CN111624229A - 一种基于红外成像的带电设备故障智能诊断方法 - Google Patents
一种基于红外成像的带电设备故障智能诊断方法 Download PDFInfo
- Publication number
- CN111624229A CN111624229A CN202010414364.XA CN202010414364A CN111624229A CN 111624229 A CN111624229 A CN 111624229A CN 202010414364 A CN202010414364 A CN 202010414364A CN 111624229 A CN111624229 A CN 111624229A
- Authority
- CN
- China
- Prior art keywords
- temperature
- infrared
- image
- detected
- defect
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/72—Investigating presence of flaws
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Radiation Pyrometers (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种基于红外成像的带电设备故障智能诊断方法,包括定点、定向、定位采集带电设备的待测对象的红外热像图,并记录每张红外热像图所对应的采集位置;对步骤S1中所采集的红外热像图进行边缘提取透明化处理,建立图像模型并保存在图像模型库中;对步骤S2图像模型库中的图像模型进行关联,关联内容包括图像模型所对应的待测对象名称以及待测对象各部件名称;根据任务列表依次采集待测对象的红外热像图,并将采集到的红外热像图上传至诊断***;诊断***对步骤S4中的红外热像图进行故障诊断,获取待测对象的故障信息。制定了规范的红外拍摄流程,定点、定向、定位采集红外热像图,减轻电力巡检工作难度,提高了巡检效率。
Description
技术领域
本发明涉及电力设备故障检测技术领域,尤其涉及一种基于红外成像的带电设备故障智能诊断方法。
背景技术
红外检测是电网电力设备带电检测中一种常规、有效的检测方式,具有远距离、非接触、实时成像等优点,整个检测过程中利用红外热成像技术对电力设备进行检测,通过分析对比设备的红外热像图发现设备可能存在的热缺陷,预见性发现电力设备存在的故障问题,避免电力设备严重损坏。目前红外检测广泛应用于各个电压等级输变配电***。
虽然电力工作者可基于《带电设备红外诊断应用规范》对传统电力设备进行红外热缺陷判断,但该规范所要求的红外专业知识高,包含的设备缺陷诊断规则复杂,大部分一线电力工作者没有熟练掌握,导致在实际检测过程中出现漏检、误检的情况。另外,同一设备由于负荷、环境、材料等方面的不同,红外检测获得的温度数据有偏差,会直接影响红外诊断的结果。
此外,常规红外检测没有规范的红外拍摄流程,同一设备不同时间拍摄的红外热像图因角度、大小不同,无法统一进行数据对比。而传统红外检测拍摄的大量红外热像图无法根据拍摄时间、设备类型、三相对比等关联信息进行有效的数据分析,降低了电力工作者带电检测的工作效率。
例如,中国专利文献CN105548747A公开了“一种基于红外测温技术的设备故障识别***及方法”,红外测温信息采集模块对设备进行信息的采集;将采集的红外测温信息上传至大数据分析平台,由大数据分析平台计算设备检测区域的相对温差;将计算的设备检测区域的相对温差与作为故障判据的预设典型故障案例库的相对温差进行比较,进而判断设备异常发热对应的故障类型;大数据分析平台将分析得到的故障类型显示在监控界面上,同时将异常发热的设备红外检测图像显示在监控界面上。上述专利文献中的故障识别方法未考虑到拍摄位置对设备数据采集的影响,红外拍摄流程非规范化。
发明内容
本发明主要解决原有的红外成像的带电设备故障智能诊断方法流程复杂繁琐、红外拍摄流程非规范化的技术问题;提供一种基于红外成像的带电设备故障智能诊断方法,操作规范简便,获取的数据规范统一,能有效利用数据,能减轻电力巡检工作难度,提高巡检效率。
本发明的上述技术问题主要是通过下述技术方案得以解决的:本发明包括下列步骤:
S1、定点、定向、定位采集带电设备的待测对象的红外热像图,并记录每张红外热像图所对应的采集位置,所述的采集位置为定点、定向、定位采集红外热像图的位置;
S2、对步骤S1中所采集的红外热像图进行边缘提取透明化处理,建立图像模型并保存在图像模型库中;
S3、对步骤S2图像模型库中的图像模型进行关联,关联内容包括图像模型所对应的待测对象名称以及待测对象各部件名称;
S4、根据任务列表依次采集待测对象的红外热像图,并将采集到的红外热像图上传至诊断***;
S5、诊断***对步骤S4中的红外热像图进行故障诊断,获取待测对象的故障信息:识别待测对象各部件的致热缺陷类型,根据所述致热缺陷类型,选择相应的温度缺陷分析方法对待测对象各部件进行温度缺陷分析。
制定了规范的红外拍摄流程,定点、定向、定位采集红外热像图,减轻电力巡检工作难度,提高了巡检效率,使得每一次巡检的过程中获取的数据规范统一,避免诊断***因不同时间拍摄的角度、大小、位置不同,导致对同一被测对象部件,需重新选择温度缺陷评判标准,复杂了诊断过程。得到经过透明化处理的图像模型,使得图像模型叠加到热像装置的主界面显示实时的红外热像图中,不会产生遮挡,便于巡检过程中图像模型与待测对象的匹配,减少因位置、角度、方向等变化对最终诊断结果的影响。根据待测对象各部件的致热缺陷类型,选择相应的温度缺陷分析方法对待测对象各部件进行温度缺陷分析,不同的待测对象部件,不同的温度缺陷分析方法,使得故障检测诊断结果更准确。
