CN116821831A - 电力智能巡检***及其方法 - Google Patents
电力智能巡检***及其方法 Download PDFInfo
- Publication number
- CN116821831A CN116821831A CN202310816472.3A CN202310816472A CN116821831A CN 116821831 A CN116821831 A CN 116821831A CN 202310816472 A CN202310816472 A CN 202310816472A CN 116821831 A CN116821831 A CN 116821831A
- Authority
- CN
- China
- Prior art keywords
- vector
- feature vector
- temperature
- divergence
- 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.)
- Pending
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000013598 vector Substances 0.000 claims description 311
- 238000000605 extraction Methods 0.000 claims description 56
- 239000011159 matrix material Substances 0.000 claims description 43
- 238000010586 diagram Methods 0.000 claims description 41
- 230000004927 fusion Effects 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 239000006185 dispersion Substances 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 230000008859 change Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及智能诊断领域,其具体地公开了一种电力智能巡检***及其方法,其通过对电力设备运行时的温度值以及振动信号进行特征提取,并对温度特征和振动特征进行融合来判断所述电力设备运行是否正常。这样,可以更准确地判断电力设备的运行状态,能够及早发现潜在故障,保证电力设备正常运转。
Description
技术领域
本申请涉及智能诊断领域,且更为具体地,涉及一种电力智能巡检***及其方法。
背景技术
电力巡检是一种对电力设备进行定期巡视、检查和维护的工作。电力巡检旨在发现设备故障、预防意外事故、及时处理设备缺陷、确保电力设备的安全可靠运行。电力设备随着使用时间的增长往往会发生变化,而巡检周期一般固定且较为宽泛,不能及时有效地监测设备状态,并且巡检质量受巡检人员的专业水平影响,巡检质量难以保证。
因此,需要一种优化的电力智能巡检方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种电力智能巡检***及其方法,其通过对电力设备运行时的温度值以及振动信号进行特征提取,并对温度特征和振动特征进行融合来判断所述电力设备运行是否正常。这样,可以更准确地判断电力设备的运行状态,能够及早发现潜在故障,保证电力设备正常运转。
根据本申请的一个方面,提供了一种电力智能巡检***,其包括:
设备数据获取模块,用于获取预定时间段内多个预定时间点的设备温度值以及由振动传感器采集的所述预定时间段内的设备振动信号;
温度特征提取模块,用于将所述多个预定时间点的设备温度值按照时间维度排列为设备温度输入向量后通过多尺度邻域特征提取模块以得到设备温度特征向量;
S变换模块,用于对所述设备振动信号进行S变换以得到S变换时频图;
振动编码模块,用于将所述S变换时频图通过作为过滤器的卷积神经网络模型以得到设备振动特征向量;
融合模块,用于将所述设备温度特征向量和所述设备振动特征向量进行融合以得到分类特征矩阵;以及
运行状态结果生成模块,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示电力设备的运行状态是否正常。
在上述电力智能巡检***中,所述温度特征提取模块,包括:第一尺度温度特征提取单元,用于将所述设备温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度温度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二尺度温度特征提取单元,用于将所述设备温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度温度特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,多尺度级联单元,用于将所述第一尺度温度特征向量和所述第二尺度温度特征向量进行级联以得到所述设备温度特征向量。
在上述电力智能巡检***中,所述第一尺度温度特征提取单元,进一步用于:使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述设备温度输入向量进行卷积编码以得到所述第一尺度温度特征向量;其中,所述第一卷积公式为:
其中,a为第一卷积核在x方向上的宽度,F(a)为第一卷积核参数向量,G(x-a)为与第一卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述设备温度输入向量,Cov1(X)为所述第一尺度温度特征向量。
在上述电力智能巡检***中,所述第二尺度待检测特征提取单元,进一步用于:使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述设备温度输入向量进行卷积编码以得到所述第二尺度温度特征向量;其中,所述第二卷积公式为:
其中,b为第二卷积核在x方向上的宽度,F(b)为第二卷积核参数向量,G(x-b)为与第二卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,X表示所述设备温度输入向量,Cov2(X)为所述第二尺度温度特征向量。
在上述电力智能巡检***中,所述S变换模块,用于:以如下变换公式对所述设备振动信号进行S变换以得到所述S变换时频图;其中,所述变换公式为:
其中,s(f,τ)表示所述S变换时频图,τ为时移因子,x(t)表示所述设备振动信号,f表示频率,t表示时间。
在上述电力智能巡检***中,所述融合模块,包括:稀疏特征向量生成单元,用于对所述设备温度特征向量和所述设备振动特征向量进行稀疏编码以得到第一稀疏特征向量和第二稀疏特征向量;第一JS散度计算单元,用于计算所述第一稀疏特征向量相对于所述第二稀疏特征向量的第一JS散度;第二JS散度计算单元,用于计算所述第二稀疏特征向量相对于所述第一稀疏特征向量的第二JS散度;归一化处理单元,用于对所述第一JS散度和所述第二JS散度进行归一化处理以得到归一化第一JS散度和归一化第二JS散度;以及,分类特征矩阵生成单元,用于以所述归一化第一JS散度和所述归一化第二JS散度作为权重,融合所述第一稀疏特征向量和所述第二稀疏特征向量以得到所述分类特征矩阵。
在上述电力智能巡检***中,所述第一JS散度计算单元,用于:以如下第一JS散度公式计算所述第一稀疏特征向量相对于所述第二稀疏特征向量的所述第一JS散度;其中,所述第一JS散度公式为:
其中,S1是所述第一稀疏特征向量,S2是所述第二稀疏特征向量,S是所述第一稀疏特征向量和所述第二稀疏特征向量的平均分布,KL表示KL散度,JSD1表示所述第一JS散度。
在上述电力智能巡检***中,所述第二JS散度计算单元,用于:以如下第二JS散度公式计算所述第二稀疏特征向量相对于所述第一稀疏特征向量的所述第二JS散度;其中,所述第二JS散度公式为:
其中,S1是所述第一稀疏特征向量,S2是所述第二稀疏特征向量,S是所述第一稀疏特征向量和所述第二稀疏特征向量的平均分布,KL表示KL散度,JSD2表示所述第二JS散度。
在上述电力智能巡检***中,所述运行状态结果生成模块,包括:展开单元,用于将所述分类特征矩阵基于行向量或列向量的展开为分类特征向量;全连接编码单元,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果生成单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面,提供了一种电力智能巡检方法,其包括:
获取预定时间段内多个预定时间点的设备温度值以及由振动传感器采集的所述预定时间段内的设备振动信号;
将所述多个预定时间点的设备温度值按照时间维度排列为设备温度输入向量后通过多尺度邻域特征提取模块以得到设备温度特征向量;
对所述设备振动信号进行S变换以得到S变换时频图;
将所述S变换时频图通过作为过滤器的卷积神经网络模型以得到设备振动特征向量;
将所述设备温度特征向量和所述设备振动特征向量进行融合以得到分类特征矩阵;以及
将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示电力设备的运行状态是否正常。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的电力智能巡检方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的电力智能巡检方法。
与现有技术相比,本申请提供的电力智能巡检***及其方法,其通过对电力设备运行时的温度值以及振动信号进行特征提取,并对温度特征和振动特征进行融合来判断所述电力设备运行是否正常。这样,可以更准确地判断电力设备的运行状态,能够及早发现潜在故障,保证电力设备正常运转。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用于提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的电力智能巡检***的***框图。
图2为根据本申请实施例的电力智能巡检***的架构图。
图3为根据本申请实施例的电力智能巡检***中温度特征提取模块的框图。
图4为根据本申请实施例的电力智能巡检***中融合模块的框图。
图5为根据本申请实施例的电力智能巡检***中运行状态结果生成模块的框图。
图6为根据本申请实施例的电力智能巡检方法的流程图。
图7为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
如上述背景技术所言,现有的电力巡检方式巡检周期一般固定且巡检周期较为宽泛,这样容易导致不能及时有效地监测电力设备的状态,并且巡检的质量受巡检人员的专业水平影响,巡检的质量难以保证,因此,期待一种优化的电力巡检方案,其可以有效及时监测电力设备运行状态并且保证电力巡检的质量。
近年来,深度学***。深度学习以及神经网络的发展为电力巡检提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,获取预定时间段内多个预定时间点的设备温度值以及由振动传感器采集的所述预定时间段内的设备振动信号。应可以理解,获取预定时间段内多个预定时间点的设备温度值以及由振动传感器采集的所述预定时间段内的设备振动信号是为了全面了解设备在不同时间下的工作状态和变化情况。设备温度和设备振动信号是反映设备运行状态的重要参考指标,通过对这些指标进行监测和分析,可以判断设备的健康状况或潜在故障,并且切实采取相应措施,及时保障设备的正常工作状态,确保重要基础设施的安全稳定。
接着,将所述多个预定时间点的设备温度值按照时间维度排列为设备温度输入向量后通过多尺度邻域特征提取模块以得到设备温度特征向量。将所述多个预定时间点的设备温度值按照时间维度排列为设备温度输入向量是为了充分利用设备在不同时间点的温度变化信息,从而更全面地反映设备状态的变化情况。通过多尺度领域特征提取模块对温度输入向量进行处理,以获得不同尺度的特征信息,在实际运行中,设备温度的变化一般具有周期性和时间尺度差异等特点,通过多尺度领域特征提取,能够提供更全面的温度特征,包括设备的短时刻变化、周期性变化以及持续期变化等,能够更准确地描述设备的状态变化情况并检测潜在故障。同时,该方法还能够有效降低噪声的影响,提高监测精度和稳定性,从而达到更好地智能巡检效果。
然后,对所述设备振动信号进行S变换以得到S变换时频图。应可以理解,振动信号由于是以时间为自变量的非稳态信号,因此,直接进行时域分析往往难以获取全面的信息,而通过S变换将时域信号转换到时频域,可以同时反映出信号在时间上和频率上的变化情况。从而在保留原始信号的信息的同时,使振动信号的时频特征变得更加直观和清晰,更有利于后续诊断和处理。
进而,将所述S变换时频图通过作为过滤器的卷积神经网络模型以得到设备振动特征向量。本领域普通技术人员知晓,卷积神经网络在特征提取方面表现优异。所述S变换时频图包含大量信息,通过卷积神经网络可以处理时频图这种高维度数据,在其中提取到与设备振动信号相关的特征。
紧接着,将所述设备温度特征向量和所述设备振动特征向量进行融合以得到分类特征矩阵。应可以理解,将所述设备温度特征向量和所述设备振动特征向量进行融合可以综合利用不同类型的特征信息,充分描述出设备状态的多方位变化情况。在实际运行中,设备的工作状态通常会受到多种因素的影响,比如温度、振动等参数,其中不同参数之间存在一定的相关性和相互依存关系。将温度和振动这两种关键特征信息进行融合,可以进一步提高设备故障诊断的准确性和精度,从而更好地完成智能巡检。最后,将所述分类矩阵通过分类器以获得用于表示电力设备运行状态是否正常的运行结果。这样,可以更加准确地判断设备运行状态,避免了人为误判的风险,同时还提高了巡检的效率。
应理解,考虑到所述设备温度特征向量和所述设备振动特征向量的维度和样本数量不同,因此在融合这两个特征向量的过程中可能存在一些重复的信息或者一些与目标任务无关的信息,这导致在设备温度特征向量和设备振动特征向量融合的过程中会出现噪声和冗余信息的问题,这些信息可能会对模型的训练产生不利的影响,影响模型的泛化能力。
基于此,在本申请的技术方案中,融合所述设备温度特征向量和所述设备振动特征向量以得到所述分类特征矩阵,包括:对所述设备温度特征向量和所述设备振动特征向量进行稀疏编码以得到第一稀疏特征向量和第二稀疏特征向量;计算所述第一稀疏特征向量相对于所述第二稀疏特征向量的第一JS散度;计算所述第二稀疏特征向量相对于所述第一稀疏特征向量的第二JS散度;对所述第一JS散度和所述第二JS散度进行归一化处理以得到归一化第一JS散度和归一化第二JS散度;以所述归一化第一JS散度和所述归一化第二JS散度作为权重,融合所述第一稀疏特征向量和所述第二稀疏特征向量以得到所述分类特征矩阵。
具体地,在本申请的技术方案中,以如下第一JS散度公式计算所述第一稀疏特征向量相对于所述第二稀疏特征向量的所述第一JS散度;其中,所述第一JS散度公式为:
其中,S1是所述第一稀疏特征向量,S2是所述第二稀疏特征向量,S是所述第一稀疏特征向量和所述第二稀疏特征向量的平均分布,KL表示KL散度,JSD1表示所述第一JS散度。
具体地,在本申请的技术方案中,以如下第二JS散度公式计算所述第二稀疏特征向量相对于所述第一稀疏特征向量的所述第二JS散度;其中,所述第二JS散度公式为:
其中,S1是所述第一稀疏特征向量,S2是所述第二稀疏特征向量,S是所述第一稀疏特征向量和所述第二稀疏特征向量的平均分布,KL表示KL散度,JSD2表示所述第二JS散度。
上述特征分布融合算法利用了稀疏编码思想来有效捕捉两个特征分布之间的结构和模式信息,而不受噪声和冗余信息的影响从而提升特征融合效果,通过这样的方式,可以有效地降低特征融合过程中的信息损失,保留原始特征分布中的重要信息,提高特征融合后的数据质量和可信度,同时,还可以有效地降低特征融合后的数据维度,减少数据冗余和噪声且有效地增强特征融合后的数据表达能力,提取出更多的隐含信息和潜在规律,提高数据挖掘和知识发现的能力和水平。进而提高分类特征矩阵通过分类器得到的分类结果的准确性。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性***
图1为根据本申请实施例的电力智能巡检***的***框图。如图1所示,在电力智能巡检***100中,包括:设备数据获取模块110,用于获取预定时间段内多个预定时间点的设备温度值以及由振动传感器采集的所述预定时间段内的设备振动信号;温度特征提取模块120,用于将所述多个预定时间点的设备温度值按照时间维度排列为设备温度输入向量后通过多尺度邻域特征提取模块以得到设备温度特征向量;S变换模块130,用于对所述设备振动信号进行S变换以得到S变换时频图;振动编码模块140,用于将所述S变换时频图通过作为过滤器的卷积神经网络模型以得到设备振动特征向量;融合模块150,用于将所述设备温度特征向量和所述设备振动特征向量进行融合以得到分类特征矩阵;以及,运行状态结果生成模块160,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示电力设备的运行状态是否正常。
图2为根据本申请实施例的电力智能巡检***的架构图。如图2所示,在该架构中,首先,获取预定时间段内多个预定时间点的设备温度值以及由振动传感器采集的所述预定时间段内的设备振动信号。接着,将所述多个预定时间点的设备温度值按照时间维度排列为设备温度输入向量后通过多尺度邻域特征提取模块以得到设备温度特征向量。然后,对所述设备振动信号进行S变换以得到S变换时频图。进而,将所述S变换时频图通过作为过滤器的卷积神经网络模型以得到设备振动特征向量。紧接着,将所述设备温度特征向量和所述设备振动特征向量进行融合以得到分类特征矩阵。最后,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示电力设备的运行状态是否正常。
