-
公开(公告)号：CN114398923A
公开(公告)日：2022-04-26
申请号：CN202111570644.0
申请日：2021-12-21
Applicant: 国网新疆电力有限公司乌鲁木齐供电公司 , 上海交通大学 , 国家电网有限公司
Abstract: 本发明涉及一种多算法融合声音识别电力设备故障方法及系统，所述方法包括以下步骤：S1、多算法融合声音识别模型预训练，根据多算法声音识别情况，赋予多算法不同的权重，使得经过加权后的多算法融合声音识别模型能有效地识别不同情况下的电力设备故障声音样本；S2、对电力设备声音样本进行处理、分类，乘以赋予的不同权重得到电力设备声音样本最终分类结果，根据最终分类结果识别电力设备故障；S3、工作人员对识别的电力设备故障是否正确进行反馈，使用正确的电力设备故障声音样本训练多算法融合声音识别模型，更新多算法参数、调整多算法权重，进一步提高多算法融合声音识别模型识别准确率。有益效果是覆盖面全、准确率不断提高。
-
公开(公告)号：CN114155877A
公开(公告)日：2022-03-08
申请号：CN202111444596.0
申请日：2021-11-30
Applicant: 国网新疆电力有限公司乌鲁木齐供电公司 , 上海交通大学 , 国家电网有限公司
Abstract: 一种基于门控循环单元的变压器故障声音识别方法。包括：使用静音剪切，分帧，Z‑score标准化等手段对音频进行预处理，在预处理后提取MFCC特征参数构成特征序列，将特征序列送入门控循环单元进行识别并得到识别结果。本发明能够自动识别变压器的故障声音，减轻巡检负担，有效监控变压器的工作状态，提升工作安全性。
-
公开(公告)号：CN220087701U
公开(公告)日：2023-11-24
申请号：CN202321035494.8
申请日：2023-05-04
Applicant: 国网新疆电力有限公司乌鲁木齐供电公司 , 上海交通大学
Inventor： 陈林 , 王学民 , 刘琪 , 陈臻 , 艾则孜江·加帕尔 , 塔伊尔江·巴合依 , 余亮亮 , 康宁 , 计常伟 , 尚文明 , 图尔荪·依明 , 梁亮 , 邵真 , 杨璐璐 , 李京芳 , 吴艳 , 杨晨曦 , 李喆 , 王泓江
Abstract: 本实用新型公开了一种用于音频传感器的防水壳体，包括：外壳、顶板和底板，所述外壳顶端滑动安装有顶板，所述外壳底端滑动安装有底板，所述顶板内部固定安装有连接装置，所述连接装置包括螺纹槽、螺纹杆和连接孔，相对于传统的音频传感器壳体，本设备在使用时通过采用了上盖、壳体、下盖三分体式的装配方式，空间利用充分，能够在复杂的环境中进行安装，然后通过加固装置和连接装置的使用，可以快速、稳定的完成部件的安装和组合，方便安装，容易拆卸，适用于各种复杂环境，且部件的衔接处设置了防水槽和密封圈，并在缝隙处灌入防水胶，解决了音频传感器的防水问题，保护传感器不受环境的影响，长期稳定的运行。
-
公开(公告)号：CN110334865B
公开(公告)日：2023-04-18
申请号：CN201910602682.6
申请日：2019-07-05
Applicant: 上海交通大学 , 上海交通大学烟台信息技术研究院
IPC: G06Q10/04 , G06Q10/0635 , G06Q10/20 , G06Q50/06 , G06F18/243 , G06F18/2415 , G06F18/214 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于卷积神经网络的电力设备故障率预测方法，其包括训练步骤和预测步骤，其中，训练步骤包括：(1)收集电力设备的案例PRPS图谱；(2)对收集的案例PRPS图谱数据进行预处理；(3)构建第一卷积神经网络模块，并对第一卷积神经网络模块进行训练，以使其输出为案例PRPS图谱数据对应的缺陷类型；(4)基于缺陷类型构建各个缺陷类型的数据集；(5)对应各个缺陷类型分别构建各自的故障二分类子模块，其中每一个故障二分类子模块均基于第二卷积神经网络模块而构建；训练第二卷积神经网络，以使各故障二分类子模块基于案例PRPS图谱数据所得到发生故障的概率值，而输出电力设备是否发生故障的判断。
-
公开(公告)号：CN110516551B
公开(公告)日：2023-04-07
申请号：CN201910686677.8
申请日：2019-07-29
Applicant: 上海交通大学烟台信息技术研究院 , 上海交通大学
IPC: G06V20/17 , G06V10/25 , G06V10/774 , G05D1/12
Abstract: 本发明提供了一种基于视觉的巡线位置偏移识别系统，包括：特征提取网络、电力线识别模块、电力塔架及部件识别模块；各个部分相互配合，在无人机巡线时实时执行当前位置识别，并在无人机偏离巡线目标时发出信号。特征提取网络负责提取图像的各级特征，用于后续的识别工作。电力线识别模块在训练时仅需类别标签，大大降低了样本标注的工作量。电力塔架及部件识别模块基于目标检测算法，在电力线识别模块识别到电力线形状变化时开始识别此处的部件类型，根据识别框的大小及位置确定无人机当前位置是否偏移。同时提供了一种识别方法和无人机。本发明实现了对巡线无人机的位置识别，并在位置偏移时发出信号，可用于辅助操控或无人机自动巡线等工作。
-
Patent Agency Ranking
公开(公告)号：CN110334948A
公开(公告)日：2019-10-15
申请号：CN201910602681.1
申请日：2019-07-05
Applicant: 上海交通大学 , 上海交通大学烟台信息技术研究院
Abstract: 本发明公开了一种基于特征量预测的电力设备局部放电严重程度评估方法，其包括训练步骤和评估步骤，其中：训练步骤包括：(1)收集电力设备的案例PRPS图谱数据；(2)对收集的案例PRPS图谱数据进行预处理；(3)采用自编码器提取的案例PRPS图谱数据的局部放电特征向量；(4)构建门控循环单元模块，输入局部放电特征向量以对其进行训练，以使其输出预测局部放电特征向量；(5)构建基于卷积神经网络的故障二分类模块，采用预测局部放电特征向量作为输入以对其进行训练，以使其基于预测局部放电特征向量所表征的故障概率值而输出该预测局部放电特征向量是否表征电力设备故障的判断。
-
公开(公告)号：CN110334865A
公开(公告)日：2019-10-15
申请号：CN201910602682.6
申请日：2019-07-05
Applicant: 上海交通大学 , 上海交通大学烟台信息技术研究院
Abstract: 本发明公开了一种基于卷积神经网络的电力设备故障率预测方法，其包括训练步骤和预测步骤，其中，训练步骤包括：(1)收集电力设备的案例PRPS图谱；(2)对收集的案例PRPS图谱数据进行预处理；(3)构建第一卷积神经网络模块，并对第一卷积神经网络模块进行训练，以使其输出为案例PRPS图谱数据对应的缺陷类型；(4)基于缺陷类型构建各个缺陷类型的数据集；(5)对应各个缺陷类型分别构建各自的故障二分类子模块，其中每一个故障二分类子模块均基于第二卷积神经网络模块而构建；训练第二卷积神经网络，以使各故障二分类子模块基于案例PRPS图谱数据所得到发生故障的概率值，而输出电力设备是否发生故障的判断。
-
公开(公告)号：CN110334612A
公开(公告)日：2019-10-15
申请号：CN201910529984.5
申请日：2019-06-19
Applicant: 上海交通大学 , 上海交通大学烟台信息技术研究院
Abstract: 本发明涉及具有自学习能力的电力巡检图像目标检测方法，包括：将含有目标对象的图片样本、目标对象位置标注文件送入Context CNN，训练Context模型；基于Context模型对输入的背景图片、扩充的目标对象图片进行图像融合处理得到扩充的图片样本及目标对象位置标注文件；基于送入Faster R-CNN的图片样本、位置标注文件训练目标检测模型1、目标检测模型2；Faster R-CNN基于目标检测模型1、和/或目标检测模型2输出采集的图片样本中是、否含有目标对象的检测结果。有益效果是克服电力行业应用图像识别技术存在的训练数据集不足的情况，在使用过程中自动提升识别性能。
-
公开(公告)号：CN110309865A
公开(公告)日：2019-10-08
申请号：CN201910530052.2
申请日：2019-06-19
Applicant: 上海交通大学 , 上海交通大学烟台信息技术研究院
Abstract: 本发明涉及一种无人机巡视输电线路销钉缺陷分级图像识别方法，包括：S0、利用巡视采集图像对区域推荐卷积神经网络和SVM分类器进行预训练；S1、巡视采集图像送入区域推荐卷积神经网络；S2、利用区域推荐卷积神经网络对销钉进行定位，输出销钉定位矩形框图像；S3、对销钉定位矩形框图像上采样并作灰度化处理；S4、提取步骤S3处理后图像的SIFT特征；S5、对图像SIFT特征采用K-means算法聚类并制作成词袋模型；S6、词袋模型送入SVM分类器判断销钉是否存在缺陷。有益效果是简化了输电线路巡检人员的工作量，提高了输电线路销钉缺陷的检出率。
-
公开(公告)号：CN110503135B
公开(公告)日：2023-04-25
申请号：CN201910698625.2
申请日：2019-07-31
Applicant: 上海交通大学烟台信息技术研究院 , 上海交通大学
IPC: G06F18/21
Abstract: 本发明提供了一种用于电力设备边缘侧识别的深度学习模型压缩方法，通过直接修改已训练完成的深度学习模型，实现相关识别模型的压缩和加速，包括：批量归一化层融合：将批量归一化层与其之前的卷积层进行融合；针对全连接层的奇异值分解：基于矩阵的奇异值分解算法，在全连接层之前加入中间层，对全连接层的参数进行压缩；模型权重的量化：采用权值共享方法，根据深度学习模型的冗余性，对参数进行量化转换。各步骤既可独立使用，也可相互配合工作。同时提供了一种压缩系统。本发明实现对已训练完成的深度学习模型的压缩和加速，在当前电力公司积极推进泛在电力物联网的环境下，有着广泛的应用前景。
-
-
-
-
-
-
-
-
-
Search Results
86
records
(took 0.08 seconds)
