CN109870617A - 一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法，旨在通过对红外图像时空属性进行分析，结合图像纹理信息和温度时序变化信息，利用宽度学习完成电气设备故障诊断。该方法能够在极短的时间内提取出出每张红外图像中需要分析的目标电力设备并且给出对应的温度信息，解决红外图像只能使用专门配备的随机软件进行分析的掣肘，同时深度挖掘了红外图像的时空属性，从多维度分析红外图像，提高红外诊断技术的有效性和准确性。

Description

一种基于宽度学习和红外图像时空特征的智能电厂电气设备 故障诊断方法

技术领域

本发明属于基于红外诊断技术的电气设备维护领域，特别是涉及一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法。

背景技术

红外故障诊断技术利用红外热成像原理显示设备表面温度分布情况，以判断设备内部状况，具有图形直观、判断准确、安全可靠、诊断效率高等特点，在电气设备的预防性检修中发挥了重要作用。现如今诸多电力集团配备先进的红外热成像仪，用于检测输变电设备电压致热或电流致热型缺陷，如主变压器、互感器、避雷器等设备的引线接触不良问题；还用于快速检测转动机械运行时的温度异常，如轴承和齿轮等转动部件温度异常、润滑和冷却***温度异常，帮助判断转动机械设备故障原因。但是目前各单位用的仪器品牌不一，随机软件只有温度识别显示功能等，在应用于不同的设备时，只能根据检测者的经验和相关的国标和行业规范作为检测标准，必须通过综合分析和工程实际经验的分析找出判据。并且红外图像的格式是由生产红外热像仪的厂家为仪器规定的，必须借助随机附带的处理软件才能读取温度等信息，而且软件功能参差不齐，处理功能一般只能满足大多数用户的简单需求，能够提供的图像信息非常有限，不具有二次开发的条件。综上，针对红外图像进行量化分析获得图像中的目标电气设备及其温度场分布信息，并且后续对图像信息进一步挖掘，提取特征反映设备运行状况，以满足工业、电力行业中日益增长的运行安全需要，具有重要的现实意义。

发明内容

本发明的目的在于针对现有的红外图像只能通过专门配备的随机软件进行分析且分析功能完全取决于生产商从而导致红外图像量化分析受限制的问题，提出一种快速的温度软测量及其目标电力设备故障诊断策略。该策略可对电力设备的红外图像进行量化分析，准确获得红外图像中每个点的温度值，提取目标电力设备区域，并针对该区域提取时间及空间特征，不仅更加有利于红外图像的流通与处理，从而使得不借助生厂商的软件进行二次分析，进一步挖掘图像信息，并且改善了由于在实际工业、电力环境中，每次拍摄的角度、位置不能完全保证完全一致从而对后续图像信息挖掘带来的干扰的问题，实现了对红外图像时间信息和空间信息的充分利用，提高了基于红外故障诊断技术的准确性。

本发明采用如下技术方案：一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法，该方法包括以下步骤：

(1)利用红外热像仪在工业环境中获取电力设备的多帧红外图像；

(2)针对获得的红外图像，读取图像中任意一条直线l上的温度值Y；

(3)针对步骤(1)中获得的图像，将其从RGB真彩图像转换为二维灰度图像，转换公式如下：

X＝0.299*R+0.587*G+0.114*B (1)

(4)以直线l上的灰度值X作为神经网络输入，温度值Y作为神经网络的输出值，构建BP神经网络模型来拟合灰度值和温度值之间的关系，从而根据灰度值得到整个红外图像的温度值；

(5)针对步骤(3)获得的二维灰度图像，对其进行基于阈值的图像分割，从而获得图像中的目标电气设备，其具体步骤如下：

(5.1)待分析区域的归一化直方图。令{0,1,...,L-1}表示大小为M*N像素的区域图像中的L个不同的灰度级，n_z表示灰度级为z的像素个数。区域图像中的像素总数为MN＝n₀+n₁+n₂+...+n_L-1，p_z＝n_z/MN表示该直方图中的灰度级为z 的归一化频数,z＝0,1,2,...,L-1。

(5.2)对于u＝0,1,2,...,L-1，计算累计和P₁(u)，计算公式如下：

(5.3)对于u＝0,1,2,...,L-1，计算累计均值m(u)，计算公式如下：

(5.4)计算全局灰度均值m_G，计算公式如下：

(5.5)对于u＝0,1,2,...,L-1，计算类间方差计算公式如下：

(5.6)通过使得目标函数(5)取得最大值，得到Otsu阈值u^*，如果最大值不唯一，用检测到的各个最大值u的平均得到u^*；

(5.7)基于最佳阈值u^*利用如下公式对区域图像进行分割，得到分割后图像：

IM(x,y)为二维灰度图像中像素点(x,y)的灰度值。分割后像素点为1的像素点组成目标电气设备，取目标设备的最小邻接矩阵作为目标设备区域g(x,y)。

(6)针对步骤(5)中得到的目标设备区域g(x,y)，基于灰度共生矩阵，提取其空间特征，进而描述电气设备工作时其温度分布情况，其具体步骤如下：

(6.1)针对目标设备区域g(x,y)，在红外图像坐标系下，从四个方向计算其灰度共生矩阵D，四个方向与X轴的角度分别为：0°，45°,135°,180°。

P(i,j)＝#{f(x1,y1)＝i,f(x2,y2)＝j} (8)

其中#()表示集合中的元素个数,P(i,j)表示矩阵D中第i行第j列元素值； (x1,y1)(x2,y2)为图像区域g(x,y)中的任意两点，f(x,y)表示像素点(x,y)的像素值。

(6.2)针对步骤(6.1)中获得的灰度共生矩阵，可以计算4种纹理特征

Contrast测量像素和它的相邻像素点在整个图像上的强度对比度。Correlation是指像素在整个图像上与其相邻像素点的关系。Entropy表示图像中纹理的不均匀性或复杂程度。Energy在灰度共生矩阵中返回平方元素之和。u_i为共生矩阵中第i行的均值，u_j为共生矩阵中第j列的均值，σ_i为共生矩阵中第i行的方差，σ_j为共生矩阵中第j列的方差。

(7)针对步骤(5)中得到的目标电气设备图像区域g(x,y)，基于统计学习，提取其时序特征，具体步骤如下：

(7.1)针对目标电气设备图像区域g(x,y)，计算其温度均值μ，温度极大值max，温度极小值min，温度峰度值kurtosis和温度偏度值skewness，其中，

σ为目标电气设备图像区域中温度的方差，E为期望值。

(7.2)计算连续两帧图像中五个统计值的差值，作为温度时序变化特征；

(8)步骤(6)获得的4种纹理特征和步骤(7)中提取的时序变化特征构成时空特征F，将其作为宽度学习***的输入，完成故障诊断与判别，具体步骤如下：

(8.1)将时空特征F经过线性映射和激活函数变换得到：

其中为映射节点的神经元权重系数，为映射节点的神经元偏差量；φ为映射节点的激活函数。将n次映射变化得到的映射节点记为：

Zⁿ＝[Z₁,Z₂,...,Z_n] (16)

