基于熱圖像處理的電氣設備故障識別

王 堯

（中國石油華北油田公司第一采油廠）

0 引言

熱像處理（TIP）是通過檢測電氣系統中的“熱點”來識別潛在問題區域的一種方法。這種方法的基本原理是，大多數組件在發生故障時往往會顯示溫度升高。例如，這種溫度上升可能是由于連接松散、設備有缺陷或損壞、短路、過載、負載不平衡，甚至是不正確的安裝等原因造成的。TIP 允許人們觀察系統中的熱模式，可以用來幫助確定潛在問題區域的位置；根據進一步需要，可以在設備故障和造成進一步損壞之前進行分析和修復。

故障診斷被認為是電氣系統的一個關鍵因素，可以確保不斷降低和消除成本，提高生產率和增加機器的可用性。由于降低運行成本，提高運行的一致性，改善供電質量，為客戶提供優質的服務，因此對變壓器、發電機和異步電動機等領域的研究日益增加，電氣設備的故障檢測需要加強監護。紅外熱成像（IRT）已被廣泛應用于電氣設備的監測和故障診斷。通過比較熱點溫度和參考溫度來判斷電氣設備的狀態。目前，一種性價比高、可靠、非接觸式的紅外熱像檢測系統正被廣泛應用于監測和故障診斷。具有檢測電氣設備熱異常的能力。將圖像處理方法應用于紅外熱像圖像的故障診斷。為了識別IRT 圖像中的熱點，最簡單的方法是使用分割技術。文中討論幾種圖像分割技術，并對它們進行比較。

1 理論分析

基于小波變換和脈沖耦合神經網絡的自動熱圖像分割在國內研究中提出。部分論文闡述利用邊緣檢測和霍夫變換檢測設備的熱圖像分割[1-2]。本文對幾種分割方法在電氣標志識別系統中的應用進行比較研究。用于彩色圖像分割的支持向量機（SVM）具有廣闊的應用前景。對于隨機圖像的分割，基于偏微分方程的隨機步行分割（PDE）在國外文獻中提出。幾種邊緣檢測方法被用于尋找熱圖像的邊緣。在前人研究中，基于馬爾可夫網絡（MRF）的分割從標志應用到對象分割。基于紅外圖像處理的避雷器故障檢測已經提出，采用一組神經模糊網絡實現故障分類。部分文獻描述了一種識別感應電動機定子故障的新的模式識別方法。為了進行故障識別，采用了新模糊分類器。不同的基于邊緣的分割方法，如 Robert，Sobel，Prewitt 和Canny 運算符也可以實現。該方法定位灰度強度值的突變點。利用光譜分析，可以做出彩色圖像分割。但是很難獲得關于物體顏色的先驗知識[3-5]。

在國外研究中，提出了不同顏色轉換的精確公式，并提出了許多顏色模型的各種應用。在圖像分割領域，特別是在醫學圖像處理、食品加工、交通信號系統、標志檢測等領域，已經進行了大量的工作。但是，在使用熱圖像處理或分割技術進行電氣設備狀態監測方面，只有很少的一部分被提及。

由于溫度信號或熱像中存在噪聲，溫度的振幅表明問題的嚴重性。從溫度測量中提取信號是一項具有挑戰性的工作。熱成像有能力即時可視化和驗證熱性能的發電是至關重要的安全、環境和商業因素。利用 FLIRE-60 熱像儀獲取了一些標準熱像圖。首先，基于顏色，將RGB 圖像轉換成HSV 顏色模型。一些基于梯度的邊緣檢測技術，如Roberts，Prewitt，Otsuetc，使用邊緣檢測閾值完成，用于對熱區域進行分區。基于最小均方誤差（MSE）、峰值信噪比（PSNR）等圖像指標，選擇最佳的邊緣檢測方法，取得較好的檢測效果，下一步將基于聚類的圖像閾值Otsu 方法應用于熱像檢測，取得較好的檢測效果。在這些方法中，Otsu 方法很容易確定熱圖像的熱區域。

1.1 閾值分析

Roberts 邊緣濾波器在熱圖像處理中起著重要作用，它具有基于垂直濾波器和水平濾波器依次檢測邊緣的能力。這兩種濾波器都用于熱圖像的分割，這些函數被設計用于測量Sx和Sy的各個方向的分離梯度分量。近似值可用以下方法計算：

Otsu 閾值法也可以應用于熱像圖中，用于檢測圖像中的熱區域。Otsu 方法用于自動執行基于聚類的圖像閾值。該圖像包含兩類像素，然后計算分離兩類的最佳閾值，使其類內方差最小。Otsu 方法的算法如下：①選擇閾值的初始估計值作為圖像的平均亮度值；②計算分區R1和R2的平均灰度值μ1和μ2；③選擇一個新的閾值：

