一、红外成像技术对电气设备故障的诊断分析研究（论文文献综述）
程子夜[1]（2020）在《红外图像处理在架空线路故障诊断中的应用》文中进行了进一步梳理近年来,随着电力行业的快速发展和完善,电网也得到飞速发展,带动电网系统运行电压等级的不断提升以及网络规模的逐渐扩大。由于电网运行电压等级的提高、超远距离输送电等原因,国家对电网运行的安全可靠性的要求更加严格。传统的电力故障诊断维修手段,费时费力,甚至需要停电检测,这对人民生活带来了极大的不便。近年来红外热成像技术在电力行业发展迅速且逐渐成熟。红外成像是根据设备的热能分布状态对电气设备正在运行时的状态进行诊断,它具备可以远距离拍摄不用直接接触的特性,还可以在不采取停机或关闸操作的情况下获取设备信息等,在很大程度上削弱了操作的危险性。本文提出了将红外图像处理应用于架空线路的故障诊断,首先介绍了红外热成像和图像分割的基本原理,以及架空线路的构成和常见故障。其次先对红外图像进行图像灰度化和去噪滤波,之后提出改进K-means算法,基于传统Kmeans算法的迭代思想,利用灰度直方图提取灰度频率分布信息预设聚类值k,并采用分位点概念代替传统算法中随机选取初始聚类中心的方法,再经过预处理的图像上进行分割模拟。同时设计一个最优化准则来验证本课题预设的聚类值,通过多个案例对比分析,证实改进的K-means算法不仅更精准、高效。最后将改进的K-means算法应用到实际的架空线路的故障诊断案例中,并得到故障诊断的的最终结果。通过对架空线路上的线夹、绝缘子和金具进行诊断实例分析,证明改进的Kmeans算法在架空线路的故障诊断上取得良好的应用效果。实例分析结果表明诊断结果准确率高,该算法运行简单,可靠性高,实用性强。图[35]参[81]
仝矿伟[2]（2020）在《矿用空压机工作状态红外识别关键技术研究》文中指出矿用空压机作为煤矿生产的重要动力源和安全保障设备,在煤炭安全高效生产中占有举足轻重的地位。矿用空压机的智能化水平制约着矿井压风系统的工作可靠性,而矿用空压机工作状态准确快速识别是实现其智能控制的前提。目前矿用空压机主要由人工定时巡检实现工作状态监测,并依靠操作工人的经验进行工作状态识别和故障诊断。因此,有必要对矿用空压机工作状态识别的关键技术进行研究,进而提高空压机的智能化水平。矿用空压机所处工况具有温度高、噪声强、振动剧烈的特征,红外热成像检测技术具有非接触、穿透性强及不受外部噪声及光照条件影响的特点。通过矿用空压机辐射的红外信号,可以实现对关键部件的状态识别。本课题以矿用空压机工作状态红外识别为研究目标,利用红外热成像检测技术获取空压机关键部件的工作状态图像,对原始红外图像中复杂背景噪声在线去除、超高维图像特征快速降维以及基于机器学习的空压机工作状态准确识别等方法和技术进行了深入研究。主要研究内容如下:（1）分析了矿用空压机的基本结构,并结合生产实际,详细研究了螺杆式空压机吸气、封闭、压缩和排气的工作原理,基于矿用空压机状态识别系统的功能需求,搭建了矿用空压机状态识别的总体框架,分析了其主要组成和识别流程。（2）设计了基于优化小波阈值的红外图像去噪算法,消除原始红外图像中包含的高斯噪声和冲击噪声,利用改进的果蝇算法获取各阶小波去噪阈值,并针对标准果蝇算法容易陷入局部最优的问题,引入动态步长分布算子增强全局和局部寻优能力。（3）研究了超高维数据的低维表征方法,提出了基于流形学习的非线性降维方法对红外图像进行降维,设计了矿用空压机状态识别评价系统,引入堵塞率ρ和堵塞程度判别因子Φ、温度偏离因子γ和空压机健康状态评价因子H对矿用空压机工作状态进行详细划分。（4）提出了基于优化支持向量机的矿用空压机运行状态识别算法,利用改进的蝙蝠优化算法对非线性支持向量机关键参数进行优化,并在基本蝙蝠算法的基础上,引入精英族群和探索族群增强蝙蝠算法的全局寻优能力,实现了矿用空压机工作状态的准确识别。设计并搭建了矿用空压机工作状态识别系统,在实验室和龙王庄煤业股份有限公司分别进行了实验。实验结果表明:该系统可以对矿用空压机红外图像进行有效处理,能够准确识别空压机关键部件的工作状态,为进一步提高空压机的智能化水平奠定了基础。该论文有图50幅,表18个,参考文献146篇。
沈杰[3]（2020）在《基于堆栈自编码神经网络的自适应分类算法在变压器故障诊断中的应用》文中指出随着电网设备规模的逐渐增大,传统的停电检测工作已经逐步被以带电检测技术为基础的状态检修工作所代替。油浸式电力变压器是变电站的焦点设备,对其进行带电检测是日常工作的重点。油浸式电力变压器带电检测的首要工作就是对油液中溶解气体的检测。但是,检测得到的数据在使用传统三比值法分析的过程中会存在编码缺损、临界值判据不充分等问题,其结果作为判断故障的依据,缺乏可信性和准确性。自编码器（AE,Auto Encoder）是一种具有强大特征提取能力的无监督学习算法,可以有效地提取检测数据的高级特征。Ada Boost作为一种分类性能强于其他基分类器的集成学习算法,能够解决临界值判据不充分时的分类问题。故本文研究应用自编码器与Ada Boost分类器对油浸式电力变压器进行故障诊断。1.研究油中溶解气体检测的基本原理和检测方法,探讨变压器各类故障与油中产生气体类型含量之间的相应关系,对比分析传统诊断三比值法与改良三比值法优缺点。结合实际运行的油浸式电力变压器,获得检测数据。2.堆栈式自编码器（SAE,Stacked Auto Encoder）是自编码器的深度模型。本文将堆栈自编码器与Ada Boost结合起来,构建SAE-Ada Boost故障诊断模型。使用堆栈式自编码器提取输入数据的高级特征,并将其作为三比值的补充特征,将两者数据融合,使用Ada Boost分类器判别故障类型。最后通过实验确定SAEAda Boost故障诊断模型的结构参数,并且对模型的诊断能力进行测试。3.对高海拔地区内油浸式电力变压器进行油中溶解气体数据分析,判断其运行状态和故障类型。研究结果表明,使用SAE-Ada Boost故障诊断模型进行油浸式电力变压器故障判断所得结果的准确率在90%以上。通过红外成像检测和电力变压器局部放电检测,验证了采用自编码器与Ada Boost分类器可以一定程度上提高变压器故障诊断结果的可信性和准确性。
