CN111751002B - 一种基于红外热成像的带电设备故障智能诊断方法 - Google Patents

一种基于红外热成像的带电设备故障智能诊断方法 Download PDF

Info

Publication number
CN111751002B
CN111751002B CN202010414378.1A CN202010414378A CN111751002B CN 111751002 B CN111751002 B CN 111751002B CN 202010414378 A CN202010414378 A CN 202010414378A CN 111751002 B CN111751002 B CN 111751002B
Authority
CN
China
Prior art keywords
temperature
image
analysis
infrared
measured object
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
Application number
CN202010414378.1A
Other languages
English (en)
Other versions
CN111751002A (zh
Inventor
韩中杰
傅进
周刚
周迅
蔡亚楠
李传才
魏泽民
殷军
钱伟杰
王洪俭
陈永根
屠楚明
俞军
陆明中
蔡宏飞
吴佳
费平平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority to CN202010414378.1A priority Critical patent/CN111751002B/zh
Publication of CN111751002A publication Critical patent/CN111751002A/zh
Application granted granted Critical
Publication of CN111751002B publication Critical patent/CN111751002B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • 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

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)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明涉及带电设备红外诊断技术领域，具体涉及一种基于红外热成像的带电设备故障智能诊断方法，包括以下步骤：A）对目标区域内的所有被测对象进行一次红外图像采集；B）提取图像的边界作为图像模型；C）将图像模型与被测对象的名称、对象材质、发热部标识、发热部制热类型及缺陷信息关联；D）制定并执行巡检任务，巡检过程中对被测对象进行红外图像拍摄，采集被测对象的红外图像并关联时间戳后保存；E）将拍摄的红外图像导入诊断***中；F）诊断***自动比对同线路的同类型被测对象沿时间轴的温度，诊断被测对象是否存在故障，若存在故障则发出报警。本发明的实质性效果是：实现统一进行数据对比，充分分析检测数据，提高故障检测效果。

