【CN209810772U】基于卷积神经网络的电力设备图像的故障识别装置【专利】

专利名称：基于卷积神经网络的网络故障诊断方法及装置专利类型：发明专利
发明人：单光存,王红宇
申请号：CN202010775326.7
申请日：20200804
公开号：CN111865702A
公开日：
20201030
专利内容由知识产权出版社提供
摘要：本公开提供了一种基于卷积神经网络的网络故障诊断方法，包括：收集网络节点参数信息，利用PCA降维对所述参数信息进行筛选，得到特征信息；将所述特征信息输入多层次卷积神经网络，进行特征提取，得到多层次特征；将所述多层次特征输入全连接层分类神经网络进行故障诊断，根据全连接网络的输出确定故障类别，以便根据所述故障类型确定故障原因。

本公开能够在降低计算时间的基础上提高模型分辨故障的能力。

申请人：北京航空航天大学
地址：100083 北京市海淀区学院路37号
国籍：CN
代理机构：中科专利商标代理有限责任公司
代理人：马莉
更多信息请下载全文后查看。

基于神经网络的电力设备故障检测与预警研究电力设备故障检测与预警是电力系统运行中非常重要的环节，它可以提前发现潜在的故障问题，并采取相应的措施进行修复，从而确保电力系统的安全稳定运行。

随着人工智能技术的不断发展，基于神经网络的电力设备故障检测与预警研究逐渐成为研究的热点领域。

本文将就基于神经网络的电力设备故障检测与预警研究展开讨论。

首先，我们需要了解神经网络的基本原理和工作方式。

神经网络是一种模仿人脑神经元连接方式的数学模型，它由多个神经元组成的层次结构。

神经网络通过输入层接受外部数据，并通过各个隐藏层的神经元之间的连接进行信息传递和处理，最终输出预测结果。

神经网络的优点在于它能够学习和适应复杂非线性关系，并且具有较强的泛化能力。

基于神经网络的电力设备故障检测与预警研究主要分为以下几个方面：数据采集与预处理、特征提取与选择、神经网络模型设计、训练与优化、故障检测与预警。

首先，数据采集与预处理是神经网络研究中的重要环节。

我们需要收集电力设备在运行过程中产生的各类数据，如电流、电压、温度等。

这些数据需要经过预处理进行去噪和归一化处理，以保证数据的准确性和可靠性。

其次，特征提取与选择是神经网络模型设计的关键步骤。

在特征提取过程中，需要根据电力设备故障的特点和实际需求，选取合适的特征来描述设备的状态。

常用的特征提取方法包括时域特征、频域特征、小波变换等。

特征选择是为了减少特征的维度，提高训练和测试的效率。

常用的特征选择方法包括相关性分析、信息增益、主成分分析等。

接下来，需要设计合适的神经网络模型来进行故障检测与预警。

常用的神经网络模型包括BP神经网络、RBF神经网络、CNN神经网络等。

不同的模型适用于不同的故障检测与预警场景。

在模型设计过程中，需要合理选择网络的结构、激活函数、学习算法等。

然后，通过训练与优化来提高神经网络的性能。

训练是指利用已有的数据对神经网络进行参数的学习和更新。

常用的训练算法包括梯度下降法、遗传算法、粒子群算法等。

基于卷积神经网络的局部电力系统故障检测研究基于卷积神经网络的局部电力系统故障检测研究摘要：局部电力系统故障检测对于提高电力系统的可靠性和稳定性至关重要。

本论文针对局部电力系统故障检测问题，提出了一种基于卷积神经网络的故障检测方法。

首先，我们介绍了卷积神经网络的基本结构和原理。

然后，我们详细介绍了局部电力系统的故障类型，并提出了相应的故障检测模型。

最后，我们通过实验验证了该方法的有效性。

关键词：卷积神经网络；局部电力系统；故障检测1.引言电力系统是现代社会基础设施的重要组成部分，对于经济发展和社会稳定具有重要作用。

然而，由于地理环境、设备老化和操作失误等原因，电力系统经常出现故障问题。

故障的发生和传播不仅会导致断电和负荷失调，还会对电力系统的可靠性和稳定性造成严重影响。

因此，准确快速地检测和诊断电力系统的故障是提高电力系统运行效率和可靠性的关键。

近年来，随着机器学习和人工智能的快速发展，卷积神经网络（Convolutional Neural Network，CNN）在图像处理、语音识别和自然语言处理等领域取得了显著的成果。

