相关实验视频
Updated: Jul 3, 2026

09:30
Super-resolution Imaging of Neuronal Dense-core Vesicles
Published on: July 2, 2014
9.7K
使用高分辨率CMOS图像传感器和卷积神经网络对介电油中的部分放电进行表征
José Miguel Monzón-Verona1,2, Pablo González-Domínguez1,2, Santiago García-Alonso3
1Electrical Engineering Department (DIE), University of Las Palmas de Gran Canaria, 35017 Las Palmas de Gran Canaria, Spain.
Sensors (Basel, Switzerland)
|February 24, 2024
概括
这项研究引入了一种新方法,用于检测矿产油中的部分放电,使用CMOS图像传感器和卷积神经网络. 这种非破坏性的方法有助于评估介电油在故障之前的状况.
科学领域:
- 电气工程 电气工程
- 材料科学 材料科学 材料科学
- 人工智能的人工智能
背景情况:
- 介电性矿物油中的部分放电可能表明即将发生故障.
- 目前的检测方法可能需要专门的设备.
- 想象这些排放对于有效监测至关重要.
研究的目的:
- 开发一种低成本,高分辨率的方法来检测介电性矿物油中的部分放电.
- 为了验证基于图像传感器的测量与标准电气检测系统相比.
- 创建一个准确的图像分类模型来识别部分放电事件.
主要方法:
- 使用低成本,高分辨率的CMOS图像传感器来捕捉部分放电事件.
- 使用带有放电电容的标准电气检测系统验证传感器数据.
- 训练了一个卷积神经网络 (CNN),使用TensorFlow和Keras进行图像分类.
主要成果:
- 开发的CNN模型在验证组中达到约95%的准确性.
- 该模型在测试组上显示了82%的准确性.
- 成功地将图像传感器的视觉数据与电放电特征相关联.
结论:
- 已经建立了一种用于介电性矿物油的新型非破坏性诊断方法.
- 图像传感器和CNN的集成为崩前状态评估提供了有价值的工具.
- 这种方法提高了关键介电油的评估和维护策略.

