基于微观图像特征的电机绝缘寿命预测方法及系统 |
|||||||
申请号 | CN202410286674.6 | 申请日 | 2024-03-13 | 公开(公告)号 | CN117877028B | 公开(公告)日 | 2024-05-14 |
申请人 | 浙江大学; | 发明人 | 张健; 张钦; 王佳金; 黄晓艳; 方攸同; 马吉恩; | ||||
摘要 | 本 申请 提供一种基于微观图像特征的 电机 绝缘寿命预测方法,该方法包括根据不同老化阶段的电机绝缘材料表面显微图像和剩余击穿 电压 ,对不同老化阶段的电机绝缘材料的表面显微图像经过预处理后提取统计特征,并将统计特征经过与剩余 击穿电压 的相关性分析后筛选获得特征参量,并基于Wiener过程及Arrhenius方程建立特征参量与热应 力 水 平之间的定量关系获得特征参量退化模型;利用神经网络建立并以特征参量和剩余击穿电压作为训练集进行训练获得剩余击穿电压 预测模型 。预测时,根据电机绝缘材料表面显微图像的特征,结合特征参量退化模型和剩余击穿电压预测模型即可对电机绝缘寿命进行准确预测。 | ||||||
权利要求 | 1.一种基于微观图像特征的电机绝缘寿命预测方法,其特征在于,所述方法包括以下步骤: |
||||||
说明书全文 | 基于微观图像特征的电机绝缘寿命预测方法及系统技术领域[0001] 本申请涉及设备寿命预测技术领域,尤其涉及一种基于微观图像特征的电机绝缘寿命预测方法及系统。 背景技术[0002] 电机绝缘被称为电机的心脏,为保证电机绝缘的可靠性,往往在设计中提高安全裕度,例如增加铜导体截面积,以保证运行温度最低,或者增加主绝缘的厚度以避免电气击穿等。然而,提高安全裕度以牺牲材料的性能为代价,其最直接后果就是牺牲了电机的功率密度指标。如果主绝缘厚度减少,则定子槽的宽度和深度也可相应减少,如果仍输出同等功率,则这种电机定子内径更小,内径到铁芯轭背部的距离也会相应减小,同时还能维持相同的铁芯机械强度。根据电机额定转速不同,制造定子所需的钢材、用铜量以及绝缘用量都将显著减少。因此,降低不必要的安全裕度,可以降低制造成本,减小电机重量和体积,显著提升电机功率密度。降低绝缘材料安全裕度使电机的工作应力尽量接近其极限水平,对其可靠性提出了更高要求。如果能在电机运行过程中精准预测电机剩余寿命,及时做出合理、精确的检修、更换方案,可以大大提高电机绝缘的可靠性,降低绝缘材料的安全裕度,从各种角度提高电机的经济性与安全性。 [0003] 剩余击穿电压作为宏观层面衡量电机绝缘老化状态最可靠的指标,已经被广泛应用于电机绝缘寿命预测领域,但其实验过程会对绝缘结构造成不可逆的损害,目前对剩余击穿电压的评估通常是基于绝缘电阻、绝缘电容、局部放电量、介质损耗角正切值等电气参量进行预测。但大量研究表明,常规非破坏性电气参量与剩余击穿电压的相关性较弱,对剩余击穿电压的预测并不准确。发明内容 [0004] 本申请的目的在于提供一种技术方案,解决相关技术中存在的剩余击穿电压的预测并不准确的问题。 [0005] 本申请提供一种基于微观图像特征的电机绝缘寿命预测方法,方法包括以下步骤: [0006] 步骤S11、采集电机绝缘材料的表面显微图像; [0007] 步骤S12、对表面显微图像进行预处理以获得灰度图像,预处理包括图像灰度化处理,提取灰度图像的统计特征,统计特征包括灰度图像的平均灰度值以及六个灰度共生矩阵特征值; [0008] 步骤S13、给定电机运行温度,将统计特征输入特征参量退化模型,获得经过预设时间跨度退化后的绝缘特征参量; [0009] 步骤S14、将绝缘特征参量输入剩余击穿电压预测模型,获得剩余击穿电压; [0010] 其中,根据不同老化阶段的电机绝缘材料表面显微图像和剩余击穿电压,并基于Wiener过程及Arrhenius方程建立特征参量与热应力水平之间的定量关系获得特征参量退化模型;利用神经网络建立并以特征参量和剩余击穿电压作为训练集进行训练获得剩余击穿电压预测模型;对不同老化阶段的电机绝缘材料的表面显微图像经过预处理后提取统计特征,并将统计特征经过与剩余击穿电压的相关性分析后筛选获得特征参量。 [0011] 进一步的,灰度共生矩阵特征值包括: [0012] 角二阶矩、对比度、相关性、标准差、反差分矩以及熵。 [0013] 进一步的,通过皮尔逊相关系数分析各项统计特征与剩余击穿电压的相关性,筛选出相关系数高于预设值的统计特征,以生成特征参量。 [0014] 进一步的,特征参量退化模型通过如下公式表示: [0015] ; [0016] 式中,Y(t;T)表示特征参量Y经过预设时间跨度t退化后的绝缘特征参量,T表示热应力,t表示预设时间跨度,γ 1,γ 2,γ 3,为待定参数,待定参数根据特征参量与热应力T确定。 [0017] 进一步的,方法还包括构建剩余击穿电压预测模型,方法包括以下步骤: [0018] 采集不同老化阶段的电机绝缘材料的表面显微图像和剩余击穿电压; [0020] 进一步的,预处理包括对表面显微图像进行图像灰度化处理后再进行归一化、直方图均衡化处理。 [0021] 本申请还提供一种基于微观图像特征的电机绝缘寿命预测系统,系统包括: [0023] 图像处理模块,图像处理模块用于对表面显微图像进行预处理以获得灰度图像,预处理包括图像灰度化处理,提取灰度图像的统计特征,统计特征包括灰度图像的平均灰度值以及六个灰度共生矩阵特征值; [0024] 预测模块,预测模块用于将统计特征输入特征参量退化模型,获得经过预设时间跨度退化后的绝缘特征参量,并将绝缘特征参量输入剩余击穿电压预测模型,获得剩余击穿电压; [0025] 系统还包括: [0026] 特征参量退化模型构建模块,用于根据不同老化阶段的电机绝缘材料表面显微图像和剩余击穿电压,基于Wiener过程及Arrhenius方程建立特征参量与热应力水平之间的定量关系获得特征参量退化模型; [0027] 剩余击穿电压预测模型构建模块,用于利用神经网络建立并以特征参量和剩余击穿电压作为训练集进行训练获得剩余击穿电压预测模型; [0028] 特征参量构建模块,用于构建特征参量,特征参量为图像处理模块对不同老化阶段的电机绝缘材料的表面显微图像进行统计特征提取后,特征参量构建模块将统计特征与剩余击穿电压进行相关性分析后进行筛选获得。 [0029] 进一步的,特征参量构建模块通过皮尔逊相关系数分析各项统计特征与剩余击穿电压的相关性,筛选出相关系数高于预设值的统计特征,以生成特征参量。 [0030] 进一步的,特征参量退化模型通过如下公式表示: [0031] ; [0032] 式中,Y(t;T)表示特征参量Y经过预设时间跨度t退化后的绝缘特征参量,T表示热应力,t表示预设时间跨度,γ 1,γ 2,γ 3,为待定参数,待定参数根据特征参量与热应力T确定。 [0033] 进一步的,剩余击穿电压预测模型构建模块利用长短期记忆神经网络初步建立剩余击穿电压预测模型,将特征参量和剩余击穿电压作为训练集,通过反向误差传播算法对剩余击穿电压预测模型进行训练,获得完成训练的剩余击穿电压预测模型; [0034] 其中,作为训练集的特征参量和剩余击穿电压根据采集得的不同老化阶段的电机绝缘材料的表面显微图像和剩余击穿电压获得。 [0035] 根据以上说明,本申请实施例中,通过对电机绝缘材料的表面显微图像的统计特征进行相关性分析,从中筛选出与剩余击穿电压相关性较高的统计特征以构建特征参量,再利用特征参量建立特征参量退化模型,并以特征参量和剩余击穿电压作为训练集,采用神经网络的方式构建剩余击穿电压预测模型。通过这种方式,特征参量退化模型和剩余击穿电压预测模型均是根据与剩余击穿电压的相关性较高的统计特征确定,从而可以提高模型的准确性,进而可以使实际预测时的预测结果更为精准。附图说明 [0036] 图1为本申请一种实施例提供的基于微观图像特征的电机绝缘寿命预测方法流程图; [0037] 图2为本申请一种实施例提供的特征参量退化模型和剩余击穿电压预测模型搭建流程示意图; [0038] 图3为本申请实施例提供的LSTM网络示意图; [0039] 图4为本申请实施例提供的BPTT训练LSTM示意图; [0040] 图5为本申请实施例提供的基于微观图像特征的电机绝缘寿命预测系统示意图。 具体实施方式[0041] 以下将结合附图所示的具体实施方式对本申请进行详细描述,但这些实施方式并不限制本申请,本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本申请的保护范围内。 [0042] 如图1所示,本申请实施例提供一种基于微观图像特征的电机绝缘寿命预测方法,包括以下步骤: [0043] 步骤S11、采集电机绝缘材料的表面显微图像; [0044] 步骤S12、对表面显微图像进行预处理以获得灰度图像,预处理包括图像灰度化处理,提取灰度图像的统计特征,统计特征包括灰度图像的平均灰度值以及六个灰度共生矩阵特征值; [0045] 步骤S13、给定电机运行温度,将统计特征输入特征参量退化模型,获得经过预设时间跨度退化后的绝缘特征参量; [0046] 步骤S14、将绝缘特征参量输入剩余击穿电压预测模型,获得剩余击穿电压。 [0047] 其中,根据不同老化阶段的电机绝缘材料表面显微图像和剩余击穿电压,并基于Wiener过程及Arrhenius方程建立特征参量与热应力水平之间的定量关系获得特征参量退化模型;利用神经网络建立并以特征参量和剩余击穿电压作为训练集进行训练获得剩余击穿电压预测模型;对不同老化阶段的电机绝缘材料的表面显微图像经过预处理后提取统计特征,并将统计特征经过与剩余击穿电压的相关性分析后筛选获得特征参量。 [0048] 根据以上说明,本申请实施例中,通过对电机绝缘材料的表面显微图像的统计特征进行相关性分析,从中筛选出与剩余击穿电压相关性较高的统计特征以构建特征参量,再利用特征参量建立特征参量退化模型,并以特征参量和剩余击穿电压作为训练集,采用神经网络的方式构建剩余击穿电压预测模型。通过这种方式,特征参量退化模型和剩余击穿电压预测模型均是根据与剩余击穿电压的相关性较高的统计特征确定,从而可以提高模型的准确性,进而可以使实际预测时的预测结果更为精准。 [0049] 为了进一步说明本申请实施例提供的基于微观图像特征的电机绝缘寿命预测方法,以下首先对特征参量退化模型和剩余击穿电压预测模型搭建流程进行说明。如图2所示,具体包括以下步骤: [0050] 步骤S21、采集不同老化阶段的电机绝缘材料的表面显微图像和剩余击穿电压。 [0051] 作为一种可选的实现方式,本申请实施例中,将电机绝缘材料处理为10cm×10cm的方块。按照老化时间分为16组,从0h到320h,每20h一组,依次命名为T0, T20, … ,T300, T320,每组包含5个样品,分别命名为A, B, C, D, E。最后通过恒温烘箱将16组样品分别加速热老化,并把制备好的样品置于相同的环境中储存,避免环境因素不同带来的实验偏差,为后续实验做准备。 [0052] 完成上述实验准备后,可以采集不同老化阶段的电机绝缘材料的剩余击穿电压。分别对每组样品中的A, B, C, D四个样品进行直流耐压实验。本申请实施例中,使用DDJ‑ 100kV电压击穿实验仪进行直流耐压实验。首先将样品夹在两圆形电极中间;然后把电极及样品一同浸泡在绝缘油中,防止电压过高在空气中产出电弧;最后通过计算机控制电压持续升高,当检测到电极间泄露电流超过5mA时视为样品击穿,记录此时的电压水平作为此样品的剩余击穿电压。 [0053] 步骤S22、对表面显微图像进行预处理以获得灰度图像,预处理包括图像灰度化处理。 [0054] 具体的,图像灰度化处理的原理是将彩色图像中每一个像素点的R、G、B三个分量的一定的加权平均后,对该像素点的灰度值进行计算。在这个过程中,加权平均的系数通常是根据实际需求进行调整的,不同的系数会产生不同的灰度化效果。灰度值G通常用以下公式计算: [0055] (1); [0056] 其中,R、G、B分别表示红、绿、蓝三个通道的像素值,0.299、0.587、0.114为加权系数,这些系数是根据人眼对三原色的敏感程度来确定的。 [0057] 作为一种可选的实现方式,预处理包括对表面显微图像进行图像灰度化处理后再进行归一化、直方图均衡化处理。通过这种方式,可以增加图像对比度,突出纹理细节,方便后续的纹理特征提取。 [0058] 具体的,将处理后的灰度图像进行归一化,从而将灰度图像的灰度控制在0到255之间,统一不同图像的亮度和对比度标准。归一化处理可以通过如下公式(2)表示: [0059] (2); [0060] 式中,v是原始像素值,min(V)和max(V)分别是图像中的最小值和最大值,是归一化后的像素值。 [0061] 在此基础上,进一步对图像进行直方图均衡化,改善图像的对比度。首先计算每个灰度级的频率,假设图像灰度级的范围是0到L– 1(L= 256),其中k= 0, 1, …,L– 1。然后归一化到范围0到1: [0062] (3); [0063] 其中,H(rk)为累计直方图,N是图像中的总像素数,原始直方图h(rj)表示灰度级rj在图像中出现的频率。 [0064] 将归一化的累积直方图用于映射原始图像的灰度值到新的灰度值。新的灰度值sk可以通过下面的公式计算: [0065] (4); [0066] 其中,round 用于四舍五入到最接近的整数。 [0067] 通过上述映射关系,将原始图像中的每个像素灰度值替换为对应的新灰度值,完成直方图均衡化处理。 [0068] 步骤S23、提取灰度图像的统计特征,统计特征包括灰度图像的平均灰度值以及六个灰度共生矩阵特征值。 [0069] 具体的,平均灰度值是指图像中所有像素灰度值的平均数,用于描述图像的整体亮度。平均灰度值的计算涉及对图像中所有像素的灰度值求和,然后除以像素的总数。具体可以通过如下公式(5)表示: [0070] (5); [0071] 其中,MG为平均灰度值,M×N是图像的总像素数,I(i,j)表示图像中位于第i行和第j列的像素灰度值。 [0072] 灰度共生矩阵(GLCM)是一种研究灰度在空间中分布情况和相关特性来描述纹理的常用方法。灰度共生矩阵通过计算图像灰度值之间的联合条件概率密度P(i,j|d,θ)来表示纹理,具体描述是在θ方向上,相隔距离为d的一对图像像素分别具有灰度值i和j的出现概率,所有概率值可以表示成一个矩阵的形式,以此被称为灰度共生矩阵。d表示两个图像像素的相对距离。若d= 1,则表示相邻像素;θ一般考虑四个方向,分别是0°, 45°, 90°和135°。 [0073] 具体来说,首先确定灰度级数N, 像素对间的距离d以及方向θ;其次初始化一个大小为N×N的矩阵Q,所有元素设为0;然后对于图像中的每个像素(x,y), 找到与之在距离d以及方向θ上相对应的像素 ,对于每一对元素,增加矩阵Q中对应于这两个元素灰度值的元素计数,即假设(x,y)灰度值为i, 的灰度值为j,则Q(i,j)的值增加1;最后将矩阵中的每个元素除以矩阵中的元素总和,得到的共生矩阵即表示灰度级i和j在指定距离和方向上共同出现的概率。 [0074] 作为一种可选的实现方式,本申请实施例中,灰度共生矩阵特征值包括:角二阶矩、对比度、相关性、标准差、反差分矩以及熵。 [0075] 角二阶矩(Angular Second Moment, ASM)是从灰度共生矩阵(GLCM)中提取的一个特征,反映了图像纹理的一致性和重复性。角二阶矩的值高时,表示图像中有大量重复的灰度级模式,即纹理较为一致和规则;值低则表示纹理较为复杂和不规则。角二阶矩通常通过如下公式计算: [0076] (6); [0077] 其中,p(i,j) 是灰度共生矩阵中的元素,表示灰度值i和j同时出现的概率,而N是灰度共生矩阵的尺寸。 [0078] 对比度(Contrast)是一种用于衡量图像纹理粗糙度的特征。它描述了图像中像素对灰度值之间的差异程度。对比度高意味着图像中的纹理更粗糙,对比度低则意味着纹理更加平滑。 [0079] (7); [0080] 相关性(Correlation)它衡量了图像中的像素对如何相关联,尤其是在灰度级别上的相关程度。高相关性通常表明图像纹理中的像素在灰度上的变化是规则和一致的,而低相关性则表明灰度变化更加随机和不规则。 [0081] (8); [0082] 其中,μi和μj分别是灰度共生矩阵行和列的平均值,σi和σj分别是行和列的标准差。 [0083] 标准差σ表现了整体图像纹理一致性和复杂性。高标准差意味着图像纹理在空间上变化较大,而低标准差则表明图像纹理更为均匀和一致。 [0084] (9); [0085] 其中μ为灰度共生矩阵所有元素的平均值。 [0086] 反差分矩(Inverse Difference Moment, IDM)用于描述图像纹理的平滑度和一致性。它反映了图像中像素对的灰度值相似程度。IDM越高,表明图像的纹理越平滑,像素间的灰度差异越小。 [0087] (10); [0088] 熵(Entropy)反映了图像纹理的随机性和不规则性。高熵值意味着图像纹理中的模式更加复杂和不可预测,而低熵值则表示纹理更加规则和一致。 [0089] (11); [0090] 步骤S24、分析各项统计特征与剩余击穿电压的相关性,获得表征各项统计特征与剩余击穿电压相关性的相关系数,从统计特征中筛选出相关系数高于预设值的统计特征,以构建特征参量。 [0091] 作为一种可选的实现方式,本申请实施例中,通过皮尔逊相关系数分析各项统计特征与剩余击穿电压的相关性,筛选出相关系数高于预设值的统计特征,以生成特征参量。 [0092] 具体的,皮尔逊相关系数计算公式如下: [0093] (12); [0094] 其中,r为皮尔逊相关系数,Y为所有图像某个统计特征值的数据集,Yi代表其中的数据点,代表其平均值,X为剩余击穿电压数据集,Xi代表其中的数据点,代表其平均值,n为数据点的数量。 [0095] 通过上述公式(12)分别计算每个统计特征与剩余击穿电压的相关性,筛选出相关系数高于预设值的统计特征。本申请实施例中,预设值设置为0.8,即,筛选出其中|r|≥0.8的统计特征值作为绝缘老化的特征参量。在数理统计中,皮尔逊相关系数|r|≥0.8时,表示变量间存在高度相关关系。