CN110910383B - 基于红外图像识别的调相机故障监测方法和*** - Google Patents
基于红外图像识别的调相机故障监测方法和*** Download PDFInfo
- Publication number
- CN110910383B CN110910383B CN201911223785.8A CN201911223785A CN110910383B CN 110910383 B CN110910383 B CN 110910383B CN 201911223785 A CN201911223785 A CN 201911223785A CN 110910383 B CN110910383 B CN 110910383B
- Authority
- CN
- China
- Prior art keywords
- fault
- infrared image
- temperature
- real
- phase modulator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 238000010438 heat treatment Methods 0.000 claims abstract description 78
- 230000002159 abnormal effect Effects 0.000 claims abstract description 56
- 238000003745 diagnosis Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims description 15
- 230000007547 defect Effects 0.000 claims description 11
- 239000013307 optical fiber Substances 0.000 claims description 11
- 238000009529 body temperature measurement Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 6
- 230000016507 interphase Effects 0.000 claims description 3
- 230000036760 body temperature Effects 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims 1
- 238000010219 correlation analysis Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 9
- 238000003331 infrared imaging Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000009411 base construction Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000001757 thermogravimetry curve Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0096—Radiation pyrometry, e.g. infrared or optical thermometry for measuring wires, electrical contacts or electronic systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Quality & Reliability (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种基于红外图像识别的调相机故障监测方法,包括:S1:实时采集调相机的红外图像;S2:判断采集到的红外图像中是否存在异常发热部位,如果存在,采用红外热温仪对该异常发热部位进行测温,并确定环境温度,生成对应的红外图像,进入步骤S3,否则,进入步骤S1;S3:获取异常发热部位对应的电气设备的实时运行数据;S4:结合红外图像和实时运行数据,确定故障点和对应的故障程度,生成故障报警信号。本发明通过采集调相机运行时的红外图像,利用案例诊断数据库、图像识别的关联分析方法,对输入的***数据、监测数据、与过往的案例诊断数据进行计算和预判断,从而获取调相机的实时状态信息,对可能出现的故障作出预判与报警。
Description
技术领域
本发明涉及调相机故障监测技术领域,具体而言涉及一种基于红外图像识别的调相机故障监测方法和***。
背景技术
