一种基于机器学习的定子线棒绝缘老化状态复合预测方法
阅读说明：本技术 一种基于机器学习的定子线棒绝缘老化状态复合预测方法 (Machine learning-based stator bar insulation aging state composite prediction method ) 是由 钱翰宁 孙兆龙 黄垂兵 刘振田 庄哲鑫 周炜昶 卯寅浩 郑伟 丁安敏 于 2021-09-27 设计创作，主要内容包括：本发明公开了一种基于机器学习的定子线棒绝缘老化状态复合预测方法,包括：图像数据采集：包括采集日常预测数据及采集节点预测数据；采集日常预测数据只采集定子线棒的宏观老化图像数据；采集节点预测数据只采集定子线棒微观老化图像数据；图像数据预处理；预测情况分类；宏观及微观老化图像数据特征提取；数据分类及通过训练集构建模型：通过验证集,得到训练好的BP神经网络模型,通过测试集验证最终的准确率后,得到最终可用于预测老化状态的模型,具有可快速、准确得到预测结果的优点。(The invention discloses a machine learning-based stator bar insulation aging state composite prediction method, which comprises the following steps: image data acquisition: acquiring daily prediction data and acquiring node prediction data; acquiring daily prediction data and only acquiring macroscopic aging image data of the stator bar; collecting node prediction data and only collecting stator bar microscopic aging image data; preprocessing image data; classifying the prediction situation; extracting macro and micro aging image data features; classifying data and constructing a model through a training set: and obtaining a trained BP neural network model through the verification set, obtaining a model which can be finally used for predicting the aging state after verifying the final accuracy through the test set, and having the advantage of quickly and accurately obtaining a prediction result.)
技术领域
本发明涉及定子线棒材料老化程度预测领域，更具体地，涉及一种基于深度学习的定子线棒绝缘状态预测方法。
背景技术
发电机的定子绕组绝缘是发电机的重要组成部分，随着大电机装机容量的不断提高，环境应力对绝缘的影响也在增大。发电机的寿命主要取决于绝缘寿命，而绝缘会受到各种因素的影响导致失效。
例如在电机设计制造时，没有在容易出现电场集中的部位做强化处理会导致绝缘失效，或者由于频繁起动而造成定子线棒绝缘受到操作过电压的冲击，加速了电机绝缘老化，或者由于绝缘本身的损耗使部件发热而导致绝缘老化。
定子线棒绝缘老化会导致发电机寿命降低，因此研究发电机绝缘的寿命预测对提高发电机的运行稳定性具有重要意义。寿命预测分为前期和后期预测，其中，前期预测是指根据发电机的设计结构，结合绝缘材料的绝缘性能，在设计初期预测绝缘的使用寿命；后期预测就是常见的发电机绝缘的剩余寿命的预测，在运行过程中，获取绝缘性能表征数据，预测绝缘的剩余使用寿命，提前防范由绝缘失效引起的发电机故障。
传统的定子线棒绝缘老化程度预测方法主要是公式法，通过建立介质损耗因数、局部放电量等多种电器参数与剩余寿命的关系，主要有局部放电参数预测法、D-图像法和其他非电气参数寿命评估法。这些方法与评估结果相差比较大，不够准确。现在也有一些方法获取线棒上的绝缘片材的微观图谱进行特征值提取的办法进行状态预测，但这种方法操作获取数据样本比较复杂，需要拆卸电机，难以快速得到预测结果，不适合于日常预测。
发明内容
针对现有技术的以上缺陷或改进需求，本发明目的在于解决传统的定子线棒绝缘老化程度预测方法不准确、操作复杂，难以快速得到预测结果，不适合于日常预测的问题。
本发明提供了：一种基于机器学习的定子线棒绝缘老化状态复合预测方法，包括如下步骤：
步骤1：图像数据采集：包括采集日常预测数据及采集节点预测数据；采集日常预测数据只采集定子线棒宏观老化图像数据；采集节点预测数据则只采集定子线棒微观老化图像数据；
