[发明专利]基于矩阵神经网络的隔离刀闸故障诊断方法

说明书

本发明涉及一种故障诊断方法，尤其涉一种基于矩阵神经网络的隔离刀闸故障诊断方法。一种新的基于图像识别的隔离刀闸红外诊断方法，该方法实现了直接输入隔离刀闸红外图像直接输入进行神经网络训练学习，将传统的神经网络拓展到矩阵神经网络；首先对隔离刀闸的红外图像进行去噪预处理，通过对红外图像矩阵进行奇异值分解，然后对各层的左右权值矩阵进行训练学习，最终实现基于红外图像的隔离刀闸故障诊断的基于矩阵神经网络的隔离刀闸故障诊断方法。

技术领域

本发明涉及一种故障诊断方法，尤其涉一种基于矩阵神经网络的隔离刀闸故障诊断方法。

背景技术

隔离刀闸是变电站输配电线路中与断路器配合使用的一种主要设备，其主要作用是保证高压设备检修时工作人员的安全。在需要检修的设备和其他带电部分之间，用隔离刀闸构成一个明显的断开点，给工作人员提供足够大的绝缘间隔。在长期运行中，由于各种原因可能会导致隔离刀闸出现各种故障，给电网的安全稳定运行和人身安全造成很大的安全隐患，因此对隔离刀闸的故障检测必不可少。

传统采用过人工测温及人工判别故障的方法，专门设置一个班组，每班定时对电缆中接头温度进行温度检查。这种方法不仅耗用了大量的人力，而且效果并不见佳。随着智能化算法的研究，基于红外图像的故障诊断技术开始出现，主要有神经网络，由于它强大的并行计算能力和自学习功能，适合用来进行故障分类。但是目前的神经网络，其输出参数必须是向量，对于图像的神经网络往往直接将图像矩阵展开成向量，这样不仅破坏了图像的整体结构，还使得向量长度过长，导致计算量增加，学习效率低下，容易陷入局部最优解。由此，我们提出一种基于矩阵输入的神经网络，直接对图像矩阵进行训练学习，大大降低计算量，加快学习速度，从而实现基于红外图像的隔离刀闸故障快速诊断。

发明内容

本发明主要是解决现有技术中存在的不足，提供一种新的基于图像识别的隔离刀闸红外诊断方法，该方法实现了直接输入隔离刀闸红外图像直接输入进行神经网络训练学习，将传统的神经网络拓展到矩阵神经网络；首先对隔离刀闸的红外图像进行去噪预处理，通过对红外图像矩阵进行奇异值分解，然后对各层的左右权值矩阵进行训练学习，最终实现基于红外图像的隔离刀闸故障诊断的基于矩阵神经网络的隔离刀闸故障诊断方法。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于矩阵神经网络的隔离刀闸故障诊断方法，按以下步骤运行：

步骤1：采集N张隔离刀闸的红外图像，将其进行高斯滤波，降低噪点的影响，得到训练红外图像样本集

步骤2：将训练红外图像样本集分别进行灰度化和归一化，最终得到训练矩阵样本集

X_i＝0.00117f_i(:,:,1)+0.00230f_i(:,:,2)+0.00045f_i(:,:,3)；

其中f_i(:,:,1)表示第i张红外图像的R通道分量；f_i(:,:,2)表示第i张红外图像的G通道分量；f_i(:,:,3)表示第i张红外图像的B通道分量；

步骤3：根据每张红外图像的故障情况，按照缺陷等级划分为正常、一般缺陷、重要缺陷和紧急缺陷4类，由此得到一个训练集缺陷结果向量其中Y_i由(0,1)构成，其长度为4分别代表4类，每张图像只能归属于某一类，故只有一个1其它元素均为0；

步骤4：将训练样本放入神经网络进行训练，但是传统神经网络仅支持训练样本为向量，这样会丢失红外图像结构的完整性，由此我们提出一种矩阵神经网络，其基本模型如下：

Y＝σ(UXV^T+B)+E；