阅读说明：本技术 变电站自动巡检方法和平台 (Substation's automatic detecting method and platform ) 是由 陈作伟 李勋 吕启深 刘顺桂 杨强 徐健 张裕汉 于 2019-08-19 设计创作，主要内容包括：本发明涉及一种变电站自动巡检方法和平台。变电站自动巡检方法包括：向巡检机器人发送巡检路径,以使巡检机器人按照巡检路径到达巡检位置,采集巡检位置处的设备的噪声数据,对设备和噪声数据进行对应标识,以及获取当前巡检机器人的定位信息；接收设备的噪声数据以及巡检机器人的定位信息,并根据预设规则对噪声数据进行处理,得到设备运行时的时频图；根据定位信息确认设备对应的训练完成的卷积神经网络模型,以及将设备的时频图输入到与设备对应的训练完成的卷积神经网络模型,利用卷积神经网络模型判断设备是否发生故障,从而将故障检测问题转化为图像识别问题,避免了对人工以及知识技能的依赖,同时提高了巡检的效率和可靠性。(The present invention relates to a kind of substation's automatic detecting method and platforms.Substation's automatic detecting method includes: to send polling path to crusing robot, so that crusing robot reaches inspection position according to polling path, acquire the noise data of the equipment at inspection position, corresponding mark is carried out to equipment and noise data, and obtains the location information of current crusing robot；The noise data of receiving device and the location information of crusing robot, and noise data is handled according to preset rules, obtain time-frequency figure when equipment operation；The convolutional neural networks model that the corresponding training of equipment is completed is confirmed according to location information, and the time-frequency figure of equipment is input to the convolutional neural networks model that training corresponding with equipment is completed, judge whether equipment breaks down using convolutional neural networks model, to convert problem of image recognition for fault detection problem, it avoids to artificial and knowledge expertise dependence, while improving the efficiency and reliability of inspection.)

变电站自动巡检方法和平台

技术领域

本发明涉及巡检机器人的应用与开发技术领域，特别是涉及一种变电站自动巡检方法和平台。

背景技术

变电站设备长期处于运行状态下，为了确保电气设备的安全稳定运行，及时发现设备的缺陷或隐患，需运行人员对现场设备进行巡检，但工作量大、效率低，且检测结果往往达不到预期效果。其中噪声数据包含了设备运行状态信息，采用非接触式传感器可测量，是比较理想的故障分析和检测手段。因此将噪声检测技术集成到巡检机器人上，利用巡检机器人替代人工巡检，有利于节约人工成本，提高巡检效率和可靠性。但是，基于传统噪声信号分析的方法进行异常检测需要复杂的专家知识，因此一般员工在分析噪声信号时可能会出现失误，到时检测可靠性和检测效率不高。

发明内容

基于此，有必要提供一种变电站自动巡检方法和平台，以提高巡检的效率和可靠性。

本发明提供了一种变电站自动巡检方法，包括：

向巡检机器人发送巡检路径，以使所述巡检机器人按照巡检路径到达巡检位置，采集所述巡检位置处的设备的噪声数据，对所述设备和所述噪声数据进行对应标识，以及获取当前所述巡检机器人的定位信息；

接收所述设备的噪声数据以及所述巡检机器人的定位信息，并根据预设规则对所述噪声数据进行处理，得到所述设备运行时的时频图；

根据所述定位信息确认所述设备对应的训练完成的卷积神经网络模型，以及将所述设备的时频图输入到与所述设备对应的训练完成的卷积神经网络模型，利用所述卷积神经网络模型判断所述设备是否发生故障。

