CN117848423A - 一种换流变阀侧套管壳体完整性的在线监测方法、***、设备及介质 - Google Patents
一种换流变阀侧套管壳体完整性的在线监测方法、***、设备及介质 Download PDFInfo
- Publication number
- CN117848423A CN117848423A CN202410257398.0A CN202410257398A CN117848423A CN 117848423 A CN117848423 A CN 117848423A CN 202410257398 A CN202410257398 A CN 202410257398A CN 117848423 A CN117848423 A CN 117848423A
- Authority
- CN
- China
- Prior art keywords
- grid
- parameters
- monitoring
- sleeve
- model
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000008859 change Effects 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000013136 deep learning model Methods 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 18
- 230000007547 defect Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000006247 magnetic powder Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005297 material degradation process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及电网设备智能检测控制领域，公开了一种换流变阀侧套管壳体完整性的在线监测方法、***、设备及介质，方法包括获取套管尺寸和图像，依据尺寸在套管表面建立第一网格；展开第一网格，依据图像识别，划分套管中间段与衔接段；通过深度学习模型获取并监测所述中间段的振动参数和温度参数；通过SVM算法获取并监测所述衔接段的电流流量和压力参数；依据获取的实时数据进行变化分析，调整第一网格的划分，得到第二网格；实时监测第二网格区域参数，对比数据之间的差异，进行壳体问题预警。本发明能够将检测范围进行精准划分，减少日常监测算量，结合数据特征建立预测模型，直接输出监测与预测结果，实时性完整性强，能够起到一定预警功能。
Description
技术领域
本发明涉及电网设备智能检测控制领域，尤其涉及一种换流变阀侧套管壳体完整性的在线监测方法、***、设备及介质。
背景技术
检测换流变阀侧套管壳体完整性是确保设备正常、安全运行的关键环节，壳体完整性的缺失可能导致漏电、***或机械故障，从而引发严重的安全问题，危及设备、人员和环境安全；以及壳体的损坏或缺陷可能影响换流变阀的稳定运行，导致电力***不稳定甚至停电。
目前多数的检测方式是视觉检测，直接通过图像进行识别；利用超声波技术检测材料内部缺陷或裂纹，通过发送超声波并观察其反射模式来检测材料的完整性；利用红外热像仪检测表面温度变化，识别热量异常分布，以便发现表面和内部的缺陷；将磁粉涂抹在套管表面，通过观察磁粉在缺陷处的聚集来检测裂纹或缺陷。这些不同的检测方法可能只适用于特定类型的缺陷，无法全面覆盖所有可能存在的问题，需要高技能的专业人员进行操作和解读结果，一些方法可能需要停机检测或较长的检测时间，无法实现实时监测和反馈。
发明内容
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种换流变阀侧套管壳体完整性的在线监测方法及***解决目前无法同时全面覆盖重要检测参数的问题，以及需要人工解读结果并且耗时较长，可能停机检测，无法实时反馈并预警的问题。
为解决上述技术问题，本发明提供如下技术方案：
第一方面，本发明提供了一种换流变阀侧套管壳体完整性的在线监测方法，包括：
获取套管尺寸和图像，依据尺寸在套管表面建立第一网格；
展开第一网格，依据图像识别，划分套管中间段与衔接段；
通过深度学习模型获取并监测所述中间段的振动参数和温度参数；
通过SVM算法获取并监测所述衔接段的电流流量和压力参数；
依据获取的实时数据进行变化分析，调整第一网格的划分，所述调整为增加变化异常的区域的网格密度，得到第二网格；
