用于监测开关设备的装置的制作方法

1.本发明涉及一种用于监测开关设备的装置和系统。


背景技术：

2.由高温热点引起的开关设备故障可能具有严重后果，例如几乎像爆炸一样的电弧/闪络。用于在这样的事件发生之前进行监测和预警的方法和相关系统是非常需要的，并且当前无法以负担得起的形式获取，这种形式可以作为标准而安装在每个开关设备中，并且给出有关开关设备健康情况的足够信息。此外，没有方法或系统可用于获取和传输开关设备的图像以在别处进行处理，以便提供这样的监测和早期警告。目前，使用ir传感器来检测断路器、开关设备和其他电气设备中的热点需要大量非常精确的校准以准确测量正确位置的温度。还存在标识ir图像中要监测的正确区域的相关问题。由于不同的类型和几何形状，用于所有开关设备和这样的开关设备内的所有断路器的通用解决方案是不可能的。
3.有必要解决这些问题。


技术实现要素：

4.因此，具有用于监测开关设备的改进能力将是有利的。
5.本发明的目的通过独立权利要求的主题来解决，其中另外的实施例并入从属权利要求中。
6.在第一方面，提供了一种用于监测开关设备的装置，该装置包括：
7.‑
输入单元；
8.‑
处理单元；以及
9.‑
输出单元。
10.输入单元被配置为向处理单元提供开关设备的监测红外图像。处理单元被配置为实现机器学习分类器算法以分析监测红外图像并且确定开关设备中是否存在一个或多个异常热点。机器学习分类器算法已经基于多个不同训练红外图像被训练。多个训练红外图像包括由对应的多个可见光图像生成的多个合成红外图像。输出单元被配置为输出与一个或多个异常热点相关的信息。
11.以这种方式，该装置可以更准确地确定开关设备和其他电气组件中是否存在热点，因为可以基于可见图像方便地生成大型训练集，并且其中该些图像中的一些可以被操纵以提供训练数据集，训练数据集呈现出指示问题的更大部分，并且以这种方式，可以提高用于针对不同开关设备在更广泛的情况下确定是否存在热点的能力，而无需人工干预。
12.在一个示例中，多个合成图像的生成包括图像处理算法的使用。
13.在一个示例中，多个合成图像的生成包括已训练图像处理算法的使用。
14.在一个示例中，已训练图像处理算法是已训练样式转移算法。
15.在一个示例中，多个合成红外图像中的一个或多个合成红外图像的生成包括：至少一个热点向一个或多个合成红外图像的添加。
16.在一个示例中，多个合成红外图像中的两个或更多个合成红外图像的生成包括：至少一个热点向两个或更多个合成红外图像的添加。
17.在一个示例中，针对至少一个合成红外图像的至少一个热点的添加是手动执行的。
18.在一个示例中，针对至少一个合成红外图像的至少一个热点的添加是自动执行的。
19.在一个示例中，至少一个热点的添加包括边缘检测算法的使用。
20.在一个示例中，多个合成红外图像的生成包括色调算法的使用。
21.在一个示例中，多个合成红外图像的生成包括泛洪填充算法的使用。
22.在一个示例中，多个可见图像包括开关设备的图像数据。
23.在一个示例中，多个可见图像包括至少一个断路器的图像数据。
24.在一个示例中，监测红外图像包括至少一个断路器的图像数据。
25.在一个示例中，机器学习分类器算法是神经网络。
26.在一个示例中，神经网络是卷积神经网络。
27.在一个示例中，处理单元被配置为更新机器学习分类器算法的训练，该训练包括监测红外图像的使用。
28.在一个示例中，训练更新包括关于监测红外图像不包括异常热点的手动指示或关于监测红外图像包括一个或多个异常热点的手动指示。
29.在一个示例中，关于监测红外图像包括一个或多个异常热点的手动指示包括：一个或多个异常热点在监测红外图像中的一个或多个位置的手动指示。
30.在第二方面，提供了一种用于监测开关设备的系统，该系统包括：
31.‑
红外相机；以及
32.‑
根据第一方面的用于监测开关设备的装置。
33.红外相机被配置为获取开关设备的监测红外图像。
34.参考下文中描述的实施例，上述方面和示例将变得清楚并且被阐明。
附图说明
35.下面将参考以下附图描述示例性实施例：
36.图1示出了与机器学习训练过程相关的示意性示例；以及
37.图2示出了将断路器的内部的可见图像变换为对应的红外图像的示例。
具体实施方式
38.该装置和系统使得能够通过标识开关设备的红外图像中的热点来检测开关设备中(例如，断路器中和其他电气设备中)的热点。这是通过利用经过红外图像训练的机器学习算法来实现的，其中至少一些红外图像是合成生成的，以便训练集足够大，以使机器学习算法能够在不同设备类型中、从不同有利位置以及在不同情况下标识热点。合成生成的红外图像是从可见光图像生成的，并且由于与设备中的异常热点相关的可用真实数据有限，因此作为将某些可见光图像变换为对应红外图像的过程的一部分，热点已经被添加到图像中。
39.因此，这通过包括输入单元、处理单元和输出单元的装置来实现的。输入单元被配置为向处理单元提供开关设备的监测红外图像。处理单元被配置为实现机器学习分类器算法以分析监测红外图像并且确定开关设备中是否存在一个或多个异常热点。机器学习分类器算法已经基于多个不同训练红外图像而被训练。多个训练红外图像包括从对应的多个可见光图像生成的多个合成红外图像。输出单元被配置为输出与一个或多个异常热点相关的信息。
40.根据一个示例，多个合成图像的生成包括图像处理算法的使用。
41.根据一个示例，多个合成图像的生成包括已训练图像处理算法的使用。
42.根据一个示例，已训练图像处理算法是已训练样式转移算法。
43.根据一个示例，多个合成红外图像中的一幅或多个合成红外图像的生成包括：至少一个热点向一个或多个合成红外图像的添加。
44.根据一个示例，多个合成红外图像中的两个或更多个合成红外图像的生成包括：至少一个热点向两个或更多个合成红外图像的添加。
45.根据一个示例，针对至少一个合成红外图像的至少一个热点的添加是手动执行的。
46.根据一个示例，针对至少一个合成红外图像的至少一个热点的添加是自动执行的。
47.根据一个示例，至少一个热点的添加包括边缘检测算法的使用。
48.根据一个示例，多个合成红外图像的生成包括色调算法的使用。
49.根据一个示例，多个合成红外图像的生成包括泛洪填充算法的使用。
50.根据一个示例，多个可见图像包括开关设备的图像数据。
51.在一个示例中，多个可见图像包括至少一个断路器的图像数据。
52.根据一个示例，监测红外图像包括至少一个断路器的图像数据。
53.根据一个示例，机器学习分类器算法是神经网络。
54.根据一个示例，神经网络是卷积神经网络。
55.根据一个示例，处理单元被配置为更新机器学习分类器算法的训练，该训练包括监测红外图像的使用。
56.根据一个示例，训练更新包括关于监测红外图像不包括异常热点的手动指示或关于监测红外图像包括一个或多个异常热点的手动指示。
57.根据一个示例，关于监测红外图像包括一个或多个异常热点的手动指示包括：一个或多个异常热点在监测红外图像中的一个或多个位置的手动指示。
58.如上所述，该装置可以是具有相机的系统的一部分，该相机获取监测红外图像并且经由输入单元将其提供给处理单元。
59.因此，所描述的装置和系统提供了一种在不限定感兴趣区域的情况下整体分析红外图像的方法。它特别考虑了存在不同断路器几何形状的这一事实。为此，使用机器学习算法(例如，卷积神经网络)。该网络使用红外训练图像被训练，其中红外训练图像中的至少一些已经从可见图像产生，而该合成图像中的一些具有已经被添加到合成图像的一个或多个热点。因此，从该过程中消除了校准或区域定义的昂贵的人工干预。
60.该装置和系统参考开关设备中的断路器被更详细地解释，但这只是一个示例，并
且该装置和系统可以用于开关设备的其他部分和很多其他类型的电气设备，其中可能出现热点，并且是有问题的。
61.因此，设置场景很方便。目前，存在对使用红外数据评估断路器的健康情况的浓厚的兴趣，其中热点指示存在问题，并且这些热点很容易被人类标识和解释。然而，在这种方式中使用熟练的技术人员和工程师是非常昂贵的。这里，使用机器学习算法来实现这一目标，而无需人工干预。然而，机器学习算法需要大量相关数据的训练数据集，而这提供起来既困难又昂贵。这里描述的装置和系统解决了这种情况。
62.继续在开发所描述的装置和系统之前的情况，一些现有解决方案需要对传感器进行非常精确的校准以观察正确位置。这表示，工程成本很高。覆盖更大区域的解决方案仍然需要人类来标识要查看的正确区域。
63.对于不需要标识正确区域的任何通用解决方案(例如，基于卷积神经网络)，这需要对断路器几何形状和功能的差异具有鲁棒性才能有用。但是，如果训练网络从未经历过某些情况，则不太可能对它们进行正确分类。这种情况可以称为过度拟合，并且是由训练分类器神经网络的过程产生的，如图1所示。基本上，分类器神经网络学习识别模式，这些模式预计将应用于以后遇到的示例情况。但是，如果示例与原始训练示例非常不同，则存在神经网络无法工作的风险，因为原始数据的某些独特特性已经成为模式的一部分。
64.过度拟合可以通过提供宽范围的训练数据来避免。在理想情况下，训练数据包括将来会遇到的每种类型的输入的示例。然而，断路器的ir图像(尤其是在故障状态下)不易获取并且生产成本高昂。
65.因此，在这里描述的装置和系统中使用的令人惊讶的解决方案涉及使用例如称为样式转移的技术来将可见光照片转换为红外图像。样式转移已经被用于将照片变换为“绘画”，其工作原理是提供照片和对应绘画的训练集。
66.然而，现在，针对所描述的装置和系统，目标“样式”是共享红外图像的很多特性的图像，并且再次，是可见光图像。大多数区域接近环境温度，但显示出模拟反射红外辐射的一些轮廓(参见图2)。在变换过程中或之后，热点被添加到一些图像中以模拟在断路器中发生的损坏。
67.因此，已训练样式转移模型用于将断路器内部的照片转换为合成或虚假的红外图像。对于要添加到分类器神经网络的训练集中的断路器类型，进行以下操作：获取断路器内部的照片，其中角度和位置略有变化。然后，使用样式转移过程或类似的变换过程来生成健康(无热点)和错误(热点)图像。这些被自动标记并且添加到训练集中。热点可以基于由专家提供的标记或者基于边缘识别来被添加。热点可以使用经典图像处理算法(色调、泛洪填充等)被添加到合成红外图像中。此外，真实红外图像可以与合成红外图像一起用于初始训练。