通过这种方式,可以认为筛选得的统计特征与剩余击穿电压具有较高相关性,可以真实反映绝缘材料老化状态。 [0096] 步骤S25、给定电机运行温度,基于Wiener过程及Arrhenius方程建立特征参量与热应力水平之间的定量关系,获得特征参量退化模型。 [0097] 具体的,假设特征参量Y的退化过程为{Y(t);t≥0},在数学上表示为: [0098] (13); [0099] μ1为漂移参数,σ1为扩散参数,W(t)为标准布朗运动。此时的{Y(t),t≥0}就是带漂移的Wiener过程,其满足以下性质:对于任意的t到t+△t时间内的增量△Y(t),都满足正态分布: [0100] (14); [0101] 对独立增量进行累加,可以推导出 ,其概率密度函数为: [0102] (15); [0104] (16); [0105] 概率密度函数为: [0106] (17); [0107] 设 , 分别为电机绝缘材料在任两个热应力水平Tk,Th下的累积分布函数,当 [0108] (18); [0109] 时,可将Tk相对于Th的加速因子 定义为: [0110] (19); [0111] 加速因子不变原则指的是, 应该为一个不随tk,th变化,只由Tk,Th所决定的常数。由于F(t)的表达式比较复杂,难以进行推导,因此考虑 , 之间的关系: [0112] (20); [0113] 将f(t)表达式代入上式,得到: [0114] (21); [0115] 为保证 是一个不随tk变化的常数,则tk的系数项都为0,即: [0116] (22); [0117] (23); [0118] 可推导出: [0119] (24); [0120] 温度T为加速应力时,相关参数与加速应力之间的变化规律可利用Arrhenius方程描述。在加速应力Tk下的扩散参数与漂移参数可表示为: [0121] (25); [0122] (26); [0123] 其中, , 指的是Tk下的扩散参数与漂移参数, 为待定参数。 [0124] 类似的,可将Th下的模型参数表示为: [0125] (27); [0126] (28); [0127] 为满足 ,得到 ,因此建立特征参量的加速退化模型为: [0128] (29); [0129] 容易理解的,根据特征参量的不同,则特征参量与热应力水平之间的定量关系也有所不同,表现在定量关系中具体的扩散参数和漂移参数有所不同。本申请实施例中,通过筛选与剩余击穿电压相关性较高的统计特征来构建特征参量,从而排除与剩余击穿电压相关性较弱的统计特征对特征参量退化模型构建的影响,使特征参量退化模型更为精准。 [0130] 电机在热应力影响下的特征参量的退化过程是一个典型的Wiener过程,因此在热应力T作用下,时间跨度为t以后的绝缘特征参量Yt可表示为: [0131] (30); [0132] 其中,Y0表示各特征参量的初始值;t表示预测时间点与当前时刻的时间跨度。 [0133] 根据以上说明,本申请实施例在建立特征参量退化模型时,采用筛选得的与剩余击穿电压具有较高相关性统计特征作为特征参量,从而可以真实反映绝缘材料老化状态,使得建立的特征参量退化模型更为精准,在后续预测时,利用该特征参量退化模型能够更为准确的预测得电机绝缘材料的统计特征的退化状况。 [0134] 步骤S26、利用长短期记忆神经网络初步建立剩余击穿电压预测模型,将特征参量和剩余击穿电压作为训练集,通过反向误差传播算法对剩余击穿电压预测模型进行训练,获得完成训练的剩余击穿电压预测模型。 [0135] 具体的,利用长短期记忆网络建立变幅载荷下基于表面显微图像特征的剩余击穿电压预测模型。