(8.2)同理增强节点H_m由映射节点经过线性映射和激活函数变换得到：

其中为增强节点的神经元权重系数，为增强节点神经元偏差量；ξ为增强节点的激活函数。

(8.3)采用如下线性形式的宽度学习模型进行故障诊断：

其中，W^m是宽度学习***的权重系数，通过训练得到；

当Y＝1时，表明设备发生故障，Y＝0时，表明没有故障。

进一步地，所述W^m的训练按照步骤1-8执行，当输入的样本为无故障的电力设备的多帧红外图像时，Y＝0，当输入的样本为有故障的电力设备的多帧红外图像时，Y＝1。

本发明的有益效果在于：本发明是面向电厂中电气设备的快速红外温度场软测量及故障诊断方法，通过建立图像灰度值和温度之间的关系，利用BP神经网络建立温度软测量模型，并利用图像分割算法提取目标电气设备区域。进一步，针对目标电气设备区域，基于灰度共生矩阵提取空间图像特征，基于软测量模型获得该区域温度并提取其温度时序变化特征。最后基于时空特征和宽度学习对目标电气设备进行分类，判断其当前是否处于正常运行状态。针对每帧图像，本发明都可以在几十秒的时间内给出故障诊断结果，能够快速的为电气设备反馈运行状态信息，提供参考依据，进而避免重大事故的发生。

附图说明

图1是本发明基于宽度学习和红外图像时空特征的电厂电气设备故障诊断方法框图；

图2是本发明中涉及的油泵红外图像及其L0温度曲线，利用L0图像的灰度值和其对应的真实温度值训练BP神经网络，从而得到温度-灰度关系转换模型；其中，(a)油泵红外图像(b)L0温度曲线；

图3是本发明中红外图像的温度-灰度曲线，温度真实值由红外热像仪随机软件获得，灰度值由红外图像转换而来，从而进行下一步的关系拟合；

图4是本发明拟合温度-灰度关系时采用的BP神经网络结构，因为神经网络理论上具有拟合任何函数的能力，综合考虑时间成本和模型复杂段，本发明采用三层神经网络结构；

图5是本发明中涉及红外图像(左)及其对应的温度矩阵(右)；

图6中，(a)原始红外图像，(b)灰度图像，(c)目标设备区域；

图7是本发明研究对象红外图像的时空属性方法，同时从温度时序变化角度和温度场空间纹理分布两个角度对图像特征进行提取，充分利用了图像的信息；

图8是(a)主变压器可见光图像(b)异常温度红外图像(c)正常温度红外图像，表明了红外图像与可见光图像相比，细节信息缺失，但是却可以反映出主变压器运行时表面温度；

图9是本发明方法中涉及到的碳刷、集电环、套管红外图像及其运行温度范围。

具体实施方式

本发明公开了一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法，旨在通过对红外图像时空属性进行分析，结合图像纹理信息和温度时序变化信息，利用宽度学习完成电气设备故障诊断。首先，针对电厂中的红外精密点检数据，拟合灰度值-温度值关系，完成温度软测量，从而解决红外热像仪的图像格式特殊、不通用以及其随机附带处理软件价格昂贵且功能不一的问题。然后基于最优阈值分割方法，从图像中提取关键目标电气设备，从而避免了复杂背景对故障诊断的干扰。针对提取出的关键目标电气设备，研究其红外图像的时空属性，进而提取出可以反映温度变化的时序特征和温度场分布的空间特征。最后，结合时序特征，利用宽度学习分类器，完成电气设备故障诊断。该方法能够在极短的时间内提取出出每张红外图像中需要分析的目标电力设备并且给出对应的温度信息，解决红外图像只能使用专门配备的随机软件进行分析的掣肘，同时深度挖掘了红外图像的时空属性，从多维度分析红外图像，提高红外诊断技术的有效性和准确性。

下面结合附图及具体实例，对本发明作进一步详细说明，图1是本发明中方法总框图。

(1)利用红外热像仪在工业环境中获取电力设备的多帧红外图像；

(2)针对获得的红外图像，读取图像中任意一条直线l上的温度值Y；如图 2所示，针对油泵红外图像，利用随机软件smartview对L0直线上数据进行读取；

(3)针对步骤(1)中获得的图像，将其从RGB真彩图像转换为二维灰度图像，转换公式如下：

X＝0.299*R+0.587*G+0.114*B (1)

