基于增強(qiáng)現(xiàn)實(shí)技術(shù)的電力設(shè)備故障識(shí)別方法研究

王雨辰

（中國(guó)電能成套設(shè)備有限公司 北京市 100080）

1 基于AR技術(shù)的智能巡檢系統(tǒng)

1.1 增強(qiáng)現(xiàn)實(shí)技術(shù)

通過(guò)利用計(jì)算機(jī)和虛擬現(xiàn)實(shí)技術(shù)可以進(jìn)行虛擬空間的創(chuàng)設(shè)，用戶與計(jì)算機(jī)進(jìn)行，互動(dòng)使用的輔助工具有鍵盤(pán)、感應(yīng)手套等，用戶可以更真實(shí)的感知現(xiàn)實(shí)世界。要實(shí)現(xiàn)將文字、圖片還有聲音這些信息和現(xiàn)實(shí)世界融合，需要借助于增強(qiáng)現(xiàn)實(shí)技術(shù)，如此一來(lái)，能夠增加人們對(duì)現(xiàn)實(shí)世界的感知。相比VR 技術(shù)，AR 技術(shù)不是單純的將真實(shí)世界使用虛擬世界來(lái)代替，而是通過(guò)一些輔助工具增強(qiáng)人們對(duì)真實(shí)世界的體驗(yàn)。AR 技術(shù)將虛擬場(chǎng)景與真實(shí)場(chǎng)景融合使用的是跟蹤定位、虛實(shí)渲染與三維注冊(cè)、人機(jī)交互等技術(shù)，被廣泛的使用在各個(gè)領(lǐng)域，比如教學(xué)與培訓(xùn)、醫(yī)療等領(lǐng)域。

1.2 電力設(shè)備智能巡檢系統(tǒng)架構(gòu)

在電力設(shè)備的維修、巡檢等工作中，該巡檢系統(tǒng)所具有極其重要的輔助作用。本文還將AR 技術(shù)在巡檢系統(tǒng)當(dāng)中進(jìn)行了應(yīng)用，并利用該技術(shù)構(gòu)建了相應(yīng)的架構(gòu)，其架構(gòu)由三個(gè)層級(jí)組成，即數(shù)據(jù)庫(kù)、服務(wù)器與智能巡檢終端，其對(duì)應(yīng)的功能如下：

（1）數(shù)據(jù)庫(kù)：數(shù)據(jù)庫(kù)可以將巡檢過(guò)程當(dāng)中所得數(shù)據(jù)進(jìn)行存儲(chǔ)，這些數(shù)據(jù)包括了巡檢產(chǎn)生的記錄、使用用戶的一些基本信息等，以備服務(wù)器的需要。

（2）服務(wù)器：接受巡檢所得數(shù)據(jù)，依據(jù)相關(guān)指令來(lái)跟蹤具體數(shù)據(jù)信息，進(jìn)行相關(guān)數(shù)據(jù)信息的處理，如數(shù)據(jù)的灰度化、特征提取等，將需要的數(shù)據(jù)從數(shù)據(jù)庫(kù)中進(jìn)行調(diào)用，然后進(jìn)行分析計(jì)算，進(jìn)行虛實(shí)渲染參數(shù)的計(jì)算，最后將得出的這些數(shù)據(jù)信息運(yùn)輸?shù)街悄苎矙z終端，從而實(shí)現(xiàn)巡檢功能，如巡檢功能[1]。

（3）智能巡檢終端：一些可巡檢智能巡檢的設(shè)備能夠采集圖像信息、定位等功能，經(jīng)常見(jiàn)到的有智能頭盔、智能眼鏡與智能手環(huán)等，智能巡檢終端能夠?qū)⒉杉降男畔⑦\(yùn)輸?shù)椒?wù)器，然后渲染經(jīng)過(guò)處理的圖像信息，通過(guò)將現(xiàn)實(shí)和虛擬世界進(jìn)行融合，然后將信息傳遞給巡檢工作人員，巡檢人員通過(guò)手勢(shì)語(yǔ)言等等進(jìn)行人機(jī)互交，并幫助相關(guān)工作人員進(jìn)行信息的獲取，提升故障查找的準(zhǔn)確性。

