基于双监督信号卷积神经网络的电气设备红外故障识别研究

摘要

随着红外成像技术的发展，使用红外仪器设备对电气设备进行热故障检测诊断已经成为电力设备巡检的主流方法之一。为了提高电力系统智能化水平，解决变电站电气设备热故障精准检测的问题，本文以深度学习技术为理论依据，提出了一种基于双监督信号卷积神经网络的电气设备红外故障识别方法。 在设备故障图像预处理阶段，针对红外图像成像特点，本文提出了一种基于Slic超像素分割的HSV空间变换算法定位故障设备区域。通过Slic超像素分割算法合并相似像素成区域块，然后根据改进后HSV空间的亮度信息判别设备图像中的温度异常区域，进而分割出温度异常区域所在的连通区域及所对应的设备。在识别阶段，本文使用GoogLeNet卷积神经网络对电气设备红外故障图像进行特征提取，提出了采用softmax损失和中心损失两种监督信号对提取的特征进行监督训练的算法。为评估算法性能，本文自行建立了含有700幅常见电气设备红外故障图像的数据集，其中500幅用于网络训练，200幅用于实验测试。 实验结果表明，使用双监督信号深度学习算法测试准确率达98.6%，比单独使用softmax损失时准确率提高了1%。本文系统能够对变压器套管，电流互感器，绝缘子，避雷器，隔离开关，变压器，断路器，电缆，架空线路导线，变压器冷却器等十种电气设备及其对应故障精准定位，识别。

目录

声明

第一章 绪论

1.1 课题研究背景及意义

1.2 国内外研究现状

1.3 课题研究的主要内容与其创新点

第二章 深度学习理论

2.1 卷积神经网络

2.2 卷积神经网络关于梯度的学习策略

2.3 softmax损失函数

2.4 本章小结

第三章 电气设备红外图像预处理

3.1 显著性区域检测

3.2 电气设备图像分割

3.3 基于Slic-HSV算法的故障设备区域分割

3.4 实验分析

3.5 本章小结

第四章 双监督信号卷积神经网络电气设备红外故障图像识别

4.1 卷积神经网络结构分析

4.2 双监督信号卷积神经网络算法结构

4.3 Caffe深度学习框架的环境配置及其模型搭建

4.4 实验数据集

4.5 实验结果分析

4.6 本章小结

第五章 总结与展望

5.1 本文工作总结

5.2 后续工作展望

参考文献

发表论文和科研情况说明

致谢