在其中一个实施例中，所述根据预设规则对所述噪声数据进行处理，得到所述设备运行时的时频图，包括：

对所述噪声数据进行短时傅里叶变换，得到并存储与所述设备运行时的时频图。

在其中一个实施例中，在根据所述定位信息确认所述设备对应的训练完成的卷积神经网络模型之前，还包括：

采集所述设备正常状态下和故障状态下的历史运行噪声数据，并分别对每一所述噪声数据对应的设备的运行状态进行标定，形成噪声数据样本；

将所述噪声数据样本进行短时傅里叶变换，得到与所述噪声数据样本对应的时频图；

将所述时频图作为图像训练样本输入预先设置的卷积神经网络进行训练，以得到所述训练完成的卷积神经网络模型，并存储。

在其中一个实施例中，在向所述巡检机器人发送所述巡检路径之前，还包括：

根据所述变电站的设计图纸或高清卫星图像，获取变电站中需要检测的各个设备的位置信息；

根据需要检测的所述设备的位置信息和进行噪声采集的时间，生成所述巡检路径。

在其中一个实施例中，所述变电站自动巡检方法还包括：

当判定所述设备发生故障时，生成用于提示用户设备故障的报警信息。

在其中一个实施例中，所述变电站自动巡检方法还包括：

利用所述时频图对与所述设备对应的卷积神经网络模型进行再训练和优化。

基于同一发明构思，本发明实施例还提供了一种变电站自动巡检平台，包括：

巡检机器人，用于按照巡检路径到达巡检位置，采集所述巡检位置处的设备的噪声数据，并对所述设备以及所述噪声数据进行标识，以及获取自身当前的定位信息；和

地面站系统，与所述巡检机器人通信连接，用于接收所述设备的噪声数据以及所述巡检机器人的定位信息，根据预设规则对所述噪声数据进行处理，得到所述设备运行时的时频图，以及根据所述定位信息确认所述设备对应的训练完成的卷积神经网络模型，将所述设备的时频图输入与所述设备对应的训练完成的卷积神经网络模型，利用所述卷积神经网络模型判断所述设备是否发生故障。

在其中一个实施例中，所述巡检机器人包括：

运动控制模块，用于根据所述巡检路径驱动所述巡检机器人到达所述巡检位置，并对所述设备以及所述噪声数据进行标识，以及获取所述巡检机器人当前的定位信息；

噪声采集模块，用于采集所述巡检位置处的设备的噪声数据；

噪声处理模块，与所述噪声处理模块通信连接，用于将所述噪声数据与所述设备进行对应标识；以及

通信模块，与所述噪声采集模块、所述噪声处理模块以及所述地面站系统分别通信连接，所述运动控制模块通过所述通信模块从所述地面站系统中获取所述巡检路径，所述噪声处理模块通过所述通信模块向所述地面站系统发送所述噪声数据。

在其中一个实施例中，所述噪声处理模块，还用于在将所述噪声数据发送给所述地面站系统之前，将所述噪声数据按照指定长度的采样点进行分割和打包处理。

在其中一个实施例中，所述地面站系统包括：

数据处理模块，与所述通信模块通信连接，用于接收所述设备的噪声数据以及所述巡检机器人的定位信息，并根据预设规则对所述噪声数据进行处理，得到所述设备运行时的时频图，以及将所述巡检路径发送给所述巡检机器人；

噪声存储与检索模块，与所述数据处理模块电连接，用于接收并存储所述定位信息，并根据所述定位信息确定所述设备对应的训练完成的卷积神经网络模型；

故障分析模块，与所述噪声存储与检索模块电连接，用于接收所述时频图，并将输入到确定的所述卷积神经网络模型中，利用所述卷积神经网络模型判断所述设备是否发生故障；以及

巡检任务规划模块，与所述数据处理模块电连接，用于根据所述变电站设计图纸或高清卫星图像，获取变电站中多个所述设备的位置信息，以及根据需要检测的所述设备的位置信息和进行噪声采集的时间，生成所述巡检路径，并发送给所述数据处理模块。

在其中一个实施例中，所述噪声存储与检索模块还用于接收并存储所述时频图，以及利用所述时频图对与所述设备对应的卷积神经网络模型进行再训练和优化。

在其中一个实施例中，所述故障分析模块还用于在判定所述设备发生故障时，生成用于提示用户设备故障的报警信息。

在其中一个实施例中，所述地面站系统还包括警报模块，所述警报模块与所述故障分析模块电连接，用于接收所述报警信息，并根据所述报警信息产生蜂鸣声。

本发明提供了一种变电站自动巡检方法和平台。其中，变电站自动巡检方法包括：向巡检机器人发送巡检路径，以使所述巡检机器人按照巡检路径到达巡检位置，采集所述巡检位置处的设备的噪声数据，对所述设备和所述噪声数据进行对应标识，以及获取当前所述巡检机器人的定位信息；接收所述设备的噪声数据以及所述巡检机器人的定位信息，并根据预设规则对所述噪声数据进行处理，得到所述设备运行时的时频图；根据所述定位信息确认所述设备对应的训练完成的卷积神经网络模型，以及将所述设备的时频图输入到与所述设备对应的训练完成的卷积神经网络模型，利用所述卷积神经网络模型判断所述设备是否发生故障。本发明中，通过将噪声数据转化为时频图，然后利用训练完成的卷积神经网络模型对时频图进行分析，实现图像信息特征的自动提取，利用噪声信号的时频图和卷积神经网络模型将故障检测问题转化为图像识别问题，避免了在进行噪声信号分析时对人工以及知识技能的依赖，同时提高了巡检的效率和可靠性。

