基于矩阵神经网络的隔离刀闸故障诊断方法技术

本发明专利技术涉及一种故障诊断方法，尤其涉一种基于矩阵神经网络的隔离刀闸故障诊断方法。一种新的基于图像识别的隔离刀闸红外诊断方法，该方法实现了直接输入隔离刀闸红外图像直接输入进行神经网络训练学习，将传统的神经网络拓展到矩阵神经网络；首先对隔离刀闸的红外图像进行去噪预处理，通过对红外图像矩阵进行奇异值分解，然后对各层的左右权值矩阵进行训练学习，最终实现基于红外图像的隔离刀闸故障诊断的基于矩阵神经网络的隔离刀闸故障诊断方法。

【技术实现步骤摘要】
基于矩阵神经网络的隔离刀闸故障诊断方法
本专利技术涉及一种故障诊断方法，尤其涉一种基于矩阵神经网络的隔离刀闸故障诊断方法。
技术介绍
隔离刀闸是变电站输配电线路中与断路器配合使用的一种主要设备，其主要作用是保证高压设备检修时工作人员的安全。在需要检修的设备和其他带电部分之间，用隔离刀闸构成一个明显的断开点，给工作人员提供足够大的绝缘间隔。在长期运行中，由于各种原因可能会导致隔离刀闸出现各种故障，给电网的安全稳定运行和人身安全造成很大的安全隐患，因此对隔离刀闸的故障检测必不可少。传统采用过人工测温及人工判别故障的方法，专门设置一个班组，每班定时对电缆中接头温度进行温度检查。这种方法不仅耗用了大量的人力，而且效果并不见佳。随着智能化算法的研究，基于红外图像的故障诊断技术开始出现，主要有神经网络，由于它强大的并行计算能力和自学习功能，适合用来进行故障分类。但是目前的神经网络，其输出参数必须是向量，对于图像的神经网络往往直接将图像矩阵展开成向量，这样不仅破坏了图像的整体结构，还使得向量长度过长，导致计算量增加，学习效率低下，容易陷入局部最优解。由此，我们提出一种基于矩阵输入的神经网络，直接对图像矩阵进行训练学习，大大降低计算量，加快学习速度，从而实现基于红外图像的隔离刀闸故障快速诊断。
技术实现思路
本专利技术主要是解决现有技术中存在的不足，提供一种新的基于图像识别的隔离刀闸红外诊断方法，该方法实现了直接输入隔离刀闸红外图像直接输入进行神经网络训练学习，将传统的神经网络拓展到矩阵神经网络；首先对隔离刀闸的红外图像进行去噪预处理，通过对红外图像矩阵进行奇异值分解，然后对各层的左右权值矩阵进行训练学习，最终实现基于红外图像的隔离刀闸故障诊断的基于矩阵神经网络的隔离刀闸故障诊断方法。本专利技术的上述技术问题主要是通过下述技术方案得以解决的：一种基于矩阵神经网络的隔离刀闸故障诊断方法，按以下步骤运行：步骤1：采集N张隔离刀闸的红外图像，将其进行高斯滤波，降低噪点的影响，得到训练红外图像样本集步骤2：将训练红外图像样本集分别进行灰度化和归一化，最终得到训练矩阵样本集Xi＝0.00117fi(:,:,1)+0.00230fi(:,:,2)+0.00045fi(:,:,3)其中fi(:,:,1)表示第i张红外图像的R通道分量；fi(:,:,2)表示第i张红外图像的G通道分量；fi(:,:,3)表示第i张红外图像的B通道分量；步骤3：根据每张红外图像的故障情况，按照缺陷等级划分为正常、一般缺陷、重要缺陷和紧急缺陷4类，由此得到一个训练集缺陷结果向量其中Yi由(0,1)构成，其长度为4分别代表4类，每张图像只能归属于某一类，故只有一个1其它元素均为0；步骤4：将训练样本放入神经网络进行训练，但是传统神经网络仅支持训练样本为向量，这样会丢失红外图像结构的完整性，由此我们提出一种矩阵神经网络，其基本模型如下：Y＝σ(UXVT+B)+E其中，Y为缺陷结果，X为红外图像矩阵样本，U和V为连接权值，B为当前层的偏移矩阵，σ()为激活函数，E为误差；第1层输入层，输入训练矩阵样本集第L+1层为输出层，输出训练结果中间为隐藏层，其中第1层到L层之间各层的关系为：X(l+1)＝σ(U(l)X(l)V(l)T+B(l))，l＝1,...,L-1其中X(l+1)为中间第l+