重庆赛宝工业技术研究院

• 204•目前嵌入式软件的覆盖率测试相对通用平台软件具有一定的的复杂性和困难性，本文介绍了一种基于嵌入式系统的BullseyeCoverage 逻辑覆盖测试概念及方法，研究了代码覆盖率工具 BullseyeCoverage 的工作原理，并应用到实际嵌入式系统测试案例中，实践结果表明， BullseyeCoverage 测试工具能够从函数覆盖、条件/判定覆盖多个角度快速、准确地定位未被测试的代码，并给出测试报告，便于测试人员有针对性地设计测试用例，以便发现潜在的软件缺陷，最终提高软件产品质量。

针对嵌入式系统而言，其开发平台与运行平台一般不同，开发工具运行在软硬件配置丰富的测试计算机上，嵌入式执行程序运行在软硬件资源相对缺乏的目标机上，由于开发环境与运行环境存在较大差异，且常规的测试方法和技术在嵌入式软件系统中难以奏效，故嵌入式软件相对于通用平台的软件而言，测试工作有一定的复杂性。

嵌入式软件的覆盖率测试，其充分性测试具有重要意义。

借助于覆盖率分析工具可以降低测试难度同时可以提高测试效率。

本文介绍了一种基于嵌入式系统的BullseyeCoverage 逻辑覆盖测试方法，通过搭建基于arm-xilinx-linux 目标板的嵌入式软件动态测试平台进行动态覆盖测试，根据覆盖率分析情况补充测试用例，实现软件的充分性测试。

1 软件的覆盖测试1.1 覆盖率概念覆盖率测试也称为逻辑测试，测试时需要访问测试代码本身然后对代码进行插装，主要以程序的内部结构为基础来设计测试用例，因此，它也是白盒测试的一种方法；覆盖率度量指标有多种，包括函数覆盖、语句覆盖、条件覆盖、分支覆盖、分支/条件覆盖、路径覆盖等，其中语句覆盖是最基本的覆盖标准。

覆盖率是代码执行所占的百分比，覆盖率按照式（1）计算：覆盖率=已执行的程序对象数量/程序中可执行的程序对象的总数×100% （1）覆盖率测试基本准则是测试用例要尽可能多地覆盖程序的内部逻辑结构，发现隐藏的错误和问题。

捍卫生活品质 推动产业升级质量管理
与监督检测实验室风险和机遇的评估
捍卫生活品质 推动产业升级质量管理
与监督程中可能产生的风险和机遇因素、风险影响；根据组织风险特点做出识别判断。

5 风险和机遇源的输出实验室组织人员根据风险和机遇识别的步骤可用检查表的8 风险和机遇事件的可能性及影响程度
捍卫生活品质 推动产业升级质量管理
与监督
（3）造成财产损失；度管理评审进行，评审内容包括措施执行情况、风险是否发生
变化、风险变化原因及趋势、是否发现新的风险等，流程与日
当发生以下特定情况时，应对风险因素进行重新识别、评。

专利名称：油料化验设备的模块化安装结构
专利类型：实用新型专利
发明人：李自荣,晏刚,杨继平,王晓冬,陈斌,夏梓航,梁泽山,董晓炜
申请号：CN202122381330.8
申请日：20210929
公开号：CN215872327U
公开日：
20220218
专利内容由知识产权出版社提供
摘要：本实用新型提供一种油料化验设备的模块化安装结构，包括：安装机架，其包括机架本体和设置于机架本体上的底板；以及功能模块，其设置为多个，每个功能模块与底板之间通过插拔结构连接。

本实用新型通过将各功能模块采用插拔方式与安装机架连接，解决了仪器设备安装固定结构复杂的问题，并且大大提高了整个结构的操作便利性，维修便捷，节省时间；通过插拔结构实现了电信号的无缆化，解决了复杂的线缆排布问题，同时大大提高了整个设备的可靠性。

申请人：重庆赛宝工业技术研究院有限公司
地址：401332 重庆市沙坪坝区西永微电园西园南街3号
国籍：CN
代理机构：上海光华专利事务所(普通合伙)
代理人：张博
更多信息请下载全文后查看。

重庆赛宝工业技术研究院，又名中国赛宝实验室（西南）实验室、中国工业和信息化部电子第五研究所（西南分所）。

位于重庆西永微电园，实验大楼共有工作场地8000平方米，主要为计量校准、可靠性试验、失效分析、电子产品安全与性能、元器件产品安全，ROHS和设备研发等测试场地和科研人员工作场地等。

开展的技术包括有：1)产品设计可靠性保证技术，2)计量与仪器维修，3)标准服务，4)软件评测，5)电子产品失效分析，6)安全与电磁兼容测试，7)可靠性试验，8)质量管理和认证技术，9)信息化工程监理技术，10)信息产业制造技术实习培训。

重庆赛宝工业技术研究院建成后，将成为辐射整个西部，能提供高端技术服务的综合质量保证共性技术服务平台，具有与中国赛宝实验室同等的技术服务能力。

中国赛宝实验室（工业和信息化部电子第五研究所），又名中国电子产品可靠性与环境试验研究所（China Electronic Product Relibility and Environmental Testing Research Institute)、工业和信息化部电子第五研究所（The fifth electronic research institute of MIIT），始建于1955年，是中国最早从事可靠性研究的权威机构。

