基于人工智能的水電站電氣設(shè)備故障檢測(cè)方法

陸任聰

廣西電力職業(yè)技術(shù)學(xué)院 廣西 南寧 530007

1 問題提出

2020年國(guó)家工信部報(bào)告,國(guó)家繼續(xù)深入推進(jìn)供給側(cè)改革,從提高工業(yè)供給質(zhì)量出發(fā),用改革的辦法推進(jìn)結(jié)構(gòu)調(diào)整,矯正要素配置扭曲,從根本上提高質(zhì)量增加效益[1]。為了應(yīng)對(duì)國(guó)家號(hào)召,國(guó)內(nèi)工業(yè)制造業(yè)面臨著巨大挑戰(zhàn),也逐漸開始從生產(chǎn)過程當(dāng)中檢驗(yàn)產(chǎn)品的質(zhì)量問題,提升產(chǎn)品的整體質(zhì)量,為企業(yè)在市場(chǎng)上具有更高的競(jìng)爭(zhēng)力而推進(jìn)改革。目前國(guó)內(nèi)大多數(shù)企業(yè)在水電站設(shè)備故障檢測(cè)方式還停留在人工檢測(cè)階段,雖然該方法實(shí)施性較好,技術(shù)門檻低,但仍舊存在效率低下、存在一定的主觀性、檢測(cè)準(zhǔn)確率低、長(zhǎng)期成本高和環(huán)境適應(yīng)性差的問題[2]。

近年來,隨著工業(yè)智能化的發(fā)展,機(jī)器視覺的技術(shù)逐漸在工業(yè)制造業(yè)中有了一定的應(yīng)用基礎(chǔ),一些通過專家手工設(shè)計(jì)的特征與機(jī)器視覺技術(shù)相結(jié)合逐漸成為了工業(yè)產(chǎn)品質(zhì)量檢測(cè)的主要手段,我們將其稱為傳統(tǒng)的機(jī)器故障檢測(cè),其主要依賴人為設(shè)計(jì)的特征,利用閾值分割、邊緣檢測(cè)和各種濾波器等進(jìn)行故障檢測(cè),速度快且實(shí)現(xiàn)簡(jiǎn)單。文獻(xiàn)[3]基于HALCON的點(diǎn)膠質(zhì)量檢測(cè)系統(tǒng)設(shè)計(jì),檢測(cè)準(zhǔn)確率達(dá)93.6%；何[4]等人提出了一種基于Otsu方法生成梯度,然后根據(jù)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(duì)抗網(wǎng)絡(luò)(GAN)的一種設(shè)備電氣故障檢測(cè)算法具有更高的檢測(cè)精度以及更好的模型泛化性。

2 方法

2.1 訓(xùn)練

圖1 水電站故障檢測(cè)算法模型的構(gòu)建與訓(xùn)練流程

為了訓(xùn)練設(shè)備故障檢測(cè)模型,我們對(duì)數(shù)據(jù)集故障檢測(cè)數(shù)據(jù)集進(jìn)行了預(yù)處理。但是由于已標(biāo)注的數(shù)據(jù)集檢測(cè)數(shù)據(jù)較少,直接用于故障檢測(cè)模型難以獲得具有泛化性的訓(xùn)練結(jié)果,特別是特征提取部分的卷積層需要充分訓(xùn)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(xué)習(xí)的方法訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò),Yosinski等論證在遷移學(xué)習(xí)中特征遷移的有效性.在遷移學(xué)習(xí)中,將本文標(biāo)注的樣本集作為目標(biāo)域,將ImageNet分類數(shù)據(jù)集作為源域,使用微調(diào)的方式遷移學(xué)習(xí)通過分類網(wǎng)絡(luò)訓(xùn)練的模型。本文的遷移學(xué)習(xí)分為兩部分：分類網(wǎng)絡(luò)訓(xùn)練；將分類網(wǎng)絡(luò)的知識(shí)遷移到檢測(cè)模型,在此基礎(chǔ)上進(jìn)行故障檢測(cè)模型的訓(xùn)練.對(duì)于分類網(wǎng)絡(luò)部分,首先根據(jù)故障檢測(cè)模型結(jié)構(gòu)建立分類網(wǎng)絡(luò)結(jié)構(gòu)。

建立分類網(wǎng)絡(luò)后,使用ImageNet數(shù)據(jù)集進(jìn)行訓(xùn)練。訓(xùn)練完分類網(wǎng)絡(luò)后,可將分類網(wǎng)絡(luò)訓(xùn)練的知識(shí) 遷移到水電站故障檢測(cè)模型特征提取部分,遷移過程,使用ImageNet數(shù)據(jù)集訓(xùn)練完分類網(wǎng)絡(luò)后,卷積核的權(quán)值經(jīng)過充分訓(xùn)練,能提取泛化特征,這些卷積核就可作為分類網(wǎng)絡(luò)學(xué)習(xí)到的知識(shí).將這些知識(shí)轉(zhuǎn)移到故障檢測(cè)模型結(jié)構(gòu)的特征提取部分,設(shè)置特征提取部分的學(xué)習(xí)率為0,鎖定特征提取部分的卷積核.回歸預(yù)測(cè)部分的卷積核通過隨機(jī)初始化的方式賦值,然后使用樣本集訓(xùn)練回歸預(yù)測(cè)部分的卷積核。其具體訓(xùn)練過程如下所示：

Step1：構(gòu)建分類網(wǎng)絡(luò),確定分類網(wǎng)絡(luò)結(jié)構(gòu)。

Step2：使用Imagenet數(shù)據(jù)集對(duì)分類網(wǎng)絡(luò)進(jìn)行訓(xùn)練,得到訓(xùn)練完畢的分類網(wǎng)絡(luò)模型。

Step3：應(yīng)用遷移學(xué)習(xí)的原理將分類網(wǎng)絡(luò)參數(shù)遷移到檢測(cè)網(wǎng)絡(luò),將特征提取網(wǎng)絡(luò)部分學(xué)習(xí)率設(shè)置為0,即固定學(xué)習(xí)率。

Step4：使用 數(shù)據(jù)集訓(xùn)練檢測(cè)網(wǎng)絡(luò)即回歸預(yù)測(cè)部分的卷積核參數(shù)。

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

Step1：歸一化固定大小

Step2：將數(shù)據(jù)集樣本劃分為S×S個(gè)網(wǎng)格,使用k-means聚類算法來計(jì)算6個(gè)Anchor,使用網(wǎng)絡(luò)模型預(yù)測(cè)目標(biāo)邊框,預(yù)測(cè)目標(biāo)所屬類別,類別置信度評(píng)分

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

輸出：預(yù)測(cè)目標(biāo)邊框及目標(biāo)類別

3 結(jié)論

目前水電站電氣設(shè)備故障檢測(cè)取較為困難,需要專業(yè)的專家設(shè)備去費(fèi)時(shí)費(fèi)力的檢測(cè),工作量大,并且目前現(xiàn)存的普通的電氣故障檢測(cè)方法在應(yīng)用到水電站設(shè)備是還存在著以下效率低下,準(zhǔn)確率不足以應(yīng)用的缺點(diǎn)。針對(duì)上述問題,本文基于條件式生成對(duì)抗網(wǎng)絡(luò)以及卷積神經(jīng)網(wǎng)絡(luò),提出了一種新的基于人工智能的檢測(cè)方案,并且優(yōu)化了目前現(xiàn)存的水電站故障檢測(cè)方法,提出了一種新的基于條件式生成對(duì)抗網(wǎng)絡(luò)的水電站設(shè)備故障檢測(cè)方法。