④重復步驟2～步驟4，直到連續迭代中的新值μ1和μ2不變為止。

1.2 圖像指標

在對熱成像圖像進行不同的邊緣檢測技術后，選擇了一種基于圖像質量度量的最佳方法。均方差（MSE）是最簡單和最常用的全參考質量指標，它使用參考熱像（色調區域）像素的平均平方強度（ASI）差計算。峰值信噪比（PSNR）取決于MSE的強度。MSE 和PSNR 的公式如下：

式中，x(i,j)表示原始圖像色調區域；y(i,j)表示閾值圖像；M和N分別是原始圖像的高度和寬度。

1.3 色彩模型

HSI（色相、飽和度和強度）顏色模型描述人眼如何感知顏色。為了從RGB 中得到HSI 顏色模型，考慮以下公式：

飽和分量由下式：

強度分量如下：

在HSI 模型中，色調從紅色開始測量，飽和度由距離軸的距離給出。色相分量以[0，360]度之間的角度描述顏色本身。0 度表示紅色，120 度表示綠色，240 度表示藍色，60 度表示黃色，300 度表示洋紅色。當飽和度接近1 時，色調更有意義，而當飽和度接近0 或強度接近0 或1 時，色調就不明顯了。這就是色調成分采取進一步的處理的原因所在。

1.4 邊緣分割

采用不同的梯度邊緣檢測方法從熱圖像中尋找特定的熱點區域。由Sobel 算子計算的梯度（Δf）是3×3 鄰域的行和列之間的差，如下表所示，其中每行或每列的中心像素加權為2。

表 計算梯度

偏導數Sx和Sy計算方式如下：

式中，z1，z2，...，z9是亮度；f是輸入圖像。Prewitt 算子使用偏導數如下：

采用2×2 梯度算子，利用Roberts 算子計算相鄰像素之間的差值。偏導數Sx和Sy用下列方程計算：

1.5 線性判別分析（LDA）

LDA 主要用于分類問題，同時也作為一種分類器來降低特征維數。它通過線性映射矩陣（LTM）表示從熱圖像的參數空間到特征空間的二維特征。該分類器具有在線性問題中利用大數據集進行有效計算的能力。作為得分函數的可分性的概念。

得分函數：

利用這些方程估計線性系數，使得得分最大化，并根據給定的得分函數求解結果。模型系數如下：

混合協方差矩陣：

式中，β為線性模型系數；C1、C2為協方差矩陣；μ1、μ2為平均相量。

2 實驗研究

紅外攝像機檢測到的問題只有在設備處于運行狀態時才能看到。熱成像技術在電力工業中的應用與電量的測量密切相關，主要是電流的量，這意味著系統中單個元件的耗散。這些熱成像是在機構大樓周圍拍攝的。目標設備是超負荷的開關，電路或松散的連接。圖像在設備負載下獲取的比例在40%～80%之間。根據標準檢查，使用目標設備0.5m 熱像儀與熱像儀的所有其他參數（如環境溫度、發射率和反射溫度、濕度）之間的距離。

首先對來自不同電氣設備和太陽能電池板的熱圖像進行分解，然后基于HSV 彩色模型進行評價。通過對不同電氣設備的閾值分割技術，可以很容易地分割出加熱部分。所得結果如圖1、圖2 所示。分析工業應用中最常用的各種電氣設備的相應模型。與傳統的只在一個點上捕獲熱信號的溫度計相比，設備的捕獲熱圖像一次可以表示成千上萬個點。不同表面點或電氣設備內部的溫度分布具有不同的顏色編碼，如設備熱像圖所示。

圖1 熱區域識別

圖2 熱區域識別

采集的各種電氣設備的熱成像總數約為40 個樣品。約60%的圖像數據集是為訓練集準備的，其中包含55%的設備異常狀況和45%的設備健康狀況。其余的測試數據在線性判別分析訓練模型上進行測試，該模型在案例設備和太陽能電池板上都給出較高的分類準確度。但是在一些熱像圖中，由于熱像圖中電子設備的強度變化較大，所以區域（ROI）的測量結果并不理想。實驗研究表明，對于大多數測試設備的熱像，最適宜的閾值在0.70 左右。結果表明，該分類器在電氣設備和太陽能電池板兩種情況下的分類精度均達到100%左右。

3 結束語

本文研制一種用于電氣設備故障檢測的智能故障診斷系統。對于缺陷太陽能電池板和其他電氣設備的熱圖像，對不同的自動閾值分割方法進行比較分析。提出的系統結果表明，通過消除灰度圖像的局限性，以及在問題變得嚴重之前識別潛在問題的能力，可以更好地對熱點區域進行分割，從而可以通過安排控制性關機來防止電力系統對基礎設施和人員構成危險威脅，并防止設備停運或其他故障。該診斷系統可用于其他電機、發電機等旋轉機械的預防性維修。