1.3 AR智能眼鏡巡檢

（1）操作模型的創(chuàng)建。目前對(duì)現(xiàn)代設(shè)備巡檢管理工作越來(lái)越重視，為了便于管理，就要?jiǎng)?chuàng)建操作模型，其主要有判定模型和計(jì)算機(jī)識(shí)別圖形模型，如巡檢流程和設(shè)備及儀表的識(shí)別。進(jìn)行電力設(shè)備的巡檢，主要從巡檢流程以及判定模型兩個(gè)方面著手，指導(dǎo)巡檢工作人員開(kāi)展操作流程工作時(shí)要按照相關(guān)的規(guī)范進(jìn)行，這樣可以提高工作人員和設(shè)備安全。

（2）巡檢信號(hào)。該信號(hào)主要是依據(jù)巡檢流程，利用相應(yīng)管理系統(tǒng)來(lái)發(fā)出指令信號(hào)，讓巡檢工作人員進(jìn)行作業(yè)，數(shù)據(jù)服務(wù)器管理功能模塊可以將巡檢流程及判斷依據(jù)發(fā)送出去。在巡檢時(shí)，巡檢工作人員識(shí)別巡檢的設(shè)備使用的是AR 技術(shù)及智能眼鏡。使用AR 智能眼鏡識(shí)別指定對(duì)象時(shí)，還可以識(shí)別設(shè)備對(duì)應(yīng)的物理參數(shù)，判斷模型就會(huì)對(duì)識(shí)別到的物理參數(shù)進(jìn)行判定，在實(shí)際工作中確定巡檢設(shè)備的使用情況，同時(shí)對(duì)巡檢進(jìn)行處理，將得到的數(shù)據(jù)和結(jié)果運(yùn)輸?shù)紸R 智能眼鏡中進(jìn)行存儲(chǔ)。

圖1：ANN 模型結(jié)構(gòu)

圖2：電力設(shè)備故障識(shí)別方法

（3）對(duì)接收到數(shù)據(jù)進(jìn)行分析。開(kāi)展這項(xiàng)工作主要是為了將得到的數(shù)據(jù)結(jié)果進(jìn)行分析，然后進(jìn)行數(shù)據(jù)的收集，這樣就會(huì)在不同的模塊中得到巡檢人員的工作表現(xiàn)，同時(shí)得到巡檢點(diǎn)存在的問(wèn)題，最終收集到真實(shí)、可靠的數(shù)據(jù)。

2 電力設(shè)備故障識(shí)別方法

在將AR 技術(shù)融入到電力設(shè)備巡檢系統(tǒng)當(dāng)中，然后輔助具體的巡檢工作人員進(jìn)行巡檢工作，能夠有效提升工作的效率，減少人為因素導(dǎo)致的問(wèn)題，該系統(tǒng)能夠?qū)崿F(xiàn)遠(yuǎn)程指導(dǎo)、對(duì)設(shè)備信息進(jìn)行查詢以及進(jìn)行自動(dòng)化識(shí)別設(shè)備故障。通過(guò)掃描電力設(shè)備上的二維碼就能夠得知電力設(shè)備其故障維修記錄以及設(shè)備的相關(guān)屬性。利用遠(yuǎn)程指導(dǎo)功能能夠幫助巡檢和值班人員之間進(jìn)行視頻通話，并進(jìn)行全程錄像上傳，一旦發(fā)現(xiàn)故障，就會(huì)自動(dòng)發(fā)出警報(bào)信息。

在該系統(tǒng)當(dāng)中，對(duì)電力設(shè)備其存在故障進(jìn)行識(shí)別是系統(tǒng)的重要功能，該系統(tǒng)能夠?qū)Σ杉膱D像信息進(jìn)行分析處理，并且把最終的識(shí)別結(jié)果利用終端顯示設(shè)備進(jìn)行向巡檢工作人員反饋，將故障所在的部分進(jìn)行標(biāo)識(shí)，方便巡檢人員及時(shí)找到故障所在。這一功能其最主要的特點(diǎn)就是能夠快速并且準(zhǔn)確的查找出故障所在，并依據(jù)采集得到的圖像信息來(lái)進(jìn)行判斷具體的故障類型。本文當(dāng)中還在該系統(tǒng)的基礎(chǔ)上，融入了深度神經(jīng)網(wǎng)絡(luò)算法，從而更加快速的進(jìn)行故障查找，提升巡查效率。深度神經(jīng)網(wǎng)絡(luò)是由多層隱藏層進(jìn)行堆疊所形成，如圖1 所示。因?yàn)樵撍惴軌蜻M(jìn)行對(duì)大量復(fù)雜數(shù)據(jù)信息進(jìn)行處理，而且準(zhǔn)確度高，因此在實(shí)際應(yīng)用中應(yīng)用非常廣泛[2]。