CNN以其出色的特征提取能力和分类性能而备受瞩目。

在电力系统领域，CNN也被广泛应用于故障检测、负荷预测和异常检测等问题上。

本论文旨在利用卷积神经网络技术进行局部电力系统故障检测。

首先，我们将介绍卷积神经网络的基本结构和原理。

然后，我们将详细介绍局部电力系统故障的分类和特点，并提出相应的故障检测模型。

最后，我们通过实验验证了该方法的有效性。

2.卷积神经网络介绍卷积神经网络是一种基于深度学习的神经网络模型。

它的主要优势在于能够自动学习和提取输入数据的特征，并在多个层次上进行有效的特征表示。

卷积神经网络主要由卷积层、池化层和全连接层组成。

卷积层是卷积神经网络的核心部分。

它通过滑动窗口的方式在输入数据上进行局部感知和特征提取。

卷积层的输出由卷积核进行局部运算得到，这种局部连接的方式使得卷积神经网络具有平移不变性的特点。

基于卷积神经网络的智能故障诊断方法研究一、概述随着工业领域的快速发展，设备故障诊断成为确保生产安全和提升设备性能的关键环节。

传统的故障诊断方法往往依赖于专家经验和复杂的物理模型，但在处理复杂、非线性、高维度的故障数据时，其准确性和效率往往受到限制。

研究一种能够自适应学习故障特征、准确识别故障类型的新型故障诊断方法具有重要的理论意义和实际应用价值。

深度学习技术的快速发展为故障诊断提供了新的解决思路。

卷积神经网络（Convolutional Neural Networks，CNN）以其强大的特征学习和表达能力，在图像处理、语音识别等领域取得了显著成果。

将CNN应用于故障诊断领域，可以自动从原始故障数据中提取有效的特征信息，从而实现对故障类型的准确识别。

本文旨在研究基于卷积神经网络的智能故障诊断方法。

我们将分析CNN的基本原理和结构特点，探讨其在故障诊断领域的适用性。

我们将构建一种基于CNN的故障诊断模型，该模型能够自适应学习故障数据的内在特征，并实现对不同故障类型的准确分类。

我们将通过实验验证所提方法的有效性和优越性，并讨论其在实际应用中的潜力和挑战。

1. 故障诊断的重要性及挑战传统的故障诊断方法多依赖于专家经验和人工分析，这种方法不仅效率低下，而且容易受到人为因素的影响，导致诊断结果的准确性难以保证。

如何快速、准确地识别故障类型、定位故障位置，成为当前故障诊断领域亟待解决的问题。

卷积神经网络（Convolutional Neural Networks，CNN）在图像处理、语音识别等领域取得了显著的成功，其强大的特征提取和分类能力为故障诊断提供了新的思路。

