本發(fā)明涉及電力設(shè)備狀態(tài)檢測(cè)技術(shù)領(lǐng)域，尤其涉及一種狀態(tài)檢測(cè)數(shù)據(jù)特征參數(shù)提取及規(guī)范化轉(zhuǎn)換的方法。
背景技術(shù)：
由于電力設(shè)備圖譜、視頻數(shù)據(jù)量大，服務(wù)器資源有限，為了充分利用有限資源提升處理性能，研究大數(shù)據(jù)中的分布式流計(jì)算技術(shù)，實(shí)現(xiàn)高效分配、處理電力設(shè)備狀態(tài)變化檢測(cè)任務(wù)，對(duì)任務(wù)進(jìn)行調(diào)度優(yōu)化，將處理不同業(yè)務(wù)數(shù)據(jù)的不同任務(wù)并行運(yùn)行，最大限度的利用系統(tǒng)計(jì)算資源，縮短整體的數(shù)據(jù)分析用時(shí)，提高并行任務(wù)處理性能。而大量的非結(jié)構(gòu)化數(shù)據(jù)(包括文本、圖像、視頻等)處理復(fù)雜、耗時(shí)長(zhǎng)。
而且收集來(lái)的原始變電站紅外圖像中含有大量隨機(jī)噪聲和雜波干擾，會(huì)影響后續(xù)圖像分割的質(zhì)量，從而影響到目標(biāo)特征的提取。而且現(xiàn)有的狀態(tài)檢測(cè)數(shù)據(jù)特征參數(shù)的提取的數(shù)據(jù)不完整，對(duì)目標(biāo)熱點(diǎn)區(qū)域的提取不準(zhǔn)確，利用現(xiàn)有的參數(shù)轉(zhuǎn)化方法所轉(zhuǎn)化的數(shù)據(jù)參數(shù)不規(guī)范。
技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的目的是為了解決現(xiàn)有技術(shù)中存在的缺點(diǎn)，而提出的一種狀態(tài)檢測(cè)數(shù)據(jù)特征參數(shù)提取及規(guī)范化轉(zhuǎn)換的方法。
一種狀態(tài)檢測(cè)數(shù)據(jù)特征參數(shù)提取及規(guī)范化轉(zhuǎn)換的方法，包括以下步驟：
s1：針對(duì)半結(jié)構(gòu)化數(shù)據(jù)，研究各類型文本的解析技術(shù)，采用紅外熱像法和局部放電圖譜法提取文本中的關(guān)鍵內(nèi)容，將關(guān)鍵內(nèi)容存入關(guān)系庫(kù)中，具體操作方法為針對(duì)報(bào)告、文檔的數(shù)據(jù)，研究各類型、各種格式文本的解析技術(shù)，使用xml標(biāo)記語(yǔ)言將文檔的格式節(jié)點(diǎn)進(jìn)行記錄，將文本流中提取到關(guān)鍵內(nèi)容按照規(guī)范化的數(shù)據(jù)進(jìn)行存儲(chǔ)；
s2：針對(duì)非結(jié)構(gòu)化大體積數(shù)據(jù)，基于大數(shù)據(jù)存儲(chǔ)和計(jì)算框架的圖譜檢測(cè)效率優(yōu)化技術(shù)，研究規(guī)范化的多介質(zhì)設(shè)備混合存儲(chǔ)技術(shù)，將提取的特征量和關(guān)鍵數(shù)據(jù)進(jìn)行規(guī)范化存儲(chǔ)；
s3：基于各類檢測(cè)數(shù)據(jù)的規(guī)范化模型與特征量，研究狀態(tài)檢測(cè)數(shù)據(jù)的分析診斷技術(shù)并進(jìn)行個(gè)性化展示，具體操作為：確定故障分析的輸入源或信息源、根據(jù)診斷設(shè)備是否故障停運(yùn)，在運(yùn)則利用故障預(yù)測(cè)技術(shù)進(jìn)行預(yù)測(cè)設(shè)備潛在故障，否則利用故障診斷技術(shù)診斷進(jìn)行定位設(shè)備故障。
優(yōu)選的，所述s1步驟中的紅外熱像法的具體操作包括去噪、目標(biāo)區(qū)域提取、特征參量的提取。
