一种操动机构故障诊断识别方法及系统技术方案

本申请提供一种操动机构故障诊断识别方法及系统，所述方法包括：获取操动机构动作过程信息；将操动机构动作过程图像信息输入至深度卷积神经网络模型，生成目标操动机构图像特征；基于时域振动信号信息，获取信号向量；信号向量为每个时域振动信号的能量系数、样本熵和功率谱熵；基于信号向量，生成多特征参数向量；基于操动机构图像特征和所述多特征参数向量，采用量子粒子群算法，生成次序二叉树模型；基于次序二叉树模型，生成故障辨识结果，以解决目前故障诊断模型不能准确识别出高压断路器真实的状态，也极大程度上影响了故障诊断模型的精度和泛化性能；另外，提取的时序特征维度较低，不能有效表征数据，信息丢失严重的问题。

【技术实现步骤摘要】

本申请涉及电力设备故障识别，尤其涉及一种操动机构故障诊断识别方法及系统。

技术介绍

1、图像识别技术是计算机视觉领域的重要研究方向，其应用广泛，如人脸识别、物体检测、图像分类等。近年来，随着深度学习技术的快速发展，图像识别领域也取得了显著的进展。

2、卷积神经网络(cnn)是图像识别领域最常用的深度学习算法之一，研究人员不断尝试改进cnn的结构、优化训练过程、引入新的激活函数等，以提高图像识别的准确率和效率。构建大规模数据集，多样化的图像数据集是提高图像识别性能的关键。研究人员通过采集大量的图像数据，并添加各种标注，来训练和测试图像识别算法。此外，还尝试利用无标注数据进行自监督学习，以进一步提高图像识别算法的性能。

3、由于不同数据集之间的分布差异，直接将预训练模型应用到新的数据集上效果不佳；导致不能准确识别出高压断路器真实的状态，也极大程度上影响了故障诊断模型的精度和泛化性能。另外，提取的时序特征维度较低，不能有效表征数据，信息丢失严重。

技术实现思路

1、本申请实施例提供了一种操动本文档来自技高网...

【技术保护点】

1.一种操动机构故障诊断识别方法，其特征在于，包括：

2.根据权利要求1所述的一种操动机构故障诊断识别方法，其特征在于，所述将所述操动机构动作过程图像信息输入至深度卷积神经网络模型，生成目标操动机构图像特征之前包括：

3.根据权利要求1所述的一种操动机构故障诊断识别方法，其特征在于，所述深度卷积神经网络模型由第一卷积神经网络模型和第二卷积神经网络模型组成，所述第一卷积神经网络模型和第所述二卷积神经网络模型结构相同，输入的所述操动机构动作过程图像信息不同。

4.根据权利要求3所述的一种操动机构故障诊断识别方法，其特征在于，所述第一卷积神经网络模型和第所述...

【技术特征摘要】

1.一种操动机构故障诊断识别方法，其特征在于，包括：

2.根据权利要求1所述的一种操动机构故障诊断识别方法，其特征在于，所述将所述操动机构动作过程图像信息输入至深度卷积神经网络模型，生成目标操动机构图像特征之前包括：

3.根据权利要求1所述的一种操动机构故障诊断识别方法，其特征在于，所述深度卷积神经网络模型由第一卷积神经网络模型和第二卷积神经网络模型组成，所述第一卷积神经网络模型和第所述二卷积神经网络模型结构相同，输入的所述操动机构动作过程图像信息不同。

4.根据权利要求3所述的一种操动机构故障诊断识别方法，其特征在于，所述第一卷积神经网络模型和第所述二卷积神经网络模型设置有至少一个卷积层、池化层和全连接层...

【专利技术属性】
技术研发人员：邵洪平，姜贻哲，赵加能，李学腾，杨明昆，彭兆裕，邱鹏锋，代维菊，洪志湖，罗杰，胡锦，
申请(专利权)人：云南电网有限责任公司大理供电局，
类型：发明
国别省市：