基于卷积神经网络的智能故障诊断方法能够自动学习故障特征，无需依赖专家经验，且能够适应不同设备和场景的故障诊断需求。

将卷积神经网络应用于故障诊断领域仍面临一些挑战。

故障数据的获取和标注是一项艰巨的任务，尤其是在实际工业环境中，故障数据往往难以获取且标注困难。

基于卷积神经网络的电机故障预测与诊断方法研究卷积神经网络（CNN）是一种用于图像分类和识别的深度学习模型，在许多领域都取得了重要的突破。

在电机故障预测与诊断领域，卷积神经网络也具有广泛的应用前景。

本文将探讨基于卷积神经网络的电机故障预测与诊断方法的研究现状、关键技术和挑战，并提出一种基于卷积神经网络的电机故障预测与诊断方法。

首先，我们将介绍电机故障预测与诊断的研究背景和意义。

电机作为现代工业生产中常见的设备，其故障会导致生产中断和重大损失。

因此，研究电机故障预测与诊断方法对于提高生产效率、减少损失具有重要意义。

接下来，我们将阐述基于卷积神经网络的电机故障预测与诊断方法的关键技术。

首先是数据采集与预处理，我们需要获取电机的运行数据，并进行预处理，包括数据清洗、特征提取和特征选择。

然后是卷积神经网络的设计与训练，在设计卷积神经网络的结构时，可以采用多层卷积和池化层，以提取有效的特征。

同时，我们还需要进行合适的训练算法和参数调优，以提高模型的性能。

在实施基于卷积神经网络的电机故障预测与诊断方法时，我们需要建立一个合适的故障预测与诊断模型。

这个模型可以基于历史数据进行训练，然后根据新输入的数据进行预测和诊断。

我们可以利用卷积神经网络的优势，通过学习大量的数据来建立一个准确的预测与诊断模型。

此外，我们还需要考虑一些挑战和限制。

首先是数据不平衡问题，电机故障数据可能存在样本分布不均衡的情况，这会影响模型的性能。

其次是特征选择与提取的问题，如何选择合适的特征集合对模型的性能起着决定性的作用。

最后是模型的可解释性，由于卷积神经网络的复杂性，如何解释模型的预测结果也是一个挑战。

为了验证基于卷积神经网络的电机故障预测与诊断方法的有效性，我们可以采用实际的电机故障数据进行实验。

通过比较基于卷积神经网络的方法与传统方法的性能差异，可以证明其相对优势和可行性。

综上所述，基于卷积神经网络的电机故障预测与诊断方法具有很大的潜力和应用价值。

专利名称：基于卷积神经网络进行物品图像缺陷检测的方法及装置
专利类型：发明专利
发明人：周洪峰
申请号：CN201911075959.0
申请日：20191106
公开号：CN110766689A
公开日：
20200207
专利内容由知识产权出版社提供
摘要：本申请提供基于卷积神经网络进行物品图像缺陷检测的方法及装置，该方法包括：获取物品图像的像素切割成固定尺寸图像，提取所述固定尺寸图像的像素值并转化为图像像素点的数据矩阵；根据所述数据矩阵将所述固定尺寸图像进行灰度归一化、滤波处理、阈值分割处理得到预处理图像数据；根据所述预处理图像数据及其物品图像缺陷类型进行训练，得到物品图像缺陷检测的卷积神经网络；获取待检测物品图像得到待检测物品图像的预测数据，将所述待检测物品图像的预测数据代入所述卷积神经网络得到所述待检测物品图像的缺陷检测结果。

本发明能够实现准确、高效且低成本的物品图像缺陷检测。

申请人：深圳微品致远信息科技有限公司
地址：518000 广东省深圳市前海深港合作区前湾一路1号A栋201室(入驻深圳市前海商务秘书有限公司)
国籍：CN
代理机构：深圳市汇信知识产权代理有限公司
代理人：贾永华
更多信息请下载全文后查看。

基于卷积神经网络的输电设备缺陷识别摘要：本文针对人工缺陷识别的缺点，提出了基于深度学习的输电设备缺陷识别方法，使用卷积神经网络进行图片的特征提取，避免了前期复杂繁琐的图片预处理，与此同时选用了ImageNet作为分类器进行缺陷判断。

该方法经过实验验证，对常见的设备缺陷有较高的识别率，提高了输电线路巡检的自动化水平，降低了人工的劳动强度，便于快速准确的发现输电线路缺陷。

关键词：卷积神经网络；输电设备；缺陷识别一、ImageNet神经网络模型1.1、ImageNet 的总体结构ImageNet 总共有 8 个带参数的层（不包含下采样层和局部响应规范化），前五层是卷积层，剩下的三个是全连接层，其中最后一个是分 n 类的 softmax 层。

ImageNet 整个网络在两片 GPU 上进行训练，第二层、第四层和第五层卷积层的核只卷积驻留在同一个 GPU 上的特征图，第三层卷积层卷积所有GPU上的特征图。