实时监测第二网格区域参数，对比数据之间的差异，进行壳体问题预警。
作为本发明所述的换流变阀侧套管壳体完整性的在线监测方法的一种优选方案，其中：所述依据尺寸在套管表面建立第一网格，包括：
以套管的高度方向为X轴，以垂直于高度方向为Y轴；
以高度方向的中点作为坐标系的原点；
将套管表面均匀分成相同大小的矩形块区域。
作为本发明所述的换流变阀侧套管壳体完整性的在线监测方法的一种优选方案，其中：所述展开第一网格，依据图像识别，划分套管中间段与衔接段，包括：沿所述Y轴展开第一网格，若套管结构存在凸起结构，则沿X轴继续展开，直至展开为二维平面；
在展开后的二维平面上，根据套管原始结构识别并确定凸起结构所在区域，并依据拓展规则进行拓展；
第一拓展规则为将凸起结构所在区域边缘沿X轴继续扩大2个矩形块区域，且沿Y轴扩大至二维平面边缘矩形块，以得到第一平面，标识为衔接段，其余平面部分为中间段；
第二拓展规则为若凸起结构有部分存在二维平面边缘，无法向外拓展，则依据第一拓展规则扩大可拓展边缘后得到第一平面，标识为衔接段，其余平面部分为中间段；
第三拓展规则为若套管仅一端存在凸起结构，则根据第一或第二拓展规则扩展后，以Y轴为对称轴获得与第一平面对称的第二平面，并均标识为衔接段，其余平面部分为中间段；
若不存在凸起结构，则以Y轴为对称轴，分别向X轴两端延伸至所述二维平面长度的三分之二，得到第三平面，标识为中间段，其余平面部分为衔接段。
作为本发明所述的换流变阀侧套管壳体完整性的在线监测方法的一种优选方案，其中：通过深度学习模型获取并监测所述中间段的振动参数和温度参数，包括：获取中间段的图像数据，以及振动和温度参数的时间序列数据，并预处理；
通过CNN模型提取图像特征，所述图像特征包括，颜色变化、裂痕迹、细纹以及边缘轮廓；
将所述图像特征与振动和温度参数输入至LSTM网络模型进行特征融合，得到结合三种数据来源的特征向量；
将所述特征向量再次输入至CNN模型进行卷积神经网络学习形成第一模型，所述第一模型为具有振动和温度预测的神经网络模型。
作为本发明所述的换流变阀侧套管壳体完整性的在线监测方法的一种优选方案，其中：通过SVM算法获取并监测所述衔接段的电流流量和压力参数，包括：获取衔接段的电流流量和压力参数作为样本集，提取特征值并预处理；
提取电流流量特征包括，频率分布、电流均值与方差以及预设时间间隔的电流差值；
提取压力特征包括，压力的均值与峰值以及预设时间间隔的电流差值；
所述预设时间间隔的选取范围为10-20分钟；
将提取的特征值输入SVM模型中，RBF作为核函数并进行参数调优，通过交叉验证形成第二模型，所述第二模型具有电流数值和壳体压力数值的模型。
作为本发明所述的换流变阀侧套管壳体完整性的在线监测方法的一种优选方案，其中：依据获取的实时数据进行变化分析，调整第一网格的划分，所述调整为增加变化异常的区域的网格密度，得到第二网格，包括：
通过第一模型与第二模型获取实时数据，当获取到的振动值超出了历史均值的百分之三十，或者，某一温度值变化超出过去半小时内的方差，则通过所述特征向量定位变化的区域；
当获取的连续多个电流值或压力值呈连续递增或递减时，则被标记为异常，直接定位变化的区域；
当某一时间段内的电流值或压力值超过历史平均值的50%，则被标记为异常，直接定位变化的区域；
所述变化区域的网格密度增加为原密度1.5倍，得到第二网格。
作为本发明所述的换流变阀侧套管壳体完整性的在线监测方法的一种优选方案，其中：实时监测第二网格区域参数，对比数据之间的差异，进行故障预测，包括：
获取第二网格区域参数，提取变化区域的参数并输入各自相应的模型中进行参数值预测，得到第一预测数据；
将实际监测到的数据与第一预测数据的残差的平均值作为基准，若残差超过平均值的两倍标准差，则进行壳体问题预警。
第二方面，本发明提供了一种换流变阀侧套管壳体完整性的在线监测***，包括：第一网格构建模块，用于获取套管尺寸和图像，依据尺寸在套管表面建立第一网格；
第一划分模块，用于展开第一网格，依据图像识别，划分套管中间段与衔接段；
第一模型监测模块，用于通过深度学习模型获取并监测所述中间段的振动参数和温度参数；
第二模型监测模块，用于通过SVM算法获取并监测所述衔接段的电流流量和压力参数；
第二划分模块，用于依据获取的实时数据进行变化分析，调整第一网格的划分，所述调整为增加变化异常的区域的网格密度，得到第二网格；
预警模块，用于实时监测第二网格区域参数，对比数据之间的差异，进行壳体问题预警。
第三方面，本发明提供了一种计算设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现所述换流变阀侧套管壳体完整性的在线监测方法的步骤。
