基于機(jī)器視覺(jué)的高壓隔離開(kāi)關(guān)設(shè)備狀態(tài)判別與故障診斷技術(shù)

陳富國(guó), 蔡杰, 李中旗

(平高集團(tuán)有限公司，河南， 平頂山 467001)

0 引言

本文探討將機(jī)器視覺(jué)的相關(guān)技術(shù)應(yīng)用于高壓隔離開(kāi)關(guān)的故障檢測(cè)以及狀態(tài)識(shí)別中，利用YOLO v3(You Only Look Once vision 3)智能算法模型來(lái)進(jìn)行高壓隔離開(kāi)關(guān)中設(shè)備異常發(fā)熱點(diǎn)檢測(cè)，對(duì)它的紅外圖像進(jìn)行智能化的識(shí)別處理[1]。同時(shí)，對(duì)YOLO v3算法模型進(jìn)行優(yōu)化，判斷優(yōu)化前后算法的平均精度，進(jìn)一步明確研究效果。

1 方法

1.1 傳統(tǒng)高壓隔離開(kāi)關(guān)故障缺陷分析

高壓隔離開(kāi)關(guān)是電網(wǎng)是廣泛應(yīng)用的開(kāi)關(guān)設(shè)備之一。高壓隔離開(kāi)關(guān)的主要應(yīng)用在出現(xiàn)負(fù)荷電流或者短路電流時(shí)的開(kāi)合。高壓隔離開(kāi)關(guān)也是在開(kāi)關(guān)電器分類(lèi)中工藝最為復(fù)雜、性能最為完善的設(shè)備之一[2]，在電網(wǎng)系統(tǒng)中應(yīng)用廣泛，具有重要的意義。首先，高壓隔離開(kāi)關(guān)保證了在檢修中可以形成明顯的斷開(kāi)點(diǎn)，避免了工作人員因未能正確區(qū)分工作區(qū)域而造成的不安全事故的發(fā)生[3]。其次通過(guò)高壓隔離開(kāi)關(guān)可以形成足夠的安全距離，保證了檢修設(shè)備的獨(dú)立性，保證檢修時(shí)的安全。最后，高壓隔離電源還可以實(shí)現(xiàn)對(duì)電流場(chǎng)景的高校控制。

在實(shí)際應(yīng)用中，高壓隔離電源的故障的具體內(nèi)容如圖1所示。由圖1可知，主要故障類(lèi)型可以分為以下幾類(lèi)：運(yùn)行卡澀，分合閘不靈敏，部件損壞，控制回路故障，導(dǎo)電回路發(fā)熱以及三相不同期等。運(yùn)行卡澀多發(fā)生于傳動(dòng)連桿、軸承、齒輪嚙合處等部位，主要產(chǎn)生的原因?yàn)闄C(jī)構(gòu)的銹蝕、腐蝕以及缺少潤(rùn)滑等。而分合閘不靈敏主要發(fā)生在導(dǎo)電臂以及觸頭等部位，主要是因?yàn)樾谐套兓愇铩⑦B桿變形等原因造成。而部件損壞多數(shù)發(fā)生于絕緣子、齒輪、彈簧、導(dǎo)電臂、觸頭等部位，主要是由于外力過(guò)大、材質(zhì)以及設(shè)備形變等原因?qū)е隆？刂苹芈饭收隙喟l(fā)生于接觸器、轉(zhuǎn)換開(kāi)關(guān)等部位，而機(jī)構(gòu)箱受損、節(jié)點(diǎn)氧化則是其主要的產(chǎn)生原因。導(dǎo)電回路發(fā)熱多發(fā)生于接線板、動(dòng)靜觸頭以及軟連接處，主要產(chǎn)生原因?yàn)槁菟ㄋ蓜?dòng)、大截面氧化以及阻值超標(biāo)。而三相不同期主要發(fā)生在導(dǎo)電臂以及觸頭等位置。

圖1 高壓隔離開(kāi)關(guān)主要故障分類(lèi)

通過(guò)實(shí)際調(diào)查發(fā)現(xiàn)，高壓隔離開(kāi)關(guān)的維修以及監(jiān)測(cè)相對(duì)比較繁瑣，高壓隔離開(kāi)關(guān)過(guò)熱會(huì)導(dǎo)致正常運(yùn)行的高壓隔離開(kāi)關(guān)開(kāi)關(guān)出頭的彈簧的彈性降低。斷開(kāi)后高壓隔離開(kāi)關(guān)會(huì)被空氣包圍，形成氧化膜。而氧化膜上則會(huì)阻礙電流的正常流通，同時(shí)其上也會(huì)出現(xiàn)臟污，影響高壓隔離開(kāi)關(guān)的正常使用。此外工作人員的不規(guī)范操作也會(huì)使高壓隔離開(kāi)關(guān)的接觸面不能完全貼合，造成開(kāi)關(guān)接觸不良等問(wèn)題。

