基于深度學習的電氣設備巡檢紅外熱成像自動識別方法研究

國網陜西省電力公司延安供電公司 屈 翠 張海洋 王冬冬 魏成保 翟智勇

隨著人工智能的不斷發(fā)展，國內對于深度學習的研究取得了十足的成效，使用深度學習的相關知識來代替工業(yè)中的傳統(tǒng)方法也在很多領域內得到了應用。因此將深度學習的方法應用在對電力設備自動監(jiān)測識別的系統(tǒng)中也被很多電力學者所提出，在電力設備的監(jiān)測方法中加入深度學習和計算機視覺的方法，使得不再需要人工去對監(jiān)測的信息進行判別，而是系統(tǒng)可以直接判斷電力設備的運行狀態(tài)，減少了人工的浪費以及人為的監(jiān)測事故。

新一代運維系統(tǒng)平臺采用可穿戴技術、紅外光譜傳感技術、人工智能深度學習分析技術、增強現實技術，以智能可穿戴裝置為載體,將電力設備、可穿戴裝置、運維人員、遠程指揮、信息增強有機連接起來，實現識別、感知、協助、分析、控制、管理，從而形成具有標識、感知和處理地更加智能的電力設備運行維護檢修管理體系，為保證電力設備的安全穩(wěn)定運行提供了技術支撐和智能裝備[1]。采用多光譜圖像深度學習方法為運維人員賦能成為技術維修專家，使電力設備的運行巡視、設備識別、故障診斷、遠程協助指揮等業(yè)務實現靈活、高效、可靠的智能化應用，確保電力設備及電力系統(tǒng)的安全穩(wěn)定運行。

1 紅外熱成像技術

基本原理。使用光電設備來檢測和測量輻射并在輻射與表面溫度之間建立相互聯系的科學。工作原理是使用光電設備來檢測和測量輻射，并在輻射與表面溫度間建立相互聯系[2]。紅外熱成像技術利用紅外探測器和光學成像物鏡接受被測目標的紅外輻射能量分布圖形并反映到紅外探測器的光敏元件上，從而獲得紅外熱像圖，這種熱像圖與物體表面的熱分布場相對應。熱圖像上面的不同顏色代表被測設備的不同溫度。通過查看熱圖像，可觀察到被測設備的整體溫度分布發(fā)熱情況，從而進行下一步工作的判斷。

紅外熱成像技術檢測方法。就是利用紅外探測器檢測電氣設備表面的溫度熱圖信息進行全面掃描采集，發(fā)現異常后，再針對性地近距離對異常部位和重點被測設備進行更準確檢測。最后將探測的輻射轉換成電信號、處理成溫度分布熱圖像，即熱成像溫度圖可視化呈現出來，這種熱像圖與電氣設備表面的熱分布場相對應，熱圖像上面的不同顏色代表被測電氣設備的不同溫度，用于運行中對電氣設備熱成像熱溫采集、圖像檢測和過熱報警。

熱成像溫度圖像分析方法。探測熱輻射轉換成電信號被處理成可見紅外熱圖像，電氣設備溫度分布是通過用不同的顏色來呈現在圖像上的，從而更直觀地從熱圖中分析所檢測目標物體的溫度范圍。一幅熱成像溫度圖可根據需要調整其輻射率、亮度、對比度并可分析出熱圖中每個點的溫度，各線、面的最高溫度、平均溫度等，根據不同的溫度判斷被測物體的故障缺陷，以便采取不同的措施快速定位故障。靈敏度高，可以分辨達0.1℃。點測溫：根據設備熱成像圖信息，在圖像上進行溫度標注點；線測溫：根據設備熱成像圖選擇線段，計算線段上點的最高溫和最低溫，并顯示此線段上的溫度折線圖和溫度直方圖。

基于人工智能的多光譜圖像綜合診斷。運行正常的高壓電氣設備一般不會形成放電，但設備出現缺陷故障后其局部場強會發(fā)生畸變，當這種缺陷發(fā)展到一定的程度可形成局部放電，在反激勵和復合的過程中伴隨有紫外光信號的輻射。以深度學習為代表的人工智能旨在通過監(jiān)督訓練，完成從紅外熱成像和紫外成像數據中提取基于卷積神經網絡優(yōu)化后的關注信息的系統(tǒng)特征，其核心思想是通過數據驅動的方式，采用一系列的非線性變換和優(yōu)化算法，提取由低層到高層、由具體到抽象、由一般到特定語義的特征。本項目基于獲得電力設備紅外熱成像圖像的數據庫，進行基于人工智能算法的深度診斷系統(tǒng)開發(fā)軟件，對設備典型缺陷放電的紫外圖像進行診斷，實現缺陷性質判斷和故障嚴重程度的智能評估。

2 基于深度學習的電氣設備巡檢紅外熱成像自動識別方法

近年來，隨著物聯網IOT、增強現實AR、人工智能AI等新一代信息技術的迅速發(fā)展，本項目就是融合了紅外熱成像技術、可穿戴技術、增強現實AR技術、光譜圖像深度分析技術在對電力設備運行維護管理中的研究開發(fā)與實際應用。

2.1 融合紅外熱成像技術、可見光圖像、可穿戴技術設備運維感知與遠程協助系統(tǒng)開發(fā)

根據硬件系統(tǒng)特性進行銜接整合與集成，對各功能模塊及接口進行研發(fā)，對不同的硬件模塊進行特定的開發(fā)和整合。形成一個集合多種功能的開發(fā)平臺。電氣設備現場巡檢：快速檢測、超溫報警?？焖儆行珔^(qū)域巡查，超過溫度限值自動報警，顯示焦點溫度和區(qū)域溫度，隨手指滑動顯示溫度數據；在線分析、熱圖上傳。熱成像圖拍照留存，歷史熱像圖溫度分析，上傳數據到云服務器，給車間預防預判。

軟件控制系統(tǒng)采用了分層和模塊化設計思想，采用分層結構編寫開發(fā)應用層軟件，實現定位、通信、圖像存儲、傳輸以及環(huán)境參數的測量等功能；圖像處理軟件開發(fā)。圖像預處理、偵測分析、智能分析。開發(fā)圖像處理軟件程序，實現對圖像的濾波、增強和校正，開發(fā)軟件實現可見光圖像、紅外圖像的精準融合。對電氣設備缺陷進行檢測，如變壓器、斷路器、刀閘、絕緣子串、低壓電器，以及具有電流、電壓致熱效應或其他致熱效應的二次回路設備的過熱、接觸不良、過載、負載不平衡等，其影響為產生短路、燒毀、起火電弧。這對及時發(fā)現、處理、預防重大事故的發(fā)生可起到非常關鍵而有效的作用。

圖1 紅外成像與可見光譜圖

2.2 基于深度學習的設備狀態(tài)評估和診斷研究

電氣設備數據存儲及快速特征計算方法研究。對電氣設備相關多種信息源獲取信號進行深入分析并研究快速特征提取方法，利用MaxCompute解決海量數據的存儲模式和快速計算問題，采用MaxCompute作為基礎的存儲和計算引擎，綜合應用MaxCompute生態(tài)圈中的DataWorks和PAI，設計各信號源在電氣設備運行過程中的特征計算和特征選擇；建立科學的電氣設備多種信息源特征分析狀態(tài)的評價指標體系；累積典型電氣設備正常和異常狀態(tài)下運行過程測試的試驗樣本，形成集電氣設備運行狀況基礎數據和故障數據特征于一體的運行狀態(tài)評價數據庫。

電氣設備多種信息源的LSTM故障診斷方法研究。研究基于計算機視覺技術的電氣設備狀態(tài)評價方法，構建LSTM（長短期記憶網絡）深度辨識模型，利用dropout方法改進小樣本的對抗過擬合問題，開發(fā)設備特征識別的狀態(tài)分析軟件。通過典型實際測試，驗證測試方法和軟件的有效性。實施過程如下：檢測超溫報警。服務器自動檢測電氣設備熱圖數據，判斷超溫過熱紅色報警；電氣趨勢分析。一段時期內對電氣設備溫度趨勢分析；故障分析報告。對超溫過熱電氣設備區(qū)域點分析，形成報告呈現。

設備故障診斷方法研究。根據指定診斷方法進行故障診斷并將結果進行顯示，對檢測結果進行提交報告（圖2）。固定閾值法：分析指標是故障的最低溫度和故障區(qū)域占總區(qū)域的最低比例。診斷結果將輸出診斷故障等級和診斷后的圖像；相對溫差法：分析指標為最低比例。診斷結果將輸出故障溫度、正常溫度、故障等級一級診斷后的圖像；表面溫度法：分析指標為最低比例。圖像溫升以及最高溫將會顯示在表面溫度法區(qū)域，診斷結果將輸出故障等級；圖像特征法：分析指標包括K值以及判斷特征相似度的最小閾值，輸出結果為故障等級。

圖2 設備故障診斷方法圖

綜上，基于深度學習的電氣設備巡檢紅外熱成像自動識別方法，為電力設備的運行維護提供安全可控的設備感知、在線檢測、故障識別、巡檢定位、報警聯動、調度指揮、安全防范、分析決策等管理，形成具有標識、感知和處理的更加智能化設備運維體系，為提高電網效率、供電可靠性提供了技術支撐，確保電網電力設備的安全穩(wěn)定運行。