[发明专利]一种设备故障的定位方法、装置、设备及存储介质

权利要求书

1.一种设备故障的定位方法，其特征在于，包括：

通过训练后的卷积神经网络模型对待分析的监测图像进行分析，以判断目标设备是否发生打火故障，所述训练后的卷积神经网络模型基于所述目标设备的历史监测图像训练得到，所述待分析的监测图像和所述历史监 测图像通过对所述目标设备进行监测得到；

若是，则确定所述发生打火故障的区域相对于预设参考点的距离和方向，基于所述距离和方向，确定所述发生打火故障的区域的相对位置；

通过训练后的卷积神经网络模型对待分析的监测图像进行分析，以判断目标设备是否发生打火故障之前，还包括：

对所述历史监测图像进行预处理，将发生打火故障特征的历史监测图像作为训练卷积神经网络模型所需的样本数据；

利用机器学习方法并基于所述样本数据，对卷积神经网络模型进行训练，得到所述训练后的卷积神经网络模型；

对所述历史监测图像进行预处理，将发生打火故障特征的历史监测图像作为训练卷积神经网络模型所需的样本数据，具体步骤如下：

首先，去除样本数据中未发生打火故障的历史监测图像；

其次，根据历史图像中打火故障发生的区域，将历史监测图像分为L233阻流圈区域历史监测图像、2π电路区域历史监测图像、3π电路区域历史监测图像、TH576高末电子管区域历史监测图像；

或者，基于打火故障的火光或者打火故障的电弧能量，将发生打火故障的历史监测图像分为三种类型：膨胀阶段的历史监测图像、排放阶段的历史监测图像、热效应阶段的历史监测图像；其中，膨胀阶段电弧光的能量较低，产生的火光最小；排放阶段时电弧光的能量相对于膨胀阶段较高，产生的火光相对于膨胀阶段相对较大；热效应阶段电弧光的能量在三个阶段中最高，产生的火光在三个阶段中最大；

对卷积神经网络模型进行训练之前，还根据打火故障发生的区域、打火故障的强度将样本数据打上对应标签。

2.根据权利要求1所述的定位方法，其特征在于，通过训练后的卷积神经网络模型对待分析的监测图像进行分析，以判断目标设备是否发生打火故障，具体包括：

提取所述待分析的监测图像的图像特征；

通过训练后的卷积神经网络模型对所述图像特征进行分析，确定所述图像特征与打火故障特征集合的匹配程度，所述打火故障特征集合基于发生打火故障的历史监测图像得到；

根据所述匹配程度判断所述目标设备是否发生所述打火故障。

3.根据权利要求1所述的定位方法，其特征在于，确定所述发生打火故障的区域相对于预设参考点的距离和方向，基于所述距离和方向，确定所述发生打火故障的区域的相对位置，具体包括：

预先设置所述待分析的监测图像的中心为所述预设参考点；

按照像素坐标系对所述待分析的监测图像进行区域划分，以确定所述发生打火故障的区域相对于所述预设参考点的方向；

计算所述发生打火故障的区域与所述预设参考点的像素距离，作为所述发生打火故障的区域相对于所述预设参考点的距离；

基于所述距离和方向，确定所述发生打火故障的区域的相对位置。

4.根据权利要求3所述的定位方法，其特征在于，基于所述距离和方向，确定所述发生打火故障的区域的相对位置，具体包括：

将所述发生打火故障的区域相对于所述预设参考点的距离和方向映射到所述目标设备的实物图像中，以确定所述发生打火故障的区域的相对位置。

5.根据权利要求1所述的定位方法，其特征在于，判断所述目标设备发生打火故障后，所述方法还包括：

发出对所述目标设备的故障警报。

6.根据权利要求1所述的定位方法，其特征在于，若所述目标设备发生打火故障，所述定位方法还包括：

通过训练后的卷积神经网络模型对所述待分析的监测图像进行检测，确定所述目标设备发打火故障的故障强度。