步骤2，图像数据预处理：对步骤1中获取的图像数据进行预处理；
步骤3，预测情况分类：对日常预测情况，进入步骤4；对节点预测情况，进入步骤7；
步骤4，宏观老化图像数据特征提取：对步骤2中预处理后定子线棒宏观老化图像数据进行特征提取，得到宏观老化图像的特征数据；
步骤5，数据分类及通过训练集构建模型：将步骤4得到的特征数据分成训练集、验证集和测试集，将训练集的特征输入BP神经网络中，构建BP神经网络模型；
步骤6，通过验证集，得到训练好的BP神经网络模型，通过测试集验证最终的准确率后，得到最终可用于预测老化状态的模型；
步骤7，微观老化图像数据特征提取：对步骤2中预处理后的定子线棒微观老化图像数据进行特征提取，得到微观老化图像的特征数据；
步骤8，数据分类及通过训练集构建模型：将步骤7得到的特征数据分成训练集、验证集和测试集，将训练集的特征输入BP神经网络中，构建BP神经网络模型；
步骤9，通过验证集，得到训练好的BP神经网络模型，通过测试集验证最终的准确率后，得到最终可用于预测老化状态的模型。
进一步的，所述步骤1中，采集定子线棒宏观老化图像数据的方法为：在电机内部内置摄像装置，通过内置摄像装置对定子线棒表面每隔一个固定时间进行拍照，获取不同老化阶段的图像数据，并传输到外部数据存储装置。
进一步的，所述步骤1中，采集定子线棒微观老化图像数据的方法为：将绝缘样品从新定子线棒上进行剥离，获取单层或多层堆叠的绝缘片材；将绝缘片材裁剪为多个片状样品，将片状样品放在通风的器皿中热氧老化并按数量等分为多份；将每隔同样的间隔时间取出一份片状样品直至全部取完，得到不同老化阶段的老化样品，利用二维小角X射线散射设备观察不同老化阶段老化样品的衍射光斑，得到老化样品的衍射光斑图谱；利用原子力显微镜观察不同老化状态的老化样品在纳米尺度上的表面形态以及不同组分之间的界面状态，得到老化样品的微观形貌图谱。
进一步的，所述步骤2中图像数据进行预处理的方法为图片增强或形态学的腐蚀和膨胀处理。
进一步的，所述步骤4中，对预处理后的定子线棒宏观老化图像数据进行特征提取的方法为：采用特征提取网络进行提取，该特征提取网络为50层残差网络中去除了conv5模块及之后的所有层。
进一步的，所述步骤7中对步骤2中预处理后的定子线棒微观老化图像数据进行特征提取的方法为：提取预处理后的定子线棒微观老化图像数据的衍射光斑图谱的方向梯度直方图特征以及微观形貌图谱的局部二值模式特征。
进一步的，所述方向梯度直方图特征的提取过程包括：对老化样品的衍射光斑图谱进行分割，在每个分割块中计算像素的方向和梯度，按照像素变化的方向对梯度进行累加，得到一个分割块中的方向梯度图，将所有分割块中方向梯度进行统计得到图像的方向梯度直方图特征。
进一步的，所述局部二值模式特征提取过程包括：原始的局部二值模式算子定义为在3×3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则该像素点的位置被标记为0，3×3邻域内的8个点经比较产生8位二进制数，将8位二进制数转换为十进制数，得到该窗口中心像素点的局部二值模式特征。
进一步的，所述步骤6或步骤9具体方法为：通过设置BP神经网络不同的模型参数，在验证集中找到预测定子线棒老化状态准确率最高的模型参数，将该模型参数作为最终的模型参数，得到训练好的BP神经网络模型；将测试集输入已经训练好的BP神经网络模型中，对测试集中的图像进行老化程度预测，在验证测试集的准确率后，即可用该模型预测定子线棒的老化状态。
总体而言，通过本发明的所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
本发明通过分别采集定子线棒宏观老化图像数据和微观老化图像数据，分别建立日常预测模型和节点预测模型，可满足日常的快速预测以及重大节点（重大节点为重大检修期或其他需要检查的时间段）的进一步准确预测，通过日常预测模型和节点预测模型的复合交叉使用，避免了常规预测模式的不准确、操作复杂，难以快速得到预测结果的缺点。
附图说明
图1为本发明较佳实施例的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明的进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明的，并不用于限定本发明的。此外，下面所描述的本发明的各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
请参考图1，本发明的实施例提供了一种基于机器学习的定子线棒绝缘老化状态复合预测方法，包括如下步骤：
步骤1：图像数据采集：包括采集日常预测数据及采集节点预测数据；采集日常预测数据只采集定子线棒宏观老化图像数据；采集节点预测数据则只采集定子线棒微观老化图像数据；
具体的，采集定子线棒宏观老化图像数据的方法为：在电机内部内置摄像装置，通过内置摄像装置对定子线棒表面每隔一个固定时间进行拍照，获取不同老化阶段的图像数据（老化图像通常表现为定子线棒表面开裂，颜色改变，出现粉末等特征），并传输到外部数据存储装置。