在大部分實(shí)際應(yīng)用中，高壓隔離開(kāi)關(guān)的故障檢測(cè)主要還是依賴(lài)于運(yùn)行維護(hù)人員的日常巡視以及運(yùn)行人員的自主分析。高壓隔離開(kāi)關(guān)的檢測(cè)以及故障診斷并無(wú)一個(gè)明確的標(biāo)準(zhǔn)以及準(zhǔn)則，同時(shí)也未能實(shí)現(xiàn)故障的智能化檢測(cè)[4-5]。使用傳統(tǒng)的故障以及狀態(tài)檢測(cè)方法對(duì)早起的隱患故障往往無(wú)法及時(shí)的發(fā)現(xiàn)，導(dǎo)致一旦發(fā)現(xiàn)問(wèn)題即為十分嚴(yán)重的故障，往往會(huì)對(duì)供電的可靠性產(chǎn)生較大的影響。同時(shí)，在實(shí)際應(yīng)用中，由于在日常運(yùn)行中發(fā)生的氧化、銹蝕、臟污等現(xiàn)象，很容易導(dǎo)致高壓隔離開(kāi)關(guān)發(fā)生異常發(fā)熱，導(dǎo)致嚴(yán)重的后果，因此在實(shí)際的高壓隔離開(kāi)關(guān)檢修中，開(kāi)關(guān)溫度問(wèn)題往往是一個(gè)重點(diǎn)關(guān)注的問(wèn)題，而在本研究中也將重點(diǎn)關(guān)注此類(lèi)問(wèn)題。

1.2 基于機(jī)器視覺(jué)的高壓開(kāi)關(guān)紅外圖像識(shí)別

紅外測(cè)溫技術(shù)對(duì)高壓開(kāi)關(guān)進(jìn)行溫度檢測(cè)的一種常用的方法。所謂紅外測(cè)溫就是指利用紅外圖像采集裝置，將目標(biāo)所輻射的紅外線用外信號(hào)通過(guò)一系列轉(zhuǎn)化成為紅外圖像[6]，其用于高壓開(kāi)關(guān)測(cè)溫的具體實(shí)現(xiàn)原理如圖2所示。

圖2 高壓隔離開(kāi)關(guān)紅外測(cè)溫基本原理

由圖2可知，首先高壓開(kāi)關(guān)設(shè)備發(fā)出紅外輻射，紅外接收裝置會(huì)將紅外信號(hào)轉(zhuǎn)化為電信號(hào)，隨后在通過(guò)信號(hào)處理生成紅外圖像進(jìn)行相關(guān)故障分析。與傳統(tǒng)的測(cè)溫技術(shù)相比，紅外測(cè)溫技術(shù)可以充分地對(duì)目標(biāo)進(jìn)行輻照，測(cè)量范圍較大，尤其是對(duì)于運(yùn)動(dòng)的物體以及熱容較小的物體具有良好的效果，其響應(yīng)速度也較快，傳統(tǒng)接觸式測(cè)量的響應(yīng)時(shí)間可能需要幾十秒至幾分鐘，而用紅外測(cè)量只需要2—3 s。

對(duì)采集到的紅外圖像進(jìn)行智能化的識(shí)別以及提取是研究中的一種重點(diǎn)問(wèn)題[7]。通常，在對(duì)高壓開(kāi)關(guān)進(jìn)行紅外測(cè)溫檢測(cè)時(shí)，紅外圖像中表征的特征信息往往由工程師憑借個(gè)人經(jīng)驗(yàn)進(jìn)行評(píng)定，在實(shí)際使用時(shí)往往會(huì)存在著一定的誤差。大量的紅外圖像往往沒(méi)有標(biāo)準(zhǔn)化規(guī)范化的分類(lèi)。更為重要的是，在實(shí)際應(yīng)用中高壓開(kāi)關(guān)的紅外圖像大多是根據(jù)熱像儀進(jìn)行拍攝，但是由于熱像儀的角度、距離的而差異，會(huì)導(dǎo)致拍攝的圖片的參數(shù)不規(guī)范，影響后續(xù)使用，并且在使用時(shí)也會(huì)出現(xiàn)拍攝的并非為高壓開(kāi)關(guān)的圖象。鑒于上述情況，需要使用相應(yīng)的智能化技術(shù)對(duì)紅外圖像進(jìn)行智能化的整理與分類(lèi)，對(duì)高壓隔離開(kāi)關(guān)的紅外測(cè)溫圖像進(jìn)行深度的訓(xùn)練，實(shí)現(xiàn)高壓隔離開(kāi)關(guān)的異常故障檢測(cè)工作。

1.3 基于圖像分析的高壓隔離開(kāi)關(guān)的設(shè)計(jì)

基于機(jī)器視覺(jué)的相關(guān)理念，對(duì)高壓隔離開(kāi)關(guān)利用紅外圖像識(shí)別技術(shù)進(jìn)行故障診斷。進(jìn)行圖像識(shí)別的算法模型為YOLO v3智能算法模型。該模型是一種對(duì)目標(biāo)圖像進(jìn)行識(shí)別以及定位的模型，在運(yùn)行過(guò)程中主要將輸入的圖片劃分為不同大小的網(wǎng)格，隨后在每個(gè)網(wǎng)格上通過(guò)檢測(cè)候選區(qū)域的方法識(shí)別出每個(gè)候選區(qū)域的類(lèi)別概率以及坐標(biāo)。YOLO v3模型的主要優(yōu)點(diǎn)在于其較快的運(yùn)行速度以及多尺度的目標(biāo)檢測(cè)功能，也正是由于YOLO v3模型的相關(guān)優(yōu)點(diǎn)使其十分適用于高壓隔離開(kāi)關(guān)的故障檢測(cè)工作。Darknet53結(jié)構(gòu)的YOLO v3模型框架如圖3所示。

圖3 YOLO v3模型框架

由圖3可知，這種網(wǎng)絡(luò)結(jié)構(gòu)主要由5個(gè)殘差模塊組成，每個(gè)殘差模塊又由多個(gè)殘差單元組成，在系統(tǒng)中由2個(gè)數(shù)碼累積造型(DBL)單元進(jìn)行殘差操作。DBL單元中主要包括卷積、批歸一化以及激活函數(shù)。

在對(duì)高壓隔離開(kāi)關(guān)的紅外圖像進(jìn)行識(shí)別時(shí)的具體目標(biāo)檢測(cè)流程如圖4所示。

圖4 YOLO v3目標(biāo)檢測(cè)方法

由圖4可知，在實(shí)際應(yīng)用時(shí)，輸入的紅外圖像的參數(shù)為416×416×3，隨后進(jìn)行一系列的卷積操作。在模型中，采用多個(gè)跳躍鏈接，此操作可使YOLO v3的收斂能力加快并且可以解決模型梯度消散的問(wèn)題。其中，使用feature1，feature2以及feature3來(lái)進(jìn)行回歸檢測(cè)。

同時(shí)，為進(jìn)一步提高該模型的應(yīng)用效果，解決在具體應(yīng)用時(shí)由于干擾因素過(guò)多而導(dǎo)致的目標(biāo)難以檢測(cè)等問(wèn)題，本研究對(duì)YOLO v3模型進(jìn)行了算法優(yōu)化。主要進(jìn)行了參數(shù)優(yōu)化以及損失函數(shù)優(yōu)化。

(1) 參數(shù)優(yōu)化

在參數(shù)優(yōu)化中主要使用的Momentum Optimizer算法。Momentum Optimizer算法中使用了超參數(shù)用來(lái)更新參數(shù)，參數(shù)更新如式(1)、式(2)：

pi=α1pi+g(μi-1)

(1)

μi=μi-1-βpi

(2)

式中，α1為超參數(shù)，β為學(xué)習(xí)率，學(xué)習(xí)率的初始值為0.001，μ為參數(shù)，g(μi-1)為損失函數(shù)的梯度。

(2) 損失函數(shù)優(yōu)化

在本文中，YOLO v3的損失函數(shù)主要由置信度損失函數(shù)以及位置回歸損失函數(shù)2部分組成，具體內(nèi)容如式(3)：

(3)

式中，L(c,x,y,w,h)為優(yōu)化后的損失函數(shù)，M為匹配到目標(biāo)區(qū)域內(nèi)Default Box的數(shù)量，φ為調(diào)整Confidence loss以及Location loss的比例。

1.4 實(shí)驗(yàn)環(huán)境

為實(shí)現(xiàn)YOLO v3模型的相關(guān)測(cè)試，本研究收集了560幅高壓隔離開(kāi)關(guān)的紅外圖像作為數(shù)據(jù)集，使用LabelImg圖片標(biāo)注工具對(duì)數(shù)據(jù)集進(jìn)行標(biāo)注，標(biāo)記后的圖片按照.xmld4的形式進(jìn)行儲(chǔ)存。本研究將560張高壓隔離開(kāi)關(guān)圖片分為3個(gè)部分，分別為訓(xùn)練集、測(cè)試集以及驗(yàn)證集，訓(xùn)練集圖片為350張，測(cè)試集圖片為100張，驗(yàn)證集圖片為110張。

本研究進(jìn)行模型檢測(cè)時(shí)采用的操作系統(tǒng)為L(zhǎng)inux系統(tǒng)，系統(tǒng)平臺(tái)為Ubuntu，使用Python3.8系統(tǒng)中的TensorFlow模塊進(jìn)行操作，計(jì)算機(jī)配置采用Intel Core i7處理器，GPU 型號(hào)為NVIDIA GeForce GXT 1050，系統(tǒng)內(nèi)存為6 GB，硬盤(pán)容量為128 GB。

2 結(jié)果與討論

2.1 模型測(cè)試結(jié)果分析

研究主要針對(duì)模型的損失值(loss)以及交并比(Intersection over Union，IOU)進(jìn)行了測(cè)試，具體內(nèi)容如圖5所示。其中圖5(a)為該模型的損失值曲線，圖5(b)該模型的交并比曲線圖。

(a)

(b)

由圖5可知，在進(jìn)行模型訓(xùn)練時(shí)，隨著批次的逐漸增加，模型的損失值逐漸減小，在批次值為20 000時(shí)，損失值已基本降到了0.2左右，表明該模型在損失函數(shù)方面表現(xiàn)較好。而圖5(b)則表明了隨著批次的逐步增加，交并比的值逐漸趨向于1，表明預(yù)測(cè)的數(shù)據(jù)與標(biāo)注的數(shù)據(jù)的越來(lái)越接近，檢測(cè)數(shù)據(jù)可以與實(shí)際目標(biāo)較好的重合度。

2.2 優(yōu)化效果分析

研究引入平均精度作為算法模型的而評(píng)價(jià)指標(biāo)，研究主要分析研究了未優(yōu)化的YOLO v3算法與優(yōu)化后的YOLO v3算法模型對(duì)高壓隔離開(kāi)關(guān)的設(shè)備異常發(fā)熱點(diǎn)檢測(cè)時(shí)的平均精度，具體結(jié)果如圖6所示。

圖6 未優(yōu)化與優(yōu)化后YOLO v3模型的平均精度。

由圖6可知，未優(yōu)化的YOLO v3算法模型的平均精度為82.54%，而優(yōu)化后的YOLO v3算法模型的平均精度為90.36%。結(jié)果表明，使用相關(guān)優(yōu)化算法可以大幅提高YOLO v3模型的平均精度，該方法在高壓隔離開(kāi)關(guān)中設(shè)備異常發(fā)熱點(diǎn)檢測(cè)時(shí)應(yīng)用效果較好。

3 總結(jié)

本研究基于YOLO v3模型對(duì)高壓隔離開(kāi)關(guān)紅外檢測(cè)圖像進(jìn)行了圖像提取和精度檢測(cè)的操作，本研究具體結(jié)果如下。通過(guò)對(duì)模型的訓(xùn)練以及檢測(cè)表明，隨著訓(xùn)練次數(shù)的增加，模型的損失值逐漸減少，在批次值為20 000時(shí)，損失值則保持在0.2左右，而在模型的交并比值也逐漸趨向于1 ，表明該模型總體訓(xùn)練結(jié)果良好。實(shí)際應(yīng)用的結(jié)果表明，未優(yōu)化的YOLO v3算法模型的平均精度為82.54%，優(yōu)化后的YOLO v3算法模型的平均精度為90.36%，表明使用優(yōu)化算法可以大幅度提高模型的精度。綜上所示，YOLO v3模型應(yīng)用效果良好，適用于高壓隔離開(kāi)關(guān)紅外圖像的檢測(cè)操作。但是，由于相關(guān)條件的制約，本研究?jī)H針對(duì)YOLO v3算法模型進(jìn)行了優(yōu)化研究，在后續(xù)研究中，將繼續(xù)探究YOLO v3算法模型與其他圖像識(shí)別算法的對(duì)比分析，進(jìn)行算法的融合與優(yōu)化，進(jìn)一步提高研究算法的精度以及實(shí)用價(jià)值。