本發(fā)明涉及變電設(shè)備，具體涉及一種變電設(shè)備無接觸式監(jiān)測方法和系統(tǒng)。

背景技術(shù)：

1、目前，變電設(shè)備是生產(chǎn)生活電力保障的重要設(shè)備，安全運行關(guān)系到人民生產(chǎn)生活的方方面面。變電設(shè)備的使用往往是隨下游居民與商業(yè)用戶的用電功率做出變電策略的調(diào)整，設(shè)備在切換的過程中往往伴隨發(fā)熱和微振動的變化，這些信息能夠反映控制部件與功率的調(diào)整的運行狀態(tài)。

2、也就是說這些信息的及時采集、分析與存儲能夠有效監(jiān)控設(shè)備的是否正常工作。然而，現(xiàn)有的變電設(shè)備故障監(jiān)測與預(yù)警主要采用人工觀察檢修與專用裝置測試等方法，監(jiān)測效率較低，檢修的不及時，造成了設(shè)備的提前老化與報廢。

技術(shù)實現(xiàn)思路

1、為了解決現(xiàn)有技術(shù)中采用人工觀察與專用裝置測試的方法對變電設(shè)備進(jìn)行故障監(jiān)測，導(dǎo)致對變電設(shè)備的故障監(jiān)測效率低的問題，本發(fā)明提出一種變電設(shè)備無接觸式監(jiān)測方法，包括：

2、獲取變電設(shè)備的紅外溫度數(shù)據(jù)和振動視頻序列；

3、根據(jù)所述紅外溫度數(shù)據(jù)，利用紅外溫度預(yù)警算法，得到所述變電設(shè)備的溫度是否超過溫度閾值的判斷結(jié)果；

4、根據(jù)所述振動視頻序列，利用預(yù)先訓(xùn)練的振動監(jiān)測模型，得到所述變電設(shè)備中是否含有振動部件的判斷結(jié)果；

5、基于所述變電設(shè)備的溫度是否超過溫度閾值的判斷結(jié)果和所述變電設(shè)備中是否含有振動部件的判斷結(jié)果，得到所述變電設(shè)備的運行狀態(tài)監(jiān)測結(jié)果；

6、其中，所述振動監(jiān)測模型是以所述變電設(shè)備的歷史振動視頻序列作為振動訓(xùn)練數(shù)據(jù)的輸入，以所述振動視頻序列中是否含有對應(yīng)的振動部件的結(jié)果作為振動訓(xùn)練數(shù)據(jù)的輸出，對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到的。

7、可選的，所述變電設(shè)備的紅外溫度數(shù)據(jù)包括如下的獲取過程：

8、獲取變電設(shè)備的紅外光譜信息；

9、根據(jù)所述紅外光譜信息，利用預(yù)先訓(xùn)練的溫度換算模型，得到所述紅外光譜信息對應(yīng)的紅外溫度數(shù)據(jù)；

10、其中，所述溫度換算模型是以歷史的紅外光譜信息作為溫度訓(xùn)練數(shù)據(jù)的輸入，以所述歷史的紅外光譜信息對應(yīng)的紅外溫度數(shù)據(jù)作為溫度訓(xùn)練數(shù)據(jù)的輸出，對所述卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后得到的。

11、可選的，所述卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)包括：依次連接的卷積層、第一relu激活層、池化層、第一全連接層、第二relu激活層、第二全連接層和softmax輸出層。

12、可選的，所述振動視頻序列包括如下的獲取過程：

13、獲取所述變電設(shè)備的視頻采集序列；

14、利用相位微動作放大算法，對所述視頻采集序列進(jìn)行振動放大，得到對應(yīng)的振動視頻序列。

15、可選的，所述利用相位微動作放大算法，對所述視頻采集序列進(jìn)行振動放大，得到對應(yīng)的振動視頻序列，包括：

16、對所述視頻采集序列中的各圖像幀進(jìn)行拉普拉斯金字塔分解，得到所述各圖像幀的明暗空間變化信息和所述視頻采集序列的金字塔信息；

17、基于所述各圖像幀的明暗空間變化信息，得到所述視頻采集序列的低頻振動信號；

18、將所述視頻采集序列的低頻振動信號按照預(yù)設(shè)的振動幅頻進(jìn)行振幅放大，得到振幅放大信息；

19、根據(jù)所述振幅放大信息和所述金字塔信息，利用逆拉普拉斯金字塔算法，得到所述視頻采集序列對應(yīng)的振動視頻序列。

20、可選的，所述基于所述各圖像幀的明暗空間變化信息，得到所述視頻采集序列的低頻振動信號，包括：

21、對所述各圖像幀的明暗空間變化信息進(jìn)行低通濾波，得到所述各圖像幀中每一個像素點的時域變化信息；

22、根據(jù)所述各圖像幀中每一個像素點的時域變化信息，得到所述視頻采集序列的低頻振動信號。

23、可選的，所述根據(jù)所述振幅放大信息和所述金字塔信息，利用逆拉普拉斯金字塔算法，得到所述視頻采集序列對應(yīng)的振動視頻序列，包括：

24、將所述振幅放大信息和所述金字塔信息進(jìn)行信息疊加，得到疊加振動信息；

25、利用逆拉普拉斯金字塔算法對所述疊加振動信息進(jìn)行圖像重建，得到所述視頻采集序列對應(yīng)的振動視頻序列。

26、可選的，所述基于所述變電設(shè)備的溫度是否超過溫度閾值的判斷結(jié)果和所述變電設(shè)備中是否含有振動部件的判斷結(jié)果，得到所述變電設(shè)備的運行狀態(tài)監(jiān)測結(jié)果，包括：

27、當(dāng)所述變電設(shè)備的溫度超過溫度閾值，且所述變電設(shè)備中含有振動部件時，所述變電設(shè)備的運行狀態(tài)監(jiān)測結(jié)果為發(fā)生運行故障；

28、否則，所述變電設(shè)備的運行狀態(tài)監(jiān)測結(jié)果為未發(fā)生運行故障。

29、可選的，所述變電設(shè)備的運行狀態(tài)監(jiān)測結(jié)果為發(fā)生運行故障之后，還包括：

30、將所述變電設(shè)備發(fā)生運行故障的工況信息通過通訊網(wǎng)絡(luò)發(fā)送到警報裝置，所述警報裝置用于針對所述工況信息發(fā)出聲光警報。

31、基于同一發(fā)明構(gòu)思，本發(fā)明還提供了一種變電設(shè)備無接觸式監(jiān)測系統(tǒng)，包括：

32、數(shù)據(jù)獲取模塊：用于獲取變電設(shè)備的紅外溫度數(shù)據(jù)和振動視頻序列；

33、溫度判斷模塊：用于根據(jù)所述紅外溫度數(shù)據(jù)，利用紅外溫度預(yù)警算法，得到所述變電設(shè)備的溫度是否超過溫度閾值的判斷結(jié)果；

34、振動判斷模塊：用于根據(jù)所述振動視頻序列，利用預(yù)先訓(xùn)練的振動監(jiān)測模型，得到所述變電設(shè)備中是否含有振動部件的判斷結(jié)果；

35、狀態(tài)監(jiān)測模塊：用于基于所述變電設(shè)備的溫度是否超過溫度閾值的判斷結(jié)果和所述變電設(shè)備中是否含有振動部件的判斷結(jié)果，得到所述變電設(shè)備的運行狀態(tài)監(jiān)測結(jié)果；

36、其中，所述振動判斷模塊中的振動監(jiān)測模型是以所述變電設(shè)備的歷史振動視頻序列作為振動訓(xùn)練數(shù)據(jù)的輸入，以所述振動視頻序列中是否含有對應(yīng)的振動部件的結(jié)果作為振動訓(xùn)練數(shù)據(jù)的輸出，對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到的。

37、可選的，所述數(shù)據(jù)獲取模塊中變電設(shè)備的紅外溫度數(shù)據(jù)包括如下的獲取過程：

38、獲取變電設(shè)備的紅外光譜信息；

39、根據(jù)所述紅外光譜信息，利用預(yù)先訓(xùn)練的溫度換算模型，得到所述紅外光譜信息對應(yīng)的紅外溫度數(shù)據(jù)；

40、其中，所述溫度換算模型是以歷史的紅外光譜信息作為溫度訓(xùn)練數(shù)據(jù)的輸入，以所述歷史的紅外光譜信息對應(yīng)的紅外溫度數(shù)據(jù)作為溫度訓(xùn)練數(shù)據(jù)的輸出，對所述卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后得到的。

41、可選的，所述振動判斷模塊中卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)包括：依次連接的卷積層、第一relu激活層、池化層、第一全連接層、第二relu激活層、第二全連接層和softmax輸出層。

