CN112345531B - 一种基于仿生机器鱼的变压器故障检测方法 - Google Patents
一种基于仿生机器鱼的变压器故障检测方法 Download PDFInfo
- Publication number
- CN112345531B CN112345531B CN202011115138.8A CN202011115138A CN112345531B CN 112345531 B CN112345531 B CN 112345531B CN 202011115138 A CN202011115138 A CN 202011115138A CN 112345531 B CN112345531 B CN 112345531B
- Authority
- CN
- China
- Prior art keywords
- transformer
- robot fish
- wireless
- picture
- coordinate
- 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
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 82
- 239000011664 nicotinic acid Substances 0.000 title claims abstract description 75
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 238000004891 communication Methods 0.000 claims abstract description 11
- 230000007246 mechanism Effects 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 210000000006 pectoral fin Anatomy 0.000 claims description 17
- 238000007667 floating Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000003592 biomimetic effect Effects 0.000 claims 3
- 238000012423 maintenance Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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]
Landscapes
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Manipulator (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明公开了一种基于仿生机器鱼的变压器故障检测方法,仿生机器鱼带有无线通讯模块、存储器、摄像头和照明灯,在变压器油室中建立有游弋坐标网络,在变压器外的地面有检测终端,检测终端指令仿生机器鱼根据游弋坐标网络在变压器油室中围绕变压器线圈游弋检测,本发明通过仿生机器鱼浮出液面实时与地面检测终端交换信息,地面检测终端根据接收的图片信息,找出疑似故障点并指示仿生机器鱼再次对故障点进行多角度拍照提供给地面检测终端最终确认故障点,实现对变压器内部故障检测,本发明代替人工进入油浸式变压器内部进行故障检测。
Description
技术领域
本发明涉及一种基于仿生机器鱼的变压器故障检测方法。
背景技术
电网***的安全稳定运行是国民生产、生活的重要保障。在大型油浸式变压器内部发生故障时,由于缺乏特种检修设备,通常维修方法需要人工进入变压器内部进行检查作业。在维修之前需要排空变压器油然后维修人员通过人孔进入变压器中检修,这一过程需要耗费大量的人力物力,维修工期长,且容易带入杂质造成变压器二次污染;在变压器内空间狭小、照明条件差,人工检修存在检修盲区;变压器内部环境恶劣,容易对维修人员造成伤害。
目前出现了将水下机器人应用在油浸式变压器故障检测领域中,通过遥控机器人将变压器内部视频传输出来,维修人员根据视频信息凭借经验判断变压器故障类型。由于无线信号在液体中的传输存在滞后和传输距离短的问题,大量的图片信息无法从液体中传递到服务器,因此目前采用的数据传输方式是拖线式通信,用线缆直接将机器人和外部设备连接,这种方法限制了机器人的运动范围,不利于其在具有复杂线圈绕组的变压器中运动,大大降低了机器人检查的实用性。
发明内容
本发明的目的是提出一种基于仿生机器鱼的变压器故障检测方法,通过仿生机器鱼交替浮出液面实时与地面检测终端交换信息实现对变压器故障检测。
为了实现上述目的,本发明的技术方案是:
一种基于仿生机器鱼的变压器故障检测方法,仿生机器鱼带有无线通讯模块、存储器、摄像头和照明灯,在变压器油室中建立有游弋坐标网络,在变压器外的地面有检测终端,检测终端指令仿生机器鱼根据游弋坐标网络在变压器油室中围绕变压器线圈游弋检测,其中,所述变压器故障检测方法是:
第一步,将仿生机器鱼放入变压器油室油面上,仿生机器鱼与检测终端建立联系,定位仿生机器鱼自身在游弋坐标网络中的位置,并将此位置定义为原始位置,等待检测终端的检测指令;
第二步,检测终端发出指令,仿生机器鱼根据指令围绕变压器线圈按照一个设定的游弋线路游弋,仿生机器鱼中的摄像头沿游弋线路对变压器线圈连续间隔拍照获取间隔图片,仿生机器鱼将获取的图片数据以及对应每一幅图片的坐标位置作为图片信息存入存储器;
第三步,仿生机器鱼在完成设定的游弋线路后回到原始位置将图片信息通过无线通讯模块发送至检测终端;
第四步:检测终端对图片信息中的每一幅图片进行分析处理确定是否存在故障点,检测结束。
方案进一步是:所述图片与图片之间局部重合。
方案进一步是:如果存在故障点,首先将其定为疑似故障点,所述方法进一步是:命令仿生机器鱼按照疑似故障点图片信息中的坐标位置返回再次获取疑似故障点不同角度和亮度的图片,然后返回到原始位置将不同角度的图片发送至检测终端,对故障最终确定认可。
方案进一步是:所述是否存在故障点是与存储的故障图片案例通过对比确定。
方案进一步是:所述对比确定是通过直接观测对比,或者是通过深度卷积神经网络判断方式对图片进行分析处理确定的,所述深度卷积神经网络判断方式包括提取图片的数据特征,将提取的数据特征输入一个深度卷积神经网络判断模型,经深度卷积神经网络模型分析进入深度卷积神经网络模型输出分类层的故障分类器,输出识别结果,所述故障分类器是深度卷积神经网络模型根据事先对已知故障图片特征学习形成的故障分类器。
方案进一步是:所述提取图片的数据特征是:
一,通过对图片进行预处理消除图片的几何失真和噪声干扰;
二,将图片分割为两个大小不同的图片块,使用双层深度卷积神经网络对两个图片块分别进行运算,得到两个图片块不同尺寸下的置信度矩阵,对两个置信度矩阵进行统计,得到两个图片块在双层深度卷积神经网络下的置信度大小,并将两个双层深度卷积神经网络下的置信度结果进行融合形成图片的数据特征。
方案进一步是:所述游弋坐标网络是通过变压器油室坐标***建立的,所述变压器油室坐标***包括变压器油室内设置的多个无线定位标签,多个无线定位标签定位在变压器油室四个垂直边角的上下不同位置,在变压器壳体上盖进出口位置的油面漂浮设置有无线中继模块,无线中继模块在油面之上和油面之下分别伸出有天线,无线中继模块通过油面之上的天线与检测终端无线连接,无线中继模块通过油面之下的天线分别与仿生机器鱼和无线定位标签无线连接,所述游弋坐标网络的建立步骤包括:
第一步:将无线定位标签固定在标尺杆上,然后通过变压器壳体上盖进出口将标尺杆送入变压器油室定位在变压器油室四个垂直边角;
第二步:从资料或直接测量获得变压器油室定位标签的空间坐标尺寸数据以及变压器线圈在变压器油室中的位置坐标数据,进而形成变压器油室物理坐标网络;
第三步:为变压器油室不同坐标位置的无线定位标签设置区别编号;
第四步:将无线中继模块放置在变压器壳体上盖进出口位置的油面上,并确定无线中继模块与各无线定位标签的物理距离;
第五步:无线中继模块向无线定位标签发出定位信号并接收从任意无线定位标签返回的定位信号,确定接收定位信号发出与接收的延迟时间和无线定位标签编号;
第六步:根据无线定位标签编号确定所获取定位信号的无线定位标签在变压器油室所处空间坐标位置,根据确定的延迟时间确定二分之一延迟时间长度与获取定位信号的无线定位标签到无线中继模块距离长度的对等关系,确定变压器油室物理坐标网络对应的时间坐标网络,将与变压器油室物理坐标网络相对应的时间坐标网络定义为所述游弋坐标网络。
方案进一步是:仿生机器鱼定位在游弋坐标网络的位置是:
第一步:仿生机器鱼向无线定位标签连续发出带有标记的脉冲信号并接收无线定位标签返回的脉冲信号;
第二步:仿生机器鱼根据接收的无线定位标签返回的脉冲信号确定延时时间,并根据延时时间通过游弋坐标网络定位自身在变压器油室当前所处空间坐标位置。
方案进一步是:检测终端将游弋坐标网络用三维图形展示在显示屏上,所述设定的游弋线路是通过鼠标在展示的三维图形中移动生成的线路。
方案进一步是:所述仿生机器鱼包括顺序连接的头段壳体、中段和尾段壳体,头段壳体前端设置透明窗,所述摄像头设置在头段壳体内透明窗后面,在头段壳体还设置所述无线通讯模块、存储器和照明灯,在头段壳体两侧对称分别设置有两自由度仿生鳍机构,中段为沉浮控制机构,沉浮控制机构上端设置有平衡控制背鳍,在尾段壳体后端设置有泵式推进器,其中:
所述两自由度仿生鳍机构包括胸鳍叶片、一级舵机和二级舵机,一级舵机和二级舵机设置在头段壳体内,胸鳍叶片在头段壳体外侧,胸鳍叶片连接在二级舵机转动输出轴上,二级舵机输出轴的转动实现了两自由度中胸鳍叶片平行于仿生机器鱼前后方向的旋转摆动,一级舵机的输出轴垂直于二级舵机输出轴与二级舵机连接,一级舵机输出轴的转动通过二级舵机实现了两自由度中胸鳍叶片垂直于仿生机器鱼前后方向的圆弧摆动;
所述沉浮控制机构位于仿生机器鱼的重心位置,包括垂直于仿生机器鱼前后的筒状气室,筒状气室上端封闭下端开口,在筒状气室中设置有活塞,活塞连接有升降控制机构,升降控制机构控制活塞的上升或下降进而改变筒状气室密闭空间的大小,实现仿生机器鱼的沉浮控制。