作为优选,所述的步骤S2包括下列步骤:
S21、边缘提取处理步骤S1中采集的红外热像图:
选定红外热像图中被测对象的区域,根据预设的阈值对被选定的红外热像图中被测对象的区域图像做二值化处理;
二值化处理后使用双阈值边缘提取方法实现边缘选取,在高阈值图像中把边缘链接成轮廓,使得整个图像边缘闭合;
S22、对步骤S21中经过边缘提取处理的红外热像图进行矢量化处理,生成矢量图;
S23、对矢量图进行透明化处理,建立图像模型并保存在图像模型库中,其中图像模型轮廓内外的像素做全透明处理,模型图轮廓的像素做半透明处理。
在采集到所有待测对象的红外热像图后,按照步骤2中的具体步骤批量化进行处理,得到所有待测对象的图像模型,并保存到图像模型库中。得到经过透明化处理的图像模型,使得图像模型叠加到热像装置的主界面显示实时的红外热像图中,不会产生遮挡,便于巡检过程过程中图像模型与待测对象的匹配,减少因位置、角度、方向等变化对最终诊断结果的影响。
作为优选,所述的步骤S4包括下列步骤:
S41、选择热像装置的任务模式,热像装置根据巡检需求生成任务列表;
S42、选择热像装置的巡检模式,热像装置根据任务列表中的任务次序前往待测对象所对应的采集位置;
S43、热像装置到达采集位置后,热像装置的主界面显示实时的红外热像图,待测对象所对应的图像模型自动叠加在红外热像图中;
S44、微调热像装置,检测到待测对象的红外热像图与待测对象所对应的图像模型匹配后,自动冻结红外热图像并保存红外热像图以及红外热像图的拍摄时间;
S45、重复步骤S43~S44,完成任务列表中所有待测对象的红外热像图采集,并将所有采集到的红外热像图上传至诊断***。
作为优选,所述的步骤S44中的检测到待测对象的红外热像图与待测对象所对应的图像模型匹配具体包括:
在待测对象所对应的图像模型上设置多个特征点,计算图像模型上的特征点与待测对象的红外热像图上相对应的特征点之间的距离,分别记作L1,L2,……Li;
在待测对象所对应的图像模型上设置多个特征点,计算图像模型上的特征点与待测对象的红外热像图上相对应的特征点之间的距离,并求取上述距离的平均值,当平均值小于等于设定值时,判断待测对象的红外热像图与待测对象所对应的图像模型匹配,与人工肉眼看到的匹配相比,该方法是匹配结果更加精准,提高了故障诊断结果的准确性。
作为优选,所述的步骤S5包括下列步骤:
S51、根据被测对象的名称以及被测对象各部件的名称识别对象各部件的致热缺陷类型,若致热缺陷类型为电流致热型,则执行步骤S52~S54,若致热缺陷类型为电压致热型,则依次执行步骤S52、S53和S55;
S52、用分析框框取红外热像图中的被测对象部件的发热区域,分析计算分析框内的最高温度或平均温度;
S53、结合红外热像图拍摄时刻的负荷、风速、环境参数对步骤S52所获取的最高温度或平均温度进行修正;
S54、选择被测对象部件相对应的温度缺陷评判标准,将步骤S53中获取的修正温度与设定的温度阈值进行比对,判断温度的缺陷性质,其中温度的缺陷性质分为四种:无缺陷、一般缺陷、严重缺陷和紧急缺陷;
S55、选择被测对象部件相对应的温度缺陷评判标准,将步骤S53中获取的修正温度与被测对象部件的同类的温度进行比对,判断温度的缺陷性质,其中温度的缺陷性质分为四种:无缺陷、一般缺陷、严重缺陷和紧急缺陷。
不同的被测对象部件其各个部件关联的致热缺陷类型不同,故需选择对应的温度缺陷分析方法进行分析;不同的被测对象部件其所对应的温度缺陷评判标准也不同;同一被测对象部件发热位置评判指标的不同,则其所对应的温度缺陷评判标准也不同。故在实际的应用过程中需根据实际被测对象部件以及步骤S52中分析计算获取的是发热区域的温度性质选取相对应的温度缺陷评判标准,判断被测对象部件的温度的缺陷性质。同时结合负荷、环境等因素修正红外检测获得的温度数据,以此提高了故障诊断结果的准确性。
作为优选,所述的步骤S52中的计算分析框内的平均温度具体包括:
1)将分析框均分分成S×S个网格;
2)计算每个网格中的温度值,记作T11,T12,……Tss;
3)计算每个网格的面积,记作S11,S12,……Sss;
作为优选,所述的步骤S52计算分析框内的最高温度具体包括:
1)将分析框均分分成S×S个网格,每个网格中存有n个温度值;
3)比较每个温度值Ti的有效面积Si的大小,有效面积Si最大值所对应的温度值Ti即为每个网格中的温度值,记作T11,T12,……Tss;
4)对每个网格中的温度值进行比较,最大值即为计算分析框内的最高温度T高。
将每个网格中的占据有效面积最大的温度值作为该网格的整体温度值,能够有效去除噪声数据,提高数据的准确性。
作为优选,所述的步骤S53具体包括:
1)采用二次线性方程拟合建立测温数学模型,得到被测对象部件温度与负荷的关系T修=f1(T,P);得到被测对象部件温度与风速的关系T修=f2(T,W);得到被测对象部件温度与环境温度的关系T修=f3(T,T环境);
2)读取被测对象拍摄红外热像图时刻的负荷P,风速W和环境温度T环境,将步骤S52中获取的温度代入T修=f1(T,P),得到T修,并将T修作为T,将T代入T修=f2(T,W),得到T修,并将T修作为T,将T代入T修=f3(T,T环境),得到被测对象部件发热区域修正后的实测温度。
结合负荷、环境等因素修正红外检测获得的温度数据,以此提高了故障诊断结果的准确性。
作为优选,所述的方法还包括步骤S6:引入时间序列概念,拟合出被测对象各部件的温度变化趋势曲线和/或拟合出同类型被测对象的同类型部件的温度变化趋势曲线。
引入时间序列概念,拟合出被测对象各部件的温度变化趋势曲线,这样可直观地观察出该被测对象不同部件间的温度变化趋势,与其他部件温度变化趋势偏离较大的部件需要加强关注。同时也可以加入显示一条或多条温度阈值,使工作人员能够简洁明了的观察到该部件是否超过了预设的温度阈值,提高了工作效率。引入时间序列概念,拟合出同类型被测对象的同类型部件的温度变化趋势曲线,这样如某被测对象部件已被诊断出有缺陷,可快速找到同类型温度曲线趋势相似的被测对象部件,也可能存在类似缺陷,可提前预判。同时提高了红外热像图中各种数据的利用率。
本发明的有益效果是:1)制定了规范的红外拍摄流程,定点、定向、定位采集红外热像图,减轻电力巡检工作难度,提高了巡检效率,使得每一次巡检的过程中获取的数据规范统一,避免诊断***因不同时间拍摄的角度、大小、位置不同,导致对同一被测对象部件,需重新选择温度缺陷评判标准,复杂了诊断过程;2)根据待测对象各部件的致热缺陷类型,选择相应的温度缺陷分析方法对待测对象各部件进行温度缺陷分析,不同的待测对象部件,不同的温度缺陷分析方法,使得故障检测诊断结果更准确;3)结合负荷、环境等因素修正红外检测获得的温度数据,以此提高了故障诊断结果的准确性;4)引入时间序列概念,拟合出被测对象各部件的温度变化趋势曲线,这样可直观地观察出该被测对象不同部件间的温度变化趋势,提高工作效率;5)引入时间序列概念,拟合出同类型被测对象的同类型部件的温度变化趋势曲线,可对被测对象部件进行提前预判。
附图说明
图1是本发明方法的一种流程图。
图2是本发明方法的一种边缘提取图像处理过程示意图。
图3是本发明方法的一种透明化图像处理过程示意图。
图4是本发明被测对象各部件的一种温度变化趋势曲线图。
图5是本发明同类型被测对象的同类型部件的一种温度变化趋势曲线图。
图中:101、被测对象红外热像图,102、高阈值图像,103、经过边缘提取处理的红外热像图,104、生成矢量图,105、图像模型,201、第一部件,202、第二部件,203、第三部件,301、第一被测对象部件,302、第二被测对象部件,303、第三被测对象部件,304、第四被测对象部件。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:本实施例的一种基于红外成像的带电设备故障智能诊断方法,如图1所示,包括下列步骤:
S1、定点、定向、定位采集带电设备的待测对象的红外热像图,并记录每张红外热像图所对应的采集位置,所述的采集位置为定点、定向、定位采集红外热像图的位置;
S2、对步骤S1中所采集的红外热像图进行边缘提取透明化处理,建立图像模型并保存在图像模型库中;
S3、对步骤S2图像模型库中的图像模型进行关联,关联内容包括图像模型所对应的待测对象名称以及待测对象各部件名称;
S4、根据任务列表依次采集待测对象的红外热像图,并将采集到的红外热像图上传至诊断***;
S5、诊断***对步骤S4中的红外热像图进行故障诊断,获取待测对象的故障信息:识别待测对象各部件的致热缺陷类型,根据所述致热缺陷类型,选择相应的温度缺陷分析方法对待测对象各部件进行温度缺陷分析;
S6:引入时间序列概念,拟合出被测对象各部件的温度变化趋势曲线和/或拟合出同类型被测对象的同类型部件的温度变化趋势曲线。
本实施例以绝缘子为例,如图2~3所示,步骤2中的具体过程包括下列步骤:
S21、边缘提取处理步骤S1中采集的红外热像图:
选定红外热像图中被测对象区域,根据预设的阈值对被选定的被测对象红外热像图101做二值化处理,其中预设的阈值包括温度值和灰度值两种,预设的阈值范围可以通过人工进行设置;
二值化处理后使用双阈值边缘提取方法实现边缘选取,在高阈值图像102中把边缘链接成轮廓,使得整个图像边缘闭合;
S22、对步骤S21中经过边缘提取处理的红外热像图103进行矢量化处理,生成矢量图104;
S23、对矢量图进行透明化处理,图像模型轮廓内外的像素做全透明处理,模型图轮廓的像素做半透明处理,建立图像模型105并保存在图像模型库中,其中透明化处理的透明比例可人工调整。
在采集到所有待测对象的红外热像图后,按照步骤2中的具体步骤批量化进行处理,得到所有待测对象的图像模型,并保存到图像模型库中。得到经过透明化处理的图像模型,使得图像模型叠加到热像装置的主界面显示实时的红外热像图中,不会产生遮挡,便于巡检过程过程中图像模型与待测对象的匹配,减少因位置、角度、方向等变化对最终诊断结果的影响。
步骤4中的具体过程包括下列步骤:
S41、选择热像装置的任务模式,热像装置根据巡检需求生成任务列表;
S42、选择热像装置的巡检模式,热像装置根据任务列表中的任务次序前往待测对象所对应的采集位置;
S43、热像装置到达采集位置后,热像装置的主界面显示实时的红外热像图,待测对象所对应的图像模型自动叠加在红外热像图中;
S44、微调热像装置,在待测对象所对应的图像模型上设置多个特征点,计算图像模型上的特征点与待测对象的红外热像图上相对应的特征点之间的距离,分别记作L1,L2,……Li;
若平均值则检测到待测对象的红外热像图与待测对象所对应的图像模型相匹配,则自动冻结红外热图像并保存红外热像图以及红外热像图的拍摄时间;反之,则不匹配,继续调整热像装置,直至检测到待测对象的红外热像图与待测对象所对应的图像模型匹配,完成红外热像图的采集。其中l为待测对象所对应的图像模型的最小接矩形的周长。