采集定子线棒微观老化图像数据的方法为：将绝缘样品从新定子线棒（即还没使用的新定子线棒）上进行剥离，获取单层或多层堆叠的绝缘片材；将绝缘片材裁剪为多个片状样品，将片状样品放在通风（通风是为了减少空气中的氧气对热老化的影响，模拟定子线棒实际环境）的器皿中热氧老化并按数量等分为多份；将每隔同样的间隔时间取出一份片状样品直至全部取完，得到不同老化阶段的老化样品，利用二维小角X射线散射设备观察不同老化阶段老化样品的衍射光斑，得到老化样品的衍射光斑图谱；利用原子力显微镜观察不同老化状态的老化样品在纳米尺度上的表面形态以及不同组分之间的界面状态，得到老化样品的微观形貌图谱。
步骤2，图像数据预处理：对步骤1中获取的图像数据进行预处理，例如采用图片增强或形态学的腐蚀和膨胀处理。
步骤3，预测情况分类：对日常预测情况，进入步骤4；对节点预测情况，进入步骤7；
步骤4，宏观老化图像数据特征提取：对步骤2中预处理后定子线棒宏观老化图像数据进行特征提取，提取的方法为：采用特征提取网络进行提取，该特征提取网络为50层残差网络中去除了conv5模块及之后的所有层；得到宏观老化图像的特征数据；
步骤5，数据分类及通过训练集构建模型：将步骤4得到的特征数据分成训练集、验证集和测试集，将训练集的特征输入BP神经网络中，构建BP神经网络模型；
步骤6，通过验证集，得到训练好的BP神经网络模型，通过测试集验证最终的准确率后，得到最终可用于预测老化状态的模型；具体方法为：通过设置BP神经网络不同的模型参数，在验证集中找到预测定子线棒老化状态准确率最高的模型参数，将该模型参数作为最终的模型参数，得到训练好的BP神经网络模型；将测试集输入已经训练好的BP神经网络模型中，对测试集中的图像进行老化程度预测，在验证测试集的准确率后，即可用该模型预测定子线棒的老化状态。
步骤7，微观老化图像数据特征提取：对步骤2中预处理后的定子线棒微观老化图像数据进行特征提取，得到微观老化图像的特征数据；
具体的对步骤2中预处理后的定子线棒微观老化图像数据进行特征提取的方法为：提取预处理后的定子线棒微观老化图像数据的衍射光斑图谱的方向梯度直方图特征以及微观形貌图谱的局部二值模式特征。
其中，方向梯度直方图特征的提取过程包括：对老化样品的衍射光斑图谱进行分割，在每个分割块中计算像素的方向和梯度，按照像素变化的方向对梯度进行累加，得到一个分割块中的方向梯度图，将所有分割块中方向梯度进行统计得到图像的方向梯度直方图特征。
局部二值模式特征提取过程包括：原始的局部二值模式算子定义为在3×3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则该像素点的位置被标记为0，3×3邻域内的8个点经比较产生8位二进制数，将8位二进制数转换为十进制数，得到该窗口中心像素点的局部二值模式特征。
步骤8，数据分类及通过训练集构建模型：将步骤7得到的特征数据分成训练集、验证集和测试集，将训练集的特征输入BP神经网络中，构建BP神经网络模型；
步骤9，通过验证集，得到训练好的BP神经网络模型，通过测试集验证最终的准确率后，得到最终可用于预测老化状态的模型：具体方法为：通过设置BP神经网络不同的模型参数，在验证集中找到预测定子线棒老化状态准确率最高的模型参数，将该模型参数作为最终的模型参数，得到训练好的BP神经网络模型；将测试集输入已经训练好的BP神经网络模型中，对测试集中的图像进行老化程度预测，在验证测试集的准确率后，即可用该模型预测定子线棒的老化状态（例如剩余寿命）。
本实施例中采用了BP神经网络作为预测算法模型，BP神经网络无论在网络理论还是在性能方面已比较成熟。其突出优点有：
1）非线性映射能力：BP神经网络实质上实现了一个从输入到输出的映射功能，数学理论证明三层的神经网络就能够以任意精度逼近任何非线性连续函数。这使得其特别适合于求解内部机制复杂的问题，即BP神经网络具有较强的非线性映射能力。
2）自学习和自适应能力：BP神经网络在训练时，能够通过学习自动提取输出、输出数据间的“合理规则”，并自适应的将学习内容记忆于网络的权值中。即B神经网络具有高度自学习和自适应的能力。
3）泛化能力：所谓泛化能力是指在设计模式分类器时，即要考虑网络在保证对所需分类对象进行正确分类，还要关心网络在经过训练后，能否对未见过的模式或有噪声污染的模式，进行正确的分类。也即B即神经网络具有将学习成果应用于新知识的能力。
4）容错能力：BP神经网络在其局部的或者部分的神经元受到破坏后对全局的训练结果不会造成很大的影响，也就是说即使系统在受到局部损伤时还是可以正常工作的。即BP神经网络具有一定的容错能力。
实际预测工作中，也可采用其他预测算法模型，例如随机森林、逻辑回归、k均值聚类等算法。
另外需要指出的是实际预测工作中，也可以将日常预测和节点预测相结合，相互验证，以提高预测准确率；
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用于限制本发明的，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。