红外热成像与智能算法对电力设备进行故障检测

　　红外热成像与智能算法对电力设备进行故障检测

　　电力系统中的变电站与输电线路是联系发电厂与用户的重要枢纽其安全稳定运行至关重要，一旦电力设备发生故障，电力系统的安全性以及供电的稳定性将受到极大影响。电力设备长期受气候因素等外部环境影响极易发生故障，因此需要对电力设备进行定期巡检维护来保证供电系统正常运行。据相关资料统计,高达90%的电力系统事故是由电力设备故障引起的，其超过50%的故障设备会在早期阶段出现异常的发热症状。红外测温的原理是探测器探测并接收被测目标发射出的红外辐射能量，将接收到的红外辐射能量转换成与之相对应的电信号，再经过专门的电信号处理系统获得物体表面的温度分布状态。电力设备的热故障由电力设备类别、发热部位以及发热程度等因素决定，其温度分布形式也不同。因此，红外热成像技术十分适用于电力设备的热故障检测。分析电力设备表面的温度分布信息，能够对发现电力设备中潜在的隐患和故障，并对故障的严重程度做出定量的判断。

　　目前，电力系统中最主要的巡检形式是人工巡检，人工现场诊断或者采集信息供后续分析。人工巡检工作量大，管理成本高，需要对技术人员进行技能培训，信息采集与故障分析都需要人工来完成。而国内电力系统分布广泛且部分地区所处环境恶劣，增加了巡检成本与难度，人工巡检变得异常复杂。如果巡检不及时，一旦电力设备出现故障，将会造成严重事故。如今，卷积神经网络与传感器于信息技术的融合得到广泛的研究，并应用于电力系统巡检，在一定程度上减少了巡检成本和难度，为及时发现安全隐患并且排除故障和处理突发状况奠定了基础。

图为电力设备检测红外热成像图

　　一般物体表面发射出来的红外辐射强度在空气传播中会衰减。因此，被测目标的红外测温结果往往低于被测目标的实际温度，距离越远，实际差值越大。所以需要修正被测目标的红外测温结果。BP神经网络算法广泛应用在各种场景，而在探究红外测温的影响参数时，BP神经网络算法相比线性插值法和多元线性回归法、非线性映射能力强适应性强，精确度高。温度修正模块将采用BP神经网络来对红外测温结果进行温度修正。

　　该项研究为山东电力设计了电力设备热故障检测方法，将红外热成像技术与深度学习相结合，把视频流的读取、深度学习的电力设备检测、BP神经网络的温度修正以及数据的可视化融合。基于嵌入式深度学习的电力设备热故障检测架构主要有3个层次。

　　底层为数据的读取，红外热像仪通过以太网输出MPEG-4格式的视频流，并将红外热像仪视频流解码成帧并传送到下一层。

　　中间层是数据处理层，主要从上一层获取的红外热像仪视频流进行热故障诊断。为数据处理层中电力设备检测算法的识别搭建了相对应的深度学习框架，部署的相关网络模型是已经训练完成的模型。这一层只进行检测任务，不进行网络模型的训练任务。这一层主要负责实时电力设备检测、设备定位;部署BP神经网络对红外测温结果进行温度修正。修正后的温度将通过先验知识库来判断该设备是否出现异常发热症状.

　　顶层是数据服务层，将中间层数据处理的结果进行可视化显示，最终的检测结果能够以一种更为直观的表现方式呈现出。

　　基于嵌入式深度学习的电力设备热故障诊断方法主要分为3项任务：电力设备的检测与定位，目标设备的温度提取，目标设备热故障诊断。

       电力设备热故障检测的检测流程为：

　　(1)从红外热像仪读取红外热成像视频流，将其解码成帧。

　　(2)电力设备检测算法检测每帧图像中是否含有电力设备，并将其定位。

　　(3)根据上一个步骤所得到的定位信息，从红外热像仪中获取红外测温与激光测距数据。

　　(4)根据红外测温与激光测距数据，通过温度修正模块得到修正后的温度。

　　(5)最后利用先验知识库，对修正后的温度进行热故障诊断，得到热故障检测结果。

图为电力设备检测红外热成像图

　　尊敬的客户：

　　本公司还有fotric226s红外热像仪您可以通过网页拨打公司的客服专线了解更多产品的详细信息、至善至美的服务使我们的追求、欢迎新老客户放心选购自己心仪的产品、我们将竭诚为您服务!