CN113836816A - 一种基于红外图像的发电机碳刷温度监测***及温度预测方法 - Google Patents
一种基于红外图像的发电机碳刷温度监测***及温度预测方法 Download PDFInfo
- Publication number
- CN113836816A CN113836816A CN202111162998.1A CN202111162998A CN113836816A CN 113836816 A CN113836816 A CN 113836816A CN 202111162998 A CN202111162998 A CN 202111162998A CN 113836816 A CN113836816 A CN 113836816A
- Authority
- CN
- China
- Prior art keywords
- carbon brush
- temperature
- generator
- data
- lstm
- 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.)
- Pending
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 99
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000005284 excitation Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000010438 heat treatment Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013439 planning Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 claims description 2
- 239000000446 fuel Substances 0.000 claims description 2
- 238000013523 data management Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 abstract description 3
- 238000011161 development Methods 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000013500 data storage Methods 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 abstract 2
- 238000001816 cooling Methods 0.000 abstract 1
- 238000013480 data collection Methods 0.000 abstract 1
- 230000004927 fusion Effects 0.000 abstract 1
- 238000009529 body temperature measurement Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种基于红外图像的发电机碳刷温度监测***及温度预测方法,针对大型发电机碳刷中电流过高、冷却装置异常而使得发电机碳刷和其连接的滑环在导流过程中温度异常升高影响设备正常运转,设计一种可远程实时检测和数据分析预测方法。本发明开发了发电机碳刷温度在线监测***,并且多平台适配,配合4G网络,实现多设备远程温度监测;利用云端数据管理***,将数据接入云服务器实现数据集中保存收集和管理;利用碳刷温度监测***采集的电厂实际碳刷温度数据,采用LSTM‑BP预测分析碳刷温度发展趋势,同时,利用红外图像特征信息与碳刷温度信息融合,通过组合模型提升碳刷温度预测精度,通过数据分析,预测碳刷温度变化。
Description
技术领域
本发明涉及市政公共设施领域,尤其涉及一种基于红外图像的发电机碳刷温度监测***及温度预测方法。
背景技术
电力关乎国计民生,2018年,我国火电机组装机容量已达11亿千瓦,火电机组占到总容量的70%。预计到2019年底,我国发电装机容量有望首次突破20亿千瓦,总装机容量稳居世界第一。随着装机容量的日益增长,***的安全问题得到密切关注,而发电机作为火电机组的三大主机之一,其设备可靠性对机组的运行有着重大影响。其中,励磁***更是发电机组安全稳定运行的关键。
碳刷和滑环作为同步发电机励磁***的重要组成部分,也是发电机运行的薄弱环节。发电机的故障统计表明:碳刷、滑环故障属于多发性故障,当发生碳刷跳动故障时,其接触电阻增大,碳刷间电流分配的不均匀度变大,当碳刷中的电流超过80A时,会产生励磁电压和电流不稳、***功率波动等一系列问题,电流的热效应还可能进一步烧损碳刷,使得发电机碳刷和滑环温度异常升高,严重时,甚至会引起环火,进而烧坏发电机滑环。因此,碳刷的好坏直接影响发电机的生产安全,研究出一套碳刷温度监测***,对提升发电厂经济效益有着重大意义。
