一种基于红外热像的电气设备故障诊断方法

摘要

本发明公开了一种基于红外热像的电气设备故障诊断方法，包括：输入采集的电气设备红外热像图；对红外热像图像进行灰度化处理，运用OTSU法对灰度化后的电气设备红外热像图进行分割处理；提取分割后的红外热像的特征参数作为GA-BP神经网络的输入参数并对GA-BP神经网络进行训练；运用训练好的GA-BP神经网络对电气设备进行热缺陷诊断，输出诊断结果。本发明有益效果：引入OTSU分割，提取温度特征和Zernike矩参数，经GA-BP神经网络对电气设备进行故障诊断，效果显著，可针对不同的电气设备热缺陷进行诊断处理，有利于变电站的智能化运行，提高检测的准确性。

说明书

技术领域

本发明涉及电气设备热缺陷检测领域，尤其涉及一种基于红外热像的电气设备故障诊断 方法。

背景技术

随着坚强智能电网的迅猛发展，我国对电力系统可靠性的要求越来越高。电气设备的故 障隔离对供电区域健全的供电极为重要，因此要求对电力设备进行在线监测和安全预警，及 时发现故障并采取措施消除隐患。作为故障检测的一种有效手段，红外热像检测技术得到了 广泛应用。红外热像检测技术相结合的监控系统大大提高了电力系统的故障检测水平，但目 前的检测方法仍然需要人工诊断，无法实现诊断结果的实时准确。

根据电气设备故障问题，运用图像处理，智能诊断技术进行自动检测电气设备故障。因 为BP神经网络处理能够模仿人类大脑，非精确的自适应功能，非规则结构，具有自组织学 习的特点，可以优化计算和知识推理，因此在电气设备运行状态诊断中被广泛使用。但BP神 经网络算法在训练数据时，神经网络函数的收敛性较差，对参数的寻优效果较差，而遗传算 法是一种全局搜索能力强的算法，能够搜索得到全局最优解。因此将擅长全局搜索的遗传算 法与BP算法结合起来，实现两者的优势互补，提高算法收敛速度，较快得到问题的全局最 优解。为此，将BP神经网络算法与遗传算法结合起来(即GA-BP神经网络方法)，对电气 设备的故障诊断具有一定意义。

发明内容

本发明的目的就是为了解决上述问题，提出了一种基于红外热像的电气设备故障诊断方 法，该方法利用最大类间方差法(以下简称OTSU)分割红外图像和GA-BP神经网络模型相 结合的方法来实现电气设备的故障诊断，首先将采集的电气设备红外热像进行图像OTSU分 割等预处理，再提取电气设备的相对温度分布特征、Zernike不变矩等参数，作为识别设备状 态的信息特征量，然后，进行GA-BP神经网络智能诊断，输出设备的状态信息，对电气设备 的热缺陷进行智能诊断。

为了实现上述目的，本发明采用如下技术方案：

一种基于红外热像的电气设备故障诊断方法，包括以下步骤：

(1)输入采集的电气设备红外热像图；

(2)对红外热像图像进行灰度化处理，运用OTSU法对灰度化后的电气设备红外热像图 进行分割处理；

(3)提取分割后的红外热像的特征参数作为GA-BP神经网络的输入参数并对GA-BP神经 网络进行训练；

(4)运用训练好的GA-BP神经网络对电气设备进行热缺陷诊断，输出诊断结果。

所述步骤(2)的具体方法为：

1)首先将红外热像进行灰度化处理，假设灰度图像的灰度级范围为[0，L-1]，像素个数 为N，n_i表示灰度级为i的像素个数；

2)灰度为i的像素出现的概率为P_i＝n_i/N，使用阈值t将图像灰度级划分为C₀和C₁两类： C₀＝(0，1，2…，t)；C₁＝(t+1，t+2，…，L-1)；

3)分别计算C₀和C₁出现的概率、灰度均值以及类间方差；

4)当类间方差为最大值时，前景和背景的差异最大，达到最小误判概率，视为最佳阈值 分割。

所述步骤3)中，C₀和C₁出现的概率分别为：

      $\left(\begin{array}{cc}{\omega }_0=\underset{i=0}{\overset{t}{\Sigma }}{p}_i& {\omega }_1=\underset{i=i+1}{\overset{L-1}{\Sigma }}{p}_i=1-{\omega }_0\end{array}\right)$      

其中，P_i为灰度为i的像素出现的概率。

所述步骤3)中，C₀和C₁的灰度值分别为：

      $\left(\begin{array}{cc}{\mu }_0=\underset{i=0}{\overset{t}{\Sigma }}{\mathrm{ip}}_i/{\omega }_0& {\mu }_1=\underset{i=i+1}{\overset{L-1}{\Sigma }}{\mathrm{ip}}_i/{\omega }_1\end{array}\right)$      

C₀和C₁的灰度均值为：

μ_t＝ω₀μ₀+ω₁μ₁

其中，P_i为灰度为i的像素出现的概率，ω₀、ω₁分别为C₀和C₁出现的概率。

所述步骤3)中，类间方差的计算方法为：

      ${\sigma }_B^2={\omega }_0{({\mu }_0-{\mu }_t)}^2+{\omega }_1{({\mu }_1-{\mu }_t)}^2={\omega }_0{\omega }_1{({\mu }_0-{\mu }_t)}^2$      

其中，ω₀、ω₁分别为C₀和C₁出现的概率，μ₀、μ₁分别为C₀和C₁的灰度值，μ_t为C₀和C₁的灰度均值。

所述步骤4)中，最佳阈值的表达式为：

      $t^{*}=\mathrm{Arg}\max \left\{\underset{0\le t\le L-1}{{\omega }_0{\omega }_1{({\mu }_0-{\mu }_1)}^2}\right\}$      

其中，ω₀、ω₁分别为C₀和C₁出现的概率，μ₀、μ₁分别为C₀和C₁的灰度值。

所述步骤(3)中，提取12个特征参数值作为GA-BP神经网络的输入参数；包含4个温 度特征参数：变电站设备红外热像中区域温度最大值t_max、平均温度值t_mean、背景温度值t_B、 温度分布方差t_var，以及8个Zernike矩特征参数。

定义函数f(x,y)的p阶q重的Zernike矩为：

      $A_{\mathrm{pq}}=\frac{p+1}{\pi }\underset{x^2+y^2\le 1}{\int \int }{\left[V_{\mathrm{pq}}(r,\theta )\right]}^{*}f(x,y)\mathrm{rdrd\theta }$      

其中，[V_pq(r,θ)]^*是V_pq(r,θ)的共轭，r为半径，θ为相角；

对于离散的红外图像的p阶q重的Zernike矩为：

      $A_{\mathrm{pq}}=\frac{p+1}{\pi }\underset{x}{\Sigma }\underset{y}{\Sigma }{\left[V_{\mathrm{pq}}(r,\theta )\right]}^{*}f(x,y)$      

针对图像的尺度变化，直接对图像进行尺度归一化，得到Zernike矩为：

      ${\tilde{A}}_{\mathrm{pq}}^{\prime }=\frac{A_{\mathrm{pq}}}{m_{00}}$      

其中，A_pq是红外图像的p阶q重的Zernike矩，m₀₀为红外热像的面积。

所述步骤(4)的具体方法为：

a)将大量的分割后电气设备红外热像数据，输入BP神经网络模型训练，得到初始的BP 神经网络中的权值和阈值；

b)对获得的BP神经网络权值和阈值进行编码；设定遗传算法的种群规模为P、遗传算法 的交叉概率为P_c、变异概率为P_m；

c)设定GA-BP神经网络的目标函数，网络的实际输出与期望输出的误差平方和

E(i)＝∑∑(Y_k-T_k)²

式中，i为染色体个数；k为输出层节点数；Y_k为实际输出值；T_k为期望输出值；

d)由E(i)的值判断是否进行进化计算，每个个体的适应值为

f_i＝1/E(i)  f_max＝max{f_i}

其中，E(i)是网络的实际输出与期望输出的误差平方和，f_i为染色体个数为i时，E(i)的 倒数，f_max是f中的最大值；

e)将适应度为f_max的个体对应的权值、阈值记为初始权值A₁，若f_max大于设置参数，则转 向步骤i)，否则进行步骤f)；

f)将初始权值A₁反向传播经过GA-BP神经网络的隐含层，直至输入层，求出各层神经元的 误差信号；对初始权值A₁进行调整并记为A₂；

g)将染色体进行选择复制、交叉、变异遗传操作，产生新的一代种群；

h)从新一代群体和父代中选出P个适应度高的个体形成新的群体，进行步骤d)；

i)对适应值为f_max的个体进行译码，得到GA-BP神经网络的权值和阈值，并保存；

j)将采集的待诊断数据输入优化后的GA-BP神经网络模型进行故障诊断。

本发明的有益效果是：

引入OTSU分割，提取温度特征和Zernike矩参数，经GA-BP神经网络对电气设备进行 故障诊断，效果显著，可针对不同的电气设备热缺陷进行诊断处理，有利于变电站的智能化 运行，提高检测的准确性。

附图说明

图1为基于红外热像的电气设备故障诊断流程框架图；

图2(a)为电气设备的红外热像图；

图2(b)为电气设备的OTSU分割图。

图3为BP神经网络与GA-BP神经网络多次诊断实验的准确率对比图。

具体实施方式：

下面结合附图与实施例对本发明做进一步说明：

一种基于红外热像的电气设备故障诊断方法，如图1所示，包括下述步骤：

(1)输入采集的电气设备红外热像图；

(2)选择OTSU法对红外热像进行分割处理，其基本思想是：首先将红外热像进行灰度 化处理，设灰度图像的灰度级范围为[0，L-1]，其灰度为i，像素个数为N，n_i表示灰度级为 i的像素个数，灰度为i的像素出现的概率为p_i＝n_i/N，使用阈值t将图像灰度级划分为两类， C₀和C₁。C₀＝(0，1，2…，t)和C₁＝(t+1，t+2，…，L-1)，则两类出现的概率分别为：