Description

一种基于红外热成像的带电设备故障智能诊断方法
技术领域
本发明涉及带电设备红外诊断技术领域，具体涉及一种基于红外热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。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。
如中国专利CN108389137A，公开日2018年8月10日，基于红外图谱技术的电力故障诊断预警***，包括顺次连接的识别模块、分析模块与诊断显示模块，所述识别模块包括图像采集客户端及其连接的处理电路，所述分析模块包括图像智能分析单元及其连接的通信单元，所述诊断显示模块包括预警单元、显示单元，所述处理电路连接所述图像智能分析单元，所述通信单元连接所述诊断显示模块，所述图像采集客户端采集红外数据，并结合以可见光方式采集的设备信息，经处理后送入所述分析模块形成设备图像自动标注模型。其技术方案通过对电力设备红外图谱的识别，进而对设备进行识别标注，建立双向设备种类标注模型，实现对电力设备的故障诊断。但其仅能过标注设备的温度，不能对温度在时间轴上的变化进行分析，发现故障的能力较低。
发明内容
本发明要解决的技术问题是：目前红外检测规范性差和检测数据分析不充分的技术问题。提出了一种基于红外热成像的带电设备故障智能诊断方法，本方法能够规范红外图像采集的位置和角度，并在时间轴上充分分析检测数据，提高故障检测效果。
为解决上述技术问题，本发明所采取的技术方案为：一种基于红外热成像的带电设备故障智能诊断方法，包括以下步骤：A）持手持设备对目标区域内的所有被测对象进行一次定点定向的红外图像采集；B）采集到的每个对象的红外图像，提取图像的边界作为图像模型，将图像模型保存到图像模型库；C）将图像模型与被测对象的名称、对象材质、发热部标识、发热部制热类型及缺陷信息关联；D）制定并执行巡检任务，巡检过程中持手持设备对目标区域内的被测对象进行红外图像拍摄，将图像模型库中对应的图像模型半透明叠加显示在拍摄者实时拍摄画面上，拍摄者调整拍摄位置及角度，使实时拍摄画面中的被测对象与图像模型基本吻合，采集被测对象的红外图像并关联时间戳后保存；E）巡检任务中全部被测对象拍摄完成后，将拍摄的红外图像导入诊断***中，根据红外图像关联的时间戳自动导入被测对象当时的负荷、风速以及环境温度；F）诊断***自动比对同线路的同类型被测对象沿时间轴的温度，诊断被测对象是否存在故障，若存在故障则发出报警，若不存在故障则进行下一个对象的比对。规范红外图像采集的位置和角度，实现统一进行数据对比，并在时间轴上充分分析检测数据，提高故障检测效果。
作为优选，步骤A）中，对目标区域内的被测对象进行红外图像采集的方法包括：分别从多个位置的多个角度采集被测对象的未被遮挡的红外图像。多个被测对象的图像模型，从中选择一个进行拍摄即可，允许拍摄者有多个位置和角度选择，使拍摄方便，提高拍摄效率。
作为优选，步骤B）中，提取图像的边界作为图像模型的方法包括：
B1）选定红外热图像中被测对象的区域，根据预设的阈值对图像做二值化处理；
B2）使用双阈值边缘提取边缘，把边缘连接成轮廓，使得整个图像边缘闭合；
B3）将提取的轮廓做矢量化处理，生成一个被测对象的矢量图；
B4）图像模型的轮廓外的像素做全透明处理，模型图的轮廓的像素半透明处理。通过提取边缘并做透明化处理，能够使图像模型方便和实时拍摄图像叠加，从而对齐拍摄，获得较为规范的红外图像采集。
作为优选，步骤B）中，图像模型的轮廓上人工设定若干个对齐点，所述对齐点位于轮廓的拐角处，若干个所述对齐点覆盖轮廓的全部拐角。所述拐角指拐角两侧的轮廓方向夹角小于设定阈值。通过对齐点，能够更为准确的控制图像模型和实时拍摄图像的对齐情况，提高红外图像的规范度。
作为优选，步骤C）中，关联的发热部标识包括若干个分析框，所述分析框覆盖被测对象的发热部位，所述分析框均关联有发热部制热类型以及缺陷信息。通过分析框能够划定温度分析范围，提高温度分析的效率。
作为优选，步骤D）中，使实时拍摄画面中的被测对象与图像模型基本吻合的方法包括：D1）拍摄者以接近图像模型采集时的定点定向拍摄被测对象，并在定点定向附近缓慢晃动手持设备；D2）手持设备周期性保存一张实时拍摄画面的图片，从实时拍摄画面的图片中提取与对齐点相应的实时点，计算每一对对齐点和实时点之间的距离
Figure 752704DEST_PATH_IMAGE002
,
Figure 395038DEST_PATH_IMAGE004
为对齐点的集合；D3）计算距离的总和
Figure 15506DEST_PATH_IMAGE006
以及最大距离
Figure 826205DEST_PATH_IMAGE008
，若距离的总和
Figure 656758DEST_PATH_IMAGE006
小于预设阈值，且最大距离
Figure 214034DEST_PATH_IMAGE008
也小于设定阈值，则将该图片加入预选集；D4）从预选集中选择距离的总和
Figure 220168DEST_PATH_IMAGE006
与最大距离
Figure 467347DEST_PATH_IMAGE008
