用于断路器状态监测的方法和系统转让专利
申请号 : CN201880085814.6
文献号 : CN111566493B
文献日 : 2022-01-28
发明人 : 陈妮亚 , 阮佳阳 , 于蓉蓉 , 庄志坚
申请人 : ABB瑞士股份有限公司
摘要 :
权利要求 :
1.一种用于断路器状态监测的方法,包括:获取断路器的图像;
从所述图像提取与所述断路器的状况有关的一个或多个特征,包括从所述图像获取二进制图像或灰度直方图;
将所提取的所述二进制图像或灰度直方图与表征所述断路器的预定状况的基准特征向量进行比较,其中所述比较包括:确定度量,所述度量包括以下中的至少一个:所述二进制图像或灰度直方图与所述基准特征向量之间的距离,所述二进制图像或灰度直方图与所述基准特征向量之间的相关系数;以及基于所述度量确定所述二进制图像或灰度直方图与所述基准特征向量之间的相异性;
基于所述比较确定所述断路器的健康状态。
2.根据权利要求1所述的方法,其中提取所述一个或多个特征还包括以下中的至少一个:
从所述图像提取描述所述断路器的部件的特征的关键特征点;以及对所述图像进行分割,以识别所述断路器的部件的位置和灰度数据。
3.根据权利要求2所述的方法,其中所述断路器的所述部件包括以下中的至少一个:固定触头、可动触头和接地触头。
4.根据权利要求1‑3中的任一项所述的方法,进一步包括:获取多组图像组,每组图像包括针对所述断路器的预定状况中的一个预定状况的多个图像;以及
对于每组图像,
从所述多个图像提取表征相应预定状况的特征;以及基于所提取的特征训练分类器。
5.根据权利要求4所述的方法,其中提取的所述一个或多个特征由所述分类器分类。
6.根据权利要求1‑3和5中的任一项所述的方法,其中所述预定状况包括以下中的至少一个:正常闭合、缺陷闭合、正常断开、缺陷断开、正常接地、缺陷接地、导体腐蚀和粉尘污染。
7.一种用于断路器状态监测的系统,包括:相机,被配置为拍摄所述断路器的图片;以及至少一个处理器,通讯地耦合到所述相机,并且被配置为执行权利要求1至6中的任一项所述的方法。
8.一种计算机可读介质,其上存储有指令,所述指令在至少一个处理器上执行时,使得所述至少一个处理器执行根据权利要求1至6中任一项所述的方法。
9.一种物联网(IoT)系统,包括:断路器;以及
根据权利要求7所述的用于断路器状态监测的系统。
说明书 :
用于断路器状态监测的方法和系统
技术领域
背景技术
难性的后果。然而,随着时间的流逝,断路器可能遭受各种故障,这将威胁电路的安全性。期
望对断路器进行状态监测,以便跟踪断路器的操作状态,并且能够指示潜在的故障发生和
预防性维护。
监测断路器的有限状态,而不能提供断路器的全面状态监测和诊断。
进行状态监测。这是耗时且低效的。
来测量可动触头的闭合和断开速度。预定参考点,并识别一系列图像中物体的位置,然后可
以计算出可动触头的闭合和断开速度。
发明内容
取的一个或多个特征与表征断路器的预定状况的基准数据进行比较;基于比较结果确定断
路器的健康状态。
质负担的情况下监测断路器的任意数目的预定状况。因此,可以以简单的方式来监测一些
不健康的状态,例如导体腐蚀、粉尘污染,这是使用常规方法难以监测的。
像以识别断路器的部件的位置和灰度数据。因此,简化了计算复杂度。
该度量确定一个或多个特征与基准数据之间的相异性。因此,可以通过图像处理方法来确
定断路器的健康状态。
并且基于提取的特征训练分类器。当为断路器的多个预定状况中的一个预定状况提供一组
图像时,可以对分类器进行很好的训练。可以提高确定的可靠性和准确性。
器被配置为执行第一方面的方法。在一些实施例中,至少一个处理器可以是本地的。在一些
实施例中,至少一个处理器可以是远程的。利用用于断路器状态监测的系统,可以以简单的
方式可靠且准确地确定断路器的健康状态。可以类似地获得关于该方法的所有优点。
一项所述的方法。
理器上执行该指令时,使得至少一个处理器执行根据第一方面中的任一项所述的方法。
附图说明
示例实施例,其中:
具体实施方式
围的任何限制。
少部分基于”。术语“可操作于”是指可以通过由用户或外部机构引起的操作来实现功能、动
作、运动或状况。术语“一个实施例”和“一个实施例”应被理解为“至少一个实施例”。术语
“另一实施例”应被理解为“至少一个其它实施例”。