在电力智能巡检***100中,所述设备数据获取模块110,用于获取预定时间段内多个预定时间点的设备温度值以及由振动传感器采集的所述预定时间段内的设备振动信号。应可以理解,获取预定时间段内多个预定时间点的设备温度值以及由振动传感器采集的所述预定时间段内的设备振动信号是为了全面了解设备在不同时间下的工作状态和变化情况。设备温度和设备振动信号是反映设备运行状态的重要参考指标,通过对这些指标进行监测和分析,可以判断设备的健康状况或潜在故障,并且切实采取相应措施,及时保障设备的正常工作状态,确保重要基础设施的安全稳定。具体地,在本申请的技术方案中,所述预定时间段内多个预定时间点的温度值可以由温度传感器收集获得,所述预定时间内的设备振动信号是由振动传感器收集获得。
在电力智能巡检***100中,所述温度特征提取模块120,用于将所述多个预定时间点的设备温度值按照时间维度排列为设备温度输入向量后通过多尺度邻域特征提取模块以得到设备温度特征向量。应可以理解,将所述多个预定时间点的设备温度值按照时间维度排列为设备温度输入向量是为了充分利用设备在不同时间点的温度变化信息,从而更全面地反映设备状态的变化情况。多尺度领域特征提取模块是一种计算机视觉中常用的特征提取方法,它可以在不同的尺度下提取特征,从而更全面地描述特征。通过多尺度领域特征提取模块对温度输入向量进行处理,以获得不同尺度的特征信息,在实际运行中,设备温度的变化一般具有周期性和时间尺度差异等特点,通过多尺度领域特征提取,能够提供更全面的温度特征,包括设备的短时刻变化、周期性变化以及持续期变化等,能够更准确地描述设备的状态变化情况并检测潜在故障。同时,该方法还能够有效降低噪声的影响,提高监测精度和稳定性,从而达到更好地智能巡检效果。
图3为根据本申请实施例的电力智能巡检***中温度特征提取模块的框图。如图3所示,所述温度特征提取模块120,包括:第一尺度温度特征提取单元121,用于将所述设备温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度温度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二尺度温度特征提取单元122,用于将所述设备温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度温度特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,多尺度级联单元123,用于将所述第一尺度温度特征向量和所述第二尺度温度特征向量进行级联以得到所述设备温度特征向量。
更具体地,在电力智能巡检***100中,所述第一尺度温度特征提取单元121,用于:使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述设备温度输入向量进行卷积编码以得到所述第一尺度温度特征向量;其中,所述第一卷积公式为:
其中,a为第一卷积核在x方向上的宽度,F(a)为第一卷积核参数向量,G(x-a)为与第一卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述设备温度输入向量,Cov1(X)为所述第一尺度温度特征向量。
更具体地,在电力智能巡检***100中,所述第二尺度温度特征提取单元122,进一步用于:使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述设备温度输入向量进行卷积编码以得到所述第二尺度温度特征向量;其中,所述第二卷积公式为:
其中,b为第二卷积核在x方向上的宽度,F(b)为第二卷积核参数向量,G(x-b)为与第二卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,X表示所述设备温度输入向量,Cov2(X)为所述第二尺度温度特征向量。
在电力智能巡检***100中,所述S变换模块130,用于对所述设备振动信号进行S变换以得到S变换时频图。S变换是一种时频分析方法,它将信号分成一系列短时窗口,并对每个窗口进行傅里叶变换,从而得到每个时间段内信号的频谱信息。S变换可以提供信号在时间和频率上的局部信息,因此它在信号处理领域中得到了广泛的应用。S变换时频图是S变换的结果,它将信号的时域和频域信息结合起来,可以用于分析信号在时间和频率上的变化。应可以理解,振动信号由于是以时间为自变量的非稳态信号,因此,直接进行时域分析往往难以获取全面的信息,而通过S变换将时域信号转换到时频域,可以同时反映出信号在时间上和频率上的变化情况。从而在保留原始信号的信息的同时,使振动信号的时频特征变得更加直观和清晰,更有利于后续诊断和处理。
具体地,在电力智能巡检***100中,所述S变换模块130,用于:以如下变换公式对所述设备振动信号进行S变换以得到所述S变换时频图;其中,所述变换公式为:
其中,s(f,τ)表示所述S变换时频图,τ为时移因子,x(t)表示所述设备振动信号,f表示频率,t表示时间。
在电力智能巡检***100中,所述振动编码模块140,用于将所述S变换时频图通过作为过滤器的卷积神经网络模型以得到设备振动特征向量。本领域普通技术人员应该知晓,卷积神经网络是一种能够有效提取图像特征的深度学习模型,它可以通过卷积层、池化层等操作对输入的图像进行特征提取和降维,从而得到更加紧凑的特征向量。在本申请的技术方案中,可以将S变换时频图看作是一种非类似于图像的数据,通过将其输入到卷积神经网络中,可以得到设备振动信号的特征向量,从而实现电力设备状态诊断和故障预测。
在电力智能巡检***100中,所述融合模块150,用于将所述设备温度特征向量和所述设备振动特征向量进行融合以得到分类特征矩阵。应可以理解,在实际运行中,设备的工作状态通常会受到多种因素的影响,比如温度、振动等参数,其中不同参数之间存在一定的相关性和相互依存关系。将温度和振动这两种关键特征信息进行融合,可以进一步提高设备故障诊断的准确性和精度,从而更好地完成电力的智能巡检。
应理解,考虑到所述设备温度特征向量和所述设备振动特征向量的维度和样本数量不同,因此在融合这两个特征向量的过程中可能存在一些重复的信息或者一些与目标任务无关的信息,这导致在设备温度特征向量和设备振动特征向量融合的过程中会出现噪声和冗余信息的问题,这些信息可能会对模型的训练产生不利的影响,影响模型的泛化能力。
图4为根据本申请实施例的电力智能巡检***中融合模块的框图。如图4所示,所述融合模块150,包括:稀疏特征向量生成单元151,用于对所述设备温度特征向量和所述设备振动特征向量进行稀疏编码以得到第一稀疏特征向量和第二稀疏特征向量;第一JS散度计算单元152,用于计算所述第一稀疏特征向量相对于所述第二稀疏特征向量的第一JS散度;第二JS散度计算单元153,用于计算所述第二稀疏特征向量相对于所述第一稀疏特征向量的第二JS散度;归一化处理单元154,用于对所述第一JS散度和所述第二JS散度进行归一化处理以得到归一化第一JS散度和归一化第二JS散度;以及,分类特征矩阵生成单元155,用于以所述归一化第一JS散度和所述归一化第二JS散度作为权重,融合所述第一稀疏特征向量和所述第二稀疏特征向量以得到所述分类特征矩阵。
具体地,在电力智能巡检***100中,所述第一JS散度计算单元152,用于:以如下第一JS散度公式计算所述第一稀疏特征向量相对于所述第二稀疏特征向量的所述第一JS散度;其中,所述第一JS散度公式为:
其中,S1是所述第一稀疏特征向量,S2是所述第二稀疏特征向量,S是所述第一稀疏特征向量和所述第二稀疏特征向量的平均分布,KL表示KL散度,JSD1表示所述第一JS散度。
具体地,在电力智能巡检***100中,所述第二JS散度计算单元153,用于:以如下第二JS散度公式计算所述第二稀疏特征向量相对于所述第一稀疏特征向量的所述第二JS散度;其中,所述第二JS散度公式为:
其中,S1是所述第一稀疏特征向量,S2是所述第二稀疏特征向量,S是所述第一稀疏特征向量和所述第二稀疏特征向量的平均分布,KL表示KL散度,JSD2表示所述第二JS散度。
在本申请的一个实施例中,基于字典学习的技术对所述设备温度特征向量和所述设备振动特征向量进行稀疏编码以得到第一稀疏特征向量和第二稀疏特征向量。应理解,基于字典学习的技术的主要思想是学习一个稀疏的表示,使得原始特征向量能够用少量的非零权重进行描述,并且这些权重是基于一个提前定义好的字典进行计算的。具体地,基于字典学习的技术对所述设备温度特征向量和所述设备振动特征向量进行稀疏编码以得到第一稀疏特征向量和第二稀疏特征向量,包括:定义一个稀疏编码器,其能够接收一个特征向量,并输出接收特征向量的稀疏编码。该编码满足以下条件:接收特征向量由少量的非零值构成,这些非零值对应于提前定义好的字典中的基向量。建立一个字典学习模块,该模块的输入是一组训练特征向量,输出是一组基向量,这些基向量构成了字典。字典学习的目标是最小化重建误差,即用字典中的基向量对原始特征向量进行重构,使得重构误差最小。给定一个训练集,利用稀疏编码器和字典学习模块进行训练。在训练过程中,首先将原始特征向量传递给稀疏编码器,得到稀疏编码。然后将稀疏编码和字典中的基向量输入到解码器中,最小化重建误差。重复这个过程,直到模型收敛。对于要编码的新特征向量,使用已经训练好的稀疏编码器和字典,计算出与其相关的稀疏编码。
上述特征分布融合算法利用了稀疏编码思想来有效捕捉两个特征分布之间的结构和模式信息,而不受噪声和冗余信息的影响从而提升特征融合效果,通过这样的方式,可以有效地降低特征融合过程中的信息损失,保留原始特征分布中的重要信息,提高特征融合后的数据质量和可信度,同时,还可以有效地降低特征融合后的数据维度,减少数据冗余和噪声且有效地增强特征融合后的数据表达能力,提取出更多的隐含信息和潜在规律,提高数据挖掘和知识发现的能力和水平。进而提高分类特征矩阵通过分类器得到的分类结果的准确性。
在电力智能巡检***100中,所述运行状态结果生成模块160,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示电力设备的运行状态是否正常。这样,可以更加准确地判断电力设备运行状态,避免了人为误判的风险,同时还提高了电力巡检的效率。
图5为根据本申请实施例的电力智能巡检***中运行状态结果生成模块的框图。如图5所示,所述运行状态结果生成模块160,包括:展开单元161,用于将所述分类特征矩阵基于行向量或列向量的展开为分类特征向量;全连接编码单元162,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果生成单元163,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上所述,基于本申请实施例的电力智能巡检***100被阐明,其通过对电力设备运行时的温度值以及振动信号进行特征提取,并对温度特征和振动特征进行融合来判断所述电力设备运行是否正常。这样,可以更准确地判断电力设备的运行状态,能够及早发现潜在故障,保证电力设备正常运转。
如上所述,根据本申请实施例的电力智能巡检***100可以实现在各种终端设备中,例如用于电力智能巡检的服务器等。在一个示例中,根据本申请实施例的电力智能巡检***100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该电力智能巡检***100可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该电力智能巡检***100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该电力智能巡检***100与该终端设备也可以是分立的设备,并且该电力智能巡检***100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图6为根据本申请实施例的电力智能巡检方法的流程图。如图6所示,在电力智能巡检方法中,包括:S110,获取预定时间段内多个预定时间点的设备温度值以及由振动传感器采集的所述预定时间段内的设备振动信号;S120,将所述多个预定时间点的设备温度值按照时间维度排列为设备温度输入向量后通过多尺度邻域特征提取模块以得到设备温度特征向量;S130,对所述设备振动信号进行S变换以得到S变换时频图;S140,将所述S变换时频图通过作为过滤器的卷积神经网络模型以得到设备振动特征向量;S150,将所述设备温度特征向量和所述设备振动特征向量进行融合以得到分类特征矩阵;以及,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示电力设备的运行状态是否正常。