实验室位于广州市天河区，占地面积17万平方米，科研生产用房面积8万多平方米；拥有各类试验、分析测试和计量等仪器设备5000多台（套）；现有职工1000多人，各类科技人员700多人，工程师及以上人员占70%。

实验室可提供从元器件到整机设备、从硬件到软件直至复杂大系统的产品检测试验、分析评价、认证计量、信息服务、技术培训、专用设备和专用软件开发等技术服务。

实验室具有多项认证、检测资质和授权，建立了良好的国际合作互认关系，可在世界范围内开展认证、检测业务，代表中国进行国际技术交流、标准和法规的制订。

同时，作为工业和信息化部直属单位，为部的行业管理提供技术支撑，为电子信息企业提供技术支持与服务，每年服务企业过万家。

第１３卷㊀第６期Ｖｏｌ．１３Ｎｏ．６㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年６月㊀Ｊｕｎ．２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）０６－０１１２－０６中图分类号：ＴＰ２４２．６文献标志码：Ａ基于油浸式机器人的变压器故障识别研究晏㊀刚，李自荣，冉艳红，彭㊀水，郑㊀凯（重庆赛宝工业技术研究院有限公司，重庆４０１３３２）摘㊀要：油浸式变压器是电力系统中最为关键和核心的设备，定期检修的主要方式是停机放油后工人进入变压器内部目视检查，存在检修效率不高㊁停机时间长㊁故障识别准确性低等问题㊂本文研究采用新型智能机器人技术设计电力变压器油浸式智能内检机器人，在大型电力变压器不放油的情况下，进入停运设备内部主绝缘间隙仿生潜游，利用配备的摄像机和传感器将变压器内部视频图像等信息实时无线传输到工作站，使用卷积神经网络对内部的异物㊁闪络㊁放电点及痕迹进行智能感知和自动识别㊂试验结果表明，采用油浸式智能机器人的故障智能识别更准确㊁使用更方便，极大提高了电力变压器检修领域的智能化水平㊂关键词：智能机器人；油浸式变压器；卷积神经网络；故障智能识别Ｒｅｓｅａｒｃｈｏｎｔｒａｎｓｆｏｒｍｅｒｆａｕｌｔｉｄｅｎｔｉｆｉｃａｔｉｏｎｂａｓｅｄｏｎｏｉｌ－ｉｍｍｅｒｓｅｄｒｏｂｏｔＹＡＮＧａｎｇ，ＬＩＺｉｒｏｎｇ，ＲＡＮＹａｎｈｏｎｇ，ＰＥＮＧＳｈｕｉ，ＺＨＥＮＧＫａｉ（ＣｈｏｎｇｑｉｎｇＣｅｐｒｅｉＩｎｄｕｓｔｒｉａｌＴｅｃｈｎｏｌｏｇｙＩｎｓｔｉｔｕｔｅＣｏ．，Ｌｔｄ．，Ｃｈｏｎｇｑｉｎｇ４０１３３２，Ｃｈｉｎａ）ʌＡｂｓｔｒａｃｔɔＴｈｅｏｉｌ－ｉｍｍｅｒｓｅｄｔｒａｎｓｆｏｒｍｅｒｉｓｔｈｅｍｏｓｔｃｒｉｔｉｃａｌａｎｄｃｏｒｅｅｑｕｉｐｍｅｎｔｉｎｔｈｅｐｏｗｅｒｓｙｓｔｅｍ．Ｔｈｅｍａｉｎｗａｙｏｆｒｅｇｕｌａｒｍａｉｎｔｅｎａｎｃｅｉｓｔｏｅｎｔｅｒｔｈｅｔｒａｎｓｆｏｒｍｅｒｆｏｒｖｉｓｕａｌｉｎｓｐｅｃｔｉｏｎａｆｔｅｒｔｈｅｏｉｌｉｓｄｒａｉｎｅｄａｆｔｅｒｓｈｕｔｄｏｗｎ．Ｔｈｅｒｅａｒｅｐｒｏｂｌｅｍｓｓｕｃｈａｓｌｏｗｍａｉｎｔｅｎａｎｃｅｅｆｆｉｃｉｅｎｃｙ，ｌｏｎｇｓｈｕｔｄｏｗｎｔｉｍｅ，ａｎｄｌｏｗａｃｃｕｒａｃｙｏｆｆａｕｌｔｉｄｅｎｔｉｆｉｃａｔｉｏｎ．Ｉｎｔｈｉｓｐａｐｅｒ，ａｎｅｗｔｙｐｅｏｆｉｎｔｅｌｌｉｇｅｎｔｒｏｂｏｔｔｅｃｈｎｏｌｏｇｙｉｓｕｓｅｄｔｏｄｅｓｉｇｎａｎｏｉｌ－ｉｍｍｅｒｓｅｄｉｎｔｅｌｌｉｇｅｎｔｉｎｔｅｒｎａｌｉｎｓｐｅｃｔｉｏｎｒｏｂｏｔｆｏｒｐｏｗｅｒｔｒａｎｓｆｏｒｍｅｒｓ．Ｕｎｄｅｒｔｈｅｃｏｎｄｉｔｉｏｎｔｈａｔｌａｒｇｅｐｏｗｅｒｔｒａｎｓｆｏｒｍｅｒｓｄｏｎｏｔｄｒａｉｎｏｉｌ，ｔｈｅｒｏｂｏｔｃａｎｅｎｔｅｒｔｈｅｍａｉｎｉｎｓｕｌａｔｉｏｎｇａｐｏｆｔｈｅｏｕｔ－ｏｆ－ｓｅｒｖｉｃｅｅｑｕｉｐｍｅｎｔｆｏｒｂｉｏｎｉｃｄｉｖｉｎｇ，ａｎｄｕｓｅｔｈｅｅｑｕｉｐｐｅｄｃａｍｅｒａｓａｎｄｓｅｎｓｏｒｓｔｏｍｏｎｉｔｏｒｔｈｅｉｎｓｉｄｅｏｆｔｈｅｔｒａｎｓｆｏｒｍｅｒ．