Infrared Image Fault Recognition Method for Disconnector Based on HOG Features
-
摘要:
为了实现对于隔离开关红外图像的故障识别，本文利用改进SLIC算法，在颜色空间转换的基础上，对隔离开关的故障区域进行分割和标记，并有效提高图像分割精度。在HOG特征提取的基础上利用支持向量机算法，对隔离开关的红外图像进行设备和分类，区分其是否工作在正常状态，对于正常状态下的隔离开关，利用相对温差法，实现其故障状态的判断，相对温差越大，则故障越严重。通过实验证明，在优化的HOG特征参数情况下，可以实现图像设备的准确率最高，利用红外图像的故障诊断，可以对隔离开关的故障缺陷程度加以判断，并提供检修建议，本文模型具有很好的准确性和可靠性。
Abstract:To realize the fault recognition of an infrared image of a disconnector, this study uses an improved SLIC algorithm to segment and mark the fault area of the disconnector based on color space conversion. As a result, image segmentation accuracy was significantly improved. Based on HOG feature extraction, the support vector machine algorithm is used to classify an infrared image of a disconnector and determine whether it works in the normal state. For the disconnector in the normal state, the relative temperature difference method is used to determine its fault state. The greater the relative temperature difference, the more serious the fault. The experiments demonstrate that optimal HOG characteristic parameters yield the maximum accuracy of the imaging equipment. The fault diagnosis of an infrared image can be used to determine the fault and defect degree of the disconnector and provide maintenance. The model used in this study exhibits good accuracy and reliability.
-
0. 引言
随着我国电网事业的不断发展，电气设备能否稳定运行是考验电力系统的重要课题[1]。而大部分的电力系统故障是由电气设备引起的，这些设备在使用的过程中，由于金属零件的导电异常，形成短路连接而产生加热并累积，最终造成电力器件的老化和发热故障[2]。而红外检测技术的使用，能够有效发现电力设备的缺陷发热点存在，从而准确发现设备的异常，检测到许多普通方法不能检测到的设备故障。
红外故障检测技术虽然能够对设备的状态进行巡检，但是由于设备种类繁多、故障各异、背景重叠，使得红外检测技术在诊断电气设备故障的过程中存在大量问题[3]。利用人工来进行处理会造成大量的人力物力资源浪费，因此需要通过计算机图像识别技术来提高红外设备故障检测效率和准确率。根据电气设备的特点，选择特定的图像处理算法是当前研究的工作热点。Jadin Mohd Shawal等[4]人研究了基于非均匀校正算法的电气设备红外图像分辨技术，利用该方法成功实现了变电站设备的可靠性验证。Humberto Henao等[5]人研究了红外图像目标的细节增强技术，利用算法模型提取出研究目标的特征形变，证明了该方法在电气设备故障识别中的可行性。
在电力系统中，隔离开关是确保电网安全稳定运行的关键设备之一。它主要用于隔离电源、切换电路和保护电气设备。然而，由于隔离开关长期运行在高温、高压和复杂电磁环境中，其接触部位容易出现发热、磨损和松动等故障，这些故障若未能及时发现和处理，可能会引发严重的安全事故。因此，对隔离开关进行定期和有效的故障检测至关重要。方向梯度直方图（histogram of oriented gradients, HOG）是一种常用于图像处理和计算机视觉中的特征描述方法。它通过计算图像局部区域的梯度方向直方图来捕捉物体的形状和纹理信息。HOG特征对光照变化和几何变换具有一定的鲁棒性，因此在目标检测、图像分类和识别等领域得到了广泛应用。在隔离开关红外图像故障识别中，利用HOG特征可以提取出故障部位的形状和纹理信息，为后续的故障分类和识别提供有力支持。因此，本文以隔离开关作为研究对象，通过算法对红外图像故障区域进行分割，进行数据模型的HOG特征提取，利用温差法对设备故障进行识别与故障诊断，从而可以根据设备的红外图像对其故障程度进行判断，并给出相关处理建议，为电力系统的稳定提供一套解决方案。
