Reliability Image Recognition Method for High Temperature Operation of Power Stabilizer in Medium and Low Voltage Grids Based on Infrared Imaging
-
摘要: 电力稳定器在电网中起到稳定电压的作用，一旦该设备出现异常，电网运输电力质量会受到直接影响。面对这种情况，研究一种基于红外成像技术的中低压电网电力稳定器高温运行可靠性图像识别技术。该研究中利用红外成像技术采集电力稳定器图像并实施预处理。分割电力稳定器红外图像，划分目标区域和背景区域。提取目标区域5个直方图-阶统计特征。以5个直方图-阶统计特征为基础，结合判别系数，构建分类器，实现电力稳定器状态识别。针对存在异常的电力稳定器，计算图像目标区域处的相对温差，确定可靠性等级。结果表明：5个测试稳定器中只有2个稳定器处在异常状态，具体为稳定器2中组成部分3异常，稳定器5中组成部分1异常。稳定器2组成部分3相对温差为82.32%，对应可靠等级为2级，可靠性低；稳定器5组成部分1相对温差为91.35%，对应可靠等级为3级，可靠性非常低。对比实验结果表明，所提方法识别准确率达到92.3%以上，优于对比方法，具有更大的应用价值。Abstract: Power stabilizers are crucial in stabilizing the voltage in power grids. If the equipment is abnormal, the power quality of the power grid is directly affected. In this context, an image recognition technology based on thermal infrared hyperspectral imaging technology for the high-temperature operation reliability of power stabilizers in medium- and low-voltage power grids was studied. In this study, thermal infrared hyperspectral imaging was used to collect images of the power stabilizer and perform preprocessing. The thermal infrared hyperspectral image of the power stabilizer was segmented, and the target and background areas were divided. Five first-order statistical histogram features were extracted from the target areas. Based on the first-order statistical features of the five histograms combined with the discrimination coefficient, a classifier was constructed to realize the state recognition of the power stabilizer. For a power stabilizer with abnormalities, the relative temperature difference in the image target area was calculated to determine the reliability level. The results show that only two of the five test stabilizers are in an abnormal state; specifically, component 3 of stabilizer 2 is abnormal, and component 1 of stabilizer 5 is abnormal. The relative temperature difference of component 3 of stabilizer 2 was 82.32%, and the corresponding reliability level was level 2, with low reliability; the relative temperature difference of component 1 of stabilizer 5 was 91.35%, the corresponding reliability level was level 3, and the reliability was extremely low. Comparative experimental results show that the recognition accuracy of the proposed method reaches 92.3% or higher, which is superior to that of the comparison method and has a greater application value.
