PLC硬件結(jié)構(gòu)的水電站故障監(jiān)測(cè)系統(tǒng)及故障識(shí)別

熊 璽，汪廣明，童 松，何 滔，黃賽梟

(國(guó)能大渡河沙坪發(fā)電有限公司，四川 樂(lè)山 614300)

0 引言

21世紀(jì)以來(lái)，我國(guó)水利水電事業(yè)發(fā)展迅速，水電站單機(jī)容量不斷增大。水電站的運(yùn)行穩(wěn)定性直接關(guān)系到電站的安全和電網(wǎng)的供電質(zhì)量[1]。水輪機(jī)調(diào)節(jié)系統(tǒng)(HTGS, hydro-turbine governing system)在水電站中起著功率調(diào)節(jié)的作用，為了減少HTGS的突發(fā)事故，延長(zhǎng)HTGS的使用壽命，許多大型水電站采用360攝像頭、智能巡檢機(jī)器人、無(wú)人機(jī)等方式對(duì)水電站中關(guān)鍵設(shè)備進(jìn)行在線狀態(tài)監(jiān)測(cè)，分析水電站機(jī)組的穩(wěn)定運(yùn)行狀態(tài)，并結(jié)合設(shè)備故障診斷技術(shù)，達(dá)到保證水電企業(yè)設(shè)備安全穩(wěn)定運(yùn)行的目的，從而提高水電企業(yè)的經(jīng)濟(jì)效益[2-3]。

針對(duì)上述問(wèn)題，文獻(xiàn)[4]提出了一種水電站故障智能檢測(cè)系統(tǒng)，從運(yùn)行數(shù)據(jù)中研究了故障特征向量，并利用人工神經(jīng)網(wǎng)絡(luò)建立了故障診斷模型，具有較好的故障診斷能力。然而該系統(tǒng)運(yùn)算性能差，診斷時(shí)間太長(zhǎng)。文獻(xiàn)[5]公開(kāi)了廣義頻率響應(yīng)函數(shù)作為基于HTGS參數(shù)模型的診斷方法，非線性輸出頻率響應(yīng)函數(shù)(NOFRFs，nonlinear output frequency response functions)在非線性系統(tǒng)分析中具有良好的計(jì)算性能，有助于HTGS的故障診斷。但NOFRFs模式的識(shí)別需要多種精度，在工程實(shí)踐中難以實(shí)現(xiàn)。

1 總體方案設(shè)計(jì)

鑒于上述文獻(xiàn)技術(shù)中的優(yōu)缺點(diǎn)，本研究采用巡檢機(jī)器人對(duì)水電站HTGS進(jìn)行智能監(jiān)測(cè)，機(jī)器人能夠通過(guò)自身攝像頭拍攝HTGS實(shí)時(shí)畫面，作為本文中的采集圖像數(shù)據(jù)，以巷道巡檢機(jī)器人為例的采集識(shí)別圖像如圖1所示。

圖1 巡檢機(jī)器人采集識(shí)別圖像案例

之后，得到的圖像數(shù)據(jù)要根據(jù)可編程邏輯控制器(PLC, programmable logic controller)控制器進(jìn)行智能識(shí)別，圖像的識(shí)別過(guò)程為計(jì)算機(jī)算法運(yùn)算處理過(guò)程。在此基礎(chǔ)上，本研究還構(gòu)建了計(jì)算機(jī)平臺(tái)—水電站故障監(jiān)測(cè)系統(tǒng)，其架構(gòu)如圖1所示。

