CN105425123A - 一种紫外成像与红外成像协同检测电力设备故障的方法及*** - Google Patents

Abstract

本发明涉及一种紫外成像与红外成像协同检测电力设备故障的方法，包括以下步骤：(1)、分别对电力设备的红外图像与紫外图像进行降噪处理；(2)、对降噪后的红外图像进行快速区域生长计算，确定待检测区域；(3)、获得降噪后红外图像上待检测区域的温度F_c；(4)、获得降噪后紫外图像上的异常放电光斑面积T_G；(5)、根据温度F_c、异常放电光斑面积T_G及电力设备环境信息，结合电力设备环境信息选择合适的协同匹配规则，对电力设备故障进行定量分析；本发明还涉及一种紫外成像与红外成像协同检测电力设备故障的***。本发明对电力设备的异常发热及异常放电进行协同分析，能够更为直观、准确、全面地反映出电力设备的故障点及故障程度。

Description

一种紫外成像与红外成像协同检测电力设备故障的方法及***

技术领域

本发明涉及一种紫外成像与红外成像协同检测电力设备故障的方法及***。

背景技术

随着社会的发展，各行各业对电力的需求不断增加，对电网供电的稳定性和安全性的要求也逐渐提高。电力设备是电力电网***的重要组成部分，电力设备的安全稳定运行是确保供电可靠性的重要因素。由于电力设备长期处于运行状态且受到环境因素的影响，往往会出现各种各样的故障，通常的表现形式为整体或局部的异常发热和异常放电，如设备绝缘性能劣化或绝缘故障导致介质损耗增大而引起的发热与放电、接头接触不良引起的局部过热和设备漏磁引起的发热与放电等。因此对电力设备的热状态与放电情况进行检测，并根据热状态与放电情况进行分析和诊断，是保障电力设备和电网可靠运行的重要手段之一。由于电力设备分布面广、数量众多且运行时具有高温、高电压等特殊性，难以采用常规的检测方式确定电力设备的热状态和放电情况。

目前，现存的电力设备故障检测技术主要分为基于红外成像的电力设备异常发热检测技术与基于紫外成像的电力设备异常放电检测技术，以上两种方法在电力工业领域都以独立的形式得到广泛应用。随着研究的深入，发现电力设备在故障时会同时出现异常发热状况与异常放电状况，紫外与红外成像协同检测技术会更加准确地对电力设备的故障状态进行分析，但如何确定合适的协同匹配规则与定量分析方法是研究的难点，这也导致了紫外与红外成像协同检测技术目前还不太成熟。

发明内容

本发明的目的是针对现有技术的不足，提出一种紫外成像与红外成像协同检测电力设备故障的方法，能够直观、准确地反映出电力设备故障点及故障程度。

本发明的另一个目的是提供一种采用该方法的紫外成像与红外成像协同检测电力设备故障的***。

本发明通过以下技术方案实现：

一种紫外成像与红外成像协同检测电力设备故障的方法，包括如下步骤：

(1)、采集电力设备的红外图像与紫外图像，分别对所述红外图像与紫外图像进行降噪处理，得到降噪红外图像、降噪紫外图像；

(2)、对所述降噪红外图像进行快速区域生长计算，确定待检测区域；

(3)、计算所述待检测区域的像素平均值并根据红外温度标定数据，确定所述像素平均值对应的温度，即为所述待检测区域的温度F_c；

(4)、在所述降噪紫外图像上提取出所有的待检测区域，利用邻域灰度差投票算法在所述待检测区域中分割出异常放电光斑，并计算所述异常放电光斑的面积T_G；

(5)、将当前待检测区域的温度F_c与环境温度F_h的差值后作为异常发热评定参数M，计算异常放电光斑面积T_G与当前待检测区域面积T_D的比值，并将所述比值结合电力设备环境数据进行修正后得到异常放电评定标准Q，根据公式F＝k₁M+k₂Q确定电力设备故障定量值F，并将检测结果存储至数据库中，其中，k₁、k₂为权重系数，可在实际操作中根据情况做适当调整。

