基于人工智能的水電站電氣設備故障檢測方法

陸任聰

廣西電力職業技術學院 廣西 南寧 530007

1 問題提出

2020年國家工信部報告,國家繼續深入推進供給側改革,從提高工業供給質量出發,用改革的辦法推進結構調整,矯正要素配置扭曲,從根本上提高質量增加效益[1]。為了應對國家號召,國內工業制造業面臨著巨大挑戰,也逐漸開始從生產過程當中檢驗產品的質量問題,提升產品的整體質量,為企業在市場上具有更高的競爭力而推進改革。目前國內大多數企業在水電站設備故障檢測方式還停留在人工檢測階段,雖然該方法實施性較好,技術門檻低,但仍舊存在效率低下、存在一定的主觀性、檢測準確率低、長期成本高和環境適應性差的問題[2]。

近年來,隨著工業智能化的發展,機器視覺的技術逐漸在工業制造業中有了一定的應用基礎,一些通過專家手工設計的特征與機器視覺技術相結合逐漸成為了工業產品質量檢測的主要手段,我們將其稱為傳統的機器故障檢測,其主要依賴人為設計的特征,利用閾值分割、邊緣檢測和各種濾波器等進行故障檢測,速度快且實現簡單。文獻[3]基于HALCON的點膠質量檢測系統設計,檢測準確率達93.6%；何[4]等人提出了一種基于Otsu方法生成梯度,然后根據方差分布來確定故障類型的算法。本文提出的基于生成式對抗網絡(GAN)的一種設備電氣故障檢測算法具有更高的檢測精度以及更好的模型泛化性。

2 方法

2.1 訓練

圖1 水電站故障檢測算法模型的構建與訓練流程

為了訓練設備故障檢測模型,我們對數據集故障檢測數據集進行了預處理。但是由于已標注的數據集檢測數據較少,直接用于故障檢測模型難以獲得具有泛化性的訓練結果,特別是特征提取部分的卷積層需要充分訓練,才能從樣本提取出具有鑒別性的特征.為此,本文采用遷移學習的方法訓練卷積神經網絡,Yosinski等論證在遷移學習中特征遷移的有效性.在遷移學習中,將本文標注的樣本集作為目標域,將ImageNet分類數據集作為源域,使用微調的方式遷移學習通過分類網絡訓練的模型。本文的遷移學習分為兩部分：分類網絡訓練；將分類網絡的知識遷移到檢測模型,在此基礎上進行故障檢測模型的訓練.對于分類網絡部分,首先根據故障檢測模型結構建立分類網絡結構。

建立分類網絡后,使用ImageNet數據集進行訓練。訓練完分類網絡后,可將分類網絡訓練的知識 遷移到水電站故障檢測模型特征提取部分,遷移過程,使用ImageNet數據集訓練完分類網絡后,卷積核的權值經過充分訓練,能提取泛化特征,這些卷積核就可作為分類網絡學習到的知識.將這些知識轉移到故障檢測模型結構的特征提取部分,設置特征提取部分的學習率為0,鎖定特征提取部分的卷積核.回歸預測部分的卷積核通過隨機初始化的方式賦值,然后使用樣本集訓練回歸預測部分的卷積核。其具體訓練過程如下所示：

Step1：構建分類網絡,確定分類網絡結構。

Step2：使用Imagenet數據集對分類網絡進行訓練,得到訓練完畢的分類網絡模型。

Step3：應用遷移學習的原理將分類網絡參數遷移到檢測網絡,將特征提取網絡部分學習率設置為0,即固定學習率。

Step4：使用 數據集訓練檢測網絡即回歸預測部分的卷積核參數。

2.2 檢測 在本節中使用候選邊界框的選定算法選擇了9個簇和3個尺度然后在尺度上均勻地劃分簇。檢測總體流程如下：

Step1：歸一化固定大小

Step2：將數據集樣本劃分為S×S個網格,使用k-means聚類算法來計算6個Anchor,使用網絡模型預測目標邊框,預測目標所屬類別,類別置信度評分

Step3：判斷是否大于設定閾值,若大于設定閾值則使用NMS(非極大值抑制,)小于則舍棄該目標邊框

輸出：預測目標邊框及目標類別

3 結論

目前水電站電氣設備故障檢測取較為困難,需要專業的專家設備去費時費力的檢測,工作量大,并且目前現存的普通的電氣故障檢測方法在應用到水電站設備是還存在著以下效率低下,準確率不足以應用的缺點。針對上述問題,本文基于條件式生成對抗網絡以及卷積神經網絡,提出了一種新的基于人工智能的檢測方案,并且優化了目前現存的水電站故障檢測方法,提出了一種新的基于條件式生成對抗網絡的水電站設備故障檢測方法。