在一个示例中,在上述电力智能巡检方法中,所述将所述多个预定时间点的设备温度值按照时间维度排列为设备温度输入向量后通过多尺度邻域特征提取模块以得到设备温度特征向量,包括:将所述温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度温度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;将所述温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度温度特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,将所述第一尺度温度特征向量和所述第二尺度温度特征向量进行级联以得到所述设备温度特征向量。
在一个示例中,在上述电力智能巡检方法中,所述将所述温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度温度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核,包括:使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述设备温度输入向量进行卷积编码以得到所述第一尺度温度特征向量;其中,所述第一卷积公式为:
其中,a为第一卷积核在x方向上的宽度,F(a)为第一卷积核参数向量,G(x-a)为与第一卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述设备温度输入向量,Cov1(X)为所述第一尺度温度特征向量。
在一个示例中,在上述电力智能巡检方法中,所述将所述温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度温度特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度,包括:使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述设备温度输入向量进行卷积编码以得到所述第二尺度温度特征向量;其中,所述第二卷积公式为:
其中,b为第二卷积核在x方向上的宽度,F(b)为第二卷积核参数向量,G(x-b)为与第二卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,X表示所述设备温度输入向量,Cov2(X)为所述第二尺度温度特征向量。
在一个示例中,在上述电力智能巡检方法中,所述对所述设备振动信号进行S变换以得到S变换时频图,包括:以如下变换公式对所述设备振动信号进行S变换以得到所述S变换时频图;其中,所述变换公式为:
其中,s(f,τ)表示所述S变换时频图,τ为时移因子,x(t)表示所述设备振动信号,f表示频率,t表示时间。
在一个示例中,在上述电力智能巡检方法中,所述将所述设备温度特征向量和所述设备振动特征向量进行融合以得到分类特征矩阵,包括:对所述设备温度特征向量和所述设备振动特征向量进行稀疏编码以得到第一稀疏特征向量和第二稀疏特征向量;计算所述第一稀疏特征向量相对于所述第二稀疏特征向量的第一JS散度;计算所述第二稀疏特征向量相对于所述第一稀疏特征向量的第二JS散度;对所述第一JS散度和所述第二JS散度进行归一化处理以得到归一化第一JS散度和归一化第二JS散度;以及,以所述归一化第一JS散度和所述归一化第二JS散度作为权重,融合所述第一稀疏特征向量和所述第二稀疏特征向量以得到所述分类特征矩阵。
在一个示例中,在上述电力智能巡检方法中,所述计算所述第一稀疏特征向量相对于所述第二稀疏特征向量的第一JS散度,包括:以如下第一JS散度公式计算所述第一稀疏特征向量相对于所述第二稀疏特征向量的所述第一JS散度;其中,所述第一JS散度公式为:
其中,S1是所述第一稀疏特征向量,S2是所述第二稀疏特征向量,S是所述第一稀疏特征向量和所述第二稀疏特征向量的平均分布,KL表示KL散度,JSD1表示所述第一JS散度。
在一个示例中,在上述电力智能巡检方法中,所述计算所述第二稀疏特征向量相对于所述第一稀疏特征向量的第二JS散度,包括:以如下第二JS散度公式计算所述第二稀疏特征向量相对于所述第一稀疏特征向量的所述第二JS散度;其中,所述第二JS散度公式为:
其中,S1是所述第一稀疏特征向量,S2是所述第二稀疏特征向量,S是所述第一稀疏特征向量和所述第二稀疏特征向量的平均分布,KL表示KL散度,JSD2表示所述第二JS散度。
在一个示例中,在上述电力智能巡检方法中,所述将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示电力设备的运行状态是否正常,包括:将所述分类特征矩阵基于行向量或列向量的展开为分类特征向量;使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上所述,基于本申请实施例的电力智能巡检方法被阐明,其通过对电力设备运行时的温度值以及振动信号进行特征提取,并对温度特征和振动特征进行融合来判断所述电力设备运行是否正常。这样,可以更准确地判断电力设备的运行状态,能够及早发现潜在故障,保证电力设备正常运转。
示例性电子设备
下面,参考图7来描述根据本申请实施例的电子设备。
图7为根据本申请实施例的电子设备的框图。
