基于动态仿真与智能识别的耐张线夹安全性评估方法技术

本申请涉及电力设备检测领域，提出了一种基于动态仿真与智能识别的耐张线夹安全性评估方法，通过N个具有不同缺陷类型的耐张线夹样品进行缺陷检测试验得到第一缺陷等级评估数据库；再根据更多不同型号的耐张线夹的设计图纸构建有限元仿真模型，对耐张线夹模型的压接过程进行仿真，通过动态拉力仿真试验得到更多不同型号的耐张线夹缺陷数据，并补充到第一缺陷等级评估数据库中得到第二缺陷等级评估数据库；在缺陷智能识别过程中，采集待测耐张线夹的X射线图像，利用深度卷积生成对抗网络模型对其进行缺陷智能识别处理，得出所述待测耐张线夹相应的缺陷评估结果。耐张线夹相应的缺陷评估结果。耐张线夹相应的缺陷评估结果。

【技术实现步骤摘要】
基于动态仿真与智能识别的耐张线夹安全性评估方法


[0001]本申请涉及电力设备检测领域，提出了一种基于动态仿真与智能识别的耐张线夹安全性评估方法。

技术介绍

[0002]耐张线夹(tension clamp，strain clamp，dead
‑
end clamp)是指用于固定导线以承受导线张力，并将导线挂至耐张串组或杆塔上的金具。一般用于转角、接续，及终端的连接，用来将导线或避雷线固定在非直线杆塔耐张绝缘子串，起锚作用，亦用来固定拉线杆塔的拉线，是架空输电线路中不可或缺的组成部分。
[0003]耐张线夹一般可由钢锚和铝管组成，钢锚用来接续和锚固钢芯铝绞线的钢芯，通过压力使铝管产生塑性变形，从而使线夹与导线结合在一起。
[0004]耐张线夹的安装施工属高空作业和隐蔽工程，工艺控制难度大且仅通过外观尺寸检测无法准确判断内部缺陷与压接质量，易出现钢锚凹槽漏压、钢芯断股、金具损伤、压接不实、钢锚内存在间隙等缺陷，严重影响其安全可靠性和运行寿命，将对线路长期运行埋下安全隐患，甚至造成严重的电网事故。
[0005]X射线检测技术作为一种有效辅助检测方法，能够深入检查耐张线夹内部缺陷并进行可视化呈现，但仍存在一些问题而无法实现输电线路耐张线夹安全性有效评估及运维防护策略准确制定。例如，现有X射线检测仅能确定耐张线夹缺陷种类，无法准确定义缺陷严重程度；现有力学性能测试仅能对缺陷严重程度进行定性分析，缺乏失效等级划分方法；无法实现含缺陷耐张线夹的准确仿真，不能建立从仿真建模直接获得力学性能参数的有效方法等。

