電氣設備故障紅外診斷現狀及發(fā)展趨勢
發(fā)布日期：2016-03-04 來源：《上海設備管理》
點擊數：28910
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。 其中熱成像儀可用來檢測紅外輻射能量（即熱源）并將其轉換成電信號，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)域進行檢查等優(yōu)點。
目前，紅外熱圖像的自動監(jiān)測技術廣泛應用于醫(yī)學成像、無損檢測、結構缺陷檢測等領域。在電力行業(yè)應用中，IRT在預測和預防性維護措施中占據非常重要的地位。這項技術不僅能夠將診斷對象即時可視化并驗證熱剖面，同時快速定位熱點，以確定問題的嚴重程度，而且有助于建立設備故障周期數據庫，方便設備進行預檢修。更重要的是，IRT可以在電力系統(tǒng)維持運行的情況下進行相關診斷。
盡管電氣設備的紅外診斷技術非常直觀方便，但其依然存在很多問題。在現場對電力設備進行檢測時，同一個發(fā)熱設備溫度場將受到檢測條件的影響而變化，從而導致測量結果的差異。影響檢測結果的因素有很多，如設備發(fā)射率、大氣衰減、太陽光輻射、風力和鄰近設備熱輻射等，這些因素通常會影響分析的結果，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，將導致測量結果不準確，進而造成錯誤診斷。
因此，良好的紅外診斷系統(tǒng)必須解決IRT儀器監(jiān)測技術數據處理等相關問題。本文著重描述了紅外監(jiān)測電氣設備故障的分類，故障自動診斷系統(tǒng)的研究熱點難點及發(fā)展趨勢。
一、電氣設備熱故障的種類
盡管電氣設備發(fā)生故障的機理涉及力、熱、電、磁等方面，但絕大多數故障的表象均為溫度的異常，因此IRT技術監(jiān)測設備的熱分布圖像，可以直觀地反映出設備的運行狀態(tài)。電力設備熱故障一般可分為外部故障和內部故障兩種。
1、外部故障
外部故障的紅外熱像診斷只需根據熱像圖找出過熱部位，并測出最高溫度進行分析評定即可。此類故障主要分布在導線、隔離開關、斷路器、線夾、接頭、互感器、電容器等部位。
2、內部故障
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備外殼，因此電氣設備的內部故障無法直接用紅外熱像儀進行檢測。但內部熱缺陷的發(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和對流置換的方式，向故障點對應的設備表面?zhèn)鳠�，并引起表面的溫度升高。因此，通過對設備的紅外檢測、熱像圖的綜合分析可以發(fā)現其內部是否存在發(fā)熱缺陷。
電氣設備內部絕緣不良在電氣試驗中通常表現為介質損耗增大，這類故障常出現在電壓互感器、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、變壓器內部構件等設備中。
二、熱故障診斷系統(tǒng)
目前，大多數IRT相機內嵌相關分析軟件，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、種類多樣的設備，這使得故障診斷變得更加復雜。因此，使用自動診斷系統(tǒng)將能夠提供更快、更準確的決策。
電氣設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度高的感興趣區(qū)域（ROI）；然后對其進行分割，并提取圖像的有效特征；最后運用人工智能技術對圖像進行綜合分析，以確定圖像中是否存在熱故障，并給出最終結論。
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，區(qū)域分割技術，邊緣檢測技術等。其中，閾值分割技術運用最為廣泛，也是最便捷的常見方法之一。
（1）簡單閾值分割技術
通過設置一定的閾值對圖像進行過濾后，可以檢測到電氣設備中存在的熱異常。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)域對比度可能較低，給圖像分割帶來了一定的困難。特別是當圖像包含非常復雜的背景和低信號噪聲比（SNR）時，提取熱點區(qū)域內的紅外圖像尤為困難。圖像質量差的另外一個原因是紅外圖像相對模糊，這都將導致圖像分割的效果欠佳。
（2）其他閾值分割技術
為了提高圖像分割的質量，復雜閾值技術被廣泛研究。 FAN Songhai提出了基于二維雷尼熵（renyi）的圖像閾值轉換算法，該算法比大津法（一種自適應的閾值確定的方法，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行有區(qū)別的標記，隨著水位上漲，兩個或多個標記的區(qū)域的等級會增加，因此需要構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，能夠有效、快速、準確地分割圖像，但缺點是在大多數情況下會產生過度分割現象。
為了消除分水嶺算法產生的過度分割現象，頓德光等人提出了一種區(qū)域合并技術來避免過度分割。 首先利用腐蝕、重構等形態(tài)學算法進行增強處理，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置閾值，最后合并小于一定面積的區(qū)域后進行分水嶺分割。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
國內外關于智能故障診斷的方法有很多，如神經網絡方法、模糊集理論方法、綜合人工智能技術等。由于神經網絡具有并行處理、學習和記憶、非線性映射和自適應能力等特點，在電氣故障診斷方面效果顯著。神經網絡主要包含自組織神經網絡、前饋型神經網絡、支持向量機等網絡模型。
（1）前饋型神經網絡
前饋型（feedforward）神經網絡，又稱前向網絡。其神經元分層排列，有輸入層、隱含層和輸出層，每一層的神經元只接受前一層神經元的輸出。隱含層亦稱中間層，可由若干層組成。普通的前饋型神經網絡是前饋單層的，即隱含層與輸出層一一對應，無法滿足復雜的環(huán)境需求。因此，前饋多層神經網絡（如BP神經網絡）在電力設備智能診斷中的應用相對廣泛。BP神經網絡結構如圖1所示。
在Matlab運行環(huán)境下，SHAF’I M A根據大量的實驗數據，對BP網絡算法進行了改進和完善，用于獲取相關圖像數據分析電氣設備內部的熱故障。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據被作為神經網絡算法的輸入變量，并運用K階交叉驗證函數，在訓練階段不斷地進行循環(huán)測試，優(yōu)化實驗結果，以達到最佳診斷效果。
BP算法的特點是少數信息的偏差對輸出數據的影響較小，有較好的容錯性，應用于紅外熱圖像處理效果顯著；泛化能力強，能夠較好地發(fā)現紅外熱像分布與熱故障之間的關系，但是也具有一定的局限性。如學習偶發(fā)事件能力差，對訓練樣本內沒有的故障類型無法分類；待尋優(yōu)的參數較多，導致收斂速度較慢等。
（2）自組織神經網絡
自組織映射（Self Organizing Map，SOM）神經網絡，也稱Kohonen神經網絡，這種網絡模型可以將任意多維數的輸入信號轉變成為有序組織的二維平面神經網絡模型，如圖2所示。
SOM神經網絡采用競爭學習和自穩(wěn)機制原理，實現穩(wěn)定的無監(jiān)督分類，可以進行實時學習，并對已學過的模式自動響應和自動識別，分類能力較強，能夠克服大多數前饋型神經網絡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，對電氣設備故障進行了準確的分類和診斷，首先將電機軸承的各種故障典型紅外熱像圖進行分類，然后提取圖像特征（包含ROI的周長、面積及中心參數），通過對比發(fā)現，以ROI周長為輸入信號的測試結果最為理想。
SOM神經網絡的優(yōu)點是對輸入信息進行了數據壓縮，其輸出結果表示清晰且映射規(guī)律易于觀察，相似的故障實現了聚類分布的特點。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絡算法進行了研究，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部故障時能夠隨新的樣本調整故障特征曲線，同時具有較高的準確性。
此外，汪梅等人在診斷電纜故障的實驗中發(fā)現，自組織網絡波動較小，能夠克服BP神經網絡在惡劣邊界樣本點的擾動和網絡參數的變化較大的問題，保證整體的穩(wěn)定性。因此，自組織與BP網絡相比，在多方面具有相當大的優(yōu)勢。
三、結 語
紅外熱成像技術具有眾多優(yōu)勢，是電氣設備故障監(jiān)測的重要工具。診斷的智能化是電力學科研究的持續(xù)熱點，其中如何精準地診斷故障類型是十分復雜困難的，但應用不斷改善的圖像分割技術及人工神經網絡模型，將使診斷的效率及準確度獲得重大提升。本文介紹了多種閾值分割技術及神經網絡模型，分析了其優(yōu)缺點，為智能系統(tǒng)的進一步發(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：上海電力學院 電子與信息工程學院