Ｖｉｄｅｏｉｍａｇｅｓａｎｄｏｔｈｅｒｉｎｆｏｒｍａｔｉｏｎａｒｅｗｉｒｅｌｅｓｓｌｙｔｒａｎｓｍｉｔｔｅｄｔｏｔｈｅｗｏｒｋｓｔａｔｉｏｎｉｎｒｅａｌｔｉｍｅ，ａｎｄｔｈｅｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｕｓｅｄｔｏｐｅｒｆｏｒｍｉｎｔｅｌｌｉｇｅｎｔｐｅｒｃｅｐｔｉｏｎａｎｄａｕｔｏｍａｔｉｃｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｉｎｔｅｒｎａｌｆｏｒｅｉｇｎｏｂｊｅｃｔｓ，ｆｌａｓｈｏｖｅｒｓ，ｄｉｓｃｈａｒｇｅｐｏｉｎｔｓａｎｄｔｒａｃｅｓ．Ｔｈｅｔｅｓｔｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｉｎｔｅｌｌｉｇｅｎｔｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｆａｕｌｔｓｕｓｉｎｇｔｈｅｏｉｌ－ｉｍｍｅｒｓｅｄｉｎｔｅｌｌｉｇｅｎｔｒｏｂｏｔｉｓｍｏｒｅａｃｃｕｒａｔｅａｎｄｍｏｒｅｃｏｎｖｅｎｉｅｎｔ，ｗｈｉｃｈｇｒｅａｔｌｙｉｍｐｒｏｖｅｓｔｈｅｉｎｔｅｌｌｉｇｅｎｃｅｌｅｖｅｌｉｎｔｈｅｆｉｅｌｄｏｆｐｏｗｅｒｔｒａｎｓｆｏｒｍｅｒｍａｉｎｔｅｎａｎｃｅ．ʌＫｅｙｗｏｒｄｓɔｉｎｔｅｌｌｉｇｅｎｔｒｏｂｏｔ；ｏｉｌ－ｉｍｍｅｒｓｅｄｔｒａｎｓｆｏｒｍｅｒ；ｃｏｎｖｏｌｕｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ；ｉｎｔｅｌｌｉｇｅｎｔｆａｕｌｔｉｄｅｎｔｉｆｉｃａｔｉｏｎ作者简介：晏㊀刚（１９８２－），男，硕士，高级工程师，主要研究方向：人工智能㊁机器人㊁油品检测分析㊂通讯作者：晏㊀刚㊀㊀Ｅｍａｉｌ：ｃｑｙｇ２００１＠１６３．ｃｏｍ收稿日期：２０２３－０３－１００㊀引㊀言目前油浸式变压器内检方式存在效率低㊁检测盲区㊁故障判别难度大㊁变压器内部二次污染和破坏等问题㊂油浸式智能内检机器人通过机器视觉和人工智能技术进行故障分析和定位，一方面代替人工在不放油㊁充气的情况下进入变压器内部工作，减少检修天数，提高检修效率；另一方面，可通过图像的智能识别提高故障判别准确率，降低检修成本㊂本文研究变压器油浸式智能内检机器人，将变压器内部视频图像传输到工作站，使用卷积神经网络进行故障识别㊁分析预测，提高大型电力变压器的检修效率㊁发现潜伏缺陷㊁提高故障诊断准确性㊂１㊀油浸式变压器故障类型分析电力变压器内部故障主要表现为机械故障㊁热故障和电故障３种类型，以后两种故障类型为主，大多数机械故障最终也会表现为热故障和放电性故障［１］㊂过热性故障是热应力所造成的绝缘加速劣化；放电性故障可根据其放电能量的密度分为电弧放电㊁火花放电和局部放电３类［２］㊂一旦出现运行缺陷或故障，或者需要对设备大修时，仍需要将设备停电放油，由专业技术人员从入孔爬进设备箱体内进行内检排查，发现设备里的缺陷或故障，必要时还需要对变压器进行吊罩处理和解体检查㊂２㊀卷积神经网络本文研究的油浸式变压器故障识别卷积神经网络使用Ｈｕ特征提取和Ｈｏｇ特征提取两种图像数据特征提取算法㊂２．１㊀Ｈｕ特征提取算法采用Ｈｕ特征提取算法进行Ｈｕ不变矩提取时，主要利用０㊁１㊁２和３阶矩阵进行提取［３］㊂首先计算各阶矩阵的几何矩，再计算中心矩，然后归一化中心矩，最后计算７个Ｈｕ不变矩并进行归一化㊂Ｈｕ不变矩特征提取流程图如图１所示㊂结束得到特征计算7个H u 不变矩并归一化归一化中心矩计算各阶中心矩计算各阶几何距开始图１㊀Ｈｕ不变矩特征提取流程图Ｆｉｇ．