-
公开(公告)号:CN111539486A
公开(公告)日:2020-08-14
申请号:CN202010400931.6
申请日:2020-05-12
申请人: 国网四川省电力公司电力科学研究院 , 成都理工大学 , 四川达曼正特科技有限公司
摘要: 本发明公开了一种基于Dropout深度置信网络的变压器故障诊断方法,包括步骤:收集多组油浸式变压器特征气体数据及对应的故障类别,处理后划分为训练样本和测试样本;构建基于深度置信网络DBN的故障诊断模型;在最优的故障诊断模型的DBN中引入Dropout,使用训练样本构建DBN-Dropout模型;采集油浸式变压器当前的特征气体数据,处理得到诊断样本,输入DBN-Dropout模型,以softmax分类器得到的概率最大的类别为故障诊断类别。本发明的有益效果是:考虑到深度置信网络在数据较少、模型较复杂时存在容易过拟合的问题,在原始的DBN中引入Dropout,构建了DBN-Dropout变压器故障诊断模型,以提高网络的泛化能力,能有效提高变压器故障诊断的准确率。
-
公开(公告)号:CN111488697A
公开(公告)日:2020-08-04
申请号:CN202010308032.3
申请日:2020-04-17
申请人: 国网四川省电力公司电力科学研究院 , 成都理工大学 , 四川达曼正特科技有限公司
摘要: 本发明公开了一种基于改进证据理论融合的变压器运行状态评估方法,包括步骤:确定变压器运行状态评估指标集,划分运行状态等级;建立重要度矩阵,计算常权重;进行去量纲化,计算劣化度;计算其变权重;计算综合联系度;确定识别框架,将综合联系度作为独立的证据体;对证据体进行修正;将修正后的证据体进行基本信度分配,再进行信息融合;对融合结果进行检验,输出运行状态评估结果。本发明充分考虑不同项目层对证据体的影响,先利用可信度系数、敏感因子修正各证据体的基本信度分配,将修正后的证据体再利用DS证据理论融合规则进行融合,降低了证据差异过大而导致的运行状态评估错误,运行状态评估结果可为变压器状态检修提供决策依据。
-
公开(公告)号:CN111598150B
公开(公告)日:2022-06-24
申请号:CN202010394751.1
申请日:2020-05-12
申请人: 国网四川省电力公司电力科学研究院 , 成都理工大学 , 四川达曼正特科技有限公司
摘要: 本发明公开了一种计及运行状态等级的变压器故障诊断方法。包括步骤:收集变压器5种典型故障数据,构建故障诊断样本数据集,并进行标签化处理;提取变压器油色谱数据的7种气体含量、19种气体比值共同作为故障特征,将预处理后的26维故障特征利用主元分析法(PCA)进行特征降维融合;构建基于粒子群算法与K‑折交叉验证的自适应相关向量机故障诊断模型;当变压器的运行状态等级评估为严重故障时,使用故障诊断模型进行诊断。本发明构建的故障诊断模型在模型训练过程中实现核参数的自动寻优,且相比于多级二分类器,结构简单。通过计及运行状态等级的故障诊断,可降低传统变压器实时在线故障诊断的误诊断风险。
-
公开(公告)号:CN111598150A
公开(公告)日:2020-08-28
申请号:CN202010394751.1
申请日:2020-05-12
申请人: 国网四川省电力公司电力科学研究院 , 成都理工大学 , 四川达曼正特科技有限公司
摘要: 本发明公开了一种计及运行状态等级的变压器故障诊断方法。包括步骤:收集变压器5种典型故障数据,构建故障诊断样本数据集,并进行标签化处理;提取变压器油色谱数据的7种气体含量、19种气体比值共同作为故障特征,将预处理后的26维故障特征利用主元分析法(PCA)进行特征降维融合;构建基于粒子群算法与K-折交叉验证的自适应相关向量机故障诊断模型;当变压器的运行状态等级评估为严重故障时,使用故障诊断模型进行诊断。本发明构建的故障诊断模型在模型训练过程中实现核参数的自动寻优,且相比于多级二分类器,结构简单。通过计及运行状态等级的故障诊断,可降低传统变压器实时在线故障诊断的误诊断风险。
-
公开(公告)号:CN111488697B
公开(公告)日:2022-06-24
申请号:CN202010308032.3
申请日:2020-04-17
申请人: 国网四川省电力公司电力科学研究院 , 成都理工大学 , 四川达曼正特科技有限公司
摘要: 本发明公开了一种基于改进证据理论融合的变压器运行状态评估方法,包括步骤:确定变压器运行状态评估指标集,划分运行状态等级;建立重要度矩阵,计算常权重;进行去量纲化,计算劣化度;计算其变权重;计算综合联系度;确定识别框架,将综合联系度作为独立的证据体;对证据体进行修正;将修正后的证据体进行基本信度分配,再进行信息融合;对融合结果进行检验,输出运行状态评估结果。本发明充分考虑不同项目层对证据体的影响,先利用可信度系数、敏感因子修正各证据体的基本信度分配,将修正后的证据体再利用DS证据理论融合规则进行融合,降低了证据差异过大而导致的运行状态评估错误,运行状态评估结果可为变压器状态检修提供决策依据。
