申请/专利权人：山东工商学院

申请日：2024-01-03

公开（公告）日：2024-03-22

公开（公告）号：CN117496133B

主分类号：G06V10/25

分类号：G06V10/25;G06V10/774;G06V10/74;G06V10/82;G06V10/764;G06N3/0464;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2024.02.23#实质审查的生效;2024.02.02#公开

摘要：本发明属于封闭母线温度控制技术领域，尤其涉及基于多模态数据的封闭母线R‑CNN温度故障监测方法，步骤包括：采集封闭母线槽体的多模态数据；对采集到的数据进行预处理，包括数据清洗和归一化处理；将归一化处理后的数据经过分配权重、加权平均、模态建模后，融合到一个综合的多模态数据集中，并获得关于数据指标的模拟图像；建立卷积神经网络模型R‑CNN，产生数据指标的候选区域，对该候选区域进行封闭母线障碍信息的判断提取，获得温度异常候选特征样本；对候选特征样本进行相似性度量数据分析，实现封闭母线温度故障信息的监测。本发明提高了对温度异常的敏感性，使得对于封闭母线的温度监测更加灵活和有效。

主权项：1.基于多模态数据的封闭母线R-CNN温度故障监测方法，其特征在于包括以下步骤：S1、采集封闭母线槽体的多模态数据，包括母线导体的电流负荷、封闭母线槽的环境温度、风机冷却系统的冷却效率；S2、对采集到的数据进行预处理，包括数据清洗和归一化处理；S3、将归一化处理后的数据经过分配权重、加权平均、模态建模后，融合到一个综合的多模态数据集中，并获得关于数据指标的模拟图像；S4、建立卷积神经网络模型R-CNN，并通过选择性搜索算法Selectivesearch算法产生数据指标的候选区域，对该候选区域进行压缩、非线性变换、SVM分类和消除冗余操作实现所需封闭母线障碍信息的判断提取，获得温度异常候选特征样本；S5、对候选特征样本进行相似性度量数据分析，实现封闭母线温度故障信息的监测；所述的S1中，收集封闭母线槽体的多模态数据的过程为：S11、通过安装在封闭母线导体内部的电流传感器，获取母线导体的电流负荷，获取的电流负荷集为，i为样本数量；S12、通过安装在封闭母线槽中的温度传感器，获取的环境温度集为；S13、通过安装在风机进出口处的两个温度传感器，获取风机进、出口处的空气温度、，冷却效率的计算公式为： （1）；通过式（1）获取的冷却效率集为；S14、设置时间集，用于表示数据集C、T、E中各个样本的对应时刻；所述的S2中，数据清洗的方法为：S211、对于数据集C、T、E进行删除缺失值处理： （2）；式中，dropna是Pandas库中的函数，作用为删除数据中的缺失值；、、分别为删除缺失值后的新数据集；S212、对删除区域进行数据填充，使得数据仍然保持i个样本： （3）；式中，fillna是Pandas库中的函数，作用为填充数据中的缺失值；、、分别为进行填充之后的新数据集；所述的S2中，归一化处理的方法为： （4）；式中，min、max分别为数据集的最小和最大数据样本，、、分别为归一化后的数据集；所述的S3中，建立融合的多模态数据集，并获得关于数据指标的模拟图像的步骤为：S31、通过三个元素A、B、D分别代表、、中的任意一个样本，权重分配公式为： （5）；式中，分别是元素A、B、D的权重，且；S32、构建三个元素的比较矩阵： （6）；现对于该比较矩阵进行特征值分解，获取权重向量： （7）；式中，为的特征值，为每个特征值所对应的特征向量；S33、将得到的特征向量进行标准化处理，得到最终的权重向量： （8）；式中，为最终输出结果，、、分别为元素A、B、D所对应的最终权重向量；S34、进行加权平均处理，对于元素A、B、D进行加权平均： （9）；式中，为加权平均后的结果；S35、进行模态建模：在分配权重、加权平均后，电流负荷、环境温度和冷却效率的集合记为：、、，构成新的多模态数据集，其中的电流负荷、环境温度和冷却效率即为数据指标；S36、将多模态数据集进行融合，将数据构建成一个矩阵，其中每一行表示一个样本集，每一列表示一个权重向量，将矩阵中的数值映射到像素值，生成图像。

全文数据：

权利要求：

百度查询： 山东工商学院 基于多模态数据的封闭母线R-CNN温度故障监测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD