基于RRAM阵列的卷积神经网络的绝缘子故障识别方法

基于rram阵列的卷积神经网络的绝缘子故障识别方法
技术领域
1.本发明属于绝缘子检测技术领域，涉及一种基于rram阵列的卷积神经网络的绝缘子故障识别方法。


背景技术：

2.随着世界范围内人们生产生活用电需求的不断增加，电网建设规模也随之不断扩大。高电压、大功率、长距离输电线路穿越的地理环境也日趋复杂，给线路巡视带来很多困难。绝缘子作为架空输电线路中的重要设备，对电力的输送起着关键作用，绝缘子的工作状态直接影响着电能输送的稳定性与可靠性。由于绝缘子均暴露在自然环境中，常年受到温度、湿度及输电线路产生的物理电晕的影响，这会造成绝缘子的部分碎裂、缺失等不可逆损伤，其不仅会造成电力的不稳定运输、影响用户的需求，更有可能造成线路断线而引发的森林火灾等重大安全事故。因此定期对绝缘子的检测对电网运行的安全性以及满足用户的用电需求至关重要。传统的采用超声波检测法、激光多普勒振动法可以对具有裂纹的开裂绝缘子进行有效的检测，但这些检测方法对于未开裂的绝缘子不起作用，而红外测温法只对半导体釉绝缘子的检测较为明显，对于普通釉瓷及玻璃绝缘子无明显检测效果，且设备成本较高、体积大、不利于携带，同时也不适用于野外作业，并且检测过程需要对每个绝缘子进行检测，检测效率不高，不能实时的检测绝缘子的运行状况，同时人工成本也较高。