１㊀Ｈｕｉｎｖａｒｉａｎｔｍａｔｒｉｘｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｆｌｏｗｃｈａｒｔ２．２㊀Ｈｏｇ特征提取算法采用Ｈｏｇ特征提取算法进行特征提取时，首先将图像进行灰度处理，然后计算每个像素点的梯度，在每个梯度方向上划分区间，在各个方向投影，得到并统计每个区间的特征向量，一个块又由４个相邻单元构成，同样对其在每个梯度方向的各个方向进行投影，得到并统计每个块的特征向量，最后对每个块的特征向量进行结合，就可以得到总的特征向量［４］㊂在设计时有部分参数很关键，例如胞元大小计算Ｈｏｇ的单元大小，每个单元可以得到一个直方图，默认值为［８，８］；一个块的大小，默认值为［２，２］；重叠块说明块之间的重叠部分的大小，默认值是０．５㊂在识别时将图像尺寸转换为４０ˑ４０，为了遍历图像时让块正好分开，将胞元大小改为［１０，１０］㊂Ｈｏｇ特征提取流程图如图２所示㊂开始结束扫描图像结合所有块的特征向量结合每块的特征向量对每个单元的像素在梯度方向上投影在每个梯度方向上划分区间计算每个像素点的梯度图像灰度处理图２㊀Ｈｏｇ特征提取流程图Ｆｉｇ．２㊀Ｈｏｇｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｆｌｏｗｃｈａｒｔ３㊀油浸式变压器故障图像的预处理３．１㊀智能机器人图像采集变压器油浸式智能内检机器人进入变压器内部，摄像机采集到的图像上传到工作站后采用卷积神经网络进行故障智能识别㊂因为采集到的图像都是３个层次的色彩深度达到８００ˑ８００的图像，卷积神经网络需要的是具有３个深度的ＲＧＢ三色频谱４１６ˑ４１６像素的图像，所以需要采用双线性插值法对数据集图像进行比例转换，转换为４１６ˑ４１６像素的图像［５］㊂利用双线性插值进行图像缩放的步骤包括：计算目标图片与原始图片之间的缩放因子（宽度㊁高度方向）；利用缩放因子，由目标图片像素位置反推回原始图片中的虚拟像素位置；由虚拟像素位置找到宽度和高度方向相邻的４个像素点；由４个像素点进行双线性插值计算，得出目标图像中的像素值［６］㊂双线性插值法的原理示意如图３所示㊂P 01P x 1P 11P xP 00P x 0P 10W 0W x W 1wHh 1h xh 0图３㊀双线性插值法原理示意图Ｆｉｇ．３㊀Ｔｈｅｐｒｉｎｃｉｐｌｅｏｆｂｉｌｉｎｅａｒｉｎｔｅｒｐｏｌａｔｉｏｎ㊀㊀在进行双线性插值处理时，点Ｐ００，Ｐ０１，Ｐ１０，Ｐ１１为已知的４个像素点，要得到Ｐｘ点的像素值，首先在３１１第６期晏刚，等：基于油浸式机器人的变压器故障识别研究Ｗ轴方向进行线性插值，得到Ｐｘ０，Ｐｘ１点的像素值，式（１）和式（２）：Ｐｘ０＝Ｗ１－ＷｘＷ１－Ｗ０Ｐ００＋Ｗｘ－Ｗ０Ｗ１－Ｗ０Ｐ１０（１）Ｐｘ１＝Ｗ１－ＷｘＷ１－Ｗ０Ｐ０１＋Ｗｘ－Ｗ０Ｗ１－Ｗ０Ｐ１１（２）㊀㊀其次，在Ｈ轴上由Ｐｘ０和Ｐｘ１分别计算线性差值，得到Ｐｘ的像素值，式（３）：Ｐｘ＝ｈ１－ｈｘｈ１－ｈ０Ｐｘ０＋ｈｘ－ｈ０ｈ１－ｈ０Ｐｘ１（３）㊀㊀从式（１） 式（３）得到了双线性插值总公式（４）：㊀Ｐｘ＝ｈ１－ｈｘｈ１－ｈ０Ｗ１－ＷｘＷ１－Ｗ０Ｐ００＋ｈ１－ｈｘｈ１－ｈ０Ｗｘ－Ｗ０Ｗ１－Ｗ０Ｐ１０＋ｈｘ－ｈ０ｈ１－ｈ０Ｗ１－ＷｘＷ１－Ｗ０Ｐ０１＋ｈｘ－ｈ０ｈ１－ｈ０Ｗｘ－Ｗ０Ｗ１－Ｗ０Ｐ１１（４）采用双线性插值法，将离散分布的像素图进行直线化处理，使之能够准确地估计出２ˑ２像素区块内的任何点处的像素值，最大限度地减少在非比例放大时丢失的物体特性，降低对后续的特征抽取工作的干扰㊂３．