CN111553432A - 一种基于图像特征支持向量机的定子线棒绝缘老化程度预测方法 - Google Patents

一种基于图像特征支持向量机的定子线棒绝缘老化程度预测方法 Download PDF

Info

Publication number
CN111553432A
CN111553432A CN202010364444.9A CN202010364444A CN111553432A CN 111553432 A CN111553432 A CN 111553432A CN 202010364444 A CN202010364444 A CN 202010364444A CN 111553432 A CN111553432 A CN 111553432A
Authority
CN
China
Prior art keywords
support vector
vector machine
stator bar
insulation
aging degree
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.)
Granted
Application number
CN202010364444.9A
Other languages
English (en)
Other versions
CN111553432B (zh
Inventor
汪建基
张跃
胡波
丁健
梁智明
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.)
Xian Jiaotong University
Dongfang Electric Machinery Co Ltd DEC
Original Assignee
Xian Jiaotong University
Dongfang Electric Machinery Co Ltd DEC
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 Xian Jiaotong University, Dongfang Electric Machinery Co Ltd DEC filed Critical Xian Jiaotong University
Priority to CN202010364444.9A priority Critical patent/CN111553432B/zh
Publication of CN111553432A publication Critical patent/CN111553432A/zh
Application granted granted Critical
Publication of CN111553432B publication Critical patent/CN111553432B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)

Abstract

本发明涉及定子线棒绝缘老化程度预测领域，公开了一种基于图像特征支持向量机的定子线棒绝缘老化程度预测方法，该方法首先获取不同老化程度的定子线棒绝缘片材的2D‑SAXS(二维小角X射线散射)图和AFM(原子力显微镜)图。获取到老化材料的图谱之后，计算图谱的方向梯度直方图和局部二值模式，获取到图谱的图像特征。获取到图像特征之后，训练支持向量机模型，设置不同的模型参数，得到最优模型。最后利用训练好的支持向量机模型对测试数据进行测试，从而实现对定子线棒绝缘老化程度的预测。本发明是一种预测定子线棒绝缘老化程度的新方法，相较传统方法预测结果更准确，效率更高，具有重大的经济价值。

