-
公开(公告)号：CN112885372B
公开(公告)日：2022-08-09
申请号：CN202110053647.0
申请日：2021-01-15
Applicant: 国网山东省电力公司威海供电公司 , 上海交通大学
Inventor： 江丽 , 徐明月 , 马全江 , 赵晓楠 , 肖驰 , 张卫东 , 李喆 , 于文牮 , 刘腾 , 辛昂倍 , 刘震 , 蔡英明 , 刘嘉 , 姚晓林 , 丛龙琦 , 程波涛 , 王嫚嫚 , 张启红
Abstract: 本发明提供了一种基于MFCC和注意力机制的电力设备故障声音智能诊断方法及系统，首先建立电力设备故障音频样本数据库；然后对音频样本进行预处理操作；接着从预处理后得到的每一帧信号提取梅尔倒谱系数作为该帧信号的特征向量；再以相邻多帧信号为一组样本，利用注意力机制优化形成该样本的新特征向量；最后将上述优化后的特征向量输入到音频识别模型进行判决，该音频识别模型能够识别出各种类型的电力设备故障声音。同时提供了一种终端及介质。本发明可以有效解决在梅尔倒谱系数对电力设备声音适应性的问题，并且在对电力设备故障声音识别时，本方法可以取得更好的识别效果。
-
公开(公告)号：CN111860241A
公开(公告)日：2020-10-30
申请号：CN202010647020.3
申请日：2020-07-07
Applicant: 国网山东省电力公司威海供电公司 , 上海交通大学
Abstract: 本发明属于电力设备故障识别的技术领域，公开了一种基于小波包分析的电力设备放电故障识别方法，采集待识别电力设备的声音样本，对所述声音样本进行预处理，通过小波包分析方法对预处理后的声音样本进行特征向量提取，最后，利用机器学习，对待识别电力设备的放电故障进行识别。通过小波包分析方法对声音样本进行特征向量提取，克服了常用的梅尔特征向量高频分辨率低的特点，有很好的识别性能，再结合机器学习，完成对放电故障的识别，实现利用这种非接触的方式来进行故障的监测与识别。
-
公开(公告)号：CN113160170A
公开(公告)日：2021-07-23
申请号：CN202110420236.0
申请日：2021-04-19
Applicant: 国网山东省电力公司威海供电公司 , 上海交通大学
Inventor： 蔡英明 , 李曜丞 , 洪福 , 曲进 , 阳敏 , 姚朋飞 , 郑晓东 , 吴合龙 , 耿博 , 于文牮 , 张晓军 , 辛昂倍 , 王明军 , 宋玉涛 , 郑鹏飞 , 孔亮 , 潘波 , 金晓鹏 , 于明总 , 王岩 , 刁超健 , 宋雯雯 , 李强 , 张瀚文 , 李喆
Abstract: 本发明提供了一种电力巡检销钉级故障识别检测方法、系统、介质及设备，包括：步骤1：通过电力巡检无人机摄像设备实时获取输电线路本体图片；步骤2：在机载边缘计算装置上通过螺栓定位神经网络模型检测获取的图片中的螺栓，得到螺栓位置信息；步骤3：在机载边缘计算装置上使用销钉状态辨识神经网络模型对螺栓的状态信息进行判别；步骤4：根据螺栓的位置信息和状态信息进行故障识别检测并进行记录。本发明将人工智能运用在图像目标检测上，减轻了工作人员的负担，同时具有实时性和准确性。
-
公开(公告)号：CN112885372A
公开(公告)日：2021-06-01
申请号：CN202110053647.0
申请日：2021-01-15
Applicant: 国网山东省电力公司威海供电公司 , 上海交通大学
Inventor： 江丽 , 徐明月 , 马全江 , 赵晓楠 , 肖弛 , 张卫东 , 李喆 , 于文牮 , 刘腾 , 辛昂倍 , 刘震 , 蔡英明 , 刘嘉 , 姚晓林 , 丛龙琦 , 程波涛 , 王嫚嫚 , 张启红
Abstract: 本发明提供了一种基于MFCC和注意力机制的电力设备故障声音智能诊断方法及系统，首先建立电力设备故障音频样本数据库；然后对音频样本进行预处理操作；接着从预处理后得到的每一帧信号提取梅尔倒谱系数作为该帧信号的特征向量；再以相邻多帧信号为一组样本，利用注意力机制优化形成该样本的新特征向量；最后将上述优化后的特征向量输入到音频识别模型进行判决，该音频识别模型能够识别出各种类型的电力设备故障声音。同时提供了一种终端及介质。本发明可以有效解决在梅尔倒谱系数对电力设备声音适应性的问题，并且在对电力设备故障声音识别时，本方法可以取得更好的识别效果。
-
公开(公告)号：CN113159166A
公开(公告)日：2021-07-23
申请号：CN202110420233.7
申请日：2021-04-19
Applicant: 国网山东省电力公司威海供电公司 , 上海交通大学
Inventor： 肖驰 , 刘闽 , 张卫东 , 洪福 , 蔡英明 , 江丽 , 辛昂倍 , 于文牮 , 程湘东 , 刘腾 , 刘振 , 郑晓东 , 王明军 , 宋玉涛 , 郑鹏飞 , 孔亮 , 潘波 , 金晓鹏 , 于明总 , 王岩 , 刁超健 , 宋雯雯 , 刘为彬 , 李杰 , 郝杰 , 李喆
Abstract: 本发明提供了一种基于边缘计算的嵌入式图像识别检测方法、系统、介质及设备，包括：步骤1：通过摄像装置采集电力巡检图片；步骤2：训练目标检测模型YOLOv5和RepVGG，并移植到嵌入式边缘设备中；步骤3：通过深度学习框架TensorRT对目标检测模型进行层间融合、张量融合、模型剪枝和权值量化，生成推理引擎；步骤4：通过推理引擎对采集到的图片进行识别检测，并将检测结果传入服务器，作为新的样本调整目标检测模型。本发明对模型进行压缩、剪枝、量化，通过自动化的方式简化了操作，加速了推理的过程，提高了检测的实时性。
