当前位置:主页 > 硕博论文 > 工程硕士论文 >

基于红外图像的电力设备故障分析研究

发布时间:2021-02-27 13:03
  随着我国综合国力的大幅提升,对于电力的依赖与日俱增,电力行业的角色愈发重要,其中电力设备是否能够安全、可靠、长久、稳定作业,是整个电力系统的关键所在。因此,为保障电力设备运行的安全性与可靠性,对电力设备进行有效的监控,观测、记录电力设备温度的变化,并实时、自动分析电力设备有无故障、故障程度、故障位置以及故障预测等已经成为研究的热点。本文依赖红外热成像技术,在红外图像的基础上设计了两种基于深度学习的电力设备故障检测与分析方法,具体如下:提出一种基于卷积神经网络的电力设备红外图像故障分析方法。首先,对于电力设备红外图像采用图像预处理进行滤波平滑,减少干扰,为后续进行图像分割、故障定位奠定基础。本文针对图像噪声特点,采用一种均值滤波与中值滤波相结合的方法,能够有效抑制高斯噪声和椒盐噪声的影响。其次,设计电力设备红外图像故障分类卷积神经网络模型,实验证明该网络具有极高的识别能力,适合实际生产工作。最后,针对故障电力设备进行故障分析并开展健康管理研究,故障分析包括故障定位和故障等级判断,故障区域定位依赖于图像分割技术,本文提出基于像素聚类的SLIC(simple linear iterative... 

【文章来源】:西安理工大学陕西省

【文章页数】:81 页

【学位级别】:硕士

【部分图文】:

基于红外图像的电力设备故障分析研究


电磁波频谱图

电力设备,红外,图像


聿僮鳎??缢俨灰顺??.5m/s,若记录过程中,风速发生明显变化,此时应当记录下来,以备后续进行数据修正[40,42]。2.1.3红外图像特点红外辐射在传输过程中会由于衰减产生误差,除此之外,传播过程中的外部环境干扰、测量仪器内部物理量的随机变化以及人为不当操作的误差均会对红外图像造成一定的噪声。红外图像的噪声主要包括两种类型,高斯噪声和椒盐噪声[26]。高斯噪声主要来源于背景杂波、背景辐射;椒盐噪声的存在形式一般为像素点,即以像素级的白点出现在红外图像中从而影响图像的质量。电力设备红外热像图如图2-3所示,红外图像普遍都具有如下特点[43-44]:(a)电力电缆(b)互感器图2-3电力设备红外图像Fig.2-3InfraredImageofPowerEquipment(1)清晰度差,因为红外检测系统自身的探测能力以及分辨率等都不及CCD阵列,因此,相较于可见光图像,红外图像的清晰度较差。(2)灰度分布较低,这是因为在采集红外辐射的过程中,红外探测器可探测的温度值范围广泛,但是在实际检测中,由于电力设备各部分间的温度差值不大,就导致温度分布较为集中,所以灰度分布整体较低。(3)对比度较低,原因是目标物体和背景环境的温度差值较小,并且存在热交换、热传导等相互作用。

灰度,隔离开关,电缆,高斯噪声


西安理工大学工程硕士专业学位论文12(a)电缆原始灰度图(b)隔离开关原始灰度图图2-5灰度图Fig.2-5OriginalGrayscaleImage(a1)电缆原始灰度图加入高斯噪声(b1)隔离开关原始灰度图加入高斯噪声(a2)电缆3x3模板均值滤波(b2)隔离开关3x3模板均值滤波

【参考文献】:
期刊论文
[1]基于MATLAB的图像复原算法的研究与改进[J]. 王建新,黄培.  信息技术与信息化. 2019(12)
[2]深度学习目标检测方法及其主流框架综述[J]. 段仲静,李少波,胡建军,杨静,王铮.  激光与光电子学进展. 2020(12)
[3]基于SSD-Mobilenet模型的目标检测[J]. 刘颜,朱志宇,张冰.  舰船电子工程. 2019(10)
[4]基于SSD和MobileNet网络的目标检测方法的研究[J]. 任宇杰,杨剑,刘方涛,张启尧.  计算机科学与探索. 2019(11)
[5]基于红外图像处理的变电设备热故障自动诊断方法[J]. 王小芳,康琛,程宏波,曾晗,辛建波,纪清照.  华东交通大学学报. 2019(03)
[6]采用双边滤波的冷轧铝板表面缺陷图像去噪方法的研究[J]. 石坤泉,魏文国.  表面技术. 2018(09)
[7]基于隶属度函数的电力设备红外图像模糊增强算法研究[J]. 李振杰,张卫国,王智杰,陈晓东,牛东涛.  电子设计工程. 2018(18)
[8]基于结构相似度的图像融合客观评价指标[J]. 谭惜姿,陆伟.  淮阴师范学院学报(自然科学版). 2018(03)
[9]基于超像素图像分割的变电设备故障诊断研究[J]. 孙启悦,王龙.  浙江电力. 2017(12)
[10]深度学习在故障诊断领域中的研究现状与挑战[J]. 任浩,屈剑锋,柴毅,唐秋,叶欣.  控制与决策. 2017(08)

博士论文
[1]自适应图像实时增强算法的技术研究[D]. 李赓飞.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2017

硕士论文
[1]基于红外图像处理的变电站设备故障诊断方法研究[D]. 张恒源.长春工业大学 2019
[2]基于深度学习中SSDMobilenet的目标检测[D]. 曾科.湖南师范大学 2019
[3]基于红外图像的变电站设备故障精准定位方法的研究[D]. 曾亮.重庆理工大学 2019
[4]红外图像分割算法研究及其在电气设备故障诊断中的应用[D]. 吕欣欣.天津理工大学 2019
[5]基于红外热像技术的变电站设备故障诊断研究[D]. 谷宗卿.河北大学 2018
[6]红外热成像技术在电力系统设备故障检测中的应用研究[D]. 林群武.安徽理工大学 2016
[7]基于红外图像处理的变电站设备故障诊断[D]. 康龙.华北电力大学 2016
[8]基于深度学习的变压器故障诊断技术研究[D]. 石鑫.华北电力大学 2016
[9]基于红外与可见光图像配准的电力设备检测系统研究与应用[D]. 江国威.安徽大学 2014
[10]基于图像分割的变电站电气设备故障自动检测[D]. 叶婕.西安科技大学 2012



本文编号:3054273

资料下载
论文发表

本文链接:https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/3054273.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户e9e62***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com