如图7所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的电力智能巡检方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如电力设备温度值、电力设备振动信号等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括判断电力设备运行是否正常的结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图7中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的电力智能巡检方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的电力智能巡检方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
Claims (10)
1.一种电力智能巡检***,其特征在于,包括:
设备数据获取模块,用于获取预定时间段内多个预定时间点的设备温度值以及由振动传感器采集的所述预定时间段内的设备振动信号;
温度特征提取模块,用于将所述多个预定时间点的设备温度值按照时间维度排列为设备温度输入向量后通过多尺度邻域特征提取模块以得到设备温度特征向量;
S变换模块,用于对所述设备振动信号进行S变换以得到S变换时频图;
振动编码模块,用于将所述S变换时频图通过作为过滤器的卷积神经网络模型以得到设备振动特征向量;
融合模块,用于将所述设备温度特征向量和所述设备振动特征向量进行融合以得到分类特征矩阵;以及
运行状态结果生成模块,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示电力设备的运行状态是否正常。
2.根据权利要求1所述的电力智能巡检***,其特征在于,所述温度特征提取模块,包括:
第一尺度温度特征提取单元,用于将所述设备温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度温度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;
第二尺度温度特征提取单元,用于将所述设备温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度温度特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及
多尺度级联单元,用于将所述第一尺度温度特征向量和所述第二尺度温度特征向量进行级联以得到所述设备温度特征向量。
3.根据权利要求2所述的电力智能巡检***,其特征在于,所述第一尺度温度特征提取单元,进一步用于:使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述设备温度输入向量进行卷积编码以得到所述第一尺度温度特征向量;
其中,所述第一卷积公式为:
其中,a为第一卷积核在x方向上的宽度,F(a)为第一卷积核参数向量,G(x-a)为与第一卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述设备温度输入向量,Cov1(X)为所述第一尺度温度特征向量。
4.根据权利要求3所述的电力智能巡检***,其特征在于,所述第二尺度待检测特征提取单元,进一步用于:使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述设备温度输入向量进行卷积编码以得到所述第二尺度温度特征向量;
其中,所述第二卷积公式为:
其中,b为第二卷积核在x方向上的宽度,F(b)为第二卷积核参数向量,G(x-b)为与第二卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,X表示所述设备温度输入向量,Cov2(X)为所述第二尺度温度特征向量。
5.根据权利要求4所述的电力智能巡检***,其特征在于,所述S变换模块,用于:以如下变换公式对所述设备振动信号进行S变换以得到所述S变换时频图;
其中,所述变换公式为:
其中,s(f,τ)表示所述S变换时频图,τ为时移因子,x(t)表示所述设备振动信号,f表示频率,t表示时间。
6.根据权利要求5所述的电力智能巡检***,其特征在于,所述融合模块,包括:
稀疏特征向量生成单元,用于对所述设备温度特征向量和所述设备振动特征向量进行稀疏编码以得到第一稀疏特征向量和第二稀疏特征向量;
第一JS散度计算单元,用于计算所述第一稀疏特征向量相对于所述第二稀疏特征向量的第一JS散度;
第二JS散度计算单元,用于计算所述第二稀疏特征向量相对于所述第一稀疏特征向量的第二JS散度;
归一化处理单元,用于对所述第一JS散度和所述第二JS散度进行归一化处理以得到归一化第一JS散度和归一化第二JS散度;以及
分类特征矩阵生成单元,用于以所述归一化第一JS散度和所述归一化第二JS散度作为权重,融合所述第一稀疏特征向量和所述第二稀疏特征向量以得到所述分类特征矩阵。
7.根据权利要求6所述的电力智能巡检***,其特征在于,所述第一JS散度计算单元,用于:以如下第一JS散度公式计算所述第一稀疏特征向量相对于所述第二稀疏特征向量的所述第一JS散度;
其中,所述第一JS散度公式为:
其中,S1是所述第一稀疏特征向量,S2是所述第二稀疏特征向量,S是所述第一稀疏特征向量和所述第二稀疏特征向量的平均分布,KL表示KL散度,JSD1表示所述第一JS散度。
8.根据权利要求7所述的电力智能巡检***,其特征在于,所述第二JS散度计算单元,用于:以如下第二JS散度公式计算所述第二稀疏特征向量相对于所述第一稀疏特征向量的所述第二JS散度;
其中,所述第二JS散度公式为:
其中,S1是所述第一稀疏特征向量,S2是所述第二稀疏特征向量,S是所述第一稀疏特征向量和所述第二稀疏特征向量的平均分布,KL表示KL散度,JSD2表示所述第二JS散度。
9.根据权利要求8所述的电力智能巡检***,其特征在于,所述运行状态结果生成模块,包括:
展开单元,用于将所述分类特征矩阵基于行向量或列向量的展开为分类特征向量;
全连接编码单元,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
分类结果生成单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