附图说明

图1为本发明实施例提供的一种变电站自动巡检方法流程示意图；

图2为本发明实施例提供的卷积神经网络结构意图；

图3为本发明实施例提供的对噪声数据按照指定长度的采样点数分割后的结果示意图；

图4为将分割后的噪声数据进行短时傅里叶变换的效果图；

图5为本发明实施例提供的一种变电站自动巡检平台的电气结构示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。

请参见图1，本发明实施例提供了一种变电站自动巡检方法，包括：

步骤S110，向巡检机器人发送巡检路径，以使所述巡检机器人按照巡检路径到达巡检位置，采集所述巡检位置处的设备的噪声数据，对所述设备和所述噪声数据进行对应标识，以及获取当前所述巡检机器人的定位信息；

步骤S120，接收所述设备的噪声数据以及所述巡检机器人的定位信息，并根据预设规则对所述噪声数据进行处理，得到所述设备运行时的时频图；

步骤S130，根据所述定位信息确认所述设备对应的训练完成的卷积神经网络模型，以及将所述设备的时频图输入到与所述设备对应的训练完成的卷积神经网络模型，利用所述卷积神经网络模型判断所述设备是否发生故障。

可以理解，深度学习方法能够自动学习特征并进行分类决策，实现故障检测自动化。请参见图2，卷积神经网络(CNN)是近年来最流行的深度学习模型之一，在图像识别中具有重大优势。卷积神经网络包括输入层(input layer)、卷积层(convolutional layer)、池化层(pooling layer)、全连接层(fully-connected layer)、输出层(output layer)等，其中卷积层和池化层是最重要的特征提取环节，能够实现图像信息特征的自动学习和提取。输入为二维的时频图时，输出为设备状态预设标签(例如输出0代表设备正常，输出1代表设备出现故障)。本实施例中，卷积神经网络结构中的2个卷积-池化层对用于特征提取，一个全连接层用于特征全连接，后接softmax分类器，分类器的输出则作为诊断结果。需特别指出的是，实际设计中不同设备可能需要构建不同结构的卷积神经网络模型。

因此，本发明中通过将噪声数据转化为时频图，然后利用训练完成的卷积神经网络模型对时频图进行分析，实现图像信息特征的自动提取，利用噪声信号的时频图和卷积神经网络模型将故障检测问题转化为图像识别问题，避免了在进行噪声信号分析时对人工以及知识技能的依赖，同时提高了巡检的效率和可靠性。此外，采用非接触式噪声传感器提升了数据采集的安全性，减少对设备的影响。

此外，对所述设备和所述噪声数据进行对应标识，将噪声数据需要根据采集位置和时间做好标注，以便选择对应的卷积神经网络模型进行检测，并方便历史数据归档和检索。

在其中一个实施例中，所述根据预设规则对所述噪声数据进行处理，得到所述设备运行时的时频图，包括：

对所述噪声数据进行短时傅里叶变换，得到并存储与所述设备运行时的时频图。

可以理解，短时傅里叶变换的基本思想是：把信号分成许多小的时间间隔，再用傅里叶变换分析每一时间隔间，以便确定在每一时间间隔存在的频率，这些频率的总体就表示了频谱在时间上是如何变化的。本实施例中，通过短时傅里叶变换，将噪声数据转化为频率随时间变化的二维图，从而将数据分析问题转化为图像识别问题，降低了故障检测难度，提高经济效益。

在其中一个实施例中，在根据所述定位信息确认所述设备对应的训练完成的卷积神经网络模型之前，还包括：

采集所述设备正常状态下和故障状态下的历史运行噪声数据，并分别对每一所述噪声数据对应的设备的运行状态进行标定，形成噪声数据样本；

将所述噪声数据样本进行短时傅里叶变换，得到与所述噪声数据样本对应的时频图；

将所述时频图作为图像训练样本输入预先设置的卷积神经网络进行训练，以得到所述训练完成的卷积神经网络模型，并存储。

可以理解，采集各个设备的正常状态和故障状态下的噪声数据，并分别形成时频图，利用该时频图预先对卷积神经网络进行训练和优化，可以调整卷积神经网络的设置参数，使得训练好的卷积神经网络模型在接收到输入的时频图时可以实现快速准确的收敛，同时保证输出结果具有较高准确性。