目前,国内外测量碳刷温度主要有“点温枪测温法”和“红外温度传感器测温”两种方法,点温枪测温法步骤繁琐,效率低,易于出错,同时,现场环境存在危险性。红外温度传感器测温法是一种非接触测量,省去复杂接线和繁琐的人工巡检,其缺点是大多采用单点或者矩阵式传感器测温,覆盖面积有限,像素低,采集数据量少,同时,精度差,不能满足大型电厂的需求。因此可以通过红外热像仪研究出一套温度监测***,既可以红外成像,像素高,覆盖面积大,又可以将温度数据收集并处理。
大量实验数据表明,电厂碳刷在不同季节,其呈现的温度变化趋势是不同的。同时,其温度变化不是跃变的,而是缓步增长。电厂一般采用绘制碳刷温度曲线,通过趋势,来判断碳刷温度的变化,通过一定周期的历史数据,分析来预测整个事件总体未来的走向。但是,这种通过规律预测的方法误差较大,且只能获得温度的大致趋势,不能做到很好的定量分析。通过发电机碳刷温度预测,既可以有效减少发电机集电环、碳刷故障引发的机组非计划停运事故,同时,通过分析,可以为运维人员对发电厂碳刷运行状态以及励磁***负荷分析提供指导意义。
发明内容
本发明所要解决的技术问题在于提供一种基于红外图像的发电机碳刷温度监测***及温度预测方法,可实现多设备远程实时监测、数据库数据存储、温度数据分析预测,在提高检测效率的基础上还可以为运维人员对发电厂碳刷运行状态以及励磁***负荷分析提供指导意义。
为实现上述目的本发明采用以下技术方案:
一种基于红外图像的发电机碳刷温度监测***,包括红外热像仪、4G网络及云服务器、碳刷温度监测***;
所述红外热像仪采用非制冷焦平面的红外探测器,像素值规格为160*120,每幅红外图像含有19200个像素点,测温范围为-20°C~150°C。
所述4G网络及云服务器将红外热像仪的数据通过装载4G物联卡的工业路由器接入网络,通过固定的IP地址和热像仪编号与云服务器无线连接。
所述碳刷温度监测***包括基于MFC开发的上位机软件和数据库管理软件MYSQL,可将工业现场测得的温度红外图像远程实时显示在工控机上,还具有超温报警,数据记录,图像记录,温度曲线绘制,温度参数修正,故障诊断等功能。
开发的移动端检测***基于Android Studio开发平台的手机等移动设备使用的软件,利用JAVA编程,以固定的IP地址与数据管理***进行无线连接。
基于上述原理,本发明提供一种基于红外图像的发电机碳刷温度预测方法,包含以下步骤:
步骤1:基于电厂的实验数据,随机选取一段时间的发电机碳刷温度数据。
步骤2:处理数据中的红外图像,利用sobel算子进行边缘检测并提取红外图像中碳刷轮廓,使用温度数据与发热碳刷的红外图像面积的对应关系,进行缺失值填充。
步骤3:采用组合模型,发挥LSTM的时序预测优点,结合BP神经网络非线性特征,构建LSTM-BP组合模型。
步骤4:使用LSTM-BP组合模型进行发电机碳刷温度的趋势预测,,通过温度趋势来分析碳刷运行状况以及励磁***负荷状态,从MAE、MAPE、RMSE验证预测的精度。
进一步地,步骤1所述的发电机碳刷温度实验数据为随机选取电厂连续11天采集的发电机碳刷温度数据,共539个,其中训练集numtrain为485个,占90%,测试集numtest为54个,占10%。
进一步地,步骤2所述的轮廓提取其特征在于,需要进行以下操作:
图像二值化;2)利用bwlabel寻找连通区域,4连通是指(如果像素的位置在其他像素相邻的上、下、左或右,则认为他们是连接着的);3)利用l数组里面存放着对bwing图像的标签值(即判定为连通后,在L矩阵中标记出来);4)进行区域的选择,只保留感兴趣的区域;5)利用regionprops计算被保留区域的面积。
在轮廓提取后在发电机碳刷温度在线分析***本地抓取当时的图像,通过温度数据与发热碳刷的红外图像面积的对应关系,进行缺失值填充,就可以达到很好的效果。
进一步地,步骤3所述的LSTM-BP组合模型采用串联组合方式将LSTM模型和BP模型通过线性规划的方法确定权重,参数设置如下:
LSTM网络模型:输入层,输出层各为1个神经元,隐层LSTM结构单元设定为3层,分别含有神经元个数为60,200,60。最大迭代次数为400,当误差小于10–5时,跳出循环。
BP网络模型:输入层,输出层均为单神经元,通过不断调整参数试错法,确定BP神经网络的为双隐藏层,分别8个和4个神经元,学习系数为0.01,误差控制率为1x10–5,最大训练次数为5000次,训练函数trainlm。测试相对误差分布区间[0.01,0.08];
进一步地,步骤4中使用LSTM-BP组合模型进行发电机碳刷温度趋势预测,将结果和实际采集的温度曲线和使用LSTM模型预测的结果进行对比,再使用评价指标验证预测结果,具体按照以下步骤实施:
所使用的评价指标为:
使用matlab仿真,该方法可以很好地预测发电机碳刷温度趋势,预测误差大部分稳定在0.3°C以内,通过对发电机碳刷温度进行预测,通过温度趋势来分析碳刷运行状况以及励磁***负荷状态。同时,该组合模型可以为相关类型的数据预测与决策规划提供合理参考。
附图说明
图1为本发明的***结构组成图;
图2为本发明碳刷温度分析***软件流程图
图3为本发明发电机的现场采集图像及基于sobel轮廓提取的结果(实验)
图4为本发明LSTM-BP组合模型的***框图,组合模型采用串联组合方式
图5为本发明LSTM-BP预测结果与LSTM预测结果和实际采集温度数据的对比图(仿真)
图6为本发明预测网络误差(仿真)
图7为本发明预测相对误差(仿真)。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步的详细说明。