10.一种电力智能巡检方法,其特征在于,包括:
获取预定时间段内多个预定时间点的设备温度值以及由振动传感器采集的所述预定时间段内的设备振动信号;
将所述多个预定时间点的设备温度值按照时间维度排列为设备温度输入向量后通过多尺度邻域特征提取模块以得到设备温度特征向量;
对所述设备振动信号进行S变换以得到S变换时频图;
将所述S变换时频图通过作为过滤器的卷积神经网络模型以得到设备振动特征向量;
将所述设备温度特征向量和所述设备振动特征向量进行融合以得到分类特征矩阵;以及
将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示电力设备的运行状态是否正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310816472.3A CN116821831A (zh) | 2023-07-03 | 2023-07-03 | 电力智能巡检***及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310816472.3A CN116821831A (zh) | 2023-07-03 | 2023-07-03 | 电力智能巡检***及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116821831A true CN116821831A (zh) | 2023-09-29 |
Family
ID=88142789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310816472.3A Pending CN116821831A (zh) | 2023-07-03 | 2023-07-03 | 电力智能巡检***及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116821831A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118096131A (zh) * | 2024-04-23 | 2024-05-28 | 青岛华林电力有限公司 | 一种基于电力场景模型的运维巡检方法 |
-
2023
- 2023-07-03 CN CN202310816472.3A patent/CN116821831A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118096131A (zh) * | 2024-04-23 | 2024-05-28 | 青岛华林电力有限公司 | 一种基于电力场景模型的运维巡检方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Elsisi et al. | Effective IoT-based deep learning platform for online fault diagnosis of power transformers against cyberattacks and data uncertainties | |
CN115783923A (zh) | 基于大数据的电梯故障模式识别*** | |
CN115471216B (zh) | 智慧实验室管理平台的数据管理方法 | |
CN112288021A (zh) | 一种医疗废水监测数据质控方法、装置及*** | |
CN116821831A (zh) | 电力智能巡检***及其方法 | |
CN114265882A (zh) | 时序信号点异常检测方法、***、设备及介质 | |
CN117077075A (zh) | 用于环境保护的水质监测***及其方法 | |
CN115456107A (zh) | 一种时间序列异常检测***及方法 | |
CN115865483A (zh) | 一种基于机器学习的异常行为分析方法和装置 | |
CN112733785A (zh) | 基于层深度和感受野的信息化设备的稳定性检测方法 | |
CN116858789A (zh) | 食品安全检测***及其方法 | |
CN116481791A (zh) | 钢结构连接稳定性监测***及其方法 | |
CN116975728B (zh) | 用于煤层气钻井工程的安全管理方法及其*** | |
CN116164822A (zh) | 基于知识图谱的流量计故障诊断方法、装置、介质 | |
CN113487223B (zh) | 一种基于信息融合的风险评估方法和评估*** | |
Tagaris et al. | Putting together wavelet-based scaleograms and convolutional neural networks for anomaly detection in nuclear reactors | |
CN111080168A (zh) | 一种基于胶囊网络的电力通信网络设备可靠性评估方法 | |
CN117856442A (zh) | 一种基于大数据的电力设备远程监测***及方法 | |
CN117316462A (zh) | 一种医疗数据管理方法 | |
CN116247824B (zh) | 电力设备的控制方法及其*** | |
CN117231590A (zh) | 液压***的故障预测***及其方法 | |
CN117268760A (zh) | 轴承状态监测***及方法 | |
US20230110056A1 (en) | Anomaly detection based on normal behavior modeling | |
CN116977129A (zh) | 智慧物业管理***及其方法 | |
CN116698283A (zh) | 载荷重心偏移的智能监测***及其方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |