变电站运检数据化管理提升

针对变电站设备运检巡视模式存在的问题,从数据化任务梳理与建库、流程化任务明确与细分、充油设备油位计数据化管理三个方面进一步优化管理措施,形成设备运检巡视工作数据化全流程的管理模式,夯实设备主人制,全力保障主网安全稳定运行。设备缺陷是指使用中的设备、设施发生的异常或存在的隐患,这些隐患将影响人身、设备和电网安全,影响电网设备的可靠性和紧急运行能力。设备缺陷类别按照其严重程度可分为紧急缺陷、重大缺陷和一般缺陷三大类。变电站是组成电网的重要枢纽,设备缺陷将对主网安全带来巨大冲击。为了及早发现缺陷,将隐患消除在萌芽阶段,提升运检质效是变电站的必然选择。

基于轻量化深度学习网络的工业环境小目标缺陷检测

工业环境下表面缺陷检测是质量管理的重要一环,具有重要的研究价值.通用检测网络(如YOLOv4)已被证实在多种数据集检测方面是有效的,但是在工业环境的缺陷检测仍需要解决两个问题:一是缺陷实例在表面占比过小,属于典型的小目标检测问题;二是通用检测网络结构复杂,很难部署在移动设备上.针对上述问题,提出一种基于轻量化深度学习网络的工业环境小目标缺陷检测方法.应用GhostNet替代YOLOv4主干特征提取网络,提高网络特征提取能力及降低算法复杂度,并通过改进式PANet结构增加YOLO预测头中高维特征图比例以实现更好的性能.以发动机金属表面缺陷检测为例进行实验分析,结果表明该模型在检测精度(mAP)提升5.83%的同时将网络模型参数量降低83.5%,检测速度提升2倍,同时满足缺陷检测的精度和实时性要求.