张径侨[4]（2020）在《基于嵌入式AI技术的输变电红外在线监测系统研究》文中提出在电力行业中最重要部分是各类电气设备,它们的运行状态好坏关乎各类电站乃至全部电力行业的安全可靠运行,若发生电网及设备故障就势必引起巨大损失。据不完全统计,输变电设备中各种电气设备故障与其发热有着极其密切的关系,尤其是设备发热造成的电网非计划停运事件层出不穷。利用红外测温技术可以精确得到运行设备的状态信息,且其又具有监测范围广、形象直观、可靠性高、使用方便等优势。但现有的红外在线监测装置设备体积大,功耗高,红外图像识别依赖于人工识别或后台系统,导致信息量传送过大,实际利用效果并不理想。因此,寻找一种新的途径开展输变电设备关键部位红外监测非常重要。本文利用国产化的红外信号处理专用芯片寒武纪的特点,开发一款低成本、低功耗、微型化、便携式的红外成像仪及在线监测系统。首先,利用国内最新的芯片技术,使用国产寒武纪的红外信号处理专用芯片替代原有的进口 FPGA或通用DSP芯片的技术方案。将红外摄像头与嵌入式人工智能（AI）技术相结合,在红外摄像头内部集成AI加速模块,对红外热成像图片进行本地AI分析,装置的分析结果、红外图片和人工智能算法模型的升级等通过4G或5G无线通道实现。其次,研发一款APP软件,使红外成像仪通过Type-C或USB接口同智能手机或巡检PDA连接,通过在智能手机或巡检PDA内运行专用的APP软件来分析并显示红外成像结果,自动生成包括地理位置信息、设备信息等内容的分析结果,并上传至数据中心。最后,将所研发的装置在变电站进行实际测量,得到相关红外图谱,并与现有红外测温设备进行对比,结果表明,新研发的装置便携且体积小,处理器算法变快,不再出现图像处理卡壳现象,所得出的图谱可自动编号存档,当出现温度过高的情况还可通过预警上送第一时间提醒运维人员,具有一定的前瞻性和实用性。
杨浩[5]（2020）在《基于深度学习的电气设备红外图像检索系统的研究与实现》文中研究指明本文从基于深度学习的电气设备故障诊断方法的研究出发,提出将基于深度学习的图像检索技术用于变电站的电气设备红外图像的智能诊断中,以此建立一个能够对变电站中大多数设备故障进行精确快速诊断的系统,适应智能电网建设中对变电站高度智能化的要求。本文对基于深度学习的电气设备红外图像检索研究的工作主要包括以下几个方面:（1）将基于深度学习的图像检索方法引入电气设备红外图像检索中。通过分析电气设备红外图像亮度和清晰度不高的特点,对电气设备红外图像增强方法进行研究和实验,最终选用Laplacian算子锐化方法对电气设备红外图像进行预处理,使得输入图像的PSNR值更高。为了提高检索精度,本文利用VGG16卷积神经网络对电气设备红外图像进行特征提取和图像检索。最终的实验结果与在CIFAR-10以及Oxford5k数据集上进行实验的检索结果相比显示,基于深度学习的电气设备红外图像检索系统具有一定的可行性。（2）将基于深度哈希的图像检索方法引入电气设备红外图像检索中。当图像数据大大增加时,将图像的特征转换为二值化哈希码建立索引可以使得检索性能更加优秀。本文在卷积神经网络中增加一层全连接层作为哈希层,设计一个基于深度哈希的电气设备红外图像检索方法,并对其中的损失函数以及汉明距离计算方法进行改进。将基于深度哈希的电气设备红外图像检索结果与LSH和ITQ方法实验结果对比得出,基于深度哈希的红外图像检索具有一定的优越性。对哈希码位数对检索效果的影响进行实验得出,48bits的哈希码在电气设备红外图像的检索精度上更优。（3）使用Flask框架设计并实现了一个基于深度学习的电气设备红外图像检索web界面,并在数据集中进行了实验测试。实验结果表面,本文的基于深度学习的电气设备红外图像检索web界面可以在数据库中检索出与目标图像相近的top-N张图像,满足了对电气设备红外图像进行图像检索的基本功能要求。
胡凡奎[6]（2020）在《基于红外图像的变电站设备分类及热故障诊断》文中研究表明变电站设备是电网的主要组成部分,也是保障国民经济发展和人民日常生活的重要基础设施之一。如何保证其正常运转,并能时发现突发故障成为当前科研人员亟待解决的热点问题。随着科技发展,对电力设备进行停电人工排查的方式已转变为新的热故障诊断手段,其中包括利用手持红外成像仪采集图像,再进行故障筛查,正在成为目前推广的技术,但主要以目测图像为主,对人工需求依旧较大。为了推动提高电网自动运行,降低人力投入,本文提出了一种基于热红外图像的变电站设备的自动识别与热故障诊断方法。针对传统分割算法对变电站设备红外热像的聚类中心敏感导致聚类精度低、细节等缺点,提出了一种适用于电力设备红外图像的IFCM改进算法。通过将高斯模型引入到图像的全局空间分布信息,利用局部空间信息的空间算子优化隶属函数以改进IFCM算法,解决边缘模糊和图像强度不均匀问题。实验表明该算法的相对区域错误率在10%左右,受模糊因子m变化影响较小,验证了该算法可以有效抑制噪声干扰,为后续处理提供了支撑。针对热故障诊断需要先对不同电力设备进行分类识别,本文设计了一种SVM红外图像分类器,可以有效识别三类常见电力设备。该分类器通过对经上述分割处理后的电力设备红外图像进行HOG特征提取,与SVM多分类相结合,以达到提升识别准确率的目的。实验利用该分类器对三种设备进行识别,结果显示其综合识别准确率达到95.3%以上,优于传统分类方法,满足对分类精确度的需求。最后利用红外图像的温度数据改进传统的相对温差法,通过相对温差的数值自动判断电力设备的热故障等级。实验表明,本文所设计的诊断系统在对三类电力设备判断是否存在热故障的同时,能够对故障进行等级划分并给出处理建议,验证了本文设计的变电站红外诊断技术具备可行性与有效性。
孙宽舒[7]（2020）在《电力系统电力一次设备状态检修应用研究》文中进行了进一步梳理电力系统设备检修是保证电网健康运行的关键要素,一次设备运行中的利用效率、事故频率和整体使用寿命是衡量电力企业整体发展状况的直接标准。目前我国社会各方面正处于飞速发展的时期,其中最为重要的经济建设、基础建设的发展深度依赖于电网设备坚强的保障。随着社会生产力的发展和人们对美好生活的更高追求,意味着社会各行各业的发展对电力系统安全稳定运行提出了更高的要求,在此基础上需要保证供电质量和供电可靠性。总的来说电力系统设备状态检修体系的出现不仅是应对时代发展需求,也是更好服务于社会发展现状的势在必行之举。本文在详细分析课题的背景、意义、研究现状的基础上,总结了变压器、断路器、开关柜、GIS等一次设备的常见故障,介绍了事后检修、定期检修、状态检修这3种电气设备检修方式的运用情况和并对三者的优缺点进行了对比。然后,在搜集和查询电网现行的设备状态检修工作标准和技术标准的基础上,归纳了江西省现投入运行的输、变、配电设备的应用情况,分析了设备故障停运原因。最后,分别阐述了 SF6气体红外成像法检测技术、油中溶解气体状态检修技术和高频、特高频、超声波局部放电状态检测修技术的检修原理,论述了这5种状态检修技术的具体实施方案,并针对现今电力系统中几大重要的电力一次设备分别例举状态检修技术应用案例,如变压器状态检修所使用的油中溶解气体在线监测技术、超声波局部放电监测技术;GIS、HGIS断路器设备状态检修中常使用的特高频局部放电检测、SF6气体红外成像法检测技术;以及与互感器、避雷器设备状态检修有关的超声波局部放电监测技术、避雷器泄漏电流在线监测技术的应用。
耿鹏彪[8]（2019）在《基于红外检测技术的变电站电气装置故障判断方法研究》文中认为变电站是电网向电力用户输送电能的枢纽,其运行状态直接决定着电能质量和用电安全。为保证变电站正常稳定运行,必须对站内电气装置的健康状况进行检测,以便提前发现故障隐患。红外检测技术能够实现非接触式温度测量,从而实现在带电运行条件下及时掌握站内电气装置运行状态的要求,为变电站运行维护提供依据。因此,研究基于红外检测技术的变电站电气装置故障判断方法,能够提高变电站日常检测维护的技术水平和工作效率。本文首先介绍变电站带电检测应用及国内外技术发展趋势,论述了物体红外辐射和红外测温的基本原理,并讨论了红外检测技术和红外热像设备的工作原理。在此基础上,以变压器、GIS设备和断路器等典型的变电站内设备为对象,研究了红外带电检测方法及其采用红外热像设备的检测结果,总结了一些典型故障的红外检测结果;对实际应用中存在的测量距离、测量角度以及大气及颗粒、太阳光照、热辐射、风力、辐射率、测量角等干扰因素进行了讨论,分析了它们对红外检测结果的影响,总结了修正这些影响的技术措施。接着,针对实际工作中的真实案例进行了分析研究,以C相中性点管套发热、电流致热型和电压致热型电气设备故障为例,分析了有关设备故障点局部发热、温度升高的特点和关系,总结了故障判断方法,同时也验证了采用红外检测技术实现变电站内电气装置故障检测的有效性。最后,对本文进行了总结,并对未来工作提出了建议。
范晓静[9]（2019）在《变电站电气设备红外图像处理研究》文中提出随着电力工业的迅速发展,电网容量和电压等级也随之不断提高,为了保证供电的可靠性和安全性,对运行中电气设备的温度进行监视并自动进行故障诊断显得尤为重要。目前,国外已将红外技术广泛应用于电力设备检测,但是国内仍普遍采用手持红外热像仪的方式对电力设备进行巡检,效率低下,易出现漏检误检情况。针对传统的检测手段的不足,本文设计了一种基于红外热成像技术的变电设备故障检测系统,对电气设备运行状态进行监测,保证供电可靠性。主要工作如下:（1）首先分析了干扰红外成像的噪声,对比均值滤波、中值滤波和变换域滤波效果,发现传统滤波方式会导致去噪图像模糊、边缘信息丢失。在此前提下,提出使用非下采样Contourlet变化进行滤波处理,通过对比软阈值、硬阈值以及折中阈值的优缺点,提出使用改进的自适应阈值判断非下采样Contourlet变换系数值。并借助MATLAB进行仿真分析,从理论上验证了非下采样Contourlet变换进行去噪的可行性。（2）在分析图像分割原理以及评判标准的基础上,提出了基于脉冲耦合神经网络的图像分割方法,对比传统脉冲耦合神经网络参数复杂,难以确定的缺点,使用简化的脉冲耦合神经网络作为分割算法,并结合交叉熵设定迭代次数,改进链接系数矩阵和调制耦合系数,进行了实验仿真。实验结果显示,改进后的算法可以将图像中的发热部分分割出来,提高了检测精度。（3）根据变电站电力设备红外图像的特点,采用Zernike不变矩进行特征提取。对同一图像的旋转、镜像、缩小的变形提取不变矩,实验结果表明Zernike不变矩具有很好的不变性。在识别的基础上,分析了电力设备的故障类型,设计了故障诊断规则,并结合提取红外图像中的温度信息,设计了基于温度评估的故障诊断系统。