本发明的有益效果是:通过仿生机器鱼浮出液面实时与地面检测终端交换信息,地面检测终端根据接收的图片信息,找出疑似故障点并指示仿生机器鱼再次对故障点进行多角度拍照提供给地面检测终端最终确认故障点,实现对变压器故障检测,本发明代替人工进入油浸式内部进行故障监测。使油浸式变压器可以在不放变压器油或者少放变压器油的情况下进入变压器内部进行检测作业。减少了人力物力的消耗,有效缩短了变压器维修检测工期,同时避免了人工检修造成二次污染。在检测过程中外部检测终端实时接收检测信息,对发生故障的位置以及故障类型做出标记,提高了故障检测的准确性以及效率。
下面结合附图和实施例对本发明作详细描述。
附图说明
图1为本发明坐标构成***结构示意图;
图2为仿生机器鱼整体结构示意图;
图3为仿生机器鱼两自由度仿生鳍机构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例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。
在本实施例的描述中,需要说明的是,术语“连接”、“置于”应做广义理解,例如“连接”可以是导线连接,也可以是机械连接;“置于”可以是固定连接放置,也可以是一体成形放置。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本实施例中的具体含义。
一种基于仿生机器鱼的变压器故障检测方法,是对油浸式变压器的故障检测方法,仿生机器鱼带有无线通讯模块、存储器、摄像头和照明灯,在变压器油室中建立有游弋坐标网络,在变压器外的地面有检测终端,检测终端指令仿生机器鱼根据游弋坐标网络在变压器油室中围绕变压器线圈游弋检测,其中,所述变压器故障检测方法是:
第一步,将仿生机器鱼放入变压器油室油面上,将仿生机器鱼与检测终端建立联系,定位仿生机器鱼自身在游弋坐标网络中的位置,并将此位置定义为原始位置,等待检测终端的检测指令;
第二步,检测终端发出游弋指令,仿生机器鱼根据指令围绕变压器线圈按照游弋指令设定的游弋线路游弋,仿生机器鱼中的摄像头沿游弋线路对变压器线圈连续间隔拍照获取间隔图片,仿生机器鱼将获取的图片数据以及对应每一幅图片的坐标位置作为图片信息存入存储器,采用此方式而不是连续无间隔的图像极大地减少了信息量,减小了对存储器容量的要求,并且实现图片信息通过无线的方式快速传递到检测终端;
第三步,仿生机器鱼在完成设定的游弋线路后回到原始位置将图片信息通过无线通讯模块发送至检测终端;
第四步:检测终端对图片信息中的每一幅图片进行分析处理确定是否存在故障点,检测结束。
其中:连续图片是间隔拍照的图片,为了无死角,,间隔的距离可以是每一张图片的二分之一或三分之一,即:图片与图片之间上下左右至少有三分之一是局部重合的。
在判断中:如果存在故障点,首先将其定为疑似故障点,所述方法进一步是:命令仿生机器鱼按照疑似故障点图片信息中的坐标位置返回再次获取疑似故障点不同角度和亮度的图片,然后返回到原始位置将不同角度的图片发送至检测终端,对故障最终确定认可。
所述是否存在故障点是与存储的故障图片案例通过对比确定。
有两种对比确定方式:
其一是:所述对比确定是通过专业人员直接观测对比确定。
其二是:通过计算机采用深度卷积神经网络判断方式对图片进行分析处理确定的,所述深度卷积神经网络判断方式包括提取图片的数据特征,将提取的数据特征输入一个深度卷积神经网络判断模型,经深度卷积神经网络模型分析进入深度卷积神经网络模型输出分类层的故障分类器,输出识别结果,所述故障分类器是深度卷积神经网络模型根据事先对已知故障图片特征学习形成的故障分类器,故障类型包括裂纹、碳痕、匝间放电、绕组变形等故障。
其中:所述提取图片的数据特征是:
一,通过对图片进行预处理消除图片的几何失真和噪声干扰,对于几何失真,使用Randon变换进行校正,对于噪声干扰使用维纳滤波进行消除;
二,将预处理后的图片分割为两个大小不同的图片块,例如:分割为140*125大小和28*25大小的两个图像块,使用双层深度卷积神经网络对两个图片块分别进行卷积运算、激活运算,二个双层深度卷积神经网络可以分别命名为Netb和Nets,池化后得到Netb和Nets的两个图片块不同尺寸下的置信度矩阵,对两个置信度矩阵进行统计,得到两个图片块在双层深度卷积神经网络下的置信度大小,并将两个双层深度卷积神经网络下的置信度结果进行融合形成图片的数据特征。
实施例中:所述游弋坐标网络是通过变压器油室坐标***建立的,所述变压器油室坐标***如图1所示:***包括待检测变压器1,待检测变压器1中有变压器油室101,变压器油室101内有被检测变压器线圈8,变压器油室101内设置的多个无线定位标签4,多个无线定位标签4通过标尺杆5定位在变压器油室101四个垂直边角的上下不同位置,其中,所述无线定位标签4至少有8个,8个无线定位标签4分布在变压器油室101四个角的上下端面,在变压器壳体上盖进出口位置的油面漂浮设置有无线中继模块6,无线中继模块6在油面之上和油面之下分别伸出有天线,无线中继模块通过油面之上的天线601与检测终端3无线连接,无线中继模块6通过油面之下的天线602分别与仿生机器鱼2和无线定位标签4无线连接,无线定位标签4具有接收和发射信号的功能,无线中继模块6具有存储、发射、接收、转发信号的功能,为了提高无线信号传递的稳定,在变压器壳体的顶端设置有无线收发器7,检测终端3通过无线收发器7与无线中继模块6无线连接;所述游弋坐标网络的建立步骤包括:
第一步:将无线定位标签4固定在标尺杆5上,然后通过变压器壳体上盖进出口102将标尺杆送入变压器油室定位在变压器油室四个垂直边角;
第二步:从资料或直接测量获得变压器油室定位标签的空间坐标尺寸数据以及变压器线圈在变压器油室中的位置坐标数据,进而形成变压器油室物理坐标网络;
第三步:为变压器油室不同坐标位置的无线定位标签设置区别编号,例如用数字1、2、3、4、5、6、7、8区分不同坐标位置的无线定位标签,返回的信号带有区别编号;
第四步:将无线中继模6放置在变压器壳体上盖进出口102位置的油面上,并确定无线中继模块与各无线定位标签的物理距离;
第五步:无线中继模块6向无线定位标签4发出定位信号并接收从任意无线定位标签返回的定位信号,确定接收定位信号发出与接收的延迟时间和无线定位标签编号;
第六步:根据无线定位标签编号确定所获取定位信号的无线定位标签在变压器油室所处空间坐标位置,根据确定的延迟时间确定二分之一延迟时间长度与获取定位信号的无线定位标签到无线中继模块距离长度的对等关系,确定变压器油室物理坐标网络对应的时间坐标网络,将与变压器油室物理坐标网络相对应的时间坐标网络定义为所述游弋坐标网络。例如:接收的无线定位标签是3号,3号无线定位标签到无线中继模块6的直线距离是1000mm,延迟时间是2ms,那么二分之一延迟时间长度就是1ms, 1ms对应的就是1000mm,假设延迟时间与直线距离实现性关系,也就可以认为1us对应的是1mm,在此基础上,根据各无线定位标签之间的距离对应出相应的时间坐标,由此形成时间坐标的检测机器人游弋坐标网络。
其中:仿生机器鱼定位在游弋坐标网络的位置是:
第一步:仿生机器鱼向无线定位标签连续发出带有标记的脉冲信号并接收无线定位标签返回的脉冲信号;
第二步:仿生机器鱼根据接收的无线定位标签返回的脉冲信号确定延时时间,并根据延时时间通过游弋坐标网络定位自身在变压器油室当前所处空间坐标位置。
其中:检测终端将游弋坐标网络用三维图形展示在显示屏上,所述设定的游弋线路可以是根据游弋坐标网络和上下间隔由计算机设计出的线路,或者是通过鼠标在展示的三维图形中移动生成的线路。
仿生机器鱼在通过游弋坐标网络确定了与各个无线定位标签的直线距离后,通过几何计算就能确定仿生机器鱼在变压器油室当前所处空间坐标位置,连续的发出与接收脉冲信号就可以动态实时的定位仿生机器鱼在变压器油室当前所处空间坐标位置,并且,通过此方法可以实时纠偏仿生机器鱼偏离检测终端发出游弋线路的移动方向。
实施例中如图2所示:所述仿生机器鱼包括顺序连接的头段壳体9、中段10和尾段壳体11,头段壳体前端设置透明窗,所述摄像头设置在头段壳体内透明窗后面,在头段壳体还设置所述无线通讯模块、存储器和照明灯,在头段壳体两侧对称分别设置有两自由度仿生鳍机构12,中段为沉浮控制机构,沉浮控制机构上端设置有平衡控制背鳍13,在尾段壳体后端设置有泵式推进器14,泵式推进器有两个分为左泵式推进器和右泵式推进器,两个泵推进器喷射出水口平行于仿生机器鱼前后方向;其中:
如图3所示,两自由度仿生鳍机构12通过舵机支架1205和机器鱼的头段壳体9固定连接,所述两自由度仿生鳍机构12包括胸鳍叶片1201、一级舵机1206和二级舵机1203,一级舵机和二级舵机设置在密封的头段壳体内,一级舵机和二级舵机转动部件再次进行密封处理是防水舵机,胸鳍叶片在头段壳体外侧,两个胸鳍叶片在头段壳体外两侧对称布置,胸鳍叶片通过胸鳍固定夹1202连接在二级舵机转动输出轴上,二级舵机输出轴的转动实现了两自由度中胸鳍叶片平行于仿生机器鱼前后方向的旋转摆动,一级舵机的输出轴垂直于二级舵机输出轴并通过舵机座1204与二级舵机1203连接,一级舵机输出轴的转动通过二级舵机实现了两自由度中胸鳍叶片垂直于仿生机器鱼前后方向的圆弧摆动;
所述沉浮控制机构位于仿生机器鱼中部的重心位置,所述沉浮控制机构包括垂直于仿生机器鱼前后方向的筒状气室,筒状气室上端封闭下端开口,在筒状气室中设置有活塞,活塞可以是塑料外侧包上橡胶,所述活塞是橡胶材质活塞,活塞连接有升降控制机构,升降控制机构控制活塞的上升或下降进而改变筒状气室密闭空间的大小,实现仿生机器鱼的沉浮控制。其中:所述升降控制机构包括在活塞上端面中心设置的螺杆和螺母旋转控制装置,螺杆通过一个螺母旋转控制装置控制提升或下降。
Claims (9)
1.一种基于仿生机器鱼的变压器故障检测方法,仿生机器鱼带有无线通讯模块、存储器、摄像头和照明灯,在变压器油室中建立有游弋坐标网络,在变压器外的地面有检测终端,检测终端指令仿生机器鱼根据游弋坐标网络在变压器油室中围绕变压器线圈游弋检测,其特征在于,所述变压器故障检测方法是:
第一步,将仿生机器鱼放入变压器油室油面上,仿生机器鱼与检测终端建立联系,定位仿生机器鱼自身在游弋坐标网络中的位置,并将此位置定义为原始位置,等待检测终端的检测指令;
第二步,检测终端发出指令,仿生机器鱼根据指令围绕变压器线圈按照一个设定的游弋线路游弋,仿生机器鱼中的摄像头沿游弋线路对变压器线圈连续间隔拍照获取间隔图片,仿生机器鱼将获取的图片数据以及对应每一幅图片的坐标位置作为图片信息存入存储器;