此外，由于采集到的噪声数据包含有环境噪声，巡检机器人在将噪声数据发送给地面站系统之前，还需要进行适当的预先降噪处理。并且，将噪声数据需要根据采集位置和时间做好标注，以便选择对应的卷积神经网络进行检测，并方便历史数据归档和检索。

本实施例中，请参见图3和图4，其中图3为示例性各个采集点的噪声数据图，图4为将噪声数据进行短时傅里叶变换的效果图。在将卷积神经网络模块搭载到自动巡检平台之前，人工采集各个关键设备正常运行与故障时的噪声信号并对每个噪声数据样本设定对应的标签，包括设备标号和工作状态(例如：正常状态为0，故障状态为1)，用于后续深度卷积神经网络的学习训练。然后，将每个设备的噪声数据样本分别按指定长度的采样点数分割(例如1024个采样点为一个片段)，并进行短时傅里叶变换得到对应的时频图作为图像训练样本，送入预先设置的卷积神经网络进行训练，以对预设的卷积神经网络模型进行参数优化，得到合适的模型参数，从而构建具有故障识别能力的模型。

在其中一个实施例中，在向所述巡检机器人发送所述巡检路径之前，所述变电站自动巡检方法还包括：

根据所述变电站的设计图纸或高清卫星图像，获取变电站中需要检测的各个设备的位置信息；

根据需要检测的所述设备的位置信息和进行噪声采集的时间，生成所述巡检路径。

本实施例中，根据变电站设计图纸或高清卫星图像，获取变电站关键电气设备位置信息并进行标注，通过地面站系统生成巡检路径，巡检路径以坐标点形式表示，同时设定在各个关键设备位置点的信号采集时间，生成包括需要巡检的设备的位置信息以及噪声信号采集时间，以使巡检机器人根据所述巡检任务，在规定的噪声采集时间内采集相应的设备的噪声。

在其中一个实施例中，所述变电站自动巡检方法还包括：

步骤S140，当判定所述设备发生故障时，生成用于提示用户设备故障的报警信息。

本实施例中，通过在判定设备发生故障时生成用于提示用户设备故障的报警信息，可及时提醒用户对设备进行查看和维修，尽量降低故障影响。

在其中一个实施例中，所述变电站自动巡检方法还包括：

利用所述时频图对与所述设备对应的卷积神经网络模型进行再训练和优化。

可以理解，由于作为训练卷积神经网络的图像样本的时频图的数量是有限的，因此有可能根据有限的样本数无法得到卷积神经网络模型的最优参数，因此后续可利用工作中采集到的噪声数据，对所述卷积神经网络模型进行进一步参数优化，以提高卷积神经网络模型的收敛速度和精确度，进而提高巡检的效率和可靠性。

基于同一发明构思，请参见图5，本发明实施例还提供了一种变电站自动巡检平台，包括巡检机器人510和地面站系统520。

所述巡检机器人510用于按照巡检路径到达巡检位置，采集所述巡检位置处的设备的噪声数据，并对所述设备以及所述噪声数据进行标识，以及获取自身当前的定位信息。

所述地面站系统520与所述巡检机器人510通信连接，用于接收所述设备的噪声数据以及所述巡检机器人510的定位信息，根据预设规则对所述噪声数据进行处理，得到所述设备运行时的时频图，以及根据所述定位信息确认所述设备对应的训练完成的卷积神经网络模型，将所述设备的时频图输入与所述设备对应的训练完成的卷积神经网络模型，利用所述卷积神经网络模型判断所述设备是否发生故障。

本实施例中，通过将噪声数据转化为时频图，然后利用训练完成的卷积神经网络模型对时频图进行分析，实现图像信息特征的自动提取，进而根据图像特征判断设备是否存在故障。可见，利用噪声信号的时频图和卷积神经网络模型将故障检测问题转化为图像识别问题，不仅避免了在进行噪声信号分析时对人工以及知识技能的依赖，同时提高了巡检的效率和可靠性。

在其中一个实施例中，所述巡检机器人510包括运动控制模块511、噪声采集模块512、噪声处理模块513和通信模块514。

所述运动控制模块511用于根据所述巡检路径驱动所述巡检机器人510到达所述巡检位置，并对所述设备以及所述噪声数据进行标识，以及获取所述巡检机器人510当前的定位信息。

所述噪声采集模块512用于采集所述巡检位置处的设备的噪声数据。

所述噪声处理模块513与所述噪声处理模块513通信连接，用于将所述噪声数据与所述设备进行对应标识。

所述通信模块514与所述噪声采集模块512、所述噪声处理模块513以及所述地面站系统520分别通信连接，所述运动控制模块511511通过所述通信模块514从所述地面站系统520中获取所述巡检路径，所述噪声处理模块513通过所述通信模块514向所述地面站系统520发送所述噪声数据。

可以理解，可以将所述巡检机器人510包括运动控制模块511511、噪声采集模块512、噪声处理模块513集成在一个芯片上，以减小巡检机器人510的体积和种类。所述通信模块包括串行接口，所述巡检机器人与地面站系统之间通过串口连接。此外，各模块也可单独设置，其中噪声采集包括录音设备，该录音设备根据巡检路径中规定的信号采集时间采集相对设备产生的噪声。所述噪声处理模块513则将采集到的噪声数据与相应的设备进行标识，以便底面站系统可根据该标识判断其对应的设备，进而将该噪声数据转化为时频图输入到对应的卷积神经网络模型中，利用卷积神经网络模块判断设备当前的状态。具体设计中，所述噪声处理模块513包括滤波电路，如LC无源滤波电路，通过滤波电路对噪声数据进行滤波处理，消除所述噪声数据中的环境噪声。

此外，对所述设备和所述噪声数据进行对应标识，将噪声数据需要根据采集位置和时间做好标注，以便选择对应的卷积神经网络模型进行检测，并方便历史数据归档和检索。

本实施例中，卷积神经网络结构中的2个卷积-池化层对用于特征提取，一个全连接层用于特征全连接，后接softmax分类器，分类器的输出则作为诊断结果，例如输出0代表设备正常，输出1代表设备出现故障。需特别指出的是，实际设计中不同设备可能需要构建不同结构的卷积神经网络模型。

在其中一个实施例中，所述噪声处理模块513，还用于在将所述噪声数据发送给所述地面站系统520之前，将所述噪声数据按照指定长度的采样点进行分割和打包处理。

可以理解，通过将所述噪声数据按照指定长度的采样点进行分割和打包处理，然后再通过通信模块514发送给地面站系统520，以使地面站系统520可直接根据接收到的噪声数据进行短时傅里叶变换。此外，采集到的噪声数据包含有环境噪声，需要进行适当的预先降噪处理。并且，将噪声数据需要根据采集位置和时间做好标注，以便选择对应的卷积神经网络进行检测，并方便历史数据归档和检索。

在其中一个实施例中，所述地面站系统520包括数据处理模块521、噪声存储与检索模块522、故障分析模块523和巡检任务规划模块524。

所述数据处理模块521与所述通信模块514通信连接，用于接收所述设备的噪声数据以及所述巡检机器人510的定位信息，并根据预设规则对所述噪声数据进行处理，得到所述设备运行时的时频图，以及将所述巡检路径发送给所述巡检机器人510。

所述噪声存储与检索模块522与所述数据处理模块521电连接，用于接收并存储所述定位信息，并根据所述定位信息确定所述设备对应的训练完成的卷积神经网络模型。

所述故障分析模块523与所述噪声存储与检索模块522电连接，用于接收所述时频图，并将输入到确定的所述卷积神经网络模型中，利用所述卷积神经网络模型判断所述设备是否发生故障。

所述巡检任务规划模块524与所述数据处理模块521电连接，用于根据所述变电站设计图纸或高清卫星图像，获取变电站中多个所述设备的位置信息，以及根据需要检测的所述设备的位置信息和进行噪声采集的时间，生成所述巡检路径，并发送给所述数据处理模块521。

在其中一个实施例中，所述噪声存储与检索模块522还用于接收并存储所述时频图，以及利用所述时频图对与所述设备对应的卷积神经网络模型进行再训练和优化。

在其中一个实施例中，所述故障分析模块523还用于在判定所述设备发生故障时，生成用于提示用户设备故障的报警信息。

在其中一个实施例中，所述地面站系统520还包括警报模块525，所述警报模块525与所述故障分析模块523电连接，用于接收所述报警信息，并根据所述报警信息产生蜂鸣声。可以理解，由于某些原因工作人员可能无法及时看到监控界面上的故障提示信号，本实施例通过该警报模块525在接收到所述报警信息时产生蜂鸣声，及时提醒工作人员当前设备处于故障状态，便于工作人员及时对设备进行排障处理。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。