２㊀图像滤波在卷积神经网络中，随着样本的聚集程度越来越高，网络训练的运算能力和参数的收敛性也越来越强，因此在网络训练之前，需要对原始图像数据进行预处理，常用的方法是去均值和归一化㊂去均值就是把每个图像的数据减去全部的图像数据的平均值，把图像的亮度统一，把所有的图像都变成０值中心；而规一化则是通过把图像的像素变换成较小的值域，从而减小了奇异样本的影响㊂通过对图像原始数据去均值和规一化处理，可以实现对样本的更精确地分布，更易于训练㊂将图像中的均值分成两类：全图像均值（ｉｍａｇｅｍｅａｎ）和像素均值（Ｐｉｘｅｌｍｅａｎ）㊂全图像均值是指各幅图像在某一深度上的各个空间位置上的像素的平均值，包含了空间分布数据；像素均值则是在一定的深度，对所有像素进行均值的计算，而不会考虑各图像的空间分配㊂由于ＤＩＯＲ数据集合内没有任何空间上的分布规则，因此本文使用了像素均值㊂对具有ｄ深度的像素均值进行了运算，公式（５）：ｍｅａｎ（ｄ）＝ðｎｕｍ－１ｎ＝０ðＨ－１Ｈ＝０ðＷ－１Ｗ＝０ｉｍｇｎ[]ｈ[]Ｗ[]ｄ[]ｎｕｍ∗Ｈ∗Ｗ，ｄ＝０，１，２（５）其中，ｎｕｍ代表了数据集训练集的图像数量；Ｈ代表图像的高；Ｗ代表图像的宽；ＤＩＯＲ对应的数值为８００；而ｉｍｇ［ｎ］［ｈ］［Ｗ］［ｄ］代表深度中的第（Ｄ）图像的像素数值；ｄ分别取０，１，２，对应于图像的ＲＧＢ３个层次深度㊂通过对５８６２张图像训练集的像素均值进行运算，得出ＲＧＢ＿ｍｅａｎ＝［１００．２８，１，０２８，３９３．０５］，去均值后的图像绿色深度上的像素值更低，过滤掉绿干扰后的指标表现得更加明显㊂３．３㊀图像增强及算法利用卷积神经网络对图像局部细节进行增强，能够在一定程度上限制图像局部的过度增强，但这种方法的局限性在于对比度的放大是通过在预先定义的剪裁限制下剪裁直方图来实现的㊂对比度受限自适应直方图均衡化的基本步骤如下：第一步，将原始图像分割成若干大小相等的子块，每个子块是连续的，彼此不重叠；第二步，计算每个子块的局部直方图；第三步，计算分配给每个子块中每个灰度级的平均像素数，由参数ＡｖＮｕｍ表示，可由公式（６）定义：ＡｖＮｕｍ＝Ｘｐ㊃ＹｐＧｒａｙＮｕｍ（６）㊀㊀其中，Ｘｐ和Ｙｐ分别是子块Ｘ方向和Ｙ方向上的像素数，ＧｒａｙＮｕｍ表示子块的可能灰度㊂第四步，设置剪切系数ＣＶ，并假设其范围为［０，１］㊂对于不同的图像，通过模拟结果将其调整为最佳值，然后按照公式（７）计算实际剪切极限值ＮＶ：ＮＶ＝ＡｖＮｕｍ＋ｒｏｕｎｄＣＶ㊃Ｘｐ㊃Ｙｐ－ＡｖＮｕｍ()()（７）其中，ｒｏｕｎｄ是一个舍入函数㊂第五步，使用剪切极限，剪切局部直方图的每个灰度级的像素，并将额外的像素数重新分配到每个直方图的每个灰度级㊂假设ＮＣｌｉｐ表示被忽略的像素总数，可以通过等式获得每个灰度级应分配的像素数ＮＡｃｐ，式（８），式（９）：ＮＣｌｉｐ＝ðｍａｘＨｉ()－ＮＶ()()（８）㊀㊀其中Ｈ（ｉ），ｉ＝ｉ０，ｉ１ ｉｎ表示子块的局部直方图㊂ＮＡｃｐ＝ＮＣｌｉｐＧｒａｙＮｕｍ（９）㊀㊀假设ＣＨ（ｉ）是重新分配后的直方图，可以得到４１１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀等式（１０）：ＣＨｉ()＝ＮＶ，Ｈｉ()＞ＮＶＮＶ，Ｈｉ()＋ＮＡｃｐȡＮＶＨｉ()＋ＮＡｃｐ，ｅｌｓｅìîíïïï（１０）第六步，假设上述分布后剩余的像素数为ＮｕｍＬｅｆｔ，分布的步长可以定义为等式（１１）：Ｓｔｅｐ＝ＧｒａｙＮｕｍＮｕｍＬｅｆｔ（１１）㊀㊀按步长从最小灰度开始搜索，以便在像素数小于剪切阈值时分配像素㊂完成从最小灰度到最大灰度的循环，直到ＮｕｍＬｅｆｔ为０㊂直方图分配就完成了，并获得了一个新的直方图㊂第七步，剪切后对每个子区域执行直方图均衡化㊂第八步，每个子块的中心点作为参考点，以获得灰度值；对图像中的每个像素进行双线性插值处理，每个像素的映射由对应的区域４个邻接参考点确定㊂利用双线性插值进行灰度值计算的原理如图４所示，黑色小矩形（ｘ，ｙ）表示目标点，ｆ（ｘ，ｙ）是要计算的（ｘ，ｙ）的灰度值，４个相邻区域的中心点用黑点表示，４个相邻点分别为Ａ（ｘ－，ｙ－）㊁Ｂ（ｘ＋，ｙ－）㊁Ｃ（ｘ－，ｙ＋）㊁Ｄ（ｘ＋，ｙ＋）㊂灰度值ｆｘ，ｙ()可以用公式（１２）给出的４个点Ａ㊁Ｂ㊁Ｃ㊁Ｄ的灰度值的线性组合来表示㊂对于边界区域中的像素，通过两个相邻采样点的线性插值计算灰度；而图像４个角的点是用相邻的采样点计算的㊂㊀ｆｘ，ｙ()＝ａｂｆｘ－，ｙ－()＋１－ｂ()ｆｘ＋，ｙ－()[]＋１－ａ()［ｂｆｘ－，ｙ＋()＋１－ｂ()ｆｘ＋，ｙ＋()］（１２）A (x -,y -)(x +,y -)BC (x -,y +)(x +,y +)D(x ,y )图４㊀双线性插值法灰度值图计算原理Ｆｉｇ．４㊀Ｐｒｉｎｃｉｐｌｅｏｆｇｒａｙｓｃａｌｅｖａｌｕｅｃａｌｃｕｌａｔｉｏｎｂｙｂｉｌｉｎｅａｒｉｎｔｅｒｐｏｌａｔｉｏｎ㊀㊀对比度受限的自适应直方图均衡化算法处理的流程如图５所示㊂剩余像素再分配得到新的直方图直方图均衡化线性插值计算灰度结束分配系数设置剪切系数计算平均像素计算直方图图像分配开始图５㊀自适应直方图均衡化流程图Ｆｉｇ．５㊀Ａｄａｐｔｉｖｅｈｉｓｔｏｇｒａｍｅｑｕａｌｉｚａｔｉｏｎｆｌｏｗｃｈａｒｔ㊀㊀卷积神经网络对读入的图像数据进行处理时，首先对直方图进行分块处理，将输入进去的图像划分为大小相等的不重叠的子块；通过对图像分块，将每个单独的区域进行处理，每个图像块的局部图像增强，从而解决全局均衡化处理的问题㊂为了方便后续双线性插值处理，分块必须为２的倍数，计算子块的直方图，并根据公式（６）得到每个子块中每个灰度级的平均像素数㊂例如：假定一幅图像的像素为２８８ˑ３５２，要分成８ˑ８个图像块，那么此时得到的每个图像块的像素就会变成３６ˑ４４；剪切阈值的计算仿真，将其范围设置在０，１[]，再按照公式（７）得到剪切阈值㊂再对剩余的像素点分配，根据公式（８）先得到被忽略的像素总数，通过公式（９）得到每个灰度级能分配到的像素数，并按步长从最小灰度开始搜索，完成到最大灰度的循环，让剩余像素数全都分配进去，获得一个新的直方图；再根据公式（１０）进行直方图均衡化，将每个子块的中心点作为参考点，获得灰度值，并使用对比度限制进行映射，改善噪声的问题；再根据公式（１２）对其双线性插值处理，如果不进行插值处理，得到的图像会分块㊂使５１１第６期晏刚，等：基于油浸式机器人的变压器故障识别研究用卷积神经网络进行图像数据处理的流程如图６所示㊂开始结束映射并线性插值直方图均衡化再分配像素设置剪切阈值分配像素计算子块直方图和平均像素数分块处理输入图像图６㊀卷积神经网络图像处理流程图Ｆｉｇ．６㊀Ｉｍａｇｅｐｒｏｃｅｓｓｉｎｇｏｆｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ４㊀基于卷积神经网络的油浸式变压器故障识别４．１㊀实验准备４．１．１㊀实验环境及参数配置本文以ＺｙｎｑＳｏＣ平台为网络部署流程的基础，利用Ｘｉｌｉｎｘ公司ＺＣＵ１０４评估板，实现了网络模型的硬件实现㊂ＺＣＵ１０４采用ＺｙｎｑＵｌｔｒａＳｃａｌｅ＋ＭＰＳｏＣ系列的ＺＵ７ＥＶ芯片网，并在ＰＳ上整合了四核心ＡｒｍＣｏｒｔｅｘ－Ａ５３㊁ＰＬ端子ＵｌｔｒａＳｃａｌｅ＋ＦＰＧＡ等各种应用㊂ＺＣＵ１０４主板的硬件资源见表１所示㊂㊀㊀相对于Ｚｙｎｑ７０００系列，ＭＰＳｏＣ的ＺＵ７ＥＶ系列的芯片逻辑能力得到了极大地提高㊂ＰＳ端与ＤＤＲ４ＤＤＲ４的ＳＤＲＡＭ相连接，用以缓存运算时所生成的运算资料㊂ＱＳＰＩＦｌａｓｈ是用来储存ＰＳ端主电脑的开机影像，电脑启动，会加载影像，以开启ＰＳ端的主机系统㊂ＪＴＡＧ和Ｅｔｈｅｒｎｅｔ界面可以使电脑向ＰＳ终端传送控制和传送文档㊂此外，该面板具有ＵＳＢ３．