形状自适应低秩表示的电力设备热故障诊断方法研究

黄志鸿, 洪峰, 黄伟

黄志鸿, 洪峰, 黄伟. 形状自适应低秩表示的电力设备热故障诊断方法研究[J]. 红外技术, 2022, 44(8): 870-874.
引用本文: 黄志鸿, 洪峰, 黄伟. 形状自适应低秩表示的电力设备热故障诊断方法研究[J]. 红外技术, 2022, 44(8): 870-874.
HUANG Zhihong, HONG Feng, HUANG Wei. Shape Adaptation Low Rank Representation for Thermal Fault Diagnosis of Power Equipments[J]. Infrared Technology , 2022, 44(8): 870-874.
Citation: HUANG Zhihong, HONG Feng, HUANG Wei. Shape Adaptation Low Rank Representation for Thermal Fault Diagnosis of Power Equipments[J]. Infrared Technology , 2022, 44(8): 870-874.

形状自适应低秩表示的电力设备热故障诊断方法研究

基金项目: 

国网湖南省电力有限公司科技项目 5216A522000U

详细信息
    作者简介:

    黄志鸿(1993-),男,湖南长沙人,博士,高级工程师,主要研究方向为电力设备故障智能诊断,红外图像处理。E-mail: zhihong_huang111@163.com

  • 中图分类号: TP751.1

Shape Adaptation Low Rank Representation for Thermal Fault Diagnosis of Power Equipments

  • 摘要: 本文提出一种形状自适应低秩表示的电力设备热故障诊断方法。该方法通过联合超像素分割和低秩表示技术进行热故障诊断。首先,使用主成分分析算法对输入的红外图像进行变换,并对第一主成分进行超像素分割处理,将红外图像自适应地分割为若干非重叠的超像素。然后,采用低秩表示技术对逐个超像素进行热故障诊断,通过充分挖掘空间结构信息和红外温度信息,优化提升热故障诊断精度。实验结果表明,与其他传统热故障诊断方法相比,本文提出的方法在热故障诊断精度上具有较大的优势,满足电力设备红外巡检的应用需求。
    Abstract: This work introduces a thermal fault diagnosis method that integrates superpixel segmentation and low-rank representation for diagnosis. The proposed method comprises two main steps. First, an input infrared image is transformed using a principal component analysis (PCA) algorithm, and a superpixel segmentation method is employed for the first principal component (PC). The first PC is divided into non-overlapping homogeneous superpixels. Then, the thermal fault region is detected by employing low-rank representation in a superpixel-by-superpixel manner. Experimental results show that the proposed diagnosis method has a better detection performance than that of current state-of-the-art detectors.
  • 电力设备热故障为一种常见的故障类型,及早诊断出热故障,对电力设备安全运行具有积极的现实意义。近年来,红外成像技术有着长足的发展,能有效显示物体表面的温度信息[1]。因此,该技术广泛应用于电力设备巡检中。

    随着电力网络规模的不断扩大,红外巡检压力也愈发增大。当前巡检模式严重依赖人工识别和分析。这种巡检模式存在效率低、误检率高等缺点。为此,研究人员提出多种智能化的热诊断方法。这些方法可分为如下两大类。

    第一大类是传统图像处理的诊断方法[2-8]。其中张文峰等人提出一种图像分割方法[2]对红外图像中的热故障目标进行目标分割。王淼等人采用一种梯度分析方法[3],诊断热故障。一种改进的K-均值方法[4]用于红外热故障诊断。魏钢等人采用基于小波变换和后验概率分布的热故障诊断方法[5],通过提高图像质量,进而提升热故障诊断精度。李鑫等人采用一种粒子群图像分割[6]的热故障诊断方法。黄志鸿[8]等人采用一种引导滤波技术,利用红外图像的空间相似性,提升热故障诊断精度。第二大类是基于深度学习的诊断方法。这类方法近年来也得到研究人员的广泛关注[9-11]。文献[9]对红外图像进行分割,并采用卷积神经网络进行热故障识别。魏东等人[10]利用递归神经网络定位异常热故障区域。周可慧等人[11]提出一种改进的卷积神经网络模型,对红外热故障图像进行诊断。