第四方面，本发明提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述换流变阀侧套管壳体完整性的在线监测方法的步骤。
与现有技术相比，本发明的有益效果：本发明通过建立网格与二维平面将检测范围进行精准划分，减少日常监测的大量数据冗杂的情况，将日常监测数据进行分情况检测，满足日常监测需要；通过设定与各参数相对应的划分规则获取重点数据，并结合数据特征建立预测模型，对数据进行实时训练预测，能够直接输出监测与预测结果，可视化程度高，实时性强且能够起到一定的预警功能。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明第一个实施例所述的换流变阀侧套管壳体完整性的在线监测方法的整体流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
实施例1
参照图1，为本发明的一个实施例，提供了一种换流变阀侧套管壳体完整性的在线监测方法，包括，
S1：获取套管尺寸和图像，依据尺寸在套管表面建立第一网格；
更进一步的，依据尺寸在套管表面建立第一网格，包括，
以套管的高度方向为X轴，以垂直于高度方向为Y轴；
以高度方向的中点作为坐标系的原点；
将套管表面均匀分成相同大小的矩形块区域。
应说明的是，选择以高度值的中点作为坐标系的原点便于后续依据套管的不同形态进行对称或非对称的区域选择，能够减少建模需要的算力。
S2：展开第一网格，依据图像识别，划分套管中间段与衔接段；
更进一步的，展开第一网格，依据图像识别，划分套管中间段与衔接段，包括，沿Y轴展开第一网格，若套管结构存在凸起结构，则沿X轴继续展开，直至展开为二维平面；
在展开后的二维平面上，根据套管原始结构识别并确定凸起结构所在区域，并依据拓展规则进行拓展；
第一拓展规则为将凸起结构所在区域边缘沿X轴继续扩大2个矩形块区域，且沿Y轴扩大至二维平面边缘矩形块，以得到第一平面，标识为衔接段，其余平面部分为中间段；
第二拓展规则为若凸起结构有部分存在二维平面边缘，无法向外拓展，则依据第一拓展规则扩大可拓展边缘后得到第一平面，标识为衔接段，其余平面部分为中间段；
第三拓展规则为若套管仅一端存在凸起结构，则根据第一或第二拓展规则扩展后，以Y轴为对称轴获得与第一平面对称的第二平面，并均标识为衔接段，其余平面部分为中间段；
若不存在凸起结构，则以Y轴为对称轴，分别向X轴两端延伸至二维平面长度的三分之二，得到第三平面，标识为中间段，其余平面部分为衔接段。
应说明的是，日常监测因为数据量大，因此只需针对套管每部分最核心的参数进行实时在线的完整性检测，通过划分的方式，将套管和数据进行分类检测，将中间段与衔接段分别进行网格建立和展开。依据不同的套管结构设定相应的展开规则，能够保证最大限度且最大效率的将套管结构进行完整展现。
S3：通过深度学习模型获取并监测中间段的振动参数和温度参数；
更进一步的，通过深度学习模型检测中间段的振动参数和温度参数，包括，
获取中间段的图像数据，以及振动和温度参数的时间序列数据，并预处理；
通过CNN模型提取图像特征，图像特征包括，颜色变化、裂痕迹、细纹以及边缘轮廓；
应说明的是，通过深度学习模型对套管中间段的振动和温度进行检测，避免了对设备进行破坏性检测，能够对套管中间段的实时状态进行持续和细微监测。其中，对于输入数据的选取本发明优选了颜色变化和细纹，相比一般直接检测边缘轮廓或裂纹的增加了可能由细微温度变化导致的材料劣化的问题以及被管道内气体或物体腐蚀的可能性。
将图像特征与振动和温度参数输入至LSTM网络模型进行特征融合，得到结合三种数据来源的特征向量；
应说明的是，通过将不同数据源的特征进行融合，LSTM网络可以更好地学习到数据之间的内在关联，并有助于改善模型的预测性能。这样的特征融合有助于模型更好地捕捉到数据间的潜在关系，提高了预测的准确性和鲁棒性。图像特征和振动、温度参数在物理特性和感知特性上有所不同，其融合可以提供更丰富、更全面的多维信息。
将特征向量再次输入至CNN模型进行卷积神经网络学习形成第一模型，第一模型为具有振动和温度预测的神经网络模型。
应说明的是，通过多层次特征提取，模型能够更好地理解数据的结构和规律，为振动和温度预测提供更丰富的信息。
S4：通过SVM算法获取并监测衔接段的电流流量和压力参数；
更进一步的，通过SVM算法检测并获取衔接段的电流流量和压力参数，包括，
获取衔接段的电流流量和压力参数作为样本集，提取特征值并预处理；
提取电流流量特征包括，频率分布、电流均值与方差以及预设时间间隔的电流差值；