如图1所示一种基于红外图像的发电机碳刷温度监测***,包括:2台红外热像仪、4G工业路由器、GPRS/4G基站、云服务器,碳刷温度分析***、数据管理***、移动终端监测***;
两台红外热像仪分别安装在发电机两侧,保证其检测范围包含发电机滑环的主要部位及碳刷的全部范围;
热像仪的数据通过双绞线传输到工业4G路由器上,实时的测量数据图像再经由4G/GPRS基站传输到云服务器,图2为碳刷温度分析***软件流程图,在远程工控机端开发的上位机碳刷温度分析***获取云服务器上的温度及图像数据,进行红外热成像及数据分析,配合MYSQL数据库上位机还可以实现有超温报警,数据记录,图像记录,温度曲线绘制,温度参数修正,故障诊断等功能;
移动终端监测***是一款基于Android Studio开发平台的手机等移动设备使用的软件,利用JAVA编程,以固定的IP地址与数据管理***进行无线连接。
基于上述原理,本发明提供一种基于红外图像的发电机碳刷温度预测方法,包含以下步骤:
步骤1:基于电厂的实验数据,随机选取一段时间的发电机碳刷温度数据。
所述的发电机碳刷温度实验数据为随机选取电厂连续11天采集的发电机碳刷温度数据,共539个,其中训练集numtrain为485个,占90%,测试集numtest为54个,占10%。
步骤2:处理数据中的红外图像,利用sobel算子进行边缘检测并提取红外图像中碳刷轮廓,使用温度数据与发热碳刷的红外图像面积的对应关系,进行缺失值填充。
轮廓提取需要进行以下操作:1)图像二值化;2)利用bwlabel寻找连通区域,4连通是指(如果像素的位置在其他像素相邻的上、下、左或右,则认为他们是连接着的);3)利用l数组里面存放着对bwing图像的标签值(即判定为连通后,在L矩阵中标记出来);4)进行区域的选择,只保留感兴趣的区域;5)利用regionprops计算被保留区域的面积。图3为发电机的现场采集图像及基于sobel轮廓提取的结果
在轮廓提取后在发电机碳刷温度在线分析***本地抓取当时的图像,通过温度数据与发热碳刷的红外图像面积的对应关系,进行缺失值填充,就可以达到很好的效果。
步骤3:采用组合模型,发挥LSTM的时序预测优点,结合BP神经网络非线性特征,构建LSTM-BP组合模型。
图4为LSTM-BP组合模型的***框图,组合模型采用串联组合方式,LSTM模型和BP模型通过线性规划的方法确定权重,参数设置如下:
LSTM网络模型:输入层,输出层各为1个神经元,隐层LSTM结构单元设定为3层,分别含有神经元个数为60,200,60。最大迭代次数为400,当误差小于10–5时,跳出循环。
BP网络模型:输入层,输出层均为单神经元,通过不断调整参数试错法,确定BP神经网络的为双隐藏层,分别8个和4个神经元,学习系数为0.01,误差控制率为1x10–5,最大训练次数为5000次,训练函数trainlm。测试相对误差分布区间[0.01,0.08];
步骤4:使用LSTM-BP组合模型进行发电机碳刷温度的趋势预测,通过温度趋势来分析碳刷运行状况以及励磁***负荷状态,从MAE、MAPE、RMSE验证预测的精度。
进一步地,步骤4中使用LSTM-BP组合模型进行发电机碳刷温度趋势预测,将结果和实际采集的温度曲线和使用LSTM模型预测的结果进行对比,再使用评价指标验证预测结果,所使用的评价指标为:
为了验证上述组合模型的对预测效果,将步骤1中的数据,使用步骤2中的方法进行缺失值填充,再用步骤3所建立的LSTM-BP组合模型对温度的趋势预测,使用matlab仿真:
图5为LSTM-BP预测结果与LSTM预测结果和实际采集温度数据的对比图,曲线前段为训练数据后段为预测数据
图6为预测网络误差
图7为预测相对误差
表1为 本发明LSTM网络和BP-LSTM网络预测发电机碳刷温度的性能评估(仿真)
表1
通过仿真实验表明,该方法可以很好地预测发电机碳刷温度趋势,预测误差大部分稳定在0.3°C以内,通过对发电机碳刷温度进行预测,通过温度趋势来分析碳刷运行状况以及励磁***负荷状态。
同时,该组合模型可以为相关类型的数据预测与决策规划提供合理参考。
以上所述为本发明较佳实施例,对于本领域的普通技术人员而言,根据本发明的教导,在不脱离本发明的原理与精神的情况下,对实施方式所进行的改变、修改、替换和变型仍落入本发明的保护范围之内。
Claims (6)
1.一种基于红外图像的发电机碳刷温度监测***,其特征在于,包括红外热像仪、4G网络及云服务器、碳刷温度监测***;
所述红外热像仪采用非制冷焦平面的红外探测器,像素值规格为160*120,每幅红外图像含有19200个像素点,测温范围为-20°C~150°C;
所述4G网络及云服务器将红外热像仪的数据通过装载4G物联卡的工业路由器接入网络,通过固定的IP地址和热像仪编号与云服务器无线连接;
所述碳刷温度监测***包括基于MFC开发的上位机软件和数据库管理软件MYSQL,可将工业现场测得的温度红外图像远程实时显示在工控机上,还具有超温报警,数据记录,图像记录,温度曲线绘制,温度参数修正,故障诊断的功能。
2.一种基于红外图像的发电机碳刷温度预测方法,其特征在于,包含以下步骤:
步骤1:基于电厂的实验数据,随机选取一段时间的发电机碳刷温度数据;
步骤2:处理数据中的红外图像,利用sobel算子进行边缘检测并提取红外图像中碳刷轮廓,使用温度数据与发热碳刷的红外图像面积的对应关系,进行缺失值填充;
步骤3:采用组合模型,发挥LSTM的时序预测优点,结合BP神经网络非线性特征,构建LSTM-BP组合模型;
步骤4:使用LSTM-BP组合模型进行发电机碳刷温度的趋势预测,,通过温度趋势来分析碳刷运行状况以及励磁***负荷状态,从MAE、MAPE、RMSE验证预测的精度。
3.根据权利要求2所述的一种基于红外图像的发电机碳刷温度预测方法,其特征在于,步骤1所述的发电机碳刷温度实验数据为随机选取电厂连续11天采集的发电机碳刷温度数据,共539个,其中训练集numtrain为485个,占90%,测试集numtest为54个,占10%。
4.根据权利要求2所述的一种基于红外图像的发电机碳刷温度预测方法,其特征在于,步骤2所述的轮廓提取其特征在于,需要进行以下操作:
图像二值化;2)利用bwlabel寻找连通区域,4连通是指(如果像素的位置在其他像素相邻的上、下、左或右,则认为他们是连接着的);3)利用l数组里面存放着对bwing图像的标签值(即判定为连通后,在L矩阵中标记出来);4)进行区域的选择,只保留感兴趣的区域;5)利用regionprops计算被保留区域的面积;
在轮廓提取后在发电机碳刷温度在线分析***本地抓取当时的图像,通过温度数据与发热碳刷的红外图像面积的对应关系,进行缺失值填充,就可以达到很好的效果。
5.根据权利要求2所述的一种基于红外图像的发电机碳刷温度预测方法,其特征在于,步骤3所述的LSTM-BP组合模型采用串联组合方式将LSTM模型和BP模型通过线性规划的方法确定权重,参数设置如下:
LSTM网络模型:输入层,输出层各为1个神经元,隐层LSTM结构单元设定为3层,分别含有神经元个数为60,200,60。最大迭代次数为400,当误差小于10–5时,跳出循环。
BP网络模型:输入层,输出层均为单神经元,通过不断调整参数试错法,确定BP神经网络的为双隐藏层,分别8个和4个神经元,学习系数为0.01,误差控制率为1x10–5,最大训练次数为5000次,训练函数trainlm,测试相对误差分布区间[0.01,0.08]。
6.根据权利要求2所述的一种基于红外图像的发电机碳刷温度预测方法,其特征在于,步骤4中使用LSTM-BP组合模型进行发电机碳刷温度趋势预测,将结果和实际采集的温度曲线和使用LSTM模型预测的结果进行对比,再使用评价指标验证预测结果,具体按照以下步骤实施:
所使用的评价指标为:
式中是真实的发电机碳刷温度值/°C;是预测的发电机碳刷温度值/°C;N是测试样本集数量,
进行仿真实验,该方法可以很好地预测发电机碳刷温度趋势,预测误差大部分稳定在0.3°C以内,通过对发电机碳刷温度进行预测,通过温度趋势来分析碳刷运行状况以及励磁***负荷状态,同时,该组合模型可以为相关类型的数据预测与决策规划提供合理参考。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111162998.1A CN113836816A (zh) | 2021-09-30 | 2021-09-30 | 一种基于红外图像的发电机碳刷温度监测***及温度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111162998.1A CN113836816A (zh) | 2021-09-30 | 2021-09-30 | 一种基于红外图像的发电机碳刷温度监测***及温度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113836816A true CN113836816A (zh) | 2021-12-24 |
Family
ID=78967926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111162998.1A Pending CN113836816A (zh) | 2021-09-30 | 2021-09-30 | 一种基于红外图像的发电机碳刷温度监测***及温度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113836816A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115879054A (zh) * | 2023-03-03 | 2023-03-31 | 泰安市特种设备检验研究院 | 一种基于图像处理确定液氨制冷状态的方法和装置 |
CN117596265A (zh) * | 2023-11-21 | 2024-02-23 | 珠海高新区铭越科技有限公司 | 一种基于无线通信技术的测温终端数据监测***及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056594A (zh) * | 2016-05-27 | 2016-10-26 | 四川桑莱特智能电气设备股份有限公司 | 一种基于双光谱的可见光图像提取***与方法 |
CN208537031U (zh) * | 2017-12-05 | 2019-02-22 | 陕西科技大学 | 一种发电机电刷温度非接触在线监测*** |
CN113820017A (zh) * | 2021-08-19 | 2021-12-21 | 西安理工大学 | 基于红外图像的发电机碳刷温度监测***及温度预测方法 |
-
2021
- 2021-09-30 CN CN202111162998.1A patent/CN113836816A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056594A (zh) * | 2016-05-27 | 2016-10-26 | 四川桑莱特智能电气设备股份有限公司 | 一种基于双光谱的可见光图像提取***与方法 |