的和最小的图片，作为实时拍摄画面中的被测对象与图像模型基本吻合的拍摄画面。通过控制对齐点与实时拍摄画面的位置差异小于设定阈值，保证红外图像的采集与预定的采集位置和角度的差异在设定误差范围内，提高图片采集的规范性。
作为优选，步骤E）还包括：根据被测对象当时的负荷、风速以及环境温度，修正被测对象的分析框内的温度；包括：
E1）采用二次线性方程拟合建立测温数学模型，分别得到被测对象温度T与负荷的关系
Figure 519617DEST_PATH_IMAGE010
、被测对象温度T与风速的关系
Figure 644699DEST_PATH_IMAGE012
以及被测对象温度T与环境温度的关系
Figure 729505DEST_PATH_IMAGE014
；
E2）读取被测对象当时的负荷
Figure 508105DEST_PATH_IMAGE016
、风速
Figure 155993DEST_PATH_IMAGE018
以及环境温度
Figure 819187DEST_PATH_IMAGE020
，将被测对象采集的红外图像上的温度，代入
Figure 393388DEST_PATH_IMAGE022
，得到的
Figure 250879DEST_PATH_IMAGE024
作为
Figure 418686DEST_PATH_IMAGE026
代入
Figure 852947DEST_PATH_IMAGE012
，再代入
Figure 281655DEST_PATH_IMAGE014
得到最终修正的被测对象的修正后的实测温度分布。通过修正的温度更加能够反映被测对象的实际温度情况，提高故障预警的准确性。
作为优选，步骤F）中，诊断***自动比对同线路的同类型被测对象沿时间轴的温度，诊断被测对象是否存在故障的方法包括：
F1）读取同线路的同类型被测对象的实测温度的修正值，获得同线路的同类型被测对象上每个相同位置的分析框内的修正后的温度分布；
F2）获得每个被测对象的每个分析框内温度的最大值，进而获得每个分析框的温度最大值
Figure 778888DEST_PATH_IMAGE028
，
Figure 293046DEST_PATH_IMAGE030
为同线路的同类型被测对象的集合，
Figure 32463DEST_PATH_IMAGE032
为分析框
Figure 814212DEST_PATH_IMAGE034
所在的被测对象被拍摄的时间，由于每个被测对象的拍摄时间沿时间轴递增，故每个分析框的温度最大值
Figure 512041DEST_PATH_IMAGE028
在时间轴上构成一个序列，
Figure 890326DEST_PATH_IMAGE036
，表示被测对象被拍摄的时间序列；
F3）将每个分析框的温度最大值
Figure 699013DEST_PATH_IMAGE028
根据被测对象当时的负荷
Figure 836734DEST_PATH_IMAGE016
、风速
Figure 672840DEST_PATH_IMAGE018
以及环境温度
Figure 896011DEST_PATH_IMAGE020
进行修正；
F4）认为同一线路上的同类型被测对象的同一个分析框，在同负荷
Figure 755994DEST_PATH_IMAGE016
、同风速
Figure 748220DEST_PATH_IMAGE018
以及同环境温度
Figure 256693DEST_PATH_IMAGE020
下的温度相等，将
Figure 465695DEST_PATH_IMAGE038
，分别和
Figure 616185DEST_PATH_IMAGE040
时刻对应的负荷
Figure 197339DEST_PATH_IMAGE016
、风速
Figure 174916DEST_PATH_IMAGE018
以及环境温度
Figure 982466DEST_PATH_IMAGE020
，代入
Figure 435182DEST_PATH_IMAGE022
、
Figure 402001DEST_PATH_IMAGE042
以及
Figure 550479DEST_PATH_IMAGE044
，同样对其余分析框的温度最大值
Figure 110904DEST_PATH_IMAGE038
代入其余时刻下的修正值，获得每个分析框在时间
Figure 367311DEST_PATH_IMAGE036
序列下的温度值
Figure 329582DEST_PATH_IMAGE046
；
F5）取某个时刻
Figure 740972DEST_PATH_IMAGE048
下全部分析框的温度值
Figure 290158DEST_PATH_IMAGE050
，并计算均值
Figure 586141DEST_PATH_IMAGE052
，若存在分析框
Figure 760508DEST_PATH_IMAGE034
的温度值
Figure 483745DEST_PATH_IMAGE050
与均值
Figure 774088DEST_PATH_IMAGE052
的差值超过设定阈值，则该分析框对应的被测对象的发热部位存在故障，发出报警。通过同线路同型号的被测对象的对比，及时发现出现异常被测对象，提高故障预警的效果。
作为优选，步骤F）还包括：F6）将分析框
Figure 342604DEST_PATH_IMAGE034
按MxN划分小方格，统计每个小方格的平均温度作为小方格的温度；F7）计算每个小方格与其相邻小方格的温度差值，多个相邻小方格的温度差值的最大值作为小方格的温度梯度，若存在小方格的温度梯度超过设定阈值，则发出报警；F8）将分析框划分的小方格的温度相加，若总和超过设定阈值，则发出报警。小方格的温度和，代表了温度和温度分布面积的乘积，在分析框内的最高温度小于阈值，但分析框内大部分面积的温度均较高的情况下，也能够及时发出报警，指示被测对象异常发热，可能出现故障。
作为优选，步骤C）中，建立分析框的方法包括：人工选择被测对象发热部部位的区域，获得区域的最小外接矩形，作为该发热部位的分析框；人工选择被测对象在一次拍摄下可见的全部发热部位，获得全部发热部位对应的分析框；若分析框有重叠，则合并分析框。
本发明的实质性效果是：规范红外图像采集的位置和角度，实现统一进行数据对比，并在时间轴上充分分析检测数据，提高故障检测效果；对齐点能够更为准确的控制图像模型和实时拍摄图像的对齐情况，提高红外图像的规范度，多个被测对象的图像模型，从中选择一个进行拍摄即可，允许拍摄者有多个位置和角度选择，使拍摄方便，提高拍摄效率；通过提取边缘并做透明化处理，能够使图像模型方便和实时拍摄图像叠加，从而对齐拍摄，获得较为规范的红外图像采集，修正后的温度更加能够反映被测对象的实际温度情况，提高故障预警的准确性。
附图说明
图1为实施例一带电设备故障智能诊断方法流程框图。
图2为实施例一获得图像模型过程示意图。
图3为实施例一分析框位置示意图。
图4为实施例一巡检过程中红外图像拍摄示意图。
图5为实施例一被测对象不同部位实测温度变化示意图。
图6为实施例一同类型被测对象的同一部位实测温度变化示意图。
其中：1、红外图像，2、图像的边界，3、图像模型，4、拍摄画面，5、被测对象，301、分析框。
具体实施方式
下面通过具体实施例，并结合附图，对本发明的具体实施方式作进一步具体说明。
实施例一：
一种基于红外热成像的带电设备故障智能诊断方法，如图1所示，包括以下步骤：A）持手持设备对目标区域内的所有被测对象5进行一次定点定向的红外图像1采集。对目标区域内的被测对象5进行红外图像1采集的方法包括：分别从多个位置的多个角度采集被测对象5的未被遮挡的红外图像1。多个被测对象5的图像模型3，从中选择一个进行拍摄即可，允许拍摄者有多个位置和角度选择，使拍摄方便，提高拍摄效率。
B）采集到的每个对象的红外图像1，提取图像的边界2作为图像模型3，将图像模型3保存到图像模型3库。如图2所示，提取图像的边界2作为图像模型3的方法包括：B1）选定红外热图像中被测对象5的区域，根据预设的阈值对图像做二值化处理；B2）使用双阈值边缘提取边缘，把边缘连接成轮廓，使得整个图像边缘闭合；B3）将提取的轮廓做矢量化处理，生成一个被测对象5的矢量图；B4）图像模型3的轮廓外的像素做全透明处理，模型图的轮廓的像素半透明处理。
图像模型3的轮廓上人工设定若干个对齐点，对齐点位于轮廓的拐角处，若干个对齐点覆盖轮廓的全部拐角。拐角指拐角两侧的轮廓方向夹角小于设定阈值。通过对齐点，能够更为准确的控制图像模型3和实时拍摄图像的对齐情况，提高红外图像1的规范度。
C）将图像模型3与被测对象5的名称、对象材质、发热部标识、发热部制热类型及缺陷信息关联。关联的发热部标识包括若干个分析框301，分析框301覆盖被测对象5的发热部位，分析框301均关联有发热部制热类型以及缺陷信息。通过分析框301能够划定温度分析范围，提高温度分析的效率。如图3所示，建立分析框301的方法包括：人工选择被测对象5发热部部位的区域，获得区域的最小外接矩形，作为该发热部位的分析框301；人工选择被测对象5在一次拍摄下可见的全部发热部位，获得全部发热部位对应的分析框301；若分析框301有重叠，则合并分析框301。
D）制定并执行巡检任务，巡检过程中持手持设备对目标区域内的被测对象5进行红外图像1拍摄，将图像模型3库中对应的图像模型3半透明叠加显示在拍摄者实时拍摄画面4上，拍摄者调整拍摄位置及角度，使实时拍摄画面4中的被测对象5与图像模型3基本吻合，采集被测对象5的红外图像1并关联时间戳后保存。如图4所示，使实时拍摄画面4中的被测对象5与图像模型3基本吻合的方法包括：D1）拍摄者以接近图像模型3采集时的定点定向拍摄被测对象5，并在定点定向附近缓慢晃动手持设备；D2）手持设备周期性保存一张实时拍摄画面4的图片，从实时拍摄画面4的图片中提取与对齐点相应的实时点，计算每一对对齐点和实时点之间的距离
Figure 309160DEST_PATH_IMAGE002
,
Figure 937719DEST_PATH_IMAGE004
为对齐点的集合；D3）计算距离的总和
Figure 84667DEST_PATH_IMAGE006
以及最大距离
Figure 223917DEST_PATH_IMAGE008
，若距离的总和
Figure 280866DEST_PATH_IMAGE006
小于预设阈值，且最大距离
Figure 578861DEST_PATH_IMAGE008
也小于设定阈值，则将该图片加入预选集；D4）从预选集中选择距离的总和
Figure 947526DEST_PATH_IMAGE006
与最大距离
Figure 624888DEST_PATH_IMAGE008
的和最小的图片，作为实时拍摄画面4中的被测对象5与图像模型3基本吻合的拍摄画面4。通过控制对齐点与实时拍摄画面4的位置差异小于设定阈值，保证红外图像1的采集与预定的采集位置和角度的差异在设定误差范围内，提高图片采集的规范性。
E）巡检任务中全部被测对象5拍摄完成后，将拍摄的红外图像1导入诊断***中，根据红外图像1关联的时间戳自动导入被测对象5当时的负荷、风速以及环境温度。根据被测对象5当时的负荷、风速以及环境温度，修正被测对象5的分析框301内的温度；E1）采用二次线性方程拟合建立测温数学模型，分别得到被测对象5温度T与负荷的关系
Figure 270764DEST_PATH_IMAGE010
、被测对象5温度T与风速的关系
Figure 631338DEST_PATH_IMAGE012
以及被测对象5温度T与环境温度的关系
Figure 861200DEST_PATH_IMAGE014
；E2）读取被测对象5当时的负荷
Figure 575209DEST_PATH_IMAGE016
、风速
Figure 967270DEST_PATH_IMAGE018
以及环境温度
Figure 108532DEST_PATH_IMAGE020
，将被测对象5采集的红外图像1上的温度，代入
Figure 825690DEST_PATH_IMAGE022
，得到的
Figure 468024DEST_PATH_IMAGE024
作为
Figure 822913DEST_PATH_IMAGE026
代入
Figure 179419DEST_PATH_IMAGE012
，再代入
Figure 885338DEST_PATH_IMAGE014
得到最终修正的被测对象5的修正后的实测温度分布。通过修正的温度更加能够反映被测对象5的实际温度情况，提高故障预警的准确性。
其中被测对象5温度与负荷、风速、环境温度参数的关系如下获得：
改变被测对象5的负荷，从50A每隔10A提高负荷至200A，记录每个负荷时接触式测温设备的温度数据，拟合得到被测对象5温度T负荷与负荷的关系T负荷= f1(x1,y1)，二次线性方程为：
f1(x1,y1)=p10+p11*x1+p12*y1+p13*x1^2+p14*x1*y1+p15*y1^2;
其中f1(x1,y1)为实际被测对象5温度；
x1为修正前的温度；
y1为负荷数值；
本实施例中，
系数p10=-234.1，
系数p11=12.21，
系数p12=0.04792，
系数p13=-0.07269，
系数p14=-0.008746，
系数p15=-1.8279e-07；
将黑体由-20℃，每隔5℃升温至150℃，将鼓风机的风速从0m/s，每隔0.5m/s提高到10m/s，利用大量黑体温度和风速数据拟合得到被测对象5温度T风速与风速的关系T风速= f2(x2,y2)，二次线性方程为：
f2(x2,y2)=p20+p21*x2+p22*y2+p23*x2^2+p24*x2*y2+p25*y2^2;
其中f2(x2,y2)为实际黑体温度；
x2为修正前的温度；
y2为风速数值；
系数p20=-194.3，
系数p21=2.873，
系数p22=1.087，
系数p23=-0.03059，
系数p24=-0.02644，
系数p25=-1.284e-08；
将黑体由-20℃，每隔5℃升温至150℃，将步入式温箱的环境温度从-20℃，每隔5℃升温至40℃，利用大量黑体温度和环境温度数据拟合得到被测对象5温度T环境温度与环境温度的关系T环境温度= f3(x3,y3)，二次线性方程为：
f3(x3,y3)=p30+p31*x3+p32*y3+p33*x3^2+p34*x3*y2+p35*y3^2;
其中f3(x3,y3)为实际黑体温度；
x3为修正前的温度；
y3为环境温度数值；
系数p30=-38.76，
系数p31=6.432，
系数p32=4.863，
系数p33=-0.1238，
系数p34=-0.1244，
系数p35=-1.725e-07。
F）诊断***自动比对同线路的同类型被测对象5沿时间轴的温度，诊断被测对象5是否存在故障，若存在故障则发出报警，若不存在故障则进行下一个对象的比对。诊断***自动比对同线路的同类型被测对象5沿时间轴的温度，诊断被测对象5是否存在故障的方法包括：
F1）读取同线路的同类型被测对象5的实测温度的修正值，获得同线路的同类型被测对象5上每个相同位置的分析框301内的修正后的温度分布。
F2）获得每个被测对象5的每个分析框301内温度的最大值，进而获得每个分析框301的温度最大值
Figure 829898DEST_PATH_IMAGE028
，
Figure 304873DEST_PATH_IMAGE030
为同线路的同类型被测对象5的集合，
Figure 289403DEST_PATH_IMAGE032
为分析框301
Figure 607252DEST_PATH_IMAGE034
所在的被测对象5被拍摄的时间，由于每个被测对象5的拍摄时间沿时间轴递增，故每个分析框301的温度最大值
Figure 732334DEST_PATH_IMAGE028
在时间轴上构成一个序列，
Figure 294771DEST_PATH_IMAGE036
，表示被测对象5被拍摄的时间序列。
F3）将每个分析框301的温度最大值
Figure 338950DEST_PATH_IMAGE028
根据被测对象5当时的负荷
Figure 520926DEST_PATH_IMAGE016
、风速
Figure 184120DEST_PATH_IMAGE018
以及环境温度
Figure 132222DEST_PATH_IMAGE020
进行修正。
F4）认为同一线路上的同类型被测对象5的同一个分析框301，在同负荷
Figure 488248DEST_PATH_IMAGE016
、同风速
Figure 780689DEST_PATH_IMAGE018
以及同环境温度
Figure 483459DEST_PATH_IMAGE020
下的温度相等，将
Figure 53112DEST_PATH_IMAGE038
，分别和
Figure 812996DEST_PATH_IMAGE040
时刻对应的负荷
Figure 327154DEST_PATH_IMAGE016
、风速
Figure 821896DEST_PATH_IMAGE018
以及环境温度
Figure 980476DEST_PATH_IMAGE020
，代入
Figure 537359DEST_PATH_IMAGE022
、
Figure 912715DEST_PATH_IMAGE042
以及
Figure 721402DEST_PATH_IMAGE044
，同样对其余分析框301的温度最大值
Figure 501532DEST_PATH_IMAGE038
代入其余时刻下的修正值，获得每个分析框301在时间
Figure 963738DEST_PATH_IMAGE036
序列下的温度值
Figure 826389DEST_PATH_IMAGE046
。
F5）取某个时刻
Figure 173188DEST_PATH_IMAGE048
下全部分析框301的温度值
Figure 430994DEST_PATH_IMAGE050
，并计算均值
Figure 972090DEST_PATH_IMAGE052
，若存在分析框301
Figure 823503DEST_PATH_IMAGE034
的温度值
Figure 66003DEST_PATH_IMAGE050
与均值
Figure 319261DEST_PATH_IMAGE052
的差值超过设定阈值，则该分析框301对应的被测对象5的发热部位存在故障，发出报警。通过同线路同型号的被测对象5的对比，及时发现出现异常被测对象5，提高故障预警的效果，本实施例测量得到的发热部位的分析框301-1、301-2以及301-3三个部位，沿时间轴的温度变化曲线如图5所示，测量得到的同类型对象5-1、5-2、5-3以及5-4沿时间轴的温度变化曲线如图6所示。一般缺陷：S1最高温度与环境温度差值大于15℃且S1最高温度小于80℃（S1MAX-环境温度＞15℃且S1MAX＜80℃）；严重缺陷：S1最高温度大于等于80℃且小于等于110℃（S1MAX≥80℃且S1MAX≤110℃）；紧急缺陷：S1最高温度大于110℃（S1MAX＞110℃）。显然，不同被测对象5对应一个或者多个诊断规则，本实施例只是一种举例说明。
F6）将分析框301
Figure 765679DEST_PATH_IMAGE034
按MxN划分小方格，统计每个小方格的平均温度作为小方格的温度。F7）计算每个小方格与其相邻小方格的温度差值，多个相邻小方格的温度差值的最大值作为小方格的温度梯度，若存在小方格的温度梯度超过设定阈值，则发出报警。F8）将分析框301划分的小方格的温度相加，若总和超过设定阈值，则发出报警。小方格的温度和，代表了温度和温度分布面积的乘积，在分析框301内的最高温度小于阈值，但分析框301内大部分面积的温度均较高的情况下，也能够及时发出报警，指示被测对象5异常发热，可能出现故障。
本实施例实质性效果是：规范红外图像1采集的位置和角度，实现统一进行数据对比，并在时间轴上充分分析检测数据，提高故障检测效果；对齐点能够更为准确的控制图像模型3和实时拍摄图像的对齐情况，提高红外图像1的规范度，多个被测对象5的图像模型3，从中选择一个进行拍摄即可，允许拍摄者有多个位置和角度选择，使拍摄方便，提高拍摄效率；通过提取边缘并做透明化处理，能够使图像模型3方便和实时拍摄图像叠加，从而对齐拍摄，获得较为规范的红外图像1采集，修正后的温度更加能够反映被测对象5的实际温度情况，提高故障预警的准确性。
以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (10)

1.一种基于红外热成像的带电设备故障智能诊断方法，其特征在于， 包括以下步骤：
持手持设备对目标区域内的所有被测对象进行一次定点定向的红外图像采集；
采集到的每个对象的红外图像，提取图像的边界作为图像模型，将图像模型保存到图像模型库；
将图像模型与被测对象的名称、对象材质、发热部标识、发热部制热类型及缺陷信息关联；
制定并执行巡检任务，巡检过程中持手持设备对目标区域内的被测对象进行红外图像拍摄，将图像模型库中对应的图像模型半透明叠加显示在拍摄者实时拍摄画面上，拍摄者调整拍摄位置及角度，使实时拍摄画面中的被测对象与图像模型基本吻合，采集被测对象的红外图像并关联时间戳后保存；
巡检任务中全部被测对象拍摄完成后，将拍摄的红外图像导入诊断***中， 根据红外图像关联的时间戳自动导入被测对象当时的负荷、风速以及环境温度；
诊断***自动比对同线路的同类型被测对象沿时间轴的温度，诊断被测对象是否存在故障，若存在故障则发出报警，若不存在故障则进行下一个对象的比对。
2.根据权利要求 1 所述的一种基于红外热成像的带电设备故障智能诊断方法， 其特征在于，
步骤 A）中，对目标区域内的被测对象进行红外图像采集的方法包括： 分别从多个位置的多个角度采集被测对象的未被遮挡的红外图像。
3.根据权利要求 1 或 2 所述的一种基于红外热成像的带电设备故障智能诊断方法，其特征在于，
步骤 B）中，提取图像的边界作为图像模型的方法包括：
B1）选定红外热图像中被测对象的区域，根据预设的阈值对图像做二值化处理；
B2）使用双阈值边缘提取边缘，把边缘连接成轮廓，使得整个图像边缘闭合；
B3）将提取的轮廓做矢量化处理，生成一个被测对象的矢量图；
B4）图像模型的轮廓外的像素做全透明处理，模型图的轮廓的像素半透明处理。
4.根据权利要求 3 所述的一种基于红外热成像的带电设备故障智能诊断方法， 其特征在于，
步骤 B）中，图像模型的轮廓上人工设定若干个对齐点，所述对齐点位于轮廓
的拐角处，若干个所述对齐点覆盖轮廓的全部拐角。
5.根据权利要求 1 或 2 所述的一种基于红外热成像的带电设备故障智能诊断方法，其特征在于，
步骤 C）中，关联的发热部标识包括若干个分析框，所述分析框覆盖被测对象的发热部位，所述分析框均关联有发热部制热类型以及缺陷信息。
6.根据权利要求 4 所述的一种基于红外热成像的带电设备故障智能诊断方法， 其特征在于，
步骤 D）中，使实时拍摄画面中的被测对象与图像模型基本吻合的方法包括：
D1）拍摄者以接近图像模型采集时的定点定向拍摄被测对象，并在定点定向附近缓慢晃动手持设备；
D2）手持设备周期性保存一张实时拍摄画面的图片，从实时拍摄画面的图片中提取与对齐点相应的实时点，计算每一对对齐点和实时点之间的距离d𝑖,𝑖∈𝐸 , 𝐸 为对齐点的集合；
D3）计算距离的总和∑ d𝑖,𝑖∈𝐸以及最大距离𝑚𝑎𝑥(d𝑖,𝑖∈𝐸)，若距离的总和∑ d𝑖,𝑖∈𝐸小于预设阈值，且最大距离𝑚𝑎𝑥 (d𝑖,𝑖∈𝐸)也小于设定阈值，则将该图片加入预选集；
D4）从预选集中选择距离的总和∑ d𝑖,𝑖∈𝐸与最大距离𝑚𝑎𝑥 (d𝑖,𝑖∈𝐸)的和最小的图片， 作为实时拍摄画面中的被测对象与图像模型基本吻合的拍摄画面。
7.根据权利要求 5 所述的一种基于红外热成像的带电设备故障智能诊断方法， 其特征在于，
步骤 E）还包括：根据被测对象当时的负荷、风速以及环境温度，修正被测对象的分析框内的温度；
包括：
E1）采用二次线性方程拟合建立测温数学模型，分别得到被测对象温度 T 与负荷的关系𝑇修正 = 𝑓1(𝑇, 𝑃)、被测对象温度 T与风速的关系𝑇修正 = 𝑓2(𝑇, 𝑊)以及被测对象温度 T与环境温度的关系𝑇修正 = 𝑓3(𝑇, 𝑇环境)；
E2）读取被测对象当时的负荷𝑃、风速𝑊以及环境温度𝑇环境，将被测对象采集 的红外图像上的温度，代入𝑓1(𝑇, 𝑃)，得到的𝑇修正作为 𝑇代入𝑇修正 = 𝑓2(𝑇, 𝑊)，再代入𝑇修正 = 𝑓3(𝑇, 𝑇环境)得到最终修正的被测对象的修正后的实测温度分布。
8.根据权利要求 7 所述的一种基于红外热成像的带电设备故障智能诊断方法，
其特征在于，
步骤 F）中，诊断***自动比对同线路的同类型被测对象沿时间轴的温度，诊断被测对象是否存在故障的方法包括：
F1）读取同线路的同类型被测对象的实测温度的修正值，获得同线路的同类型被测对象上每个相同位置的分析框内的修正后的温度分布；
F2）获得每个被测对象的每个分析框内温度的最大值，进而获得每个分析框的温度最大值𝑇𝑗,𝑡𝑗,𝑚𝑎𝑥,𝑗∈𝐹 ，𝐹为同线路的同类型被测对象的集合，𝑡𝑗为分析框𝑗所在的被测对象被拍摄的时间，由于每个被测对象的拍摄时间沿时间轴递增，故每个分析框的温度最大值𝑇𝑗,𝑡𝑗,𝑚𝑎𝑥,𝑗∈𝐹 在时间轴上构成一个序列，𝑡0, 𝑡1, … , 𝑡𝑗，表示被测对象被拍摄的时间序列；
F3）将每个分析框的温度最大值𝑇𝑗,𝑡𝑗,𝑚𝑎𝑥,𝑗∈𝐹 根据被测对象当时的负荷𝑃、风速𝑊 以及环境温度𝑇环境进行修正；
F4）认为同一线路上的同类型被测对象的同一个分析框，在同负荷𝑃、同风速
𝑊以及同环境温度𝑇环境下的温度相等，将𝑇𝑗,𝑡𝑗,𝑚𝑎𝑥,𝑗∈[0,𝐹]，分别和𝑡2~𝑡𝑗时刻对应 的负荷𝑃、风速𝑊以及环境温度𝑇环境，代入𝑓1(𝑇, 𝑃)、𝑓2(𝑇, 𝑊)以及𝑓3(𝑇, 𝑇环境)， 同样对其余分析框的温度最大值𝑇𝑗,𝑡𝑗,𝑚𝑎𝑥,𝑗∈[0,𝐹]代入其余时刻下的修正值，获得每个分析框在时间𝑡0, 𝑡1, … , 𝑡𝑗序列下的温度值𝑇𝑗,𝑗∈𝐹|𝑡𝑖,𝑖∈[0,𝐹]；
F5）取某个时刻𝑡𝑘下全部分析框的温度值𝑇𝑗,𝑗∈𝐹|𝑡𝑘，并计算均值𝑇𝑎𝑣𝑔，若存在分析框𝑗的温度值𝑇𝑗,𝑗∈𝐹|𝑡𝑘与均值𝑇𝑎𝑣𝑔的差值超过设定阈值，则该分析框对应的被测对象的发热部位存在故障，发出报警。
9.根据权利要求 8 所述的一种基于红外热成像的带电设备故障智能诊断方法， 其特征在于，
步骤 F）还包括：
F6）将分析框𝑗按 MxN 划分小方格，统计每个小方格的平均温度作为小方格的温度；
F7）计算每个小方格与其相邻小方格的温度差值，多个相邻小方格的温度差值的最大值作为小方格的温度梯度，若存在小方格的温度梯度超过设定阈值，则发 出 报 警 ；F8）将分析框划分的小方格的温度相加，若总和超过设定阈值，则发出报警。
10.根据权利要求 5 所述的一种基于红外热成像的带电设备故障智能诊断方法， 其特征在于，
步骤 C）中，建立分析框的方法包括：
人工选择被测对象发热部部位的区域，获得区域的最小外接矩形，作为该发热部位的分析框；人工选择被测对象在一次拍摄下可见的全部发热部位，获得全部发热部位对应的分析框；若分析框有重叠，则合并分析框。
CN202010414378.1A 2020-05-15 2020-05-15 一种基于红外热成像的带电设备故障智能诊断方法 Active CN111751002B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010414378.1A CN111751002B (zh) 2020-05-15 2020-05-15 一种基于红外热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
CN202010414378.1A CN111751002B (zh) 2020-05-15 2020-05-15 一种基于红外热成像的带电设备故障智能诊断方法

Publications (2)

Publication Number Publication Date
CN111751002A CN111751002A (zh) 2020-10-09
CN111751002B true CN111751002B (zh) 2021-11-23

Family

ID=72673453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010414378.1A Active CN111751002B (zh) 2020-05-15 2020-05-15 一种基于红外热成像的带电设备故障智能诊断方法

Country Status (1)

Country Link
CN (1) CN111751002B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200784A (zh) * 2020-10-10 2021-01-08 福州润森电气自动化有限公司 一种电力设备智能缺陷诊断方法
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
CN112734970B (zh) * 2020-12-22 2022-12-27 沈阳工程学院 基于LoRaWAN定位技术的风电场无人机自动巡检***及方法
CN113554600B (zh) * 2021-06-30 2024-07-16 合肥金星智控科技股份有限公司 基于红外图像的电解槽极板检测方法
CN113870535B (zh) * 2021-08-11 2022-10-21 中标慧安信息技术股份有限公司 基于边缘计算的设备故障双向预警方法和***
CN113884194B (zh) * 2021-09-29 2023-04-07 广汉科峰电子有限责任公司 一种接触网温度动态检测***
CN114019879B (zh) * 2021-11-08 2024-03-15 河南数字中原数据有限公司 一种高低压配电柜监控***
CN114235446A (zh) * 2021-11-18 2022-03-25 浙江众合科技股份有限公司 一种应用于列车转向架的在线智能诊断***
CN117538658A (zh) * 2023-11-16 2024-02-09 深圳市美信检测技术股份有限公司 基于红外光谱及热成像的人工智能故障定位方法及装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100817656B1 (ko) * 2005-03-15 2008-03-31 오므론 가부시키가이샤 화상 처리 방법, 3차원 위치 계측 방법 및 화상 처리 장치
US9413988B2 (en) * 2012-07-24 2016-08-09 Fluke Corporation Thermal imaging camera with graphical temperature plot
CN103630244B (zh) * 2013-12-18 2016-03-09 重庆大学 电力***设备故障诊断方法及***
CN106846294B (zh) * 2016-12-16 2020-11-27 深圳市海科瑞科技有限公司 视觉检测方法、装置及设备
CN107607207B (zh) * 2017-08-22 2019-06-28 中国科学院深圳先进技术研究院 一种电力设备热故障诊断方法、***及电子设备
CN108389137A (zh) * 2018-02-06 2018-08-10 国网山西省电力公司电力科学研究院 基于红外图谱技术的电力故障诊断预警***
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
CN110598736B (zh) * 2019-08-06 2022-12-20 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
CN110766706A (zh) * 2019-09-26 2020-02-07 深圳市景阳信息技术有限公司 图像融合方法、装置、终端设备及存储介质

Also Published As

Publication number Publication date
CN111751002A (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
CN111751002B (zh) 一种基于红外热成像的带电设备故障智能诊断方法
CN111624229B (zh) 一种基于红外成像的带电设备故障智能诊断方法
CN103901072B (zh) 利用红外图谱分析诊断设备过热缺陷的方法
CN111798407B (zh) 一种基于神经网络模型的带电设备故障诊断方法
CN111242123B (zh) 一种基于红外图像的电力设备故障诊断方法
CN111209434B (zh) 一种基于多源异构数据融合的变电站设备巡检***及方法
CN110567964B (zh) 一种检测变电设备缺陷的方法、装置及存储介质
CN110850723B (zh) 一种基于变电站巡检机器人***的故障诊断及定位方法
CN108537154A (zh) 基于hog特征和机器学习的输电线路鸟巢识别方法
CN111949809B (zh) 一种输电线路红外巡检数据智能处理方法
CN105404867B (zh) 一种基于视觉的变电站隔离开关状态识别方法
CN108680833B (zh) 基于无人机的复合绝缘子缺陷检测***
CN111047568A (zh) 一种漏汽缺陷检测识别方法及***
CN106371013A (zh) 一种基于图片识别的gis开关故障自动识别***
CN113688817A (zh) 一种自动巡检的仪表识别方法及识别***
CN106548211A (zh) 基于红外图像的变电站测温点自动识别方法和装置
CN113418617A (zh) 一种风电场箱式变压器三维温度场测量与诊断方法
CN112525355A (zh) 图像处理方法、装置及设备
CN117152152A (zh) 检测试剂盒的生产管理***及方法
US20210397837A1 (en) Apparatus for monitoring a switchgear
CN116310274A (zh) 一种输变电设备的状态评估方法
CN113778091A (zh) 一种风电场升压站设备巡检方法
CN108898187A (zh) 一种自动识别配电房指示设备图像的方法及装置
CN112085724A (zh) 一种基于bim及热图像的机柜温度测量方法及其装置
CN112465797A (zh) 一种电缆终端热状态智能诊断方法及***

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