裴少通[10]（2019）在《基于红外紫外成像检测技术的绝缘子运行状态分析与评估》文中研究说明输变电绝缘子在长期的电、热、环境和机械应力的作用下,可能会出现绝缘劣化、老化甚至缺陷等问题,危及电力系统的安全稳定运行。绝缘子的放电或发热现象一定程度上表征着绝缘子的运行状态,因此,以往的研究主要采用紫外成像仪和红外热成像仪对绝缘子开展带电检测试验,通过研究人员设定并提取相关特征参量与试验现象进行数据分析和比对,挖掘相关诊断判据。随着人工智能技术的不断发展,当前以深度学习为典型应用的理论及方法正在引领多个行业突破发展。因此本文在红外和紫外对绝缘子带电检测技术的基础上,研究并应用图像分类、目标识别、图像分割等多个人工智能与深度学习方法。本文的研究成果努力打破红外紫外检测“人工设定复杂算法流程”的困局,实现模型端对端的训练与检测,推动红外紫外成像检测方法的评估诊断智能化。本文研究的主要内容如下:采用BP神经网络、BOA-SVM、卷积神经网络三种算法对劣化绝缘子红外图谱的评估诊断进行研究,开展输电线路劣化绝缘子在多种环境因素影响下的发热红外检测试验,简明分析了劣化绝缘子在不同的湿度、绝缘子串不同位置、不同污秽度等条件下的发热特性,整理构建劣化绝缘子与正常绝缘子的红外热成像检测图像库;采用BP神经网络算法,对比颜色直方图、颜色矩、中心线颜色向量矩阵三种特征参量对劣化绝缘子的模型训练过程及检测效果;采用贝叶斯优化的支持向量机分类评估诊断算法,实现对劣化绝缘子红外图像的分类评估诊断;改进并训练基于深度的监督学习下的机器学习模型——Lenet卷积神经网络模型,以更高的检测准确率实现对劣化绝缘子红外图像的评估诊断,并在章节小节综合分析对比以上三种算法的特点。研究基于深度学习的红外热成像的绝缘子发热目标识别算法,收集整理现场大量的异常发热红外图像,对红外图像中的异常发热点进行逐一人工标注,构建符合目标识别深度学习的可训练图像数据集。采用Faster-RCNN和YOLO-V3目标识别算法,实现对绝缘子异常发热目标点的识别并框选,可有效的屏蔽大部分无须关注的非故障发热点干扰,为红外发热异常带电检测的智能精益化巡检,提供新的思路和实现方法。研究深度卷积神经网络在绝缘子紫外放电图谱分类评估,采用FILIN紫外成像仪对瓷质绝缘子开展绝缘子工频闪络试验,建立紫外成像仪所拍摄的不同放电状态阶段类别的图谱库,改进Alexnet深度卷积神经网络模型,实现对瓷质绝缘子紫外成像检测的高准确率智能化分类评估,为绝缘子紫外闪络评估提供深度学习算法评估诊断的解决方案。研究全卷积神经网络与卷积神经网络针对绝缘子紫外污秽度检测的复合评估诊断模型。利用瓷质绝缘子污秽度紫外成像检测试验建立南非CoroCAM紫外成像仪所拍摄的不同状态类别的紫外图像库,研究全卷积神经网络模型对紫外成像仪图像的预处理算法,实现对紫外成像图谱对主光斑的分割提取以及背景噪声干扰的滤除,而后利用深度卷积神经网络模型对瓷质绝缘子紫外成像污秽度检测评估,最终形成基于全卷积与卷积复合神经网络模型的绝缘子串污秽度评估方法。研发多光路多传感的集成样机,该样机集成紫外成像、红外成像、可见光相机多光路集成一体的设计布局,结合多种微气象环境、激光测距等传感器,为多光路检测的数据修正提供更为全面的单设备多传感样机解决方案。开发绝缘子红外紫外后台诊断软件,可与多光路样机设备配合对接,使多光路检测设备具备初步诊断功能。在软件中部署本文研究的红外紫外评估相关诊断算法,实现红外紫外对绝缘子运行状态的诊断评估算法的应用。
二、红外成像技术对电气设备故障的诊断分析研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、红外成像技术对电气设备故障的诊断分析研究（论文提纲范文）
（1）红外图像处理在架空线路故障诊断中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的研究内容和章节安排 |
| 2 架空线路的常见故障 |
| 2.1 架空线路的主要元件 |
| 2.2 架空线路的运行及故障异常 |
| 2.2.1 架空线路运行异常及故障预防措施 |
| 2.2.2 电力架空线路故障及解决措施 |
| 2.3 本章小结 |
| 3 红外热成像技术原理 |
| 3.1 红外热成像的基本概念 |
| 3.1.1 红外辐射 |
| 3.1.2 红外辐射的基本定律 |
| 3.2 红外成像的基本仪器 |
| 3.2.1 红外检测仪器的选择原则 |
| 3.2.2 红外热像仪 |
| 3.2.3 影响检测准确性因素的分析 |
| 3.3 图像预处理 |
| 3.3.1 图像灰度化 |
| 3.3.2 图像去噪 |
| 3.4 本章小结 |
| 4 图像分割 |
| 4.1 图像分割的原理和分类 |
| 4.2 K-means算法 |
| 4.2.1 K-means算法的基本概念 |
| 4.2.2 K-means算法的基本流程 |
| 4.3 改进的k-means算法 |
| 4.3.1 K-means算法的改进与发展 |
| 4.3.2 改进K-means算法的基本流程 |
| 4.3.3 最优化准则 |
| 4.3.4 分割图像的实验分析 |
| 4.4 同类型算法对比 |
| 4.4.1 Mean-shift算法 |
| 4.4.2 运行对比与分析 |
| 4.5 本章小结 |
| 5 图像分割在故障诊断中的应用 |
| 5.1 红外故障诊断的常用方法 |
| 5.2 诊断流程设计 |
| 5.3 诊断实例分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 读研期间主要科研成果 |
（2）矿用空压机工作状态红外识别关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题来源及背景 |
| 1.2 课题研究现状及存在问题 |
| 1.3 课题研究内容与方法 |
| 1.4 课题研究意义 |
| 2 矿用空压机工作状态识别系统总体设计 |
| 2.1 矿用空压机基本结构与工作原理 |
| 2.2 矿用空压机工作状态识别系统 |
| 2.3 本章小结 |
| 3 矿用空压机红外热图像去噪技术研究 |
| 3.1 不同传感信号在表征空压机工作状态中的适用性分析 |
| 3.2 红外热成像原理及其在空压机运行状态监测中的应用 |
| 3.3 矿用空压机关键部件红外热图像自适应去噪 |
| 3.4 仿真分析 |
| 3.5 本章小结 |
| 4 矿用空压机红外图像降维方法研究 |
| 4.1 机械学习降维方法概述 |
| 4.2 图像降维方法对比分析 |
| 4.3 图像降维算法的性能分析 |
| 4.4 本章小结 |
