電氣設(shè)備故障紅外診斷現(xiàn)狀及發(fā)展趨勢
發(fā)布日期：2016-03-04 來源：《上海設(shè)備管理》
點擊數(shù)：28401
紅外熱成像法（IRT）是通過熱成像儀采集和分析熱量信息的技術(shù)。 其中熱成像儀可用來檢測紅外輻射能量（即熱源）并將其轉(zhuǎn)換成電信號，然后在視頻監(jiān)視器上生成熱分布圖像。該技術(shù)具有安全、可靠、非接觸，以及不易受電磁干擾和覆蓋大面積區(qū)域進(jìn)行檢查等優(yōu)點。
目前，紅外熱圖像的自動監(jiān)測技術(shù)廣泛應(yīng)用于醫(yī)學(xué)成像、無損檢測、結(jié)構(gòu)缺陷檢測等領(lǐng)域。在電力行業(yè)應(yīng)用中，IRT在預(yù)測和預(yù)防性維護(hù)措施中占據(jù)非常重要的地位。這項技術(shù)不僅能夠?qū)⒃\斷對象即時可視化并驗證熱剖面，同時快速定位熱點，以確定問題的嚴(yán)重程度，而且有助于建立設(shè)備故障周期數(shù)據(jù)庫，方便設(shè)備進(jìn)行預(yù)檢修。更重要的是，IRT可以在電力系統(tǒng)維持運行的情況下進(jìn)行相關(guān)診斷。
盡管電氣設(shè)備的紅外診斷技術(shù)非常直觀方便，但其依然存在很多問題。在現(xiàn)場對電力設(shè)備進(jìn)行檢測時，同一個發(fā)熱設(shè)備溫度場將受到檢測條件的影響而變化，從而導(dǎo)致測量結(jié)果的差異。影響檢測結(jié)果的因素有很多，如設(shè)備發(fā)射率、大氣衰減、太陽光輻射、風(fēng)力和鄰近設(shè)備熱輻射等，這些因素通常會影響分析的結(jié)果，尤其是在室外（如監(jiān)測室外變電站）時情況會更顯著。如果忽略這些因素，將導(dǎo)致測量結(jié)果不準(zhǔn)確，進(jìn)而造成錯誤診斷。
因此，良好的紅外診斷系統(tǒng)必須解決IRT儀器監(jiān)測技術(shù)數(shù)據(jù)處理等相關(guān)問題。本文著重描述了紅外監(jiān)測電氣設(shè)備故障的分類，故障自動診斷系統(tǒng)的研究熱點難點及發(fā)展趨勢。
一、電氣設(shè)備熱故障的種類
盡管電氣設(shè)備發(fā)生故障的機(jī)理涉及力、熱、電、磁等方面，但絕大多數(shù)故障的表象均為溫度的異常，因此IRT技術(shù)監(jiān)測設(shè)備的熱分布圖像，可以直觀地反映出設(shè)備的運行狀態(tài)。電力設(shè)備熱故障一般可分為外部故障和內(nèi)部故障兩種。
1、外部故障
外部故障的紅外熱像診斷只需根據(jù)熱像圖找出過熱部位，并測出最高溫度進(jìn)行分析評定即可。此類故障主要分布在導(dǎo)線、隔離開關(guān)、斷路器、線夾、接頭、互感器、電容器等部位。
2、內(nèi)部故障
由于紅外線的穿透能力較弱，紅外輻射基本無法穿透絕緣材料和設(shè)備外殼，因此電氣設(shè)備的內(nèi)部故障無法直接用紅外熱像儀進(jìn)行檢測。但內(nèi)部熱缺陷的發(fā)熱時間一般較長且比較穩(wěn)定，故障點的熱量可以通過熱傳導(dǎo)和對流置換的方式，向故障點對應(yīng)的設(shè)備表面?zhèn)鳠�，并引起表面的溫度升高。因此，通過對設(shè)備的紅外檢測、熱像圖的綜合分析可以發(fā)現(xiàn)其內(nèi)部是否存在發(fā)熱缺陷。
電氣設(shè)備內(nèi)部絕緣不良在電氣試驗中通常表現(xiàn)為介質(zhì)損耗增大，這類故障常出現(xiàn)在電壓互感器、電流互感器、耦合電容器、高壓套管、充油套管、零值絕緣子、低值絕緣子、變壓器內(nèi)部構(gòu)件等設(shè)備中。
二、熱故障診斷系統(tǒng)
目前，大多數(shù)IRT相機(jī)內(nèi)嵌相關(guān)分析軟件，其中也有獨立的商業(yè)軟件，盡管其功能較多且易于使用，但人為評估故障依然非常耗時。此外，電力系統(tǒng)通常含有大量的、種類多樣的設(shè)備，這使得故障診斷變得更加復(fù)雜。因此，使用自動診斷系統(tǒng)將能夠提供更快、更準(zhǔn)確的決策。