S45、重复步骤S43~S44,完成任务列表中所有待测对象的红外热像图采集,并将所有采集到的红外热像图上传至诊断***。
特征框框取红外热图像中的图像模型,并将待测对象部分与特征框之间的相似度与位于特征框内的待测对象部分与特征框之间的相似度进行比对,当两个相似度值之比大于设定值时,判断待测对象的红外热像图与待测对象所对应的图像模型匹配,与人工肉眼看到的匹配相比,该方法是匹配结果更加精准,提高了故障诊断结果的准确性。
在步骤S5中具体包括下列步骤:
S51、根据被测对象的名称以及被测对象各部件的名称识别对象各部件的致热缺陷类型,若致热缺陷类型为电流致热型,则执行步骤S52~S55,若致热缺陷类型为电压致热型,则依次执行步骤S52、S53、S54和S56;
S52、用分析框框取红外热像图中的被测对象部件的发热区域,分析计算分析框内的最高温度或平均温度。
其中,最高温度通过以下步骤获取:
1)将分析框均分分成S×S个网格,每个网格中存有n个温度值;
3)比较每个温度值Ti的有效面积Si的大小,有效面积Si最大值所对应的温度值Ti即为每个网格中的温度值,记作T11,T12,……Tss;
4)对每个网格中的温度值进行比较,最大值即为计算分析框内的最高温度T高。
其中,平均温度通过以下步骤获取:
1)将分析框均分分成S×S个网格;
2)计算每个网格中的温度值,记作T11,T12,……Tss;
3)计算每个网格的面积,记作S11,S12,……Sss;
S53、结合红外热像图拍摄时刻的负荷、风速、环境参数对步骤S52所获取的最高温度或平均温度进行修正:
1)采用二次线性方程拟合建立测温数学模型,得到被测对象温度与负荷的关系T修=f1(T,P);得到被测对象温度与风速的关系T修=f2(T,W);得到被测对象温度与环境温度的关系T修=f3(T,T环境);
2)读取被测对象拍摄红外热像图时刻的负荷P,风速W和环境温度T环境,将步骤S52中获取的温度代入T修=f1(T,P),得到T修,并将T修作为T,将T代入T修=f2(T,W),得到T修,并将T修作为T,将T代入T修=f3(T,T环境),得到被测对象部件发热部位修正后的实测温度。
S54、结合被测对象的辐射率对步骤S53所获取的温度进行修正:
1)采用二次线性方程拟合建立测温数学模型,得到被测对象温度与辐射率的关系T修=f4(T,f);
2)读取被测对象所对应的辐射率f,将步骤S53中获取的温度代入T修=f4(T,f),得到被测对象部件发热部位修正后的实测温度。
S55、选择被测对象部件相对应的温度缺陷评判标准,将步骤S54中获取的修正温度与设定的温度阈值进行比对,判断温度的缺陷性质,其中温度的缺陷性质分为四种:无缺陷、一般缺陷、严重缺陷和紧急缺陷,不同的被测对象部件的设定的温度阈值不同,平均温度和最高温度的相对应的设定的温度阈值也不同:
S56、选择被测对象部件相对应的温度缺陷评判标准,将步骤S53中获取的修正温度与被测对象部件的同类的温度进行比对,判断温度的缺陷性质,其中温度的缺陷性质分为四种:无缺陷、一般缺陷、严重缺陷和紧急缺陷。
不同的被测对象部件其各个部件关联的致热缺陷类型不同,故需选择对应的温度缺陷分析方法进行分析;不同的被测对象部件其所对应的温度缺陷评判标准也不同;同一被测对象部件发热位置评判指标的不同,则其所对应的温度缺陷评判标准也不同,(即当步骤S52中分析计算获取的是发热位置的平均温度,则其有相对应的温度缺陷评判标准,当步骤S52中分析计算获取的是发热位置的最高温度,则其有相对应的温度缺陷评判标准)。故在实际的应用过程中需根据实际被测对象部件以及步骤S52中分析计算获取的是发热位置的温度性质选取相对应的温度缺陷评判标准,判断被测对象部件的温度的缺陷性质。结合负荷、环境、材料等因素修正红外检测获得的温度数据,以此提高了故障诊断结果的准确性。
本实施例以绝缘子低压端为例,且步骤S52中分析获取的是最高温度:一般缺陷,修正过的最高温度与环境温度差值大于15℃且修正过的最高温度小于80℃;严重缺陷,修正过的最高温度大于等于80℃且小于等于110℃;紧急缺陷,修正过的最高温度大于110℃;无缺陷,修正过的最高温度不在上述范围。
在步骤S6中具体包括:
1)引入时间序列概念,拟合出被测对象各部件的温度变化趋势曲线,如图4所示,诊断***调用数据库内基于拍摄时间远近区分的某个被测对象的温度数据,该被测对象包含第一部件201、第二部件202和第三部件203三个部件,每个部件都有对应的分析框分析该部件发热区域的最高温度或平均温度。根据选择的时间区间,获得每个时间节点该被测对象部件的温度数据,在一个坐标系里生成多条温度曲线。其中横坐标代表了该时间区间的每个拍摄时间t,纵坐标代表了温度数值c,每条特征曲线代表了该被测对象的不同部件的最高温度或平均温度的温度曲线。这样可直观地观察出该被测对象不同部件间的温度变化趋势,与其他部件温度变化趋势偏离较大的部件需要加强关注。同时也可以加入了一条温度阈值(图中虚线),使工作人员能够简洁明了的观察到该部件是否超过了预设的温度阈值。
2)引入时间序列概念,拟合出同类型被测对象的同类型部件的温度变化趋势曲线,如图5所示,诊断***调用数据库内基于拍摄时间远近区分的所有的同类型被测对象的同类型部件的温度数据,在本实施例中调用四个同类型被测对象的同类型部件,分别为第一被测对象部件301、第二被测对象部件302、第三被测对象部件303和第四被测对象部件304,每个被测对象部件有对应的最高温度或平均温度。根据选择的时间区间,获得每个时间节点该被测对象部件的温度数据,在一个坐标系里生成多条温度曲线。其中横坐标代表了该时间区间的每个拍摄时间t,纵坐标代表了温度数值c,每条特征曲线代表了同类型被测对象的同类型部件的最高温度或平均温度温度曲线。这样如第一被测对象部件已被诊断出有一般缺陷,可快速找到同类型温度曲线趋势相似的第一被测对象部件,也可能存在类似缺陷,可提前预判。