    上述方法大多直接对整张红外图像进行处理和解译。这些方法仅挖掘红外图像中的温度信息,未有效利用图像的空间结构信息进行热故障诊断。因此,这些方法在复杂电力巡检环境下,难以获得高精度的热故障诊断结果。近年来,超像素分割[12]已被证明是一种有效挖掘图像空间结构信息的图像分割技术,广泛应用于图像分类和目标识别领域中。该类方法通过使用基于熵率的图像分割方法,生成若干互不重叠的超像素。超像素为一个形状自适应的同质区域。该区域中的像素通常有着高度相似的空间纹理和灰度信息[12]。如何联合利用红外图像的空间结构信息和温度信息,提升电力设备热故障诊断的精度是本文拟解决的应用难题。

    本文提出的形状自适应低秩表示方法(shape-adaptation low-rank representation, S-LRR)包含两个主要步骤。首先,使用主成分分析算法对输入红外图像进行变换,并对第一主成分采用超像素分割方法,将红外图像自适应地分割为若干非重叠的超像素区域。然后,采用低秩表示技术对逐个超像素区域进行热故障诊断,充分挖掘空间结构信息和红外温度信息,提升热故障诊断精度。

    Candes等人在2013年提出低秩表示模型[13]。该模型设定一个输入的矩阵Y可以分解为低秩矩阵、稀疏矩阵S和噪声矩阵N。基于这种设定,一个输入的红外图像Y可以表示为:

    $$ \boldsymbol{Y}=\boldsymbol{L}+\boldsymbol{S}+\boldsymbol{N} $$ (1)

    式中:N是高斯噪声项。由于红外图像的空间邻域像素具有相似性,我们可以使用几个基向量的线性组合来表示背景中的每个像素[13]。因此,背景区域通常拥有低秩特性。与周围环境相比,热故障目标通常是小区域目标。因此,热故障区域具有稀疏特性。综上分析,我们采用低秩表示模型从输入的红外图像中分离稀疏的热故障目标和低秩的背景区域。低秩表示模型如下所示:

    $$ \min\limits _{\boldsymbol{L}, S} \operatorname{rank}(\boldsymbol{L})+\lambda\|\boldsymbol{S}\|_{0}, \text { s.t. }\|\boldsymbol{Y}-\boldsymbol{L}-\boldsymbol{S}\|_{\mathrm{F}} \leq \sigma $$ (2)

    式中:λ是一个参数,平衡低秩成分L和稀疏成分S之间的权重大小;rank()为矩阵的秩;$ {\left\| {} \right\|_0} $为矩阵的0范数;$ {\left\| {} \right\|_F} $为矩阵的傅里叶范数。值得注意的是,上述优化问题是一个非凸函数,难以求解出准确解。所以,需将该优化问题转化为凸优化问题。根据参考文献[13]的相关工作,秩被替换为核范数$ {\left\| {} \right\|_ * } $,$ {\left\| {} \right\|_0} $范数被替换为$ {\left\| {} \right\|_1} $范数,$ {\left\| {} \right\|_1} $为矩阵的1范数。公式(2)可以重新表述如下:

    $$ \min\limits _{L, S}\|\boldsymbol{L}\|_{*}+\lambda\|\boldsymbol{S}\|_{1} \text { s.t. }\|\boldsymbol{Y}-\boldsymbol{L}-\boldsymbol{S}\|_{\mathrm{F}} \leq \sigma $$ (3)

    式中:λ大小设置为$ {{\text{1}} \mathord{\left/ {\vphantom {{\text{1}} {\sqrt {{\text{max(}}m{\text{,}}n{\text{)}}} }}} \right. } {\sqrt {{\text{max(}}m{\text{,}}n{\text{)}}} }} $,σ设置为0.05。mn为输入红外图像的两位空间维度大小。将上述公式转化为含惩罚项的优化问题:

    $$ \min\limits _{L, S}\|\boldsymbol{L}\|_{*}+\lambda\|\boldsymbol{S}\|_{1}+\frac{1}{2 \mu}\|\boldsymbol{Y}-\boldsymbol{L}-\boldsymbol{S}\|_{\mathrm{F}}$$ (4)

    式中:μ是一个惩罚项参数,该参数的大小与目标检测的性能有相关性。根据文献[11]的介绍,μ的大小设置为$ {\text{(}}\sqrt m {\text{ + }}\sqrt n {\text{)}}\sigma $。

    本文包含两个主要创新点。第一,首次将电力设备热故障诊断问题建模为图像低秩表示模型。第二,通过超像素分割技术和低秩表示方法,联合利用红外图像的空间结构信息和温度信息,提升热故障的诊断精度。图 1为所提出方法的流程图。

    图  1  所提出的SS-LRR方法流程图
    Figure  1.  The schematic diagram of the proposed SS-LRR method

    本文中,我们采用熵率超像素(entropy rate superpixel,ERS)[12]方法将输入红外图像Y分割,生成若干个非重叠的超像素区域。首先,采用主成分分析算法[13]获取红外图像的第一主成分,第一主成分能反映Y中最关键的图像信息。提取的第一主成分被视为一个基图像,并映射到一个图。然后,应用ERS算法,通过求解如下优化问题,生成若干超像素边缘E

    $$ \max\limits _{E_{0}} H\left(E_{0}\right)+\beta F\left(E_{0}\right), \quad \text { s.t. } E_{0} \in E $$ (5)

    式中:H代表熵率;F代表平衡项;β为平衡参数;E0为选择的边缘集合。通过熵率超像素分割,生成若干个非重叠的超像素区域。每个超像素区域由若干具有高度相似空间结构信息的像素组成。因此,基于超像素分割的方法能自适应地挖掘红外图像的空间结构信息。

    将每个超像素区域重塑成一个矩阵$ \boldsymbol{Y}^{\mathrm{S}} \in R^{K_{i} * P}$,其中P为输入红外图像的波段通道数,Ki为第i个超像素区域里的像素数之和。将每一个超像素区域Ys采用低秩表示模型(见公式(4))进行处理,分离出对应的热故障区域$ {\boldsymbol{S}^{\text{s}}}{\text{(}}i{\text{)}} \in {R^{{K_i} * P}} $和低秩背景区域$ {\boldsymbol{L}^{\text{s}}}{\text{(}}i{\text{)}} \in {R^{{K_i} * P}} $。低秩表示模型采用交替方向法(alternating direction method, ADM)[13]进行求解,将公式(4)转为两个子优化问题:

    $$ L_{k+1}=\arg \min \|\boldsymbol{L}\|_{*}+\frac{1}{2 \mu}\left\|\boldsymbol{Y}-\boldsymbol{L}-\boldsymbol{S}_{k}\right\|_{\mathrm{F}} $$ (6)
    $$S_{k+1}=\arg \min \lambda\|\boldsymbol{S}\|_{1}+\frac{1}{2 \mu}\left\|\boldsymbol{Y}-\boldsymbol{L}_{k+1}-\boldsymbol{S}\right\|_{F} $$ (7)

    由于篇幅限制,具体求解细节请查阅文献[13]。然后,将每个稀疏分量$ {\boldsymbol{S}^{\text{s}}}{\text{(}}i{\text{)}} \in {R^{{K_i} * P}} $合并,生成整体图像的热故障目标。一方面,每个超像素区域的形状是根据红外图像中目标的空间结构、纹理信息自适应生成的,所以本文提出的SS-LRR方法可以充分地获取红外图像中的空间结构信息进行诊断。另一方面,所提出的SS-LRR方法利用红外图像的稀疏性,分离出异常温度的热故障区域。因此,通过联合利用空间结构信息和温度信息,所提出的SS-LRR方法可以实现对电力设备热故障高精度的诊断性能,图 2为部分中间过程图。

    图  2  部分中间过程图
    Figure  2.  Partial process diagram

    在实验中,用于测试的红外图像由FILR成像仪所获取。图像空间分辨率为0.68 mrad,波长范围为7.5~14 μm。为评估本文所提方法对电力设备热故障的诊断性能,采用3种经典的异常目标检测方法进行对比实验。这些方法包括基于全局统计的马氏距离计算Reed-Xiao(RX)方法[14]、低密度概率检测(low-density probability,LDP)方法[15]和低秩表示(LRR)[16]诊断方法。其中,对于LRR方法,参数σ设置为σ=0.05。对于SS-LRR方法,超级像素数设置为100,参数σ设置为σ=0.05。

    为评估诊断结果的优劣,本文采用线下面积(area under curve, AUC)[16-17]指标来客观评估对比方法的诊断性能。该指标基于目标检测结果和参考的热故障区域图,定量地评价诊断结果的精度。该指标能较好地评估诊断结果与热故障区域的温升差异和区域面积的匹配程度。AUC指标越高,识别结果越接近参考的热故障区域图,热故障诊断性能越优异。

    第一幅测试图像拍摄于湖南省湘潭市韶梅线10 kV线路上的一场景,共有240×330个像素。在这张图中,架空线路一处温度过高。该区域被视为热故障目标。图 3(a)(b)展示测试图像和参考的热故障区域图。图 3(c)~(f)为不同方法的诊断结果。在每幅图的左下方展示了诊断结果的局部放大图。可以看到,RX、LDP和LRR方法未能有效地从背景中诊断热故障区域。而SS-LRR方法的诊断结果图最接近参考的热故障区域图。

    图  3  不同方法在第一幅测试图的诊断结果
    Figure  3.  Different diagnosis results on the first test image

    第二幅测试图像拍摄于湖南省湘潭市的10 kV邵南线上的一场景,共有240×330个像素。在这张图中,架空线路一处的温度异常过高,因此该处被视为热故障目标。不同对比方法的诊断结果如图 4(c)~(f)所示。我们可以观察到,RX和SS-LRR方法能有效地诊断出热故障区域。LDP和LRR方法不能有效去除背景像素的干扰。

    图  4  不同方法在第2幅测试图的诊断结果
    Figure  4.  Different diagnosis results on the second test image

    第3幅测试图像拍摄于湖南省湘潭市的220 kV输电线路的一场景,由325×450个像素组成。该幅图像中,绝缘子出现温度过热的异常情况。图 5(a)(b)展示该图像的红外热图像和参考的热故障区域图。不同方法的诊断结果如图 5(c)~(f)所示。LRR方法可以诊断出热故障区域,但不能有效地去除背景像素的干扰。RX和SS-LRR方法有着优异的诊断性能,SS-LRR方法最接近参考的热故障区域图。

    图  5  不同方法在第3幅测试图的诊断结果
    Figure  5.  Different diagnosis results on the third test image

    不同诊断方法的AUC指标如表 1所示。如表所示,本文所提出的SS-LRR诊断方法能获得最高的诊断精度(用加粗字体标识)。通过超像素分割,SS-LRR相较于LRR方法在诊断精度上有着明显的提升表 2展示了不同方法的运行时间。从表中我们可以发现,RX,LDP和LRR三种方法采用全局图像的计算策略,计算效率更高。SS-LRR方法需逐个处理超像素。尽管所提出的SS-LRR方法在运行效率上不是最高的。但鉴于其出色的诊断性能,该方法仍然是4种方法中最为实用的热故障诊断技术。

    表  1  不同诊断方法的AUC指标
    Table  1.  AUC values of different diagnosis methods
    Test images RX LDP LRR SS-LRR
    1 0.9707 0.8312 0.8574 0.9852
    2 0.9901 0. 9132 0. 9324 0.9925
    3 0.9893 0. 9253 0. 9486 0.9935
    下载: 导出CSV 
    | 显示表格
    表  2  不同诊断方法的运行时间
    Table  2.  Running time of different diagnosis methods s
    Test images RX LDP LRR SS-LRR
    1 0.59 0.75 0.47 1.66
    2 0.53 0.61 0.34 1.52
    3 0.84 0.98 0.56 1.81
    下载: 导出CSV 
    | 显示表格

    本文提出一种形状自适应低秩表示的电力设备热故障诊断方法,在复杂电力巡检环境下高精度地诊断出电力设备的热故障。通过超像素分割技术和低秩表示方法,自适应地分割红外图像中目标的形状,联合利用红外图像的空间结构信息和温度信息,优化提升热故障的诊断精度,满足电力红外巡检的应用需要。

  • 图  1   所提出的SS-LRR方法流程图

    Figure  1.   The schematic diagram of the proposed SS-LRR method

    图  2   部分中间过程图

    Figure  2.   Partial process diagram

    图  3   不同方法在第一幅测试图的诊断结果

    Figure  3.   Different diagnosis results on the first test image

    图  4   不同方法在第2幅测试图的诊断结果

    Figure  4.   Different diagnosis results on the second test image

    图  5   不同方法在第3幅测试图的诊断结果

    Figure  5.   Different diagnosis results on the third test image

    表  1   不同诊断方法的AUC指标

    Table  1   AUC values of different diagnosis methods

    Test images RX LDP LRR SS-LRR
    1 0.9707 0.8312 0.8574 0.9852
    2 0.9901 0. 9132 0. 9324 0.9925
    3 0.9893 0. 9253 0. 9486 0.9935
    下载: 导出CSV

    表  2   不同诊断方法的运行时间

    Table  2   Running time of different diagnosis methods s

    Test images RX LDP LRR SS-LRR
    1 0.59 0.75 0.47 1.66
    2 0.53 0.61 0.34 1.52
    3 0.84 0.98 0.56 1.81
    下载: 导出CSV
  • [1] 刘嵘, 刘辉, 贾然, 等. 一种智能型电网设备红外诊断系统的设计[J]. 红外技术, 2020, 42(12): 198-1202. http://hwjs.nvir.cn/article/id/a00b6f68-052d-40c0-a00f-1f0ff120ce69

    LIU Rong, LIU Hui, JIA Ran, et al. Design of intelligent infrared di-agnosis system for power grid equipment[J]. Infrared Technology, 2020, 42(12): 1198-1202. http://hwjs.nvir.cn/article/id/a00b6f68-052d-40c0-a00f-1f0ff120ce69

    [2] 张文峰, 彭向阳, 陈锐民, 等. 基于无人机红外视频的输电线路发热缺陷智能诊断技术[J]. 电网技术, 2014, 38(5): 1334-1338. https://www.cnki.com.cn/Article/CJFDTOTAL-DWJS201405034.htm

    ZHANG Wenfeng, PENG Xiangyang, CHEN Ruiming, et al. Intelligent diagnostic techniques of abnormal heat defect in transmission lines based on unmanned helicopter infrared video[J]. Power System Technology, 2014, 38(5): 1334-1338. https://www.cnki.com.cn/Article/CJFDTOTAL-DWJS201405034.htm

    [3] 王淼, 杜伟, 孙鸿博, 等. 基于红外图像识别的输电线路故障诊断方法[J]. 红外技术, 2017, 39(4): 383-386. http://hwjs.nvir.cn/article/id/hwjs201704015

    WANG Miao, DU Wei, SUN Hongbo, et al. Transmission line fault diagnosis method based on infrared image recognition[J]. Infrared Technology, 2017, 39(4): 383-386. http://hwjs.nvir.cn/article/id/hwjs201704015

    [4] 胡洛娜, 彭云竹, 石林鑫. 核猫群红外图像异常检测方法在电力智能巡检中的应用[J]. 红外技术, 2018, 40(9): 323-328. http://hwjs.nvir.cn/article/id/hwjs201809013

    HU Luona, PENG Yunzhu, SHI Linxin. Anomaly detection method of infrared images based on kernel cat swarm optimization clustering with application in intelligent electrical power inspection[J]. Infrared Technology, 2018, 40(9): 323-328. http://hwjs.nvir.cn/article/id/hwjs201809013

    [5] 魏钢, 冯中正, 唐跃林, 等. 输变电设备红外故障诊断技术与试验研究[J]. 电气技术, 2013, 14(6): 75-78. DOI: 10.3969/j.issn.1673-3800.2013.06.020

    WEI Gang, FENG Zhongzheng, TANG Yuelin, et al. The infrared diagnostic technology of power transmission devices and experimen-tal study[J]. Electrical Technology, 2013, 14(6): 75-78. DOI: 10.3969/j.issn.1673-3800.2013.06.020

    [6] 李鑫, 崔昊杨, 霍思佳, 等. 基于粒子群优化法的Niblack电力设备红外图像分割[J]. 红外技术, 2018, 40(8): 780-785. http://hwjs.nvir.cn/article/id/hwjs201808010

    LI Xin, CUI Wuyang, HUO Siyang. Niblack's method for infrared image segmentation of electrical equipment improved by particle swarm optimization[J]. Infrared Technology, 2018, 40(8): 780-785. http://hwjs.nvir.cn/article/id/hwjs201808010

    [7] 林颖, 郭志红, 陈玉峰. 基于卷积递归网络的电流互感器红外故障图像诊断[J]. 电力系统保护与控制, 2017, 45(16): 87-94. DOI: 10.7667/j.issn.1674-3415.2015.16.013

    LIN Ying, GUO Zhihong, CHEN Yufeng. Convolutional-recursive network based current transformer infrared fault image diagnosis[J]. Power System Protection and Control, 2015, 45(16): 87-94. DOI: 10.7667/j.issn.1674-3415.2015.16.013

    [8] 黄志鸿, 吴晟, 肖剑, 等. 基于引导滤波的电力设备热故障诊断方法研究[J]. 红外技术, 2021, 43(9): 910-915. http://hwjs.nvir.cn/article/id/cb2a71f1-cd7c-4e76-977b-b6f7472b905d

    HUANG Zhihong, WU Sheng, XIAO Jian, et al. Thermal fault dagnosis of power equipments based on guided filter[J]. Infrared Technology, 2021, 43(9): 910-915. http://hwjs.nvir.cn/article/id/cb2a71f1-cd7c-4e76-977b-b6f7472b905d

    [9] 常亮, 邓小明, 周明全, 等. 图像理解中的卷积神经网[J]. 自动化学报, 2016, 42(9): 1300-1312. https://www.cnki.com.cn/Article/CJFDTOTAL-MOTO201609002.htm

    CHANG Liang, DENG Xiaoming, ZHOU Mingquan, et al. Convolu-tional neural networks in image understanding[J]. Acta Automatica Sinica, 2016, 42(9): 1300-1312. https://www.cnki.com.cn/Article/CJFDTOTAL-MOTO201609002.htm

    [10] 魏东, 龚庆武, 来文青, 等. 基于卷积神经网络的输电线路区内外故障判断及故障选相方法研究[J]. 中国电机工程学报, 2016, 36(5): 21-28. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDC2016S1003.htm

    WEI Dong, LONG Qinwu, LAI Wenqing, et al. Research on internal and external fault diagnosis and fault-selection of transmission line based on convolutional neural network[J]. Proceedings of the CSEE, 2016, 36(5): 21-28. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDC2016S1003.htm

    [11] 周可慧, 廖志伟, 肖异瑶, 等. 基于改进CNN的电力设备红外图像分类模型构建研究[J]. 红外技术, 2019, 41(11): 1033-1038. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS201911007.htm

    ZHOU Kehui, LIAO Zhiwei, XIAO Yiyao, et al. Construction of infrared image classification model for power equipments based on improved CNN[J]. Infrared Technology, 2019, 41(11): 1033-1038. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS201911007.htm

    [12]

    LIU M, Tuzel O, Ramalingam S, et al. Entropy rate superpixel segmentation[C]//Pattern Recognit., 2011: 2097-2104.

    [13]

    YUAN X, YANG J. Sparse and low-rank matrix decomposition via alternating direction methods[J]. Pacific. J. Optim, 1990, 9(1): 1760-1770.

    [14]

    Reed I S, YU X. Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution[J]. IEEE Transactions on Acoustic Speech Signal Processing, 1990, 38(10): 1760-1770. DOI: 10.1109/29.60107

    [15]

    KANG X, ZHANG X, LI S, et al. Hyperspectral anomaly detection with attribute and edge-preserving filters[J]. IEEE Trans. Geosci. Remote Sens. , 2017, 55(10): 5600-5611. DOI: 10.1109/TGRS.2017.2710145

    [16]

    XU Y, WU Z, LI J, et al. Anomaly detection in hyperspectral images based on low-rank and sparse representation[J]. IEEE Trans. Geosci Remote Sens. , 2016, 54(4): 1990 DOI: 10.1109/TGRS.2015.2493201

    [17] 蒋昀宸, 樊绍胜, 陈骏星溆. 带电作业智能新技术及其应用现状[J]. 湖南电力, 2018, 38(5): 1-4. DOI: 10.3969/j.issn.1008-0198.2018.05.001

    JIANG Yunchen, FAN Zhaosheng, CHEN Junxingxu. Smart new-technologies and applications for live work[J]. Hunan Electric Power, 2018, 38(5): 1-4. DOI: 10.3969/j.issn.1008-0198.2018.05.001

  • 期刊类型引用(15)

    1. 马战南,蒋俊英. 基于LMDI分解法的火电厂热力设备故障自动化诊断技术. 自动化与仪表. 2025(02): 89-92+98 . 百度学术
    2. 刘传洋,吴一全. 基于红外图像的电力设备识别及发热故障诊断方法研究进展. 中国电机工程学报. 2025(06): 2171-2196 . 百度学术
    3. 尤渺. 基于模糊Petri网和马尔科夫链理论的水电厂设备故障应急响应模型. 电子设计工程. 2024(10): 59-63 . 百度学术
    4. 刘沛津,张香瑞,魏平. 基于融合重构的电气设备红外图像EnFCM聚类分割方法. 红外技术. 2024(03): 295-304 . 本站查看
    5. 金萍,侯娟. 面向新型电力系统的粗糙集和双流网络自动化物联设备故障诊断方法研究. 电测与仪表. 2024(09): 166-171 . 百度学术
    6. 张电 ,张凌跃 ,王宇 ,李伟 ,白困利 . 基于改进Apriori算法的电力物联设备故障安全筛选方法. 自动化与仪器仪表. 2024(09): 190-194 . 百度学术
    7. 房雪雷,马娟,徐结红,丁津津,彭勃. 基于数字孪生技术的电力设备故障诊断仿真系统构建研究. 自动化与仪器仪表. 2024(10): 233-236 . 百度学术
    8. 任正国,黄文琦,梁凌宇,郑桦. 基于高低频特征融合的电力设备热故障模糊检测方法. 自动化技术与应用. 2024(11): 39-42+55 . 百度学术
    9. 陶俊,郭庆,郭力旋,喻成琛. 融合声纹特征的智慧电网主设备故障自动化识别系统. 自动化与仪表. 2024(11): 106-110 . 百度学术
    10. 杨慢慢,尹兆磊,陈晨,白明辉. 线路多变条件下电力设备热稳定实时控制方法. 自动化与仪表. 2023(08): 26-30 . 百度学术
    11. 黄志鸿,肖剑,徐先勇,张辉. 基于谱残差变换的电力设备热缺陷识别技术. 红外技术. 2023(08): 884-889 . 本站查看
    12. 刘明哲,毛振攀,周桐,李锦云,乔加奇. 基于LSTM神经网络的发电机绕组散热异常监测系统设计. 环境技术. 2023(07): 69-74 . 百度学术
    13. 陈凡,金东. 基于大数据的数字化电力设备故障诊断方法. 信息与电脑(理论版). 2023(15): 46-48 . 百度学术
    14. 杨明祥,李佳宣,殷商莹,贺皎,邹兰青. 基于改进关联规则的电力设备故障预测与诊断. 科学技术创新. 2023(27): 77-80 . 百度学术
    15. 梁剑,黄志鸿,张可人. 基于多尺度引导滤波和决策融合的电力设备热故障诊断方法研究. 红外技术. 2022(12): 1344-1350 . 本站查看

    其他类型引用(3)

图(5)  /  表(2)
计量
  • 文章访问数:  169
  • HTML全文浏览量:  58
  • PDF下载量:  32
  • 被引次数: 18
出版历程
  • 收稿日期:  2022-02-09
  • 修回日期:  2022-02-14
  • 刊出日期:  2022-08-19

目录

/

返回文章
返回
x 关闭 永久关闭

尊敬的专家、作者、读者:

端午节期间因系统维护,《红外技术》网站(hwjs.nvir.cn)将于2024年6月7日20:00-6月10日关闭。关闭期间,您将暂时无法访问《红外技术》网站和登录投审稿系统,给您带来不便敬请谅解!

预计6月11日正常恢复《红外技术》网站及投审稿系统的服务。您如有任何问题,可发送邮件至编辑部邮箱(irtek@china.com)与我们联系。

感谢您对本刊的支持!

《红外技术》编辑部

2024年6月6日