-
Patent Agency Ranking
公开(公告)号：CN110334865B
公开(公告)日：2023-04-18
申请号：CN201910602682.6
申请日：2019-07-05
Applicant: 上海交通大学 , 上海交通大学烟台信息技术研究院
IPC: G06Q10/04 , G06Q10/0635 , G06Q10/20 , G06Q50/06 , G06F18/243 , G06F18/2415 , G06F18/214 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于卷积神经网络的电力设备故障率预测方法，其包括训练步骤和预测步骤，其中，训练步骤包括：(1)收集电力设备的案例PRPS图谱；(2)对收集的案例PRPS图谱数据进行预处理；(3)构建第一卷积神经网络模块，并对第一卷积神经网络模块进行训练，以使其输出为案例PRPS图谱数据对应的缺陷类型；(4)基于缺陷类型构建各个缺陷类型的数据集；(5)对应各个缺陷类型分别构建各自的故障二分类子模块，其中每一个故障二分类子模块均基于第二卷积神经网络模块而构建；训练第二卷积神经网络，以使各故障二分类子模块基于案例PRPS图谱数据所得到发生故障的概率值，而输出电力设备是否发生故障的判断。
-
公开(公告)号：CN110516551B
公开(公告)日：2023-04-07
申请号：CN201910686677.8
申请日：2019-07-29
Applicant: 上海交通大学烟台信息技术研究院 , 上海交通大学
IPC: G06V20/17 , G06V10/25 , G06V10/774 , G05D1/12
Abstract: 本发明提供了一种基于视觉的巡线位置偏移识别系统，包括：特征提取网络、电力线识别模块、电力塔架及部件识别模块；各个部分相互配合，在无人机巡线时实时执行当前位置识别，并在无人机偏离巡线目标时发出信号。特征提取网络负责提取图像的各级特征，用于后续的识别工作。电力线识别模块在训练时仅需类别标签，大大降低了样本标注的工作量。电力塔架及部件识别模块基于目标检测算法，在电力线识别模块识别到电力线形状变化时开始识别此处的部件类型，根据识别框的大小及位置确定无人机当前位置是否偏移。同时提供了一种识别方法和无人机。本发明实现了对巡线无人机的位置识别，并在位置偏移时发出信号，可用于辅助操控或无人机自动巡线等工作。
-
公开(公告)号：CN110334948A
公开(公告)日：2019-10-15
申请号：CN201910602681.1
申请日：2019-07-05
Applicant: 上海交通大学 , 上海交通大学烟台信息技术研究院
Abstract: 本发明公开了一种基于特征量预测的电力设备局部放电严重程度评估方法，其包括训练步骤和评估步骤，其中：训练步骤包括：(1)收集电力设备的案例PRPS图谱数据；(2)对收集的案例PRPS图谱数据进行预处理；(3)采用自编码器提取的案例PRPS图谱数据的局部放电特征向量；(4)构建门控循环单元模块，输入局部放电特征向量以对其进行训练，以使其输出预测局部放电特征向量；(5)构建基于卷积神经网络的故障二分类模块，采用预测局部放电特征向量作为输入以对其进行训练，以使其基于预测局部放电特征向量所表征的故障概率值而输出该预测局部放电特征向量是否表征电力设备故障的判断。
-
公开(公告)号：CN110334865A
公开(公告)日：2019-10-15
申请号：CN201910602682.6
申请日：2019-07-05
Applicant: 上海交通大学 , 上海交通大学烟台信息技术研究院
Abstract: 本发明公开了一种基于卷积神经网络的电力设备故障率预测方法，其包括训练步骤和预测步骤，其中，训练步骤包括：(1)收集电力设备的案例PRPS图谱；(2)对收集的案例PRPS图谱数据进行预处理；(3)构建第一卷积神经网络模块，并对第一卷积神经网络模块进行训练，以使其输出为案例PRPS图谱数据对应的缺陷类型；(4)基于缺陷类型构建各个缺陷类型的数据集；(5)对应各个缺陷类型分别构建各自的故障二分类子模块，其中每一个故障二分类子模块均基于第二卷积神经网络模块而构建；训练第二卷积神经网络，以使各故障二分类子模块基于案例PRPS图谱数据所得到发生故障的概率值，而输出电力设备是否发生故障的判断。
-
公开(公告)号：CN110334612A
公开(公告)日：2019-10-15
申请号：CN201910529984.5
申请日：2019-06-19
Applicant: 上海交通大学 , 上海交通大学烟台信息技术研究院
Abstract: 本发明涉及具有自学习能力的电力巡检图像目标检测方法，包括：将含有目标对象的图片样本、目标对象位置标注文件送入Context CNN，训练Context模型；基于Context模型对输入的背景图片、扩充的目标对象图片进行图像融合处理得到扩充的图片样本及目标对象位置标注文件；基于送入Faster R-CNN的图片样本、位置标注文件训练目标检测模型1、目标检测模型2；Faster R-CNN基于目标检测模型1、和/或目标检测模型2输出采集的图片样本中是、否含有目标对象的检测结果。有益效果是克服电力行业应用图像识别技术存在的训练数据集不足的情况，在使用过程中自动提升识别性能。
-
-
-
-
-
-
-
-
-
Search Results
86
records
(took 0.074 seconds)
