ПОЛУЧЕНИЕ ДАННЫХ ДЛЯ ОБУЧЕНИЯ СИСТЕМЫ ТЕХНИЧЕСКОГО ЗРЕНИЯ ПО ВЫЯВЛЕНИЮ ГАЗОВЫХ ВКЛЮЧЕНИЙ В СТЕКЛЯННОЙ ДЕТАЛИ ИЗОЛЯТОРА ПС-70Е
DOI:
https://doi.org/10.14529/power240203Ключевые слова:
электрическая прочность, газовое включение, стеклянные подвесные изоляторы, цифровое моделирование, метод конечных элементовАннотация
Рассмотрены вопросы получения данных для обучения систем технического зрения, способных выявлять сферические воздушные включения в стеклянных деталях подвесных изоляторов марки ПС-70Е. Данные представлены для воздушных пузырей диаметрами 1 мм и 2 мм в головке стеклянной детали. Расчет электрического поля при работе изолятора в наихудших условиях эксплуатации позволил выявить области размещения дефектов с нарушением электрической прочности. Для определения наличия дефектов по одному изображению была создана трехмерная модель трассировки лучей, в которой подсветка стеклянной детали осуществляется ортогонально снизу, а съемка производится со стороны головки. На основе моделирования выявлены области расположения воздушных включений диаметрами 1 мм и 2 мм, в которых дефекты не различимы. Установлено, что имеются области расположения дефектов, в которых наблюдается нарушение электрической прочности, но которые не удается выявить при применяемых условиях съемки. Доля областей при изученных условиях, одновременно относящихся к двум названным категориям, составляет суммарно 6,7% и 2,5% для пузырей с диаметрами 1 мм и 2 мм соответственно. Имеются области расположения пузырей, для которых наблюдается значительное искажение фигур дефектов при описанных условиях (22,4% и 20,0% для пузырей 1 мм и 2 мм соответственно).
Скачивания
Библиографические ссылки
Цимберов, А.И. Стеклянные изоляторы/А.М. Цимберов, А.В. Штерн. М., «Энергия». – 1973. – 200 с.
Jun Liu. Summary of insulator defect detection based on deep learning / Jun Liu, MingMing Hu, JunYuan Dong, Xu Lu // Electric Power Systems Research. Volume 224. November 2023, 109688
Хайкин, С. Нейронные сети Полный курс С. Хайкин; Пер. с англ. Н. Н. Куссуль, А. Ю. Шелестова. - 2-е изд. - М. и др.: Вильямс, 2006. - 1103 c.
Тархов, Д. А. Нейронные сети. Модели и алгоритмы Д. А. Тархов. - М.: Радиотехника, 2005. - 253 с.
J. Deng, W. Dong, R. Socher, L.-J. Li, K. Li, and L. Fei-Fei, “Imagenet: A large-scale hierarchical image database,” in 2009 IEEE conference on computer vision and pattern recognition. Ieee, 2009, pp. 248–255, 00000.
ГОСТ 6490‒2017. Изоляторы линейные подвесные тарельчатые. Общие технические условия. М.: Стандартинформ. ‒ 2018. ‒ 36 с.
Daniar Fahmi. Comparative analysis of electric field distribution on glass and ceramic insulator using finite element method/ Daniar Fahmi, Lucky Andika Novario, I Made Yulistya Negara, R. Wahyudi// 2016 In-ternational Seminar on Intelligent Technology and Its Applications (ISITIA). 28-30 July 2016. pp. 515–520. DOI: 10.1109/ISITIA.2016.7828713
Nazemi, M. H. Partial Discharge Investigation and Electric FieldAnaly-sis of Different Oscillation Modes of Water Droplets on the Surface of Polymeric Insulator under Tangential AC Electric Field Stress/H. Nazemi and V. Hinrichsen// 2013 IEEE International Conference on Sol-id Dielectrics, Bologna, Italy, June 30 – July 4, 2013
Ким Ен Дар. Влияние технологических факторов на электрическую прочность высоковольтных стеклянных изоляторов/ Ким Ен Дар, Б.П. Гордиевич, В.И. Ковалев, С.М. Цурак// Сучаснi будiвельнi ма-терiали. Випуск 2014-1(105) – 2014. C. 156–162
Hani Benguesmia. Simulation of the potential and electric field distri-bution on high voltage insulator using the finite element method/Hani Benguesmia, Nassima M'ziou, Ahmed Boubakeur // Diagnostyka; 19(2). 2018 – p. 41–52. – DOI: 10.29354/diag/86414
Усачев А.Е. Методы расчета электрических полей: учеб. пособие. – Казань: Казан. гос. энерг. ун-т, 2013. – 111 с
Шевченко С.Ю., Окунь А.А. Анализ методов расчета электрических полей установок высоких напряжений //Електротехніка і Елек-тромеханіка. – № 4. – 2010. – с. 59-62
Дубицкий, С. Инженерное моделирование квазистатического электромагнитного поля в программе ELCUT для задач электрони-ки / С. Дубицкий// Сборник «Электромагнитная совместимость в электронике» . – 2018
https://energocode.ru/izolyatory-ps-70-e/?ysclid=lw08ct22na336805241
Ржевская, С.П. Электрические материалы. Диэлектрики: курс лекций/ С.П. Ржевская. ‒ Минск: БНТУ, 2009. ‒ 142 с.
L. Niemeyer, B. Fruth and F. Gutfleisch, “Simulation of Partial Dis-charges in Insulation Systems”, paper no. 71.05 Proc. 7th ISH, Dres-den, 1991.
Joseph, Lentin. Robot Operating System for Absolute Beginners. 2018.10.1007/978-1-4842-3405-1.
Anderson, Jason & Ziolkowski, Marcin & Kennedy, Ken & Apon, Amy. Synthetic Image Data for Deep Learning. 2022. 10.48550/arXiv.2212.06232.
P. Y. Donzallaz. How to set up unity’s high definition render pipeline for highend visualizations. Jan 2020. [Online]. Available: https://blogs.unity3d.com/2020/01/09/how-to-set-up-unitys-unityshigh-definition-render-pipeline-for-high-end-visualizations/
E. Martin and L. Vo Van. We have you covered with the measured materials library. Feb 2019. [Online]. Available: https://blogs.unity3d.com/2019/02/08/we-have-you-covered-with-themeasured-materials-library/
S. Lagarde, S. Lachambre, and C. Jover. An artist-friendly workflow for panoramic hdri,” in ACM SIGGRAPH 2016 Courses, ser. SIG-GRAPH ’16. New York, NY, USA: Association for Computing Ma-chinery, 2016. [Online]. Available: https://doi.org/10.1145/2897826.2927353
Giang, Doan & Nguyen, Ngoc-Trung. (2023). New blender-based augmentation method with quantitative evaluation of CNNs for hand gesture recognition. Indonesian Journal of Electrical Engineering and Computer Science. 30. 796. 10.11591/ijeecs.v30.i2.pp796-806.
Sieczka, Rafał & Panczyk, Maciej. (2020). Blender as a tool for gen-erating synthetic data. Journal of Computer Sciences Institute. 16. 227-232. 10.35784/jcsi.2086.
ГОСТ 30698-2014. Стекло закаленное. Технические условия. М.: Стандартинформ. ‒ 2015. ‒ 20 с.
Thompson G. Z., Maitra R. CatSIM: A Categorical Image Similarity Metric //arXiv preprint arXiv:2004.09073. – 2020.