基于激光成像技术的电气设备故障自动分类研究

发布时间：2021-07-12 04:19

　　传统方法检测电气设备故障时,存在检测准确率低、耗时长的问题。为此提出基于激光成像技术的电气设备故障自动分类方法。对电气设备图像进行对比度拉伸处理,并采用滤波对其进行去噪处理,以提升对设备故障区域的检测能力,即故障区域在激光图像中亮度过大;利用脉冲耦合神经网络,将处理的激光图像过亮区域进行提取,获得电气设备故障区域,可通过激光图像中故障区域的亮度,实现电气设备故障类型的诊断和自动分类。真实验证明,研究方法的故障诊断性能较高,分类结果较为准确,且实现了非人工故障识别和分类,分类运行时间明显缩短。 

【文章来源】：激光杂志. 2020,41(03)北大核心

【文章页数】：4 页

【部分图文】：

激光成像示意图

图2为神经元结构模型。图中神经元的输入分成反馈输入F和连接输入L，可以接收相邻神经元的信息、激光图像灰度信息。各个部分输入都包括一个相似指数衰减的电气设备故障积分器，以保证神经元各个时期状态之间的关系[13]。目前所处状态和之前状态的表达式分别表示为:

为了能够证明研究的电气设备故障自动分类方法的可行性，需要在配置为:处理器Intel Xeon Gold6154@3.00 GHz，主板H110，显卡GeForce GTX1050，内存为4 GB DDR4-2400，固态240/256 GB PCIe3.0，显示器7680x5120HDMI2.1，操作系统为Windows 10的计算机上创建仿真实验平台，以软件为Matlab 7.1为仿真实验环境。采用两种监督信号深度学习方法、结合粒子群算法和Niblack算法的方法和本文研究的方法，实验中为了令实验结果更简洁明了，将上述三种方法分别采用方法1、方法2和方法3代替进行仿真对比实验。实验对象选用本市某工厂内电气设备，该设备常见的故障有电流过大、电压过大、过热和接地等故障。对电气设备监控系统进行实验采样统计，得到500组样本数据。图3为三种方法诊断到的电气设备故障区域，图中过亮区域为电气设备故障位置。通过分析图3中不同方法检测的电气设备故障区域可知:由图可直观看出，方法2标注的电气设备故障区域比实际故障区域范围要大很多，存在比较明显的误差，而方法1与方法2相比较好一些，但是与实际故障区域对比，还是存在一些误差;本文方法检测的故障区域基本与实际故障区域相同，说明本文方法能够精确地获取电气故障区域。


本文编号：3279187