電氣設備故障分析及可靠性方法研究

何 杰

（湛江寶發賽迪轉底爐技術有限公司，廣東 湛江 524000）

1 電氣設備中常見的熱故障

本節給出了電氣設備中常見的典型故障的典型例，然后探討提高檢查質量的方法以及用于評估異常嚴重程度的技術。

電氣設備額定功率表示設備在不被損壞的情況下可以傳導的能量值。如果設備在高于其規格的功率下運行，過大的功率會導致設備過熱，從而縮短設備的壽命和效率。特別是陳舊的老化電線、不適當的修改或不合格的且無能力支撐現有負荷的電氣設備，在某種程度上這種情況可能導致電氣設備燃燒。新的電氣設備也不能免于這種情況，隨著時間的推移，電氣裝置及其接觸面將開始老化，導致電阻增加[1]。

電氣系統中的故障可分為電氣連接不良、短路或開路、過載、負載不平衡和設備安裝不當等。在大多數情況下，電氣連接不良是電氣系統線路的常見問題之一。根據調查，幾乎一半的熱問題是在導體連接附件和螺栓連接中發現的。這些問題主要是由于連接松動、腐蝕、生銹和未充分使用抑制性潤滑脂造成的。這類問題可以通過紅外熱像儀檢測熱模式來識別，包括最高溫度點指示問題的位置。在檢查過程中，如氧化電纜連接導致發熱點溫度超過70℃。一般會產生燃燒跡象。這種情況需要立即注意并及時修理。如果氧化和電弧損傷無法修復，建議更換零件和電纜。圖1展示了具有相應故障點的斷路器的連接示例。

圖1 斷路器的連接故障圖

理想情況下，電氣系統的設計和尺寸應滿足設施的負載需求。然而，隨著時間的推移，額外的負荷已導致電氣系統設備超出其原來的設計能力。電氣設備和部件尺寸不當也會導致過載。過載狀態通常顯示一個均勻的熱模式出現在整個電路中。設備產生的總熱量取決于負載和設備的環境工作溫度。圖2描繪了具有過載條件的單相斷路器，過載導致發熱點溫度超過76.6℃。

圖2 過載斷路器的典型故障圖

2 可靠性方法

由于對電氣設備的預防性維護和狀態監測的需求越來越受到重視和關注，需要一種可靠和快速的分析工具來進行檢查。以下方法可提高電氣設備檢查和狀態監測的質量[2]。

2.1 高分辨率紅外相機的先進技術

影響檢驗質量的主要因素是紅外熱成像設備本身。紅外熱像儀以其高精度、高靈敏度的成像特性，越來越受到人們的重視，成為電氣預防性維修的一種重要手段。紅外探測器制造工藝的進步極大地提高了產量和質量，同時降低了生產成本。然而，檢測的質量與圖像的分辨率有關。分辨率差會導致檢測圖像的判讀不好。因此，為了更準確、更實時地解釋數據，建議在紅外攝像機上使用最新技術。除了分辨率外，現代紅外熱像儀還具有很高的熱靈敏度，在某些產品中，紅外熱像儀還可以調整屏幕上的數據測量值，如物體發射率、溫度等。

2.2 高分辨率連續監測

采用連續熱成像技術，可提供額外的能量進行周期性熱檢，尤其關系到電氣設備的耐久性。由于故障隨時可能發生，因此連續熱監測有其優勢。此外，它不依賴于操作員，也不依賴于定期檢查，特別是在嚴重過載期間。另一方面，實時監控可以在異常發生時對信號或警報發出警報，因此可以同時采取適當的措施。除此之外，與現有的監控和數據采集系統的集成將實現實時遠程監控，而無需單獨的系統或報告，這實際上是定期熱工檢查無法實現的[3]。

2.3 準確的故障診斷方法

有多種技術可用于通過定性檢測圖像分析來確定電氣設備的熱嚴重性。其中一項技術是通過確定每個電氣設備的實際最高溫度并根據標準評估其狀況來進行直接解釋。最高溫度由指定選定區域內的最高像素值。然而，這種技術有時會產生誤導。這是因為電氣設備的溫度會受到環境溫度不同程度的影響。因此，還必須考慮與環境溫度不同的相對溫度。計算直方圖或直方圖距離是另一種可用于兩個物體之間的相似性。在這種情況下，計算每個區域的直方圖并與其他區域進行比較。另一種推薦的方法是分析分割區域的梯度。利用梯度分析技術的一個優點是可以識別電氣設備中熱點的來源，所有這些參數都可以作為輸入特征的決策過程。電氣設備檢測通常可用于比較相似設備之間的故障，但可能需要顯示故障的嚴重程度。機電系統的故障診斷往往依賴于對滿載發熱點的預測和設備在該溫度下的耐久性。由于需要預測系統滿負荷運行時的最高溫度，因此必須探索預測設備可靠性和使用壽命的新方法。

2.4 目標識別方法

基于自頂向下方法的目標識別方法是最佳選擇之一。通過假設電氣設備紅外圖像中的所有物體都是重復結構，識別出感應區域。通過檢測每個目標的局部特征，并對每個目標相似的特征進行分組來進行分類。采用尺度不變特征變換算法進行圖像分割，通過識別重復結構的區別特征，描述特征并匹配每個特征，以檢測圖像中的相似對象。這里，尺度不變特征變換算法是在一幅圖像中而不是在兩幅圖像之間匹配和配對顯著的相似特征。最后，在具有一組匹配特征之后，這些特征集合被分組并且可以提取重復結構的區域。該分割技術具有良好的識別效果和重復目標檢測。然而，這種技術只適用于外形非常相似的電氣設備或部件。電氣設備紅外圖像的有限紋理導致特征檢測數量有限[4]。

2.5 優化算法

無論是對電氣設備檢測圖像的定性分析還是定量分析，大部分可用的分類方法都是對檢測圖像進行定量分析，可以較好地應用于電氣設備狀態的分類。神經網絡算法學習數據的復雜輸入輸出關系，用于電氣設備熱狀態的學習和分類。在所有的人工神經網絡算法中，多層感知器模型由于靈活性強、計算速度快、魯棒性強的獨特優點得到了廣泛的應用。

在另一個嘗試中，支持向量機算法可以用來確定電氣設備的狀態。支持向量機是一種被廣泛應用的數據分類工具。支持向量機是一種學習系統，它利用高維特征空間中線性函數的假設空間來直接估計決策面（不是建模訓練數據的概率分布），并將模糊決策方法應用于電力設備狀態分類。有學者提出了一個基于模糊邏輯的專家系統，該系統可以提取電氣設備檢測圖像中的主要特征，并建議適當的維護措施。

還有學者采用神經模糊網絡對避雷器故障進行檢測和分類。該系統實現了90%的故障分類，并帶有760多個測量的測試數據集。唯一區別于其他系統的是，神經模糊網絡的輸入變量可以考慮環境因素參數（污染指數）、檢測變量和避雷器規格（包括額定電壓、材料和設備制造商）等信息。

有學者實現了基于面向對象分割的圖像配準方法和用于監測電氣設備熱異常的圖像匹配調整算法。圖像配準方法分為三個步驟：首先，基于（區域）灰度相似性的方法，通過一個相似性度量來選擇這類方法，用時間作為兩幅圖像相似性的度量。其次，基于傅里葉變換算法的相位相關圖像變換。最后對圖像進行匹配。在檢測到目標設備的圖像后，將該圖像與相似模板進行比較，從而進行去噪并檢查儀器狀況。

有學者提出了一種利用高階局部自相關特征比較電器參考熱模式來檢測電器熱故障的方法。在這項研究中，相似的設備檢測在每個觀測區域使用曼哈頓距離之間的參考特征和特征[5]。

2.6 智能診斷系統

由于電氣設備對預防性維護的需求過大，迫切需要一個更可靠、更健壯的智能系統。到目前為止，由于設備的不同特點，已開發的智能系統只能用于特殊用途的電氣設備。因此，必須設計和開發一個智能系統模型，以適應電氣故障點成像質量問題。對于在室外進行的檢查，拍攝的圖像通常會受到噪聲的影響。因此，必須探索一種先進的圖像處理技術和新的算法來解決這些問題。所開發的模型應能適應各種因素的復雜相互作用，并能為未來的擴展提供支持。檢查結果應包括風速、電氣負荷變化、環境空氣溫度、電阻等的影響。

3 結語

為了避免熱沖擊可能引起的故障，同時提高電力設備的可靠性，必須及早預防。紅外熱成像技術的使用提供了有效和可靠的信息，特別是對于預防性維護計劃和在線監測。為了避免對紅外熱成像數據的誤解或不準確的分析，需要考慮對分析方法進行修正和改進。電氣設備紅外熱成像檢測的最新發展趨勢表明，人們對智能化系統的要求越來越高。采用先進的檢測系統可以提高檢測質量。因此，必須設計一個系統的方法來進行新的檢測和一個可持續的智能系統。對于復雜的圖像分析，需要采用先進有效的圖像處理技術。進一步的開發可以將自動處理能力嵌入到被測物體及其關鍵部件的自動識別中。