圖2中的系統(tǒng)框架可以看出，本研究通過(guò)設(shè)置不同的數(shù)據(jù)層次實(shí)現(xiàn)多種類型的數(shù)據(jù)診斷。首先，通過(guò)在水電站電力系統(tǒng)中設(shè)置巡檢機(jī)器人行動(dòng)路線，通過(guò)機(jī)器人上智能攝像頭采集HTGS實(shí)時(shí)圖像數(shù)據(jù)信息，提取HTGS圖像中的故障特征。在數(shù)據(jù)傳輸過(guò)程中，通過(guò)無(wú)線傳輸?shù)姆绞綄TGS中的故障數(shù)據(jù)傳遞到水電站故障監(jiān)測(cè)系統(tǒng)，傳輸途徑通過(guò)云平臺(tái)傳遞到數(shù)據(jù)分析層進(jìn)行數(shù)據(jù)分析或者計(jì)算，利用優(yōu)化的DPM算法實(shí)現(xiàn)HTGS的故障識(shí)別。與此同時(shí)，通過(guò)映射的方式處理HTGS中的水電站故障監(jiān)測(cè)系統(tǒng)數(shù)據(jù)類型的復(fù)雜非線性關(guān)系，通過(guò)巡檢機(jī)器人視覺(jué)識(shí)別實(shí)現(xiàn)電網(wǎng)系統(tǒng)中HTGS的數(shù)據(jù)信息診斷和故障位置診斷，使用戶能夠?qū)崟r(shí)地得出HTGS故障診斷方案[6]。診斷后的數(shù)據(jù)信息通過(guò)遠(yuǎn)程數(shù)據(jù)傳輸端口傳遞到數(shù)據(jù)監(jiān)控層進(jìn)行監(jiān)控，進(jìn)而實(shí)現(xiàn)底層數(shù)據(jù)的物聯(lián)網(wǎng)傳遞，用戶無(wú)需在現(xiàn)場(chǎng)即可實(shí)現(xiàn)底層數(shù)據(jù)的遠(yuǎn)程監(jiān)控。

圖2 水電站故障監(jiān)測(cè)系統(tǒng)架構(gòu)

2 關(guān)鍵技術(shù)

2.1 PLC硬件結(jié)構(gòu)以及控制算法

本研究采用PLC控制巡檢機(jī)器人的信息獲取，該技術(shù)可以自動(dòng)控制巡檢機(jī)器人的行動(dòng)路線以及故障定位，避免了人為故障診斷造成的錯(cuò)誤現(xiàn)象。本研究采用日本廠家FX3U-64MR-ES-A型號(hào)的PLC控制器，與傳統(tǒng)控制方式相比，該型號(hào)PLC 控制系統(tǒng)有三大優(yōu)點(diǎn)：1)PLC的控制功能編程簡(jiǎn)單，程序語(yǔ)言很容易明白，方便操作；2)PLC具有很高的兼容性，能夠與普通用戶電腦直接相連；3)PLC具有遠(yuǎn)程通訊的技術(shù)，可以接收模擬信號(hào)[7-8]。有關(guān)PLC硬件結(jié)構(gòu)如圖3所示。

圖3 PLC硬件結(jié)構(gòu)框圖

如圖3所示，PLC結(jié)構(gòu)擁有電源、中央處理單元(CPU，central processing unit)、存儲(chǔ)器、存儲(chǔ)器、輸入模塊、輸出模塊、通信接口、電源模塊及擴(kuò)展接口模塊等。其中，電源部分在整個(gè)PLC結(jié)構(gòu)框圖中作用是十分重要的，能夠提供系統(tǒng)運(yùn)行的電壓，保證PLC工作穩(wěn)定運(yùn)行；CPU對(duì)PLC整個(gè)結(jié)構(gòu)進(jìn)行控制指揮；存儲(chǔ)器把所需要的硬件軟件安全的存放，通常固化原廠系統(tǒng)代碼在系統(tǒng)存儲(chǔ)器中，用戶無(wú)法對(duì)只讀內(nèi)存中的系統(tǒng)代碼進(jìn)行改寫，軟件代碼的質(zhì)量也決定了PLC的性能；輸入/輸出模塊則是方便接收信號(hào)和反饋信號(hào)的通道；擴(kuò)展接口模塊PLC的擴(kuò)展接口模塊主要負(fù)責(zé)PLC與外圍模塊之間的連接，保證了控制器與外部的有效數(shù)據(jù)通訊[9]。

PLC的工作原理并不復(fù)雜?？偨Y(jié)歸為4個(gè)字：循環(huán)掃描。PLC的具體工作內(nèi)容分為3個(gè)模塊：輸入采集、程序編程和輸出刷新。在PLC運(yùn)行的時(shí)候，掃描速度由程序員設(shè)定。PLC系統(tǒng)會(huì)對(duì)全部輸入數(shù)據(jù)進(jìn)行掃描，然后存儲(chǔ)起來(lái)，在掃描過(guò)程中，一定要保證收到的信號(hào)在掃描的周期內(nèi)，否則將無(wú)法保存起來(lái)。此外，CPU會(huì)根據(jù)輸入/輸出模塊對(duì)其中所有HTGS故障數(shù)據(jù)進(jìn)行輸出刷新，然后通過(guò)輸出端口連接到外面電路[10]。

由于PID控制算法穩(wěn)定性差，本研究采用模糊控制算法，設(shè)水壓理論值為P，水壓實(shí)際測(cè)量值為P′，則誤差x為：

x=P′-P

(1)

將誤差x與誤差變化率Δx作為模糊控制算法的輸入，轉(zhuǎn)化為模糊集，并構(gòu)建建立輸入變量與輸出變量之間的模糊控制規(guī)則。模糊控制表是利用模糊元函數(shù)計(jì)算出來(lái)的，存儲(chǔ)在PLC的存儲(chǔ)器中。以本研究的供水系統(tǒng)為基礎(chǔ)，將進(jìn)水輪發(fā)電機(jī)組水壓誤差x、誤差變化率Δx和輸出變量v的模糊集設(shè)為QB(負(fù)大)、WA(負(fù)中)、RE(負(fù)小)、ZQ(零)、JK(正小)、HR(正中)、PL(正大)，轉(zhuǎn)換成數(shù)字域(-3，-2，-1，0，1，2，3)共有7個(gè)等級(jí)[11]。關(guān)于模糊集的模糊元函數(shù)在數(shù)字域中的分布如圖4所示。

圖4 模糊元函數(shù)分布圖

通過(guò)模糊控制規(guī)則和根據(jù)模糊元函數(shù)得出模糊控制規(guī)則如表1所示。

如表1所示，可以得出模糊控制關(guān)系：如果x=A和Δx=B，則v=C。A、B、C分別代表模糊集合中任意一個(gè)元素。根據(jù)模糊控制規(guī)則表，對(duì)輸入值進(jìn)行模糊控制算法轉(zhuǎn)換為數(shù)字域，得出相應(yīng)的控制運(yùn)算代碼結(jié)果。

表1 模糊控制規(guī)則表

采用模糊控制算法能夠分析內(nèi)部參數(shù)動(dòng)態(tài)穩(wěn)定性，進(jìn)一步分析HTGS故障問(wèn)題。但并非每臺(tái)水輪發(fā)電機(jī)組都有完整的特性曲線，因此，本研究構(gòu)建簡(jiǎn)化非線性水輪機(jī)模型，該模型因結(jié)構(gòu)簡(jiǎn)單、計(jì)算精度高而得到廣泛應(yīng)用。簡(jiǎn)化非線性水輪機(jī)模型可表示如下：

(2)

式(2)中，Pm是指水力機(jī)械功率，At是指比例系數(shù)，q是指水輪機(jī)流量，Qnl是指水輪機(jī)空載流量，D是指速度失調(diào)阻尼系數(shù)，G是指閘門開(kāi)度，Tw是指水錘時(shí)間常數(shù)，fp為是指水頭損失系數(shù)，h是指水頭?？紤]到HTGS中發(fā)電機(jī)的動(dòng)態(tài)轉(zhuǎn)速，發(fā)電機(jī)的模型可描述為以下傳遞函數(shù)：

(3)

式(3)中，x表示水輪發(fā)電機(jī)組的頻率，TaS表示慣性時(shí)間常數(shù)，eg表示自適應(yīng)控制系數(shù)。非線性水輪發(fā)電機(jī)組模型如圖5所示。

圖5 非線性水輪發(fā)電機(jī)組模型框圖

NOFRFs是頻率響應(yīng)函數(shù)在非線性系統(tǒng)中的推廣，它能反映非線性系統(tǒng)的一些典型頻率響應(yīng)。正常狀態(tài)下的GFRFs與非線性系統(tǒng)中的故障狀態(tài)不同，這種現(xiàn)象可用于故障診斷。n階NOFRF如下所示：

(4)

式(4)中，Y和U分別是指HTGS輸入和輸出的頻譜，σ是指HTGS的非線性函數(shù)自變量，Hn是指n階廣義頻率響應(yīng)函數(shù)。當(dāng)HTGS系統(tǒng)發(fā)生故障時(shí)，系統(tǒng)的非線性特性會(huì)發(fā)生變化，其反映在NOFRFs上。因此，通過(guò)NOFRFs可以反應(yīng)出水電站HTGS故障問(wèn)題。

2.2 優(yōu)化的DPM故障識(shí)別算法

為了解決水電站HTGS圖像的故障識(shí)別困難的問(wèn)題，本研究利用基于方向梯度直方圖(HOG，histograms of oriented gradients)特征模板優(yōu)化的可變形組件模型(DPM, deformable part model)算法算法實(shí)現(xiàn)HTGS的故障識(shí)別。HOG特征是巡檢機(jī)器人視覺(jué)識(shí)別中最常用的特征模型，其提取方法的具體過(guò)程為：

步驟1：將HTGS圖像轉(zhuǎn)換為灰度圖，并進(jìn)行標(biāo)準(zhǔn)化：

(5)

式(5)中，T(a,b)是指HTGS圖像的灰度值。

步驟2：梯度計(jì)算。計(jì)算HTGS圖像在像素(a,b)點(diǎn)的梯度值，其公式為：

La(a,b)=H(a+1,b)-H(a-1,b)

Lb(a,b)=H(a,b+1)-H(a,b-1)

(6)

式(6)中，La(a,b)是指HTGS圖像的水平梯度值，Lb(a,b)是指HTGS圖像的垂直梯度值，H(a,b)是指HTGS圖像的像素值。在像素點(diǎn)(a,b)的梯度向量為：

(7)

(8)

式(7)～(8)中，L(a,b)是指HTGS圖像的梯度值，α(a,b)是指HTGS圖像的梯度方向。

步驟3：構(gòu)建方向梯度直方圖。將HTGS圖像分成若干模塊，每個(gè)模塊有8*8個(gè)像素，將模塊梯度方向分成9塊。對(duì)模塊中的每個(gè)像素在梯度方向直方圖中進(jìn)行加權(quán)投影，就可以統(tǒng)計(jì)出該模塊的梯度方向直方圖[12]。將相鄰的幾個(gè)模塊進(jìn)行組合，并進(jìn)行歸一化。

步驟4：生成特征向量。每片歸一化模塊會(huì)有部分重疊的HOG特征，提取這些特征生成特征向量。關(guān)于HOG特征提取過(guò)程中單元格、塊以及圖像之間的關(guān)系如圖6所示。

圖6 HOG特征提取過(guò)程示意圖

在得到HOG特征后，支持向量機(jī)(SVM, support vector machine，)可以最大限度地分離出HTGS圖像兩個(gè)類別特征。該分類器可以簡(jiǎn)化分類中的問(wèn)題，并能剔除許多冗余信息。假設(shè)一個(gè)線性SVM分類器為f(x)，該函數(shù)的定義表達(dá)式為：

(9)

式(9)中，R是指SVM分類器一個(gè)參數(shù)，x是指一個(gè)HTGS圖像樣本變量，z是指隱變量，Z(x)是指隱變量的取值空間，P(x,z)是指HTGS圖像樣本的描述。一個(gè)SVM分類器訓(xùn)練主要通過(guò)最小化目標(biāo)函數(shù)得到最優(yōu)參數(shù)R，具體定義為：

(10)

式(10)中，M(R)是指目標(biāo)函數(shù)，i是指第i個(gè)訓(xùn)練任務(wù)。關(guān)于求出目標(biāo)函數(shù)最小化，可以通過(guò)固定R為每個(gè)正樣本選取最佳的隱變量值來(lái)最優(yōu)化。

DPM基于HOG特征采用了模塊化的概念，并在歸一化處理時(shí)，直接將當(dāng)前單元與周圍4個(gè)單元的區(qū)域歸一化。關(guān)于優(yōu)化的DPM特征提取流程如圖7所示。

圖7 優(yōu)化的DPM特征提取流程圖

如圖7所示，本文采用了有符號(hào)梯度和無(wú)符號(hào)梯度相結(jié)合的方式來(lái)進(jìn)行DPM特征提取流程的優(yōu)化，簡(jiǎn)單原理在于分別計(jì)算有符號(hào)所有方向梯度和無(wú)符號(hào)0～180°的方向梯度，在有符號(hào)梯度方向提取18維特征向量，無(wú)符號(hào)梯度方向提取9維向量，得到的27維特征向量，對(duì)4個(gè)模塊參數(shù)進(jìn)行歸一化，得到4*27=108維的HTGS特征圖像。之后重排為并進(jìn)行行列相加，得到4+27=31維的特征[13]。綜上所述，下面將針對(duì)DPM模型的HTGS故障識(shí)別過(guò)程進(jìn)行綜合闡述：