０，ＨＤＭＩ视频输入／输出，ＬＰＣＦＭＣ扩展卡接口等丰富的外部设备，能够满足各种不同的嵌入式系统的需求㊂表１㊀ＺＣＵ１０４板硬件资源Ｔａｂ．１㊀ＨａｒｄｗａｒｅｒｅｓｏｕｒｃｅｓｏｆＺＣＵ１０４ｂｏａｒｄ硬件资源名称硬件资源型号或数量Ｚｙｎｑ主芯片ＸＣＺＵ７ＥＶ－２ＦＦＶＣ１１５６可编程逻辑单元５０４０００个查找表（ＬＵＴ）２３０４００个触发器（ＦＦ）４６０８００个ＢＲＡＭ１１．０ＭｂＵｌｔｒａＲＡＭ２７．０ＭｂＤＳＰ片１７２８个内存１６ＧｂＤＤＲ４ＳＤＲＡＭ闪存（Ｆｌａｓｈ）５１２ＭｂＱＳＰＩＦｌａｓｈ外设接口ＵＳＢ３．０，ＨＤＭＬＬＰＣＦＭＣ，ＳＡＴＡＭ２，ＵＳＢ－ＪＴＡＧ，ＲＪ－４５Ｅｔｈｅｒｎｅｔ㊀㊀本文在充分利用ＦＰＧＡ主芯片的设计和外部ＤＤＲ存储能力的基础上，将两个并行的ＤＰＵ芯片在ＺＵ７ＥＶＰＬ上进行有效的部署，使系统充分利用现有的资源，加快了系统的运算速度㊂４．１．２㊀数据集卷积神经网络模型的训练需要大量的图像㊂然而收集和注释庞大的数据集既费时又费力㊂为了增加数据集的大小，采用常用的数据增强方法，通过一组计算成本低廉的转换（例如旋转㊁大小调整和缩放）以及颜色调整（例如亮度㊁饱和度和对比度的变化）在原始数据集的基础上生成额外样本㊂本文使用旋转㊁平移㊁翻转和颜色转换的数据增强技术㊂本文的数据扩充是在 正常 和 在线 模式下进行的，并将相同的初始扩充数据存储在磁盘上㊂正常模式将直接使用初始扩充数据集训练卷积神经网络模型，无需任何额外的预处理，而在线模式在训练模型时额外应用在线数据扩充㊂每个卷积神经网络模型都在正常模式和在线模式下进行训练，以研究两种数据操作模式对模型性能的影响㊂４．２㊀油浸式变压器故障识别结果利用卷积神经网络进行分类识别，在训练集Ｓａｍｐｌｅ文件夹中随机抽取样本图片，以比例０．９作为训练样本，剩下的作为测试样本，计算每一种情况的油浸式变压器故障识别的准确率，根据准确率来选取最佳的搭配方式，该准确率是在每种情况中经过反复抽样测试而收集到的最大值，得到每种情况的准确率见表２㊂（下转第１２１页）６１１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀４㊀结束语本文采用ＭＡＬＯ算法求解电力系统经济和排放综合调度问题，所提出的方法在Ｍａｔｌａｂ仿真平台上对含有１０台和４０台发电机组系统进行仿真计算，通过与现有的优化算法结果的对比与分析，仿真结果表明ＭＡＬＯ算法在可行域中更容易搜索出全局最优解㊂参考文献［１］吴杰康，韩军锋，刘蔚，等．基于反捕食粒子群算法的电力系统经济调度方法［Ｊ］．电网技术，２０１０，３４（６）：５９－６３．［２］陈功贵，陈金富．含风电场电力系统环境经济动态调度建模与算法［Ｊ］．中国电机工程学报，２０１３，３３（１０）：２７－３５．［３］武慧虹，林妤，曾茜，等．自适应差分进化算法及对动态环境经济调度问题应用［Ｊ］．计算机应用研究，２０２１，３８（５）：１４４３－１４４８．［４］李笑竹，王维庆．基于多目标飞蛾扑火算法的含风电电力系统动态环境经济调度［Ｊ］．电气工程学报，２０２０，１５（３）：１－２．［５］ＫＵＫＪＮ，ＧＯＮＣＡＬＶＥＳＲＡ，ＰＡＶＥＬＳＫＩＬＭ，ｅｔａｌ．Ａｎｅｍｐｉｒｉｃａｌａｎａｌｙｓｉｓｏｆｃｏｎｓｔｒａｉｎｔｈａｎｄｌｉｎｇｏｎｅｖｏｌｕｔｉｏｎａｒｙｍｕｌｔｉ－ｏｂｊｅｃｔｉｖｅａｌｇｏｒｉｔｈｍｓｆｏｒｔｈｅｅｎｖｉｒｏｎｍｅｎｔａｌ／ｅｃｏｎｏｍｉｃｌｏａｄｄｉｓｐａｔｃｈｐｒｏｂｌｅｍ［Ｊ］．ＥｘｐｅｒｔＳｙｓｔｅｍｓｗｉｔｈＡｐｐｌｉｃａｔｉｏｎｓ，２０２１，１６５：１１３７７４．［６］栗然，张凡，靳保源，等．基于改进蚁狮算法的电力系统最优潮流计算［Ｊ］．电力科学与工程，２０１７，３３（９）：１５－２２．［７］潘晨，滕欢，梁梦可，等．基于改进粒子群算法考虑阀点效应的经济负荷最优分配［Ｊ］．