使用图像处理模板匹配的阶段解析部分放电 (PRPD) 模式识别

科学领域:

• 电气工程 电气工程
• 材料科学 材料科学 材料科学
• 信号处理 信号处理

背景情况:

• 部分放电 (PD) 分析对于诊断电气设备健康至关重要.
• 传统的PRPD模式分析往往需要人工解释,这是耗时和主观的.
• 对于PD模式识别的深度学习方法需要大量的计算资源和大量的数据集,这限制了实际应用.

研究的目的:

• 开发一种自动化方法来识别和处理阶段解决部分放电 (PRPD) 模式.
• 在没有人类干预的情况下,识别电气设备中的特定缺陷类型.
• 为在线PD监测提供了深度学习的计算效率高的替代方案.

主要方法:

• 开发了一个新的Cosine Cluster Net (CCNet) 模型作为图像处理管道.
• 该CCNet模型从二维PRPD图表中提取和处理模式.
• 代数相似性用于将提取的模式与已知缺陷类型的预定义模板进行比较.

主要成果:

• CCNet模型成功地从现有文献中手动分类的PRPD图像中识别了缺陷类型.
• 该模型始终产生与手册分类一致的相似性得分.
• 识别速度很快,通常不超过每次分析四秒.

结论:

• CCNet模型为自动 PRPD 模式识别提供了一种有效和高效的方法.
• 该方法的速度和准确性显示了实时在线部分放电监测应用的巨大潜力.
• 这种技术绕过了复杂的深度学习算法的需求,使其更容易获得.