进一步的，步骤(1)包括以下步骤：

A、采集电力设备的红外图像与紫外图像；

B、利用中值滤波去除所述红外图像中的脉冲干扰与椒盐噪声，再利用数学形态学中的腐蚀运算消除所述红外图像中连通域面积较小的异常发热噪声点；

C、利用数学形态学中的开启和闭合运算去除所述紫外图像中放电主光斑周围的干扰光斑。

进一步的，步骤(2)包括以下步骤：

A、在所述降噪红外图像的R通道图像中运用快速区域生长算法将电力设备轮廓分割出来；

B、对所述降噪红外图像的G通道图像中进行阈值分割处理后，再运用快速区域生长算法将异常发热区域分割出来，将所述异常发热区域中包含的所有单个连通域作为待检测区域。

进一步的，步骤(3)包括以下步骤：

A、提取所述降噪红外图像中各个待检测区域的位置信息，根据所述位置信息依次确定各待检测区域在降噪红外图像的R、G、B三通道图像中的对应区域，计算所述对应区域的像素平均值S_R、S_G、S_B；

B、调用存储的红外温度标定数据，获取每个待预测区域中像素平均值S_R、S_G、S_B对应的温度，即为各待预测区域的温度。

进一步的，步骤(4)包括以下步骤：

A、提取所述降噪红外图像中各个待检测区域的位置信息，按照所述位置信息依次提取降噪紫外图像中的各待预测区域；

B、依次对所述待预测区域运用邻域灰度差投票算法分割出异常放电光斑轮廓；

C、对所述异常放电光斑轮廓进行孔洞填充，得到所有待预测区域的异常放电光斑，取所述异常放电光斑的像素点数量之和作为异常放电光斑面积T_G。

进一步的，步骤(5)包括以下步骤：

A、取当前待检测区域的温度F_c与环境温度F_h的差值M＝F_c-F_k作为电力设备当前检测区域的异常发热评定参数；

B、统计当前待检测区域包含的像素点数量作为当前待预测区域面积T_D，将当前待检测区域的异常放电光斑面积T_G与当前待检测区域面积T_D的比值N＝T_G/T_D与当前电力设备环境湿度S数据相结合，令Q＝N-SN作为异常放电评定标准，Q的取值为0—1之间；

C、将M做归一化处理M＝M/M_max，其中，M_max为电力设备温度上限，M取值在0—1之间，按照公式F＝k₁M+k₂Q确定当前检测区域的故障定量值F，其中k₁、k₂为红外与紫外图像在故障评定中占的权重系数，根据当前相对湿度S调整k₁、k₂，其中 $k_1=\frac{(1+S)}{2},k_2=\frac{(1-S)}{2};$

D、依次完成所有待预测区域的故障检测。

进一步的，所述快速区域生长方法在降噪红外图像的R通道、阈值分割后的G通道图像中分别选取像素值靠前的10个像素点作为种子点同时向外生长。

进一步的，所述邻域灰度差投票算法包括如下步骤：

a、计算待检测区域当前像素点与当前像素点四个方向相邻像素点的像素值差值；

b、将所述差值依次与设定的阈值进行比较，若大于阈值，则当前像素点票数加1，反之则保持原票数；

c、当前像素点的总票数大于1时，保留当前像素点像素值，反之则将其像素值置为0。

本发明还通过以下技术方案实现：

一种紫外成像与红外成像协同检测电力设备故障的***，所述***包括图像预处理模块、异常发热区域检测模块、温度分析模块、异常放电分析模块、故障分析模块、数据库模块，图像预处理模块、待预测区域检测模块依次连接，待预测区域检测模块输出端分别接至温度分析模块及异常放电分析模块，温度分析模块及异常放电模块的输出端均接至故障分析模块，数据库模块与温度分析模块及故障分析模块相连。

所述图像预处理模块用于对获取的红外图像及紫外图像进行降噪处理，得到的降噪红外图像、降噪紫外图；

所述待检测区域检测模块用于对降噪红外图像进行快速区域生长计算，确定待预测区域；

所述温度分析模块依次计算各待预测区域的像素平均值，并根据数据库中的红外温度标定数据，确定所述像素平均值对应的温度，即为各待检测区域的温度；

所述异常放电分析模块根据在降噪紫外图像上提取出所有的待检测区域，利用邻域灰度差投票算法在各待检测区域中分割出异常放电光斑，并计算异常放电光斑的面积；

所述故障分析模块根据各待检测区域的温度以及异常放电光斑的面积，确定电力设备故障定量值，并将检测结果存储至数据库中；

所述数据库为温度分析模块及故障分析模块的计算提供相应的数据。

进一步的，所述数据库包括红外温度标定数据、电力设备环境温度数据、电力设备环境湿度数据。

本发明具有如下有益效果：

本发明通过对电力设备的紫外图像和红外图像进行协同分析，获得电力设备的异常发热及异常放电的评定参数，结合电力设备环境信息选择合适的协同匹配规则，对电力设备的故障进行定量分析，能够更为直观、准确、全面地反映出电力设备的故障点及故障程度。

附图说明

下面结合附图对本发明做进一步详细说明。

图1为本发明的流程图。

图2为本发明的***框图。

具体实施方式

如图1所示，本发明提供一种紫外成像与红外成像协同检测电力设备故障的方法，具体步骤包括：

步骤1：采集电力设备的红外图像与紫外图像，分别对所述红外图像与紫外图像进行降噪处理，得到降噪红外图像、降噪紫外图像：

A、当需要对电力设备故障进行检测时，首先对电力设备进行地点、角度、距离同步的红外图像与紫外图像的采集工作，要求每次成像使用的红外成像仪与紫外成像仪的型号、参数完全一致，其中红外成像会受到阳光的影响，所以本实施例中红外图像及紫外图像统一在晴朗的夜晚采集，本方法处理的红外图像均为红外成像仪夜间拍摄并经处理后的伪彩色图像，对红外成像仪的型号、参数等无特殊要求；

紫外成像中异常放电的光斑面积大小会随着距离变化发生非线性复杂的变化，所以本实施例中所有的图像采集点都设定固定的位置、相同的拍摄角度、统一的拍摄距离，本方法处理的紫外图像为紫外成像仪夜间拍摄并处理后的图像，对紫外成像仪的型号参数等无特殊要求，设当前位置采集的电力设备红外图像为I₁，紫外图像为I₂；

B、将红外图像I₁分解得到R、G、B三个通道图像I_R、I_G、I_B，再对三个通道图像进行中值滤波，滤波器二维模板选取为3*3区域，将三个通道图像当前处理的像素点的像素值置为以当前像素点为中心3*3区域9个像素点的平均像素值，依次处理整个图像除图像边界像素点外的所有像素点，经过中值滤波可以去除三通道图像中的脉冲干扰和椒盐噪声，再利用数学形态学对三通道图像进行腐蚀运算，其中选取腐蚀因子为圆形，半径为2个像素点，经过数学形态学处理可以去除三通道图像中的异常发热噪声点，得到降噪红外图像的R、G、B三通道图像分别为I_1R、I_1G、I_1B。

C、对紫外图像I₂运用数学形态学的开启和闭合运算去除紫外图像中放电主光斑周围的干扰光斑，选取结构元素为圆形，半径为1个像素点，处理顺序为先进行闭合运算，再运用相同的结构元素进行开启运算，运算次数为1次，得到降噪紫外图像I₂₁；

步骤2：对所述降噪红外图像进行快速区域生长计算，分割出电力设备轮廓并确定待检测区域：

对图像I_1R、I_1G运用同一种快速区域生长法则进行图像分割：以起始种子点向外进行生长，在生长过程中对种子点进行标记，依次对种子点4个方向邻域内的像素点的性质进行判断，当邻域像素点为种子像素点时，不对当前邻域像素点进行处理，若邻域内的像素点不为种子像素点时，计算该邻域像素点与当前种子像素点的像素值差值，若像素值差值不大于当前阈值时，则合并该邻域点且标记为种子点，保留种子点原像素值，继续向外生长，若像素值差值大于当前阈值时，则舍弃该邻域点，并将像素值置为0，直至合并所有的满足成为种子点的像素点，完成生长过程；

其中，生长过程中各像素点的像素值计算方法如下，设D(x,y)为种子点像素值，i,j＝-1、0、1,D(x+i,y+j)为当前生长点像素值，E为设定阈值：

图像I_1R经过以上步骤可以分割出电力设备轮廓I₁₁，图像I_1G经过以上步骤可以分割出只包含异常发热区域的图像I₁₂，将图像I₁₂中各个连通域分别标记为设备待检测区域L_n(n＝1,2,3...)，并统计各连通域的位置信息。

对图像I_1R处理的过程中，起始种子点选取为图像I_1R中像素值排序靠前的10个像素点，在图像I_1G中，通过阈值分割可以保留电力设备的高温异常区域，弱化了电力设备红外图像和背景，起始种子点也选取为图像I_1G中像素值排序靠前的10个像素点；

步骤3：计算所述待检测区域的像素平均值并根据红外温度标定数据，确定所述像素平均值对应的温度，即为所述待检测区域的温度F_c：

A、提取图像I₁₂中各个设备待检测区域L_n(n＝1,2,3...)的位置信息，根据所述位置信息依次确定各待检测区域在降噪红外图像的R、G、B三通道图像中的对应区域，计算所述对应区域的像素平均值S_R、S_G、S_B；

B、由于红外成像仪器型号不相同，调用数据库中当前使用的红外成像仪器提供的红外温度标定数据，获取S_R、S_G、S_B对应的温度，也就是当前待检测区域的温度，依次计算所有待检测区域的温度；

其中，计算当前待检测区域的温度是在数据库中寻找S_R、S_G、S_B对应的数据指示的温度，由于电力设备的温度判定受到多种因素的影响，所以对温度的判定不要求十分精确，为保证处理方法实时性，温度判定过程如下：

a、提取当前待检测区域对应区域S_G的数值，计算S_G与数据库所有温度对应的G通道像素值K_G的差值，提取差值最小的5个温度点对应的数据信息；

b、提取待检测区域对应区域S_R、S_B的数值生成点(S_R,S_B)，提取的5个温度点的R通道和B通道对应的像素值生成点(K_Rn,K_Bn)，其中n＝1,2,3,4,5，根据公式依次计算点(S_R,S_B)与(K_Rn,K_Bn)的欧氏距离，取欧式距离最小的点(K_Rn,K_Bn)对应的温度值作为当前待检测区域的温度F_c；

步骤4：在所述降噪紫外图像上提取出所有的待检测区域，利用邻域灰度差投票算法在所述待检测区域中分割出异常放电光斑，并计算所述异常放电光斑的面积T_G：

A、提取图像I₁₂中各个设备待检测区域L_n(n＝1,2,3...)的位置信息，依次在图像I₂₁中按位置信息提取所有设备待检测区域对应的区域；

B、依次对在图像I₂₁中提取的目标区域进行邻域灰度差投票算法分割出异常放电光斑轮廓，其中，邻域灰度差投票算法步骤如下：

a、计算当前目标区域所有像素点与该点四个方向相邻像素点的像素值差值，设P(x,y)为当前像素点像素值，区域边界点不进行判断，则四个方向像素差值C₁、C₂、C₃、C₄为：

$\left\{\begin{array}{c}{C}_1=\left|P\right(x,y)-P(x+1,y\left)\right|\\ C_2=\left|P\right(x,y)-P(x-1,y\left)\right|\\ C_3=\left|P\right(x,y)-P(x,y+1\left)\right|\\ C_4=\left|P\right(x,y)-P(x,y-1\left)\right|\end{array}\right.$

b、每个像素点初始票数为0，将C₁、C₂、C₃、C₄分别与阈值W进行比较，若大于W，则增加1票，若小于W，则保持原有票数，统计当前像素点票数P；

c、若P>1，则保留该点像素值，否则将该点像素值置0，对当前区域所有像素点进行以上处理；

C、对所述异常放电光斑轮廓进行孔洞填充，得到所有待预测区域的异常放电光斑，取所述异常放电光斑的像素点数量之和作为异常放电光斑面积T_G。

步骤5：根据当前待检测区域的温度F_c以及异常放电光斑面积T_G，对电力设备故障进行定量分析：

A、由于温度测定受到环境温度的影响，因此取当前待检测区域的温度F_c与环境温度F_h的差值M＝F_c-F_h作为电力设备当前检测区域的异常发热评定参数；

B、统计当前待检测区域包含的像素点数量作为当前待预测区域面积T_D，将当前待检测区域的异常放电光斑面积T_G与当前待检测区域面积T_D的比值N＝T_G/T_D与当前电力设备环境湿度S相结合，令Q＝N-SN作为异常放电评定标准，Q的取值为0—1之间；

C、将M做归一化处理M＝M/M_max，其中，M_max为数据库规定的电力设备温度上限，M取值在0—1之间，按照公式F＝k₁M+k₂Q确定当前检测区域的故障定量值F，其中k₁、k₂为红外与紫外图像在故障评定中占的权重系数，根据当前电力设备环境湿度S调整k₁、k₂，令F的取值在0—1之间，取值越大，说明故障点的可能性、故障程度越大；

D、依次完成所有待预测区域的故障检测。

本发明还提供了一种紫外成像与红外成像协同检测电力设备故障的***，如图2所示，包括图像预处理模块、异常发热区域检测模块、温度分析模块、异常放电分析模块、故障分析模块、数据库模块，图像预处理模块、待预测区域检测模块依次连接，待预测区域检测模块输出端分别接至温度分析模块及异常放电分析模块，温度分析模块及异常放电模块的输出端均接至故障分析模块，数据库模块与温度分析模块及故障分析模块相连；

所述图像预处理模块用于对获取的红外图像及紫外图像进行降噪处理，得到的降噪红外图像、降噪紫外图；

所述待检测区域检测模块用于对降噪红外图像进行快速区域生长计算，确定待预测区域；

所述温度分析模块依次计算各待预测区域的像素平均值，并根据数据库中的红外温度标定数据，确定所述像素平均值对应的温度，即为各待检测区域的温度；

所述异常放电分析模块根据在降噪紫外图像上提取出所有的待检测区域，利用邻域灰度差投票算法在各待检测区域中分割出异常放电光斑，并计算异常放电光斑的面积；

所述故障分析模块根据各待检测区域的温度以及异常放电光斑的面积，确定电力设备故障定量值；

所述数据库模块为温度分析模块及故障分析模块的计算提供相应的数据。

在本实施例中，数据库模块包括红外温度标定数据、电力设备环境温度数据、电力设备环境湿度数据。

以上所述，仅为本发明的较佳实施例而已，故不能以此限定本发明实施的范围，即依本发明申请专利范围及说明书内容所作的等效变化与修饰，皆应仍属本发明专利涵盖的范围内。

Claims (10)

1.一种紫外成像与红外成像协同检测电力设备故障的方法，其特征在于：包括如下步骤：

(1)、采集电力设备的红外图像与紫外图像，分别对所述红外图像与紫外图像进行降噪处理，得到降噪红外图像、降噪紫外图像；

(2)、对所述降噪红外图像进行快速区域生长计算，确定待检测区域；

(3)、计算所述待检测区域的像素平均值并根据红外温度标定数据，确定所述像素平均值对应的温度，即为所述待检测区域的温度F_c；

(4)、在所述降噪紫外图像上提取出所有的待检测区域，利用邻域灰度差投票算法在所述待检测区域中分割出异常放电光斑，并计算所述异常放电光斑的面积T_G；

(5)、将当前待检测区域的温度F_c与环境温度F_h的差值后作为异常发热评定参数M，计算异常放电光斑面积T_G与当前待检测区域面积T_D的比值，并将所述比值结合电力设备环境数据进行修正后得到异常放电评定标准Q，根据公式F＝k₁M+k₂Q确定电力设备故障定量值F，并将检测结果存储至数据库中，其中，k₁、k₂为权重系数，可在实际操作中根据情况做适当调整。

2.根据权利要求1所示的一种紫外成像与红外成像协同检测电力设备故障的方法，其特征在于：步骤(1)包括以下步骤：

A、采集电力设备的红外图像与紫外图像；

B、利用中值滤波去除所述红外图像中的脉冲干扰与椒盐噪声，再利用数学形态学中的腐蚀运算消除所述红外图像中连通域面积较小的异常发热噪声点；

C、利用数学形态学中的开启和闭合运算去除所述紫外图像中放电主光斑周围的干扰光斑。

3.根据权利要求1所示的一种紫外成像与红外成像协同检测电力设备故障的方法，其特征在于：步骤(2)包括以下步骤：

A、在所述降噪红外图像的R通道图像中运用快速区域生长算法将电力设备轮廓分割出来；

B、对所述降噪红外图像的G通道图像中进行阈值分割处理后，再运用快速区域生长算法将异常发热区域分割出来，将所述异常发热区域中包含的所有单个连通域作为待检测区域。

4.根据权利要求1所示的一种紫外成像与红外成像协同检测电力设备故障的方法，其特征在于：步骤(3)包括以下步骤：

A、提取所述降噪红外图像中各个待检测区域的位置信息，根据所述位置信息依次确定各待检测区域在降噪红外图像的R、G、B三通道图像中的对应区域，计算所述对应区域的像素平均值S_R、S_G、S_B；

B、调用存储的红外温度标定数据，获取每个待预测区域中像素平均值S_R、S_G、S_B对应的温度，即为各待预测区域的温度。

5.根据权利要求1所示的一种紫外成像与红外成像协同检测电力设备故障的方法，其特征在于：步骤(4)包括以下步骤：

A、提取所述降噪红外图像中各个待检测区域的位置信息，按照所述位置信息依次提取降噪紫外图像中的各待预测区域；

B、依次对所述待预测区域运用邻域灰度差投票算法分割出异常放电光斑轮廓；

C、对所述异常放电光斑轮廓进行孔洞填充，得到所有待预测区域的异常放电光斑，取所述异常放电光斑的像素点数量之和作为异常放电光斑面积T_G。

6.根据权利要求1所示的一种紫外成像与红外成像协同检测电力设备故障的方法，其特征在于：步骤(5)包括以下步骤：

A、取当前待检测区域的温度F_c与环境温度F_h的差值M＝F_c-F_k作为电力设备当前检测区域的异常发热评定参数；

B、统计当前待检测区域包含的像素点数量作为当前待预测区域面积T_D，将当前待检测区域的异常放电光斑面积T_G与当前待检测区域面积T_D的比值N＝T_G/T_D与当前电力设备环境湿度S数据相结合，令Q＝N-SN作为异常放电评定标准，Q的取值为0—1之间；

C、将M做归一化处理M＝M/M_max，其中，M_max为电力设备温度上限，M取值在0—1之间，按照公式F＝k₁M+k₂Q确定当前检测区域的故障定量值F，其中k₁、k₂为红外与紫外图像在故障评定中占的权重系数，根据当前相对湿度S调整k₁、k₂，其中 $k_1=\frac{(1+S)}{2},k_2=\frac{(1-S)}{2};$

D、依次完成所有待预测区域的故障检测。

7.根据权利要求1或3所述的一种紫外成像与红外成像协同检测电力设备故障的方法，其特征在于：所述快速区域生长方法在降噪红外图像的R通道、阈值分割后的G通道图像中分别选取像素值靠前的10个像素点作为种子点同时向外生长。

8.根据权利要求1或5所述的一种紫外成像与红外成像协同检测电力设备故障的方法，其特征在于：所述邻域灰度差投票算法包括如下步骤：

a、计算待检测区域当前像素点与当前像素点四个方向相邻像素点的像素值差值；

b、将所述差值依次与设定的阈值进行比较，若大于阈值，则当前像素点票数加1，反之则保持原票数；

c、当前像素点的总票数大于1时，保留当前像素点像素值，反之则将其像素值置为0。

9.一种紫外成像与红外成像协同检测电力设备故障的***，其特征在于：所述***包括图像预处理模块、异常发热区域检测模块、温度分析模块、异常放电分析模块、故障分析模块、数据库模块，图像预处理模块、待预测区域检测模块依次连接，待预测区域检测模块输出端分别接至温度分析模块及异常放电分析模块，温度分析模块及异常放电模块的输出端均接至故障分析模块，数据库模块与温度分析模块及故障分析模块相连。

所述图像预处理模块用于对获取的红外图像及紫外图像进行降噪处理，得到的降噪红外图像、降噪紫外图；

所述待检测区域检测模块用于对降噪红外图像进行快速区域生长计算，确定待预测区域；

所述温度分析模块依次计算各待预测区域的像素平均值，并根据数据库中的红外温度标定数据，确定所述像素平均值对应的温度，即为各待检测区域的温度；

所述异常放电分析模块根据在降噪紫外图像上提取出所有的待检测区域，利用邻域灰度差投票算法在各待检测区域中分割出异常放电光斑，并计算异常放电光斑的面积；

所述故障分析模块根据各待检测区域的温度以及异常放电光斑的面积，确定电力设备故障定量值，并将检测结果存储至数据库中；

所述数据库为温度分析模块及故障分析模块的计算提供相应的数据。

10.根据权利要求9所述的一种紫外成像与红外成像协同检测电力设备故障的***，其特征在于：所述数据库包括红外温度标定数据、电力设备环境温度数据、电力设备环境湿度数据。