1层结果；第L层到输出层之间的关系为：其中yk为第k个样本的训练输出结果；步骤5：为了得到最优训练结果，我们定义代价函数L为：这里我们使用梯度下降法，需要将代价函数分别对步骤4中的参数U，V，B，tbk进行求导，然后对参数进行修正，达到最终最优解；步骤6：计算代价函数对中间层因子N(l)的导数其中N(l)＝U(l)X(l)V(l)T+B(l)，l＝1,...,L-1，则由链式法则我们可以得到其中代入得到其中表示克罗内克乘积算子；直接计算得到由此我们得到代价函数对中间层因子N(l)的导数为其中表示矩阵的点积，步骤7：由步骤6再分别计算代价函数对权值矩阵U(l)、V(l)和偏移B(l)的导数由此我们得到代价函数对权值矩阵U(l)的导数为类似的，求解代价函数对权值矩阵V(l)和偏移B(l)的导数为其中参数通过步骤6求得；步骤8：计算代价函数对最后一层参数和tbk的导数其中矩阵则代价函数对参数的导数为类似的可以得到代价函数对参数tbk的导数为步骤9：对输入的训练矩阵样本集和结果进行训练，按照梯度下降法对训练参数进行更新，具体步骤如下：(1)输入训练矩阵样本和结果随机初始化权值矩阵U(l)、V(l)和偏移B(l)，以及和tbk，学习率η，误差ε，i＝1；(2)通过步骤7和步骤8，计算得到参数梯度下降方向和(3)按照梯度下降方向对权值矩阵U(l)、V(l)和偏移B(l)，以及和tbk进行更新(4)i＝i+1，重复步骤(2)-步骤(3)，直到L<ε，或者i小于最大迭代次数，最终得到权值矩阵U(l)、V(l)和偏移B(l)，以及参数和tbk；步骤10：将需要进行故障诊断的隔离刀闸红外图像，同步骤1和步骤2对其进行灰度化和归一化，得到预测矩阵样本集其中fi′(:,:,1)表示第i张待预测红外图像的R通道分量；fi′(:,:,2)表示第i张待预测红外图像的G通道分量；fi′(:,:,3)表示第i张待预测红外图像的B通道分量；步骤11：通过步骤9得到权值矩阵U(l)、V(l)和偏移B(l)，其中l＝1,...,L-1，代入到第1层到L层之间各层的关系模型中，求得X′(L)；X′(l+1)＝σ(U(l)X′(l)V(l)T+B(l))，l＝1,...,L-1步骤12：将步骤9得到的和tbk，以及步骤11得到的X′(L)代入第L层到输出层之间的关系模型中，得到最终Y′＝[y1′,y2′,y3′,y4′]，其中最后通过Y′来预测隔离刀闸故障情况，其中第1列为1表示设备处于正常状态、第2列为1表示设备处于一般缺陷状态、第3列为1表示设备处于重要缺陷状态、第4列为1表示设备处于紧急缺陷状态。因此，本专利技术的基于矩阵神经网络的隔离刀闸故障诊断方法，对矩阵进行奇异值分解，将神经网络拓展到矩阵神经网络，直接输入隔离刀闸的红外图像进行训练学习，有效提高学习速度，实现基于红外图像的隔离刀闸的故障快速准确诊断。附图说明图1是本专利技术中故障隔离刀闸红外图像；图2是本专利技术中另一故障隔离刀闸红外图像。具体实施方式下面通过实施例，并结合附图，对本专利技术的技术方案作进一步具体的说明。实施例1：基于图像识别的隔离刀闸红外诊断方法，步骤如下：步骤1：采集N＝500张隔离刀闸的红外图像，将其进行高斯滤波，降低噪点的影响，得到训练红外图像样本集步骤2：将训练红外图像样本集分别进行灰度化和归一化，最终得到训练矩阵样本集Xi＝0.00117fi(:,:,1)+0.00230fi(:,:,2)+0.00045fi(:,:,3)其中fi(:,:,1)表示第i张红外图像的R通道分量；fi(:,:,2)表示第i张红外图像的G通道分量；fi(:,:,3)表示第i张红外图像的B通道分量；步骤3：根据每张红外图像的故障情况，按照缺陷等级划分为正常、一般缺陷、重要缺陷和紧急缺陷4类，由此得到一个训练集缺陷结果向量其中Yi由(0,1)构成，其长度为4分别代表4类本文档来自技高网...