Description

一种基于图像特征支持向量机的定子线棒绝缘老化程度预测 方法
技术领域
本发明属于定子线棒材料老化程度预测领域，具体说是一种基于图像特征支持向量机的定子线棒绝缘老化程度预测方法。
背景技术
高分子材料的老化已成为一个非常重要的问题，实际造成的危害要比人们想象的严重得多，尤其是在苛刻环境条件下，常导致设备过早失效、材料大量流失，不但在经济上受到很大损失，导致资源的浪费，甚至因材料的失效分解造成对环境的污染。然而，高分子材料在加工、贮存和使用过程中，在光、热、水、化学与生物侵蚀等内外因素的综合作用下，产生降解，表现为性能逐渐下降，从而部分丧失或丧失其使用价值。
定子线棒是发电机的重要组成部分，其绝缘状态的好坏在很大程度上决定了发电机的使用寿命。定子线棒绝缘主要采用环氧云母绝缘体系，在长期运行过程中，遭受电、热、机械振动和环境等应力因子的联合作用，其机械性能和介电性能逐渐变坏，电气强度降低，最终导致绝缘击穿。统计结果表明，绝缘损坏时引起发电机故障的主要原因。通过观察定子线棒绝缘老化过程中衍射光斑、微观形貌等方法，对判定绝缘材料的老化程度有着重要的作用。
传统的定子线棒绝缘老化程度评估方法主要是公式法，通过建立介质损耗因数、局部放电量等多种电器参数与剩余寿命的关系，主要有局部放电参数预测法、D-图像法和其他非电气参数寿命评估法。这些方法操作复杂，评估结果相差比较大，不够准确。
发明内容
为了预测定子线棒绝缘老化程度，本发明的目的在于提供一种基于图像特征支持向量机的定子线棒绝缘老化程度预测方法，本发明采用基于学习的机器学习算法，采集定子线棒绝缘老化过程中衍射光斑和微观形貌图，应用支持向量机对图像进行分类，该方法预测结果准确，对于评估定子线棒绝缘老化程度有着很好的指导作用。
本发明采用如下技术方案：
一种基于图像特征支持向量机的定子线棒绝缘老化程度预测方法，包含如下步骤：
S1，对定子线棒上的绝缘片材进行热氧老化，每隔一段时间取出若干老化样品；
S2，获取老化样品的衍射光斑图谱和微观形貌图谱；
S3，提取老化样品的衍射光斑图谱的方向梯度直方图特征以及微观形貌图谱的局部二值模式特征；
S4，将S3得到的数据分成训练集、验证集和测试集，将训练集的方向梯度直方图特征和局部二值模式特征输入支持向量机中，构建支持向量机模型；
S5，通过设置支持向量机不同的模型参数，在验证集中找到预测绝缘片材准确率最高的模型参数，将该模型参数作为最终的模型参数，得到训练好的支持向量机模型；
S6，将测试集输入已经训练好的支持向量机模型中，对测试集中的图谱进行老化程度预测，将支持向量机模型输出的老化程度值作为绝缘老化程度预测值。
优选的，S3中：
方向梯度直方图特征的计算过程包括：
对老化样品的衍射光斑图谱进行分割，在每个分割块中计算像素的方向和梯度，按照像素变化的方向对梯度进行累加，得到一个分割块中的方向梯度图，将所有分割块中方向梯度进行统计得到图像的方向梯度直方图特征。
优选的，S3中：
老化样品的微观形貌图谱的局部二值模式特征计算过程包括：
原始的局部二值模式算子定义为在3*3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则该像素点的位置被标记为0，3*3邻域内的8个点经比较产生8位二进制数，将8位二进制数转换为十进制数，得到该窗口中心像素点的局部二值模式特征。
优选的，S5中：
需要设置的参数如下：
C：惩罚项；
kernel：核函数类型；
degree：多项式核函数的阶数；
gamma：核函数系数；
coef0：核函数中的独立项；
probability：是否启用概率估计；
shrinking：是否采用启发式收缩方式；
tol：svm停止训练的误差精度；
class_weight：类别权重；
max_iter：最大迭代次数；
decision_function_shape：决策函数类型；
random_state：数据洗牌时的种子值。
优选的，S2中，利用二维小角X射线散射观察老化样品的衍射光斑图谱；利用原子力显微镜观察老化样品的形貌信息，得到老化样品的微观形貌图谱，老化样品的形貌信息包括表面形态以及不同组分之间的界面状态。
优选的，S1中，将绝缘样品从定子线棒上进行剥离，获取单层或多层堆叠的绝缘片材，热氧老化的温度为100℃到200℃，时间共100h到200h，每隔5h到10h取出4到8片绝缘片材。
与现有技术相比，本发明具有如下有益效果：
本发明基于图像特征支持向量机的定子线棒绝缘老化程度预测方法利用绝缘材料的衍射光斑图和微观形貌图进行分析，绝缘材料发生很小的变化都可以在衍射光斑图和微观形貌图中清晰地展示出来，对材料微观层面的观察研究使得分析结果更加可靠。传统的建模技术需要预设很多数学模型构建进行验证，且该模型仅适用于特定条件下的绝缘材料预测。本发明利用支持向量机的方法进行建模，该构建方法快速且无需过多人为干预，可以方便地对绝缘材料寿命进行预测。本发明对定子线棒上的绝缘片材进行热氧老化，采用绝缘样品加速老化的方法进行试验，可以在发电机的设计阶段预测出定子线棒绝缘材料的老化程度，对于发电机的设计有着很好的指导作用。本发明采用方向梯度直方图特征和局部二值模式特征来对图像进行特征提取，这两种方法统计了图谱像素级别的变化，结合绝缘材料的衍射光斑图和微观形貌图，更能准确捕捉到材料在微观层面发生的微小变化。综上所述，本发明预测结果准确，对于评估定子线棒绝缘老化程度有着很好的指导作用。
附图说明
图1为本发明基于图像特征支持向量机的定子线棒绝缘老化程度预测方法的流程图。
图2为本发明实施例中不同老化阶段的定子线棒绝缘材料的2D-SAXS谱图样例。
图3为本发明实施例中不同老化阶段的定子线棒绝缘材料的AFM图谱。
具体实施方式
以下结合附图和具体实方法对本发明作进一步的详细说明。
如图1所示，本发明基于图像特征支持向量机的定子线棒绝缘老化程度预测方法，包含如下步骤：
S1：进行老化样品制备：
将绝缘样品从定子线棒上进行剥离，获取单层或多层堆叠的绝缘片材，将绝缘片材放在玻璃皿中进行热氧老化，每隔一段时间取出若干老化样品，得到老化样品；
S2：获取定子线棒绝缘老化样品的衍射光斑图谱和微观形貌图谱
利用2D-SAXS(二维小角X射线散射)观察不同老化阶段老化样品的衍射光斑，得到老化样品的衍射光斑图谱；利用原子力显微镜AFM观察不同老化状态的老化样品在纳米尺度上的表面形态以及不同组分之间的界面状态，得到老化样品的微观形貌图谱；
S3：提取衍射光斑图谱和微观形貌图谱的图像特征
提取出衍射光斑图谱的方向梯度直方图特征和微观形貌图谱局部二值模式特征；
S4：构建支持向量机模型
将S3获得的数据分成训练集、验证集和测试集，将训练集的方向梯度直方图特征和局部二值模式特征输入支持向量机中，构建支持向量机模型；
S5：通过设置支持向量机不同的模型参数，在验证集图谱中找到预测绝缘片材准确率最高的模型参数，将该模型参数作为最终的模型参数，得到训练好的支持向量机模S6：将测试集的图谱特征输入已经训练好的支持向量机模型中，对测试集中的图谱进行老化程度预测。
通过以上步骤可以实现通过2D-SAXS和AFM图谱和建立支持向量机模型对定子线棒绝缘老化程度的预测。
作为上述技术方案的补充，S3中：
方向梯度直方图特征的计算过程包括：
首先对老化样品的衍射光斑图谱进行分割，在每个分割块中计算像素的方向和梯度，按照像素变化的方向对梯度进行累加，得到一个分割块中的方向梯度图，将所有分割块中方向梯度进行统计得到图像的方向梯度直方图特征，即得到图像的方向梯度直方图特征；
老化样品的微观形貌图谱的局部二值模式特征的计算过程包括：
原始的局部二值模式算子定义为在3*3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数(通常转换为十进制数即局部二值模式码，共256种)，即得到该窗口中心像素点的局部二值模式值。
作为上述技术方案的优选，S5的包括如下步骤：设置不同的支持向量机参数得到最优的预测模型，需要的设置的参数如下：
C：惩罚项，float类型，可选参数，默认为1.0，C越大，即对分错样本的惩罚程度越大，因此在训练样本中准确率越高，但是泛化能力降低，也就是对测试数据的分类准确率降低。相反，减小C的话，容许训练样本中有一些误分类错误样本，泛化能力强。对于训练样本带有噪声的情况，一般采用后者，把训练样本集中错误分类的样本作为噪声。
kernel：核函数类型，str类型，默认为‘rbf’。可选参数为：
1)‘linear’：线性核函数
2)‘poly’：多项式核函数
3)‘rbf’：径像核函数/高斯核
4)‘sigmod’：sigmod核函数
5)‘precomputed’：核矩阵。precomputed表示自己提前计算好核函数矩阵，这时候算法内部就不再用核函数去计算核矩阵，而是直接用你给的核矩阵，核矩阵需要为n*n的。
degree：多项式核函数的阶数，int类型，可选参数，默认为3。这个参数只对多项式核函数有用，是指多项式核函数的阶数n，如果给的核函数参数是其他核函数，则会自动忽略该参数。
gamma：核函数系数，float类型，可选参数，默认为auto。只对‘rbf’，‘poly’，‘sigmod’有效。如果gamma为auto，代表其值为样本特征数的倒数，即1/n_features。
