干式变压器的低压线圈的成型质量检测系统及其检测方法技术方案

本申请涉及智能制造的领域，其具体地公开了一种干式变压器的低压线圈的成型质量检测系统及其检测方法，其通过具有不同感受野的卷积神经网络对干式变压器的低压线圈在不同拍摄角度下的线圈图像进行不同尺度的特征挖掘，进而基于其在高维特征空间的特征分布的一致性来作为线圈成型质量的判断依据，来对所述干式变压器的低压线圈的质量进行检测，以对所述干式变压器的低压线圈的制造装置进行故障诊断。断。断。

Forming quality inspection system and inspection method of low-voltage coil of dry-type transformer

【技术实现步骤摘要】
干式变压器的低压线圈的成型质量检测系统及其检测方法


[0001]本专利技术涉及智能制造的领域，且更为具体地，涉及一种干式变压器的低压线圈的成型质量检测系统及其检测方法。

技术介绍

[0002]干式变压器广泛用于局部照明、高层建筑 、机场，码头CNC机械设备等场所，简单的说干式变压器就是指铁芯和绕组不浸渍在绝缘油中的变压器。
[0003]传统的干式变压器的低压线圈制造装置在制造出一批线圈之后才会基于线圈的质检来判断干式变压器的低压线圈制造装置的自身是否存在故障，其原因为线圈的质量检测无法通过肉眼来完成而需要专门的检测设备。但是，一旦制造装置出现问题，就会大规模的出现线圈绕线不平整，一旦线圈绕线不平整，在使用过程中就会出现漏感增大、匝间短路或寿命减短的情况。因此，期望一种干式变压器的低压线圈的成型质量检测系统来对线圈的质量进行智能检测，以及时有效的对干式变压器的低压线圈制造装置进行故障监控。
[0004]深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0005]近年来，深度学习以及神经网络的发展，尤其是卷积神经网络的发展，为线圈质量检测提供了新的解决思路和方案。

技术实现思路

[0006]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种干式变压器的低压线圈的成型质量检测系统及其检测方法，其通过具有不同感受野的卷积神经网络对干式变压器的低压线圈在不同拍摄角度下的线圈图像进行不同尺度的特征挖掘，进而基于其在高维特征空间的特征分布的一致性来作为线圈成型质量的判断依据，来对所述干式变压器的低压线圈的质量进行检测，以对所述干式变压器的低压线圈的制造装置进行故障诊断。
[0007]根据本申请的一个方面，提供了一种干式变压器的低压线圈的成型质量检测系统，其包括：线圈图像采集模块，用于获取由相机采集的加工完成的干式变压器的低压线圈在多个不同拍摄角度下的多个线圈图像；大尺度编码模块，用于将所述多个线圈图像中各个线圈图像分别通过使用第一卷积核的第一卷积神经网络以得到多个第一特征图；第一尺度相似度评估模块，用于对所述多个第一特征图进行聚类以得到第一聚类中心，并计算所述多个第一特征图中各个第一特征图与所述第一聚类中心之间的距离以得到第一特征向量；小尺度编码模块，用于将所述多个线圈图像中各个线圈图像分别通过使用第二卷积核的第二卷积神经网络以得到多个第二特征图，其中，所述第二卷积核的尺寸小于所述第一卷积核的尺寸；第二尺度相似度评估模块，用于对所述多个第二特征图进行聚类以得到第二聚类中心，并计算所述多个第二特征图中各个第二特征图与所述第二聚类中心之间的距
离以得到第二特征向量；特征向量融合模块，用于对所述第一特征向量和所述第二特征向量进行基于尺度迁移确定性的融合以得到分类特征矩阵，其中，所述基于尺度迁移确定性的融合基于所述第一特征向量的转置乘以所述第二特征向量所得到的特征矩阵除以所述特征矩阵的Frobenius范数来进行；以及制造结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示加工完成的干式变压器的低压线圈的成型质量是否满足预设要求。
[0008]在上述干式变压器的低压线圈的成型质量检测系统中，所述第一卷积核的第一卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述第一特征图，所述第一卷积神经网络的第一层的输入为所述多个线圈图像中各个线圈图像；所述第二卷积核的第二卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述第二特征图，所述第二卷积神经网络的第一层的输入为所述多个线圈图像中各个线圈图像。
[0009]在上述干式变压器的低压线圈的成型质量检测系统中，所述第一尺度相似度评估模块，包括：第一聚类单元，用于计算所述多个第一特征图的按位置均值以得到第一均值特征图作为所述第一聚类中心；第一相似度计算单元，用于计算所述多个第一特征图中各个第一特征图与所述第一聚类中心之间的距离；以及，第一向量构造单元，用于将所述多个第一特征图中各个第一特征图与所述第一聚类中心之间的距离进行排列以得到所述第一特征向量。
[0010]在上述干式变压器的低压线圈的成型质量检测系统中，所述多个第一特征图中各个第一特征图与所述第一聚类中心之间的距离为所述多个第一特征图中各个第一特征图与所述第一聚类中心之间的欧式距离或余弦距离。
[0011]在上述干式变压器的低压线圈的成型质量检测系统中，所述第二尺度相似度评估模块，包括：第二聚类单元，用于计算所述多个第二特征图的按位置均值以得到第二均值特征图作为所述第二聚类中心；第二相似度计算单元，用于计算所述多个第二特征图中各个第二特征图与所述第二聚类中心之间的距离；以及，第二向量构造单元，用于将所述多个第二特征图中各个第二特征图与所述第二聚类中心之间的距离进行排列以得到所述第二特征向量。
[0012]在上述干式变压器的低压线圈的成型质量检测系统中，所述特征向量融合模块，进一步用于：以如下公式对所述第一特征向量和所述第二特征向量进行基于尺度迁移确定性的融合以得到所述分类特征矩阵；其中，所述公式为：其中表示所述分类特征矩阵，表示所述第一特征向量,表示所述第二特征向量，和均为行向量，表示矩阵的Frobenius范数，表示矩阵的指数运算。
[0013]在上述干式变压器的低压线圈的成型质量检测系统中，所述制造结果生成模块，进一步用于：所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：，其中表示将所述分类特征矩阵投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置矩阵。
[0014]根据本申请的另一方面，一种干式变压器的低压线圈的成型质量检测系统的检测方法，其包括：获取由相机采集的加工完成的干式变压器的低压线圈在多个不同拍摄角度下的多个线圈图像；将所述多个线圈图像中各个线圈图像分别通过使用第一卷积核的第一卷积神经网络以得到多个第一特征图；对所述多个第一特征图进行聚类以得到第一聚类中心，并计算所述多个第一特征图中各个第一特征图与所述第一聚类中心之间的距离以得到第一特征向量；将所述多个线圈图像中各个线圈图像分别通过使用第二卷积核的第二卷积神经网络以得到多个第二特征图，其中，所述第二卷积核的尺寸小于所述第一卷积核的尺寸；对所述多个第二特征图进行聚类以得到第二聚类中心，并计算所述多个第二特征图中各个第二特征图与所述第二聚类中心之间的距离以得到第二特征向量；对所述第一特征向量和所述第二特征向量进行基于尺度迁移确定性的融合以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种干式变压器的低压线圈的成型质量检测系统，其特征在于，包括：线圈图像采集模块，用于获取由相机采集的加工完成的干式变压器的低压线圈在多个不同拍摄角度下的多个线圈图像；大尺度编码模块，用于将所述多个线圈图像中各个线圈图像分别通过使用第一卷积核的第一卷积神经网络以得到多个第一特征图；第一尺度相似度评估模块，用于对所述多个第一特征图进行聚类以得到第一聚类中心，并计算所述多个第一特征图中各个第一特征图与所述第一聚类中心之间的距离以得到第一特征向量；小尺度编码模块，用于将所述多个线圈图像中各个线圈图像分别通过使用第二卷积核的第二卷积神经网络以得到多个第二特征图，其中，所述第二卷积核的尺寸小于所述第一卷积核的尺寸；第二尺度相似度评估模块，用于对所述多个第二特征图进行聚类以得到第二聚类中心，并计算所述多个第二特征图中各个第二特征图与所述第二聚类中心之间的距离以得到第二特征向量；特征向量融合模块，用于对所述第一特征向量和所述第二特征向量进行基于尺度迁移确定性的融合以得到分类特征矩阵，其中，所述基于尺度迁移确定性的融合基于所述第一特征向量的转置乘以所述第二特征向量所得到的特征矩阵除以所述特征矩阵的Frobenius范数来进行；以及制造结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示加工完成的干式变压器的低压线圈的成型质量是否满足预设要求。2.根据权利要求1所述的干式变压器的低压线圈的成型质量检测系统，其中，所述第一卷积核的第一卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述第一特征图，所述第一卷积神经网络的第一层的输入为所述多个线圈图像中各个线圈图像；所述第二卷积核的第二卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述第二特征图，所述第二卷积神经网络的第一层的输入为所述多个线圈图像中各个线圈图像。3.根据权利要求2所述的干式变压器的低压线圈的成型质量检测系统，其中，所述第一尺度相似度评估模块，包括：第一聚类单元，用于计算所述多个第一特征图的按位置均值以得到第一均值特征图作为所述第一聚类中心；第一相似度计算单元，用于计算所述多个第一特征图中各个第一特征图与所述第一聚类中心之间的距离；以及第一向量构造单元，用于将所述多个第一特征图中各个第一特征图与所述第一聚类中心之间的距离进行排列以得到所述第一特征向量。4.根据权利要求3所述的干式变压器的低压线圈的成型质量检测系统，其中，所述多个第一特征图中各个第一特征图与所述第一聚类中心之间的距离为所述多个第一特征图中各个第一特征图与所述第一聚类中心之间的欧式距离或余弦距离。5.根据权利要求4所述的干式变压器的低压线圈的成型质量检测系统，其中，所述第二尺度相似度评估模块，包括：第二聚类单元，用于计算所述多个第二特征图的按位置均值以得到第二均值特征图作为所述第二聚类中心；第二相似度计算单元，用于计算所述多个第二特征图中各个第二特征图与所述第二聚类中心之间的距离；以及第二向量构造单元，用于将所述多个第二特征图中各个第二特征图与所述第二聚类中心之间的距离进行排列以

【专利技术属性】
技术研发人员：姥随意，陈兴沛，李飞，
申请(专利权)人：江苏明德电力设备有限公司，
类型：发明
国别省市：