全连接层的单元连接到上一层的所有单元。

响应规范化层接到第一个卷积层、第二个卷积层之后，最大重叠下采样层接到这两个响应规范化层之后以及第五层卷积层之后。

每一个卷积层和全连接层的输出都采用ReLU激活函数。

第一层卷积层卷积224×224×3 的输入图片（RGB 三通道图片），核大小为11×11×3，一共有 96 个核，卷积的时候采用 4 像素步长滑动。

每个 GPU 上存放一半的特征图，即 48 个特征图。

第二层卷积层把第一层输出规范化和下采样之后的 feature map 作为输入，核尺寸为 5×5×48（只卷积同一个 GPU 上的特征图），一共 256个核，每个 GPU 上 128 个。

第三层卷积层用 384 个 3×3×256 的核去卷积第二层输出规范化和下采样之后的特征图，卷积所有 GPU 上的特征图。

第四层卷积层，核尺寸 3×3×192，核个数 384个，也只卷积相同 GPU 上的特征图。

基于卷积神经网络的电力设备识别方法及系统实现电力设备的正常运行是一个电力系统能够长期安全稳定工作的基础,因此对电力设备进行定期巡检就显得十分重要。

以往的巡检方法都存在着各种不同的缺点,造成人力物力上的浪费且效果也有待提升。

近年来随着人工智能技术以及图像处理等技术的逐渐发展与成熟,将其应用到电力设备运行状态的检测中则能很好的弥补了传统方法的不足,该方法具有深远的发展前景。

本文利用卷积神经网络以及计算机视觉等相关知识,提出了一种新的对电力设备运行状态自动检测识别的系统,该系统能自动对电力设备的位置进行检测以及对其运行状态进行判别,同时对指针式仪表进行自动读数。

本文主要的研究内容及工作如下:(1)设计并实现了基于卷积神经网络的电力设备自动检测识别算法。

使用FasterRCNN+ResNet101模型在高性能计算机上完成对电力设备的识别,同时针对计算能力较弱、可携带式的嵌入式设备树莓派设计MobileNet+SSD模型并实现。

并且制作了针对电力设备检测识别的数据集,分别使用两种模型在此数据集上进行训练测试,其中Faster RCNN+ResNet101模型取得了较高的识别准确率,同时在检测速度上也能勉强达到实时性的要求,MobileNet+SSD模型在树莓派上搭配神经网络计算棒的使用在识别准确率上稍有下降,但该模型的检测速度为15fps,完全满足系统实时性的需求。

(2)对电力系统中常用的指针式仪表设计并实现了一种自动读数的算法。

使用图像处理的相关知识,先对指针式仪表图像进行灰度化、直方图均衡化以及图像去噪的预处理,然后对其进行形态学膨胀操作,接着使用Canny算子检测图像的边缘信息,并使用Hough变换在边缘信息中检测出指针所在直线的位置,最后根据指针所在的直线使用角度法对其进行自动读数。

(3)从软硬件两方面设计并实现了基于卷积神经网络的电力设备自动检测识别监控系统。

使用不同的硬件设备搭配相对应的软件算法,以满足系统在不同情况下的使用需求,并且为系统设计了前端界面,集成了系统的各方面功能,以提供更人性化的人机交互过程。

基于卷积神经网络的变电站巡检机器人图像识别杨光;周鹏举;张宋彬;徐鹏【摘要】随着科学技术的发展,人工智能在工作生活中应用的范畴也越来越广泛.在我们所熟知的变电站中,已经逐步出现了智能巡检机器人来代替人工巡视.那么机器人在巡视过程中又是如何识别表记等相关信息的呢?本文将就这一问题展开讨论.文中首先讨论了卷积神经网络的理论基础,以及一些相关的运算,给出了基于卷积神经网络的变电站巡检机器人图像识别模型.【期刊名称】《软件》【年(卷),期】2017(038)012【总页数】3页(P190-192)【关键词】卷积神经网络;图像识别;变电站巡检;智能机器人【作者】杨光;周鹏举;张宋彬;徐鹏【作者单位】国网河南省电力公司郑州供电公司,河南郑州 450000;国网河南省电力公司郑州供电公司,河南郑州 450000;国网河南省电力公司郑州供电公司,河南郑州 450000;国网河南省电力公司郑州供电公司,河南郑州 450000【正文语种】中文【中图分类】TP391.41变电站作为电能传输中重要的一环，其安全管理尤其重要。

传统的变电站巡视需要人工全天候监视，极容易因巡视人员的疲惫导致无法有效的识别变电站的危险情况。

随着自动化程度的不断提高，需要引入无人监视设备，如智能巡检机器人[1-3]，对视频图像进行实时处理分析来提高变电站运行的安全性和可靠性[4-5]。

因此对图像识别技术提出了更高的要求，今年来深度学习在语音、图像识别中取得了丰硕的成果[6-7]，卷积神经网络属于深度学习的一种模型，它具有二维网络形状[8-12]，它在结构上形成一个深度前馈神经网络。

在变电站检测过程中，在变电站运行图形检测当中，由于环境因素、检测手段的原因，采集到的图像有可能分辨率较低，而且变形严重，甚至还有缺块。

因此在变电站的巡检过程中，复杂多变的背景对故障分类判断带来了很大的挑战。

因此，为了能更好的将机器人应用到变电站的巡检中，需要有一个精确、强大、具有深度学习能力的图像分类识别模型，卷积神经网络模型因其具有二维数据处理方式，非常适合应用于图像处理领域。

基于卷积神经网络的电气设备故障诊断研究
唐承娥;朱冬冬;明鑫
【期刊名称】《中阿科技论坛(中英文)》
【年(卷),期】2024()2
【摘要】电气设备在工业生产中具有重要作用。

由于长期运行和环境因素的影响,电气设备难免会出现故障,因此,快速准确地进行电气设备故障诊断尤为重要。

文章
通过总结探讨将卷积神经网络应用于电气设备故障诊断的技术原理、关键操作流程、故障诊断程序及应用难点后认为,可通过优化网络结构、改进数据预处理方法、模
型迁移应用以及与其他故障诊断方法融合,来提高电气设备故障诊断的效率和准确性。

【总页数】5页(P103-107)
【作者】唐承娥;朱冬冬;明鑫
【作者单位】广西职业技术学院智能制造学院
【正文语种】中文
【中图分类】F407.6
【相关文献】
1.基于SSA-SVD降噪和卷积神经网络的行星齿轮箱故障诊断研究
2.基于卷积神经网络的UPS系统逆变器故障诊断研究
3.基于GAF和卷积神经网络的轴承故障诊断研究
4.基于改进卷积神经网络的光通信系统故障诊断研究
5.基于信号特征提取和
卷积神经网络的轴承故障诊断研究
因版权原因，仅展示原文概要，查看原文内容请购买。

基于多层级深度神经网络的电力设备红外图像故障识别
于晓;庄光耀
【期刊名称】《红外》
【年(卷),期】2024(45)3
【摘要】电力设备的故障可能导致电力系统不稳定甚至解列,对电力安全和国民经济造成巨大损失,因此迅速且准确地识别这些故障至关重要。

红外图像特征在捕捉发热故障的电力设备方面表现出良好的特征表达能力。

然而,在图像采集过程中,可能会发生目标重叠、遮挡以及类目标干扰等问题。

因此提出了一种复杂图像故障识别算法。

基于多层级深度神经网络,充分利用多层网络模块的高层次特征提取能力和多级网络模块的特征融合能力,以提高故障识别的准确性。

实验结果表明,该算法在准确率和运行时间等评估指标上优于现有的Faster-RCNN、VGG16、VGG19以及传统Resnet等模型,验证了其在解决图像中目标重叠、遮挡和类目标干扰等问题上的有效性。

【总页数】9页(P40-48)
【作者】于晓;庄光耀
【作者单位】天津理工大学电气工程与自动化学院
【正文语种】中文
【中图分类】TP18
【相关文献】
1.基于电力设备红外图像的故障点快速识别算法
2.基于深度神经网络的电力设备图像识别探究
3.基于轻量化VGG16和BCBAM的电力设备故障红外图像诊断识别
因版权原因，仅展示原文概要，查看原文内容请购买。