紅外熱成像與智能算法對(duì)電力設(shè)備進(jìn)行故障檢測(cè)
電力系統(tǒng)中的變電站與輸電線路是聯(lián)系發(fā)電廠與用戶的重要樞紐其安全穩(wěn)定運(yùn)行至關(guān)重要，一旦電力設(shè)備發(fā)生故障，電力系統(tǒng)的安全性以及供電的穩(wěn)定性將受到極大影響。電力設(shè)備長期受氣候因素等外部環(huán)境影響極易發(fā)生故障，因此需要對(duì)電力設(shè)備進(jìn)行定期巡檢維護(hù)來保證供電系統(tǒng)正常運(yùn)行。據(jù)相關(guān)資料統(tǒng)計(jì),高達(dá)90%的電力系統(tǒng)事故是由電力設(shè)備故障引起的，其超過50%的故障設(shè)備會(huì)在早期階段出現(xiàn)異常的發(fā)熱癥狀。紅外測(cè)溫的原理是探測(cè)器探測(cè)并接收被測(cè)目標(biāo)發(fā)射出的紅外輻射能量，將接收到的紅外輻射能量轉(zhuǎn)換成與之相對(duì)應(yīng)的電信號(hào)，再經(jīng)過專門的電信號(hào)處理系統(tǒng)獲得物體表面的溫度分布狀態(tài)。電力設(shè)備的熱故障由電力設(shè)備類別、發(fā)熱部位以及發(fā)熱程度等因素決定，其溫度分布形式也不同。因此，紅外熱成像技術(shù)十分適用于電力設(shè)備的熱故障檢測(cè)。分析電力設(shè)備表面的溫度分布信息，能夠?qū)Πl(fā)現(xiàn)電力設(shè)備中潛在的隱患和故障，并對(duì)故障的嚴(yán)重程度做出定量的判斷。
目前，電力系統(tǒng)中最主要的巡檢形式是人工巡檢，人工現(xiàn)場診斷或者采集信息供后續(xù)分析。人工巡檢工作量大，管理成本高，需要對(duì)技術(shù)人員進(jìn)行技能培訓(xùn)，信息采集與故障分析都需要人工來完成。而國內(nèi)電力系統(tǒng)分布廣泛且部分地區(qū)所處環(huán)境惡劣，增加了巡檢成本與難度，人工巡檢變得異常復(fù)雜。如果巡檢不及時(shí)，一旦電力設(shè)備出現(xiàn)故障，將會(huì)造成嚴(yán)重事故。如今，卷積神經(jīng)網(wǎng)絡(luò)與傳感器于信息技術(shù)的融合得到廣泛的研究，并應(yīng)用于電力系統(tǒng)巡檢，在一定程度上減少了巡檢成本和難度，為及時(shí)發(fā)現(xiàn)安全隱患并且排除故障和處理突發(fā)狀況奠定了基礎(chǔ)。
一般物體表面發(fā)射出來的紅外輻射強(qiáng)度在空氣傳播中會(huì)衰減。因此，被測(cè)目標(biāo)的紅外測(cè)溫結(jié)果往往低于被測(cè)目標(biāo)的實(shí)際溫度，距離越遠(yuǎn)，實(shí)際差值越大。所以需要修正被測(cè)目標(biāo)的紅外測(cè)溫結(jié)果。BP神經(jīng)網(wǎng)絡(luò)算法廣泛應(yīng)用在各種場景，而在探究紅外測(cè)溫的影響參數(shù)時(shí)，BP神經(jīng)網(wǎng)絡(luò)算法相比線性插值法和多元線性回歸法、非線性映射能力強(qiáng)適應(yīng)性強(qiáng)，精確度高。溫度修正模塊將采用BP神經(jīng)網(wǎng)絡(luò)來對(duì)紅外測(cè)溫結(jié)果進(jìn)行溫度修正。
該項(xiàng)研究為山東電力設(shè)計(jì)了電力設(shè)備熱故障檢測(cè)方法，將紅外熱成像技術(shù)與深度學(xué)習(xí)相結(jié)合，把視頻流的讀取、深度學(xué)習(xí)的電力設(shè)備檢測(cè)、BP神經(jīng)網(wǎng)絡(luò)的溫度修正以及數(shù)據(jù)的可視化融合?；谇度胧缴疃葘W(xué)習(xí)的電力設(shè)備熱故障檢測(cè)架構(gòu)主要有3個(gè)層次。
底層為數(shù)據(jù)的讀取，紅外熱像儀通過以太網(wǎng)輸出MPEG-4格式的視頻流，并將紅外熱像儀視頻流解碼成幀并傳送到下一層。
中間層是數(shù)據(jù)處理層，主要從上一層獲取的紅外熱像儀視頻流進(jìn)行熱故障診斷。為數(shù)據(jù)處理層中電力設(shè)備檢測(cè)算法的識(shí)別搭建了相對(duì)應(yīng)的深度學(xué)習(xí)框架，部署的相關(guān)網(wǎng)絡(luò)模型是已經(jīng)訓(xùn)練完成的模型。這一層只進(jìn)行檢測(cè)任務(wù)，不進(jìn)行網(wǎng)絡(luò)模型的訓(xùn)練任務(wù)。這一層主要負(fù)責(zé)實(shí)時(shí)電力設(shè)備檢測(cè)、設(shè)備定位；部署B(yǎng)P神經(jīng)網(wǎng)絡(luò)對(duì)紅外測(cè)溫結(jié)果進(jìn)行溫度修正。修正后的溫度將通過先驗(yàn)知識(shí)庫來判斷該設(shè)備是否出現(xiàn)異常發(fā)熱癥狀.
頂層是數(shù)據(jù)服務(wù)層，將中間層數(shù)據(jù)處理的結(jié)果進(jìn)行可視化顯示，最終的檢測(cè)結(jié)果能夠以一種更為直觀的表現(xiàn)方式呈現(xiàn)出。
基于嵌入式深度學(xué)習(xí)的電力設(shè)備熱故障診斷方法主要分為3項(xiàng)任務(wù)：電力設(shè)備的檢測(cè)與定位，目標(biāo)設(shè)備的溫度提取，目標(biāo)設(shè)備熱故障診斷。電力設(shè)備熱故障檢測(cè)的檢測(cè)流程為：
(1)從紅外熱像儀讀取紅外熱成像視頻流，將其解碼成幀。
(2)電力設(shè)備檢測(cè)算法檢測(cè)每幀圖像中是否含有電力設(shè)備，并將其定位。
(3)根據(jù)上一個(gè)步驟所得到的定位信息，從紅外熱像儀中獲取紅外測(cè)溫與激光測(cè)距數(shù)據(jù)。
(4)根據(jù)紅外測(cè)溫與激光測(cè)距數(shù)據(jù)，通過溫度修正模塊得到修正后的溫度。
(5)最后利用先驗(yàn)知識(shí)庫，對(duì)修正后的溫度進(jìn)行熱故障診斷，得到熱故障檢測(cè)結(jié)果。
參考文獻(xiàn)
王彥博，等. 基于嵌入式深度學(xué)習(xí)的電力設(shè)備紅外熱成像故障識(shí)別. 計(jì)算機(jī)系統(tǒng)應(yīng)用, 2020, 29(6):97–103.
標(biāo)簽：手持式紅外熱像儀