優(yōu)選的，所述去噪采用中值與均值相結(jié)合的濾波方法，具體操作為先使用中值濾波濾除紅外圖像中常見(jiàn)的噪聲，再使用均值濾波對(duì)圖像進(jìn)行平滑。
優(yōu)選的，所述目標(biāo)區(qū)域提取選用vs算法完成圖像的初始分割，再使用k均值聚類的方法來(lái)實(shí)現(xiàn)過(guò)分割區(qū)域的合并，再根據(jù)分割后的圖像進(jìn)行二值化處理，提取目標(biāo)區(qū)域。
優(yōu)選的，所述特征參量的提取采用基于圖像灰度信息的目標(biāo)檢測(cè)方法，該方法以目標(biāo)圖像的灰度信息為主，根據(jù)目標(biāo)區(qū)域的面積，提取目前區(qū)域的特征參量，包括：溫度、形狀、灰度分布和運(yùn)動(dòng)。
優(yōu)選的，所述s3步驟中的輸入源或信息源包括設(shè)備的信息、支撐設(shè)備診斷分析的故障案例庫(kù)以及相關(guān)關(guān)系庫(kù)。
本發(fā)明基于紅外熱像分辨率低、均勻性差、背景噪聲大的特點(diǎn)，研究電力設(shè)備紅外熱像的濾波方法，對(duì)紅外熱像進(jìn)行去噪和平滑處理，考慮到紅外圖像低信噪比、低對(duì)比度的特點(diǎn)，研究紅外熱烈分割技術(shù)，實(shí)現(xiàn)對(duì)目標(biāo)熱點(diǎn)區(qū)域的準(zhǔn)確提取，同時(shí)采用定量參數(shù)來(lái)表征放電信號(hào)的分布特征對(duì)局部放電圖譜的特征量進(jìn)行提取，一方面通過(guò)prpd統(tǒng)計(jì)特征參量描述φ-q、φ-n的二維及三維圖譜形狀差異，另一方面通過(guò)局部放電統(tǒng)計(jì)圖譜的指紋識(shí)別技術(shù)進(jìn)行區(qū)分，并通過(guò)數(shù)學(xué)方法計(jì)算這些圖譜的幅值和相位分布的指紋特征量，采用智能化的分析手段，發(fā)掘出大量的局部放電特征參量與絕緣老化狀態(tài)的聯(lián)系，為局部放電信號(hào)在線監(jiān)測(cè)、模式識(shí)別、絕緣劣化分析判斷提供依據(jù)，同時(shí)使數(shù)據(jù)的特征參數(shù)提取更簡(jiǎn)單、耗時(shí)更短、而且提取的數(shù)據(jù)參數(shù)準(zhǔn)確、完整。
具體實(shí)施方式
下面結(jié)合具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步解說(shuō)。
本發(fā)明提出的一種狀態(tài)檢測(cè)數(shù)據(jù)特征參數(shù)提取及規(guī)范化轉(zhuǎn)換的方法，包括以下步驟：
s1：針對(duì)半結(jié)構(gòu)化數(shù)據(jù)，研究各類型文本的解析技術(shù)，采用紅外熱像法和局部放電圖譜法提取文本中的關(guān)鍵內(nèi)容，將關(guān)鍵內(nèi)容存入關(guān)系庫(kù)中，具體操作方法為針對(duì)報(bào)告、文檔的數(shù)據(jù)，研究各類型、各種格式文本的解析技術(shù)，使用xml標(biāo)記語(yǔ)言將文檔的格式節(jié)點(diǎn)進(jìn)行記錄，將文本流中提取到關(guān)鍵內(nèi)容按照規(guī)范化的數(shù)據(jù)進(jìn)行存儲(chǔ)，所述紅外熱像法的具體操作包括去噪、目標(biāo)區(qū)域提取、特征參量的提取，其中去噪采用中值與均值相結(jié)合的濾波方法，具體操作為先使用中值濾波濾除紅外圖像中常見(jiàn)的噪聲，再使用均值濾波對(duì)圖像進(jìn)行平滑，目標(biāo)區(qū)域提取選用vs算法完成圖像的初始分割，再使用k均值聚類的方法來(lái)實(shí)現(xiàn)過(guò)分割區(qū)域的合并，再根據(jù)分割后的圖像進(jìn)行二值化處理，提取目標(biāo)區(qū)域，特征參量的提取采用基于圖像灰度信息的目標(biāo)檢測(cè)方法，該方法以目標(biāo)圖像的灰度信息為主，根據(jù)目標(biāo)區(qū)域的面積，提取目前區(qū)域的特征參量，包括：溫度、形狀、灰度分布和運(yùn)動(dòng)；
