电气设备故障红外诊断现状及发展趋势
发布日期：2016-03-04 来源：《上海设备管理》
点击数：27878
红外热成像法（IRT）是通过热成像仪采集和分析热量信息的技术。 其中热成像仪可用来检测红外辐射能量（即热源）并将其转换成电信号，然后在视频监视器上生成热分布图像。该技术具有安全、可靠、非接触，以及不易受电磁干扰和覆盖大面积区域进行检查等优点。
目前，红外热图像的自动监测技术广泛应用于医学成像、无损检测、结构缺陷检测等领域。在电力行业应用中，IRT在预测和预防性维护措施中占据非常重要的地位。这项技术不仅能够将诊断对象即时可视化并验证热剖面，同时快速定位热点，以确定问题的严重程度，而且有助于建立设备故障周期数据库，方便设备进行预检修。更重要的是，IRT可以在电力系统维持运行的情况下进行相关诊断。
尽管电气设备的红外诊断技术非常直观方便，但其依然存在很多问题。在现场对电力设备进行检测时，同一个发热设备温度场将受到检测条件的影响而变化，从而导致测量结果的差异。影响检测结果的因素有很多，如设备发射率、大气衰减、太阳光辐射、风力和邻近设备热辐射等，这些因素通常会影响分析的结果，尤其是在室外（如监测室外变电站）时情况会更显著。如果忽略这些因素，将导致测量结果不准确，进而造成错误诊断。
因此，良好的红外诊断系统必须解决IRT仪器监测技术数据处理等相关问题。本文着重描述了红外监测电气设备故障的分类，故障自动诊断系统的研究热点难点及发展趋势。
一、电气设备热故障的种类
尽管电气设备发生故障的机理涉及力、热、电、磁等方面，但绝大多数故障的表象均为温度的异常，因此IRT技术监测设备的热分布图像，可以直观地反映出设备的运行状态。电力设备热故障一般可分为外部故障和内部故障两种。
1、外部故障
外部故障的红外热像诊断只需根据热像图找出过热部位，并测出最高温度进行分析评定即可。此类故障主要分布在导线、隔离开关、断路器、线夹、接头、互感器、电容器等部位。
2、内部故障
由于红外线的穿透能力较弱，红外辐射基本无法穿透绝缘材料和设备外壳，因此电气设备的内部故障无法直接用红外热像仪进行检测。但内部热缺陷的发热时间一般较长且比较稳定，故障点的热量可以通过热传导和对流置换的方式，向故障点对应的设备表面传热，并引起表面的温度升高。因此，通过对设备的红外检测、热像图的综合分析可以发现其内部是否存在发热缺陷。
电气设备内部绝缘不良在电气试验中通常表现为介质损耗增大，这类故障常出现在电压互感器、电流互感器、耦合电容器、高压套管、充油套管、零值绝缘子、低值绝缘子、变压器内部构件等设备中。
二、热故障诊断系统
目前，大多数IRT相机内嵌相关分析软件，其中也有独立的商业软件，尽管其功能较多且易于使用，但人为评估故障依然非常耗时。此外，电力系统通常含有大量的、种类多样的设备，这使得故障诊断变得更加复杂。因此，使用自动诊断系统将能够提供更快、更准确的决策。
电气设备红外热图像的自动化诊断系统主要包括3个步骤：首先寻找图像中相关度高的感兴趣区域（ROI）；然后对其进行分割，并提取图像的有效特征；最后运用人工智能技术对图像进行综合分析，以确定图像中是否存在热故障，并给出最终结论。
1、红外热图像分割方法
寻找ROI 和提取图像特征信息所使用的图像分割方法主要有：阈值分割技术，区域分割技术，边缘检测技术等。其中，阈值分割技术运用最为广泛，也是最便捷的常见方法之一。
（1）简单阈值分割技术
通过设置一定的阈值对图像进行过滤后，可以检测到电气设备中存在的热异常。如果原始图像为I（x，y）， 阈值图像G（x，y）则被定义为：
简单阈值方法仅适用于ROI与背景的灰度集合差别较大时，该方法的问题在于图像易倾向于过度分割，这是由红外图像的性质与视觉图像的差异引起的。热图像的形成，纯粹是基于对象的热分布。由于过热区域分布较为集中及热点区域对比度可能较低，给图像分割带来了一定的困难。特别是当图像包含非常复杂的背景和低信号噪声比（SNR）时，提取热点区域内的红外图像尤为困难。图像质量差的另外一个原因是红外图像相对模糊，这都将导致图像分割的效果欠佳。
（2）其他阈值分割技术
为了提高图像分割的质量，复杂阈值技术被广泛研究。 FAN Songhai提出了基于二维雷尼熵（renyi）的图像阈值转换算法，该算法比大津法（一种自适应的阈值确定的方法，也称最大类间方差法）更加有效，在同样的耗时条件下，其处理效果更好、更准确。
另外，还有一种更加直观的阈值方法，即分水岭法（Watershed），这种算法将图像抽象成一种地形表面，其中图像的灰度代表其高度，模拟了洪水经过这一表面时的情形。从最小值点开始初始化，水位等级（灰度）会增加，直到整个图像完全淹没。对来自不同独立水域的水位高度最小值进行有区别的标记，随着水位上涨，两个或多个标记的区域的等级会增加，因此需要构建一个分水岭以保持彼此水域不接触。最后，这些分水岭就是各水域之间的界限。
分水岭算法对微弱边缘具有良好的响应，能够有效、快速、准确地分割图像，但缺点是在大多数情况下会产生过度分割现象。
为了消除分水岭算法产生的过度分割现象，顿德光等人提出了一种区域合并技术来避免过度分割。 首先利用腐蚀、重构等形态学算法进行增强处理，以突出感兴趣区域，然后用Sobel 算子计算获得梯度图像并设置阈值，最后合并小于一定面积的区域后进行分水岭分割。该方法与传统的分水岭分割法相比，能有效解决图像过度分割的问题。
2、故障智能诊断方法
国内外关于智能故障诊断的方法有很多，如神经网络方法、模糊集理论方法、综合人工智能技术等。由于神经网络具有并行处理、学习和记忆、非线性映射和自适应能力等特点，在电气故障诊断方面效果显著。神经网络主要包含自组织神经网络、前馈型神经网络、支持向量机等网络模型。
（1）前馈型神经网络
前馈型（feedforward）神经网络，又称前向网络。其神经元分层排列，有输入层、隐含层和输出层，每一层的神经元只接受前一层神经元的输出。隐含层亦称中间层，可由若干层组成。普通的前馈型神经网络是前馈单层的，即隐含层与输出层一一对应，无法满足复杂的环境需求。因此，前馈多层神经网络（如BP神经网络）在电力设备智能诊断中的应用相对广泛。BP神经网络结构如图1所示。
在Matlab运行环境下，SHAF’I M A根据大量的实验数据，对BP网络算法进行了改进和完善，用于获取相关图像数据分析电气设备内部的热故障。热故障分类如表1所示。
图像处理中的RGB分量以及大量的热故障温度数据被作为神经网络算法的输入变量，并运用K阶交叉验证函数，在训练阶段不断地进行循环测试，优化实验结果，以达到最佳诊断效果。
BP算法的特点是少数信息的偏差对输出数据的影响较小，有较好的容错性，应用于红外热图像处理效果显著；泛化能力强，能够较好地发现红外热像分布与热故障之间的关系，但是也具有一定的局限性。如学习偶发事件能力差，对训练样本内没有的故障类型无法分类；待寻优的参数较多，导致收敛速度较慢等。
（2）自组织神经网络
自组织映射（Self Organizing Map，SOM）神经网络，也称Kohonen神经网络，这种网络模型可以将任意多维数的输入信号转变成为有序组织的二维平面神经网络模型，如图2所示。
SOM神经网络采用竞争学习和自稳机制原理，实现稳定的无监督分类，可以进行实时学习，并对已学过的模式自动响应和自动识别，分类能力较强，能够克服大多数前馈型神经网络容易陷入局部极小点的缺陷，以得到全局最优点。
ACHMAD Widodo等人运用此算法，对电气设备故障进行了准确的分类和诊断，首先将电机轴承的各种故障典型红外热像图进行分类，然后提取图像特征（包含ROI的周长、面积及中心参数），通过对比发现，以ROI周长为输入信号的测试结果最为理想。
SOM神经网络的优点是对输入信息进行了数据压缩，其输出结果表示清晰且映射规律易于观察，相似的故障实现了聚类分布的特点。但是它存在模式漂移的不足，影响了其故障分类的正确性。其中顾民等人对自组织网络算法进行了研究，改善了模式漂移的缺点，从而极大地提高了故障分类的正确性。该方法在诊断变压器内部故障时能够随新的样本调整故障特征曲线，同时具有较高的准确性。
此外，汪梅等人在诊断电缆故障的实验中发现，自组织网络波动较小，能够克服BP神经网络在恶劣边界样本点的扰动和网络参数的变化较大的问题，保证整体的稳定性。因此，自组织与BP网络相比，在多方面具有相当大的优势。
三、结 语
红外热成像技术具有众多优势，是电气设备故障监测的重要工具。诊断的智能化是电力学科研究的持续热点，其中如何精准地诊断故障类型是十分复杂困难的，但应用不断改善的图像分割技术及人工神经网络模型，将使诊断的效率及准确度获得重大提升。本文介绍了多种阈值分割技术及神经网络模型，分析了其优缺点，为智能系统的进一步发展提供了思路和方法。
作者：崔昊杨 许永鹏 曾俊冬 唐 忠 单位：上海电力学院 电子与信息工程学院
