详情

原文传递基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法

专利名称：	基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法
摘要：	本发明提供一种基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法，包括：1)划分变压器内部区域，将故障区域及正常状态作为深度卷积神经网络的标签；2)通过格子玻尔兹曼方法仿真，随机获取大量正常与各种故障状态模式下油浸式变压器内部温度场分布图像，将其故障区域作为标签，形成底层训练样本集；3)获取红外热像仪或温度传感器的历史监测信息，并将其相应的故障诊断结果按照步骤1)的划分方式形成标签；4)将步骤3)中各样本所包含的所有监测信息组合成一张图像，然后将步骤2)获得的样本提取同样监测信息形成新图像；5)将步骤4)获取的图像样本进行图像分割，然后输入卷积神经网络中进行训练，获取故障诊断结果。
专利类型：	发明专利
国家地区组织代码：	湖北;42
申请人：	武汉大学
发明人：	何怡刚;段嘉珺;何鎏璐
专利状态：	有效
申请日期：	2019-07-15T00:00:00+0800
发布日期：	2019-11-08T00:00:00+0800
申请号：	CN201910637123.9
公开号：	CN110426415A
代理机构：	湖北武汉永嘉专利代理有限公司
代理人：	许美红
分类号：	G01N25/72(2006.01);G;G01;G01N;G01N25
申请人地址：	430072 湖北省武汉市武昌区八一路299号
主权项：	1.一种基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法，其特征在于，包括以下步骤： 1)划分变压器内部区域，将故障区域及正常状态作为深度卷积神经网络的标签； 2)通过格子玻尔兹曼方法仿真，随机获取大量正常与各种故障状态模式下油浸式变压器内部温度场分布的特征图像，将其故障区域作为标签，形成底层训练样本集； 3)获取红外热像仪或温度传感器的历史监测信息，并将其相应的故障诊断结果按照步骤1)的划分方式形成标签； 4)将步骤3)中各样本所包含的所有监测信息组合成一张图像，然后将步骤2)获得的底层训练样本集中的样本提取同样监测信息形成新图像； 5)将步骤4)获取的图像样本进行图像分割，然后将分割后的图像输入深度卷积神经网络中进行训练，生成训练好的故障诊断网络； 6)将待诊断监测信息按照同样方式合成新图像，并输入训练好的故障诊断网络获取诊断结果。 2.根据权利要求1所述的基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法，其特征在于，步骤1)中的变压器内部区域划分和标签设置方法为：根据实际监测需要将变压器内部区域划分为若干部分，然后直接根据故障区域分配标签，若存在多种故障类型，则将故障类型与故障区域的组合作为不同标签。 3.根据权利要求1所述的基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法，其特征在于，步骤2)中基于格子玻尔兹曼方法的多种故障状态下油浸式变压器内部温度场仿真时，将故障位置的边界条件修改为反弹边界，其故障区域的大小取长和宽为小于10的随机值；收敛标准通过计算每步的温度增量来定义，直到它小于预定义的阈值ε：其中T表示温度，x表示变压器内任意一点的坐标，t表示迭代步骤或仿真时间。 4.根据权利要求1所述的基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法，其特征在于，步骤3)中将监测信息减去正常状态的数据集，并进行合并，获得温度场分布的特征图像。 5.根据权利要求1所述的基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法，其特征在于，步骤4)中将红外热像仪或温度传感器监测信息组合成图像的方法为：首先将所有监测信息统一为特定取值范围的颜色图，然后将同一样本的所有信息合并，组成一张图。 6.根据权利要求1所述的基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法，其特征在于，步骤5)中的图像分割方法使用LBM来求解对流-扩散方程，粒子密度设置为φ，称为符号距离函数，表示初始轮廓内外像素点之间的距离；由于各晶格中的粒子数不能为负，将其修改为上标“'”表示更新后的值；则分割后的轮廓为满足φ'＝-min(φ)的像素点，其计算步骤如下： ①初始化符号距离函数φ，令φ'＝φ-min(φ)；扩散系数取γ＝15，则松弛时间τ＝(9*γ+2)/4；fout表示fin下一时刻的粒子分布，feq则为平衡粒子分布，初始化fout＝fin＝feq＝0； ②记第k个类型的质心为vk，初始化vk＝0。一般k＝1或2，即总类型数c＝2(包括轮廓和非轮廓区域)； ③假设图像共有N个像素，i＝1，2，…，N，定义分块矩阵U＝{uki}，它的每个元素uki表示第i个像素属于第k种类型的隶属度。U是原始图像值X和观测图像值Y的函数，写为矩阵形式为p是模糊度指数，一般取常数p＝2；记轮廓线图像Y＝{yi}，它是表征原始图像的距离函数J取灰度后的非线性变化。则有：其中vk表示第k种类型的质心，令初始的偏置场图像为B＝{βi}，它同样是X和Y的函数，则：其中l是用于遍历c的变量，Ω为求解区域。 ④计算模糊外力F： ⑤计算格子玻尔兹曼LBM对流碰撞过程：其中feq为各次迭代的水平集方程φ'与LBM晶格常数的乘积； ⑥更新fin'＝fout，φ'＝φ'+fin'，返回第③步，直到满足要求的迭代次数。 7.根据权利要求1所述的基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法，其特征在于，步骤5)中进行故障诊断的卷积神经网络为根据监测需要考虑网络深度、网络大小、网络层数、参数数量，并通过验证获取故障诊断的准确率、仿真时间、损耗函数，使用合适的卷积神经网络，将标签数量修改为网络的输出总数，进行训练验证和故障诊断。 8.一种基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断系统，其特征在于，包括：区域划分模块，用于划分变压器内部区域，将故障区域及正常状态作为深度卷积神经网络的标签；仿真模块，用于通过格子玻尔兹曼方法仿真，随机获取大量正常与各种故障状态模式下油浸式变压器内部温度场分布的特征图像，将其故障区域作为标签，形成底层训练样本集；历史监测信息获取模块，用于获取红外热像仪或温度传感器的历史监测信息，并将其相应的故障诊断结果按照区域划分模块的划分方式形成标签；图像组合模块，用于将历史监测信息获取模块中各样本所包含的所有监测信息组合成一张图像，然后将仿真模块获得的底层训练样本集中的样本提取同样监测信息形成新图像；图像分割模块，用于将图像组合模块获取的图像样本进行图像分割；故障诊断网络生成模块，用于将分割后的图像输入深度卷积神经网络中进行训练，生成训练好的故障诊断网络；故障诊断模块，用于将待诊断监测信息按照同样方式合成新图像，并输入训练好的故障诊断网络获取诊断结果。 9.一种计算机存储介质，其特征在于，该计算机存储介质中存储有可被处理器执行的计算机程序，该计算机程序执行权利要求1-7中任一项所述的方法步骤。
所属类别：	发明专利