s2：針對(duì)非結(jié)構(gòu)化大體積數(shù)據(jù)，基于大數(shù)據(jù)存儲(chǔ)和計(jì)算框架的圖譜檢測(cè)效率優(yōu)化技術(shù)，研究規(guī)范化的多介質(zhì)設(shè)備混合存儲(chǔ)技術(shù)，將提取的特征量和關(guān)鍵數(shù)據(jù)進(jìn)行規(guī)范化存儲(chǔ)；
s3：基于各類檢測(cè)數(shù)據(jù)的規(guī)范化模型與特征量，研究狀態(tài)檢測(cè)數(shù)據(jù)的分析診斷技術(shù)并進(jìn)行個(gè)性化展示，具體操作為：首先確定故障分析的輸入源或信息源，主要包括設(shè)備的信息、支撐設(shè)備診斷分析的故障案例庫(kù)以及相關(guān)關(guān)系庫(kù)，其次根據(jù)診斷設(shè)備是否故障停運(yùn)，在運(yùn)則利用故障預(yù)測(cè)技術(shù)進(jìn)行預(yù)測(cè)設(shè)備潛在故障，否則利用故障診斷技術(shù)診斷進(jìn)行定位設(shè)備故障，針對(duì)支撐設(shè)備診斷分析的故障案例庫(kù)以及相關(guān)關(guān)系庫(kù)主要研究標(biāo)準(zhǔn)化、智能化的典型故障案例庫(kù)的構(gòu)建技術(shù)，構(gòu)建基于故障案例的設(shè)備故障樹(shù)和故障譜，針對(duì)故障預(yù)測(cè)技術(shù)主要利用基于海量數(shù)據(jù)的設(shè)備臺(tái)賬、歷史故障缺陷、歷史試驗(yàn)數(shù)據(jù)、在線監(jiān)測(cè)數(shù)據(jù)、氣象數(shù)據(jù)，研究和構(gòu)建基于故障歷史和狀態(tài)監(jiān)控的故障預(yù)測(cè)模型，實(shí)現(xiàn)設(shè)備潛在性故障分析診斷和預(yù)測(cè)，針對(duì)故障診斷技術(shù)主要研究故障停運(yùn)設(shè)備，研究基于統(tǒng)計(jì)分析法和人工智能定量診斷法的故障診斷方法、故障診斷圖論法及相關(guān)性搜索法，實(shí)現(xiàn)電力設(shè)備的故障診斷。
本發(fā)明中，研究電力設(shè)備紅外熱像的數(shù)字化處理規(guī)范方案和關(guān)鍵特征提取技術(shù)，在去噪時(shí)采用了預(yù)處理，有效減弱紅外圖像中的噪聲和雜波，提高圖像質(zhì)量和信噪比，減少需處理的數(shù)據(jù)量，此外還對(duì)圖像中的干擾物進(jìn)行增強(qiáng)或是去除，減小后續(xù)分割步驟的壓力；在目標(biāo)區(qū)域提取時(shí)采用vs算法對(duì)圖像進(jìn)行初始分割再利用k均值聚類法來(lái)實(shí)現(xiàn)過(guò)分分割區(qū)域的合并，最后根據(jù)分割后的圖像進(jìn)行二值化處理,提取出目標(biāo)區(qū)域；基于圖像灰度信息的目標(biāo)檢測(cè)方法，提取目前區(qū)域的特征參量，包括：溫度、形狀、灰度分布和運(yùn)動(dòng)，使目標(biāo)提取的更完全、更有效。
以上所述，僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，根據(jù)本發(fā)明的技術(shù)方案及其發(fā)明構(gòu)思加以等同替換或改變，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。