调相机作为一种无功补偿设备,具有跟踪速度快,补偿范围广,故障率低等优点,能有效支撑电网电压和提高电网的稳定性,大容量调相机在当今日趋负载的电力***中具有良好的应用前景。调相机***中的核心功能部分是其本体机械结构,因而保证调相机本体的正常运行尤为重要。传统的定期检修方法必然影响调相机工作效率,且不能及时发现问题。而在线状态监测***可以对电气设备的实时状态进行评估,在设备故障前施行对应的措施,排除安全隐患,避免事故。
目前,调相机故障检测多采用噪声、振动等物理传感检测手段进行检测,数据量和计算量大,且容易出现误判、漏判。另外,对于某些特定区域,难以安装传感设备,使其经常成为检测盲点。
发明内容
本发明目的在于提供一种基于红外图像识别的调相机故障监测方法和***,以调相机本体配置为基础,根据调相机本体故障发生时会异常发热的特点,通过采集调相机运行时的红外图像,利用案例诊断数据库、图像识别的关联分析方法,对输入的***数据、监测数据、与过往的案例诊断数据进行计算和预判断,从而获取调相机的实时状态信息,对可能出现的故障作出预判与报警。
为达成上述目的,结合图1,本发明提出一种基于红外图像识别的调相机故障监测方法,所述调相机故障监测方法包括:
S1:实时采集调相机的红外图像;
S2:判断采集到的红外图像中是否存在异常发热部位,如果存在,采用红外热温仪对该异常发热部位进行测温,并确定环境温度,生成对应的红外图像,进入步骤S3,否则,进入步骤S1;
S3:获取异常发热部位对应的电气设备的实时运行数据;
S4:结合红外图像和实时运行数据,确定故障点和对应的故障程度,生成故障报警信号。
进一步的实施例中,步骤S1中,所述实时采集调相机的红外图像的过程包括以下步骤:
对电气设备和线路进行等级划分,包括一般等级和重点等级两类;
采用红外热电视或热像仪对一般等级的电气设备和线路进行全面扫描,对重点等级的电气设备和线路的发热部位摄取热像图。
进一步的实施例中,步骤S2中,所述采用红外热温仪对该异常发热部位进行测温,并确定环境温度,生成对应的红外图像的过程包括以下步骤:
计算被测物体的表面发射率,根据被测物体的表面发射率确定参照物,获取参照物的温度作为环境温度;
输入补偿参数并设定正常工作状态对应的温度范围;
针对同一测量对象,从多个不同的方位进行测温,找出最高发热点的温度值,采用补偿参数对测量值进行补偿;
其中,对不同的测量对象,测温时的距离和方位一致。
进一步的实施例中,所述补偿参数包括环境温度、相对湿度和测量距离。
进一步的实施例中,步骤S4中,所述结合红外图像和实时运行数据,确定故障点和对应的故障程度,生成故障报警信号的过程包括以下步骤:
S41:接收红外图像和实时运行数据;
S42:将红外图像转换成灰度图像,判断是否存在异常灰度值,如果存在,进入步骤S43,否则,返回步骤S41;
S43:判断异常灰度值对应的范围是否达到了器件尺寸程度,如果达到,将此区域设定成异常发热点,进入步骤S44,否则,返回步骤S41;
S44:将包含有异常发热点的红外图像以及对应的实时运行数据导入基于故障数据库创建的故障诊断模型,计算得到故障点位置信息和对应的故障程度。
进一步的实施例中,步骤S42中,所述将红外图像转换成灰度图像是指,
根据温度和灰度的相关性,结合相关设备的正常工作温度,将红外图像转换成灰度图像。
进一步的实施例中,步骤S44中,所述计算得到故障点位置信息和对应的故障程度的过程包括以下步骤:
S441:采用灰度阈值对灰度图像进行分割,确定红外图像上的故障点位置信息;
S442:计算得到异常发热点的热斑温度、温升范围、相间温差、相对温差,其中,相对温差δ的计算公式为:
式中,T1为故障相发热点的温度,℃;T2为正常相对应点的温度,℃;T0为环境温度或环境参照体温度,℃;
S443:将计算结果与各自对应的限定值做比对,得到故障点对应的发热等级:
(1)当热斑温度>50℃,温升范围在10℃~40℃之间、或相间温差超过10℃、或δ≥35%时,将对应的发热等级判定成一般热缺陷;
(2)当热斑温度>80℃,温升范围在40℃~70℃之间、相间温差超过30℃、或δ≥80%时,将对应的发热等级判定成严重热缺陷;
(3)当热斑温度>110℃,温升超70℃,相间温差超过60℃或δ≥95%时,将对应的发热等级判定成危险热缺陷;
S444:结合发热等级和实时运行数据,生成故障报警信号。
进一步的实施例中,所述结合红外图像和实时运行数据,确定故障点和对应的故障程度,生成故障报警信号的过程还包括以下步骤
将包含有异常发热点的红外图像、对应的实时运行数据、以及计算结果、排障方案存储至故障数据库。
基于前述调相机故障监测方法,本发明还提及一种基于红外图像识别的调相机故障监测***,所述调相机故障监测***包括红外图像识别子***、故障数据库、故障诊断子***;
所述红外图像识别子***用于实时采集调相机的红外图像,判断采集到的红外图像中是否存在异常发热部位,如果存在,对该异常发热部位进行测温,并确定环境温度,对热像图的温度场进行分析处理后,发送至故障诊断子***;
所述故障数据库用于存储所有电气设备和线路的故障记录;
所述故障诊断子***用于接收红外图像识别子***发送的包含有异常发热部位的红外图像,调取对应电气设备的实时运行数据,基于故障数据库,结合红外图像和实时运行数据,确定故障点和对应的故障程度,生成故障报警信号。