| 5 基于机器学习的矿用空压机工作状态识别方法研究 |
| 5.1 空压机工作状态划分方法 |
| 5.2 空压机工作状态红外识别算法 |
| 5.3 本章小结 |
| 6 实验研究 |
| 6.1 实验室实验平台的搭建 |
| 6.2 实验室试验结果分析 |
| 6.3 工业性试验 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 论文创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（3）基于堆栈自编码神经网络的自适应分类算法在变压器故障诊断中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及其意义 |
| 1.2 电力变压器故障诊断技术综述 |
| 1.2.1 传统变压器故障诊断技术 |
| 1.2.2 人工智能的变压器故障诊断技术 |
| 1.3 变压器油溶解气体分析研究现状 |
| 1.4 本文研究的主要内容 |
| 第2章 油浸式电力变压器油中溶解气体检测方法 |
| 2.1 绝缘油中溶解气体的产生原理 |
| 2.1.1 绝缘油的分解 |
| 2.1.2 固体绝缘材料的分解 |
| 2.1.3 绝缘油中溶解气体的其他来源 |
| 2.2 油浸式电力变压器绝缘油中溶解气体气相色谱分析 |
| 2.2.1 绝缘油中溶解气体获取 |
| 2.2.2 绝缘油中溶解气体检测方法 |
| 2.3 油浸式电力变压器油中溶解气体检测数据分析方法 |
| 2.3.1 特征气体法 |
| 2.3.2 三比值法 |
| 2.3.3 改良三比值法 |
| 2.4 本章小结 |
| 第3章 基于SAE-Ada Boost模型的变压器故障诊断 |
| 3.1 神经网络介绍 |
| 3.2 自编码神经网络介绍 |
| 3.2.1 自编码器 |
| 3.2.2 堆栈自编码器 |
| 3.3 Ada Boost算法 |
| 3.4 SAE-Ada Boost故障诊断模型 |
| 3.4.1 SAE-Ada Boost模型结构 |
| 3.4.2 建立SAE-Ada Boost模型 |
| 3.5 实验及分析 |
| 3.5.1 实验数据 |
| 3.5.2 隐藏层神经元个数 |
| 3.5.3 分类器 |
| 3.5.4 模型测试 |
| 3.6 本章小结 |
| 第4章 SAE-Ada Boost模型在高海拔地区变压器故障诊断中的应用 |
| 4.1 故障数据 |
| 4.2 故障诊断 |
| 4.3 生产管理系统应用 |
| 4.4 红外成像检测 |
| 4.5 电力变压器局部放电检测 |
| 4.6 检修计划 |
| 4.6.1 检修细则 |
| 4.6.2 检修策略 |
| 4.6.3 检修计划制定 |
| 4.7 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读研究生期间所发表的学术论文 |
（4）基于嵌入式AI技术的输变电红外在线监测系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 红外成像技术及红外成像仪的国内外研究现状 |
| 1.2.2 人工智能技术在图像识别等领域的国内外研究现状 |
| 1.2.3 嵌入式AI芯片技术的国内外研究现状 |
| 1.3 本文的主要研究内容 |
| 2 系统相关的基本理论介绍 |
| 2.1 红外热成像的成像原理 |
| 2.1.1 红外热成像原理简介 |
| 2.1.2 红外热成像的优点 |
| 2.2 人工智能技术在图像识别等领域的相关原理 |
| 2.2.1 Tensor Flow训练识别模型 |
| 2.3 嵌入式AI芯片技术的分析 |
| 2.4 本章小结 |
| 3 系统硬件设计 |
| 3.1 系统硬件总体设计 |
| 3.2 系统硬件芯片选型 |
| 3.2.1 芯片选型概述 |
| 3.2.2 芯片主要功能 |
| 3.2.3 芯片主要设计指标 |
| 3.3 系统主CPU和AI加速器模块设计 |
| 3.4 供电电源和低功耗设计 |
| 3.4.1 供电电源方案 |
| 3.4.2 低功耗设计 |
| 3.5 硬件电路抗电磁干扰设计 |
| 3.6 本章小结 |
| 4 系统软件设计 |
| 4.1 嵌入式人工智能模型和深度学习算法设计 |
| 4.1.1 嵌入式人工智能模型设计 |
| 4.1.2 深度学习实现方法设计 |
| 4.2 系统专用APP软件设计 |
| 4.2.1 APP概述 |
| 4.2.2 APP功能介绍 |
| 4.3 本章小结 |
| 5 红外智能AI在线监测系统在电力行业的应用 |
| 5.1 避雷器监测 |
| 5.1.1 避雷器发热缺陷的特征描述 |
| 5.1.2 避雷器热缺陷处理建议 |
| 5.2 变压器本体监测 |
| 5.2.1 变压器本体典型热缺陷的主要部位及产生原因 |
| 5.2.2 变压器本体热缺陷特征描述 |
| 5.2.3 变压器热缺陷的处理建议 |
| 5.3 变压器本体套管监测 |
| 5.3.1 变压器套管热缺陷的特征描述 |
| 5.3.2 变压器套管热缺陷处理建议 |
| 5.4 导电回路及线夹监测 |
| 5.4.1 导线回路及线夹热缺陷的特征描述 |
| 5.4.2 导线回路及线夹热缺陷处理建议 |
| 5.5 电容器监测 |
| 5.5.1 电容器热缺陷的特征描述 |
| 5.5.2 电容器热缺陷处理建议 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 致谢 |
| 参考文献 |
（5）基于深度学习的电气设备红外图像检索系统的研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 红外图像技术在变电站设备监测中研究现状 |
| 1.2.2 图像检索技术在电力系统领域的研究现状 |
| 1.2.3 深度学习在电力系统中应用的研究 |
| 1.3 主要研究内容及章节安排 |
| 第二章 相关技术及理论 |
| 2.1 红外热成像技术 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积神经网络概述 |
| 2.2.2 卷积神经网络的类型 |
| 2.3 图像检索技术 |
| 2.4 本章小结 |
| 第三章 基于深度学习的电气设备红外图像检索 |
| 3.1 总体流程 |
| 3.2 图像增强 |
| 3.2.1 直方图均衡化 |
| 3.2.2 Laplacian算子锐化算法 |
| 3.2.3 中值滤波算法 |
| 3.2.4 实验结果对比 |
| 3.3 实验及分析 |
| 3.3.1 网络模型结构 |
| 3.3.2 性能评价 |
| 3.3.3 实验结果 |
| 3.4 本章小结 |
| 第四章 基于深度哈希的电气设备红外图像检索 |
| 4.1 哈希算法 |
| 4.1.1 局部敏感哈希(LSH) |
| 4.1.2 迭代量化哈希(ITQ) |
| 4.1.3 基于哈希算法的索引方式 |
| 4.2 深度哈希模型 |
| 4.2.1 深度哈希算法 |
| 4.2.2 模型结构 |
| 4.2.3 损失函数 |
| 4.3 相似性度量 |
| 4.3.1 相似性度量算法 |
| 4.3.2 改进汉明距离 |
| 4.4 实验及分析 |
| 4.4.1 实验数据 |
| 4.4.2 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 电气设备红外图像检索系统设计 |
| 5.1 检索系统框架设计 |
| 5.2 系统功能设计 |
| 5.3 系统应用 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（6）基于红外图像的变电站设备分类及热故障诊断（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 热监测国内外研究现状 |
| 1.2.1 热红外技术研究进展 |
| 1.2.2 电力设备红外图像分割的发展现状 |
| 1.3 主要研究内容 |
| 第2章 热红外成像技术 |
| 2.1 红外热像基本理论 |
| 2.2 红外测温常用仪器 |
| 2.3 FLIRE75型红外热像测温仪介绍 |
| 2.4 FLIRE75型红外热像仪图像分析 |
| 2.4.1 不同调色板下目标设备的对比分析 |
| 2.4.2 图像目标与非目标数据分析 |
| 2.4.3 图像点线测温数据分析 |
| 2.5 本章小结 |
| 第3章 变电站设备红外图像分割 |
| 3.1 变电站设备红外图像的特点及分割技术 |
| 3.2 直觉模糊聚类算法 |
| 3.2.1 模糊c均值聚类算法(FCM) |
| 3.2.2 直觉模糊c均值聚类算法(IFCM) |
| 3.3 电力设备图像分割 |
| 3.3.1 基于高斯模型全局分布信息的改进 |
| 3.3.2 采用基于IFCM的局部强度分布信息进行改进 |
| 3.3.3 实验结果分析 |
| 3.4 本章小结 |
| 第4章 基于红外图像的电力设备自动分类 |
| 4.1 红外图像的特征提取 |
| 4.2 红外图像的识别 |
| 4.3 基于方向梯度直方图的特征提取 |
| 4.4 基于SVM的变电站设备分类 |
| 4.4.1 支持向量机概述 |
| 4.4.2 基于SVM的电力设备识别分析结果 |
| 4.5 本章小结 |
| 第5章 红外图像的电力设备热故障诊断 |
| 5.1 红外热故障诊断原理 |
| 5.2 红外热故障诊断手段 |
| 5.3 变电站设备的诊断与结果分析 |
| 5.3.1 热故障诊断方法选择 |
| 5.3.2 热故障等级判定 |
| 5.3.3 热故障诊断与结果分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文 |
| 攻读硕士学位期间取得的科研成果 |
（7）电力系统电力一次设备状态检修应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 引言 |
| 1.1 课题的背景和意义 |
| 1.2 国内外研究现状分析 |
| 1.3 论文的主要创新点 |
| 1.4 论文的主要工作 |
| 第2章 电力一次设备及检修方法分类 |
| 2.1 电力一次设备 |
| 2.2 电力一次设备常见故障 |
| 2.2.1 变压器常见故障 |
| 2.2.2 断路器常见故障 |
| 2.2.3 开关柜常见故障 |
| 2.2.4 GIS常见故障 |
| 2.2.5 互感器常见故障 |
| 2.3 电力一次设备检修方法分类 |
| 2.4 电力一次设备亊后检修、定期检修方法局限性 |
| 2.5 电力一次设备状态检修应用情况分析 |
| 第3章 江西电网输、变、配电设备应用情况 |
| 3.1 江西电网输、变电设备运行概况 |
| 3.1.1 江西电网输、变电设备规模 |
| 3.1.2 江西电网输、变电设备运行情况 |
| 3.1.3 输电设备跳闸与故障停运分析 |
| 3.1.4 变电设备跳闸与故障停运分析 |
| 3.2 江西电网配电设备运行概况 |
| 3.2.1 江西配电网规模 |
| 3.2.2 江西配电网线路运行情况 |
| 第4章 SF_6在状态检测技术中的应用 |
| 4.1 SF_6气体性质与用途 |
| 4.2 基于SF_6气体的状态检修技术 |
| 4.2.1 SF_6气体湿度检测 |
| 4.2.2 SF_6气体成分分析 |
| 4.2.3 SF_6气体红外成像法的原理 |
| 4.3 基于SF_6气体的状态检修技术应用案例 |
| 4.3.1 GIS六氟化硫气体湿度不合格案例 |
| 4.3.2 GIS六氟化硫气体分解产物检测案例 |
| 4.3.3 六氟化硫气体红外成像法检测GIS、HGIS设备气体泄漏案例 |
| 第5章 油中溶解气体状态检修技术的应用 |
| 5.1 油中溶解气体状态检修技术原理 |
| 5.1.1 油中溶解气体产生过程 |
| 5.1.2 气相色谱检测原理 |
| 5.2 油中溶解气体状态检修分析方法 |
| 5.3 油中溶解气体状态检修技术应用案例 |
| 5.3.1 变压器近区短路引起中压绕组损坏案例 |
| 5.3.2 变压器有载分接开关引线接触不良案例 |
| 5.3.3 220kV油浸式电流互感器内部故障案例 |
| 第6章 高频、特高频、超声波局部放电状态检测修技术的应用 |
| 6.1 高频法状态检测修技术原理及应用案例 |
| 6.1.1 高频法状态检测修技术原理 |
| 6.1.2 高频法状态检测修技术应用案例 |
| 6.2 特高频法状态检测修技术原理及应用案例 |
| 6.2.1 特高频法状态检测修技术原理 |
| 6.2.2 特高频法状态检测修技术应用案例 |
| 6.3 超声波法状态检测修技术原理及应用案例 |
| 6.3.1 超声波法状态检测修技术原理 |
| 6.3.2 超声波法状态检测修技术应用案例 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（8）基于红外检测技术的变电站电气装置故障判断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 概述 |
| 1.1 引言 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 带电检测设备发展 |
| 1.3 本文的主要研究内容 |
| 第二章 红外检测技术原理分析 |
| 2.1 物体红外辐射描述 |
| 2.1.1 物质辐射情况 |
| 2.1.2 红外辐射原理分析 |
| 2.1.3 基尔霍夫定理 |
| 2.1.4 红外形成分析 |
| 2.1.5 红外测温基本原理 |
| 2.2 红外检测技术分析 |
| 2.2.1 红外热像检测技术 |
| 2.2.2 SF6 气体红外成像法检测技术 |
| 2.3 SF6 气体红外成像法检测原理 |
| 2.3.1 常用SF6 气体判断方法 |
| 2.3.2 SF6 红外分析原理 |
| 2.4 本章小结 |
| 第三章 红外带电检测方法研究 |
| 3.1 红外测温技术方法研究 |
| 3.1.1 变压器红外检测设备 |
| 3.1.2 GIS设备红外热像检测 |
| 3.1.3 断路器红外测温分析 |
| 3.1.4 高压设备红外带电诊断的判别方法 |
| 3.2 红外检测关键因素的作用 |
| 3.2.1 测量距离的作用 |
| 3.2.2 测量角度的作用 |
| 3.3 红外带电检测常见干扰 |
| 3.4 本章小结 |
| 第四章 变电站红外带电检测典型案例分析 |
| 4.1 500k V胜利站#2 主变C相中性点套管发热 |
| 4.2 变电站电气设备故障 |
| 4.2.1 电气设备故障概述 |
| 4.2.2 电气设备的缺陷 |
| 4.2.3 电气设备故障判断方法 |
| 4.3 电流致热型电气装置的故障分析 |
| 4.3.1 温度变化分析 |
| 4.3.2 温升与负荷运行电流的关系 |
| 4.3.3 电流致热型案例分析 |
| 4.4 电压致热型电气装置的故障分析 |
| 4.4.1 温度分析 |
| 4.4.2 故障分析 |
| 4.4.3 电压致热型案例分析 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
（9）变电站电气设备红外图像处理研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容 |
| 第二章 红外图像特点分析 |
| 2.1 红外检测技术基本原理 |
| 2.1.1 红外线基本特征 |
| 2.1.2 红外辐射与温度关系 |
| 2.2 红外热成像技术 |
| 2.2.1 红外热像仪 |
| 2.2.2 红外图像的特点及噪声分析 |
| 2.3 本章小结 |
| 第三章 基于NSCT的图像去噪算法 |
| 3.1 常用图像去噪方法 |
| 3.1.1 图像去噪质量评价标准 |
| 3.1.2 常用滤波方式 |
| 3.2 Contourlet变换 |
| 3.2.1 Contourlet变换的结构 |
| 3.2.2 非下采样的Contourlet变换 |
| 3.3 NSCT阈值去噪 |
| 3.3.1 阈值选取 |
| 3.3.2 阈值函数和改进自适应阈值 |
| 3.3.3 算法实现过程 |
| 3.4 仿真结果与分析 |
| 3.5 本章小结 |
| 第四章 基于PCNN的图像分割算法 |
| 4.1 图像分割的原理及评价标准 |
| 4.1.1 图像分割原理 |
| 4.1.2 图像分割评价准则 |
| 4.2 PCNN的基本模型和特性分析 |
| 4.2.1 PCNN的基本模型 |
| 4.2.2 PCNN的特性分析 |
| 4.2.3 PCNN的工作原理 |
| 4.3 改进PCNN图像分割算法 |
| 4.3.1 PCNN模型的简化 |
| 4.3.2 交叉熵 |
| 4.3.3 改进的参数设置 |
| 4.3.4 算法流程 |
| 4.4 仿真结果与分析 |
| 4.5 本章小结 |
| 第五章 变电设备故障诊断 |
| 5.1 Hu不变矩图像识别 |
| 5.1.1 Hu矩 |
| 5.1.2 Zernike矩 |
| 5.2 变电站故障 |
| 5.2.1 变电站设备热故障类型 |
| 5.2.2 变电站设备热故障处理方案设计 |
| 5.3 实验测试与结果 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（10）基于红外紫外成像检测技术的绝缘子运行状态分析与评估（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 红外成像检测技术研究现状 |
| 1.2.2 紫外成像检测技术研究现状 |
| 1.2.3 深度学习算法研究进展及现状 |
| 1.2.4 深度学习在电力行业研究现状 |
| 1.3 论文主要研究内容 |
| 第2章 劣化绝缘子红外成像智能评估诊断方法 |
| 2.1 不同因素影响下的劣化绝缘子发热红外检测试验 |
| 2.1.1 试验平台及步骤 |
| 2.1.2 不同因素影响下的试验结果分析 |
| 2.1.3 劣化绝缘子红外图像库的构建 |
| 2.2 基于BP神经网络的劣化绝缘子诊断方法 |
| 2.2.1 BP神经网络模型的构建 |
| 2.2.2 BP神经网络拓扑结构的确定 |
| 2.2.3 三种特征量下的故障诊断模型分析评估 |
| 2.3 基于BOA-SVM分类器的劣化绝缘子诊断方法 |
| 2.3.1 贝叶斯优化支持向量机模型 |
| 2.3.2 BOA-SVM分类评估算法模型分析评估 |
| 2.4 基于卷积神经网络的劣化绝缘子诊断方法 |
| 2.4.1 卷积神经网络模型的结构与原理 |
| 2.4.2 卷积神经网络算法实现及结果分析 |
| 2.5 本章小结 |
| 第3章 基于深度学习的红外热成像的绝缘子异常发热目标识别算法研究 |
| 3.1 绝缘子红外异常发热图像库的构建 |
| 3.1.1 绝缘子异常发热原理 |
| 3.1.2 绝缘子异常发热数据集构建 |
| 3.2 FASTER-RCNN发热目标识别检测算法 |
| 3.2.1 Faster-RCNN损失函数介绍 |
| 3.2.2 Faster-RCNN模型网络综合训练 |
| 3.3 FASTER-RCNN发热目标识别结果分析 |
| 3.3.1 Faster-RCNN检测误差分析 |
| 3.3.2 Faster-RCNN模型训练过程分析 |
| 3.3.3 Faster-RCNN深度学习算法与传统发热检测算法对比分析 |
| 3.4 YOLO-V3发热目标识别检测算法 |
| 3.4.1 YOLO-V3算法基本原理 |
| 3.4.2 YOLO-V3算法实现及结果分析 |
| 3.4.3 YOLO-V3应用测试和效果比对 |
| 3.5 本章小结 |
| 第4章 基于深度卷积神经网络模型的瓷质绝缘子紫外成像闪络评估方法研究 |
| 4.1 构建紫外放电图谱的样本库 |
| 4.1.1 瓷质绝缘子闪络试验方法 |
| 4.1.2 紫外闪络样本图片库的构建 |
| 4.2 卷积神经网络模型的结构与原理 |
| 4.2.1 卷积神经网络的原理结构 |
| 4.2.2 卷积神经网络的训练方法 |
| 4.3 深度卷积神经网络紫外图谱放电程度评估分类算法实现 |
| 4.3.1 卷积神经网络对紫外图谱放电程度评估算法实现 |
| 4.3.2 卷积神经网络的特征提取可视化分析 |
| 4.3.3 卷积神经网络训练过程及准确率分析 |
| 4.4 本章小结 |
| 第5章 基于FCN-CNN模型的瓷质绝缘子紫外成像污秽度评估算法研究 |
| 5.1 不同污秽度的瓷质绝缘子串紫外成像检测试验 |
| 5.1.1 试验平台的搭建 |
| 5.1.2 试验方法及步骤 |
| 5.1.3 紫外图像特征参量的提取 |
| 5.2 基于全卷积神经网络的紫外成像预处理方法 |
| 5.2.1 紫外放电光斑样本训练数据集构建 |
| 5.2.2 全卷积神经网络算法理论 |
| 5.2.3 紫外放电光斑分割模型测试试验 |
| 5.2.4 试验结果分析 |
| 5.3 基于深度卷积神经网络的绝缘子污秽度评估方法 |
| 5.4 本章小结 |
| 第6章 红外紫外成像检测技术的绝缘子运行状态综合检测系统 |
| 6.1 红外紫外可见光多光路成像检测设备的研制 |
| 6.1.1 整体架构介绍 |
| 6.1.2 光学系统 |
| 6.1.3 整机集成 |
| 6.2 红外紫外图片后台诊断软件的开发 |
| 6.2.1 系统简介 |
| 6.2.2 主要技术简介 |
| 6.2.3 界面介绍及功能说明 |
| 6.3 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
四、红外成像技术对电气设备故障的诊断分析研究（论文参考文献）
- [1]红外图像处理在架空线路故障诊断中的应用[D]. 程子夜. 安徽理工大学, 2020(07)
- [2]矿用空压机工作状态红外识别关键技术研究[D]. 仝矿伟. 中国矿业大学, 2020
- [3]基于堆栈自编码神经网络的自适应分类算法在变压器故障诊断中的应用[D]. 沈杰. 兰州理工大学, 2020(02)
- [4]基于嵌入式AI技术的输变电红外在线监测系统研究[D]. 张径侨. 西安理工大学, 2020(01)
- [5]基于深度学习的电气设备红外图像检索系统的研究与实现[D]. 杨浩. 华东交通大学, 2020(03)
- [6]基于红外图像的变电站设备分类及热故障诊断[D]. 胡凡奎. 黑龙江大学, 2020(04)
- [7]电力系统电力一次设备状态检修应用研究[D]. 孙宽舒. 南昌大学, 2020(01)
- [8]基于红外检测技术的变电站电气装置故障判断方法研究[D]. 耿鹏彪. 东南大学, 2019(01)
- [9]变电站电气设备红外图像处理研究[D]. 范晓静. 曲阜师范大学, 2019(01)
- [10]基于红外紫外成像检测技术的绝缘子运行状态分析与评估[D]. 裴少通. 华北电力大学(北京), 2019(01)