42、可選的，所述數(shù)據(jù)獲取模塊中的振動視頻序列包括如下的獲取過程：

43、獲取所述變電設(shè)備的視頻采集序列；

44、利用相位微動作放大算法，對所述視頻采集序列進(jìn)行振動放大，得到對應(yīng)的振動視頻序列。

45、可選的，所述數(shù)據(jù)獲取模塊中利用相位微動作放大算法，對所述視頻采集序列進(jìn)行振動放大，得到對應(yīng)的振動視頻序列，包括：

46、對所述視頻采集序列中的各圖像幀進(jìn)行拉普拉斯金字塔分解，得到所述各圖像幀的明暗空間變化信息和所述視頻采集序列的金字塔信息；

47、基于所述各圖像幀的明暗空間變化信息，得到所述視頻采集序列的低頻振動信號；

48、將所述視頻采集序列的低頻振動信號按照預(yù)設(shè)的振動幅頻進(jìn)行振幅放大，得到振幅放大信息；

49、根據(jù)所述振幅放大信息和所述金字塔信息，利用逆拉普拉斯金字塔算法，得到所述視頻采集序列對應(yīng)的振動視頻序列。

50、可選的，所述數(shù)據(jù)獲取模塊中基于所述各圖像幀的明暗空間變化信息，得到所述視頻采集序列的低頻振動信號，包括：

51、對所述各圖像幀的明暗空間變化信息進(jìn)行低通濾波，得到所述各圖像幀中每一個像素點的時域變化信息；

52、根據(jù)所述各圖像幀中每一個像素點的時域變化信息，得到所述視頻采集序列的低頻振動信號。

53、可選的，所述數(shù)據(jù)獲取模塊中根據(jù)所述振幅放大信息和所述金字塔信息，利用逆拉普拉斯金字塔算法，得到所述視頻采集序列對應(yīng)的振動視頻序列，包括：

54、將所述振幅放大信息和所述金字塔信息進(jìn)行信息疊加，得到疊加振動信息；

55、利用逆拉普拉斯金字塔算法對所述疊加振動信息進(jìn)行圖像重建，得到所述視頻采集序列對應(yīng)的振動視頻序列。

56、可選的，所述狀態(tài)監(jiān)測模塊，具體用于：

57、當(dāng)所述變電設(shè)備的溫度超過溫度閾值，且所述變電設(shè)備中含有振動部件時，所述變電設(shè)備的運行狀態(tài)監(jiān)測結(jié)果為發(fā)生運行故障；

58、否則，所述變電設(shè)備的運行狀態(tài)監(jiān)測結(jié)果為未發(fā)生運行故障。

59、可選的，所述狀態(tài)監(jiān)測模塊中在變電設(shè)備的運行狀態(tài)監(jiān)測結(jié)果為發(fā)生運行故障之后，還包括：

60、將所述變電設(shè)備發(fā)生運行故障的工況信息通過通訊網(wǎng)絡(luò)發(fā)送到警報裝置，所述警報裝置用于針對所述工況信息發(fā)出聲光警報。

61、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

62、本發(fā)明提供了一種變電設(shè)備無接觸式監(jiān)測方法和系統(tǒng)，包括：獲取變電設(shè)備的紅外溫度數(shù)據(jù)和振動視頻序列；根據(jù)所述紅外溫度數(shù)據(jù)，利用紅外溫度預(yù)警算法，得到所述變電設(shè)備的溫度是否超過溫度閾值的判斷結(jié)果；根據(jù)所述振動視頻序列，利用預(yù)先訓(xùn)練的振動監(jiān)測模型，得到所述變電設(shè)備中是否含有振動部件的判斷結(jié)果；基于所述變電設(shè)備的溫度是否超過溫度閾值的判斷結(jié)果和所述變電設(shè)備中是否含有振動部件的判斷結(jié)果，得到所述變電設(shè)備的運行狀態(tài)監(jiān)測結(jié)果；其中，所述振動監(jiān)測模型是以所述變電設(shè)備的歷史振動視頻序列作為振動訓(xùn)練數(shù)據(jù)的輸入，以所述振動視頻序列中是否含有對應(yīng)的振動部件的結(jié)果作為振動訓(xùn)練數(shù)據(jù)的輸出，對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到的；本技術(shù)通過紅外溫度預(yù)警算法能夠自動化分析大量紅外溫度數(shù)據(jù)，快速定位高溫點；通過基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的振動監(jiān)測模型對變電設(shè)備進(jìn)行振動監(jiān)測，能夠自動學(xué)習(xí)振動視頻中的時空特征，快速且準(zhǔn)確地識別出變電設(shè)備中的異常振動情況；通過本發(fā)明的方法能及時監(jiān)測變電設(shè)備的溫度和振動變化監(jiān)測變電設(shè)備是否正常工作，有利于提高對變電設(shè)備的監(jiān)測效率。