1. 电气设备故障区域分割
在隔离开关红外图像故障识别中，存在图像噪声干扰、边缘信息易丢失以及像素分割不准确等问题。噪声使图像质量下降、掩盖故障特征，不当滤波会丢失边缘信息致故障区域界限不清，原始SLIC算法因像素缺乏连通性导致分割零碎。为此采用相关技术完成电气设备故障区域分割，首先利用双边滤波器进行预处理，兼顾空间与范围信息以降噪并保留边缘；然后RGB和Lab颜色空间转换可利用不同空间优势，捕捉故障区域颜色差异；最后改进SLIC算法基于图像颜色和距离特征，以五维向量V增强像素连通性，提高分割精度，为故障识别提供精准区域信息。
1.1 双边滤波器
双边滤波器是一种非线性的滤波器，可以用于红外图像的预处理[6]。高斯滤波器在图像处理中，对目标值附近的像素进行平均赋权，通过均值进行处理以获得最终结果。而双边滤波器是在高斯滤波器的基础上，在像素的处理过程中，不仅考虑空间信息，同样对范围信息加以权衡，从而在降低图像噪声的基础上，保留图像边缘信息。
对于图像中的平滑区域，如果其像素值相近时，双边滤波器对于图像的处理接近于高斯模糊。当其处理边缘像素时，会保持两侧像素的核函数不相等，从而对边缘信息进行处理，有效保留目标边缘信息，实现保边滤波。
1.2 颜色空间
常用的颜色空间主要包括RGB颜色空间和Lab颜色空间[7]。肉眼可见的颜色大部分可以用RGB颜色来描述，是使用最广泛的颜色空间；而Lab颜色空间与光线无关，其色域已经远超人眼能够发现的颜色范围。
RGB颜色空间包括R、G、B三色通道，并通过不同通道的叠加，生成各种颜色，该种模型是计算机建立颜色的主要模型。
Lab颜色空间中，L值的取值范围为0~100，用以描述纯黑色到纯白色的颜色范围；a值的取值范围为127~－128，描述的颜色变化主要从深绿色至灰色，最后至亮粉色的颜色范围；b值的取值范围为127~－128，描述的颜色变化主要从亮蓝色至灰色，最后至黄色的颜色范围。通过数值计算，可以将颜色空间进行转换。
1）RGB至Lab的颜色空间转换
由RGB至Lab颜色空间的转换，需要将其先变换成XYZ颜色空间。对于任意图像的RGB颜色分量，可以将其定义为R、G、B，数值范围为0~255，对其进行转换时，则有：
$$ \left\{ \begin{array}{l} R = \eta \left( {\frac{r}{{255}}} \right) \hfill \\ G = \eta \left( {\frac{g}{{255}}} \right) \hfill \\ B = \eta \left( {\frac{b}{{255}}} \right) \hfill \end{array} \right. $$ (1) 式(1)中：η为图像非线性色调编辑的函数，用于提高目标视觉效果的对比度。其表示式为：
$$ \eta \left(d\right)=\left\{ \begin{array}{l} {(}^{\frac{d+0.055}{1.055}})^{2.4}\text{ }\;\;d > 0.04045\\ \frac{d}{12.92}\text{ }\;\;\;\;\;\; 其他 \end{array} \right. $$ (2) 式(2)中：d为η函数的参数。
X、Y、Z与R、G、B之间的转换可以表示为：
$$ \left( {\begin{array}{*{20}{l}} X \\ Y \\ Z \end{array}} \right) = {\boldsymbol{M}}^*\left( {\begin{array}{*{20}{l}} R \\ G \\ B \end{array}} \right) $$ (3) 其中：
$$ {\boldsymbol{M}} = \left( {\begin{array}{*{20}{l}} {0.4125}&{0.3576}&{0.1805} \\ {0.2126}&{0.7152}&{0.0722} \\ {0.0193}&{0.1192}&{0.9505} \end{array}} \right) $$ (4) 以XYZ颜色空间为媒介，将其转换成Lab颜色空间。L、a、b颜色分量可以分别表示为：
$$ \left\{ \begin{array}{l} L = 116\lambda \left( {\frac{Y}{{{Y_Y}}}} \right) - 16 \hfill \\ a = 500\left[ {\lambda \left( {\frac{X}{{{X_n}}}} \right) - \lambda \left( {\frac{Y}{{{Y_n}}}} \right)} \right] \hfill \\ b = 2000\left[ {\lambda \left( {\frac{Y}{Y}} \right) - \lambda \left( {\frac{Z}{{{Z_n}}}} \right)} \right] \hfill \\ \end{array} \right. $$ (5) 式(5)中：X、Y、Z数值是将RGB颜色空间转换后得到的数值。Xn、Yn、Zn分别是95.047、100.0、108.883。函数λ(z)的表示式为：
$$ \lambda(z)= \begin{cases}z^{\frac{1}{3}} & z>\left(\frac{29}{6}\right)^3 \\ \frac{1}{3}\left(\frac{29}{6}\right)^2 z+\frac{4}{29} & \text { 其它 }\end{cases} $$ (6) 式中：z为函数λ的参数。
2）Lab至RGB的颜色空间转换
Lab至RGB的转换过程与上述过程相反，假设L1＝L，a1＝(a－128)×174，b1＝(b－128)×410，则有：
$$ \left\{ \begin{array}{l} r = {L_1} + \left( {{a_1} \times 100922 + {b_1}^*17790} \right){\rm{div}}{2^{23}} \hfill \\ g = {L_1} - \left( {{a_1} \times 30176 + {b_1} \times 1481} \right){\rm{div}}{2^{23}} \hfill \\ b = {L_1} + \left( {{a_1} \times 1740 - b{}_1 \times 37719} \right){\rm{div}}{2^{23}} \hfill \end{array} \right. $$ (7) 1.3 改进的SLIC算法
为了实现对于红外电气设备图像的像素分割，需要对简单线性迭代聚类算法（simple linear iterative clustering，SLIC）进行改进[8]。原始SLIC算法受到自身条件的限制，导致像素之间缺乏连通性，使得图像被分割成一系列的零碎超像素。
为了提高图像中故障区域的分割精度，需要对SLIC算法中图像像素进行聚类分析。根据图像颜色和图像距离的特征，利用前文公式将RGB颜色转换成Lab颜色，利用Lab颜色空间中的颜色值，以及空间坐标值，构成新的五维数据向量V(L, a, b, x, y)。以五维向量V为基础，对算法进行改进，改进后的算法流程如图 1所示。
2. 电气设备故障诊断
2.1 故障诊断流程
电气设备通常情况都会稳定运行，除非遭受到重大安全事故或者紧急故障。通常情况下，电气设备的故障，都是由于长时间的积累而导致严重故障发生[9]。
为了实现对于电气设备的红外故障识别，需要对原始红外图像进行处理，通过前文算法进行超像素分割，并利用温差法进行故障诊断和相应的设备分类识别，对故障的处理提供合理的建议。
2.2 电气设备红外图像HOG特征分类
方向梯度直方图（histogram of oriented gradient, HOG），是一种用于将图像中有用信息提取的算法模型。
对于不同的电气设备，其正常运行和故障运行状态下的散热是有所区别的，而电气设备的热缺陷[10]，可以通过红外检测设备加以识别和判断，并利用HOG算法进行特征提取，进而进行设备识别以及设备分类。
HOG特征提取的思想在于，通过将目标图像的不同区域进行划分，构建不同单元的方向梯度窗口特征，进而得到其方向梯度直方图。
HOG特征提取的流程图如图 2所示。
2.3 电气设备分类识别SVM算法
支持向量机（support vector machines, SVM）算法，是一种用于机器学习的算法。在电气设备识别分类等样本数量不足的情况下[11]，为了能够提高算法的学习能力，需要根据学习能力的情况来平衡模型复杂程度。
由于隔离开关的工作状态有限，可以被认为是小样本数据[12]。SVM算法在处理小样本方面优势明显，而且具有更好的泛化能力。对于电气设备特征的复杂多变，其分类和识别问题，可以被认为是一种二分类问题。
电气设备分类识别SVM算法过程如下：
步骤1：建立训练样本集，样本集可以用(xi, yi)来表示，i＝1, 2, …, n。xi为样本中的特征标签函数，xi∈Rn，而yi为样本中的特征标签函数，yi∈{－1, 1}。
步骤2：利用函数WX+b＝0来构建分类平面，式中，W和X都是n维向量。分类平面可以将训练样本分成两种类型，并使得分类后样本之间的差异最大。
步骤3：为了能使分类平面附近的样本被有效区分，需要利用|g(x)＝Wx+b|线性判别函数对W和b进行同倍缩放，对样本进行归一化处理[13]。从而使得分类面附近的样本满足|g(x)＝1|，支持SVM算法的样本满足|g(x)＞1|，样本间的分类间隔可以表示为2/||W||。
在红外设备中进行分类时，SVM算法需要求解下式：
$$ \left\{ \begin{array}{l} {y_i}\left( {{{\boldsymbol{W}}^{\rm{T}}}{x_i} + b} \right) - 1 \geqslant 0, i = 1, 2, \cdots , n \hfill \\ \phi \left( w \right) = \frac{1}{2}{\left\| w \right\|^2} = \frac{1}{2}{{\boldsymbol{W}}^{\rm{T}}}{\boldsymbol{W}} \hfill \\ \end{array} \right. $$ (8) 式(8)的求解需要借助拉格朗日函数，其表示式为：
$$ L\left( {w, b, a} \right) = \frac{1}{2}{{\boldsymbol{W}}^{\rm{T}}}{\boldsymbol{W}} - \mathop \sum \limits_{i = 1}^N {a_i}\left[ {{y_i}\left( {{{\boldsymbol{W}}^{\rm{T}}}{x_i} + b} \right) - 1} \right] $$ (9) 式中：ai拉格朗日函数系数，为一个不小于0的数。
步骤4：分别对式(9)中的3个参数分别求偏导，并令其数值为0，可以得到：
$$ \left\{ \begin{array}{l} \frac{{\partial L}}{{\partial {a_i}}} = 0 \Rightarrow {a_i}\left[ {{y_i}\left( {{{\boldsymbol{W}}^{\rm{T}}}{x_i} + b} \right) - 1} \right] = 0 \hfill \\ \frac{{\partial L}}{{\partial w}} = 0 \Rightarrow \mathop \sum \limits_{i = 1}^n {a_i}{x_i}{y_i} = w \hfill \\ \frac{{\partial L}}{{\partial b}} = 0 \Rightarrow \mathop \sum \limits_{i = 1}^n {a_i}{y_i} = 0 \hfill \end{array} \right. $$ (10) 步骤5：式(9)中的约束条件与式(10)结合，可以将问题转换成如下对偶问题：
$$ \max \mathop \sum \limits_{i = 1}^n {a_i} - \frac{1}{2}\mathop \sum \limits_{i = 1}^n \mathop \sum \limits_{j = 1}^n {a_i}{y_i}{a_j}{y_j}\left( {{\boldsymbol{x}}_i^{\rm{T}}{{\boldsymbol{x}}_j}} \right) $$ (11) 式(11)中的参数，满足条件ai≥1，且$\mathop \sum \limits_{i = 1}^n {a_i}{y_i} = 0$，从而将问题转换成一个不等式条件下的极值问题。
同理，可以将式(8)的约束条件设为0，用于求解b*，进而获得最优分类函数，表示为：
$$ f\left( x \right) = {{\rm{sgn}}} \left( {\mathop \sum \limits_{i = 1}^n a_i^*x_i^*{y_i}x + {b^*}} \right) $$ (12) 在SVM算法的计算求解中，如果样本数据线性不可分时，需要对其进行非线性变换操作，从而将输入样本进行高维空间映射，求解其最佳分类平面，实现红外图像数据样本分类。
步骤6：合适的内积核函数，可以用于处理复杂情况下的分类识别，利用点k(xi, yi)来代替原来分类平面的点积(xiT, yi)，从而将原始特征空间与另一个特征空间进行转换，优化函数为：
$$ f\left( x \right) = {{\rm{sgn}}} \left( {\mathop \sum \limits_{i = 1}^n a_i^*{y_i}k\left( {{x_i}, {y_i}} \right) + {b^*}} \right) $$ (13) 该优化函数的定义为，把N维空间特征向量转换成实数的一种对称函数，该函数也被称为核函数。而核函数也是有效处理非线性识别问题的关键函数。
2.4 温差故障诊断方法
利用红外温度信息，对电气设备的缺陷进行诊断，可以有效排除安全隐患[14]。利用温差故障诊断方法，能够有效避免环境因素的影响。具体的诊断流程为：
1）采集设备图像
利用红外检测设备，通过像素温度来表征设备对应位置温度，选取图像上的最高温和最低温，通过比色条来对设备温度T分别进行表征，构建一次函数关系为：
$$ T=a H+b $$ (14) 式中：H为灰度值；a和b为对应温度表征系数。利用最高温和最低温，及其灰度值，可以对参数a、b进行求解。
2）求取相对温差
相对温差可以通过与正常运行时的设备温度进行对比，从而判断检测点是否出现热故障隐患[15]。表示式为：
$$ \delta = \frac{{{\tau _1} - {\tau _2}}}{{{\tau _1}}} \times 100\% = \frac{{{T_1} - {T_2}}}{{{T_1} - {T_0}}} \times 100\% $$ (15) 式中：T1为对应位置测量温度；T2为该位置正常温度；τ1为测量时相对温度；τ2为正常时相对温度；T0为环境温度。
3）缺陷诊断
利用相对温差的大小，对故障的程度加以判断，标准如表 1所示。
表 1 隔离开关温差故障判断标准Table 1. Criteria for diagnosing temperature difference faults in isolation switchesEquipment status Temperature difference threshold Normal [0, 0.35] General defects [0.35, 0.80] Serious disadvantage [0.80, 0.95] Critical defect (0.95, 1] 3. 实验结果与数据分析
利用MATLAB 2018b对本文研究的模型进行验证。
3.1 图像特征提取
选择红外设备的轮廓作为本文图像特征数据，采集隔离开关红外图像样本1000个，随机选择其中800个用于样本训练，其余图像用于测试。
图 3和图 4分别为正常状态下和异常状态下的电气设备红外图像。
基于HOG特征的原理，可以有效提取图像中的特征数据，利用MATLAB中的extract HOG Features函数，构建HOG特征提取图，从而有效区分出目标设备的特征形状，以及目标边缘数据。利用HOG特征数据的一维梯度方向和幅值变化，从而有效描述出目标图像的形状和局部特征。
HOG特征中的特性参数主要包括检测窗口、块尺寸、梯度直方图数量等，会有效影响目标识别的准确率。对这些特性参数进行改变，比较不同颜色空间识别结果的影响如表 2~4所示。
表 2 检测窗口尺寸的影响Table 2. Effects of window size on detectionDetecting window size Block size Number of gradient histograms RGB precision Lab
precision64×128 16×16 9 74.5% 76.3% 32×64 16×16 9 94.8% 97.5% 16×32 16×16 9 73.2% 75.4% 表 3 块尺寸的影响Table 3. Effects of block sizesDetecting window size Block size Number of gradient histograms RGB precision Lab precision 32×64 16×16 9 94.8% 97.5% 32×64 8×16 9 74.5% 77.2% 32×64 8×8 9 70.9% 71.4% 表 4 梯度直方图数量的影响Table 4. The Influence of the number of gradient histogramsDetecting window size Block size Number of gradient histograms RGB precision Lab precision 32×64 16×16 9 94.8% 97.5% 32×64 16×16 6 91.7% 93.2% 32×64 16×16 3 63.1% 63.2% 表 2中可以看到检测窗口尺寸的大小会显著影响目标识别的准确率，当检测窗口尺寸为32×64时，识别的准确率最高，而其他参数情况下，准确率都会下降明显。从结果可以看到，RGB颜色空间的识别结果均低于Lab颜色空间。
在相同的检测窗口条件下，对块尺寸进行调整，从表 3中可以看到，块尺寸越大，目标识别的准确率越高，从而需要在目标识别过程中选择16×16的块尺寸。RGB颜色空间的识别结果，同样低于Lab颜色空间。
在选择相同的窗口检测尺寸和块尺寸条件下，改变梯度直方图数量。表 4中可以看到，梯度直方图数量越大，目标识别率越高，当选择梯度直方图数量为9时，识别的准确率最高，约为97.5%。从结果可以看到，在相同实验条件下，RGB颜色空间的识别结果较低，主要原因在于Lab空间中的图像信息更丰富，对于目标的识别准确率更高，证明Lab颜色空间的识别优势。
3.2 图像分类
对于隔离开关的状态来说，当其正常工作状态下可以分成分闸和合闸状态，对应分合闸之间的夹角被称为分/合闸到位判定角，当角度位于两个状态之间时，则认为该状态下为合闸开关不到位状态，此时可以判断隔离开关属于异常状态。
在实验中，选择隔离开关的多角度图像500幅，随机选择其中的300幅图像作为训练样本，其余图像被用于隔离开关的设备状态分类。
本文选择MATLAB中的Lib SVM工具箱，通过红外图像的HOG特征提取，并结合SVM分类算法后，如果图像中含有特定型号的隔离开关，对其分/合闸到位判定角度进行判断，从而有效对其分闸和合闸状态进行判定。并将本文算法与神经网络算法进行对比，实验结果如表 5所示。
表 5 不同型号隔离开关的识别准确率Table 5. Identification accuracy of different types of isolation switchesModel State The algorithm in this paper Neural network algorithm GW4 Open the gate 97.4% 96.8% GW4 Close the switch 98.3% 97.2% GW6 Open the gate 97.2% 95.3% GW6 Close the switch 98.1% 97.9% GW22 Open the gate 99.5% 99.6% GW22 Close the switch 98.7% 98.5% 从表 5中可以看到，对于本文选择的不同型号的隔离开关，通过样本训练后，进行设备识别分类。从结果中可以看到，对于GW22型号的隔离开关，其分闸状态的识别准确率为99.5%，而合闸状态的识别准确率为98.7%。对于其他型号的隔离开关识别准确率均高于97%，将本文算法与神经网络算法进行对比，对比结果可以看到，处理GW22开关的分闸状态外，其他状态下，本文算法均优于神经网络算法，从而可以证明本文的算法具有很好的识别准确率。
3.3 隔离开关的故障诊断
隔离开关主要用于系统检修时的电压隔离，当期导电连接点暴露于外界环境中时，频繁的操作会使得隔离开关很容易出现热故障。热故障的主要原因在于连接部位的接触不良造成的，主要包括出头不良、污渍积累和连接点接触故障等。
利用MATLAB对隔离开关的热故障进行诊断，选择5幅具有代表性的隔离开关红外图像，对其状态进行判断，热故障判断结果如表 6所示。
表 6 隔离开关故障诊断Table 6. Fault diagnosis of isolation switchSerial Number Highest temperature/℃ Relative temperature difference Fault diagnosis results 1 46.2 52.1% General defects 2 68.4 83.2% Serious malfunction 3 38.5 42.2% General defects 4 82.3 96.7% Critical defect 5 46.8 53.4% General defects 从表 6中可以看到，对于本文研究的5幅隔离开关图像，第1、3、5号图像的相对温差分别为52.1%、42.2%和53.4%，从表 1中可以判断，上述3幅图像为一般缺陷，需要检修人员对其温度状态进行监控，列入检修计划，以备处理。2号图像的相对温差约为83.2%，从而可以判断其存在严重故障，通过故障位置确定，可以证明该隔离开关存在弹簧压接位置接触严重不良的情况，需要安排检修人员及时采取措施进行处理，并注意加强观测设备状态。4号图像的相对温差为96.7%，最高温度82.3℃。故障诊断结果为危急缺陷，通过位置确定，判断结果为引线连接处接触故障，需要安排检修人员立即进行处理。
4. 结论
本文研究了基于HOG特征的隔离开关故障识别方法，通过颜色空间变换和改进SLIC算法对红外图像的故障区域进行分割，并提高图像的分割精度，从而对故障区域进行标记。利用MATLAB软件进行红外图像故障检测和诊断，利用HOG特征提取和SVM算法，对隔离开关进行分类识别，利用相对温差的方法，对于设备图像的故障进行检测和判断，从而有效降低环境温度对于红外图像识别结果的影响。通过实验验证，HOG算法的特征参数会有效影响模型的识别准确度。利用优化后的HOG特征参数，对隔离开关的状态进行分类和判断，并提出相应检修建议。实验结果证明，本文算法具有良好的准确率和可靠性。
-
表 1 隔离开关温差故障判断标准
Table 1 Criteria for diagnosing temperature difference faults in isolation switches
Equipment status Temperature difference threshold Normal [0, 0.35] General defects [0.35, 0.80] Serious disadvantage [0.80, 0.95] Critical defect (0.95, 1] 
下载: 导出CSV
表 2 检测窗口尺寸的影响
Table 2 Effects of window size on detection
Detecting window size Block size Number of gradient histograms RGB precision Lab
precision64×128 16×16 9 74.5% 76.3% 32×64 16×16 9 94.8% 97.5% 16×32 16×16 9 73.2% 75.4%
下载: 导出CSV
表 3 块尺寸的影响
Table 3 Effects of block sizes
Detecting window size Block size Number of gradient histograms RGB precision Lab precision 32×64 16×16 9 94.8% 97.5% 32×64 8×16 9 74.5% 77.2% 32×64 8×8 9 70.9% 71.4%
下载: 导出CSV
表 4 梯度直方图数量的影响
Table 4 The Influence of the number of gradient histograms
Detecting window size Block size Number of gradient histograms RGB precision Lab precision 32×64 16×16 9 94.8% 97.5% 32×64 16×16 6 91.7% 93.2% 32×64 16×16 3 63.1% 63.2%
下载: 导出CSV
表 5 不同型号隔离开关的识别准确率
Table 5 Identification accuracy of different types of isolation switches
Model State The algorithm in this paper Neural network algorithm GW4 Open the gate 97.4% 96.8% GW4 Close the switch 98.3% 97.2% GW6 Open the gate 97.2% 95.3% GW6 Close the switch 98.1% 97.9% GW22 Open the gate 99.5% 99.6% GW22 Close the switch 98.7% 98.5%
下载: 导出CSV
表 6 隔离开关故障诊断
Table 6 Fault diagnosis of isolation switch
Serial Number Highest temperature/℃ Relative temperature difference Fault diagnosis results 1 46.2 52.1% General defects 2 68.4 83.2% Serious malfunction 3 38.5 42.2% General defects 4 82.3 96.7% Critical defect 5 46.8 53.4% General defects
下载: 导出CSV
-
[1] 陈富国, 蔡杰, 李中旗. 基于机器视觉的高压隔离开关设备状态判别与故障诊断技术[J]. 微型电脑应用, 2022, 38(2): 191-194. CHEN Fuguo, CAI Jie, LI Zhongqi. State discrimination and failure recognition technology of high voltage disconnector equipment based on machine vision[J]. Microcomputer Applications, 2022, 38(2): 191-194.
[2] 刘今. 红外测温诊断技术在高压电力设备状态检修中的应用[J]. 能源与节能, 2021(8): 119-120. LIU Jin. Application of infrared temperature measurement and diagnosis technology in condition based maintenance of high-voltage power equipment[J]. Energy and Energy Conservation, 2021(8): 119-120.
[3] 刘立忠, 郑小翠, 柴卫军. 配电变压器低压隔离开关柜内母线短路监测研究[J]. 电气自动化, 2021, 43(5): 51-54. LIU Lizhong, ZHENG Xiaocui, CHAI Weijun. Bus short circuit monitoring in low voltage disconnector switch cabinet of distribution transformer[J]. Electrical Automation, 2021, 43(5): 51-54.
[4] Jadin Mohd Shawal, Taib Soib. Recent progress in diagnosing the reliability of electrical equipment by using infrared thermography[J]. Infrared Physics Technology, 2012, 55(4): 236-245. DOI: 10.1016/j.infrared.2012.03.002
[5] Humberto Henao, Gerard-Andre Capolino, Manes Fernandez-Cabanas, et al. Trends in fault diagnosis for electrical machines: a review of diagnostic techniques[J]. IEEE Industrial Electronics Magazine, 2014, 8(2): 31-42. DOI: 10.1109/MIE.2013.2287651
[6] 张金锋, 朱宏, 胡晨. 电力设备状态检修及故障诊断中红外技术的应用分析[J]. 电子世界, 2020(7): 167-168. ZHANG Jinfeng, ZHU Hong, HU Chen. Application of infrared technology in condition based maintenance and fault diagnosis of power equipment[J]. Electronics World, 2020(7): 167-168.
[7] 肖匀, 王文瑞, 王斌, 等. 基于变权理论的高压隔离开关健康监测系统的研究[J]. 仪表技术与传感器, 2020(3): 48-53. XIAO Yun, WANG Wenrui, WANG Bin, et al. Research on high-voltage disconnector health monitoring system based on variable weight theory[J]. Instrument Technique and Sensor, 2020(3): 48-53.
[8] 唐锴. 红外测温技术在220kV变电运行中的应用分析[J]. 通信电源技术, 2024, 41(5): 219-221. TANG Kai. Application analysis of infrared temperature measurement technology in 220 kV substation operation[J]. Telecom Power Technology, 2024, 41(5): 219-221.
[9] Choudhary M, Shafiq M, Kiitam I, et al. A review of aging models for electrical insulation in power cables[J]. Energies, 2022, 15(9): 3408. DOI: 10.3390/en15093408
[10] Haque S K M, Ardila-Rey J A, Umar Y, et al. Application and suitability of polymeric materials as insulators in electrical equipment[J]. Energies, 2021, 14(10): 2758. DOI: 10.3390/en14102758
[11] 王若平, 陈严, 王东, 等. 基于多特征提取与灰狼算法优化SVM的车内异响识别方法[J]. 计算机应用与软件, 2024, 41(3): 41-48. WANG Ruoping, CHEN Yan, WANG Dong, et al. Vehicle interior abnormal noise recognition based on multi-feature extraction and SVM optimized by gray wolf optimization[J]. Computer Applications and Software, 2024, 41(3): 41-48.
[12] 贾达菲, 杨冬冬, 高宏. 红外热像技术在电力设备故障检测中的应用[J]. 山西电力, 2018(6): 30-33. JIA Dafei, YANG Dongdong, GAO Hong. Application of infrared thermal image techniques in power equipment fault detection[J]. Shanxi Electric Power, 2018(6): 30-33.
[13] 时宇辉, 袁至, 王维庆, 等. 基于改进海鸥算法优化SVM的变压器故障诊断方法[J]. 科学技术与工程, 2024, 24(28): 12169-12176. SHI Yuhui, YUAN Zhi, WANG Weiqing, et al. Transformer fault diagnosis method based on improved seagull algorithm optimized SVM[J]. Science Technology and Engineering, 2024, 24(28): 12169-12176.
[14] 宋磊, 成鲁钰, 张清. 基于红外图像技术的高压电气设备内部缺陷自动诊断[J]. 自动化应用, 2024, 65(18): 115-116, 119. SONG Lei, CHENG Luyu, ZHANG Qing. Automatic diagnosis of internal defects in high-voltage electrical equipment based on infrared image technology[J]. Automation Application, 2024, 65(18): 115-116, 119.
[15] 严肃. 红外测温技术在变电站设备巡视中的运用分析[J]. 通信电源技术, 2018, 35(6): 176-177. YAN Su. Application analysis of infrared temperature measurement technology in substation equipment inspection[J]. Telecom Power Technology, 2018, 35(6): 176-177.
计量
- 文章访问数: 26
- HTML全文浏览量: 0
- PDF下载量: 5
