一、电力设备外部发热缺陷的红外检测与诊断（论文文献综述）
邓超迪[1]（2021）在《变压器红外图像处理与热缺陷区域识别》文中指出为契合国家经济发展需求,在全国范围内电网已经基本实现全覆盖。《中国电力行业年度发展报告2020》中指出,在全国范围内220kv及以上的输电线路回路长度高达75万千米,220kv及以上变电设备容量43亿千伏安。电网运行过程中存在着大量的变电设备,而变压器是最重要的变电设备。所以对变压器运行状态进行实时监测是保证电网能够正常运行的必要措施。变压器在故障状态下,一般都伴随着异常发热。而且油浸式变压器有六度法则,也就是变压器运行时温度每提高6℃,其使用年限就减少一半。对变压器运行中的温度进行测量能准确的对变压器进行状态评估。相比较传统的测温方法,通过变压器红外图像来分析变压器运行中的温度,具有较高的有效性和实时性,并且因为是“非接触式”测温,同时还是具备了安全性。为实现从变压器红外图像中对变压器在不同环境温度中热缺陷区域的识别,本文主要研究内容如下:（1）针对变压器红外图像在成像过程中形成的高斯和椒盐两种噪声,采用小波变换结合中值滤波的方法进行去噪。首先对通过实验对比选择半软阈值函数对带噪红外图像进行变换分离,分成存在噪声的高频频域和存放图像信息的低频区域;然后分离高频频域重构图像;最后使用中值滤波去除剩余噪点。通过对比各算法去噪后图像的PSNR和EPI去噪效果指标,该方法的去除噪声效果相较传统红外图像去噪算法效果更佳。（2）针对红外图像边缘细节模糊,目标区域和背景灰度差小等情况,采用了一种结合直方图均衡化和双边滤波的图像增强方法。首先对灰度值集中、对比度较低的红外图像进行直方图均衡化处理;然后通过实验对比选出双边滤波最佳内核值,最后使用已经取到最佳内核值的双边滤波进行图像平滑,该算法在均衡图像灰度级分布的同时利用双边滤波平均化图像坡度,保持了变压器边缘细节,而且在对比度这个评价指标上也有很大提升。（3）针对变压器红外图像中背景复杂多样的情况,采用一种改进SMD评价函数的自适应阈值法进行变压器区域分离提取。首先使用灰度方差乘积评价函数对每一个灰度值作为阈值分割后红外图像进行评价;然后绘制出灰度值与评价值关系曲线;最后通过梯度累计法求解出曲线最平稳区域,从而选出最优分割阈值。通过对比实验,本文算法相较于常用的红外图像分割算法都能更准确的将变压器区域从众多背景的红外图像中提取出来,并且在图像分割效果客观评价指标上该算法也有一定提升。（4）针对环境温度对变压器箱体温度的影响问题,本文使用ANSYS软件进行变压器温度场有限元分析。首先根据红外图像拍摄时的环境温度,分别在环境温度为0℃、16℃和22℃下进行仿真;然后得出了不同环境温度下变压器最高温度和最低温度;最后依据《带电设备红外诊断技术应用导则》中划分的电力设备热故障温度等级,调整了环境温度影响下的变压器故障温度。分离出变压器区域之后考虑红外图像采集时的环境温度对测温的影响,提取出变压器存在热缺陷的部分。
胡凡奎[2]（2020）在《基于红外图像的变电站设备分类及热故障诊断》文中提出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。
王曼然[3]（2020）在《基于红外热像图的变电设备故障检测与识别研究》文中研究表明近年来,随着我国社会经济的发展,电力事业也取得了前所未有的进步,特别是智能电网的发展成为了我国电力产业的重大需求。传统变电站运行状态监测及故障检测与识别主要依赖工作人员的定期巡检和操作,这不仅费时费力,同时也增加了相对主观判断因素的干扰,并且伴有一定程度的危险性,在特殊情况下甚至难以保障变电设备的快速准确检测与识别。随着图像处理和人工智能技术的飞速发展,它们在各行各业中得到了广泛的应用。本文以变电设备的红外图像为研究对象,通过图像处理、特征提取、分类识别等技术,期待达到智能检测与识别变电设备故障的目的,从而减轻人工巡检的压力,提高变电设备的安全隐患预警能力,以保障电网的安全可靠运转。本文的具体研究内容如下:（1）本文对红外图像检测技术的背景、意义和国内外研究现状进行了分析,探讨了红外图像检测技术在目前变电设备故障检测中的应用现状,从变电设备运行特点以及结构特点出发,介绍了几种常见的电力设备热故障类型。（2）本文对变电设备红外图像的预处理操作进行了研究,针对红外图像噪声较大,对比度较低,图像较模糊的缺点,通过对均值滤波、中值滤波、小波阈值等图像去噪算法进行仿真对比,提出了一种基于中值滤波的小波阈值去噪方法;在此基础上,为了提高原始红外图像的对比度和清晰度,提出了一种基于脉冲耦合神经网络PCCN模型的图像增强处理方法,并利用Matlab平台仿真验证了该方法的有效性;最后为了突出目标图像,使用Canny算子对图像进行边缘检测分割,达到了良好的分割效果。（3）本文提出一种基于HOG特征提取和支持向量机的变电设备红外图像分类识别算法,使得局部目标的表象和形状能够被梯度或边缘的方向密度分布很好地描述,从而提高了对变电设备红外图像分类识别的准确率。（4）为规避人工分析的误判和环境干扰的影响,以上述研究为基础,在相对温差法对变电设备故障进行等级划分的基础上,基于MatlabGUI平台搭载了与研究相对应的变电设备热故障检测与识别系统,并通过对多种类型高压变电设备的红外图像测试,验证了该系统的准确率。本文通过图像处理技术对变电设备红外图像进行研究,实现可以通过红外测温图像提高无人值守变电站内设备的运行维护效率,从而为实际变电设备故障智能检测和识别提供了理论基础,具有一定的实际参考价值。
王永平[4]（2020）在《高压开关设备红外图像识别与故障诊断方法研究》文中进行了进一步梳理高压开关设备作为保护电力系统中各类配电装置不可缺少的电气设备,在运行过程中会受到高电压、大电流、机械应力以及环境因素的共同作用使得高压开关设备伴随着发热现象。红外诊断技术是高压开关设备的热异常故障诊断的有效手段。在采集到的红外图像中可以反应出设备中存在的过载、接触不良、接头松动等故障,这对于及时发现、处理、预防高压开关设备故障带来的重大事故具有非常重要的意义。为快速有效的诊断高压开关设备热异常,本文从高压开关设备红外图像识别和故障诊断两个实际问题出发,开展了深入的研究。通过分析高压开关设备典型热异常及红外图像的特点,针对传统算法在高压开关设备在红外图像识别与故障诊断方面的不足,建立了高压开关设备红外图像数据库,提出了新的高压开关设备识别及热异常检测算法,取得了以下成果:1)高压开关设备红外图像在采集、传输过程中存在较多的椒盐噪声和高斯噪声,因此针对传统的红外图像去噪方法的不足,提出了改进均值的自适应中值滤波算法。实验结果表明,该算法可以有效滤除高压开关设备红外图像中的噪声,同时可以保持图像的清晰度,且在PSNR和MSE指标上呈现出良好的滤波性能。2)针对目标高压开关设备红外图像分割过程中存在的边缘准确性较差、轮廓不够清晰的问题,研究了传统的高压开关设备红外图像分割方法,提出了基于Mask RCNN算法的目标高压开关设备红外图像分割方法。实验结果表明,该分割方法准确率高且具有较强的泛化能力,测试准确率达到86%,可将其初步应用于高压开关设备红外图像分割中。3)针对高压开关设备红外图像异常发热点检测中存在目标位置场景复杂和大小不均衡带来的检测准确率下降问题,改进YOLO v3算法实现了高压开关设备异常发热点的快速检测、识别和定位。同时,建立了用于高压开关设备红外图像异常发热点的数据集。实验结果表明,该检测方法识别速度快,准确率高且具有较强的泛化能力,可将其初步应用于高压开关设备异常发热点目标检测中。
马俊杰[5]（2020）在《无线传感网络研究及其在电力设备状态监测中的应用》文中提出近年来,我国智能电网发展迅速,电力系统的安全稳定运行关系到国民经济的健康发展和人民的稳定生活。随着状态监测技术的发展,电力设备的状态监测类型和先进的监测方法也越来越多,在智能电网发展现阶段,如何在变电站环节建立智能变电站信息监控,实现变电站设备管理和运行状态的全面监控引起了广泛关注。为解决现有电力设备状态监测系统存在的问题,本文利用红外热成像技术,现代通信技术及信息处理技术,设计并完成了变电站电力设备状态在线监测系统。该系统实现了对变电站设备状态及操作环境的实时监控,为变电站运行维护提供了辅助支持,提高了智能变电站的运行管理水平。主要研究内容如下:第一,基于变电站主要电力设备的在线监测项目分析,为实现对电力设备温度状态、变电站烟雾及温湿度环境的实时监测,设计了变电站电力设备状态监测系统,通过阐述分析验证系统的可行性及先进性。第二,针对传统电力设备温度状态监测方式存在的技术难题,选用在线式红外热成像仪实时采集所监测电力设备的温度数据,利用无线传输方式将实时温度信息发送到监控后台,围绕前端数据采集系统、传输网络、后台数据处理及显示模块,设计红外热成像在线监测系统。第三,通过对各图像处理算法的优缺点分析,选用中值滤波法降噪、基于灰度拉伸增强图像对比度及基于Canny算子实现图像边缘检测。利用Matlab编程设计了电力设备红外图像处理界面,实现红外热图像显示、红外图像灰度转换、红外图像处理及温度的读取功能,以此掌握设备的运行状态。最后,针对红外在线监测系统在封闭式电力设备监测方面存在的困难,综合对比各无线通信技术的优缺点,选用LoRa无线通信技术实现电力设备局部放电及变电站烟雾、温湿度状态的实时监测。围绕传感器采集模块、LoRa无线通信模块、微处理器模块以及电源模块的硬件电路,设计基于LoRa的在线监测系统,继而通过多节点之间的通信组网实验,验证了设计的合理及可行性。
杨森淋[6]（2020）在《基于红外成像的断路器故障检测技术的研究》文中进行了进一步梳理断路器用于开断电力系统正常工作状态下的电流与出现故障时的短路电流,是电网系统中重要的组成部分,因此断路器热故障成了影响电网系统正常运行的主要因素之一。红外检测技术拥有适应性强、非接触性等优点被广泛地运用于断路器等电力设备的检修当中,但目前国内大多数还是采用人工检测方法,其效率较低费时费力。本文以瓷柱式SF6高压断路器作为研究对象,提出了一种断路器红外图像的自动分析处理方法,能实现高压断路器热故障的自动定位与判别,其具体内容如下:（1）研究断路器红外图像预处理的方法,通过分析高压断路器红外图像的噪声特点与常见噪声类型,对常用的几种去噪算法进行比较,并使用基于积分图像技术的非局部均值滤波算法加中值滤波算法过滤断路器红外图像中存在的噪声,然后通过L0范数平滑算法增强高压断路器红外图像的边缘。（2）针对随机游走图像分割算法需要人工标定种子点的缺陷,提出了一种基于最大最小距离法的快速模糊C均值聚类算法用于高压断路器红外图像的预分割并通过形态学处理为随机游走算法提供种子点,实现了随机游走算法的图像自动分割,经过实验验证,本文采用算法的图像分割效果更加接近于完全分割图像,能够实现对高压断路器的精准图像分割。（3）采用Hu不变矩提取被分割图像的特征值,然后使用支持向量机进行识别训练得到高压断路器识别模型,实现了对高压断路器的各组成设备的红外图像识别,实验结果表明识别模型的识别准确率到达98.75%。（4）研究高压断路器的发热特征,结合《带电设备红外诊断应用规范》,构建出断路器热故障诊断流程。（5）使用Matlab APP designer研制断路器热故障自动诊断的软件平台,通过实验验证了其准确性。
白梓璇[7]（2020）在《基于免疫算法的电力设备红外图像目标提取技术研究》文中进行了进一步梳理随着生活用电和工业用电的不断增长,电力设备所承载的负荷也在不断增长,实时监测各类电力设备,及时发现电力设备故障是保障电力系统正常稳定运行的前提。目前我国电力设备监测多采用仪器监测,通过监测设备运行参数获取运行信息。监测技术正逐渐向非接触、便捷式、多功能和智能化方向发展。红外检测作为一种较成熟的技术手段,能够实现在不断电、不接触情况下,通过实时反馈电力设备温度分布红外图像获取设备的运行状态。同时,红外图像对温度变化反应的灵敏度高,能够及时发现温度异常,实现对电力设备故障的提前预警,避免造成严重损失。通过红外图像目标提取获得的电力设备运行特征可以为智能判断和决策提供依据,开展本课题研究具有理论意义和实际价值。本文通过分析不同运行状态下电力设备红外图像所呈现的特征,提出三种基于免疫算法的电力设备红外图像目标提取方法,以实现电力设备红外图像中有效目标的自动获取。主要的研究内容如下:（1）提出了一种最优可免域补体免疫网络红外目标提取算法。解决了温度分布不均匀、故障区域和故障预警区域距离较近的电力设备红外图像目标提取问题。通过设计补体免疫分类器提取不同故障状态电力设备的类别特征,实现对目标区域的准确提取。（2）提出了一种补体免疫网络红外图像数据分类算法。解决了故障区域不明显、目标特征不清晰的电力设备红外图像目标提取问题。通过希尔伯特变换,在泛函空间内获取图像相对位置特征,以欧氏距离作为目标区域训练范围,实现对红外图像目标区域的准确提取。（3）提出一种补体免疫聚类目标提取算法。解决了电力设备红外检测中,存在背景复杂,痕迹重叠而难以有效提取目标电力设备问题。算法建立多个电力设备模板图像库,通过模板与图像的匹配度来确定目标区域的轮廓和位置。对图像进行k-means聚类处理重新确定聚类中心,完成对目标区域图像的提取。采用定性分析和定量分析相结合的方法对所提免疫算法实验结果分析验证,并与阈值法、分水岭算法等图像目标提取算法进行验证比较,实验结果证明所提免疫算法分割效果最佳。通过真阳率、假阳率、Dice系数和准确率等指标,进一步证实文中所提免疫算法的有效性、准确性。
李玉齐,朱琦文,张健[8]（2020）在《发电厂带电设备红外检测与故障诊断应用研究》文中研究说明红外检测技术在检测和诊断发电厂带电设备缺陷方面优势显着,对保障发电厂乃至电网安全运行意义重大。本文剖析了红外测温理论基础、带电设备的故障类型与危害以及红外诊断技术的判断方法与设备故障等级,探讨红外诊断技术在现场状态检修案例中的应用。最后指出提高红外检测效率的方法,并强调了红外检测技术在定量分析方面取得突破的必要性。
何颖梅[9]（2019）在《基于带电检测数据分析的电力设备检修辅助决策方法》文中指出随着社会发展以及人民群众美好生活需要的日益增长,全社会对供电可靠性的要求也越发提高。国网公司作为中国最大的供电企业,通过更新管理手段和强化技术手段两手抓的方式致力于供电可靠性的提高。谈及技术手段,以红外热像检测和开关柜局部放电检测为主的带电检测技术已经在我国电力系统中作为设备日常监测手段而广泛应用。然而,上述带电检测手段在日常运维中仍扮演着辅助角色,没有完全融入电力设备检测、检修工作流程当中。当前的变电设备运行维护仍大量地依靠运行人员工作经验,先进科学手段在变电设备维护、检修等方案或决策中的体现十分缺失,设备检修计划绝大多数情况下仍然遵从经验基础上的周期计划检修。上述情况一方面设备运维检修水平并未显着提高,另一方面,造成了许多先进手段或资源的浪费,与国网公司推行的“3+N”值班、“集约化管理”等管理手段的精神也多有相悖。为解决上述问题,充分发挥带电检测手段在电力设备运行维护中的作用,本文对带电检测实施规范、检测数据分析及设备缺陷发展预测方法以及基于带电检测数据分析结果的电力设备检修决策方法进行了相应的探究:1).基于国内外相关文献,简单介绍了红外热像检测、暂态地电压检测等带电检测手段在实际电力生产应用中的现状。总结了有关电力设备检修决策模型的相关研究内容和工程应用实例,发现目前鲜有将带电检测结果作为电力设备检修决策考虑要素的研究或应用案例,但随着技术发展以及“大云物移”生产技术理念的提出,基于带电检测大数据结果挖掘的电力设备检修决策是必然的发展方向。2).在带电检测有效数据积累方面,本文从工程应用实际出发提出了一种以带电检测人员检测行走路径最短为目标函数,包括安全距离约束、检测距离约束、检测角度约束以及检测空间约束在内的带电检测点位优选定置方法,经过变电站实际应用检测,该方法能有效克服个人行为偏好对带电检测结果造成的不良影响,能够完成连续性强、准确度高、一致性好的海量带电检测数据的跟踪获取。3).在带电检测大数据挖掘方面,研究了电力设备致异相关要素分析方法和缺陷发展预测方法。采用计算检测结果与电力设备异常潜在影响要素相关系数的方法来反映潜在影响要素与电力设备异常之间的相关性。基于小波分解法、最小二乘法向量机和自回归建模实现了对电力设备缺陷发展趋势的预测。4).在带电检测大数据挖掘结果应用方面,将带电检测结果分析预测得到的电力设备可持续运行时间作为其检修计划制定中的检修时间窗口参考要素,设计了一种计及检修经济性、电网可靠性、检修工作量均衡性的电力设备检修多目标优化模型,考虑了潮流约束、检修时间窗口约束、多个检修设备间的检修序列协调约束以及电网可靠性约束,实现了对电力设备检修行为的数学建模。同时,给出了依托帕累托最优概念和差分进化算法的模型求解算法,在RBTS-BUS6系统算例的基础上分别针对线路计划检修方案和基于带电检测结果修正的线路检修方案进行优化求解。算例结果证实了所提出模型的有效性和基于带电检测数据分析的电力设备检修辅助决策较一般周期计划检修的优越性。
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》文中研究指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、电力设备外部发热缺陷的红外检测与诊断（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、电力设备外部发热缺陷的红外检测与诊断（论文提纲范文）
（1）变压器红外图像处理与热缺陷区域识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 红外图像处理研究现状 |
| 1.2.2 红外诊断技术研究现状 |
| 1.2.3 存在的主要问题 |
| 1.3 本文主要工作 |
| 第二章 红外测温技术在变压器热缺陷识别中的应用 |
| 2.1 红外测温基础理论及特点 |
| 2.1.1 黑体辐射理论 |
| 2.1.2 变压器红外测温优点 |
| 2.2 变压器常见热故障 |
| 2.2.1 变压器内部故障 |
| 2.2.2 变压器外部故障 |
| 2.3 变压器红外测温影响因素 |
| 2.3.1 发射率 |
| 2.3.2 环境湿度 |
| 2.3.3 环境温度 |
| 2.4 红外图像温度计算 |
| 2.5 变压器红外图像特点 |
| 2.6 本章小结 |
| 第三章 变压器红外图像噪声去除与细节增强 |
| 3.1 红外图像噪声去除算法研究 |
| 3.1.1 红外图像噪声种类 |
| 3.1.2 传统去噪方法 |
| 3.1.3 小波变换结合中值滤波去噪算法 |
| 3.1.4 去噪评价指标 |
| 3.1.5 去噪实验结果分析 |
| 3.2 红外图像细节增强算法研究 |
| 3.2.1 直方图均衡化 |
| 3.2.2 细节提取与平滑 |
| 3.2.3 直方图均衡化结合双边滤波算法 |
| 3.2.4 实验结果与分析 |
| 3.3 本章小结 |
| 第四章 红外图像众多背景物中变压器区域分离 |
| 4.1 变压器红外图像分类 |
| 4.2 高对比度图像中变压器区域提取 |
| 4.2.1 模糊C均值聚类 |
| 4.2.2 一维OTSU |
| 4.2.3 二维OTSU |
| 4.3 边界模糊图像中变压器区域提取 |
| 4.3.1 阈值的图像分割 |
| 4.3.2 SMD图像评价函数 |
| 4.3.3 改进SMD评价函数的自适应阈值分割法 |
| 4.3.4 实验结果分析 |
| 4.4 存在遮拦物图像变压器区域提取和分割结果优化 |
| 4.5 本章小结 |
| 第五章 不同环境温度下变压器热缺陷区域识别 |
| 5.1 变压器建模与相关参数设定 |
| 5.1.1 变压器三维模型建立及网格划分 |
| 5.1.2 物理参数和材料特性设置 |
| 5.1.3 边界条件设定 |
| 5.2 仿真结果分析 |
| 5.3 变压器红外图像热缺陷区域提取 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 A(攻读学位期间发表论文目录) |
（2）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 |
（3）基于红外热像图的变电设备故障检测与识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 论文的主要研究内容 |
| 第2章 红外测温在电力设备故障检测中的应用 |
| 2.1 红外测温技术 |
| 2.1.1 普朗克辐射定律 |
| 2.1.2 红外测温原理 |
| 2.1.3 红外测温仪器 |
| 2.1.4 红外图像的特点 |
| 2.2 电力设备的热缺陷 |
| 2.2.1 基于致热原因划分的热缺陷类型 |
| 2.2.2 基于设备结构划分的热缺陷类型 |
| 2.2.3 热缺陷等级划分 |
| 2.3 基于相对温差法的热故障检测 |
| 2.4 本章小结 |
| 第3章 变电设备热故障的红外热像图采集及预处理 |
| 3.1 红外热像图的采集 |
| 3.2 图像灰度化 |
| 3.2.1 RGB图像模型 |
| 3.2.2 图像灰度化 |
| 3.3 红外图像去噪处理 |
| 3.3.1 均值滤波 |
| 3.3.2 中值滤波法 |
| 3.3.3 小波阈值去噪 |
| 3.3.4 基于中值滤波的小波阈值去噪方法 |
| 3.3.5 实验结果及分析 |
| 3.4 基于改进PCNN模型的红外图像增强 |
| 3.4.1 PCNN模型 |
| 3.4.2 改进PCNN的红外图像增强 |
| 3.4.3 仿真结果及分析 |
| 3.5 红外图像分割处理 |
| 3.5.1 基于边缘检测的图像分割 |
| 3.5.2 仿真结果及分析 |
| 3.6 本章小结 |
| 第4章 变电设备红外图像的特征提取与分类识别 |
| 4.1 基于方向梯度直方图HOG的特征提取 |
| 4.1.1 方向梯度直方图HOG |
| 4.1.2 仿真结果及分析 |
| 4.2 基于支持向量机SVM的红外图像分类识别 |
| 4.2.1 支持向量机SVM |
| 4.2.2 仿真结果及分析 |
| 4.3 本章小结 |
| 第5章 变电设备的故障检测与识别仿真系统 |
| 5.1 仿真系统介绍 |
| 5.2 仿真结果及分析 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的研究成果、参加学术会议及获奖 |
| 致谢 |
（4）高压开关设备红外图像识别与故障诊断方法研究（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 红外图像处理技术的研究与发展现状 |
| 1.2.2 红外图像诊断技术在电力行业中的研究现状 |
| 1.3 本文主要工作与结构安排 |
| 2 高压开关设备典型热故障及红外图像特征分析 |
| 2.1 红外成像的基本原理 |
| 2.1.1 红外技术背景 |
| 2.1.2 红外测温技术的应用方法 |
| 2.1.3 红外测温技术的特点 |
| 2.1.4 高压开关设备红外测温技术的发展趋势 |
| 2.2 高压开关设备热故障类型及处理方法 |
| 2.2.1 高压断路器热故障类型及处理方法 |
| 2.2.2 高压隔离开关热故障类型及处理方法 |
| 2.2.3 高压负荷开关热故障类型及处理方法 |
| 2.2.4 高压熔断器热故障类型及处理方法 |
| 2.3 高压开关设备红外诊断影响因素分析 |
| 2.3.1 检测基本要求 |
| 2.3.2 影响因素分析 |
| 2.3.3 红外热像仪检测诊断使用步骤 |
| 2.4 本章小结 |
| 3 高压开关设备红外图像去噪方法 |
| 3.1 引言 |
| 3.2 自适应中值滤波分析 |
| 3.3 改进的自适应中值滤波去噪 |
| 3.4 实验结果及分析 |
| 3.4.1 实验数据 |
| 3.4.2 实验结果对比 |
| 3.5 本章小结 |
| 4 高压开关设备红外图像分割识别方法研究 |
| 4.1 红外图像分割技术研究 |
| 4.1.1 红外图像分割原理 |
| 4.1.2 红外图像分割方法 |
| 4.2 Mask R-CNN检测算法 |
| 4.3 改进Mask R-CNN检测算法设计 |
| 4.3.1 参数优化 |
| 4.3.2 边框回归问题优化 |
| 4.4 实验结果及分析 |
| 4.4.1 实验数据集 |
| 4.4.2 实验效果展示 |
| 4.4.3 实验结果分析 |
| 4.5 本章小结 |
| 5 基于YOLO v3 的高压开关设备异常发热点目标检测方法 |
| 5.1 引言 |
| 5.2 高压开关设备红外热图数据集构建 |
| 5.3 基于YOLO V3 的深度学习算法 |
| 5.3.1 YOLO v3 模型 |
| 5.3.2 YOLO v3 算法的优化 |
| 5.4 实验结果与分析 |
| 5.4.1 模型效果展示 |
| 5.4.2 实验结果分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 |
（5）无线传感网络研究及其在电力设备状态监测中的应用（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 电力设备红外测温原理 |
| 1.3 无线通信技术的发展及应用 |
| 1.4 国内外研究现状 |
| 1.4.1 无线传感网络研究现状 |
| 1.4.2 变电站电力设备状态监测技术研究现状 |
| 1.4.3 电力设备在线状态监测 |
| 1.5 研究内容 |
| 2 变电站电力设备在线状态监测 |
| 2.1 变电站主要电力设备状态监测 |
| 2.1.1 变压器的在线监测 |
| 2.1.2 高压开关设备的在线监测 |
| 2.1.3 氧化锌避雷器的在线监测 |
| 2.1.4 电容型设备的在线监测 |
| 2.1.5 变电站环境的在线监测 |
| 2.2 变电站电力设备状态监测系统设计 |
| 2.2.1 系统功能需求 |
| 2.2.2 系统主要特征 |
| 2.2.3 系统框架设计 |
| 2.3 本章小结 |
| 3 红外热成像在线监测 |
| 3.1 红外测温的基本理论 |
| 3.1.1 红外辐射规律 |
| 3.1.2 红外诊断方法 |
| 3.2 红外热像仪 |
| 3.2.1 红外热像仪的功能特点 |
| 3.2.2 红外热像仪的组成 |
| 3.2.3 红外热像仪的选择 |
| 3.3 红外热成像监测系统的结构 |
| 3.3.1 系统的总体架构 |
| 3.3.2 系统的硬件组成 |
| 3.4 红外热图像处理与诊断 |
| 3.4.1 红外在线监测系统软件功能 |
| 3.4.2 红外图像灰度转换 |
| 3.4.3 红外图像噪声滤除 |
| 3.4.4 红外图像对比度增强 |
| 3.4.5 红外图像的边缘检测 |
| 3.4.6 红外图像的温度值显示 |
| 3.5 本章小结 |
| 4 基于LoRa的电力设备在线监测 |
| 4.1 LoRa无线通信技术 |
| 4.1.1 LoRa技术概述 |
| 4.1.2 LoRa数据包格式 |
| 4.1.3 Lo Ra WAN网络架构 |
| 4.2 无线监测系统整体方案设计 |
| 4.3 终端节点硬件设计 |
| 4.3.1 终端节点总体硬件结构 |
| 4.3.2 传感器采集模块 |
| 4.3.3 微处理器模块 |
| 4.3.4 LoRa无线通信模块 |
| 4.3.5 电源模块 |
| 4.4 网关节点硬件设计 |
| 4.4.1 网关节点总体硬件结构 |
| 4.4.2 微处理器模块 |
| 4.4.3 LoRa无线收发模块 |
| 4.4.4 电源模块 |
| 4.5 系统软件设计 |
| 4.5.1 终端节点软件设计 |
| 4.5.2 网关节点软件设计 |
| 4.6 实验测试 |
| 4.6.1 实验硬件设计 |
| 4.6.2 实验软件设计 |
| 4.6.3 实验结果及讨论 |
| 4.7 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（6）基于红外成像的断路器故障检测技术的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的研究背景 |
| 1.2 国内外研究现状 |
| 1.3 论文主要工作和结构安排 |
| 2 断路器红外图像的预处理 |
| 2.1 断路器基本介绍 |
| 2.2 断路器红外图像特点与噪声分析 |
| 2.2.1 断路器红外图像特点 |
| 2.2.2 断路器红外图像噪声分析 |
| 2.3 断路器红外图像去噪算法 |
| 2.3.1 均值去噪 |
| 2.3.2 中值去噪 |
| 2.3.3 非局部均值去噪 |
| 2.4 改进非局部均值去噪算法 |
| 2.4.1 欧氏距离积分化 |
| 2.4.2 参数选取的自适应化 |
| 2.4.3 实验结果与分析 |
| 2.5 中值滤波算法与改进非局部均值去噪算法的结合 |
| 2.6 断路器红外图像的增强处理 |
| 2.7 本章小结 |
| 3 断路器红外图像的分割 |
| 3.1 常见的图像分割算法 |
| 3.1.1 全局阈值法 |
| 3.1.2 大津阈值法 |
| 3.1.3 区域算法法 |
| 3.1.4 模糊C均值聚类算法 |
| 3.1.5 随机游走算法 |
| 3.2 基于快速模糊C均值聚类的随机游走算法 |
| 3.2.1 基于直方图的最小最大距离法 |
| 3.2.2 快速模糊C均值聚类算法 |
| 3.2.3 基于快速模糊C均值聚类的随机游走算法的步骤 |
| 3.3 实验结果对比与分析 |
| 3.4 本章小结 |
| 4 断路器红外图像的特征提取与分类识别 |
| 4.1 基于Hu不变矩的特征提取 |
| 4.1.1 特征提取简介 |
| 4.1.2 Hu不变矩 |
| 4.1.3 实验结果与分析 |
| 4.2 基于支持向量机的图像识别 |
| 4.2.1 支持向量机原理概述 |
| 4.2.2 支持向量机的多分类问题 |
| 4.2.3 数据的归一化 |
| 4.2.4 支持向量机相关参数的确定 |
| 4.2.5 实验结果分析 |
| 4.3 本章小结 |
| 5 断路器红外图像故障诊断 |
| 5.1 断路器红外图像的温度识别 |
| 5.1.1 红外测温原理 |
| 5.1.2 断路器的温度识别 |
| 5.2 断路器设备红外图像故障诊断 |
| 5.2.1 红外检测基本概念 |
| 5.2.2 断路器热故障分析 |
| 5.2.3 断路器的热故障等级与热故障检测判断方法 |
| 5.2.4 断路器的热故障诊断方案设计 |
| 5.3 软件平台设计与测试结果分析 |
| 5.3.1 软件实验平台 |
| 5.3.2 测试结果分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 致谢 |
| 参考文献 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 |
（7）基于免疫算法的电力设备红外图像目标提取技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 电力设备故障检测研究现状 |
| 1.2.2 红外图像目标提取算法研究现状 |
| 1.3 本文的主要工作 |
| 第二章 电力设备故障分析 |
| 2.1 电力设备常见故障类型 |
| 2.2 电力设备故障特征 |
| 2.3 电力设备故障产生原因 |
| 2.3.1 内部故障产生原因 |
| 2.3.2 外部故障产生原因 |
| 2.4 本章小结 |
| 第三章 红外热成像技术与目标提取原理 |
| 3.1 红外热成像技术 |
| 3.2 红外热像仪 |
| 3.2.1 红外热像仪原理 |
| 3.2.2 红外热像仪检测步骤 |
| 3.3 阈值法目标提取 |
| 3.4 区域法目标提取 |
| 3.5 边缘法目标提取 |
| 3.6 本章小结 |
| 第四章 最优可免域目标提取算法在电力设备红外图像的应用 |
| 4.1 最优可免域目标提取算法 |
| 4.1.1 免疫网络作用 |
| 4.1.2 补体系统作用 |
| 4.1.3 最优可免域补体免疫网络作用 |
| 4.2 最优可免域电力设备目标提取仿真与分析 |
| 4.2.1 实验结果对比 |
| 4.2.2 结果定量分析 |
| 4.3 本章小结 |
| 第五章 补体免疫网络目标分类算法在电力设备红外图像的应用 |
| 5.1 补体免疫网络目标分类算法 |
| 5.1.1 先天性免疫识别 |
| 5.1.2 补体作用确定泛函空间 |
| 5.1.3 补体适应性免疫训练与提取 |
| 5.2 补体免疫网络电力设备目标分类仿真与分析 |
| 5.2.1 实验结果对比 |
| 5.2.2 结果定量分析 |
| 5.3 本章小结 |
| 第六章 补体免疫聚类目标提取算法在电力设备红外图像的应用 |
| 6.1 补体免疫聚类目标提取算法 |
| 6.1.1 免疫作用阶段 |
| 6.1.2 补体系统作用 |
| 6.1.3 补体免疫聚类 |
| 6.2 补体免疫聚类电力设备目标提取仿真与分析 |
| 6.2.1 实验结果对比 |
| 6.2.2 结果定量分析 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 在学期间取得的科研成果和科研情况说明 |
| 致谢 |
（8）发电厂带电设备红外检测与故障诊断应用研究（论文提纲范文）
| 1 红外检测技术理论基础 |
| 1.1 红外辐射基本理论 |
| 1.2 红外测温原理 |
| 1.3 红外检测技术特点与影响因素 |
| 2 带电设备红外检测与故障诊断 |
| 2.1 带电设备热故障的类型 |
| 2.2 带电设备热故障的危害 |
| 3 带电设备故障红外检测规范 |
| 3.1 热故障的红外诊断判据 |
| 3.2 电力设备热故障等级分类和判断标准 |
| 4 华东某电厂穿墙套管红外检测案例 |
| 5 结论 |
（9）基于带电检测数据分析的电力设备检修辅助决策方法（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 论文研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.4 本文的主要工作 |
| 第2章 连续准确带电检测数据获取的控制策略 |
| 2.1 合格带电检测结果的必要条件 |
| 2.1.1 正确的检测仪器使用方法 |
| 2.1.2 正确的重点检测点位 |
| 2.1.3 合理的空间构图 |
| 2.1.4 准确的检测结果分析与解读 |
| 2.2 目前带电检测应用中存在的问题 |
| 2.2.1 受制于个人行为偏好 |
| 2.2.2 仅注重单次检测结果 |
| 2.2.3 频繁的选点与调焦 |
| 2.3 带电检测点位定置方法 |
| 2.4 变电站全平面场景检测点位优选方法 |
| 2.4.1 三维坐标系的建立 |
| 2.4.2 变电站全平面场景检测点位优选模型 |
| 2.5 实际施行效果 |
| 2.6 本章小结 |
| 第3章 电力设备异常的相关要素分析及缺陷发展趋势预测方法 |
| 3.1 电力设备异常的相关要素分析 |
| 3.1.1 造成电力设备运行异常的要素 |
| 3.1.2 电力设备异常的相关要素分析方法 |
| 3.2 电力设备缺陷发展趋势预测 |
| 3.2.1 小波分解 |
| 3.2.2 最小二乘向量机 |
| 3.2.3 自回归建模 |
| 3.3 缺陷设备的最大容许运行时间确定 |
| 3.4 应用实例 |
| 3.4.1 缺陷相关要素分析结果 |
| 3.4.2 缺陷发展预测结果 |
| 3.5 本章小结 |
| 第4章 基于带电检测数据分析的电力设备检修辅助决策方法 |
| 4.1 基于带电检测数据分析的电力设备检修辅助决策模型 |
| 4.1.1 目标函数 |
| 4.1.2 约束条件 |
| 4.2 模型求解算法 |
| 4.2.1 模型特点 |
| 4.2.2 多目标模型的帕累托寻优方法 |
| 4.3 算例分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间学术成果 |
| 附录一 杭州某变电站110k V闸刀红外热像检测结果 |
| 附录二 闸刀缺陷预测值与实测值 |
（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、电力设备外部发热缺陷的红外检测与诊断（论文参考文献）
- [1]变压器红外图像处理与热缺陷区域识别[D]. 邓超迪. 昆明理工大学, 2021(01)
- [2]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)
- [3]基于红外热像图的变电设备故障检测与识别研究[D]. 王曼然. 湖北民族大学, 2020(12)
- [4]高压开关设备红外图像识别与故障诊断方法研究[D]. 王永平. 重庆理工大学, 2020(08)
- [5]无线传感网络研究及其在电力设备状态监测中的应用[D]. 马俊杰. 青岛科技大学, 2020(01)
- [6]基于红外成像的断路器故障检测技术的研究[D]. 杨森淋. 重庆理工大学, 2020(08)
- [7]基于免疫算法的电力设备红外图像目标提取技术研究[D]. 白梓璇. 天津理工大学, 2020(05)
- [8]发电厂带电设备红外检测与故障诊断应用研究[J]. 李玉齐,朱琦文,张健. 电气技术, 2020(01)
- [9]基于带电检测数据分析的电力设备检修辅助决策方法[D]. 何颖梅. 浙江大学, 2019(02)
- [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)