-
公开(公告)号:CN111508026A
公开(公告)日:2020-08-07
申请号:CN202010307358.4
申请日:2020-04-17
申请人: 国网四川省电力公司电力科学研究院 , 成都理工大学 , 四川达曼正特科技有限公司
摘要: 本发明公开了一种视觉与IMU融合的室内巡检机器人定位与地图构建方法。巡检机器人使用ORB-SLAM2算法得到定位和用于导航的地图;ORB-SLAM2算法的输入信息为图像数据和IMU数据的融合数据;其中,图像数据和IMU数据得到融合数据的方法,包括IMU数据预处理与图像数据和IMU数据融合的步骤。本发明结合室内环境的特点和ORB-SLAM2的缺点对其进行改进,提出了室内巡检机器人VIORB-SLAM2算法。为了提高算法的鲁棒性,使其不易在特征点稀少的地方跟踪失败,在ORB-SLAM2系统中融合了IMU惯性传感器。进一步地,改进了ORB-SLAM2的建图方法,使改进后的算法能够建立可用于导航的稠密地图。
-
公开(公告)号:CN112818806A
公开(公告)日:2021-05-18
申请号:CN202110107475.0
申请日:2021-01-27
申请人: 国网四川省电力公司电力科学研究院 , 成都信息工程大学 , 四川达曼正特科技有限公司
摘要: 本发明公开了一种基于深度学习的变电站巡检机器人辅助导航方法,包括步骤:采集变电站环境的可见光图像,对深度学习目标检测模型进行训练,得到适用于变电站的最优深度学习目标检测模型;将巡检机器人的超声波雷达实际探测的区域投影到可见光图像中,并对可见光图像进行分割,获得仅包含超声波雷达实际探测区域的图像;生成安全判定结果;将安全判定结果输出到巡检机器人导航决策终端,辅助巡检机器人导航。本发明通过变电站内障碍物的图像数据建立和训练深度学习目标检测模型,使得巡检机器人具备识别变电站障碍物和处理无危险障碍物覆盖道路的能力,提高了巡检机器人的巡检的智能性和效率。
-
公开(公告)号:CN111958595A
公开(公告)日:2020-11-20
申请号:CN202010811428.X
申请日:2020-08-13
申请人: 成都理工大学 , 四川达曼正特科技有限公司
摘要: 本发明公开了一种变电站巡检机器人多传感器异步信息融合系统及方法,包括环境数据采集模块、模型训练模块、传感器数据匹配及融合模块、融合后数据输出模块,环境数据采集模块获取变电站环境信息,将其中的可见光传感器数据输入模型训练模块通过预先训练好的变电站环境语义分割模型得到环境语义信息,同时不同传感器数据经传感器数据匹配及融合模块进行匹配和融合后,最终通过融合后数据输出模块将带有语义信息的变电站三维点云地图信息发送给巡检机器人,指导变电站巡检机器人进行导航。本发明解决了现有变电站智能巡检机器人在变电站复杂环境中导航存在的问题,有效提高巡检机器人的导航精度与工作效率。
-
公开(公告)号:CN112001874A
公开(公告)日:2020-11-27
申请号:CN202010883243.X
申请日:2020-08-28
申请人: 四川达曼正特科技有限公司 , 成都理工大学 , 西南交通大学
IPC分类号: G06T5/50
摘要: 本发明公开了一种基于小波分解与泊松融合的图像融合方法及其应用。图像融合方法包括:对源图进行区域掩膜处理,再进行小波处理、泊松融合和局部方差融合,最后进行小波逆变换得到融合图。图像融合方法可应用于将生成的纸病样本融合进大张图像的特定位置,不会对原图片背景造成影响。本发明的有益效果是:将ROI区域自然地融合进背景的情况下,高低频成分基本上都没有信息丢失;在不过多影响背景的情况下,很好地保留前景ROI区域的细节信息。适用于钞纸的不同类型的纸病,并针对纸病得到最好的融合方案。
-
公开(公告)号:CN111830051A
公开(公告)日:2020-10-27
申请号:CN202010815910.0
申请日:2020-08-14
申请人: 成都理工大学 , 四川达曼正特科技有限公司
摘要: 本发明公开了一种基于深度学习的变电站设备漏油检测方法及系统,属于变电站设备技术领域,包括照片获取模块、模型训练模块、照片预处理模块、设备漏油缺陷识别模块和信息发送模块,照片获取模块获取终端设备发送的待检测设备照片,在照片预处理模块中进行预处理后输入模型训练模块预先训练好的设备漏油缺陷识别模型中,得到照片中的设备漏油缺陷信息,再通过信息发送模块发送给终端设备,实现电力设备的缺陷识别。本发明解决了现有变电站智能巡检机器人在巡检时易受环境因素影响,导致巡检准确率和工作效率较低的问题。
-
-
-
-
-
-
-
-
-