进一步的实施例中,所述红外图像识别子***采用光纤测温在线监测装置。
以上本发明的技术方案,与现有相比,其显著的有益效果在于:
(1)以调相机本体配置为基础,根据调相机本体故障发生时会异常发热的特点,通过采集调相机运行时的红外图像,利用案例诊断数据库、图像识别的关联分析方法,对输入的***数据、监测数据、与过往的案例诊断数据进行计算和预判断,从而获取调相机的实时状态信息,对可能出现的故障作出预判与报警
(2)相较于传统的噪声、振动等物理传感检测手段,基于调相机温度的红外监测手段具有方便、快捷、不受场地局限、易操作性强、误差小等特点,通过监测温度的变化情况,可以及时发现调相机的异常情况。
(3)随着模式识别技术的进步,图像识别技术能够提供大量故障图像,使其反复进行机器学习,能够不断提高其故障识别能力,具有广阔的应用前景。
(4)结合红外图像和实际运行数据,对故障程度进行判断,达到更高的准确性和识别率。
(5)采用灰度值和温度值的对应关系,将红外图像转换成灰度图像进行分析,简化和加快了图像处理过程,能够精确定位到故障点和发热等级;灰度值和温度值的对应关系虽然在不同设备与不同运行环境下其对应绝对值可能发生变化,但其相同温升对应的灰度值变化程度具有一定规律性,图像转换结果精确性高。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外,所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1是本发明的基于红外图像识别的调相机故障监测方法的流程图。
图2是本发明的调相机主体红外图像识别与故障诊断流程图。
图3是本发明的调相机端部红外成像图示例图。
图4是本发明的红外图像转为灰度图像后效果图。
图5是本发明的故障数据库建立方法示意图。
图6是本发明的诊断模型训练流程图。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
结合图1,本发明提及一种基于红外图像识别的调相机故障监测方法,所述调相机故障监测方法包括:
S1:实时采集调相机的红外图像。
S2:判断采集到的红外图像中是否存在异常发热部位,如果存在,采用红外热温仪对该异常发热部位进行测温,并确定环境温度,生成对应的红外图像,进入步骤S3,否则,进入步骤S1。
S3:获取异常发热部位对应的电气设备的实时运行数据。
S4:结合红外图像和实时运行数据,确定故障点和对应的故障程度,生成故障报警信号。
本申请以调相机本体配置为基础,根据调相机本体故障发生时会异常发热的特点,提出了采集调相机运行时的红外图像,利用图像识别与比对技术,通过计算机算法对实时上传的红外图像进行判断,从而获取调相机的实时状态信息,对可能出现的故障作出预判与报警。
本方法可分为三个部分:红外图像识别、故障数据库建立、现场故障监测实施。其中红外图像识别与故障数据库建立两部分是现场故障监测实施得以实现的基础。
红外图像识别***:红外***硬件装置采用光纤测温在线监测装置。按照行业规范使用红外成像设备对检测设备进行红外成像采集
故障数据库建立:调相机红外图像故障识别过程主要包括调相机故障部位图像特征分割与抽取、特征知识库构建。
故障监测流程:红外成像采集完成后,先判断监测范围内是否有异常,若有异常,则对异常部位进行重点监测,判断故障等级,报警提示。
下面结合具体例子对前述步骤的工作原理做详细阐述。
第一步、实时采集调相机的红外图像
步骤S1中,所述实时采集调相机的红外图像的过程包括以下步骤:
对电气设备和线路进行等级划分,包括一般等级和重点等级两类。
采用红外热电视或热像仪对一般等级的电气设备和线路进行全面扫描,对重点等级的电气设备和线路的发热部位摄取热像图。
考虑到数据处理效率和速度,本发明提出,将电气设备和线路按照重要性进行等级划分,等级划分依据包括电气设备和线路的重要性、故障率、剩余使用寿命等等。
第二步、生成红外图像
步骤S2中,所述采用红外热温仪对该异常发热部位进行测温,并确定环境温度,生成对应的红外图像的过程包括以下步骤:
计算被测物体的表面发射率,根据被测物体的表面发射率确定参照物,获取参照物的温度作为环境温度。
输入补偿参数并设定正常工作状态对应的温度范围。
针对同一测量对象,从多个不同的方位进行测温,找出最高发热点的温度值,采用补偿参数对测量值进行补偿。其中,对不同的测量对象,测温时的距离和方位一致。优选的,所述补偿参数包括环境温度、相对湿度和测量距离。
隐患的检测过程一般为四个步骤:
(1)使用红外热电视或热像仪对一般的电气设备和线路进行全面扫描普遍检查,发现其异常发热部位。对重点电气设备和线路的发热部位摄取热像图。
(2)用红外热温仪对异常发热部位进行测温。测温时,应首先正确选择被测物体的表面发射率,选择适当的参照物确定环境温度,键入环境温度、相对湿度和测量距离等补偿参数并选取适当的温度范围;对同一测量对象应从不同的方位进行测量找出最高发热点的温度值,对不同的测量对象进行测温时应保持距离一致和方位一致。
(3)记录异常发热电气设备的实际负载电流、发热部位的表面温度以及环境温度。
(4)利用计算机对热像图的温度场进行分析处理,形成最终用于输入故障判断***的红外成像。
第三步,获取异常发热部位对应的电气设备的实时运行数据。
所述实时运行数据可以直接从DCS***实时数据库中获得运行参数,从数据采集***实时数据库中获得振动数据,无需另外设置硬件传感器和处理电路获取数据,简化了硬件结构,提高了数据获取的精度和速度。
第四步,故障诊断
步骤S4中,所述结合红外图像和实时运行数据,确定故障点和对应的故障程度,生成故障报警信号的过程包括以下步骤:
S41:接收红外图像和实时运行数据。
S42:将红外图像转换成灰度图像,判断是否存在异常灰度值,如果存在,进入步骤S43,否则,返回步骤S41。优选的,步骤S42中,所述将红外图像转换成灰度图像是指,根据温度和灰度的相关性,结合相关设备的正常工作温度,将红外图像转换成灰度图像。
S43:判断异常灰度值对应的范围是否达到了器件尺寸程度,如果达到,将此区域设定成异常发热点,进入步骤S44,否则,返回步骤S41。
S44:将包含有异常发热点的红外图像以及对应的实时运行数据导入基于故障数据库创建的故障诊断模型,计算得到故障点位置信息和对应的故障程度。
结合图6,所述故障诊断模型可基于神经网络创建,利用故障数据库中的数据生成训练样本,对其进行训练,直至其识别率和准确率均大于对应的阈值。在实际应用中,只需将包含有异常发热点的红外图像以及对应的实时运行数据导入故障诊断模型,即可直接输出故障点位置信息和对应的故障程度。
在另一些例子中,还包括以下步骤:
S45:将包含有异常发热点的红外图像、对应的实时运行数据、以及计算结果、排障方案存储至故障数据库,用以不断完善故障数据库,为后续的故障分析提供数据基础。
在一些例子中,步骤S44中,所述计算得到故障点位置信息和对应的故障程度的过程包括以下步骤:
S441:采用灰度阈值对灰度图像进行分割,确定红外图像上的故障点位置信息。
由温度和灰度的对应关系式,只要知道相关设备的正常工作温度,将其转换成灰度信息,采用灰度阈值进行分割,就可以对电气设备的故障在红外图像上进行识别和定位。
S442:计算得到异常发热点的热斑温度、温升范围、相间温差、相对温差,其中,相对温差δ的计算公式为:
式中,T1为故障相发热点的温度,℃;T2为正常相对应点的温度,℃;T0为环境温度或环境参照体温度,℃。
S443:将计算结果与各自对应的限定值做比对,得到故障点对应的发热等级。优选的,本发明将故障点绝对温度或相对温升作为划分故障或缺陷程度的主要依据,将发热温度分为三级缺陷:
(1)当热斑温度>50℃,温升范围在10℃~40℃之间、或相间温差超过10℃、或δ≥35%时,将对应的发热等级判定成一般热缺陷。
(2)当热斑温度>80℃,温升范围在40℃~70℃之间、相间温差超过30℃、或δ≥80%时,将对应的发热等级判定成严重热缺陷。
(3)当热斑温度>110℃,温升超70℃,相间温差超过60℃或δ≥95%时,将对应的发热等级判定成危险热缺陷。
S444:结合发热等级和实时运行数据,生成故障报警信号。
如图5所示,调相机红外图像故障识别过程主要包括调相机故障部位图像特征分割与抽取、特征知识库构建。其中,特征提取在图像识别中起着关键性作用,特征应该满足鲁棒性、可拓展性、可区分性和不变性要求。在特征提取阶段,优化算法性能可提高图像识别准确度。为实现故障点定位,先将红外图像转换为灰度图像。其中异常发热点温度值上升,同时灰度值减小,当灰度值异常减小区域对应的的范围达到了器件尺寸程度,即可判定为此区域为异常发热点。例如,采用罗列于表1中灰度值与温度值对应参考值,将图3中的红外图像转换成图4的灰度图像。在不同设备与不同运行环境下其对应绝对值可能发生变化,但其相同温升对应的灰度值变化程度具有一定规律性。
表1发热设备温度值与灰度图像灰度值对照
分析同一设备在不同时期的检测数据,找出设备致热参数的变化趋势和变化速率,判断设备是否正常。因此要求每次拍摄的红外热像图均应妥善存档,以备今后分析。相同型号不同设备之间的不同区域正常运行时发热趋势的数据可共享,以增加判断的准确性。
基于前述调相机故障监测方法,本发明还提及一种基于红外图像识别的调相机故障监测***,所述调相机故障监测***包括红外图像识别子***、故障数据库、故障诊断子***。
所述红外图像识别子***用于实时采集调相机的红外图像,判断采集到的红外图像中是否存在异常发热部位,如果存在,对该异常发热部位进行测温,并确定环境温度,对热像图的温度场进行分析处理后,发送至故障诊断子***。
所述故障数据库用于存储所有电气设备和线路的故障记录。
所述故障诊断子***用于接收红外图像识别子***发送的包含有异常发热部位的红外图像,调取对应电气设备的实时运行数据,基于故障数据库,结合红外图像和实时运行数据,确定故障点和对应的故障程度,生成故障报警信号。
优选的,所述红外图像识别子***采用光纤测温在线监测装置
红外***硬件装置采用光纤测温在线监测装置。光纤测温在线监测装置集光、机、电、计算机、光纤光缆和弱信号检测等技术为一体,在温度在线监测领域深受用户欢迎。分布式光纤温度监测IED是由测温主机、应用软件、传感光缆及其它周边设备配置而成。可以连续测量、准确定位整条传感光纤(光缆)所在空间的温度,传感光纤既是传输媒体又是传感媒体。光纤具有不带电、抗射频和电磁干扰、防燃、防爆、抗腐蚀、耐高温和使用寿命长、能在有害环境中安全运行等优点。
结合图2、图5,现场操作时,先使用红外成像仪等设备对调相机主体进行红外摄像。把红外图像输入已确定好算法的软件中进行判断。首先根据灰度图像的灰度值确定全部监测范围内是否有可能的故障点,若无,则继续进行红外图像采集与全局异常判断,无限循环;若有,则首先判断故障点位置,然后对此位置的红外图像进行更为详细的分析。按照发热等级,确定故障点的发热故障程度,分为1、2、3级故障,然后将此信息输出,向设备运行维护人员报告预警。在接到报告预警后,工作人员可有针对性地对该部件进行检查,结合振动、电流电压等检测量综合进行判断处置。
在本公开中参照附图来描述本发明的各方面,附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解,上面介绍的多种构思和实施例,以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施,这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (7)
1.一种基于红外图像识别的调相机故障监测方法,其特征在于,所述调相机故障监测方法包括:
S1:实时采集调相机的红外图像;
S2:判断采集到的红外图像中是否存在异常发热部位,如果存在,采用红外热温仪对该异常发热部位进行测温,并确定环境温度,生成对应的红外图像,进入步骤S3,否则,进入步骤S1;
S3:获取异常发热部位对应的电气设备的实时运行数据;
所述实时运行数据直接从DCS***实时数据库中获得运行参数,从数据采集***实时数据库中获得振动数据,无需另外设置硬件传感器和处理电路获取数据,
S4:结合红外图像和实时运行数据,确定故障点和对应的故障程度,生成故障报警信号;
步骤S4中,所述结合红外图像和实时运行数据,确定故障点和对应的故障程度,生成故障报警信号的过程包括以下步骤:
S41:接收红外图像和实时运行数据;
S42:将红外图像转换成灰度图像,判断是否存在异常灰度值,如果存在,进入步骤S43,否则,返回步骤S41;
S43:判断异常灰度值对应的范围是否达到了器件尺寸程度,如果达到,将此区域设定成异常发热点,进入步骤S44,否则,返回步骤S41;
S44:将包含有异常发热点的红外图像以及对应的实时运行数据导入基于故障数据库创建的故障诊断模型,计算得到故障点位置信息和对应的故障程度;
步骤S44中,所述计算得到故障点位置信息和对应的故障程度的过程包括以下步骤:
S441:采用灰度阈值对灰度图像进行分割,确定红外图像上的故障点位置信息;
S443:将计算结果与各自对应的限定值做比对,得到故障点对应的发热等级:
(1)当热斑温度>50℃,温升范围在10℃~40℃之间、或相间温差超过10℃、或δ≥35%时,将对应的发热等级判定成一般热缺陷;
(2)当热斑温度>80℃,温升范围在40℃~70℃之间、相间温差超过30℃、或δ≥80%时,将对应的发热等级判定成严重热缺陷;
(3)当热斑温度>110℃,温升超70℃,相间温差超过60℃或δ≥95%时,将对应的发热等级判定成危险热缺陷;
S444:结合发热等级和实时运行数据,生成故障报警信号;
所述结合红外图像和实时运行数据,确定故障点和对应的故障程度,生成故障报警信号的过程还包括以下步骤:
将包含有异常发热点的红外图像、对应的实时运行数据、以及计算结果、排障方案存储至故障数据库。
2.根据权利要求1所述的基于红外图像识别的调相机故障监测方法,其特征在于,步骤S1中,所述实时采集调相机的红外图像的过程包括以下步骤:
对电气设备和线路进行等级划分,包括一般等级和重点等级两类;
采用红外热电视或热像仪对一般等级的电气设备和线路进行全面扫描,对重点等级的电气设备和线路的发热部位摄取热像图。
3.根据权利要求1所述的基于红外图像识别的调相机故障监测方法,其特征在于,步骤S2中,所述采用红外热温仪对该异常发热部位进行测温,并确定环境温度,生成对应的红外图像的过程包括以下步骤:
计算被测物体的表面发射率,根据被测物体的表面发射率确定参照物,获取参照物的温度作为环境温度;
输入补偿参数并设定正常工作状态对应的温度范围;
针对同一测量对象,从多个不同的方位进行测温,找出最高发热点的温度值,采用补偿参数对测量值进行补偿;
其中,对不同的测量对象,测温时的距离和方位一致。
4.根据权利要求3所述的基于红外图像识别的调相机故障监测方法,其特征在于,所述补偿参数包括环境温度、相对湿度和测量距离。
5.根据权利要求1所述的基于红外图像识别的调相机故障监测方法,其特征在于,步骤S42中,所述将红外图像转换成灰度图像是指,