应说明的是，频率分布有助于了解电流的频域特征，能够通过对频谱的解析了解电流峰值的变化，防止电涌和过载保护；考察电流在不同时间段内的变化情况，能够帮助识别突发性事件或变化。
提取压力特征包括，压力的均值与峰值以及预设时间间隔的压力差值；
应说明的是，预设时间间隔的压力差值能够揭示出压力异常或变化的趋势。
具体的，预设时间间隔的选取范围在10-20分钟。
将提取的特征值输入SVM模型中，RBF作为核函数并进行参数调优，通过交叉验证形成第二模型，第二模型为具有电流数值和壳体压力数值的模型。
应说明的是，选用RBF核函数是为了能够处理非线性数据，电流流量和压力参数往往不仅仅是简单的线性关系，可能包含更为复杂的非线性关系，这些关系可能是在特定压力或电流条件下发生的，因此通过核函数参数的调优来提高模型的泛化能力和分类性能。
S5：依据获取的实时数据进行变化分析，调整第一网格的划分，调整为增加变化异常的区域的网格密度，得到第二网格；
更进一步的，依据获取的实时数据进行变化分析，调整第一网格的划分，调整为增加变化异常的区域的网格密度，得到第二网格，包括，
通过第一模型与第二模型获取实时数据，当获取到的振动值超出了历史均值的百分之三十，或者，某一温度值变化超出过去半小时内的方差，则通过特征向量定位变化的区域；
应说明的是，针对捕捉数据中的异常或突发变化设定相应的数值，能够通过较为简单的比较方式并结合前期的特征向量直接进行定位，有助于更准确地定位出发生变化或异常的具体区域；同时，此定位方式可以进一步的提供解决问题的下一步行动，减少误报的可能性，能够快速识别出潜在的问题区域。
当获取的连续多个电流值或压力值呈连续递增或递减时，则被标记为异常，直接定位变化的区域；
具体的，可以优选连续的5个电流值或压力值呈连续递增或递减时被标记为异常。
当某一时间段内的电流值或压力值超过历史平均值的50%，则被标记为异常，直接定位变化的区域；
变化区域的网格密度增加为原密度1.5倍，得到第二网格。
应说明的是，仅针对变化区域进行网格密度的增加能够提高对变化区域的分辨率和细节捕获能力，提供更可靠的数据预测和监测功能，增加网格密度有助于更精确地分析变化区域的数据，从而及时发现潜在的问题并采取必要的措施。并且对于整体算量而言大幅减少，人工成本也随之减少。
S6：实时监测第二网格区域参数，对比数据之间的差异，进行壳体问题预警。
更进一步的，实时监测第二网格区域参数，对比数据之间的差异，进行故障预测，包括，
获取第二网格区域参数，提取变化区域的参数并输入各自相应的模型中进行参数值预测，得到第一预测数据；
应说明的是，此步骤旨在分析变化区域的参数并利用预先建立的模型进行参数值的预测，有助于了解当前参数是否符合预期值且是否有异常。
将实际监测到的数据与第一预测数据的残差的平均值作为基准，若残差超过平均值的两倍标准差，则进行壳体问题预警。
应说明的是，残差是实际观测值与预测值之间的差异，可用于发现异常。
上述为本实施例的一种换流变阀侧套管壳体完整性的在线监测方法的示意性方案。需要说明的是，该换流变阀侧套管壳体完整性的在线监测的***的技术方案与上述的换流变阀侧套管壳体完整性的在线监测方法的技术方案属于同一构思，本实施例中换流变阀侧套管壳体完整性的在线监测***的技术方案未详细描述的细节内容，均可以参见上述换流变阀侧套管壳体完整性的在线监测方法的技术方案的描述。
本实施例中换流变阀侧套管壳体完整性的在线监测***，包括：
第一网格构建模块，用于获取套管尺寸和图像，依据尺寸在套管表面建立第一网格；
第一划分模块，用于展开第一网格，依据图像识别，划分套管中间段与衔接段；
第一模型监测模块，用于通过深度学习模型获取并监测中间段的振动参数和温度参数；
第二模型监测模块，用于通过SVM算法获取并监测衔接段的电流流量和压力参数；
第二划分模块，用于依据获取的实时数据进行变化分析，调整第一网格的划分，调整为增加变化异常的区域的网格密度，得到第二网格；
预警模块，用于实时监测第二网格区域参数，对比数据之间的差异，进行壳体问题预警。
本实施例还提供一种计算设备，适用于换流变阀侧套管壳体完整性的在线监测的情况，包括：
存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的实现换流变阀侧套管壳体完整性的在线监测方法。
本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的实现换流变阀侧套管壳体完整性的在线监测方法。
本实施例提出的存储介质与上述实施例提出的实现换流变阀侧套管壳体完整性的在线监测方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器（ReadOnly ，Memory，ROM)、随机存取存储器（RandomAccess Memory，RAM)、闪存（FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
实施例2
参照表1-表3，为本发明的一个实施例，提供了一种实现换流变阀侧套管壳体完整性的在线监测方法，为了验证其有益效果，提供一种示例性的应用场景和对比方案进行科学论证。
S1：获取套管尺寸和图像，依据尺寸在套管表面建立第一网格；S2：展开第一网格，依据图像识别，划分套管中间段与衔接段；S3：通过深度学习模型获取并监测中间段的振动参数和温度参数；S4：通过SVM算法获取并监测衔接段的电流流量和压力参数；S5：依据获取的实时数据进行变化分析，调整第一网格的划分，调整为增加变化异常的区域的网格密度，得到第二网格；S6：实时监测第二网格区域参数，对比数据之间的差异，进行壳体问题预警。
依据上述方案，本发明提供一个套管3米，直径0.5米，依据套管特性，中间段的长度为2米，两端衔接段分别为0.5米。表1体现某一时段的检测参数。
表1：对比参数表。
通过表1可知本发明在数据在不同时间段内，在振动参数、温度参数、电流流量和压力参数等因素上都有了更高的精准度和更小的变动幅度，同时本发明由于结合CNN与LSTM网络模型进行特征融合能够得到相应的特征向量从而进行预测，以及SVM算法获取并监测衔接段的电流流量和压力参数从而达到一定的预测功能，相比使用一般的神经网络的预测效果对比表见表2和表3。
其中：本发明中CNN参数设置：卷积层，有64个滤波器，内核尺寸3x3，步长为1，激活函数为'ReLU'；最大池化层，池大小2x2，步长为2；卷积层，有128个滤波器，内核尺寸为3x3，步长为1，激活函数为ReLU；最大池化层，池大小2x2，步长为2；全连接层，有1024个神经元，激活函数为ReLU。输出层：全连接层，神经元的数量等于类别的数量即：电流和压力值的离散范围，激活函数使用softmax。LSTM参数设置：LSTM层，有128个神经元，设置返回序列为True；LSTM层，有64个神经元。全连接层，神经元的数量等于类别的数量。
表2：预测对比数据。
表3：效果比对。
由表2和表3可知，通过特征类型结合以及选择可以提取和理解数据的不同特征。CNN能够有效地处理数据的空间特征，如本发明中的颜色变化等，而LSTM则可以处理时间序列数据，寻找长期依赖信息。将这两种网络的特性合并，可以同时利用空间和时间模式，从而获得更准确、全面的预测信息。用SVM获取并监测电流流量和压力参数，帮助确定机器状态和趋势，反馈更准确的预测。
同时，LSTM和SVM模型都可以在一定程度上避免过拟合。LSTM由于其特殊的设计，能够处理长序列数据而不容易过拟合；而SVM算法尤其有效地避免过拟合，找到一个最优的决策边界，来最大程度地分隔各类数据。
综上，相比一般的神经网络预测本发明针对日常监测和检测需求，将数据特征依据监测部位分类后，在减少数据算量的情况下，能够做到精准的完整性检验和一定的预测功能。
应说明的是，以上实施例仅用于说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种换流变阀侧套管壳体完整性的在线监测方法，其特征在于，包括：
获取套管尺寸和图像，依据尺寸在套管表面建立第一网格；
展开第一网格，依据图像识别，划分套管中间段与衔接段；
通过深度学习模型获取并监测所述中间段的振动参数和温度参数；
通过SVM算法获取并监测所述衔接段的电流流量和压力参数；
依据获取的实时数据进行变化分析，调整第一网格的划分，所述调整为增加变化异常的区域的网格密度，得到第二网格；
实时监测第二网格区域参数，对比数据之间的差异，进行壳体问题预警。
2.如权利要求1所述的换流变阀侧套管壳体完整性的在线监测方法，其特征在于，所述依据尺寸在套管表面建立第一网格，包括：
以套管的高度方向为X轴，以垂直于高度方向为Y轴；
以高度方向的中点作为坐标系的原点；
将套管表面均匀分成相同大小的矩形块区域。
3.如权利要求1或2所述的换流变阀侧套管壳体完整性的在线监测方法，其特征在于，所述展开第一网格，依据图像识别，划分套管中间段与衔接段，包括：沿所述Y轴展开第一网格，若套管结构存在凸起结构，则沿X轴继续展开，直至展开为二维平面；
在展开后的二维平面上，根据套管原始结构识别并确定凸起结构所在区域，并依据拓展规则进行拓展；
第一拓展规则为将凸起结构所在区域边缘沿X轴继续扩大2个矩形块区域，且沿Y轴扩大至二维平面边缘矩形块，以得到第一平面，标识为衔接段，其余平面部分为中间段；
第二拓展规则为若凸起结构有部分存在二维平面边缘，无法向外拓展，则依据第一拓展规则扩大可拓展边缘后得到第一平面，标识为衔接段，其余平面部分为中间段；
第三拓展规则为若套管仅一端存在凸起结构，则根据第一或第二拓展规则扩展后，以Y轴为对称轴获得与第一平面对称的第二平面，并均标识为衔接段，其余平面部分为中间段；
若不存在凸起结构，则以Y轴为对称轴，分别向X轴两端延伸至所述二维平面长度的三分之二，得到第三平面，标识为中间段，其余平面部分为衔接段。
4.如权利要求3所述的换流变阀侧套管壳体完整性的在线监测方法，其特征在于，通过深度学习模型获取并监测所述中间段的振动参数和温度参数，包括：
获取中间段的图像数据，以及振动和温度参数的时间序列数据，并预处理；
通过CNN模型提取图像特征，所述图像特征包括，颜色变化、裂痕迹、细纹以及边缘轮廓；
将所述图像特征与振动和温度参数输入至LSTM网络模型进行特征融合，得到结合三种数据来源的特征向量；
将所述特征向量再次输入至CNN模型进行卷积神经网络学习形成第一模型，所述第一模型为具有振动和温度预测的神经网络模型。
5.如权利要求4所述的换流变阀侧套管壳体完整性的在线监测方法，其特征在于，通过SVM算法获取并监测所述衔接段的电流流量和压力参数，包括：
获取衔接段的电流流量和压力参数作为样本集，提取特征值并预处理；
提取电流流量特征包括，频率分布、电流均值与方差以及预设时间间隔的电流差值；
提取压力特征包括，压力的均值与峰值以及预设时间间隔的电流差值；
所述预设时间间隔的选取范围为10-20分钟；
将提取的特征值输入SVM模型中，RBF作为核函数并进行参数调优，通过交叉验证形成第二模型，所述第二模型具有电流数值和壳体压力数值的模型。
6.如权利要求5所述的换流变阀侧套管壳体完整性的在线监测方法，其特征在于，依据获取的实时数据进行变化分析，调整第一网格的划分，所述调整为增加变化异常的区域的网格密度，得到第二网格，包括：
通过第一模型与第二模型获取实时数据，当获取到的振动值超出了历史均值的百分之三十，或者，某一温度值变化超出过去半小时内的方差，则通过所述特征向量定位变化的区域；
当获取的连续多个电流值或压力值呈连续递增或递减时，则被标记为异常，直接定位变化的区域；
当某一时间段内的电流值或压力值超过历史平均值的50%，则被标记为异常，直接定位变化的区域；
所述变化区域的网格密度增加为原密度1.5倍，得到第二网格。
7.如权利要求1或6所述的换流变阀侧套管壳体完整性的在线监测方法，其特征在于，实时监测第二网格区域参数，对比数据之间的差异，进行故障预测，包括：
获取第二网格区域参数，提取变化区域的参数并输入各自相应的模型中进行参数值预测，得到第一预测数据；
将实际监测到的数据与第一预测数据的残差的平均值作为基准，若残差超过平均值的两倍标准差，则进行壳体问题预警。
8.一种换流变阀侧套管壳体完整性的在线监测***，其特征在于，包括：
第一网格构建模块，用于获取套管尺寸和图像，依据尺寸在套管表面建立第一网格；
第一划分模块，用于展开第一网格，依据图像识别，划分套管中间段与衔接段；
第一模型监测模块，用于通过深度学习模型获取并监测所述中间段的振动参数和温度参数；
第二模型监测模块，用于通过SVM算法获取并监测所述衔接段的电流流量和压力参数；
第二划分模块，用于依据获取的实时数据进行变化分析，调整第一网格的划分，所述调整为增加变化异常的区域的网格密度，得到第二网格；
预警模块，用于实时监测第二网格区域参数，对比数据之间的差异，进行壳体问题预警。
9.一种电子设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述换流变阀侧套管壳体完整性的在线监测方法的步骤。
10.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述换流变阀侧套管壳体完整性的在线监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410257398.0A CN117848423B (zh) | 2024-03-07 | 2024-03-07 | 一种换流变阀侧套管壳体完整性的在线监测方法、***、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410257398.0A CN117848423B (zh) | 2024-03-07 | 2024-03-07 | 一种换流变阀侧套管壳体完整性的在线监测方法、***、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117848423A true CN117848423A (zh) | 2024-04-09 |
| CN117848423B CN117848423B (zh) | 2024-05-17 |
Family
ID=90546861
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410257398.0A Active CN117848423B (zh) | 2024-03-07 | 2024-03-07 | 一种换流变阀侧套管壳体完整性的在线监测方法、***、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117848423B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006132194A1 (ja) * | 2005-06-07 | 2006-12-14 | Sony Corporation | 情報処理装置及び情報処理方法、画像処理装置及び画像処理方法、並びにコンピュータ・プログラム |
| GB0809588D0 (en) * | 2008-05-27 | 2008-07-02 | Simpleware Ltd | Image processing method |
| CN102866983A (zh) * | 2012-08-09 | 2013-01-09 | 同济大学 | 一种精细模拟管井结构的有限差分方法 |
| CN106887000A (zh) * | 2017-01-23 | 2017-06-23 | 上海联影医疗科技有限公司 | 医学图像的网格化处理方法及其*** |
| CN114325274A (zh) * | 2022-01-10 | 2022-04-12 | 西南交通大学 | 一种换流变阀侧套管局部放电检测***及方法 |
| CN114638784A (zh) * | 2022-02-17 | 2022-06-17 | 中南大学 | 一种基于fe-yolo的铜管表面缺陷检测方法及装置 |
| CN115471482A (zh) * | 2022-09-20 | 2022-12-13 | 重庆理工大学 | 基于计算机视觉的小口径容器内壁缺陷检测方法 |
-
2024
- 2024-03-07 CN CN202410257398.0A patent/CN117848423B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006132194A1 (ja) * | 2005-06-07 | 2006-12-14 | Sony Corporation | 情報処理装置及び情報処理方法、画像処理装置及び画像処理方法、並びにコンピュータ・プログラム |
| GB0809588D0 (en) * | 2008-05-27 | 2008-07-02 | Simpleware Ltd | Image processing method |
| CN102866983A (zh) * | 2012-08-09 | 2013-01-09 | 同济大学 | 一种精细模拟管井结构的有限差分方法 |
| CN106887000A (zh) * | 2017-01-23 | 2017-06-23 | 上海联影医疗科技有限公司 | 医学图像的网格化处理方法及其*** |
| CN114325274A (zh) * | 2022-01-10 | 2022-04-12 | 西南交通大学 | 一种换流变阀侧套管局部放电检测***及方法 |
| CN114638784A (zh) * | 2022-02-17 | 2022-06-17 | 中南大学 | 一种基于fe-yolo的铜管表面缺陷检测方法及装置 |
| CN115471482A (zh) * | 2022-09-20 | 2022-12-13 | 重庆理工大学 | 基于计算机视觉的小口径容器内壁缺陷检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117848423B (zh) | 2024-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111210024B (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
| Yang et al. | Remaining useful life prediction based on a double-convolutional neural network architecture | |
| Cai et al. | Wide-area monitoring of power systems using principal component analysis and $ k $-nearest neighbor analysis | |
| LU502731B1 (en) | Method for monitoring abnormality of power production, apparatus, computer device, and storage medium therefor | |
| EP3847586A1 (en) | Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance | |
| Maurya et al. | Condition monitoring of machines using fused features from EMD-based local energy with DNN | |
| CN115358281B (zh) | 一种基于机器学习的冷热一体机监测控制方法及*** | |
| CN113191429A (zh) | 一种电力变压器套管故障诊断方法及装置 | |
| WO2019071438A1 (zh) | 对流程行业中的设备进行状态监测的方法、装置及介质 | |
| Fang et al. | Fault diagnosis of electric transformers based on infrared image processing and semi-supervised learning | |
| CN113554526A (zh) | 电力设备的故障预警方法、装置、存储介质及处理器 | |
| CN115861210B (zh) | 一种基于孪生网络的变电站设备异常检测方法和*** | |
| Moayyed et al. | Image processing based approach for false data injection attacks detection in power systems | |
| CN115618719A (zh) | 一种工业建筑内的火灾烟雾监测预警方法、***和存储介质 | |
| Hauser et al. | Real-time combustion state identification via image processing: A dynamic data-driven approach | |
| CN117848423B (zh) | 一种换流变阀侧套管壳体完整性的在线监测方法、***、设备及介质 | |
| CN117419828B (zh) | 基于光纤传感器的新能源电池温度监测方法 | |
| CN117333821A (zh) | 基于图像识别的阀基电子设备板老化状态评估方法及*** | |
| CN115965625B (zh) | 一种基于视觉识别的仪表检测装置及其检测方法 | |
| Huang et al. | Machining surface roughness detection by adaptive deep fusion capsule network with low illumination and noise robustness | |
| CN110471279B (zh) | 一种基于vine-copulas的工业生产模拟场景发生器及场景发生方法 | |
| CN115329493B (zh) | 一种基于离心泵数字孪生模型的叶轮机械故障检测方法 | |
| Qi et al. | Rapid transformer health state recognition through canopy cluster-merging of dissolved gas data in high-dimensional space | |
| Lu et al. | Anomaly detection method for substation equipment based on feature matching and multi-Semantic classification | |
| Lyu et al. | Image-based process monitoring using deep belief networks |
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 |