第三步,仿生机器鱼在完成设定的游弋线路后回到原始位置将图片信息通过无线通讯模块发送至检测终端;
第四步:检测终端对图片信息中的每一幅图片进行分析处理确定是否存在故障点,检测结束;
所述游弋坐标网络是通过变压器油室坐标***建立的,所述变压器油室坐标***包括变压器油室内设置的多个无线定位标签,多个无线定位标签定位在变压器油室四个垂直边角的上下不同位置,在变压器壳体上盖进出口位置的油面漂浮设置有无线中继模块,无线中继模块在油面之上和油面之下分别伸出有天线,无线中继模块通过油面之上的天线与检测终端无线连接,无线中继模块通过油面之下的天线分别与仿生机器鱼和无线定位标签无线连接,所述游弋坐标网络的建立步骤包括:
第一步:将无线定位标签固定在标尺杆上,然后通过变压器壳体上盖进出口将标尺杆送入变压器油室定位在变压器油室四个垂直边角;
第二步:从资料或直接测量获得变压器油室定位标签的空间坐标尺寸数据以及变压器线圈在变压器油室中的位置坐标数据,进而形成变压器油室物理坐标网络;
第三步:为变压器油室不同坐标位置的无线定位标签设置区别编号;
第四步:将无线中继模块放置在变压器壳体上盖进出口位置的油面上,并确定无线中继模块与各无线定位标签的物理距离;
第五步:无线中继模块向无线定位标签发出定位信号并接收从任意无线定位标签返回的定位信号,确定接收定位信号发出与接收的延迟时间和无线定位标签编号;
第六步:根据无线定位标签编号确定所获取定位信号的无线定位标签在变压器油室所处空间坐标位置,根据确定的延迟时间确定二分之一延迟时间长度与获取定位信号的无线定位标签到无线中继模块距离长度的对等关系,确定变压器油室物理坐标网络对应的时间坐标网络,将与变压器油室物理坐标网络相对应的时间坐标网络定义为所述游弋坐标网络。
2.根据权利要求1所述方法,其特征在于,所述图片与图片之间局部重合。
3.根据权利要求1所述方法,其特征在于,如果存在故障点,首先将其定为疑似故障点,所述方法进一步是:命令仿生机器鱼按照疑似故障点图片信息中的坐标位置返回再次获取疑似故障点不同角度和亮度的图片,然后返回到原始位置将不同角度的图片发送至检测终端,对故障最终确定认可。
4.根据权利要求1所述方法,其特征在于,所述是否存在故障点是与存储的故障图片案例通过对比确定。
5.根据权利要求4所述方法,其特征在于,所述对比确定是通过直接观测对比,或者是通过深度卷积神经网络判断方式对图片进行分析处理确定的,所述深度卷积神经网络判断方式包括提取图片的数据特征,将提取的数据特征输入一个深度卷积神经网络判断模型,经深度卷积神经网络模型分析进入深度卷积神经网络模型输出分类层的故障分类器,输出识别结果,所述故障分类器是深度卷积神经网络模型根据事先对已知故障图片特征学习形成的故障分类器。
6.根据权利要求5所述方法,其特征在于,所述提取图片的数据特征是:
一,通过对图片进行预处理消除图片的几何失真和噪声干扰;
二,将图片分割为两个大小不同的图片块,使用双层深度卷积神经网络对两个图片块分别进行运算,得到两个图片块不同尺寸下的置信度矩阵,对两个置信度矩阵进行统计,得到两个图片块在双层深度卷积神经网络下的置信度大小,并将两个双层深度卷积神经网络下的置信度结果进行融合形成图片的数据特征。
7.根据权利要求1所述方法,其特征在于,仿生机器鱼定位在游弋坐标网络的位置是:
第一步:仿生机器鱼向无线定位标签连续发出带有标记的脉冲信号并接收无线定位标签返回的脉冲信号;
第二步:仿生机器鱼根据接收的无线定位标签返回的脉冲信号确定延时时间,并根据延时时间通过游弋坐标网络定位自身在变压器油室当前所处空间坐标位置。
8.根据权利要求7所述方法,其特征在于,检测终端将游弋坐标网络用三维图形展示在显示屏上,所述设定的游弋线路是通过鼠标在展示的三维图形中移动生成的线路。
9.根据权利要求1所述方法,其特征在于,所述仿生机器鱼包括顺序连接的头段壳体、中段和尾段壳体,头段壳体前端设置透明窗,所述摄像头设置在头段壳体内透明窗后面,在头段壳体还设置所述无线通讯模块、存储器和照明灯,在头段壳体两侧对称分别设置有两自由度仿生鳍机构,中段为沉浮控制机构,沉浮控制机构上端设置有平衡控制背鳍,在尾段壳体后端设置有泵式推进器,其中:
所述两自由度仿生鳍机构包括胸鳍叶片、一级舵机和二级舵机,一级舵机和二级舵机设置在头段壳体内,胸鳍叶片在头段壳体外侧,胸鳍叶片连接在二级舵机转动输出轴上,二级舵机输出轴的转动实现了两自由度中胸鳍叶片平行于仿生机器鱼前后方向的旋转摆动,一级舵机的输出轴垂直于二级舵机输出轴与二级舵机连接,一级舵机输出轴的转动通过二级舵机实现了两自由度中胸鳍叶片垂直于仿生机器鱼前后方向的圆弧摆动;所述沉浮控制机构位于仿生机器鱼的重心位置,包括垂直于仿生机器鱼前后的筒状气室,筒状气室上端封闭下端开口,在筒状气室中设置有活塞,活塞连接有升降控制机构,升降控制机构控制活塞的上升或下降进而改变筒状气室密闭空间的大小,实现仿生机器鱼的沉浮控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011115138.8A CN112345531B (zh) | 2020-10-19 | 2020-10-19 | 一种基于仿生机器鱼的变压器故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011115138.8A CN112345531B (zh) | 2020-10-19 | 2020-10-19 | 一种基于仿生机器鱼的变压器故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112345531A CN112345531A (zh) | 2021-02-09 |
CN112345531B true CN112345531B (zh) | 2024-04-09 |
Family
ID=74362056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011115138.8A Active CN112345531B (zh) | 2020-10-19 | 2020-10-19 | 一种基于仿生机器鱼的变压器故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112345531B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113553983B (zh) * | 2021-07-30 | 2022-09-02 | 中国电子科技集团公司第五十四研究所 | 一种星载ads-b与遥感图像结合的异常目标监测方法 |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000221143A (ja) * | 1999-02-01 | 2000-08-11 | Nkk Corp | 表面検査装置 |
RU2297339C1 (ru) * | 2006-07-24 | 2007-04-20 | Закрытое акционерное общество "Ространс" | Способ определения оптимального положения и контроля параметров электронных меток на горловинах цистерн, устройство для его осуществления и макет горловины цистерны |
CN101393246A (zh) * | 2008-11-12 | 2009-03-25 | 华北电力大学 | 用于电力变压器内部故障检测的微型机器人 |
CN101576616A (zh) * | 2008-05-06 | 2009-11-11 | 广州香港科大研究开发有限公司 | 基于rfid技术的室内定位*** |
JP2011002280A (ja) * | 2009-06-17 | 2011-01-06 | Panasonic Corp | 欠陥検査方法 |
CN102338866A (zh) * | 2011-06-02 | 2012-02-01 | 西安理工大学 | 基于虚拟标签算法的无线射频室内定位方法 |
CN102928813A (zh) * | 2012-10-19 | 2013-02-13 | 南京大学 | 基于rssi质心加权算法的无源rfid标签定位方法 |
CN104280071A (zh) * | 2014-10-16 | 2015-01-14 | 国家电网公司 | 一种油浸式电力变压器故障报警装置的故障检测方法 |
CN106771741A (zh) * | 2016-12-15 | 2017-05-31 | 深圳供电局有限公司 | 一种油浸式变压器内部检测机器人 |
CN107063331A (zh) * | 2016-11-09 | 2017-08-18 | 贵州电网有限责任公司凯里供电局 | 一种基于微型机器人的变压器内部故障检测*** |
WO2017140096A1 (zh) * | 2016-02-18 | 2017-08-24 | 北京臻迪科技股份有限公司 | 一种无人船及*** |
CN107273775A (zh) * | 2013-02-08 | 2017-10-20 | 台湾开发建设股份有限公司 | 电子标签及用于确保电子标签的处理***与方法 |
CN207036818U (zh) * | 2017-07-05 | 2018-02-23 | 山东建筑大学 | 一种基于仿生机器鱼的淡水养殖水质监测*** |
CN109447511A (zh) * | 2018-11-13 | 2019-03-08 | 南方电网科学研究院有限责任公司 | 一种变压器故障诊断方法、***及相关装置 |
CN109987209A (zh) * | 2019-02-20 | 2019-07-09 | 博雅工道(北京)机器人科技有限公司 | 一种仿生机器鱼的控制电路 |
CN110426415A (zh) * | 2019-07-15 | 2019-11-08 | 武汉大学 | 基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法 |
CN110441388A (zh) * | 2019-07-25 | 2019-11-12 | 天津大学青岛海洋技术研究院 | 一种导管架平台水下部分无损检测探伤方法 |
