变压器用丁腈橡胶密封圈失效分析

对某电站变压器的排油注氮灭火阀体丁腈橡胶密封圈失效进行分析。结果表明,本研究开裂橡胶密封圈胶料添加了大量异形填料,且分散不均匀,填料与橡胶基体界面存在较大缝隙,甚至有明显相分离现象,导致橡胶密封圈受力后发生开裂。针对橡胶密封圈的失效问题提出相应解决措施,包括根据具体设备以及服役环境进行橡胶密封圈的合理选材并严格控制生产质量、在设备安装阶段保证橡胶密封圈的质量、严格按照要求进行橡胶密封圈的安装和更换等。     

基于支持向量机的电网安全抽检数据分析方法

电网安全数据子集中缺少处理目标函数的松弛变量，导致抽检数据处理线程吞吐量过高，为此，提出支持向量机的电网安全抽检数据分析方法。根据支持向量机提取电网安全抽检数据特征，计算特征子集上的信息维度；利用该信息维度设计支持向量机数据分析函数，采用敏感函数训练损失的电网安全数据子集，处理目标函数松弛变量，构建电网安全抽检数据分析模型，完成电网安全抽检数据分析。实验结果表明，该方法的抽检数据处理线程吞吐量最高为6000条/s,说明电网安全抽检数据分析效果较好。     

基于双特征融合的改进 R-CNN 电力小金具缺陷检测方法研究

电力金具作为输电线路中的不可缺少的关键部件,对电力稳定传输提供了保障,一旦电力金具出现缺陷,就会带来巨大的隐患,造成输电设施的损坏甚至大面积停电事故,影响人们的生产和生活。传统的输电线路检修主要依靠人工现场进行巡检,不仅危险程度高,辨识难度也比较大。人工智能识别技术的不断进步,为电力金具的缺陷识别提供了更好的方法。目前Faster-RCNN算法的目标识别准确率高,但对于螺钉等小金具目标物体的识别率相对较低。本文首先通过双特征融合算子提取特征并进行标记后,输入引进混合注意力机制改进的Faster R-CNN模型中,进行特征再提取,融合重合度较高的特征,并进行缺陷的分类和识别,能够对电力小金具中的螺钉进行高效的辨识。实验结果表明,本文双特征融合的改进Faster R-CNN模型相较于传统的Faster R-CNN模型和YOLO模型的提升效果明显,模型的平均准确率提升了5%,平均精度提升了11%,在保障算法实时性的同时对螺钉等电力小金具具有较好的检测效果。