机械连接或耦合。在下面的描述中,相似的参考数字和标签用于描述图中的相同、相似或对
应的部分。其它定义(显式和隐式)可能包含在下面。
况下,包括断路器10的电路闭合并且电流可以流过断路器10。可动触头12可以移动到其与
固定触头14和接地触头16分离的第二位置。在这种情况下,包括断路器10的电路断开,并且
电流不能流过断路器10。可动触头12也可以移动到其接触接地触头16的第三位置,从而使
断路器10接地,以保护断路器10不受损坏。
度需要人的参与并且不能被自动地执行,这种方法效率低且不方便。本公开提出了基于图
像处理或分析技术的用于断路器状态监测和诊断的新颖解决方案。
作没有任何影响。
的状态监测或诊断的关键特征。在一些实施例中,仅提供一个相机,可以满足状态监测要求
的。在一些实施例中,提供两个或更多个相机以便提供更多数据用于状态监测。
常大并且很难直接地被使用。图片必须被压缩或处理,以提取与断路器的状态监测或诊断
相关的关键或必要的特征。有许多用于从图像提取特征的方法,下面将(例如)参照图3和图
4进行描述。
况。在一些实施例中,这些基准数据被存储在处理器可访问的数据库中。在创建基准数据之
前,需要收集与断路器的预定状况有关的数据。例如,收集记录断路器的预定状况的图像,
并对这些收集的图像进行处理以提取关键特征或必要特征。这些提取的特征被用作基准数
据,用于表征断路器的预定状况。在一些实施例中,方法可以确定断路器的至少一种预定状
况。当要确定断路器的多个预定状况时,对于每一个预定状况,收集记录或描述断路器的预
定状况的至少一个图像以形成基准数据。
时,可以同时检查多个断路器的状况。在一些实施例中,当断路器的状态不健康时,向用户
发送警报,并且可以采取适当的动作,例如更换或维护断路器。
质负担的情况下监测断路器的任意数目的预定状况。因此,可以以简单的方式来监测一些
不健康的状态,诸如导体腐蚀、粉尘污染,这些不健康的状态使用常规方法难以监测。
以减轻硬件负担。
因此原始彩色图像301可以被压缩。
别内方差)的阈值。类内方差被定义为两个类方差的加权和:
针对特定图像的灰度直方图记录了图像的灰度分布。然后可以将灰度直方图向量用作向量
特征进行计算。
用于识别不同图像中的关键对象,并且可以被用于与基准数据进行比较。如上所述,为了执
行可靠的识别,即使在噪声和照度变化的情况下,也可以检测出从图像提取的特征。例如,
这些点通常位于图像的高对比度区域(诸如,对象边缘)上。在一些示例实施例中,这些特征
包括图像中的部件的边缘、拐角等。图像处理算法可以包括SIFT(尺度不变特征变换)、角检
测等。
可以被用于确定断路器的状况。例如,可动触头的位置可以被用于确定断路器的断开和闭
合的状况,铜质触头中的腐蚀特征可能表示缺陷特性。通常,可以预先创建领域知识
(domain knowledge)数据库。图像分割方法可以与领域知识结合使用,以定位关键部件并
且提取图中的对应部分作为诊断模型的输入。例如,可以通过图像分割结合领域知识将可
动触头定位为矩形内的圆形。然后,可动触头的位置和表面状况可以被用于确定断路器的
状况。图像分割方法可以采用多种算法进行,包括但不限于聚类算法(K‑means)、分水岭
(Watershed)、图像切割(GraphCut)等。
的基准数据。然后将这些基准数据存储在数据库中。预定状况包括但不限于正常闭合、缺陷
闭合、正常断开、缺陷断开、正常接地、缺陷接地、导体腐蚀和粉尘污染。
处,断路器接地,并且可动触头接触接地触头。在图4中的403处,断路器是断开的,并且可动
触头位于固定触头与接地触头之间,并且不与它们中的任何一个触头接触。在图4中的404
处,断路器有缺陷地闭合,并且可动触头靠近或部分地接触固定触头。
示,灰度直方图501对应于图4中的断路器的合闸状况;灰度直方图502对应于图4中的断路
器的接地状况;灰度直方图503对应于图4中的断路器的断开状况;并且灰度直方图504对应
于图4中的断路器的缺陷闭合状况。
示从断路器的一个图中提取的特征向量。收集不同类型的基准数据作为参考数据。在所示
的示例中,示出了已知的正常断路器的三种状况和可能的缺陷闭合类型。
“○”表示一种缺陷类型。例如,断路器不能正常地闭合或断开,即缺陷断开或缺陷闭合。附
图标记605“▽”表示另一种缺陷类型。例如,断路器不能正常地接地,即缺陷接地。附图标记
606“*”表示提取的测试特征向量。如图所示,对于基准数据的每一个符号,示出了多个点。
这意味着,有多个图像被收集,以指示每一个预定状况。在一些实施例中,当针对每一个预
定状况仅收集一个图像时,对于每一个预定状况仅示出一个点。可以使用多种方法基于基
准数据对测试特征向量进行分类,例如,K最近邻(k‑Nearest Neighbor)、支持向量机、经典
图像处理方法(诸如,相似度计算)等。
分类。该方法包括但不限于经典图像处理方法和机器学习算法。
量确定一个或多个特征和基准数据之间的相异性(dissimilarity)。然后,可以确定目标断
路器的状况。
图5所示的灰度直方图被存储为基准数据。
将该长度确定为其它值。因此,图5所示的基准数据表示断路器的预定状况的四个类别,每
一个状况表示为由xj(j=1,2,3,4)表示的基准特征向量,并且提取的测试图像的特征向量
表示为xt。
示断路器的状况。例如,可以使用以下等式计算测试图像的特征向量与每一个基准特征向
量之间的欧几里德距离。
多个图像提取表征相应的预定状况的特征。训练基于提取的特征的分类器。然后,可以通过
分类器确定目标断路器的状况。当为断路器的预定状况中的一种预定状况提供一组图像
时,可以对分类器进行很好的训练。这可以提高确定的可靠性和准确性。存在多种机器学习
方法,这些机器学习方法可基于基准数据来训练分类器,例如,K最近邻(KNN)、支持向量机
(SVM)、神经网络、逻辑回归等。作为示例,使用KNN和SVM方法进行分类的原理说明如下。应
该理解,以下实施例仅是示例性的。
常见的类别(k是正整数,通常很小)。
集中最接近的k个样本。这k个样本的多数投票指示测试图像的状况或类别。
准类似于测试图像。这可能是新的缺陷类型。在一些实施例中,在这种情况下,可以将警报
发送给用户。
值。因此,可以在等式(3)中获取分类器或模型。
理器810被通讯地耦合到相机805,并且被配置为执行如上所述的方法200。利用用于断路器
状态监测的系统,可以以简单的方式可靠且准确地确定断路器的健康状态。可以类似地实
现关于方法200的所有优点,在此将不再重复描述。
备执行的固件或软件来实现。尽管本公开的实施例的各个方面被图示和描述为框图、流程
图或使用一些其它图形表示,但是应当理解,本文所述的框、装置、系统、技术或方法可以作
为非限制性示例在硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其它计算机设
备或其某种组合中实现。
实或虚拟处理器上的设备中执行的那些指令,以执行如上参考图2所述的过程或方法。通
常,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、库、对象、类、部件、
数据结构等。如在各种实施例中期望的,程序模块的功能可以在程序模块之间组合或分割。
用于程序模块的机器可执行指令可以在本地或分布式设备内执行。在分布式设备中,程序
模块可以位于本地和远程存储介质中。
理器或控制器,以使得该程序代码在由处理器或控制器执行时,将导致实现流程图和/或框
图中指定的功能/操作。程序代码可以完全在计算机上执行,部分地在计算机上作为独立软
件包执行、部分地在计算机上并且部分地在远程计算机上执行,或者完全在远程计算机或
服务器上执行。
质可以是机器可读信号介质或机器可读存储介质。机器可读介质可以包括但不限于电子、
磁性、光学、电磁、红外或半导体系统、装置或设备,或前述的任何合适的组合。机器可读存
储介质的更具体的示例将包括:具有一根或多根导线的电连接、便携式计算机软盘、硬盘、
随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、光纤、
便携式光盘只读存储器(CD‑ROM)、光学存储设备、磁存储设备或上述的任意合适的组合。
况下,多任务和并行处理可能是有利的。同样地,尽管以上讨论中包含几个特定的实现细
节,但是这些不应被解释为对本公开范围的限制,而应被解释为对特定实施例而言特定的
特征的描述。在单独的实施例的上下文中描述的某些特征也可以在单个实施例中组合实
现。另一方面,在单个实施例的上下文中描述的各种特征也可以分别在多个实施例中或以
任何合适的子组合来实现。
公开为实现权利要求的示例形式。