coef0：核函数中的独立项，float类型，可选参数，默认为0.0。只有对‘poly’和，‘sigmod’核函数有用，是指其中的参数c。
probability：是否启用概率估计，bool类型，可选参数，默认为False，这必须在调用fit()之前启用，并且会fit()方法速度变慢。
shrinking：是否采用启发式收缩方式，bool类型，可选参数，默认为True。
tol：svm停止训练的误差精度，float类型，可选参数，默认为1e^-3。
class_weight：类别权重，dict类型或str类型，可选参数，默认为None。给每个类别分别设置不同的惩罚参数C，如果没有给，则会给所有类别都给C＝1，即前面参数指出的参数C。如果给定参数‘balance’，则使用y的值自动调整与输入数据中的类频率成反比的权重。
max_iter：最大迭代次数，int类型，默认为-1，表示不限制。
decision_function_shape：决策函数类型，可选参数‘ovo’和‘ovr’，默认为‘ovr’。‘ovo’表示onevsone，‘ovr’表示onevsrest。
random_state：数据洗牌时的种子值，int类型，可选参数，默认为None。伪随机数发生器的种子，在混洗数据时用于概率估计。
在验证集中验证不同的参数得到上述模型参数的最优结果，作为训练好的支持向量机模型。
实施例
本实施例基于图像特征的支持向量机的定子线棒绝缘老化程度预测方法，包括如下步骤：
步骤一：进行老化样品制备
将绝缘样品从定子线棒上进行剥离，获取单层或多层堆叠的绝缘片材。将绝缘片材裁剪为1cm×1cm的样品。将样品放在玻璃皿中进行热氧老化。老化温度为200℃，时间共200h。每隔10h取出4片老化样品供后续测试使用。
步骤二：获取老化样品2D-SAXS图谱和AFM图谱各100张。
利用2D-SAXS(二维小角X射线散射)得到不同老化阶段环氧树脂老化样品的2D-SAXS图谱。利用原子力显微镜AFM观察不同老化状态的定子线棒绝缘在纳米尺度上的表面形态以及不同组分之间的界面状态。
步骤三：提取2D-SAXS(如图2所示)和AFM图谱(如图3所示)的图像特征。以附图2中老化时间为0小时的2D-SAXS图谱为例，对该图像进行分块，提取出2D-SAXS图谱的方向梯度直方图特征和AFM图谱的局部二值模式特征。
对图像进行划分，将图谱分成13*13＝169个分割块，每个块分成2*2＝4个单元，每个单元有8*8＝64个像素。
然后计算单元中像素的梯度和方向，在一个单元中，对每个像素进行梯度和方向计算，梯度和方向定义了像素的变化的大小和方向，这样在一个单元中有64个像素的梯度和方向，像素的梯度方向范围从0到180度。
接下来对64个像素按梯度方向进行统计，将0到180度区间均分成9等分，对图片左上角第一个单元进行统计，最后对直方图向量化，对每个单元统计得到合计梯度值，该图谱梯度值第一个单元的梯度值结果为：[36,89,156,98,54,35,78,23,56]。将所有的单元方向梯度按梯度方向累加，得到该图谱的方向梯度直方图特征，最终的方向梯度直方图特征为：[52133,94532,144323,103912,8934,68343,78345,12638]。
局部二值模式特征的计算如下：原始的局部二值模式算子定义为在3*3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数(通常转换为十进制数即局部二值模式码，共256种)，即得到该窗口中心像素点的局部二值模式值，得到的局部二值模式值为：[56,21,62,48,46,73…45,92]。
步骤四：获取到图谱的方向梯度直方图特征和局部二值模式特征之后，将数据分成训练集、验证集和测试集，比例为6：3：1，训练集120组数据，验证集60组数据，测试集20组数据。将训练集的方向梯度直方图特征和局部二值模式特征输入支持向量机中，构建支持向量机模型。
步骤五：通过设置支持向量机不同的模型参数，设置支持向量机的参数为C＝1.0、kernel＝‘rbf’、gamma＝20、probability＝True、shrinking＝True、tol＝1e-6、decision_function_shape＝‘ovr’。在验证集图谱中找到预测绝缘材料准确率最高的模型参数，作为最终的模型参数。
步骤六：将测试集的图谱特征输入已经训练好的支持向量机模型中，对测试集中的图谱进行老化程度预测，选取不同老化时间的样本进行预测，模型预测结果[0h,20h,30h,40h,50h]，训练的模型预测结果准确，对于不同老化时间的样品都进行了准确的预测。