利用DNN 算法以及AR 技術(shù)來(lái)進(jìn)行對(duì)電力設(shè)備其具體故障進(jìn)行識(shí)別，主要的步驟如下。先進(jìn)行圖像信息的采集，然后對(duì)圖像進(jìn)行處理，并進(jìn)行圖像相關(guān)數(shù)據(jù)信息的提取，然后把這些數(shù)據(jù)作為DNN 模型進(jìn)行輸入，并且進(jìn)行相應(yīng)計(jì)算，從而得到最終的電力設(shè)備故障識(shí)別結(jié)果。利用上述兩種技術(shù)對(duì)電力設(shè)備所存在故障的巡檢關(guān)鍵技術(shù)如下文所述。

表1：圖像樣本集結(jié)構(gòu)

表2：訓(xùn)練時(shí)間和識(shí)別時(shí)間

表3：各種故障類型的識(shí)別結(jié)果

2.1 圖像增強(qiáng)

圖像當(dāng)中包含著非常多的信息，所以通過(guò)處理圖像，就能夠獲取到大量的信息。而圖像增強(qiáng)則是能夠強(qiáng)化圖片在應(yīng)用場(chǎng)景當(dāng)中的視覺(jué)效果，從而更好的滿足特殊需求，方便利用計(jì)算機(jī)進(jìn)行數(shù)據(jù)信息的分析處理。圖像增強(qiáng)技術(shù)具有良好的圖像去噪效果[3]。

2.1.1 圖像灰度化

在進(jìn)行對(duì)圖像灰度化處理之前，首先要進(jìn)行統(tǒng)一化設(shè)置圖像個(gè)像素點(diǎn)的RGB 值，并且在灰度化處理完成之后，設(shè)置成單通道，以方便接下來(lái)工序的進(jìn)行。

本文還采用加權(quán)平均法來(lái)進(jìn)行圖像的灰度化處理，并利用人體對(duì)于顏色的不同感受，選取紅（R）、綠（G）、藍(lán)（B）三種顏色，在乘上相應(yīng)的權(quán)重，最后加權(quán)求和得到最終的像素值。

在上式中：R、G、B 分別代表紅、綠、藍(lán)三通道其像素值，Gray為處理后像素點(diǎn)灰度值。

2.1.2 圖像去噪

高斯濾波加權(quán)平均法具有良好的圖像去噪效果，所以在實(shí)際中對(duì)于該方法的應(yīng)用也是非常的廣泛。

二維高斯分布如下：

在上式中，G(x，y)表示的是坐標(biāo)(x，y)其像素點(diǎn)的高斯濾波器權(quán)重；σ 表示高斯分布標(biāo)準(zhǔn)偏差，該數(shù)值也直接影響著高斯函數(shù)其變化幅度。

對(duì)于高斯卷積核的確定需要依據(jù)模糊半徑還有高斯分布，通過(guò)將確定的高斯卷機(jī)核其中心元素在像素正上方輸入，然后和和輸入位置的權(quán)重相乘，將所得結(jié)果進(jìn)行相加，從而取到像素值。其余像素的處理也依據(jù)上述操作進(jìn)行。

2.2 特征提取

顏色特征與紋理特征是圖像典型的特征，對(duì)圖像進(jìn)行旋轉(zhuǎn)、平移變換等都不會(huì)對(duì)這些特征產(chǎn)生影響。在本文中，對(duì)于電力設(shè)備其圖像驗(yàn)收的提取是利用驗(yàn)收直方圖，對(duì)于電力設(shè)備其圖像紋理的提取則是采用灰度共生矩陣統(tǒng)計(jì)法[4]。