CN208537031U (zh) * | 2017-12-05 | 2019-02-22 | 陕西科技大学 | 一种发电机电刷温度非接触在线监测*** |
CN113820017A (zh) * | 2021-08-19 | 2021-12-21 | 西安理工大学 | 基于红外图像的发电机碳刷温度监测***及温度预测方法 |
Non-Patent Citations (1)
Title |
---|
杨耘;王彬泽;刘艳;席江波;柏涵;王丽霞;吴田军;: "基于时空优化LSTM深度学习网络的气温预测", 徐州工程学院学报(自然科学版), no. 02, pages 45 - 47 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115879054A (zh) * | 2023-03-03 | 2023-03-31 | 泰安市特种设备检验研究院 | 一种基于图像处理确定液氨制冷状态的方法和装置 |
CN117596265A (zh) * | 2023-11-21 | 2024-02-23 | 珠海高新区铭越科技有限公司 | 一种基于无线通信技术的测温终端数据监测***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shakya | A self monitoring and analyzing system for solar power station using IoT and data mining algorithms | |
CN113820017A (zh) | 基于红外图像的发电机碳刷温度监测***及温度预测方法 | |
CN113836816A (zh) | 一种基于红外图像的发电机碳刷温度监测***及温度预测方法 | |
CN103246265B (zh) | 机电设备检测维护方法 | |
CN106384186A (zh) | 一种分布式新能源并网电能质量监控方法及*** | |
CN105425768B (zh) | 一种电力二次设备监测装置及方法 | |
CN105467971B (zh) | 一种电力二次设备监测***及方法 | |
CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及*** | |
CN112697798B (zh) | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 | |
CN111738156A (zh) | 一种高压开关设备状态智能巡检管理方法及*** | |
CN116317943A (zh) | 一种光伏阵列热斑检测方法 | |
CN117218495A (zh) | 一种电表箱的风险检测方法及*** | |
CN117394529A (zh) | 基于scada的主配网合环倒供电控制条件辅助决策方法及*** | |
CN117612345A (zh) | 一种电力设备状态监测报警***及方法 | |
CN110909774B (zh) | 一种基于贝叶斯分类的变电设备发热缺陷原因判别方法 | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及*** | |
CN105514843B (zh) | 一种基于监测数据的750kV变电站二次设备检修方法 | |
CN110262313A (zh) | 基于物联网技术的电力物资关键点远程监测*** | |
LU500843B1 (en) | A monitoring system and prediction method of temperature for generator carbon brush based on an infrared image | |
CN113640596A (zh) | 换流变压器异常检测方法、装置、计算机设备和存储介质 | |
CN117629422B (zh) | 一种光伏组件测温方法及*** | |
Chen et al. | Metering equipment running error estimation model based on genetic optimized LM algorithm | |
Cardinale-Villalobos et al. | IoT System for Thermographic Data Acquisition of Photovoltaic Installations | |
Jacome et al. | Real-Time Fault Identification of Photovoltaic Systems Based on Remote Monitoring with IoT | |
Zheng et al. | Research on the Operational State of Information and Communication Systems Based on Multi-Source Data Aggregation |
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 |