Claims (6)

1.一种基于图像特征支持向量机的定子线棒绝缘老化程度预测方法，其特征在于，包含如下步骤：
S1，对定子线棒上的绝缘片材进行热氧老化，每隔一段时间取出若干老化样品；
S2，获取老化样品的衍射光斑图谱和微观形貌图谱；
S3，提取老化样品的衍射光斑图谱的方向梯度直方图特征以及微观形貌图谱的局部二值模式特征；
S4，将S3得到的数据分成训练集、验证集和测试集，将训练集的方向梯度直方图特征和局部二值模式特征输入支持向量机中，构建支持向量机模型；
S5，通过设置支持向量机不同的模型参数，在验证集中找到预测绝缘片材准确率最高的模型参数，将该模型参数作为最终的模型参数，得到训练好的支持向量机模型；
S6，将测试集输入已经训练好的支持向量机模型中，对测试集中的图谱进行老化程度预测，将支持向量机模型输出的老化程度值作为绝缘老化程度预测值。
2.根据权利要求1所述的一种基于图像特征支持向量机的定子线棒绝缘老化程度预测方法，其特征在于，S3中：
方向梯度直方图特征的计算过程包括：
对老化样品的衍射光斑图谱进行分割，在每个分割块中计算像素的方向和梯度，按照像素变化的方向对梯度进行累加，得到一个分割块中的方向梯度图，将所有分割块中方向梯度进行统计得到图像的方向梯度直方图特征。
3.根据权利要求1所述的一种基于图像特征支持向量机的定子线棒绝缘老化程度预测方法，其特征在于，S3中：
老化样品的微观形貌图谱的局部二值模式特征计算过程包括：
原始的局部二值模式算子定义为在3*3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则该像素点的位置被标记为0，3*3邻域内的8个点经比较产生8位二进制数，将8位二进制数转换为十进制数，得到该窗口中心像素点的局部二值模式特征。
4.根据权利要求1所述的一种基于图像特征支持向量机的定子线棒绝缘老化程度预测方法，其特征在于，S5中：
需要设置的参数如下：
C：惩罚项；
kernel：核函数类型；
degree：多项式核函数的阶数；
gamma：核函数系数；
coef0：核函数中的独立项；
probability：是否启用概率估计；
shrinking：是否采用启发式收缩方式；
tol：svm停止训练的误差精度；
class_weight：类别权重；
max_iter：最大迭代次数；
decision_function_shape：决策函数类型；
random_state：数据洗牌时的种子值。
5.根据权利要求1所述的一种基于图像特征支持向量机的定子线棒绝缘老化程度预测方法，其特征在于，S2中，利用二维小角X射线散射观察老化样品的衍射光斑图谱；利用原子力显微镜观察老化样品的形貌信息，得到老化样品的微观形貌图谱，老化样品的形貌信息包括表面形态以及不同组分之间的界面状态。
6.根据权利要求1所述的一种基于图像特征支持向量机的定子线棒绝缘老化程度预测方法，其特征在于，S1中，将绝缘样品从定子线棒上进行剥离，获取单层或多层堆叠的绝缘片材，热氧老化的温度为100℃到200℃，时间共100h到200h，每隔5h到10h取出4到8片绝缘片材。
CN202010364444.9A 2020-04-30 2020-04-30 一种基于图像特征支持向量机的定子线棒绝缘老化程度预测方法 Active CN111553432B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010364444.9A CN111553432B (zh) 2020-04-30 2020-04-30 一种基于图像特征支持向量机的定子线棒绝缘老化程度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010364444.9A CN111553432B (zh) 2020-04-30 2020-04-30 一种基于图像特征支持向量机的定子线棒绝缘老化程度预测方法

Publications (2)

Publication Number Publication Date
CN111553432A true CN111553432A (zh) 2020-08-18
CN111553432B CN111553432B (zh) 2022-02-22

