热缺陷类型标签,其中,利用训练集的训练深度卷积神经网络得到步骤S3中的发热缺陷诊断模型,训练过程如下:
S31:将训练集中样本的缺陷数据作为输入数据输入深度卷积神经网络;
S32:在前向传播过程中,输入的图形数据经过多层卷积层的卷积和池化处理,提出特征向量,并将特征向量传入全连接层得到分类识别结果;
S33:根据分类识别结果得到发热缺陷诊断结果,并将发热缺陷诊断结果与期望值比较,若不相符,执行S34进行反向传播过程;
其中,若相符,输入缺陷诊断结果;
S34:计算发热缺陷诊断结果与期望值的误差,并判断误差是否小于期望误差,若小于,输出深度卷积神经网络;否则,并根据误差依次计算出全连接层、下采样层和卷积层的误差,并分别基于各层误差对各层进行权重更新得到更新的深度卷积神经网络,再返回步骤S31。
进一步优选,利用验证集中电力设备的缺陷数据对训练后的深度卷积神经网络进行验证,过程如下:
首先,将验证集中各个样本的缺陷数据输入训练后的深度卷积神经网络得到电力设备的发热诊断结果;
然后,基于样本对应的发热缺陷类型标签鉴别发热诊断结果是否正确得到验证集的准确率;
最后,根据准确率调节模型参数得到发热缺陷诊断模型。
进一步优选,步骤S2中对红外温度数据进行预处理得到电力设备各类发热缺陷对应的缺陷数据的过程如下:
S21:根据电力设备所处的实际场景、设备类型、设备部件构建变电设备目标树;
S22:根据变电设备目标树对采集的红外温度数据进行分类;
S23:根据不同微气象环境下的变电设备成像特点对红外视频图像进行预分割和目标区域提取;
S24:利用滤波算法对提取区域进行平滑处理,生成待分析设备的红外热成像图、红外点阵温度图、可见光成像图、关键测量点温度标记。
进一步优选,步骤S1中的红外温度数据是利用红外传感器采集的,所述红外传感器包括手持式红外热成像仪、点阵式红外温度传感器、非接触式红外测温仪。
另一方面,本发明提供的一种基于上述方法的诊断***,包括依次连接的红外传感器、红外带电检测装置以及云平台;
其中,红外传感器用于采集电力设备各类发热缺陷对应的红外温度数据;
所述红外带电检测装置包括数据采集模块、数据综合处理模块、数据通讯模块,其中,数据采集模从红外传感器获取红外温度数据,所述数据综合处理模块用于对红外温度数据进行预处理得到电力设备各类发热缺陷对应的缺陷数据;
所述云平台,用于构建发热缺陷诊断模型以及利用所述发热缺陷诊断模型对电力设备实时进行发热缺陷诊断,并将诊断结果传送给所述红外带电检测装置,所述红外带电检测装置通过数据通讯模块接收诊断结果。
进一步优选,所述红外传感器与红外带电检测装置有线或无线连接,所述红外带电检测装置与云平台通过4G通讯网络连接。
有益效果
1、本发明利用深度卷积神经网络训练模型得到发热缺陷诊断模型,其提高了电力设备发热缺陷诊断结果的可靠性,实现了电力设备的发热缺陷诊断自动化,可以有效降低对现场带电检测人员的技术要求,使检测人员无需积累相关经验即可完成红外带电检测及诊断工作,便于红外带电检测工作在基层的推广。
2、本发明利用发热缺陷诊断模型实现的实时诊断,可以大幅提高红外带电检测效率,有效提高现场数据诊断的实时性。
3、本发明同时利用了红外热成像图、红外点阵温度图、可见光成像图、关键测量点温度标记这几类数据,而这几类数据是与发热缺陷息息相关的,本发明利用卷积神经网络将其结合于一体,进而提高了诊断结果的可靠性。
附图说明
图1是本发明提供的一种电力设备发热缺陷的诊断***的架构示意图;
图2是本发明提供的基于诊断***的诊断流程示意图;
图3是本发明提供的一种电力设备发热缺陷的诊断方法的流程示意图。
具体实施方式
下面将结合实施例对本发明做进一步的说明。
如图1所示,本发明提供的一种电力设备发热缺陷诊断***包括依次连接的红外传感器、红外带电检测装置以及云平台。其中,红外传感器与红外带电检测装置无线或有线连接,红外带电检测装置与云平台通过4G网络通讯连接。
本实施例中,红外传感器包括手持式红外热成像仪、点阵式红外温度传感器、非接触式红外测温仪。
本实施例中,红外带电检测装置包括数据采集模块、数据综合处理模块、数据通讯模块、数据显示模块以及数据存储模块。其中,数据采集模块从红外传感器获取红外温度数据。数据综合处理模块对红外温度数据进行预处理得到电力设备的缺陷数据。缺陷数据包括电力设备的红外热成像图、红外点阵温度图、可见光成像图、关键测量点温度标记。
数据存储模块用于存储缺陷数据以及云平台反馈的诊断结果,数据显示模块用于显示诊断结果或显示其他关键性信息。
如图2所示,云平台,用于采用本发明一种电力设备发热缺陷的诊断方法构建发热缺陷诊断模型,并对实时获取的缺陷数据进行诊断得到诊断结果。最后将诊断结果通过数据通讯模块下发至红外带电检测装置,使现场带电检测人员能够第一时间掌握检测结果及设备运行状态,无需带电检测人员自身进行数据诊断,降低现场红外带电检测对人员本身技能的要求,能够有效提高现场工作效率。
如图3所示,本发明提供的一种电力设备发热缺陷的诊断方法,包括如下步骤:
步骤S1:从历史现场测试数据中提取电力设备各类发热缺陷对应的红外温度数据。其中从积累的现场测试数据中提取各类发热缺陷对应的红外温度数据。