电力科学与技术学报，２０２０，３５（１）：１５１－１５６．［８］ＳＡＸＥＮＡＰ，ＫＯＴＨＡＲＩＡ．Ａｎｔｌｉｏｎｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｔｏｃｏｎｔｒｏｌｓｉｄｅｌｏｂｅｌｅｖｅｌａｎｄｎｕｌｌｄｅｐｔｈｓｉｎｌｉｎｅａｒａｎｔｅｎｎａａｒｒａｙｓ［Ｊ］．ＡＥＵ－ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＥｌｅｃｔｒｏｎｉｃｓａｎｄＣｏｍｍｕｎｉｃａｔｉｏｎｓ，２０１６，７０（９）：１３３９－１３４９．［９］王凯悦．基于蚁狮算法的含风电的配电网无功优化分析与研究［Ｄ］．西安：西安石油大学，２０２１．［１０］张家维，李昊．多目标蚁狮算法在航材配置优化中的应用研究［Ｊ］．计算仿真，２０１９，３６（７）：７１－７４．［１１］张家维，李昊．多目标蚁狮算法在航材配置优化中的应用研究［Ｊ］．计算机仿真，２０１９，３６（７）：７１－７４．［１２］温东翰，徐敏．基于改进型蚁狮算法的主动配电网优化重构［Ｊ］．电气应用，２０２０，３９（７）：３１－３５．［１３］ＢＡＳＵＭ．Ｅｃｏｎｏｍｉｃｅｎｖｉｒｏｎｍｅｎｔａｌｄｉｓｐａｔｃｈｕｓｉｎｇｍｕｌｔｉ－ｏｂｊｅｃｔｉｖｅｄｉｆｆｅｒｅｎｔｉａｌｅｖｏｌｕｔｉｏｎ［Ｊ］．Ａｐｐｌｉｅｄｓｏｆｔｃｏｍｐｕｔｉｎｇ，２０１１，１１（２）：２８４５－２８５３．［１４］ＧÜＶＥＮＣＵ，ＳöＮＭＥＺＹ，ＤＵＭＡＮＳ，ｅｔａｌ．Ｃｏｍｂｉｎｅｄｅｃｏｎｏｍｉｃａｎｄｅｍｉｓｓｉｏｎｄｉｓｐａｔｃｈｓｏｌｕｔｉｏｎｕｓｉｎｇｇｒａｖｉｔａｔｉｏｎａｌｓｅａｒｃｈａｌｇｏｒｉｔｈｍ［Ｊ］．ＳｃｉｅｎｔｉａＩｒａｎｉｃａ，２０１２，１９（６）：１７５４－１７６２．（上接第１１６页）表２㊀训练样本的准确率统计表Ｔａｂ．２㊀Ｓｔａｔｉｓｔｉｃｓｏｆａｃｃｕｒａｃｙｏｆｔｒａｉｎｉｎｇｓａｍｐｌｅｓ特征提取方式训练样本数测试样本数准确个数耗时／ｓ准确率／％ＨＵ不变矩１８１７８６８２８２．０５Ｈｏｇ特征１８１７８６４２８７．１８㊀㊀从表２可以看出，两种特征提取方式耗时相同，所以在耗时相同时选择准确率较高的作为算法的实现过程㊂５㊀结束语采取Ｈｏｇ特征提取的油浸式变压器故障识别的准确率高于采取Ｈｕ特征的识别准确率；两种特征提取算法的识别速度相同㊂本文设计变压器油浸式智能内检机器人，机器人配备摄像机将变压器视频图像传输到电脑，使用卷积神经网络进行故障识别的准确率可达到８７．１８％㊂参考文献［１］张中一．数据知识联合驱动的油浸式变压器内部故障诊断研究［Ｄ］．山东：山东大学，２０２２．［２］刘敏．基于ＤＧＡ的数据驱动油浸式变压器故障诊断系统研究［Ｄ］．兰州：兰州理工大学，２０２２．［３］宗占强．基于卷积神经网络的油浸式变压器故障诊断［Ｄ］．安徽：安徽理工大学，２０２１．［４］汤心韵．基于灰色关联与熵权融合的变压器故障诊断方法研究［Ｄ］．长沙：长沙理工大学，２０１９．［５］蔡陈．油浸式变压器ＤＧＡ数据分析及其故障诊断研究［Ｄ］．昆明：昆明理工大学，２０１６．［６］ＹＡＮＧＭＴ，ＨＵＬＳ．Ｉｎｔｅｌｌｉｇｅｎｔｆａｕｌｔｔｙｐｅｓｄｉａｇｎｏｓｔｉｃｓｙｓｔｅｍｆｏｒｄｉｓｓｏｌｖｅｄｇａｓａｎａｌｙｓｉｓｏｆｏｉｌ－ｉｍｍｅｒｓｅｄｐｏｗｅｒｔｒａｎｓｆｏｒｍｅｒ［Ｊ］．ＩＥＥＥｔｒａｎｓａｃｔｉｏｎｓｏｎｄｉｅｌｅｃｔｒｉｃｓａｎｄｅｌｅｃｔｒｉｃａｌｉｎｓｕｌａｔｉｏｎ：ＡｐｕｂｌｉｃａｔｉｏｎｏｆｔｈｅＩＥＥＥＤｉｅｌｅｃｔｒｉｃｓａｎｄＥｌｅｃｔｒｉｃａｌＩｎｓｕｌａｔｉｏｎＳｏｃｉｅｔｙ，２０１３，２０（６）：４－５．１２１第６期何旺，等：采用多目标蚁狮优化算法（ＭＡＬＯ）的环境经济调度。