【技术保护点】
一种基于矩阵神经网络的隔离刀闸故障诊断方法，其特征在于按以下步骤运行：步骤1：采集N张隔离刀闸的红外图像，将其进行高斯滤波，降低噪点的影响，得到训练红外图像样本集

【技术特征摘要】
1.一种基于矩阵神经网络的隔离刀闸故障诊断方法，其特征在于按以下步骤运行：步骤1：采集N张隔离刀闸的红外图像，将其进行高斯滤波，降低噪点的影响，得到训练红外图像样本集步骤2：将训练红外图像样本集分别进行灰度化和归一化，最终得到训练矩阵样本集Xi＝0.00117fi(:,:,1)+0.00230fi(:,:,2)+0.00045fi(:,:,3)其中fi(:,:,1)表示第i张红外图像的R通道分量；fi(:,:,2)表示第i张红外图像的G通道分量；fi(:,:,3)表示第i张红外图像的B通道分量；步骤3：根据每张红外图像的故障情况，按照缺陷等级划分为正常、一般缺陷、重要缺陷和紧急缺陷4类，由此得到一个训练集缺陷结果向量其中Yi由(0,1)构成，其长度为4分别代表4类，每张图像只能归属于某一类，故只有一个1其它元素均为0；步骤4：将训练样本放入神经网络进行训练，但是传统神经网络仅支持训练样本为向量，这样会丢失红外图像结构的完整性，由此我们提出一种矩阵神经网络，其基本模型如下：Y＝σ(UXVT+B)+E其中，Y为缺陷结果，X为红外图像矩阵样本，U和V为连接权值，B为当前层的偏移矩阵，σ()为激活函数，E为误差；第1层输入层，输入训练矩阵样本集第L+1层为输出层，输出训练结果中间为隐藏层，其中第1层到L层之间各层的关系为：X(l+1)＝σ(U(l)X(l)V(l)T+B(l))，l＝1,...,L-1其中X(l+1)为中间第l+1层结果；第L层到输出层之间的关系为：其中yk为第k个样本的训练输出结果；步骤5：为了得到最优训练结果，我们定义代价函数L为：这里我们使用梯度下降法，需要将代价函数分别对步骤4中的参数U，V，B，tbk进行求导，然后对参数进行修正，达到最终最优解；步骤6：计算代价函数对中间层因子N(l)的导数其中N(l)＝U(l)X(l)V(l)T+B(l)，l＝1,...,L-1，则由链式法则我们可以得到其中代入得到其中表示克罗内克乘积算子；直接计算得到由此我们得到代价函数对中间层因子N(l)的导数为其中表示矩阵的点积，步骤7：由步骤6再分别计算代价函数对权值矩阵U(l)、V(l)和偏移B(l)的导数由此我们得到代价函数对权值矩阵U(l)的导数为

【专利技术属性】
技术研发人员：邱海锋，戚伟，万燕珍，韩荣杰，翁利国，谢婷，陈杰，杜成一，
申请(专利权)人：浙江中新电力发展集团有限公司，国网浙江杭州市萧山区供电公司，国网浙江省电力公司杭州供电公司，浙江中新电力发展集团有限公司萧山科技分公司，
类型：发明
国别省市：浙江,33