KR20190136725A (ko) * | 2018-05-31 | 2019-12-10 | 삼성중공업 주식회사 | 복합 측위 기능이 내재된 실내 측위 장치 |
CN110667813A (zh) * | 2019-09-30 | 2020-01-10 | 武汉工程大学 | 一种用于水质监测和增氧的移动式仿生机器鱼及控制方法 |
CN110793969A (zh) * | 2019-10-14 | 2020-02-14 | 国网天津市电力公司电力科学研究院 | 一种用于大型变压器内部缺陷检测的微型机器鱼装置 |
WO2020151468A1 (zh) * | 2019-01-22 | 2020-07-30 | 岳秀兰 | 主次无线设备通过物联网连接建立的车辆远程驾驶体系 |
WO2020164278A1 (zh) * | 2019-02-14 | 2020-08-20 | 平安科技(深圳)有限公司 | 一种图像处理方法、装置、电子设备和可读存储介质 |
KR102148137B1 (ko) * | 2019-05-10 | 2020-08-26 | (주)위지트에너지 | 세대 급수온도 센서의 고장을 검출할 수 있는 열량 측정 시스템 및 이의 제어 방법 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100982852B1 (ko) * | 2006-10-20 | 2010-09-16 | 주식회사 케이티 | Rfid를 이용한 이동체 실시간 위치 결정 시스템 및 그방법과, 그를 위한 무선중계장치 설치 방법 |
-
2020
- 2020-10-19 CN CN202011115138.8A patent/CN112345531B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000221143A (ja) * | 1999-02-01 | 2000-08-11 | Nkk Corp | 表面検査装置 |
RU2297339C1 (ru) * | 2006-07-24 | 2007-04-20 | Закрытое акционерное общество "Ространс" | Способ определения оптимального положения и контроля параметров электронных меток на горловинах цистерн, устройство для его осуществления и макет горловины цистерны |
CN101576616A (zh) * | 2008-05-06 | 2009-11-11 | 广州香港科大研究开发有限公司 | 基于rfid技术的室内定位*** |
CN101393246A (zh) * | 2008-11-12 | 2009-03-25 | 华北电力大学 | 用于电力变压器内部故障检测的微型机器人 |
JP2011002280A (ja) * | 2009-06-17 | 2011-01-06 | Panasonic Corp | 欠陥検査方法 |
CN102338866A (zh) * | 2011-06-02 | 2012-02-01 | 西安理工大学 | 基于虚拟标签算法的无线射频室内定位方法 |
CN102928813A (zh) * | 2012-10-19 | 2013-02-13 | 南京大学 | 基于rssi质心加权算法的无源rfid标签定位方法 |
CN107273775A (zh) * | 2013-02-08 | 2017-10-20 | 台湾开发建设股份有限公司 | 电子标签及用于确保电子标签的处理***与方法 |
CN104280071A (zh) * | 2014-10-16 | 2015-01-14 | 国家电网公司 | 一种油浸式电力变压器故障报警装置的故障检测方法 |
WO2017140096A1 (zh) * | 2016-02-18 | 2017-08-24 | 北京臻迪科技股份有限公司 | 一种无人船及*** |
CN107063331A (zh) * | 2016-11-09 | 2017-08-18 | 贵州电网有限责任公司凯里供电局 | 一种基于微型机器人的变压器内部故障检测*** |
CN106771741A (zh) * | 2016-12-15 | 2017-05-31 | 深圳供电局有限公司 | 一种油浸式变压器内部检测机器人 |
CN207036818U (zh) * | 2017-07-05 | 2018-02-23 | 山东建筑大学 | 一种基于仿生机器鱼的淡水养殖水质监测*** |
KR20190136725A (ko) * | 2018-05-31 | 2019-12-10 | 삼성중공업 주식회사 | 복합 측위 기능이 내재된 실내 측위 장치 |
CN109447511A (zh) * | 2018-11-13 | 2019-03-08 | 南方电网科学研究院有限责任公司 | 一种变压器故障诊断方法、***及相关装置 |