-
0. 引言
红外探测器集成光学技术，是将红外光学系统设计与杜瓦光学设计相结合，通过精密装调技术，将光学镜头集成在杜瓦内部，使之处于恒定的低温环境中。在不增加探测器组件体积的情况下，实现光学系统的低温化、无热化和小型化，有效提高红外成像系统的探测精度、灵敏度和对环境温度变化的适应能力。在基础技术研究、国防战略地位以及社会应用需求方面，将产生良好的社会效益和经济效益。
2010年法国Sofradir公司与法国国家航空航天研究院共同设计一款采用集成光学元件的新型红外探测器[1]，该设计以Sofradir公司标准型640×512 15μm像元间距的红外探测器为基础，在红外探测器旁边置入一块光学透镜，可以对红外探测器工作和性能参数进行控制，从而将红外成像系统中使用的光学元件和电子元件减少1/3左右。2013年，电子科技大学公开了一种红外探测器集成光学封装结构[2]，探测器结构中红外窗口采用凸透镜，减小光学系统体积。2013年，上海技物所公开了一种封装在杜瓦内的高精度装配的多透镜深低温红外探测器管壳结构设计思路[3]，它适用于红外焦平面探测器杜瓦内带多个冷光学元件的深低温管壳封装技术，并未见其后续发表成果。
红外探测器集成光学技术存在诸多难点，低温下镜片的位置会随冷屏等安装基础的变形而改变，镜片的面形、折射率等参数也会发生变化，从而影响成像效果。目前，集成光学透镜组没有独立的低温MTF评价手段，需要将透镜组与探测器芯片精密耦合后，借助于红外探测器组件的制冷能力，通过红外成像系统评价集成光学镜头组的装配性能，若性能不满足要求，需要解耦，重新装配后，重复与探测器芯片耦合、测试，工艺周期长。本文开发了一种独立的红外集成光学透镜组低温MTF测试装置，缩短测试周期，并设计了一种低温评价方法，为光学设计提供可靠依据。
1. 红外探测器集成光学技术
1.1 红外探测器集成光学技术概述
常规的红外探测器组件的成像光学系统与探测器本身是分离的，体积较大，杜瓦冷头封装示意图如图 1所示，包括窗座、窗片、冷屏、滤光片。窗座内部形成真空环境，探测器工作在80 K左右的低温环境中。
为有效减小前置光学透镜组体积，红外探测器集成光学技术通过精密装调技术，将光学镜头集成在杜瓦内部，使之处于恒定的低温环境中。
以某长波集成光学组件为例，经系统光学设计需有4片透镜需集成在杜瓦内部，如图 2所示，其中透镜a设计在窗口上，替代原有平面窗口透镜，工作在常温状态；透镜b、c、d需要集成在杜瓦冷头上，工作在低温环境中。通过ANSYS仿真结构的热学特性，设置杜瓦冷头温度为77 K，仿真得到温度分布梯度见图 3。透镜a温度为292 K，透镜b、c、d温度为77 K。在透镜光学设计中考虑透镜的工作温度对成像造成的影响，以优化镜头光学设计。
![]()
图 3 ANSYS仿真透镜组温度梯度分布Figure 3. Temperature gradient distribution of simulated lens group by ANSYS1.2 集成光学透镜组装配
图 4中的透镜b、c、d装配为一个整体的内置光学透镜组部件。为了保证成像效果，透镜的偏心精度±15 μm，透镜间隔误差±15 μm，低温下PV恶化量不超过0.06 μm，而常规杜瓦冷屏装配偏心误差约±50 μm，高度误差约±100 μm；受到制冷启动时间、制冷机功耗、重量等指标的限制，集成光学结构在满足力学可靠性的前提下应尽量小型化；另外，低温下材料的收缩和性质的变化对光学系统影响较大。
针对以上困难，开展光学系统结构设计和装调工艺的关键技术攻关，结合仿真分析、工艺可实现性等设计特殊的光机结构，利用红外中心偏测量仪、工具显微镜等精密测量设备开发精密装配工艺。首先将光路设计中b、c、d透镜装配成一个冷头部件，根据光路设计在相应位置e、f处设计了两个孔径光阑，冷头部件设计采用管壳结构，镜筒选用高强度、高导热、低变形的金属材料，精密加工装配后透镜的偏心精度±5 μm，透镜间隔误差±10 μm，符合项目要求。装配后冷头部件示意图见图 5。
2. 集成光学透镜组低温MTF测试方法研究
2.1 集成光学透镜组低温MTF测试杜瓦结构设计
为评价集成光学透镜组的装配精度和光学性能，本文设计了一种集成光学透镜组低温MTF测试杜瓦管壳结构[3]，见图 6。具体冷头结构设计见图 7。
![]()
图 6 集成光学透镜组低温MTF测试杜瓦管壳结构示意图注：1. 中测杜瓦；2.窗座压环；3. 杜瓦冷台；4. 窗座；5. 内置集成光学透镜组支架；6. 内置光学透镜组部件Figure 6. Schematic diagram of Dewar shell structure tested by integrated optical lens group at low temperature MTFNote: 1.Test dewar 2. Window seat ring 3. Dewar in cold 4. Window cup 5.Support 6. Built-in optical lens group components结构设计时根据集成光学透镜组光路图，计算窗口透镜到支撑架的距离，为窗口透镜与集成光学透镜组间距准确，设计窗座时该距离要比光路图给出的距离值略小0.1 mm左右，装调过程中通过加入适当厚度的聚酰亚胺垫片以保证透镜间隔。封口环设计需要考虑MTF检测仪探头的尺寸，封口环长度要根据光路图透镜组的最后一面透镜到像面距离计算，为了使探测器到达光路图中透镜组的像面位置，需要保证平面透镜到集成光学透镜组最后一个透镜距离小于光路图中透镜组的最后一个透镜到像面的距离。由于封口透镜为平面透镜，无须考虑光轴与透镜组光轴装配精度，靠机加工保证封口环与窗座接触面的平面度即可。具体装调步骤在2.2节中说明。
![]()
图 7 集成光学MTF测试杜瓦冷头结构示意图注：1. 窗口透镜；2. 调整环；3. 窗座；4. 内置光学透镜组部件；5. 支架；6. 封口环；7. 平面透镜Figure 7. Diagram of dewar cold head structure tested by integrated optical MTFNote: 1.Window group 2. Adjusting ring 3. Window cup 4. Built-in optical lens group components 5. Support 6. Sealed ring 7. Plano spherical lens2.2 集成光学透镜组低温MTF测试杜瓦装配步骤
1）支架及测温二极管安装：将支架通过螺钉固定在冷台上，将测温二极管粘接在冷屏支架和冷屏侧壁上，在支架和透镜组两端粘接测温二极管，并通过漆包线引出至引线柱上，检测冷头的温度，见图 8。
2）集成光学镜头组安装：将集成光学镜头组用螺钉固定在支撑架上，镜头组使用红外中心偏设备调整各透镜光轴一致。
3）窗座安装：将窗座通过压环固定在杜瓦上，其间有密封胶圈，装配时大致使得窗座开口中心与内置透镜组光轴一致。
4）调整窗口透镜光轴：将窗口透镜焊接在金属环上，然后放置在窗座上，使用红外中心偏设备，调整窗座角度和金属环外侧3个螺钉至各透镜光轴一致，在透镜边沿灌胶，确保透镜中心限位。
5）调整窗口透镜z向位置：根据实际透镜间距在窗座和金属环间加垫片调整位置；位置确定后在窗座外壳和金属环接缝处灌胶固定。
6）平面透镜安装：将平面透镜焊接至封口环上，将封口环放置在窗座外壳内，二者接缝处置入O型圈，保证内部真空环境。
经过上述装配后，集成光学透镜组装调完毕。装配后结构见图 9。
3. 集成光学透镜组低温评价系统搭建
3.1 集成光学透镜组低温测试结果
按图 9中测杜瓦结构装配完成后，进行低温验证试验。首先将中测杜瓦排气2 h，然后从中测杜瓦上方灌入液氮，实时标定二极管引出的接线柱的电压值，待电压值稳定不变后记录数据。重复本实验3组，实验数据见表 1。
表 1 温度测量结果Table 1. Temperature measurement resultsDiode position Result of first diode group/V Result of second diode group/V Result of third diode group/V Average/V Corresponding temperature/K Diode1 1.035 1.037 1.033 1.035 91.934 Diode2 1.032 1.030 1.031 1.031 94.232 Diode3 1.028 1.027 1.029 1.028 96.226 经查阅二极管标定手册，可以得出3个位置对应的温度，分别为：91.934 K，94.232 K，96.226 K，所以集成光学透镜组实际低温工作温度约为95 K。正式组件装配时，组件外部工作温度为室温，启动制冷机一段时间后组件内部达到低温条件，温度梯度与中测杜瓦模拟数据基本一致，可以认为实际使用过程中集成光学透镜组工作温度为95 K。
3.2 集成光学透镜组低温MTF测试
光学系统可以看成是线性不变的空间频率滤波器，物体经过光学系统成像，可视为物图像经光学系统传递后，其传递效果是频率不变，但其对比度下降，相位发生推移，并在某一频率处截止，即对比度为零。这种对比度的降低和相位推移是随频率不同而不同的，其函数关系我们称之为光学传递函数。忽略相位变化，仅考虑各频率经光学系统传递后其对比度的降低情况，则为调制传递函数。在评估光学系统成像质量时，常用到MTF调制传递函数[4]。将实验MTF测量结果与理论设计光学镜头组MTF评价值对比，可以指导后续低温光学透镜组光学设计。
为评估集成光学透镜组实际低温使用时的成像质量，需要对集成光学透镜组进行低温MTF测量[5]。测试原理如图 10所示时，光线首先经过前置光学系统，后从中测杜瓦窗口透镜入射，从平面透镜出射，聚焦于MTF检测仪上。
![]()
图 10 集成光学透镜组低温MTF测试原理图Figure 10. Diagram of integrated optical lens group low temperature MTF test在测试时需要调整光源、光学前组与中测杜瓦上的集成光学透镜组光轴垂直，光线经前置光学系统和集成光学透镜组后聚焦于MTF传函仪探测器上。
为进行光路MTF测试，需耦合前置光学系统才能形成完整的成像光路，如图 11所示。设计中测杜瓦底部夹具，夹具上留出杜瓦限位结构，以便限定中测杜瓦位置，底托夹具设计高度应使得集成透镜组光轴略小于前置光学系统光轴，通过在中测杜瓦下部加入垫片微调光轴的方向高度。
在光路搭建时，首先将前置光学系统固定在MTF测试系统的光学平台[2]上，然后将中测杜瓦底部夹具与前置光学系统配合，预固定在光学平台上，然后将中测杜瓦放置在底部夹具上，在测试前首先通过微调底部夹具和中测杜瓦位置使得系统光路汇聚效果最好，如图 11所示，在此状态下进行MTF测试[6]。
本节设计实验方法可搭建集成光学透镜组低温MTF测试的光路系统，有效保证前置光学系统与集成光学透镜组光轴的一致性，并且根据MTF检测仪探测器探头尺寸设计了封口环，使探头可以到达理论的光学系统焦面位置，并且可以完成探测时的微小位移运动，保证实验精准度。
4. 结论
本文研究的红外探测器杜瓦集成光学技术有利于系统的小型化、集成化和智能化，可以提高红外成像系统的目标识别探测能力和环境适应能力，在基础技术研究、国防战略地位以及社会应用需求方面，必将产生良好的社会效益和经济效益。本文开发了一种可以集成光学透镜组低温独立评价的方法，经实验得到集成光学透镜组实际低温工作温度为95 K，研究低温MTF评价方法，可实现95 K温度下集成光学透镜组的MTF测试，为集成光学透镜组的光学性能评估和光学设计提供可靠数据。
-
![]()
图 1 电力稳定器图像采集示意图
Figure 1. Schematic diagram of the image acquisition of the power stabilizer
表 1 红外稳定器图像特征
Table 1 Infrared stabilizer image features
Sample Grayscale maximum Kurtosis coefficient Entropy Skewness Standard deviation 1 1.28 8.56 0.21 2.58 10.55 2 2.45 8.45 0.23 3.52 10.82 3 2.12 7.45 0.47 1.48 14.55 4 2.89 9.54 0.85 1.98 10.23 5 3.54 8.12 0.42 2.89 8.55 6 4.22 7.26 0.12 2.41 13.62 7 3.46 6.54 1.48 2.19 14.20 8 0.65 5.64 1.85 2.58 12.32 9 0.89 8.65 0.65 3.55 18.55 10 4.12 7.12 0.71 2.14 17.32 11 1.32 7.02 1.25 8.42 14.22 12 2.65 4.22 1.20 1.48 10.25 13 3.56 3.65 1.85 2.54 8.42 14 2.64 5.88 0.55 4.22 9.55 15 2.65 7.52 0.51 3.55 10.21 16 2.10 6.55 0.14 2.78 7.45 17 3.84 4.12 0.16 3.89 6.89 18 3.52 1.25 0.82 4.78 7.52 19 2.27 1.20 0.45 8.45 10.95 20 2.88 5.54 0.47 2.12 11.14 
下载: 导出CSV
表 2 对比结果
Table 2 Comparison of the results
Serial Number Recognition accuracy of the proposed method/% The recognition accuracy of the method in reference [3]/% The recognition accuracy of the method in reference [4]/% 1 95.3 84.3 79.6 2 94.6 84.9 81.2 3 96.2 82.3 83.4 4 93.8 81.7 81.6 5 96.7 82.5 84.9 6 95.2 83.5 81.8. 7 95.4 84.9 79.4 8 95.6 82.3 79.8 9 94.3 81.5 80.6 10 92.3 84.5 80.7
下载: 导出CSV
-
[1] Gavoshani A, Orouji A A. A novel deep gate power MOSFET in partial SOI technology for achieving high breakdown voltage and low lattice temperature[J]. Journal of Computational Electronics, 2021, 20(9): 1-7.
[2] OUYANG Q, WANG L, Park B, et al. Simultaneous quantification of chemical constituents in matcha with visible-near infrared hyperspectral imaging technology[J]. Food Chemistry, 2021, 350(6): 129141.
[3] DU Houxian, LIU Hao, LEI Longwu, et al. Power transformer fault detection based on multi-eigenvalues of vibration signal[J]. Transactions of China Electrotechnical Society, 2023, 38(1): 83-94.
[4] ZHANG Zhaoyu, HU Yidan, SONG Yanfeng, et al. Development and application of mechanical vibration ultrasonic fusion detection sensor for electric power equipment[J]. Chinese Journal of Electrical Engineering, 2023, 43(14): 5713-5723.
[5] WANG Kaixuan, REN Fuji, NI Hongjun, et al. Temperature value recognition algorithm for the infrared image of power equipment[J]. CAAI Transactions on Intelligent Systems, 2022, 17(3): 617-624.
[6] HUANG H, HU X, TIAN J, et al. Rapid and nondestructive prediction of amylose and amylopectin contents in sorghum based on hyperspectral imaging[J]. Food Chemistry, 2021, 359(8): 129954.
[7] Daradkeh Y I, Tvoroshenko I, Gorokhovatskyi V, et al. Development of effective methods for structural image recognition using the principles of data granulation and apparatus of fuzzy logic[J]. IEEE Access, 2021, 9(99): 13417-13428.
[8] WANG Y, LIU H, GUO M, et al. Image recognition model based on deep learning for remaining oil recognition from visualization experiment[J]. Fuel, 2021, 291(3): 120216.
[9] CHEN M, WANG X, LUO H, et al. Learning to focus: cascaded feature matching network for few-shot image recognition[J]. Science China Information Sciences, 2021, 64(9): 192105. DOI: 10.1007/s11432-020-2973-7
[10] GAO P, ZHAO D, CHEN X. Multi-dimensional data modelling of video image action recognition and motion capture in deep learning framework[J]. IET Image Processing, 2020, 14(7): 1257-1264. DOI: 10.1049/iet-ipr.2019.0588
[11] Karunakaran V, Saritha V N, Ramya A N, et al. Elucidating Raman image-guided differential recognition of clinically confirmed grades of cervical exfoliated cells by dual biomarker-appended SERS-tag[J]. Analytical Chemistry, 2021, 93(32): 11140-11150. DOI: 10.1021/acs.analchem.1c01607
[12] ZHAO Y, WANG C, PEI J, et al. Nonlinear loose coupled non-negative matrix factorization for low-resolution image recognition[J]. Neurocomputing, 2021, 443(8): 183-198
[13] Andriyanov N A, Dementiev V E, Kargashin Y D. Analysis of the impact of visual attacks on the characteristics of neural networks in image recognition[J]. Procedia Computer Science, 2021, 186(12): 495-502.
[14] WANG F, HU R, JIN Y. Research on gesture image recognition method based on transfer learning[J]. Procedia Computer Science, 2021, 187(10): 140-145.
[15] Quionez Y, Lizarraga C, Peraza J, et al. Image recognition in UAV videos using convolutional neural networks[J]. IET Software, 2020, 14(2): 176-181. DOI: 10.1049/iet-sen.2019.0045
[16] Corti E, Khanna A, Niang K, et al. Time-delay encoded image recognition in a network of resistively coupled VO2 on Si oscillators[J]. IEEE Electron Device Letters, 2020, 41(4): 629-632.
-
期刊类型引用(0)
其他类型引用(2)
计量
- 文章访问数:
- HTML全文浏览量:
- PDF下载量:
- 被引次数: 2