1)首先，將采集到的HTGS圖像通過(guò)低通濾波器，并對(duì)HTGS圖像進(jìn)行切片，從而得到一系列尺寸變化的圖像。

2)與原始模板進(jìn)行圖像對(duì)比，將部分模板與3倍率的HTGS圖像進(jìn)行匹配，綜合部件模板與特征的匹配程度和最佳位置偏離，得到最佳的匹配結(jié)果，該過(guò)程實(shí)現(xiàn)公式為：

S(x0,y0,l0)=K(x0,y0)+J

(11)

(12)

式(11)～(12)中，(x0，y0)是指HTGS圖像識(shí)別特征點(diǎn)，l0是指尺度層，S是指匹配度，K(x0，y0)是指待監(jiān)測(cè)的HTGS圖像，J是指不同部分模板與3倍率的HTGS圖像匹配度，t是指一個(gè)隨機(jī)部分模板。

3)通過(guò)低通濾波器進(jìn)行響應(yīng)變換，其中響應(yīng)變換的公式為：

(13)

式(13)中，d是指HTGS圖像特征點(diǎn)偏離原始模板位置，(x，y)是指第i個(gè)部分模板在尺度層l的最佳偏離位置。(dx，dy)是指相對(duì)于第i個(gè)部分模板的偏移量。等式(13)的含義為待檢測(cè)HTGS圖像K在(x+dx，y+dy)偏移量處的匹配得分，根據(jù)匹配得分系統(tǒng)將智能評(píng)估出匹配結(jié)果，從而實(shí)現(xiàn)巡檢機(jī)器人視覺(jué)故障識(shí)別[14]。

3 實(shí)驗(yàn)與分析

為了驗(yàn)證水電站故障監(jiān)測(cè)系統(tǒng)的實(shí)用性與可靠性，在這一節(jié)中，本研究將設(shè)計(jì)模擬實(shí)驗(yàn)。通過(guò)巡檢機(jī)器人調(diào)研一年內(nèi)安徽省蕪湖市郊外多個(gè)大型水電站水輪機(jī)設(shè)備，并搭建后臺(tái)服務(wù)器集群用于數(shù)據(jù)處理，每臺(tái)服務(wù)器的計(jì)算機(jī)操作系統(tǒng)為Windows10·64位，計(jì)算機(jī)的開(kāi)發(fā)工具為Visual Studio 2019，OpenCV 3.0，計(jì)算機(jī)的硬件環(huán)境為CPU：Inter(R)Core(TM)i7；主頻為2.59 GHz；內(nèi)存16 G，所用的編碼軟件JavaScript的版本為ECMA Script 6。

通過(guò)巡檢機(jī)器人檢出水電站多種故障圖像類型，例如：水輪機(jī)組功率不足、調(diào)速器問(wèn)題、水輪機(jī)問(wèn)題、油系統(tǒng)問(wèn)題、儲(chǔ)氣罐壓力問(wèn)題、球閥問(wèn)題、接力器問(wèn)題等多種問(wèn)題。此外，水輪機(jī)空載流量會(huì)因?qū)畽C(jī)構(gòu)泄漏、軸承潤(rùn)滑不良等原因而發(fā)生變化，軸承潤(rùn)滑不良的原因在于水輪機(jī)組推力瓦和鏡板之間沒(méi)有形成足夠的油膜厚度，推力瓦和鏡板沒(méi)有分離，推力瓦面得不到充分潤(rùn)滑而引起的燒瓦現(xiàn)象，這種故障情況嚴(yán)重影響水輪機(jī)組的運(yùn)行效率。本研究以軸承潤(rùn)滑不良引起的推力瓦面燒瓦現(xiàn)象作為本研究實(shí)驗(yàn)的圖像，經(jīng)過(guò)一年時(shí)間調(diào)研多個(gè)大型水電站水輪機(jī)采集得到了26 864張故障圖像，經(jīng)過(guò)篩選分類等預(yù)處理構(gòu)建了實(shí)驗(yàn)數(shù)據(jù)庫(kù)，關(guān)于巡檢機(jī)器人監(jiān)測(cè)得到的圖像數(shù)據(jù)如圖8所示。

圖8 檢機(jī)器人監(jiān)測(cè)得到的圖像

針對(duì)上述水電站故障問(wèn)題，水輪機(jī)空載流量的非線性頻率分析對(duì)水輪機(jī)的正確檢修具有重要意義。本研究通過(guò)構(gòu)建NOFRFs模型進(jìn)行特性分析，其相關(guān)的主要參數(shù)根據(jù)實(shí)際HTGS設(shè)置為：Tw=0.5 s，At=1.06，Ta=5.7 s，eg=0和D=0，模擬時(shí)間為500 s，模擬步長(zhǎng)為0.01 s。此外，主伺服電機(jī)的響應(yīng)時(shí)間常數(shù)設(shè)置為Ty=0.1。干擾信號(hào)設(shè)置為xr(t)=0.05 sin(t)，并在90秒時(shí)施加。為了減少計(jì)算量，將NOFRFs的最大階數(shù)N設(shè)為3，提取信號(hào)設(shè)為xu(t)=0.05 sin(t)，干擾信號(hào)的基頻為wf=1/2π。不同空載流量(Qnl=0.1、Qnl=0.2、Qnl=0.3)下HTGS的NOFRF如表2所示。

表2 不同空載流量下NOFRF值

如表2所示，隨著空載流量的增加，一些非線性特征可以從NOFRFs中反映出來(lái)。最明顯的變化是G2的半頻增加，基頻降低。G1的半頻有微弱的增加，基頻變化不大。G3的半頻會(huì)增加，G1的基頻會(huì)有較大幅度的變化。NOFRFs的這些變化可用于HTGS的故障識(shí)別，并證實(shí)了與空載流量有關(guān)。

為了突顯基于DPM的故障識(shí)別算法的優(yōu)勢(shì)性能，以文獻(xiàn)[4]中基于人工神經(jīng)網(wǎng)絡(luò)(ANN，artificial neural network)的故障監(jiān)測(cè)模型作為比較對(duì)象，進(jìn)行對(duì)比實(shí)驗(yàn)。從實(shí)驗(yàn)數(shù)據(jù)集中提取0～2 GB的水輪機(jī)組故障圖像數(shù)據(jù)量，采用ANN與DPM兩種算法的故障診斷系統(tǒng)處理這些故障圖像數(shù)據(jù)，統(tǒng)計(jì)不同系統(tǒng)的延遲時(shí)間，根據(jù)數(shù)據(jù)量大小和延遲時(shí)間為軸繪制曲線如圖9所示。

圖9 兩種系統(tǒng)的延遲時(shí)間對(duì)比

從圖9中可知，本研究所開(kāi)發(fā)的DPM算法處理HTGS數(shù)據(jù)耗時(shí)更短，效率更高，這是因?yàn)镈PM基于HOG特征采用了模塊化的概念，并在歸一化處理時(shí)，直接將當(dāng)前單元與周圍4個(gè)單元的區(qū)域歸一化，采用這種優(yōu)化策略提高了巡檢機(jī)器人視覺(jué)識(shí)別的效率，充分驗(yàn)證了本研究水電站故障監(jiān)測(cè)系統(tǒng)的實(shí)用性與可靠性。

4 結(jié)束語(yǔ)

為了達(dá)到水電站設(shè)備安全穩(wěn)定運(yùn)行的目的，從而提高水電行業(yè)的經(jīng)濟(jì)效益，本研究構(gòu)建了水電站故障監(jiān)測(cè)系統(tǒng)，其主要內(nèi)容有：

1)基于巡檢機(jī)器人視覺(jué)對(duì)水電站中HTGS進(jìn)行故障識(shí)別，采用PLC控制巡檢機(jī)器人的信息獲取，該技術(shù)可以自動(dòng)控制巡檢機(jī)器人的行動(dòng)路線以及故障定位，避免了人為故障診斷造成的錯(cuò)誤現(xiàn)象。

2)通過(guò)模糊控制算法提高了巡檢機(jī)器人識(shí)別穩(wěn)定性，并采用一種非線性輸出頻率響應(yīng)函數(shù)分析HTGS參數(shù)，有助于辨識(shí)HTGS故障問(wèn)題。

3)采用基于HOG特征模板優(yōu)化的DPM算法，結(jié)合SVM分類器最大限度地分離出HTGS圖像兩個(gè)類別特征，實(shí)現(xiàn)HTGS圖像的視覺(jué)故障識(shí)別。

經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證了該系統(tǒng)的可行性，總結(jié)該研究成果，發(fā)現(xiàn)在HTGS特征點(diǎn)的分類方面仍具有較大的分類問(wèn)題，導(dǎo)致了徐建機(jī)器人識(shí)別精度較低，未來(lái)將會(huì)進(jìn)行這方面的探討與改進(jìn)。