技术实现思路

[0006]为克服现有技术中的至少一个问题或不足，本申请提出了一种基于动态仿真与智能识别的耐张线夹安全性评估方法，实现对输电线路中耐张线夹的安全性有效评估。
[0007]所述耐张线夹安全性评估方法主要包括以下步骤：获取第一缺陷等级评估数据库；所述第一缺陷等级评估数据库为通过N个具有不同缺陷类型的耐张线夹样品进行拉力试验所得到的缺陷数据库；动态仿真：根据更多不同型号的耐张线夹的设计图纸构建有限元仿真模型，对耐张线夹模型的压接过程进行仿真，获得压接过程的动态应力和应变分布，通过动态拉力仿真试验，将更多不同型号的耐张线夹缺陷数据补充到所述第一缺陷等级评估数据库中，得到更新后的第二缺陷等级评估数据库；缺陷智能识别：采集待测耐张线夹的X射线图像，利用深度卷积生成对抗网络模型对待测耐张线夹的X射线图像进行缺陷智能识别处理，得出所述待测耐张线夹相应的缺陷评估结果。
[0008]基于上述实施例，进一步的，所述深度卷积生成对抗网络模型可包括生成器和判别器，可以通过将所述耐张线夹样品的X射线图像和随机采样向量作为所述生成器的噪声输入数据，由所述生成器生成第一虚假缺陷图像，再将所述第一虚假缺陷图像和耐张线夹
样品的真实的X射线图像生成第一混合数据，所述判别器将所述第一混合数据作为输入图像，随机进行真假判断，计算得到输入图像的第一真假概率分布，以及输入图像的第一缺陷类别概率分布。
[0009]基于上述任一实施例，进一步的，可在对所述深度卷积生成对抗网络模型进行训练时，基于分类准确度对所述生成器和所述判别器进行双向优化修正；首先固定所述生成器的微分函数保持不变，通过改变所述判别器的微分函数，直至所述判别器的分类准确率最大；然后固定所述判别器的微分函数保持不变，通过改变所述生成器的微分函数，直至所述生成器的分类准确率最小；循环迭代M次；当所述混合数据经所述判别器进行真假判断处理后计算得到的所述第一缺陷类别概率分布，与所述第一缺陷等级评估数据库中缺陷类别概率分布相同或其偏差值小于预设阈值范围内时，确定所述深度卷积生成对抗网络模型的目标函数，完成对所述深度卷积生成对抗网络模型的优化训练。
[0010]基于上述任一实施例，进一步的，可将所述第二缺陷等级评估数据库和随机采样向量作为所述生成器的噪声输入数据，由所述生成器生成第二虚假缺陷图像，再将所述第二虚假缺陷图像和耐张线夹样品的真实的X射线图像生成第二混合数据，所述判别器将所述第二混合数据作为输入图像，随机进行真假判断，计算得到输入图像的第二真假概率分布，以及输入图像的第二缺陷类别概率分布。
[0011]基于上述任一实施例，进一步的，可继续根据所述第二缺陷类别概率分布，基于分类准确度对所述深度卷积生成对抗网络模型进行双向优化修正；其优化训练过程与前述优化训练过程同理。
[0012]基于上述任一实施例，进一步的，可在对所述耐张线夹样品和所述待测耐张线夹进行缺陷检测时，采集的X射线图像包括防滑槽部位图像、钢芯部位图像和铝管部位图像；其中所述防滑槽部位图像用于评定钢锚管与铝管相对位置处的缺陷；所述钢芯部位图像用于评定钢锚管形态、钢芯形态、钢芯与钢锚压接情况、钢芯穿管深度、铝绞线与钢锚端头相对位置及异物的缺陷；所述铝管部位图像用于评定铝绞线形态和铝管压接情况的缺陷。
[0013]基于上述任一实施例，进一步的，所述缺陷评估结果可包括缺陷类型、缺陷等级和建议处理方案。
[0014]基于上述任一实施例，进一步的，所述缺陷类型可包括但不限于以下一种或多种组合：防滑槽少压；防滑槽处铝管非压接区多压；钢锚管内钢芯插入深度不足；钢锚管处钢芯未压；钢锚管压接不平整；铝绞线处铝管未压；铝绞线处铝管压接不平整；铝绞线处铝管非压接区多压；混合压接；对边距不足；钢芯破损；钢锚管弯曲。
[0015]基于上述任一实施例，进一步的，所述缺陷等级可包括一般缺陷、重大缺陷和紧急缺陷；其中所述一般缺陷对应的建议处理方案为适时开展；所述重大缺陷对应的建议处理方案为尽快开展；所述紧急缺陷对应的建议处理方案为立即开展。
[0016]基于上述任一实施例，进一步的，当检测到所述待测耐张线夹的缺陷造成整体强度损失在总拉断力的5％以内时，可判定缺陷等级为一般缺陷；当检测到所述待测耐张线夹的缺陷造成整体强度损失在总拉断力的5％
‑
17％以内时，可判定缺陷等级为重大缺陷；当检测到所述待测耐张线夹的缺陷造成整体强度损失在总拉断力的17％以上时，可判定缺陷等级为紧急缺陷。
[0017]综上所述，由于采用了上述技术方案，本专利技术的有益效果包括：
[0018](1)基于动态仿真技术对耐张线夹进行安全性评估，通过对不同缺陷类型的耐张线夹样品进行拉力试验得到缺陷数据库，然后基于有限元仿真模型对更多不同型号的耐张线夹的压接过程进行仿真，获得压接过程的动态应力和应变分布，对压接后的耐张线夹进行拉伸试验仿真，获得含缺陷的耐张线夹的拉断动态过程以及力学性能参数，对缺陷数据库进行补充更新，解决了拉力试验数据不全不足的问题。
[0019](2)基于缺陷智能识别技术对耐张线夹进行安全性评估，利用深度卷积生成对抗网络模型对待测耐张线夹的X射线图像进行缺陷智能识别处理，得出所述待测耐张线夹相应的缺陷评估结果，解决了现有X摄像检测技术仅能确定耐张线夹缺陷种类，但无法准确定义缺陷严重程度的问题，不够智能化的问题。
[0020]需说明是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于动态仿真与智能识别的耐张线夹安全性评估方法，其特征在于：所述方法包括以下步骤：获取第一缺陷等级评估数据库；所述第一缺陷等级评估数据库为通过N个具有不同缺陷类型的耐张线夹样品进行拉力试验所得到的缺陷数据库；动态仿真：根据更多不同型号的耐张线夹的设计图纸构建有限元仿真模型，对耐张线夹模型的压接过程进行仿真，获得压接过程的动态应力和应变分布，通过动态拉力仿真试验，将更多不同型号的耐张线夹缺陷数据补充到所述第一缺陷等级评估数据库中，得到更新后的第二缺陷等级评估数据库；缺陷智能识别：采集待测耐张线夹的X射线图像，利用深度卷积生成对抗网络模型对待测耐张线夹的X射线图像进行缺陷智能识别处理，得出所述待测耐张线夹相应的缺陷评估结果。2.根据权利要求1所述标定方法，其特征在于：所述深度卷积生成对抗网络模型包括生成器和判别器，通过将所述耐张线夹样品的X射线图像和随机采样向量作为所述生成器的噪声输入数据，由所述生成器生成第一虚假缺陷图像，再将所述第一虚假缺陷图像和耐张线夹样品的真实的X射线图像生成第一混合数据，所述判别器将所述第一混合数据作为输入图像，随机进行真假判断，计算得到输入图像的第一真假概率分布，以及输入图像的第一缺陷类别概率分布。3.根据权利要求2所述标定方法，其特征在于：在对所述深度卷积生成对抗网络模型进行训练时，基于分类准确度对所述生成器和所述判别器进行双向优化修正；首先固定所述生成器的微分函数保持不变，通过改变所述判别器的微分函数，直至所述判别器的分类准确率最大；然后固定所述判别器的微分函数保持不变，通过改变所述生成器的微分函数，直至所述生成器的分类准确率最小；循环迭代M次；当所述混合数据经所述判别器进行真假判断处理后计算得到的所述第一缺陷类别概率分布，与所述第一缺陷等级评估数据库中缺陷类别概率分布相同或其偏差值小于预设阈值范围内时，确定所述深度卷积生成对抗网络模型的目标函数，完成对所述深度卷积生成对抗网络模型的优化训练。4.根据权利要求3所述标定方法，其特征在于：将所述第二缺陷等级评估数据库和随机采样向量作为所述生成器的噪声输入数据，由所述生成器生成第二虚假缺陷图像，再将所述第二虚假缺陷图像和耐张线夹样品的真实的X射线图像生成第二混合数据，所述判别器将所述第二混合数据作为输入图像，随机进行真假判断，计算得到输入图像的第二真假概率分布，以及输入图像的第二缺陷类别概率分布。5.根据权利要求4所述标定方法，其特征在于：继续基于分类准确度对所述深度卷积生成对抗网络模型进行双向优化修正；首先固定所述生成器的微分函数保持不变，通过改变所述判别器的...

【专利技术属性】
技术研发人员：曾德华，杨焘，郭玉华，陈展，向黔川，何鑫，
申请(专利权)人：四川赛康智能科技股份有限公司，
类型：发明
国别省市：