      $\left(\begin{array}{cc}{\omega }_0=\underset{i=0}{\overset{t}{\Sigma }}{p}_i& {\omega }_1=\underset{i=i+1}{\overset{L-1}{\Sigma }}{p}_i=1-{\omega }_0\end{array}\right)$      

两类的灰度均值分别为：

      $\left(\begin{array}{cc}{\mu }_0=\underset{i=0}{\overset{t}{\Sigma }}{\mathrm{ip}}_i/{\omega }_0& {\mu }_1=\underset{i=i+1}{\overset{L-1}{\Sigma }}{\mathrm{ip}}_i/{\omega }_1\end{array}\right)$             

μ_t＝ω₀μ₀+ω₁μ₁

类间方差定义为：

      ${\sigma }_B^2={\omega }_0{({\mu }_0-{\mu }_t)}^2+{\omega }_1{({\mu }_1-{\mu }_t)}^2={\omega }_0{\omega }_1{({\mu }_0-{\mu }_t)}^2$      

则最佳阈值的表达式为：

      $t^{*}=\mathrm{Arg}\max \left\{\underset{0\le t\le L-1}{{\omega }_0{\omega }_1{({\mu }_0-{\mu }_1)}^2}\right\}$      

灰度分布的均一性度量是方差，方差越大，构成图像的两个部分差分是更大的，当方差 为最大值，前景和背景的差异最大，达到最小误判概率，可以被视为最佳阈值分割。电气设 备的红外热像图及OTSU分割图如图2(a)和图2(b)所示。

(3)提取红外热像的特征信息，常见的红外灰度图像特征有Hu矩，但其包含许多冗余 信息，计算量随矩阶数的增加而迅速增长。而正交矩没有信息冗余，抗噪声能力强，更适合 图像目标的描述。在正交矩的分析方法中，Zernike矩对噪声的灵敏度好，冗余信息和对图形 的描述能力等方面都具有较好的性能。

提取12个特征参数值作为GA-BP神经网络的输入参数，包含4个温度特征参数，包括变电 站设备红外热像中区域温度最大值t_max、平均温度值t_mean、背景温度值t_B、温度分布方差t_var， 以及8个Zernike矩特征参数。若干套管的部分具体参数如表1所示：

表1若干电气设备的特征参数

            

函数f(x,y)的p阶q重的Zernike矩为：

      $A_{\mathrm{pq}}=\frac{p+1}{\pi }\underset{x^2+y^2\le 1}{\int \int }{\left[V_{\mathrm{pq}}(r,\theta )\right]}^{*}f(x,y)\mathrm{rdrd\theta }$      

其中，[V_pq(r,θ)]^*是V_pq(r,θ)的共轭。

对于离散的红外图像的p阶q重的Zernike矩为：

      $A_{\mathrm{pq}}=\frac{p+1}{\pi }\underset{x}{\Sigma }\underset{y}{\Sigma }{\left[V_{\mathrm{pq}}(r,\theta )\right]}^{*}f(x,y)$      

针对图像的尺度变化，直接对图像进行尺度归一化，得到Zernike矩为：

      ${\tilde{A}}_{\mathrm{pq}}^{\prime }=\frac{A_{\mathrm{pq}}}{m_{00}}$      

其中，A_pq是红外图像的p阶q重的Zernike矩，m₀₀为红外热像的面积。

(4)进行智能故障诊断，具体的GA-BP诊断模型的主要特征，如下所示，

a)将大量的分割后电气设备红外热像数据，输入BP神经网络模型训练，得到初始的BP 神经网络中的权值和阈值；

b)对获得的BP神经网络权值和阈值进行编码；设定遗传算法的种群规模为P、遗传算法 的交叉概率为P_c、变异概率为P_m；

c)设定GA-BP神经网络的目标函数，网络的实际输出与期望输出的误差平方和

E(i)＝∑∑(Y_k-T_k)²

式中，i为染色体个数；k为输出层节点数；Y_k为实际输出值；T_k为期望输出值。

d)由E(i)的值判断是否进行进化计算，每个个体的适应值为

f_i＝1/E(i)  f_max＝max{f_i}

其中，E(i)是网络的实际输出与期望输出的误差平方和，f_i为染色体个数为i时，E(i)的 倒数，f_max是f中的最大值。

e)将适应度为f_max的个体对应的权值、阈值记为初始权值A₁，若f_max大于设置参数，则转 向步骤h)，否则进行步骤f)；

f)将染色体进行选择复制、交叉、变异遗传操作，产生新的一代种群；

g)从新一代群体和父代中选出P个适应度高的个体形成新的群体，进行步骤c)；

h)对适应值为f_max的个体进行译码，得到GA-BP神经网络的权值和阈值，并保存。

i)将采集的待诊断数据输入优化后的GA-BP神经网络模型进行故障诊断。

(5)输出电气设备的诊断结果。

图3为BP神经网络与GA-BP神经网络多次诊断实验的准确率对比图。可以看出，采用 GA-BP神经网络的电气设备故障诊断结果明显高于采用BP神经网络的电气设备故障诊断结 果，从而证明了本发明方法的准确性和可靠性。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限 制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付 出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。