WO2020151468A1 (zh) * | 2019-01-22 | 2020-07-30 | 岳秀兰 | 主次无线设备通过物联网连接建立的车辆远程驾驶体系 |
WO2020164278A1 (zh) * | 2019-02-14 | 2020-08-20 | 平安科技(深圳)有限公司 | 一种图像处理方法、装置、电子设备和可读存储介质 |
CN109987209A (zh) * | 2019-02-20 | 2019-07-09 | 博雅工道(北京)机器人科技有限公司 | 一种仿生机器鱼的控制电路 |
KR102148137B1 (ko) * | 2019-05-10 | 2020-08-26 | (주)위지트에너지 | 세대 급수온도 센서의 고장을 검출할 수 있는 열량 측정 시스템 및 이의 제어 방법 |
CN110426415A (zh) * | 2019-07-15 | 2019-11-08 | 武汉大学 | 基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法 |
CN110441388A (zh) * | 2019-07-25 | 2019-11-12 | 天津大学青岛海洋技术研究院 | 一种导管架平台水下部分无损检测探伤方法 |
CN110667813A (zh) * | 2019-09-30 | 2020-01-10 | 武汉工程大学 | 一种用于水质监测和增氧的移动式仿生机器鱼及控制方法 |
CN110793969A (zh) * | 2019-10-14 | 2020-02-14 | 国网天津市电力公司电力科学研究院 | 一种用于大型变压器内部缺陷检测的微型机器鱼装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112345531A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112633535B (zh) | 一种基于无人机图像的光伏电站智能巡检方法及*** | |
CN107808133B (zh) | 基于无人机巡线的油气管道安全监测方法、***及软件存储器 | |
KR102339465B1 (ko) | 딥러닝-영상인식 기반 해상폐기물 제거용 자율운항 선박 시스템 | |
CN110108704A (zh) | 一种蓝藻自动监测预警方法及其自动监测预警*** | |
CN112528979B (zh) | 变电站巡检机器人障碍物判别方法及*** | |
CN111398291B (zh) | 基于深度学***漆包电磁线表面瑕疵检测方法 | |
CN107014971B (zh) | 具有高效充电及远程数据传输功能的水下潜器用浮标基站 | |
CN112345531B (zh) | 一种基于仿生机器鱼的变压器故障检测方法 | |
CN116255908B (zh) | 面向水下机器人的海生物定位测量装置及方法 | |
CN115909092A (zh) | 轻量化输电通道隐患测距方法及隐患预警装置 | |
CN111696060A (zh) | 一种复合绝缘子憎水性带电在线监测方法与*** | |
CN115880231A (zh) | 一种基于深度学习的输电线路隐患检测方法和*** | |
CN112357030A (zh) | 一种用于海洋或内河湖泊的水质监测机器鱼 | |
Li et al. | Vision-based target detection and positioning approach for underwater robots | |
CN112016373B (zh) | 一种基于视觉感知与计算的水上遇险人员智能辅助搜救*** | |
CN114445572B (zh) | 一种基于DeeplabV3+的陌生海域中障碍物即时定位与地图构建方法 | |
Saragai et al. | Study on Adapting the Auto Feeding System for Sillago Japonica to Actual Aquaculture Environment | |
CN109902647A (zh) | 一种便携式在线鸟巢智能识别方法及*** | |
CN114735165B (zh) | 智能水下救生***及溺水检测、救援方法 | |
CN115410154A (zh) | 一种风电机舱电气设备热故障识别方法 | |
CN115909075A (zh) | 基于深度视觉的输电线识别与定位方法 | |
CN114560059A (zh) | 水下救生机器人及救援方法 | |
CN114982739A (zh) | 一种基于深度学习的智能激光驱鸟设备及方法 | |
CN115908843A (zh) | 过热度识别模型训练方法、识别方法、设备及存储介质 | |
CN220732903U (zh) | 一种水上漂浮物识别*** |
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 |