Claims (9)
1.一种基于红外成像的带电设备故障智能诊断方法,其特征在于包括下列步骤:
S1、定点、定向、定位采集带电设备的待测对象的红外热像图,并记录每张红外热像图所对应的采集位置,所述的采集位置为定点、定向、定位采集红外热像图的位置;
S2、对步骤S1中所采集的红外热像图进行边缘提取透明化处理,建立图像模型并保存在图像模型库中;
S3、对步骤S2图像模型库中的图像模型进行关联,关联内容包括图像模型所对应的待测对象名称以及待测对象各部件名称;
S4、根据任务列表依次采集待测对象的红外热像图,并将采集到的红外热像图上传至诊断***;
S5、诊断***对步骤S4中的红外热像图进行故障诊断,获取待测对象的故障信息:识别待测对象各部件的致热缺陷类型,根据所述致热缺陷类型,选择相应的温度缺陷分析方法对待测对象各部件进行温度缺陷分析。
2.根据权利要求1所述的一种基于红外成像的带电设备故障智能诊断方法,其特征在于所述步骤S2包括下列步骤:
S21、边缘提取处理步骤S1中采集的红外热像图:
选定红外热像图中被测对象的区域,根据预设的阈值对被选定的红外热像图中被测对象的区域图像做二值化处理;
二值化处理后使用双阈值边缘提取方法实现边缘选取,在高阈值图像中把边缘链接成轮廓,使得整个图像边缘闭合;
S22、对步骤S21中经过边缘提取处理的红外热像图进行矢量化处理,生成矢量图;
S23、对矢量图进行透明化处理,建立图像模型并保存在图像模型库中,其中图像模型轮廓内外的像素做全透明处理,模型图轮廓的像素做半透明处理。
3.根据权利要求1所述的一种基于红外成像的带电设备故障智能诊断方法,其特征在于所述步骤S4包括下列步骤:
S41、选择热像装置的任务模式,热像装置根据巡检需求生成任务列表;
S42、选择热像装置的巡检模式,热像装置根据任务列表中的任务次序前往待测对象所对应的采集位置;
S43、热像装置到达采集位置后,热像装置的主界面显示实时的红外热像图,待测对象所对应的图像模型自动叠加在红外热像图中;
S44、微调热像装置,检测到待测对象的红外热像图与待测对象所对应的图像模型匹配后,自动冻结红外热图像并保存红外热像图以及红外热像图的拍摄时间;
S45、重复步骤S43~S44,完成任务列表中所有待测对象的红外热像图采集,并将所有采集到的红外热像图上传至诊断***。
5.根据权利要求1或3所述的一种基于红外成像的带电设备故障智能诊断方法,其特征在于所述步骤S5包括下列步骤:
S51、根据被测对象的名称以及被测对象各部件的名称识别对象各部件的致热缺陷类型,若致热缺陷类型为电流致热型,则执行步骤S52~S54,若致热缺陷类型为电压致热型,则依次执行步骤S52、S53和S55;
S52、用分析框框取红外热像图中的被测对象部件的发热区域,分析计算分析框内的最高温度或平均温度;
S53、结合红外热像图拍摄时刻的负荷、风速、环境参数对步骤S52所获取的最高温度或平均温度进行修正;
S54、选择被测对象部件相对应的温度缺陷评判标准,将步骤S53中获取的修正温度与设定的温度阈值进行比对,判断温度的缺陷性质,其中温度的缺陷性质分为四种:无缺陷、一般缺陷、严重缺陷和紧急缺陷;
S55、选择被测对象部件相对应的温度缺陷评判标准,将步骤S53中获取的修正温度与被测对象部件的同类的温度进行比对,判断温度的缺陷性质,其中温度的缺陷性质分为四种:无缺陷、一般缺陷、严重缺陷和紧急缺陷。
8.根据权利要求5所述的一种基于红外成像的带电设备故障智能诊断方法,其特征在于所述步骤S53具体包括:
1)采用二次线性方程拟合建立测温数学模型,得到被测对象部件温度与负荷的关系T修=f1(T,P);得到被测对象部件温度与风速的关系T修=f2(T,W);得到被测对象部件温度与环境温度的关系T修=f3(T,T环境);
2)读取被测对象拍摄红外热像图时刻的负荷P,风速W和环境温度T环境,将步骤S52中获取的温度代入T修=f1(T,P),得到T修,并将T修作为T,将T代入T修=f2(T,W),得到T修,并将T修作为T,将T代入T修=f3(T,T环境),得到被测对象部件发热区域修正后的实测温度。
9.根据权利要求1所述的一种基于红外成像的带电设备故障智能诊断方法,其特征在于还包括步骤S6:引入时间序列概念,拟合出被测对象各部件的温度变化趋势曲线和/或拟合出同类型被测对象的同类型部件的温度变化趋势曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010414364.XA CN111624229B (zh) | 2020-05-15 | 2020-05-15 | 一种基于红外成像的带电设备故障智能诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010414364.XA CN111624229B (zh) | 2020-05-15 | 2020-05-15 | 一种基于红外成像的带电设备故障智能诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111624229A true CN111624229A (zh) | 2020-09-04 |
CN111624229B CN111624229B (zh) | 2023-03-17 |
Family
ID=72258947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010414364.XA Active CN111624229B (zh) | 2020-05-15 | 2020-05-15 | 一种基于红外成像的带电设备故障智能诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111624229B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112254817A (zh) * | 2020-09-16 | 2021-01-22 | 广西大学 | 带电设备红外检测的精确故障诊断方法 |
CN112326035A (zh) * | 2020-09-22 | 2021-02-05 | 云南电网有限责任公司昆明供电局 | 一种存储高压开关柜内部设备工作状态数据的方法 |
CN112697798A (zh) * | 2020-12-07 | 2021-04-23 | 国网信息通信产业集团有限公司 | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 |
CN112881786A (zh) * | 2021-01-08 | 2021-06-01 | 觉芯电子(无锡)有限公司 | 一种漏电检测方法、装置和*** |
CN112881842A (zh) * | 2021-01-25 | 2021-06-01 | 众智学府信息技术有限公司 | 一种设备智能诊断的模块 |
CN113160134A (zh) * | 2021-03-12 | 2021-07-23 | 浙江黑卡电气有限公司 | 一种红外热图智能诊断装置及红外热图智能诊断方法 |
CN113588714A (zh) * | 2021-08-26 | 2021-11-02 | 国网四川省电力公司成都供电公司 | 一种复合绝缘子缺陷检测方法 |
CN114243392A (zh) * | 2021-12-17 | 2022-03-25 | 大连华锐重工集团股份有限公司 | 一种开关柜接插件安全监控的***和控制方法 |
CN114353925A (zh) * | 2021-12-31 | 2022-04-15 | 安徽柯力电气制造有限公司 | Sqb称重传感器自动测试*** |
CN116631087A (zh) * | 2023-07-20 | 2023-08-22 | 厦门闽投科技服务有限公司 | 一种基于无人机的电力巡检*** |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102565625A (zh) * | 2011-05-25 | 2012-07-11 | 上海大学 | 基于红外图像智能诊断高压输电线路热缺陷的方法 |
JP2013205393A (ja) * | 2012-03-29 | 2013-10-07 | Sharp Corp | 配線欠陥検出装置、配線欠陥検出方法、配線欠陥検出プログラムおよび配線欠陥検出プログラム記録媒体 |
CN103776542A (zh) * | 2012-09-21 | 2014-05-07 | 杭州美盛红外光电技术有限公司 | 热像诊断装置和热像诊断方法 |
CN103901291A (zh) * | 2012-12-28 | 2014-07-02 | 华北电力科学研究院有限责任公司 | 一种变电设备内部绝缘缺陷的诊断方法 |
CN103901072A (zh) * | 2014-04-21 | 2014-07-02 | 国网安徽省电力公司淮南供电公司 | 利用红外图谱分析诊断设备过热缺陷的方法 |
CN104502768A (zh) * | 2014-12-27 | 2015-04-08 | 国家电网公司 | 用于电力设备连接部件的电流致热型缺陷评估方法 |
CN106920240A (zh) * | 2017-03-09 | 2017-07-04 | 国家电网公司 | 一种基于红外图像的绝缘子识别和故障诊断方法 |
CN107063467A (zh) * | 2017-04-15 | 2017-08-18 | 山东信通电子股份有限公司 | 用于电网设备在线巡检的智能红外热成像装置及巡检方法 |
CN107103598A (zh) * | 2017-03-28 | 2017-08-29 | 国网上海市电力公司 | 一种基于红外图像聚类处理的电力电缆热故障诊断方法 |
CN108896186A (zh) * | 2018-05-15 | 2018-11-27 | 云南电网有限责任公司迪庆供电局 | 设备智能诊断的方法及装置 |
CN108955900A (zh) * | 2018-08-02 | 2018-12-07 | 华电福新能源股份有限公司古田溪水力发电厂 | 一种基于红外热成像的升压站测温预警***及方法 |
CN208860478U (zh) * | 2018-09-20 | 2019-05-14 | 广西大学 | 一种适用于发热故障检测的红外装置 |
CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
CN111044570A (zh) * | 2019-12-28 | 2020-04-21 | 广东电网有限责任公司 | 电力设备的缺陷识别及预警方法、装置及计算机设备 |
WO2021033969A1 (en) * | 2019-08-20 | 2021-02-25 | Samsung Electronics Co., Ltd. | Apparatus and method for detecting defective component using infrared camera |
-
2020
- 2020-05-15 CN CN202010414364.XA patent/CN111624229B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102565625A (zh) * | 2011-05-25 | 2012-07-11 | 上海大学 | 基于红外图像智能诊断高压输电线路热缺陷的方法 |
JP2013205393A (ja) * | 2012-03-29 | 2013-10-07 | Sharp Corp | 配線欠陥検出装置、配線欠陥検出方法、配線欠陥検出プログラムおよび配線欠陥検出プログラム記録媒体 |
CN103776542A (zh) * | 2012-09-21 | 2014-05-07 | 杭州美盛红外光电技术有限公司 | 热像诊断装置和热像诊断方法 |
CN103901291A (zh) * | 2012-12-28 | 2014-07-02 | 华北电力科学研究院有限责任公司 | 一种变电设备内部绝缘缺陷的诊断方法 |
CN103901072A (zh) * | 2014-04-21 | 2014-07-02 | 国网安徽省电力公司淮南供电公司 | 利用红外图谱分析诊断设备过热缺陷的方法 |
CN104502768A (zh) * | 2014-12-27 | 2015-04-08 | 国家电网公司 | 用于电力设备连接部件的电流致热型缺陷评估方法 |
CN106920240A (zh) * | 2017-03-09 | 2017-07-04 | 国家电网公司 | 一种基于红外图像的绝缘子识别和故障诊断方法 |
CN107103598A (zh) * | 2017-03-28 | 2017-08-29 | 国网上海市电力公司 | 一种基于红外图像聚类处理的电力电缆热故障诊断方法 |
CN107063467A (zh) * | 2017-04-15 | 2017-08-18 | 山东信通电子股份有限公司 | 用于电网设备在线巡检的智能红外热成像装置及巡检方法 |
CN108896186A (zh) * | 2018-05-15 | 2018-11-27 | 云南电网有限责任公司迪庆供电局 | 设备智能诊断的方法及装置 |
CN108955900A (zh) * | 2018-08-02 | 2018-12-07 | 华电福新能源股份有限公司古田溪水力发电厂 | 一种基于红外热成像的升压站测温预警***及方法 |
CN208860478U (zh) * | 2018-09-20 | 2019-05-14 | 广西大学 | 一种适用于发热故障检测的红外装置 |
CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
WO2021033969A1 (en) * | 2019-08-20 | 2021-02-25 | Samsung Electronics Co., Ltd. | Apparatus and method for detecting defective component using infrared camera |
CN111044570A (zh) * | 2019-12-28 | 2020-04-21 | 广东电网有限责任公司 | 电力设备的缺陷识别及预警方法、装置及计算机设备 |
Non-Patent Citations (2)
Title |
---|
唐亮等: "电力***变压器常见故障检测与诊断技术研究", 《湖北农机化》 * |
张金锋等: "电力设备状态检修及故障诊断中红外技术的应用分析", 《电子世界》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112254817A (zh) * | 2020-09-16 | 2021-01-22 | 广西大学 | 带电设备红外检测的精确故障诊断方法 |
CN112326035A (zh) * | 2020-09-22 | 2021-02-05 | 云南电网有限责任公司昆明供电局 | 一种存储高压开关柜内部设备工作状态数据的方法 |
CN112697798B (zh) * | 2020-12-07 | 2023-03-31 | 国网信息通信产业集团有限公司 | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 |
CN112697798A (zh) * | 2020-12-07 | 2021-04-23 | 国网信息通信产业集团有限公司 | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 |
CN112881786A (zh) * | 2021-01-08 | 2021-06-01 | 觉芯电子(无锡)有限公司 | 一种漏电检测方法、装置和*** |
CN112881786B (zh) * | 2021-01-08 | 2024-03-26 | 觉芯电子(无锡)有限公司 | 一种漏电检测方法、装置和*** |
CN112881842A (zh) * | 2021-01-25 | 2021-06-01 | 众智学府信息技术有限公司 | 一种设备智能诊断的模块 |
CN113160134A (zh) * | 2021-03-12 | 2021-07-23 | 浙江黑卡电气有限公司 | 一种红外热图智能诊断装置及红外热图智能诊断方法 |
CN113588714A (zh) * | 2021-08-26 | 2021-11-02 | 国网四川省电力公司成都供电公司 | 一种复合绝缘子缺陷检测方法 |
CN114243392B (zh) * | 2021-12-17 | 2023-01-17 | 大连华锐重工集团股份有限公司 | 一种开关柜接插件安全监控的***和控制方法 |
CN114243392A (zh) * | 2021-12-17 | 2022-03-25 | 大连华锐重工集团股份有限公司 | 一种开关柜接插件安全监控的***和控制方法 |
CN114353925A (zh) * | 2021-12-31 | 2022-04-15 | 安徽柯力电气制造有限公司 | Sqb称重传感器自动测试*** |
CN114353925B (zh) * | 2021-12-31 | 2024-04-12 | 安徽柯力电气制造有限公司 | Sqb称重传感器自动测试*** |
CN116631087A (zh) * | 2023-07-20 | 2023-08-22 | 厦门闽投科技服务有限公司 | 一种基于无人机的电力巡检*** |
Also Published As
Publication number | Publication date |
---|---|
CN111624229B (zh) | 2023-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111624229B (zh) | 一种基于红外成像的带电设备故障智能诊断方法 | |
CN111242123B (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
CN111798407B (zh) | 一种基于神经网络模型的带电设备故障诊断方法 | |
CN111751002B (zh) | 一种基于红外热成像的带电设备故障智能诊断方法 | |
CN111047568B (zh) | 一种漏汽缺陷检测识别方法及*** | |
WO2020173177A1 (zh) | 物体色差缺陷检测方法、装置、计算机设备及存储介质 | |
CN111949809A (zh) | 一种输电线路红外巡检数据智能处理方法 | |
JP5168215B2 (ja) | 外観検査装置 | |
CN112085089A (zh) | 基于深度学习算法的变电站设备智能测温方法 | |
US20230042106A1 (en) | System and method for the statistical analysis of images of photovoltaic panels | |
CN112001327A (zh) | 一种阀厅设备故障识别方法及*** | |
Hui et al. | An intelligent fault diagnosis method for electrical equipment using infrared images | |
CN112734698A (zh) | 基于红外图像的电缆终端异常诊断方法和装置 | |
CN115802027B (zh) | 基于图像处理的在线监控设备运行异常检测方法 | |
Jadin et al. | Thermal condition monitoring of electrical installations based on infrared image analysis | |
CN116797977A (zh) | 巡检机器人动态目标识别与测温方法、装置和存储介质 | |
JP2002132341A (ja) | 現場点検装置 | |
Pareek et al. | Application of artificial neural networks to monitor thermal condition of electrical equipment | |
CN112465797A (zh) | 一种电缆终端热状态智能诊断方法及*** | |
CN109961428B (zh) | 基于流形的非负矩阵分解电熔氧化镁工业故障检测方法 | |
Taib et al. | Thermal imaging for qualitative-based measurements of thermal anomalies in electrical components | |
CN108229459B (zh) | 一种目标跟踪方法 | |
CN113205178B (zh) | 人工智能红外图像传感***及方法 | |
Olivatti et al. | Analysis of artificial intelligence techniques applied to thermographic inspection for automatic detection of electrical problems | |
Rokrakthong et al. | Applying cnn to infrared thermography for preventive maintenance of electrical equipment |
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 |