步骤S2:对所述红外温度数据进行预处理得到电力设备各类发热缺陷对应的缺陷数据。其中,本实施例中,按照80%,10%,10%比例划分采集的电力设备的缺陷数据以对应发热缺陷类型标签得到训练集、验证集和测试集。其中,训练集、验证集和测试集中每个样本均对应电力设备的一组缺陷数据和发热缺陷类型标签。训练集数据用于训练深度卷积神经网络,验证机数据用于调节训练集训练后的网络,并进行过拟合调节。测试集数据用于判断得到发热缺陷诊断模型的质量。其他可行的实施例中,可以按照其他比例来划分上述集合,同时也可以仅存在训练集或者仅存在训练集与验证集。本发明对此不进行具体的限定。
其中,对红外温度数据进行预处理的过程如下:
S21:根据电力设备所处的实际场景、设备类型、设备部件构建变电设备目标树;
S22:根据变电设备目标树对采集的红外温度数据进行分类;
S23:根据不同微气象环境下的变电设备成像特点对红外视频图像进行预分割和目标区域提取;
S24:利用滤波算法对提取区域进行平滑处理,生成待分析设备的红外热成像图、红外点阵温度图、可见光成像图、关键测量点温度标记。
步骤S3:利用步骤S2中电力设备的缺陷数据以及发热缺陷类型标签训练深度卷积神经网络得到发热缺陷诊断模型;
其中,发热缺陷诊断模型的输入数据为电力设备的缺陷数据,输出数据为电力设备的发热缺陷诊断结果,所述诊断结果包括是否存在发热缺陷以及发热缺陷的类型。本实施例中发热缺陷诊断模型的生成过程包括两大部分,分别是利用训练集训练深度卷积神经网络,其次利用验证集调节训练出的神经网络得到发热缺陷诊断模型。其他可行的实施例中,若仅仅存在训练集,可以利用训练集训练得到发热缺陷诊断模型。
其中,训练过程如下:
S31:将训练集中样本的缺陷数据作为输入数据输入深度卷积神经网络;
S32:在前向传播过程中,输入的图形数据经过多层卷积层的卷积和池化处理,提出特征向量,并将特征向量传入全连接层得到分类识别结果;
S33:根据分类识别结果得到发热缺陷诊断结果,并将发热缺陷诊断结果与期望值比较,若不相符,执行S34进行反向传播过程;
其中,若相符,输出缺陷诊断结果;
S34:计算发热缺陷诊断结果与期望值的误差,并判断误差是否小于期望误差,若小于,输出深度卷积神经网络;否则,并根据误差依次计算出全连接层、下采样层和卷积层的误差,并分别基于各层误差对各层进行权重更新得到更新的深度卷积神经网络,再返回步骤S31。
利用训练集的数据训练深度卷积神经网络后,利用验证集中的数据对其进行验证,其过程如下:
S35:将验证集中各个样本的缺陷数据输入训练后的深度卷积神经网络得到电力设备的发热诊断结果;
S36:基于样本对应的发热缺陷类型标签鉴别发热诊断结果是否正确得到验证集的准确率;
S37:根据准确率调节模型参数得到发热缺陷诊断模型。
步骤S4:采集待诊断电力设备的红外温度数据,并进行预处理得到缺陷数据;
步骤S5:将步骤S4的缺陷数据输入至步骤S3的发热缺陷诊断模型中得到发热缺陷诊断结果。
通过上述方法,可以实时得到发热缺陷诊断结果,并传输送红外带电检测装置,以便带电检测人员及时提供判断依据,使现场带电检测人员能够第一时间掌握检测结果和设备运行状态。
需要强调的是,本发明所述的实例是说明性的,而不是限定性的,因此本发明不限于具体实施方式中所述的实例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,不脱离本发明宗旨和范围的,不论是修改还是替换,同样属于本发明的保护范围。
Claims (5)
1.一种电力设备发热缺陷的诊断方法,其特征在于:包括如下步骤:
步骤S1:从历史现场测试数据中提取电力设备各类发热缺陷对应的红外温度数据;
步骤S2:对所述红外温度数据进行预处理得到电力设备各类发热缺陷对应的缺陷数据;
所述缺陷数据至少包括电力设备的红外热成像图、红外点阵温度图、可见光成像图、关键测量点温度标记;
步骤S3:利用步骤S2中电力设备的缺陷数据以及发热缺陷类型标签训练深度卷积神经网络得到发热缺陷诊断模型;
其中,发热缺陷诊断模型的输入数据为电力设备的缺陷数据,输出数据为电力设备的发热缺陷诊断结果,所述诊断结果包括是否存在发热缺陷以及发热缺陷的类型;
步骤S4:采集待诊断电力设备的红外温度数据,并进行预处理得到缺陷数据;
步骤S5:将步骤S4的缺陷数据输入至步骤S3的发热缺陷诊断模型中得到发热缺陷诊断结果
其中,按照预设比例将步骤S2中采集的电力设备的缺陷数据以及发热缺陷类型标签进行划分得到训练集和验证集,训练集和验证集中每个样本均对应电力设备的一组缺陷数据以及发热缺陷类型标签,其中,利用训练集的训练深度卷积神经网络得到步骤S3中的发热缺陷诊断模型,训练过程如下:
S31:将训练集中样本的缺陷数据作为输入数据输入深度卷积神经网络;
S32:在前向传播过程中,输入的图形数据经过多层卷积层的卷积和池化处理,提出特征向量,并将特征向量传入全连接层得到分类识别结果;
S33:根据分类识别结果得到发热缺陷诊断结果,并将发热缺陷诊断结果与期望值比较,若不相符,执行S34进行反向传播过程;