Family

ID=72007839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010364444.9A Active CN111553432B (zh) 2020-04-30 2020-04-30 一种基于图像特征支持向量机的定子线棒绝缘老化程度预测方法

Country Status (1)

Country Link
CN (1) CN111553432B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112269081A (zh) * 2020-10-14 2021-01-26 西安交通大学 一种用于大型水轮发电机定子线棒多因子老化应力控制平台及方法
CN113051713A (zh) * 2021-03-01 2021-06-29 东方电气集团科学技术研究院有限公司 基于图像灰度共生矩阵多特征提取的复合材料老化预测方法
CN113569507A (zh) * 2021-09-27 2021-10-29 中国人民解放军海军工程大学 一种基于机器学习的定子线棒绝缘老化状态复合预测方法
CN114062232A (zh) * 2021-09-30 2022-02-18 国高材高分子材料产业创新中心有限公司 一种烘箱、聚合物材料热氧老化寿命自动测量***及方法
CN114167221A (zh) * 2021-12-13 2022-03-11 华北电力大学（保定） 不同电压频率下环氧树脂绝缘老化判别检验方法
CN115062495A (zh) * 2022-08-05 2022-09-16 深圳市联嘉祥科技股份有限公司 材料绝缘性能分析方法、装置、电子设备及存储介质
CN117877028A (zh) * 2024-03-13 2024-04-12 浙江大学 基于微观图像特征的电机绝缘寿命预测方法及***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5552222A (en) * 1995-01-27 1996-09-03 General Electric Company Electrically conductive articles comprising insulation resistant to corona discharge-induced degradation
WO1998047009A2 (en) * 1997-04-11 1998-10-22 General Electric Company Statistical pattern analysis methods of partial discharge measurments in high voltage insulation
CN102135593A (zh) * 2010-12-28 2011-07-27 太原理工大学 大电机绝缘状态在线诊断评估方法
CN104764748A (zh) * 2015-05-04 2015-07-08 成都唐源电气有限责任公司 定位绝缘子的方法、***以及故障检测的方法和***
CN105825527A (zh) * 2016-03-25 2016-08-03 华北电力大学（保定） 基于分形理论的绝缘材料闪络后表面微观形貌分析方法
CN106771765A (zh) * 2017-01-05 2017-05-31 华北电力大学（保定） 一种运行中的复合绝缘子老化程度的多维参量评估方法
CN109696605A (zh) * 2018-10-19 2019-04-30 中电华创电力技术研究有限公司 一种发电机定子线棒环氧云母绝缘的寿命评估方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5552222A (en) * 1995-01-27 1996-09-03 General Electric Company Electrically conductive articles comprising insulation resistant to corona discharge-induced degradation
WO1998047009A2 (en) * 1997-04-11 1998-10-22 General Electric Company Statistical pattern analysis methods of partial discharge measurments in high voltage insulation
US6192317B1 (en) * 1997-04-11 2001-02-20 General Electric Company Statistical pattern analysis methods of partial discharge measurements in high voltage insulation
CN102135593A (zh) * 2010-12-28 2011-07-27 太原理工大学 大电机绝缘状态在线诊断评估方法
CN104764748A (zh) * 2015-05-04 2015-07-08 成都唐源电气有限责任公司 定位绝缘子的方法、***以及故障检测的方法和***
CN105825527A (zh) * 2016-03-25 2016-08-03 华北电力大学（保定） 基于分形理论的绝缘材料闪络后表面微观形貌分析方法
CN106771765A (zh) * 2017-01-05 2017-05-31 华北电力大学（保定） 一种运行中的复合绝缘子老化程度的多维参量评估方法
CN109696605A (zh) * 2018-10-19 2019-04-30 中电华创电力技术研究有限公司 一种发电机定子线棒环氧云母绝缘的寿命评估方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
RUIHUA LI: "Multi-feature Fusion and Damage Identification of Large Generator Stator Insulation Based on Lamb Wave Detection and SVM Method", 《SENSORS》 *
廖瑞金: "局部放电对油浸绝缘纸表面损伤特性研究", 《中国电机工程学报》 *
张跃: "采用混合核函数支持向量机算法的大型发电机定子线棒绝缘状态评估方法", 《西安交通大学学报》 *
郝艳捧: "X射线衍射法研究大电机定子绝缘的老化过程", 《电工技术学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112269081A (zh) * 2020-10-14 2021-01-26 西安交通大学 一种用于大型水轮发电机定子线棒多因子老化应力控制平台及方法
CN113051713A (zh) * 2021-03-01 2021-06-29 东方电气集团科学技术研究院有限公司 基于图像灰度共生矩阵多特征提取的复合材料老化预测方法
CN113569507A (zh) * 2021-09-27 2021-10-29 中国人民解放军海军工程大学 一种基于机器学习的定子线棒绝缘老化状态复合预测方法
CN114062232A (zh) * 2021-09-30 2022-02-18 国高材高分子材料产业创新中心有限公司 一种烘箱、聚合物材料热氧老化寿命自动测量***及方法
CN114062232B (zh) * 2021-09-30 2024-02-02 国高材高分子材料产业创新中心有限公司 一种烘箱、聚合物材料热氧老化寿命自动测量***及方法
CN114167221A (zh) * 2021-12-13 2022-03-11 华北电力大学（保定） 不同电压频率下环氧树脂绝缘老化判别检验方法
CN114167221B (zh) * 2021-12-13 2023-06-13 华北电力大学（保定） 不同电压频率下环氧树脂绝缘老化判别检验方法
CN115062495A (zh) * 2022-08-05 2022-09-16 深圳市联嘉祥科技股份有限公司 材料绝缘性能分析方法、装置、电子设备及存储介质
CN117877028A (zh) * 2024-03-13 2024-04-12 浙江大学 基于微观图像特征的电机绝缘寿命预测方法及***
CN117877028B (zh) * 2024-03-13 2024-05-14 浙江大学 基于微观图像特征的电机绝缘寿命预测方法及***

Also Published As

Publication number Publication date
CN111553432B (zh) 2022-02-22

Similar Documents

Publication Publication Date Title
CN111553432B (zh) 一种基于图像特征支持向量机的定子线棒绝缘老化程度预测方法
CN110082136B (zh) 基于云遗传算法优化支持向量机的旋转机械故障诊断方法
CN103968937B (zh) 一种基于emd样本熵和fcm的配电开关机械状态诊断方法
CN111563622B (zh) 一种定子线棒绝缘老化程度预测方法
CN111931983B (zh) 一种降水量预测方法及***
CN112016588B (zh) 一种面向遥相关模式的空间自相关聚类方法
CN113391211B (zh) 一种小样本条件下的锂电池剩余寿命预测方法
CN110333078B (zh) 一种滚动轴承退化状态阶段确定方法
CN112288147B (zh) 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法
CN117252878B (zh) 一种纳米压印模具的图像缺陷检测方法
CN109670652A (zh) 一种光伏组件的故障预测方法
CN106570790A (zh) 一种计及风速数据分段特性的风电场出力数据修复方法
Peng et al. A very short term wind power prediction approach based on Multilayer Restricted Boltzmann Machine
CN112746934A (zh) 一种自联想神经网络诊断风机故障方法
CN113030244A (zh) 输电线塔架腐蚀缺陷漏磁检测信号反演成像方法及***
CN115980588A (zh) 基于自编码器提取特征的锂离子电池健康状态估计方法
CN115329663A (zh) 处理电力负荷监测稀疏数据的关键特征选择方法和装置
CN116243115A (zh) 基于时序拓扑数据分析的高压电缆模式识别方法及装置
CN114123971B (zh) 一种基于VaDE的光伏组串异常检测方法及***
CN113051713B (zh) 基于图像灰度共生矩阵多特征提取的复合材料老化预测方法
CN109508350B (zh) 一种对数据进行采样的方法和装置
CN111814961A (zh) 基于生成式对抗网络的降水预报的方法
CN117805616A (zh) 一种锂离子储能***异常电芯识别方法
CN114970601A (zh) 一种电力设备局部放电类型识别方法、设备及存储介质
CN115311238A (zh) 一种基于图像分析的光伏组件缺陷损伤的识别方法

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