基于人工智能的水电站电气设备故障检测方法

陆任聪

广西电力职业技术学院 广西 南宁 530007

1 问题提出

2020年国家工信部报告,国家继续深入推进供给侧改革,从提高工业供给质量出发,用改革的办法推进结构调整,矫正要素配置扭曲,从根本上提高质量增加效益[1]。为了应对国家号召,国内工业制造业面临着巨大挑战,也逐渐开始从生产过程当中检验产品的质量问题,提升产品的整体质量,为企业在市场上具有更高的竞争力而推进改革。目前国内大多数企业在水电站设备故障检测方式还停留在人工检测阶段,虽然该方法实施性较好,技术门槛低,但仍旧存在效率低下、存在一定的主观性、检测准确率低、长期成本高和环境适应性差的问题[2]。

近年来,随着工业智能化的发展,机器视觉的技术逐渐在工业制造业中有了一定的应用基础,一些通过专家手工设计的特征与机器视觉技术相结合逐渐成为了工业产品质量检测的主要手段,我们将其称为传统的机器故障检测,其主要依赖人为设计的特征,利用阈值分割、边缘检测和各种滤波器等进行故障检测,速度快且实现简单。文献[3]基于HALCON的点胶质量检测系统设计,检测准确率达93.6%；何[4]等人提出了一种基于Otsu方法生成梯度,然后根据方差分布来确定故障类型的算法。本文提出的基于生成式对抗网络(GAN)的一种设备电气故障检测算法具有更高的检测精度以及更好的模型泛化性。

2 方法

2.1 训练

图1 水电站故障检测算法模型的构建与训练流程

为了训练设备故障检测模型,我们对数据集故障检测数据集进行了预处理。但是由于已标注的数据集检测数据较少,直接用于故障检测模型难以获得具有泛化性的训练结果,特别是特征提取部分的卷积层需要充分训练,才能从样本提取出具有鉴别性的特征.为此,本文采用迁移学习的方法训练卷积神经网络,Yosinski等论证在迁移学习中特征迁移的有效性.在迁移学习中,将本文标注的样本集作为目标域,将ImageNet分类数据集作为源域,使用微调的方式迁移学习通过分类网络训练的模型。本文的迁移学习分为两部分：分类网络训练；将分类网络的知识迁移到检测模型,在此基础上进行故障检测模型的训练.对于分类网络部分,首先根据故障检测模型结构建立分类网络结构。

建立分类网络后,使用ImageNet数据集进行训练。训练完分类网络后,可将分类网络训练的知识 迁移到水电站故障检测模型特征提取部分,迁移过程,使用ImageNet数据集训练完分类网络后,卷积核的权值经过充分训练,能提取泛化特征,这些卷积核就可作为分类网络学习到的知识.将这些知识转移到故障检测模型结构的特征提取部分,设置特征提取部分的学习率为0,锁定特征提取部分的卷积核.回归预测部分的卷积核通过随机初始化的方式赋值,然后使用样本集训练回归预测部分的卷积核。其具体训练过程如下所示：

Step1：构建分类网络,确定分类网络结构。

Step2：使用Imagenet数据集对分类网络进行训练,得到训练完毕的分类网络模型。

Step3：应用迁移学习的原理将分类网络参数迁移到检测网络,将特征提取网络部分学习率设置为0,即固定学习率。

Step4：使用 数据集训练检测网络即回归预测部分的卷积核参数。

2.2 检测 在本节中使用候选边界框的选定算法选择了9个簇和3个尺度然后在尺度上均匀地划分簇。检测总体流程如下：

Step1：归一化固定大小

Step2：将数据集样本划分为S×S个网格,使用k-means聚类算法来计算6个Anchor,使用网络模型预测目标边框,预测目标所属类别,类别置信度评分

Step3：判断是否大于设定阈值,若大于设定阈值则使用NMS(非极大值抑制,)小于则舍弃该目标边框

输出：预测目标边框及目标类别

3 结论

目前水电站电气设备故障检测取较为困难,需要专业的专家设备去费时费力的检测,工作量大,并且目前现存的普通的电气故障检测方法在应用到水电站设备是还存在着以下效率低下,准确率不足以应用的缺点。针对上述问题,本文基于条件式生成对抗网络以及卷积神经网络,提出了一种新的基于人工智能的检测方案,并且优化了目前现存的水电站故障检测方法,提出了一种新的基于条件式生成对抗网络的水电站设备故障检测方法。