其中,若相符,输出缺陷诊断结果;
S34:计算发热缺陷诊断结果与期望值的误差,并判断误差是否小于期望误差,若小于,输出深度卷积神经网络;否则,并根据误差依次计算出全连接层、下采样层和卷积层的误差,并分别基于各层误差对各层进行权重更新得到更新的深度卷积神经网络,再返回步骤S31;
其中,利用验证集中电力设备的缺陷数据对训练后的深度卷积神经网络进行验证,过程如下:
S35:将验证集中各个样本的缺陷数据输入训练后的深度卷积神经网络得到电力设备的发热诊断结果;
S36:基于样本对应的发热缺陷类型标签鉴别发热诊断结果是否正确得到验证集的准确率;
S37:根据准确率调节模型参数得到发热缺陷诊断模型。
2.根据权利要求1所述的方法,其特征在于:步骤S2中对红外温度数据进行预处理得到电力设备各类发热缺陷对应的缺陷数据的过程如下:
S21:根据电力设备所处的实际场景、设备类型、设备部件构建变电设备目标树;
S22:根据变电设备目标树对采集的红外温度数据进行分类;
S23:根据不同微气象环境下的变电设备成像特点对红外视频图像进行预分割和目标区域提取;
S24:利用滤波算法对提取区域进行平滑处理,生成待分析设备的红外热成像图、红外点阵温度图、可见光成像图、关键测量点温度标记。
3.根据权利要求1所述的方法,其特征在于:步骤S1中的红外温度数据是利用红外传感器采集的,所述红外传感器包括手持式红外热成像仪、点阵式红外温度传感器、非接触式红外测温仪。
4.一种基于权利要求1-3任一项所述方法的诊断***,其特征在于:包括依次连接的红外传感器、红外带电检测装置以及云平台;
其中,红外传感器用于采集电力设备各类发热缺陷对应的红外温度数据;
所述红外带电检测装置包括数据采集模块、数据综合处理模块、数据通讯模块,其中,数据采集模从红外传感器获取红外温度数据,所述数据综合处理模块用于对红外温度数据进行预处理得到电力设备各类发热缺陷对应的缺陷数据;
所述云平台,用于构建发热缺陷诊断模型以及利用所述发热缺陷诊断模型对电力设备实时进行发热缺陷诊断,并将诊断结果传送给所述红外带电检测装置,所述红外带电检测装置通过数据通讯模块接收诊断结果;
数据综合处理模块数据综合处理模块。
5.根据权利要求4所述的诊断***,其特征在于:所述红外传感器与红外带电检测装置有线或无线连接,所述红外带电检测装置与云平台通过4G通讯网络连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910717499.0A CN110411580B (zh) | 2019-08-05 | 2019-08-05 | 一种电力设备发热缺陷的诊断方法以及诊断*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910717499.0A CN110411580B (zh) | 2019-08-05 | 2019-08-05 | 一种电力设备发热缺陷的诊断方法以及诊断*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110411580A CN110411580A (zh) | 2019-11-05 |
CN110411580B true CN110411580B (zh) | 2021-03-16 |
Family
ID=68365859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910717499.0A Active CN110411580B (zh) | 2019-08-05 | 2019-08-05 | 一种电力设备发热缺陷的诊断方法以及诊断*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110411580B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110907038A (zh) * | 2019-11-07 | 2020-03-24 | 武汉多谱多勒科技有限公司 | 一种基于人工智能的电力设备红外热成像监测*** |
CN111121971B (zh) * | 2019-12-18 | 2021-09-03 | 广西电网有限责任公司电力科学研究院 | 一种通过高压开关柜表面温度变化判断故障类型的方法 |
CN115060012B (zh) * | 2020-05-19 | 2023-10-31 | 山东大学 | 一种基于机器学习的环路热管太阳能温度除垢方法 |
CN111929542B (zh) * | 2020-07-03 | 2023-05-26 | 北京国网富达科技发展有限责任公司 | 一种电力设备诊断方法及*** |
CN112698615A (zh) * | 2020-11-10 | 2021-04-23 | 四川省东宇信息技术有限责任公司 | 一种基于云平台的设备故障反馈*** |