根据温度和灰度的相关性,结合相关设备的正常工作温度,将红外图像转换成灰度图像。
6.应用如权利要求1所述方法的基于红外图像识别的调相机故障监测***,其特征在于,所述调相机故障监测***包括红外图像识别子***、故障数据库、故障诊断子***;
所述红外图像识别子***用于实时采集调相机的红外图像,判断采集到的红外图像中是否存在异常发热部位,如果存在,对该异常发热部位进行测温,并确定环境温度,对热像图的温度场进行分析处理后,发送至故障诊断子***;
所述故障数据库用于存储所有电气设备和线路的故障记录;
所述故障诊断子***用于接收红外图像识别子***发送的包含有异常发热部位的红外图像,调取对应电气设备的实时运行数据,基于故障数据库,结合红外图像和实时运行数据,确定故障点和对应的故障程度,生成故障报警信号。
7.根据权利要求6所述的基于红外图像识别的调相机故障监测***,其特征在于,所述红外图像识别子***采用光纤测温在线监测装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911223785.8A CN110910383B (zh) | 2019-12-04 | 2019-12-04 | 基于红外图像识别的调相机故障监测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911223785.8A CN110910383B (zh) | 2019-12-04 | 2019-12-04 | 基于红外图像识别的调相机故障监测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110910383A CN110910383A (zh) | 2020-03-24 |
CN110910383B true CN110910383B (zh) | 2022-06-10 |
Family
ID=69821829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911223785.8A Active CN110910383B (zh) | 2019-12-04 | 2019-12-04 | 基于红外图像识别的调相机故障监测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110910383B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340808A (zh) * | 2020-05-20 | 2020-06-26 | 北京小米移动软件有限公司 | 屏幕显示监控方法及装置、电子设备、存储介质 |
CN112465751B (zh) * | 2020-11-14 | 2022-08-23 | 国网湖北省电力有限公司电力科学研究院 | 大型调相机不抽转子气隙内物理表面自动检测方法 |
CN112485268A (zh) * | 2020-11-19 | 2021-03-12 | 广西电网有限责任公司南宁供电局 | 一种用于配电管井的监测方法及装置 |
CN113418616B (zh) * | 2020-12-22 | 2022-12-09 | 深圳市奕承达科技有限公司 | 一种额温枪的测温电路及其测温方法 |
CN113267258B (zh) * | 2021-05-18 | 2023-02-17 | 烟台艾睿光电科技有限公司 | 红外测温方法、装置、设备、智能巡检机器人及存储介质 |
CN113483898A (zh) * | 2021-08-04 | 2021-10-08 | 国能大渡河瀑布沟发电有限公司 | 水利发电机组励磁***运行温度智能监测与预警技术 |
CN113723268B (zh) * | 2021-08-25 | 2024-01-26 | 国网北京市电力公司 | 识别电网故障的方法、装置、计算机存储介质及处理器 |
CN116026890B (zh) * | 2023-03-29 | 2023-06-23 | 曲阜市虹飞电缆有限公司 | 一种基于热红外图像的电力电缆热故障检测方法 |
CN117409552A (zh) * | 2023-10-17 | 2024-01-16 | 深圳华电智能股份有限公司 | 一种基于机器视觉的动环故障预测和联动控制方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102928742A (zh) * | 2012-11-22 | 2013-02-13 | 重庆市电力公司检修分公司 | 一种高压设备红外图像自动故障识别方法 |
CN202974445U (zh) * | 2012-08-17 | 2013-06-05 | 中国石油天然气股份有限公司 | 基于红外监测的大机组状态监测*** |
CN105548747A (zh) * | 2015-12-04 | 2016-05-04 | 国网技术学院 | 一种基于红外测温技术的设备故障识别***及方法 |
-
2019
- 2019-12-04 CN CN201911223785.8A patent/CN110910383B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202974445U (zh) * | 2012-08-17 | 2013-06-05 | 中国石油天然气股份有限公司 | 基于红外监测的大机组状态监测*** |
CN102928742A (zh) * | 2012-11-22 | 2013-02-13 | 重庆市电力公司检修分公司 | 一种高压设备红外图像自动故障识别方法 |
CN105548747A (zh) * | 2015-12-04 | 2016-05-04 | 国网技术学院 | 一种基于红外测温技术的设备故障识别***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110910383A (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110910383B (zh) | 基于红外图像识别的调相机故障监测方法和*** | |
KR102058841B1 (ko) | 발전기 컬렉터의 섬락을 검출하는 시스템 및 방법 | |
KR20140146850A (ko) | 시계열 형태의 센싱 데이터 배드 패턴 검증 방법 및 그 장치 | |
CN109725220B (zh) | 一种变压器油冷却回路的检测方法、***及装置 | |
KR20200053579A (ko) | 이상 진단 장치, 이상 진단 방법 및 이상 진단 시스템 | |
WO2019100030A1 (en) | Remote monitoring of electrical equipment with multi-factor historical / statistical anomaly detection and prediction | |
CN112734698A (zh) | 基于红外图像的电缆终端异常诊断方法和装置 | |
Haider et al. | Fault identification in electrical equipment using thermal image processing | |
CN117478021B (zh) | 一种机器人传动时电机速度波动的调节控制*** | |
CN115267609A (zh) | 故障检测*** | |
Jadin et al. | Image processing methods for evaluating infrared thermographic image of electrical equipments | |
CN117538710A (zh) | 用于局部动态放电监测的智能预警方法及*** | |
KR20150118456A (ko) | 감시 장치의 부분방전 진단 방법 | |
CN113516091B (zh) | 一种识别变电站电火花图像的方法 | |
CN106680632B (zh) | 基于电磁辐射异常判断的铁塔防雷性能检测方法及*** | |
CN114663825A (zh) | 中压开关设备或控制设备监测*** | |
CN117330137B (zh) | 一种变压器巡检图像智能识别和故障检测方法及*** | |
CN117452148B (zh) | 一种环网柜的智能监控方法 | |
Asiegbu et al. | A review of defect detection on electrical components using image processing technology | |
JP6979477B2 (ja) | 状態判定装置、状態判定方法及びコンピュータプログラム | |
Hu et al. | Commutation sparking image monitoring for DC motor | |
KR20200079769A (ko) | 스마트 진동 센서를 이용한 이상 여부 모니터링 방법 | |
CN116069590B (zh) | 一种基于人工智能的计算机数据安全监测***及方法 | |
Jadin et al. | Infrared thermography for assessing and monitoring electrical components within concrete structures | |
Xu et al. | Research on Electrical Equipment Overheating Fault Identification Based on Infrared Technology |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |