發(fā)布時間：2021-07-12 04:19

　　傳統(tǒng)方法檢測電氣設備故障時,存在檢測準確率低、耗時長的問題。為此提出基于激光成像技術的電氣設備故障自動分類方法。對電氣設備圖像進行對比度拉伸處理,并采用濾波對其進行去噪處理,以提升對設備故障區(qū)域的檢測能力,即故障區(qū)域在激光圖像中亮度過大;利用脈沖耦合神經(jīng)網(wǎng)絡,將處理的激光圖像過亮區(qū)域進行提取,獲得電氣設備故障區(qū)域,可通過激光圖像中故障區(qū)域的亮度,實現(xiàn)電氣設備故障類型的診斷和自動分類。真實驗證明,研究方法的故障診斷性能較高,分類結果較為準確,且實現(xiàn)了非人工故障識別和分類,分類運行時間明顯縮短。 

【文章來源】：激光雜志. 2020,41(03)北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

激光成像示意圖

圖2為神經(jīng)元結構模型。圖中神經(jīng)元的輸入分成反饋輸入F和連接輸入L，可以接收相鄰神經(jīng)元的信息、激光圖像灰度信息。各個部分輸入都包括一個相似指數(shù)衰減的電氣設備故障積分器，以保證神經(jīng)元各個時期狀態(tài)之間的關系[13]。目前所處狀態(tài)和之前狀態(tài)的表達式分別表示為:

為了能夠證明研究的電氣設備故障自動分類方法的可行性，需要在配置為:處理器Intel Xeon Gold6154@3.00 GHz，主板H110，顯卡GeForce GTX1050，內(nèi)存為4 GB DDR4-2400，固態(tài)240/256 GB PCIe3.0，顯示器7680x5120HDMI2.1，操作系統(tǒng)為Windows 10的計算機上創(chuàng)建仿真實驗平臺，以軟件為Matlab 7.1為仿真實驗環(huán)境。采用兩種監(jiān)督信號深度學習方法、結合粒子群算法和Niblack算法的方法和本文研究的方法，實驗中為了令實驗結果更簡潔明了，將上述三種方法分別采用方法1、方法2和方法3代替進行仿真對比實驗。實驗對象選用本市某工廠內(nèi)電氣設備，該設備常見的故障有電流過大、電壓過大、過熱和接地等故障。對電氣設備監(jiān)控系統(tǒng)進行實驗采樣統(tǒng)計，得到500組樣本數(shù)據(jù)。圖3為三種方法診斷到的電氣設備故障區(qū)域，圖中過亮區(qū)域為電氣設備故障位置。通過分析圖3中不同方法檢測的電氣設備故障區(qū)域可知:由圖可直觀看出，方法2標注的電氣設備故障區(qū)域比實際故障區(qū)域范圍要大很多，存在比較明顯的誤差，而方法1與方法2相比較好一些，但是與實際故障區(qū)域對比，還是存在一些誤差;本文方法檢測的故障區(qū)域基本與實際故障區(qū)域相同，說明本文方法能夠精確地獲取電氣故障區(qū)域。


本文編號：3279187