【技术实现步骤摘要】
离子膜的故障检测方法及装置
[0001]本专利技术涉及离子膜检测领域,具体而言,涉及一种离子膜的故障检测方法及装置。
技术介绍
[0002]膜电槽电解法,是利用阳离子交换膜将单元分隔为阳极室和阴极室,使电解产品分开的方法。利用离子交换膜对阴阳离子具有选择透过的特性,容许带一种电荷的离子通过而限制相反电荷的离子通过已达到氢气、氧气和水分离的目的,但是在实际生产过程中,制氢存储中的氧含量超过2%就会预警,超过4%就会发生爆炸,因此有目的对离子膜故障检测是一件很重要的环节。
[0003]现有技术中对离子膜进行故障检测,通常是采集制氢设备离子膜的实时状态,从历史检测图像库及拍摄的视频中抽取视频帧形成图像集,对图像集进行预处理,但是,上述现有解决方法在使用现有基于卷积神经网络深度学习过程中,存在以下问题:1)如下表1所示,由于模型参数太多,如果训练数据集有限,很容易产生过拟合;网络越大、参数越多,计算复杂度越大,难以应用;网络越深,容易出现梯度弥散问题(即梯度越往后穿越容易消失),难以优化模型。
[0004]表1
[0005][0006]2)制氢设备离子膜图像存在多种故障模式,它们之间的差别有时十分明显,有些故障之间差别不大,尤其是同一种影像手段拍摄的诊断图,故障图像组合方式也没有完全按照对称的方式拼接,拼接后图像间距也各有不同,另外,数据集的采集比较困难,并且需要专业人员对采集到的数据进行标注。因此导致了多标签学习任务的数据集标注成本昂贵和已标注数据规模过小的原因,面对特征学习模型庞大的参数,容易引起 ...
【技术保护点】
【技术特征摘要】
1.一种离子膜的故障检测方法,其特征在于,包括:获取离子膜图像集,其中,所述离子膜图像集中包含不同故障类别的多个离子膜;基于所述故障类别对所述离子膜图像集进行标注处理,得到标注数据集,其中,所述标注数据集包括:训练集、验证集和测试集;采用所述标注数据集训练目标残差网络模型,得到离子膜故障检测模型,其中,所述目标残差网络模型为进行了自然图像特征迁移而得到的神经网络模型;采用所述离子膜故障检测模型检测制氢设备的离子膜是否出现故障,得到故障检测结果。2.根据权利要求1所述的方法,其特征在于,获取离子膜图像集,包括:获取历史离子膜图像和当前离子膜图像,其中,所述历史离子膜图像为历史检测图像库中的离子膜图像,所述当前离子膜图像为当前拍摄所述制氢设备中的离子膜得到的离子膜图像;基于所述历史离子膜图像和所述当前离子膜图像,得到所述离子膜图像集。3.根据权利要求1所述的方法,其特征在于,在基于所述故障类别对所述离子膜图像集进行标注处理,得到标注数据集之前,所述方法还包括:对所述离子膜图像集中所有的离子膜图像进行比例缩放处理,得到所有的调整后离子膜图像;对所有的所述调整后离子膜图像添加类别标签,其中,所述类别标签用于指示所述故障类别,所述故障类别包括以下至少之一:变形、脱落、破裂、起伏、腐蚀、沉积、污垢、渗透、异物刺穿。4.根据权利要求1所述的方法,其特征在于,在基于所述故障类别对所述离子膜图像集进行标注处理,得到标注数据集之前,所述方法还包括:对所述离子膜图像集中所有的离子膜图像进行数据预处理,得到预处理后的离子膜图像;其中,所述数据预处理用于处理所述离子膜图像中的缺失值和异常值;从所述预处理后的离子膜图像中提取图像特征值,得到图像特征向量。5.根据权利要求1所述的方法,其特征在于,在基于所述故障类别对所述离子膜图像集进行标注处理,得到标注数据集之后,所述方法还包括:获取所述目标残差网络模型的数据处理需求;基于所述数据处理需求,将第一比例的所述标注数据集作为所述训练集,将第二比例的所述标注数据集作为所述验证集,以及将第三比例的所述标注数据集作为所述测试集,其中,所述第一比例大于所述第二比例和所述第三比例。6.根据权利要求1所述的方法,其特征在于,在采用所述标注数据集训练目标残差网络模型,得到离子膜故障检测模型之前,所述方法还包括:搭建初始残差网络模型;将自然图像集训练模型的自然图像特征迁移至所述初始残差网络模型,得到所述目标残差网络模型。7.根据权利要求6所述的方法,其特征在于,所述初始残差网络模型的网络结构为向量卷积Conv1
‑
批标准化Batch Normalization算法
‑
线性整流ReLU1激活函数与Conv2
‑
Batch Normalization算法
‑
ReLU2激活函数;所述目标残差网络模型的卷积层采用3*3卷积核,所
述目标残差网络模型的网络结构为C...
【专利技术属性】
技术研发人员:廖文喆,孙鹤旭,梅春晓,董砚,雷兆明,刘斌,梁涛,林涛,井延伟,白日欣,
申请(专利权)人:河北工业大学河北科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。