技术实现要素：

3.本发明的目的是提供一种基于rram阵列卷积神经网络的绝缘子智能识别方法，解决了传统绝缘子故障检测方式存在的检测效率低及人工成本高的问题。
4.本发明所采用的技术方案是，基于rram阵列的卷积神经网络的绝缘子故障识别方法，具体包括如下步骤：
5.步骤1，获取绝缘子各种形貌的图片，并对获取的图片进行分类；
6.步骤2，将步骤1分类好的图片分为训练集和测试集；
7.步骤3，将训练集中的数据输入rram阵列卷积神经网络中，对绝缘子各种形成图片进行训练学习；
8.步骤4，将步骤2分好的测试集中的绝缘子形貌图片数据输入至步骤3训练好的rram阵列卷积神经网络模型中进行验证，当验证结果满足要求时，执行步骤5，当训练结果不满足要求时，重复执行步骤1-4，直至得到最优的rram阵列卷积神经网络模型；
9.步骤5，将无人机拍摄到的实时的绝缘子个形貌图片采用无线通讯技术传输给pc端，pc端内部通过步骤2训练好的rram阵列卷积神经网络模型对采集到的实时数据进行分析甄别，根据甄别情况判断绝缘子的健康状况。
10.本发明的特点还在于：
11.步骤1中，对获取的绝缘子图片按照故障绝缘子图片和正常绝缘子图片进行分类。
12.步骤3的具体过程为：提取绝缘子各形貌特征参数，将参数输入至rram阵列卷积神
经网络中，通过rram阵列卷积神经网络对各特征参数进行学习，通过调节rram阵列卷积神经网络中相应rram的阻值来对各神经节点的权值数据进行存储。
13.步骤3中rram阵列卷积神经网络训练过程中，将rram阵列卷积神经网络中的神经元等效为一个积分电路，积分电路的运算公式如下：
[0014][0015]
其中，τm为时间常数，rm为等效膜电阻，e
l
为等效细胞膜静止电势，ie为神经元等效电流，v为膜电压。
[0016]
步骤3中rram阵列卷积神经网络训练过程中，让rram阵列卷积神经网络中的某一层处理层神经元作为竞争层，提取绝缘子形貌特征值，对应于不同的特征向量x，处于竞争层的全部n个神经元都会对输入产生对应的输出响应，从而使得输出响应最大的值对应的神经元触发，该神经元即胜出，当进行若干次训练后每一个特征值都存在一个最先触发的神经元，当下次有新的类似于x向量的输入作用到该神经元时，该神经元就会触发，即相应的rram电路触发。
[0017]
步骤4中，当验证结果的准确率≧90％时，即满足要求，则继续执行步骤5；当验证结果的准确率＜90％时，则扩大样本总数，重新执行步骤1～2，直至验证结果的准确率≧90％为止。
[0018]
步骤5中，当采集到的图片与训练完成的rram阵列卷积神经网络模型具有相似的特征值时，相应的rram就会触发，从而立即判断出所检测区域的绝缘子的健康状况。
[0019]
本发明的有益效果如下：
[0020]
1.本发明通过使用智能设备在线实时监测方式，不同于传统的采用测量设备实地人工检测，提升了检修效率以及精确性。避免了人工检修存在的不安全因素，同时也降低了运维成本；
[0021]
2.本发明可对输电线路绝缘子的形貌大面积的采集并实时反馈给地端基站，实现了对区域内的绝缘子的全检及识别，有利于及时对故障绝缘子进行处理；
[0022]
3.本发明采用rram作为神经网络的突触结构，将神经形态计算中的突触电路硬件化，避免了利用cmos模拟突触的传统方法造成的集成度低，功耗过大的弊端；
[0023]
4本发明通过判断无人机所采集的数据与训练集数据特征量的相关性来判断绝缘子的健康状况，根据数据之间的相关性大量的运用数据集实现图像识别功能，让数据自己发声，从而大大减轻了运算量，提升了处理速度同时也降低了功耗。
附图说明
[0024]
图1为本发明基于rram阵列的卷积神经网络的绝缘子故障识别方法的框架图；
[0025]
图2为本发明基于rram阵列的卷积神经网络的绝缘子故障识别方法中绝缘子故障位置及类别判断流程；
[0026]
图3为本发明基于rram阵列的卷积神经网络的绝缘子故障识别方法经无人机拍摄所得的绝缘子图片数据点阵；
[0027]
图4为本发明基于rram阵列的卷积神经网络的绝缘子故障识别方法卷积神经网络的图像处理层；
[0028]
图5为本发明基于rram阵列的卷积神经网络的绝缘子故障识别方法中神经形态应用训练电路图。
[0029]
图中，1.绝缘子串，2..无人机，3.基站，4.pc端；
[0030]
5.rram阵列卷积神经网络，501.图片像素点阵列，502.局部像素点。
具体实施方式
[0031]
下面结合附图和具体实施方式对本发明进行详细说明。
[0032]
本发明基于rram阵列的卷积神经网络的绝缘子故障识别方法，故障判断方案如图1所示，采用具有图像拍照及无线传输功能的无人机2对区域绝缘子1进行智能侦察，将采集到的数据经基站3实时传输回pc端4，pc端4对收集到的数据进行识别，可精确判断出有故障的绝缘子并对故障点进行定位，极大的提升了故障识别效率。无人机2用于检测绝缘子1表面形貌；基站3用于无线传输；pc端4用于处理图片信息。
[0033]
本发明基于rram阵列的卷积神经网络的绝缘子故障识别方法，如图2所示，包括如下步骤：
[0034]
步骤1，获取大量绝缘子各种形貌的图片，将这些图片信息进行分类，主要分为故障绝缘子图片和正常绝缘子图片，该过程采用计算机处理；
[0035]
步骤2，将步骤1分类好的各种绝缘子图片按照3：1分为训练集和测试集，将训练集的数据传输给pc端4，然后对绝缘子各种形貌图片进行学习，学习过程如下：
[0036]
首先，学习总流程为：提取绝缘子各形貌特征参数，将参数输入至rram阵列卷积神经网络5中，通过rram阵列卷积神经网络5对各特征参数进行学习，通过调节rram阵列卷积神经网络5中相应rram的阻值来对各神经节点的权值数据进行存储，传统的神经网络一个突触需采用数十个晶体管，而一个rram单元即可实现单个突触的功能，最终形成一个能够识别各种绝缘子形貌参数的rram神经网络电路；
[0037]
其次，本发明中深度学习所采用的类脑神经元模型为integrate andfire神经元，其将神经元等效为一个积分电路，通过输入、输出脉冲信号对突触前膜的动作电势引起的权值电荷输入进行积分，如果此电压达到阈值电压u
t
时，神经元激活发出瞬间脉冲同时积分电路复位。其基本等效电路如图5所示。其中包含的电路运算公式如下公式(1)：
[0038][0039]
其中，τm为时间常数，rm为等效膜电阻，e
l
为等效细胞膜静止电势，ie为神经元等效电流。
[0040]
根据如下公式(2)可求得膜电压如下：
[0041]
v(t)＝e
l
rmie (v(t0)-e
l-rmie)exp(-(t-t0)/τm)；
[0042]
其中，t0为初始时间，t为实时时间；τm表示时间常数；
[0043]
膜电压v(t)经过一段时间的积累当v(t)大于阈值电压u
t
(即v(t)》u
t
)时产生脉冲信号使得膜电压完成复位，完成复位后，当下次信号来临时神经元再次产生回应，不断重复上过程，从而完成信息的传递。
[0044]
最后具体的学习过程为：本发明采用一种非监督学习的神经形态计算学习规则—赢者通吃，采取非监督学习即不对突触权值进行赋值，即不对rram阻值进行设定，通过让神
经形态计算系统拥有类似人类的思维从而完成自我学习的过程。赢者通吃策略即让神经网络中的某一层处理层神经元作为竞争层，提取绝缘子形貌特征值，对应于不同的特征向量x，处于竞争层的全部n个神经元(即n个rram单元)都会对输入产生对应的输出响应，从而使得输出响应最大的值对应的神经元(rram单元)触发。该神经元即胜出，当进行多次训练后每一个特征值都存在一个最先触发的神经元(rram单元)，当下次有新的类似于x向量的输入作用到神经元时，该神经元就会触发，即相应的rram电路触发。
[0045]
为使本发明所涉及的学习过程更加清晰的描述，从以下步骤详细阐述该神经网络对绝缘子图片的学习过程：
[0046]
1)先将所有用于学习的rram设置为低阻态(可存储状态)，每张图片像素点如图3所示，前神经元接收各种绝缘子形貌的图片像素点阵列501的信息，图片像素点阵列501中包含若干个局部像素点502，将所有像素点信息输入图4中的输入层，每一个像素信息经过感知层后由处理层处理后在输出层产生“0”或“1”信号，接收到“1”的前神经元触发(rram单元存储权值)；
[0047]
2)前神经元触发后通过相应的rram突触传递到后神经元，后神经元对信号进行求和计算，得到一个细胞膜电位值然后与一个阈值电压进行比较，当某个细胞膜电位值最先大于阈值电压后(即v(t)》u
t
)，该后神经元产生一个控制信号，抑制其它神经元的触发，即其它rram单元不更新数据。其反馈控制电路如图5所示；rram为用于训练存储权重值的单元，r1为一接地电阻，r2为反馈电阻，该训练电路用于训练rram阻值；
[0048]
3)反馈回前神经元的脉冲控制对应的rram阻值改变，从而得到一个新的权值(新的rram阻值)，从而完成一次学习过程；
[0049]
4)当相同的图形信息被输入时，该神经元仍然触发，该rram突触的阻值又会进行调整，当经过多次学习后，作为突触的rram阻值就会呈现出对应图片的特征向量的权值分布；
[0050]
步骤3，将按比例分好的测试集的绝缘子形貌图片数据输入至步骤2已经训练好的rram阵列卷积神经网络模型中进行验证，当测试的准确率(≧90％)满足要求时则可运用于实地绝缘子形貌检测，当准确率不足时将重新按比例输入更多的数据来进行学习，重复以上步骤，直至测试集的数据输出结果满足准确率要求时再运用于实地绝缘子的形貌检测；
[0051]
步骤4，将无人机2拍摄到的实时的绝缘子个形貌图片采用无线通讯技术传输给pc端，pc端内部通过步骤2训练好的rram阵列卷积神经网络模型对采集到的实时数据进行分析甄别，当采集到的图片与训练完成的rram阵列卷积神经网络模型具有相似的特征值时，相应的rram就会触发，从而立即判断出所检测的区域的绝缘子的健康状况。
[0052]
综上，本发明基于rram阵列的卷积神经网络的绝缘子故障识别方法，本发明对绝缘子的检测可以做到实时有效且精准的甄别，无需人工诊断，极大的降低了人工巡检的成本，同时采用rram作为突触阵列，一方面减少了材料的损耗，另一方面提升了计算速度，有利于数据处理的及时性，同时自动、高效、精确的绝缘子甄别技术也将促进智能电网的建设。
[0053]
本发明基于rram阵列的卷积神经网络的绝缘子故障识别方法的特点为：包括用于实现神经网络突触功能的rram阵列、权值训练电路。整体实现需包含的辅助器件包括具有图像收集以及无线传输功能的无人机。根据rram所具有的阻变特性，采用rram阵列存储不
同特征量所对应的权重值。而权值训练电路采用fpga控制反馈训练，对大量的绝缘子形貌图片进行特征值的提取以及权值训练，采用“赢者通吃”策略，通过判断无人机所采集的数据与训练集数据特征量的相关性来判断，根据数据之间的相关性大量的运用数据集实现图像识别功能，从而让数据自己发声。
[0054]
本发明主要使用rram器件的阻变特性来实现模拟突触的功能，同时结合硬件神经网络的有关理论知识，选取适合rram阻变器件进行模拟人脑的学习机制，完成对神经形态计算电路的构建。卷积神经网络要对各种形貌的绝缘子的图片进行模型训练，在对图片预处理的基础上将其分类为无故障图像和各类故障图像，并将多种图形按比例分为训练集和测试集，然后将训练集作为模型的输入数据，训练模型，模型收敛后，在测试集上对实时采集的数据进行分析甄别。总的流程为：首先采用无人机巡航的方式对区域内的绝缘子图片进行采集，然后通过无线传输的方式将无人机拍摄得到的图片实时传送回地端基站，地端基站通过神经网络来识别绝缘子实时图像并进行分类，迅速判断出故障绝缘子，并对该故障点进行定位，从而快速的发现故障绝缘子的精确位置。