2.3 DNN模型訓(xùn)練

DNN 模型的訓(xùn)練步驟有兩部分，即訓(xùn)練與測(cè)試，如圖2 所示。在進(jìn)行訓(xùn)練前要先對(duì)DNN 模型進(jìn)行預(yù)訓(xùn)練，完成這項(xiàng)工作使用的方法是無(wú)監(jiān)督的前向傳播方法，調(diào)整DNN 模型參數(shù)使用的方法是有監(jiān)督的梯度下降法，在進(jìn)行測(cè)試時(shí)，將訓(xùn)練好的DNN 模式模型作為實(shí)驗(yàn)的圖像樣本，要是沒(méi)有滿足訓(xùn)練的需求，則需重新訓(xùn)練。

3 算例分析

通過(guò)以變壓器為例，對(duì)AR 技術(shù)電力設(shè)備故障識(shí)別方法其準(zhǔn)確性進(jìn)行了驗(yàn)證。本文使用IntelCorei7-8550 處理器進(jìn)行實(shí)驗(yàn)仿真，使用的CPU 主頻是1.99GHz，使用Python3.5 作為軟件平臺(tái)。在進(jìn)行仿真實(shí)驗(yàn)時(shí)，使用的樣本是發(fā)生故障的變壓器圖像，一共有4265張，選取其中的4/5張圖像作為訓(xùn)練圖像，剩下的圖像作為測(cè)試圖像，表1 對(duì)各類樣本圖像和標(biāo)簽進(jìn)行了概括。

本文將上述方法和支持向量機(jī)以及BP 神經(jīng)網(wǎng)絡(luò)這兩種算法進(jìn)行了對(duì)比分析，驗(yàn)證了該方法的有效性，把測(cè)試圖像其相關(guān)數(shù)據(jù)代入到不同的算法當(dāng)中，從而得到相應(yīng)的訓(xùn)練時(shí)間還有識(shí)別時(shí)間，詳細(xì)數(shù)據(jù)如表2 所示。對(duì)所有故障類型的識(shí)別結(jié)果如表3 所示。

從表2 當(dāng)中就可以看出，本文采用的方法其訓(xùn)練的時(shí)間和SVM 以及BP-NN 相較而言，分別要長(zhǎng)23.3%以及15.8%。在實(shí)際情況當(dāng)中，進(jìn)行模型訓(xùn)練往往會(huì)采用離線訓(xùn)練，所以，訓(xùn)練所使用的時(shí)間對(duì)于電力故障識(shí)別還有算法的實(shí)際性能不會(huì)有影響。并且，本文對(duì)相關(guān)算法所用的時(shí)間進(jìn)行了對(duì)比，結(jié)果發(fā)現(xiàn)本文所研究的算法要比BP-NN、SVM 這兩種算法的差別小，本文所研究算法的故障識(shí)別效果更佳。

從表3 可以看出，本文所研究的算法進(jìn)行設(shè)備故障識(shí)別其準(zhǔn)確率均超過(guò)了98%，而其余兩種算法的效果則略落后于DNN 算法，因此，可以得出DNN 算法其故障識(shí)別的效果更佳。

4 結(jié)束語(yǔ)

本文對(duì)AR 技術(shù)的概念進(jìn)行了介紹，分析了融合AR 技術(shù)的電力設(shè)備智能化巡檢系統(tǒng)主要組成部分所具有的各項(xiàng)功能，實(shí)現(xiàn)了將AR 技術(shù)更好的融合在電力設(shè)備只能巡檢系統(tǒng)當(dāng)中，對(duì)巡檢系統(tǒng)其智能化水平的提高有著非常大的提升作用，同時(shí)，基于AR 技術(shù)提出的電力設(shè)備故障識(shí)別方法提高了電力設(shè)備智能巡檢工作的效率，將這種識(shí)別方法進(jìn)行了仿真測(cè)試，結(jié)果表明其識(shí)別各類故障的準(zhǔn)確率高達(dá)98%。

隨著AR 技術(shù)的不斷完善，電力工作也越來(lái)越智能化，對(duì)傳統(tǒng)人機(jī)對(duì)話模式有著非常大的改變，促進(jìn)著只能巡檢設(shè)備向著更加智能化的方向發(fā)展。在智能電力設(shè)備技術(shù)中應(yīng)用AR 技術(shù)可以將電力設(shè)備巡檢工作的效率進(jìn)行有效的提高。