将T0 – T320的16组剩余击穿电压及特征参量作为训练集对模型进行训练,把特征参量作为输入,剩余击穿电压作为输出,通过反向误差传播算法(BPTT)完成网络参数训练。 [0136] 长短期记忆网络(LSTM)是递归神经网络(RNN)中的一种特殊模型,它同样具备RNN的递归属性。它具有独特的记忆和遗忘模式,可以灵活地适应网络学习任务的时序特征。同时,LSTM 网络解决了递归神经网络在反向误差传播算法(BPTT)训练过程中的梯度消失和梯度爆炸问题,能够充分利用历史信息,建模信号的时间依赖关系。 [0137] LSTM网络由输入层、输出层和隐藏层构成。与传统的RNN相比,LSTM的隐藏层不再是普通的神经元,而实具有独特记忆模式的LSTM单元。具体结构如图3所示。如图3,矩形方框代表每一个记忆细胞,细胞上的水平线传递细胞状态。ft,it,ot,分别为遗忘门、输入门和输出门。LSTM通过上一时刻输出ht‑1和当前时刻输入xt共同组成输入向量[ht‑1,xt],通过遗忘门ft来控制记忆细胞状态: [0138] (31); [0139] 其中,Wf,bf分别为输入层权值和偏置,σ 为激活函数,一般采用sigmoid函数。 [0140] 接下来产生需要更新的新信息。这一步包含两部分,第一部分是输入门it通过sigmoid函数来决定哪些值用来更新,第二部分是tanh层生成新的候选值Ct作为当前层产生的候选值添加到记忆细胞中: [0141] (32); [0142] (33); [0143] (34); [0144] 其中,WC,bC别为状态更新层的权值和偏置tanh 为tanh激活函数。 [0145] 在输出层,网络通过输出门ot控制更新状态的输出: [0146] (35); [0147] (36); [0148] 其中,Wo,bo别为输出层的权值和偏置。 [0149] 长短期记忆神经网络通过BPTT算法进行训练。先将LSTM网络按照时间顺序展开为一个深层的网络,然后使用经典的误差反向传播算法对展开后的网络进行训练,示意图如图4所示。和标准的BP算法一样,BPTT也需要反复应用链式规则。需要注意的是,对于LSTM网络,损失函数不仅与输出层有关,而且与前后时间点的隐藏层有关。 [0150] 综上,建立用于剩余击穿电压预测的LSTM网络主要需要确定模型的5个超参数,即输入层时间步数、输入层维数、隐藏层的数目、每个隐藏层维数以及输出变量维数。 [0151] 输入层时间步数等于用来进行剩余击穿电压预测的时间序列长度,根据实验训练集数量确定为16,即输入T0‑T320这16个时刻的历史数据用于预测。输入层维数即所筛选出的图像特征数,设置为N;隐藏层数目即LSTM层的个数,设置为1。隐藏层维数取决于具体任务和可用数据的复杂性,就本发明所设计的实验来说,设置为50。输出层只有剩余击穿电压一个变量,因此输出变量维数设置为1。在超参数设置完成后,即可通过历史数据对模型进行训练,最终建立剩余击穿电压的预测模型。剩余击穿电压预测模型可以简单的表示为: [0152] (37); [0153] 其中,U代表剩余击穿电压;F代表LSTM网络,它是一个复杂的非线性函数,涵盖了LSTM的所有内部机制;Y为筛选出的特征参量经过公式(30)的退化预测获得的绝缘特征参量。剩余击穿电压预测模型根据输入序列Y调整内部状态,以生成适当的U。 [0154] 以上为本申请实施例提供的方法中构建特征参量退化模型和剩余击穿电压预测模型的全部过程。根据上述说明,本申请实施例提供的特征参量退化模型和剩余击穿电压预测模型均是基于与剩余击穿电压相关性较高的统计特征建立的,模型构建更为精准,进而可以在实际预测时使预测结果更为精准。 [0155] 在完成上述的特征参量退化模型和剩余击穿电压预测模型构建后,当给定电机的运行温度T以及特征参量初值Y0即可实现对电机绝缘寿命进行预测。 [0156] 具体的,首先,采集电机绝缘材料的表面显微图像,并给定电机运行温度。然后,在对表面显微图像进行预处理获得灰度图像后,提取灰度图像的统计特征。再将统计特征输入公式(30)所示的特征参量退化模型后,获得绝缘特征参量。最后,将绝缘特征参量输入公式(37) 所示的剩余击穿电压预测模型,即可获得剩余击穿电压。 [0157] 本申请还提供一种基于微观图像特征的电机绝缘寿命预测系统100,如图5所示,系统包括图像采集模块11、图像处理模块12、特征参量构建模块13、特征参量退化模型构建模块14、剩余击穿电压预测模型构建模块15以及预测模块16。 [0158] 其中,图像采集模块11用于采集电机绝缘材料的表面显微图像; [0159] 图像处理模块12用于对表面显微图像进行预处理以获得灰度图像,预处理包括图像灰度化处理,提取灰度图像的统计特征,统计特征包括灰度图像的平均灰度值以及六个灰度共生矩阵特征值; [0160] 预测模块16用于将统计特征输入特征参量退化模型,获得经过预设时间跨度退化后的绝缘特征参量,并将绝缘特征参量输入剩余击穿电压预测模型,获得剩余击穿电压; [0161] 特征参量退化模型构建模块14用于根据不同老化阶段的电机绝缘材料表面显微图像和剩余击穿电压,基于Wiener过程及Arrhenius方程建立特征参量与热应力水平之间的定量关系获得特征参量退化模型; [0162] 剩余击穿电压预测模型构建模块15用于利用神经网络建立并以特征参量和剩余击穿电压作为训练集进行训练获得剩余击穿电压预测模型; [0163] 特征参量构建模块13用于构建特征参量,特征参量为图像处理模块12对不同老化阶段的电机绝缘材料的表面显微图像进行统计特征提取后,特征参量构建模块13将统计特征与剩余击穿电压进行相关性分析后进行筛选获得。 [0164] 作为一种可选的实现方式,特征参量构建模块13通过皮尔逊相关系数分析各项统计特征与剩余击穿电压的相关性,筛选出相关系数高于预设值的统计特征,以生成特征参量。 [0165] 作为一种可选的实现方式,特征参量退化模型通过如下公式表示: [0166] ; [0167] 式中,Y(t;T)表示特征参量Y经过预设时间跨度t退化后的绝缘特征参量,T表示热应力,t表示预设时间跨度,γ 1,γ 2,γ 3,为待定参数,待定参数根据特征参量与热应力T确定。 [0168] 作为一种可选的实现方式,剩余击穿电压预测模型构建模块15利用长短期记忆神经网络初步建立剩余击穿电压预测模型,将特征参量和剩余击穿电压作为训练集,通过反向误差传播算法对剩余击穿电压预测模型进行训练,获得完成训练的剩余击穿电压预测模型; [0169] 其中,作为训练集的特征参量和剩余击穿电压根据采集得的不同老化阶段的电机绝缘材料的表面显微图像和剩余击穿电压获得。 [0170] 根据以上说明,本申请实施例提供的基于微观图像特征的电机绝缘寿命预测系统应用本申请实施例提供的基于微观图像特征的电机绝缘寿命预测方法,通过对绝缘材料微观图像特征的筛选,选用与剩余击穿电压相关性较高的统计特征来构建特征参量退化模型和剩余击穿电压预测模型,通过这种方式,模型构建更为精准,进而可以在实际预测时使预测结果更为精准。 [0171] 以上所揭露的仅为本申请的较佳实施例而已,然其并非用以限定本申请之权利范围,本领域普通技术人员可以理解:在不脱离本申请及所附的权利要求的精神和范围内,改变、修饰、替代、组合、简化,均应为等效的置换方式,仍属于发明所涵盖的范围。 |