(4)以直线l上的灰度值X作为神经网络输入，温度值Y作为神经网络的输出值，构建BP神经网络模型来拟合灰度值和温度值之间的关系，完成温度软测量，得到整个红外图像对应的真实温度值。如图3所示，温度和灰度之间近似线性关系，但是并不是一一对应的关系。基于神经网络可以逼近任意函数的性质，我们将X作为神经网络输入，Y作为神经网络输出，构建如图4所示BP神经网络模型来拟合两者之间的关系，完成温度软测量，得到整个红外图像对应的真实温度值。如图5所示，针对一张分辨率为240*320的图像，可以得到240*320的温度矩阵

(5)针对步骤(3)获得的二维灰度图像，对其进行基于阈值的图像分割，从而获得图像中的目标电气设备，其具体步骤如下：

(5.1)待分析区域的归一化直方图。令{0,1,...,L-1}表示大小为M*N像素的区域图像中的L个不同的灰度级，n_z表示灰度级为z的像素个数。区域图像中的像素总数为MN＝n₀+n₁+n₂+...+n_L-1，p_z＝n_z/MN表示该直方图中的灰度级为z 的归一化频数,z＝0,1,2,...,L-1。

(5.2)对于u＝0,1,2,...,L-1，计算累计和P₁(u)，计算公式如下：

(5.3)对于u＝0,1,2,...,L-1，计算累计均值m(u)，计算公式如下：

(5.4)计算全局灰度均值m_G，计算公式如下：

(5.5)对于u＝0,1,2,...,L-1，计算类间方差计算公式如下：

(5.6)通过使得目标函数(5)取得最大值，得到Otsu阈值u^*，如果最大值不唯一，用检测到的各个最大值u的平均得到u^*；

(5.7)基于最佳阈值u^*利用如下公式对区域图像进行分割，得到分割后图像：

IM(x,y)为二维灰度图像中像素点(x,y)的灰度值。分割后像素点为1的像素点组成目标电气设备，取目标设备的最小邻接矩阵作为目标设备区域g(x,y)，如图6所示，图(a)为原始红外图像，(b)为灰度图像，(c)为分割后得到的目标图像区域，消除了背景信息对后续分析的干扰。接下来我们针对获得的目标设备区域，分析其时空属性。如图7所示，红外图像数据在时间上具有邻近性和周期性两个特点，邻近性是指在正常运行工况下，两个相邻时间点下设备运行温度具有一定的相似性，如果运行温度发生突变，说明运行状态可能处于异常状态；周期性是由于季节性、工况周期性变化等原因，设备的运行温度可能具有某种周期性质。此外，红外数据在空间上分布，除了反映了设备纹理，形状特征外，还反映了设备运行温度分布。稳定工况下的设备运行温度分布相对异常工况下温度分布而言，由于极端值要少一些，所以要相对平缓一些。因此，下面从时空属性两个角度，提取能够反映温度时序变化和空间分布均匀的红外数据特征。

(6)针对步骤(5)中得到的目标电气设备图像区域g(x,y)，基于灰度共生矩阵，提取其空间特征，进而描述电气设备工作时其温度分布情况，其具体步骤如下：

(6.1)针对目标电气设备图像区域g(x,y)；在红外图像坐标系下，从四个方向计算其灰度共生矩阵D，四个方向与X轴的角度分别为：0°，45°,135°,180°。

P(i,j)＝#{f(x1,y1)＝i,f(x2,y2)＝j} (8)

其中#()表示集合中的元素个数,P(i,j)表示矩阵D中第i行第j列元素值； (x1,y1)(x2,y2)为图像区域g(x,y)中的任意两点，f(x,y)表示像素点(x,y)的像素值。

(6.2)针对步骤(6.1)中获得的灰度共生矩阵，可以计算4种纹理特征

Contrast测量像素和它的相邻像素点在整个图像上的强度对比度。Correlation是指像素在整个图像上与其相邻像素点的关系。Entropy表示图像中纹理的不均匀性或复杂程度。Energy在灰度共生矩阵中返回平方元素之和。u_i为共生矩阵中第i行的均值，u_j为共生矩阵中第j列的均值，σ_i为共生矩阵中第i行的方差，σ_j为共生矩阵中第j列的方差。

(7)针对步骤(5)中得到的目标电气设备图像区域g(x,y)，基于统计学习，提取其时序特征，具体步骤如下：

(7.1)针对目标电气设备图像区域g(x,y)，计算其温度均值μ，温度极大值max，温度极小值min，温度峰度值kurtosis和温度偏度值skewness，其中，

σ为目标电气设备图像区域中温度的方差，E为期望值。

(7.2)计算连续两帧图像中五个统计值的差值，作为温度时序变化特征；

(8)步骤(6)获得的4种纹理特征和步骤(7)中提取的时序变化特征构成时空特征F，将其作为宽度学习***的输入，完成故障诊断与判别，具体步骤如下：

(8.1)将时空特征F经过线性映射和激活函数变换得到

其中为映射节点的神经元权重系数，为映射节点的神经元偏差量；φ为映射节点的激活函数。将n次映射变化得到的映射节点记为：

Zⁿ＝[Z₁,Z₂,...,Z_n] (16)

(8.2)同理增强节点H_m由映射节点经过线性映射和激活函数变换得到：

其中为增强节点的神经元权重系数，为增强节点神经元偏差量；ξ为增强节点的激活函数。

(8.3)采用如下线性形式的宽度学习模型进行故障诊断：

其中，W^m是宽度学习***的权重系数，通过训练得到；

当Y＝1时，表明设备发生故障，Y＝0时，表明没有故障。

所述W^m的训练按照步骤1-8执行，当输入的样本为无故障的电力设备的多帧红外图像时，Y＝0，当输入的样本为有故障的电力设备的多帧红外图像时，Y＝1。通过伪逆求解方法计算[Zⁿ|H^m]⁺，即获得W^m。

在本发明中，我们将整个方法应用于区分碳刷、集电环及套管三种设备的运行状态。如图8所示，碳刷、集电环及套管的红外图像存在明显的纹理区分，这里当运行温度超过其规定的上限时，将其设定为故障类，否则设定为正常运行类，因此最后的数据集存在6个类别。针对这6个类别的故障诊断，本发明取得的结果如表1所示。

表1：电气设备红外图像分类结果

模型	Precision	Recall	F1-score
				KNN	0.81	0.78	0.78
Xgboost	0.86	0.84	0.84
				Random Forest	0.90	0.88	0.87
Broad Learning system	0.95	0.94	0.94

应该理解，本发明作为一种故障诊断算法，并不局限于上述具体实施例具体实验设施与实验条件，凡是熟悉本领域的技术人员在不违背本发明精神的前提下还可做出等同变形或替换，这些等同的变型或替换均包含在本申请保护范围内。

Claims (2)

1.一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法，其特征在于，该方法包括以下步骤：

(1)利用红外热像仪在工业环境中获取电力设备的多帧红外图像；

(2)针对获得的红外图像，读取图像中任意一条直线l上的温度值Y；

(3)针对步骤(1)中获得的图像，将其从RGB真彩图像转换为二维灰度图像，转换公式如下：

X＝0.299*R+0.587*G+0.114*B (1)

(4)以直线l上的灰度值X作为神经网络输入，温度值Y作为神经网络的输出值，构建BP神经网络模型来拟合灰度值和温度值之间的关系，从而根据灰度值得到整个红外图像的温度值；

(5)针对步骤(3)获得的二维灰度图像，对其进行基于阈值的图像分割，从而获得图像中的目标电气设备，其具体步骤如下：

(5.1)待分析区域的归一化直方图。令{0,1,...,L-1}表示大小为M*N像素的区域图像中的L个不同的灰度级，n_z表示灰度级为z的像素个数。区域图像中的像素总数为MN＝n₀+n₁+n₂+...+n_L-1，p_z＝n_z/MN表示该直方图中的灰度级为z的归一化频数,z＝0,1,2,...,L-1。

(5.2)对于u＝0,1,2,...,L-1，计算累计和P₁(u)，计算公式如下：

(5.3)对于u＝0,1,2,...,L-1，计算累计均值m(u)，计算公式如下：

(5.4)计算全局灰度均值m_G，计算公式如下：

(5.5)对于u＝0,1,2,...,L-1，计算类间方差计算公式如下：

(5.6)通过使得目标函数(5)取得最大值，得到Otsu阈值u^*，如果最大值不唯一，用检测到的各个最大值u的平均得到u^*；

(5.7)基于最佳阈值u^*利用如下公式对区域图像进行分割，得到分割后图像：

IM(x,y)为二维灰度图像中像素点(x,y)的灰度值。分割后像素点为1的像素点组成目标电气设备，取目标设备的最小邻接矩阵作为目标设备区域g(x,y)。

(6)针对步骤(5)中得到的目标设备区域g(x,y)，基于灰度共生矩阵，提取其空间特征，进而描述电气设备工作时其温度分布情况，其具体步骤如下：

(6.1)针对目标设备区域g(x,y)，在红外图像坐标系下，从四个方向计算其灰度共生矩阵D，四个方向与X轴的角度分别为：0°，45°,135°,180°。

P(i,j)＝#{f(x1,y1)＝i,f(x2,y2)＝j} (8)

其中#(·)表示集合中的元素个数,P(i,j)表示矩阵D中第i行第j列元素值；(x1,y1)(x2,y2)为图像区域g(x,y)中的任意两点，f(x,y)表示像素点(x,y)的像素值。

(6.2)针对步骤(6.1)中获得的灰度共生矩阵，可以计算4种纹理特征

Contrast测量像素和它的相邻像素点在整个图像上的强度对比度。Correlation是指像素在整个图像上与其相邻像素点的关系。Entropy表示图像中纹理的不均匀性或复杂程度。Energy在灰度共生矩阵中返回平方元素之和。u_i为共生矩阵中第i行的均值，u_j为共生矩阵中第j列的均值，σ_i为共生矩阵中第i行的方差，σ_j为共生矩阵中第j列的方差。

(7)针对步骤(5)中得到的目标电气设备图像区域g(x,y)，基于统计学习，提取其时序特征，具体步骤如下：

(7.1)针对目标电气设备图像区域g(x,y)，计算其温度均值μ，温度极大值max，温度极小值min，温度峰度值kurtosis和温度偏度值skewness，其中，

σ为目标电气设备图像区域中温度的方差，E为期望值。

(7.2)计算连续两帧图像中五个统计值的差值，作为温度时序变化特征；

(8)步骤(6)获得的4种纹理特征和步骤(7)中提取的时序变化特征构成时空特征F，将其作为宽度学习***的输入，完成故障诊断与判别，具体步骤如下：

(8.1)将时空特征F经过线性映射和激活函数变换得到：

其中为映射节点的神经元权重系数，为映射节点的神经元偏差量；φ为映射节点的激活函数。将n次映射变化得到的映射节点记为：

Zⁿ＝[Z₁,Z₂,...,Z_n] (16)

(8.2)同理增强节点H_m由映射节点经过线性映射和激活函数变换得到：

其中为增强节点的神经元权重系数，为增强节点神经元偏差量；ξ为增强节点的激活函数。

(8.3)采用如下线性形式的宽度学习模型进行故障诊断：

其中，W^m是宽度学习***的权重系数，通过训练得到；

当Y＝1时，表明设备发生故障，Y＝0时，表明没有故障。

2.根据权利要求1所述的方法，其特征在于，所述W^m的训练按照步骤1-8执行，当输入的样本为无故障的电力设备的多帧红外图像时，Y＝0，当输入的样本为有故障的电力设备的多帧红外图像时，Y＝1。