【技術實現步驟摘要】
本專利技術屬于電力設備局部放電檢測領域，具體涉及到基于改進卷積神經網絡的環氧樹脂缺陷識別方法。
技術介紹
1、環氧樹脂灌封材料具有優異的力學性能、電絕緣性能以及穩定的化學性能。同時，由于其制備流程簡單、易于成型等特點，已被廣泛應用于電子電路的灌封、器件絕緣和防潮等領域。在環氧樹脂澆注和固化的過程中，即使有真空脫氣這一環節，一定數量具有隔熱作用的氣泡依然不可避免，且隨著填料體積分數的增大，氣體的干擾更明顯。氣泡的存在除了影響美觀，還嚴重影響灌封件的使用可靠性。由于氣體的介電常數低于周圍固體絕緣材料的介電常數，而且氣體的擊穿場強通常要比固體絕緣材料的低，所以在外加電壓作用下氣隙內會首先發生氣體擊穿，但周圍的固體介質仍然保持絕緣性能。這些缺陷中的放電可能發展為樹形放電，最終導致絕緣擊穿。因此，從實際和技術的角度來看，對于環氧樹脂內部缺陷的檢測和識別是非常重要的。
2、盡管已有一些研究關注了環氧樹脂的局部放電現象，但關于不同類型的環氧樹脂缺陷識別方面的研究相對較少。這主要是因為環氧樹脂的缺陷形態多樣，且在材料內部難以直接觀察。機器視覺檢測在環氧樹脂缺陷類型檢測方面的應用具有一系列優點，同時也面臨一些挑戰。機器視覺系統能夠精確地檢測產品，避免人工誤差，提高產品質量。它可以進行微小尺寸的測量，達到千分之一英寸的精度。然而，對于一些特定類型的缺陷，如微小的氣泡或表面下的缺陷，機器視覺系統可能難以檢測。此外，現有的圖像處理和模式識別算法可能無法滿足所有類型的缺陷檢測需求，特別是在缺陷特征不明顯或背景復雜的情況下。隨著人工智能技術的發
3、基于上述分析，本文提出了基于改進卷積神經網絡的環氧樹脂缺陷識別方法，以不同缺陷局部放電三維時頻圖作為數據輸入同時在cnn中插入注意力機制結構塊，有效的提高算法對時頻圖中高頻斑塊及不同放電故障類型獨有的時頻譜特征的關注度，使得模型可以更加關注于圖像中的關鍵特征，提高模型對新數據的泛化能力。該方法通過精確識別環氧樹脂中的微小缺陷，可以及時采取措施，避免潛在的局部放電和絕緣失效，從而顯著提高電力系統的可靠性和安全性，對于預防設備故障、確保電網的穩定運行至關重要。
技術實現思路
1、鑒于上述現有技術中存在的問題，提出了本專利技術。
2、為解決上述技術問題，本專利技術提供如下技術方案，基于改進卷積神經網絡的環氧樹脂缺陷識別方法，包括：對環氧樹脂缺陷試樣做局部放電試驗，采集局部放電信號，對局部放電信號做一級變換得到局部放電信號三維時頻特征圖，采用第一算法對時頻特征圖進行識別，實現環氧樹脂缺陷類型的識別。
3、作為本專利技術所述的基于改進卷積神經網絡的環氧樹脂缺陷識別方法的一種優選方案，其中：所述對環氧樹脂缺陷試樣做局部放電試驗包括，
4、局部放電試驗在重頻單極性方波激勵下進行。
5、作為本專利技術所述的基于改進卷積神經網絡的環氧樹脂缺陷識別方法的一種優選方案，其中：所述采集局部放電信號包括，使用特高頻天線采集局部放電信號。
6、作為本專利技術所述的基于改進卷積神經網絡的環氧樹脂缺陷識別方法的一種優選方案，其中：所述得到局部放電信號三維時頻特征圖包括，采用相關軟件的函數繪制局部放電三維時頻特征圖。
7、作為本專利技術所述的基于改進卷積神經網絡的環氧樹脂缺陷識別方法的一種優選方案，其中：所述對局部放電信號做一級變換包括，采用相關軟件中的函數對局部放電信號進行一級變換。
8、作為本專利技術所述的基于改進卷積神經網絡的環氧樹脂缺陷識別方法的一種優選方案，其中：所述局部放電試驗在重頻單極性方波激勵下進行包括，重頻單極性方波激勵的上升和下降時間為1μs，頻率為500hz，占空比為50％。
9、作為本專利技術所述的基于改進卷積神經網絡的環氧樹脂缺陷識別方法的一種優選方案，其中：所述特高頻天線范圍為50khz～6.5ghz。
10、作為本專利技術所述的基于改進卷積神經網絡的環氧樹脂缺陷識別系統的一種優選方案，其中：包括，局部放電采集模塊、時頻特征生成模塊、缺陷類型識別模塊。
11、一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現基于改進卷積神經網絡的環氧樹脂缺陷識別方法中任一項所述的方法的步驟。
12、一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現基于改進卷積神經網絡的環氧樹脂缺陷識別方法中任一項所述的方法的步驟。
13、本專利技術的有益效果：(1)本專利技術采用重頻方波激勵進行局部放電試驗，重頻方波激勵結合了工頻交流激勵和沖擊激勵的優點，可以更好的激發缺陷產生放電，有助于采集更多缺陷局部放電關鍵特征。此外，通過使用scalogram和pcolor等matlab函數可以將原始放電數據繪制成三維時頻圖。以三維時頻圖作為cnn的數據輸入具有很多優勢，圖片包含了豐富的視覺信息，如顏色、紋理、形狀等，這些信息對于圖像識別和分類任務至關重要。此外，cnn能夠自動從圖片中提取特征，無需手動設計特征提取算法，簡化了圖像處理流程。
14、(2)本專利技術在cnn中插入注意力機制結構塊，有效的提高算法對時頻圖中高頻斑塊及不同放電故障類型獨有的時頻譜特征的關注度，使得模型可以更加關注于圖像中的關鍵特征，提高模型對新數據的泛化能力，進而提高模型對環氧樹脂缺陷類型識別的準確度。
本文檔來自技高網...【技術保護點】
1.基于改進卷積神經網絡的環氧樹脂缺陷識別方法，其特征在于：包括，
2.如權利要求1所述的基于改進卷積神經網絡的環氧樹脂缺陷識別方法，其特征在于：所述對環氧樹脂缺陷試樣做局部放電試驗包括，
3.如權利要求2所述的基于改進卷積神經網絡的環氧樹脂缺陷識別方法，其特征在于：所述采集局部放電信號包括，使用特高頻天線采集局部放電信號。
4.如權利要求3所述的基于改進卷積神經網絡的環氧樹脂缺陷識別方法，其特征在于：所述得到局部放電信號三維時頻特征圖包括，采用相關軟件的函數繪制局部放電三維時頻特征圖。
5.如權利要求4所述的基于改進卷積神經網絡的環氧樹脂缺陷識別方法，其特征在于：所述對局部放電信號做一級變換包括，采用相關軟件中的函數對局部放電信號進行一級變換。
6.如權利要求5所述的基于改進卷積神經網絡的環氧樹脂缺陷識別方法，其特征在于：所述局部放電試驗在重頻單極性方波激勵下進行包括，重頻單極性方波激勵的上升和下降時間為1μs，頻率為500Hz，占空比為50％。
7.如權利要求6所述的基于改進卷積神經網絡的環氧樹脂缺陷識別
8.一種基于權利要求1-7任一所述的基于改進卷積神經網絡的環氧樹脂缺陷識別方法的系統，其特征在于：包括，局部放電采集模塊、時頻特征生成模塊、缺陷類型識別模塊。
9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至7中任一項所述的方法的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7中任一項所述的方法的步驟。
...【技術特征摘要】
1.基于改進卷積神經網絡的環氧樹脂缺陷識別方法，其特征在于：包括，
2.如權利要求1所述的基于改進卷積神經網絡的環氧樹脂缺陷識別方法，其特征在于：所述對環氧樹脂缺陷試樣做局部放電試驗包括，
3.如權利要求2所述的基于改進卷積神經網絡的環氧樹脂缺陷識別方法，其特征在于：所述采集局部放電信號包括，使用特高頻天線采集局部放電信號。
4.如權利要求3所述的基于改進卷積神經網絡的環氧樹脂缺陷識別方法，其特征在于：所述得到局部放電信號三維時頻特征圖包括，采用相關軟件的函數繪制局部放電三維時頻特征圖。
5.如權利要求4所述的基于改進卷積神經網絡的環氧樹脂缺陷識別方法，其特征在于：所述對局部放電信號做一級變換包括，采用相關軟件中的函數對局部放電信號進行一級變換。
6.如權利要求5所述的基于改進卷積神經網絡的環氧樹脂缺陷識...
【專利技術屬性】
技術研發人員：黃軍凱，李波，謝珂，郝越峰，呂黔蘇，任明，楊濤，袁嫻枚，肖書舟，趙超，
申請(專利權)人：貴州電網有限責任公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。