CN113310580A (zh) * | 2021-05-28 | 2021-08-27 | 国网江苏省电力有限公司电力科学研究院 | 一种变电设备红外诊断方法及*** |
CN114241727A (zh) * | 2021-11-26 | 2022-03-25 | 国网新疆电力有限公司巴州供电公司 | 变电设备智能诊断预警***、方法及装置 |
CN116247824B (zh) * | 2023-03-30 | 2023-11-17 | 国网河南省电力公司安阳供电公司 | 电力设备的控制方法及其*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7202794B2 (en) * | 2004-07-20 | 2007-04-10 | General Monitors, Inc. | Flame detection system |
CN103617469B (zh) * | 2013-12-18 | 2016-09-14 | 重庆大学 | 电力***设备故障预测方法及*** |
CN108564565A (zh) * | 2018-03-12 | 2018-09-21 | 华南理工大学 | 一种基于深度学习的电力设备红外图像多目标定位方法 |
CN109783560A (zh) * | 2019-01-16 | 2019-05-21 | 江苏圣通电力新能源科技有限公司 | 基于深度学习多特征融合的电力设备状态的检测方法 |
-
2019
- 2019-08-05 CN CN201910717499.0A patent/CN110411580B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110411580A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110411580B (zh) | 一种电力设备发热缺陷的诊断方法以及诊断*** | |
CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
CN103901072B (zh) | 利用红外图谱分析诊断设备过热缺陷的方法 | |
CN109800697B (zh) | 基于VGG-net风格迁移的变压器目标检测与外观缺陷识别方法 | |
CN103439342B (zh) | 基于热图时序特征的红外无损检测方法 | |
CN104913797A (zh) | 指针式仪表的读数识别方法及*** | |
CN112669305B (zh) | 一种金属表面抗锈性能测试台及抗锈性能测评方法 | |
CN110412431A (zh) | 一种电力设备的局部放电缺陷类型的诊断方法及诊断*** | |
RU2007103326A (ru) | Способ ремонта и технического обслуживания и применяемые в способе аппаратно-программный комплекс для диагностики и система для контроля качества ремонта и технического обслуживания | |
CN109374631A (zh) | 一种隧道状态评测方法 | |
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 | |
CN116308958A (zh) | 基于移动终端的碳排放在线检测预警***及方法 | |
CN114662619B (zh) | 基于多源数据融合的桥梁监测*** | |
CN115327270A (zh) | 基于数据-模型驱动的变压器小样本故障诊断*** | |
CN115953436A (zh) | 一种孕期宠物行为智能评估预警方法及*** | |
CN116861503A (zh) | 一种基于大数据的电力变压器数字孪生模型的构建方法 | |
CN107316131A (zh) | 一种基于图像识别的电能计量装置安装工艺质量检测*** | |
CN116933626A (zh) | 一种基于数字孪生的数据监测方法及装置 | |
CN116399462A (zh) | 一种数字可视化电缆感温预警方法及*** | |
CN109592525A (zh) | 电梯变频器故障诊断***及方法 | |
CN113033845B (zh) | 一种电力传输资源共建共享的建设方法及装置 | |
CN115841446A (zh) | 一种太阳能集热场故障风险快速检测***及方法 | |
CN113358750A (zh) | 一种基于边界元法的电力设备声成像方法及*** | |
CN111060703B (zh) | 一种试纸传感器分析方法、设备及*** | |
CN106872523A (zh) | 一种基于无人机的电力设备缺陷智能诊断***及方法 |
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 |