電氣設(shè)備紅外熱圖像的自動化診斷系統(tǒng)主要包括3個步驟：首先尋找圖像中相關(guān)度高的感興趣區(qū)域（ROI）；然后對其進(jìn)行分割，并提取圖像的有效特征；最后運用人工智能技術(shù)對圖像進(jìn)行綜合分析，以確定圖像中是否存在熱故障，并給出最終結(jié)論。
1、紅外熱圖像分割方法
尋找ROI 和提取圖像特征信息所使用的圖像分割方法主要有：閾值分割技術(shù)，區(qū)域分割技術(shù)，邊緣檢測技術(shù)等。其中，閾值分割技術(shù)運用最為廣泛，也是最便捷的常見方法之一。
（1）簡單閾值分割技術(shù)
通過設(shè)置一定的閾值對圖像進(jìn)行過濾后，可以檢測到電氣設(shè)備中存在的熱異常。如果原始圖像為I（x，y）， 閾值圖像G（x，y）則被定義為：
簡單閾值方法僅適用于ROI與背景的灰度集合差別較大時，該方法的問題在于圖像易傾向于過度分割，這是由紅外圖像的性質(zhì)與視覺圖像的差異引起的。熱圖像的形成，純粹是基于對象的熱分布。由于過熱區(qū)域分布較為集中及熱點區(qū)域?qū)Ρ榷瓤赡茌^低，給圖像分割帶來了一定的困難。特別是當(dāng)圖像包含非常復(fù)雜的背景和低信號噪聲比（SNR）時，提取熱點區(qū)域內(nèi)的紅外圖像尤為困難。圖像質(zhì)量差的另外一個原因是紅外圖像相對模糊，這都將導(dǎo)致圖像分割的效果欠佳。
（2）其他閾值分割技術(shù)
為了提高圖像分割的質(zhì)量，復(fù)雜閾值技術(shù)被廣泛研究。 FAN Songhai提出了基于二維雷尼熵（renyi）的圖像閾值轉(zhuǎn)換算法，該算法比大津法（一種自適應(yīng)的閾值確定的方法，也稱最大類間方差法）更加有效，在同樣的耗時條件下，其處理效果更好、更準(zhǔn)確。
另外，還有一種更加直觀的閾值方法，即分水嶺法（Watershed），這種算法將圖像抽象成一種地形表面，其中圖像的灰度代表其高度，模擬了洪水經(jīng)過這一表面時的情形。從最小值點開始初始化，水位等級（灰度）會增加，直到整個圖像完全淹沒。對來自不同獨立水域的水位高度最小值進(jìn)行有區(qū)別的標(biāo)記，隨著水位上漲，兩個或多個標(biāo)記的區(qū)域的等級會增加，因此需要構(gòu)建一個分水嶺以保持彼此水域不接觸。最后，這些分水嶺就是各水域之間的界限。
分水嶺算法對微弱邊緣具有良好的響應(yīng)，能夠有效、快速、準(zhǔn)確地分割圖像，但缺點是在大多數(shù)情況下會產(chǎn)生過度分割現(xiàn)象。
為了消除分水嶺算法產(chǎn)生的過度分割現(xiàn)象，頓德光等人提出了一種區(qū)域合并技術(shù)來避免過度分割。 首先利用腐蝕、重構(gòu)等形態(tài)學(xué)算法進(jìn)行增強(qiáng)處理，以突出感興趣區(qū)域，然后用Sobel 算子計算獲得梯度圖像并設(shè)置閾值，最后合并小于一定面積的區(qū)域后進(jìn)行分水嶺分割。該方法與傳統(tǒng)的分水嶺分割法相比，能有效解決圖像過度分割的問題。
2、故障智能診斷方法
國內(nèi)外關(guān)于智能故障診斷的方法有很多，如神經(jīng)網(wǎng)絡(luò)方法、模糊集理論方法、綜合人工智能技術(shù)等。由于神經(jīng)網(wǎng)絡(luò)具有并行處理、學(xué)習(xí)和記憶、非線性映射和自適應(yīng)能力等特點，在電氣故障診斷方面效果顯著。神經(jīng)網(wǎng)絡(luò)主要包含自組織神經(jīng)網(wǎng)絡(luò)、前饋型神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等網(wǎng)絡(luò)模型。
（1）前饋型神經(jīng)網(wǎng)絡(luò)
前饋型（feedforward）神經(jīng)網(wǎng)絡(luò)，又稱前向網(wǎng)絡(luò)。其神經(jīng)元分層排列，有輸入層、隱含層和輸出層，每一層的神經(jīng)元只接受前一層神經(jīng)元的輸出。隱含層亦稱中間層，可由若干層組成。普通的前饋型神經(jīng)網(wǎng)絡(luò)是前饋單層的，即隱含層與輸出層一一對應(yīng)，無法滿足復(fù)雜的環(huán)境需求。因此，前饋多層神經(jīng)網(wǎng)絡(luò)（如BP神經(jīng)網(wǎng)絡(luò)）在電力設(shè)備智能診斷中的應(yīng)用相對廣泛。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。
在Matlab運行環(huán)境下，SHAF’I M A根據(jù)大量的實驗數(shù)據(jù)，對BP網(wǎng)絡(luò)算法進(jìn)行了改進(jìn)和完善，用于獲取相關(guān)圖像數(shù)據(jù)分析電氣設(shè)備內(nèi)部的熱故障。熱故障分類如表1所示。
圖像處理中的RGB分量以及大量的熱故障溫度數(shù)據(jù)被作為神經(jīng)網(wǎng)絡(luò)算法的輸入變量，并運用K階交叉驗證函數(shù)，在訓(xùn)練階段不斷地進(jìn)行循環(huán)測試，優(yōu)化實驗結(jié)果，以達(dá)到最佳診斷效果。
BP算法的特點是少數(shù)信息的偏差對輸出數(shù)據(jù)的影響較小，有較好的容錯性，應(yīng)用于紅外熱圖像處理效果顯著；泛化能力強(qiáng)，能夠較好地發(fā)現(xiàn)紅外熱像分布與熱故障之間的關(guān)系，但是也具有一定的局限性。如學(xué)習(xí)偶發(fā)事件能力差，對訓(xùn)練樣本內(nèi)沒有的故障類型無法分類；待尋優(yōu)的參數(shù)較多，導(dǎo)致收斂速度較慢等。
（2）自組織神經(jīng)網(wǎng)絡(luò)
自組織映射（Self Organizing Map，SOM）神經(jīng)網(wǎng)絡(luò)，也稱Kohonen神經(jīng)網(wǎng)絡(luò)，這種網(wǎng)絡(luò)模型可以將任意多維數(shù)的輸入信號轉(zhuǎn)變成為有序組織的二維平面神經(jīng)網(wǎng)絡(luò)模型，如圖2所示。
SOM神經(jīng)網(wǎng)絡(luò)采用競爭學(xué)習(xí)和自穩(wěn)機(jī)制原理，實現(xiàn)穩(wěn)定的無監(jiān)督分類，可以進(jìn)行實時學(xué)習(xí)，并對已學(xué)過的模式自動響應(yīng)和自動識別，分類能力較強(qiáng)，能夠克服大多數(shù)前饋型神經(jīng)網(wǎng)絡(luò)容易陷入局部極小點的缺陷，以得到全局最優(yōu)點。
ACHMAD Widodo等人運用此算法，對電氣設(shè)備故障進(jìn)行了準(zhǔn)確的分類和診斷，首先將電機(jī)軸承的各種故障典型紅外熱像圖進(jìn)行分類，然后提取圖像特征（包含ROI的周長、面積及中心參數(shù)），通過對比發(fā)現(xiàn)，以ROI周長為輸入信號的測試結(jié)果最為理想。
SOM神經(jīng)網(wǎng)絡(luò)的優(yōu)點是對輸入信息進(jìn)行了數(shù)據(jù)壓縮，其輸出結(jié)果表示清晰且映射規(guī)律易于觀察，相似的故障實現(xiàn)了聚類分布的特點。但是它存在模式漂移的不足，影響了其故障分類的正確性。其中顧民等人對自組織網(wǎng)絡(luò)算法進(jìn)行了研究，改善了模式漂移的缺點，從而極大地提高了故障分類的正確性。該方法在診斷變壓器內(nèi)部故障時能夠隨新的樣本調(diào)整故障特征曲線，同時具有較高的準(zhǔn)確性。
此外，汪梅等人在診斷電纜故障的實驗中發(fā)現(xiàn)，自組織網(wǎng)絡(luò)波動較小，能夠克服BP神經(jīng)網(wǎng)絡(luò)在惡劣邊界樣本點的擾動和網(wǎng)絡(luò)參數(shù)的變化較大的問題，保證整體的穩(wěn)定性。因此，自組織與BP網(wǎng)絡(luò)相比，在多方面具有相當(dāng)大的優(yōu)勢。
三、結(jié) 語
紅外熱成像技術(shù)具有眾多優(yōu)勢，是電氣設(shè)備故障監(jiān)測的重要工具。診斷的智能化是電力學(xué)科研究的持續(xù)熱點，其中如何精準(zhǔn)地診斷故障類型是十分復(fù)雜困難的，但應(yīng)用不斷改善的圖像分割技術(shù)及人工神經(jīng)網(wǎng)絡(luò)模型，將使診斷的效率及準(zhǔn)確度獲得重大提升。本文介紹了多種閾值分割技術(shù)及神經(jīng)網(wǎng)絡(luò)模型，分析了其優(yōu)缺點，為智能系統(tǒng)的進(jìn)一步發(fā)展提供了思路和方法。
作者：崔昊楊 許永鵬 曾俊冬 唐 忠 單位：上海電力學(xué)院 電子與信息工程學(xué)院
