基于机器视觉的高压隔离开关设备状态判别与故障诊断技术

陈富国, 蔡杰, 李中旗

(平高集团有限公司，河南， 平顶山 467001)

0 引言

本文探讨将机器视觉的相关技术应用于高压隔离开关的故障检测以及状态识别中，利用YOLO v3(You Only Look Once vision 3)智能算法模型来进行高压隔离开关中设备异常发热点检测，对它的红外图像进行智能化的识别处理[1]。同时，对YOLO v3算法模型进行优化，判断优化前后算法的平均精度，进一步明确研究效果。

1 方法

1.1 传统高压隔离开关故障缺陷分析

高压隔离开关是电网是广泛应用的开关设备之一。高压隔离开关的主要应用在出现负荷电流或者短路电流时的开合。高压隔离开关也是在开关电器分类中工艺最为复杂、性能最为完善的设备之一[2]，在电网系统中应用广泛，具有重要的意义。首先，高压隔离开关保证了在检修中可以形成明显的断开点，避免了工作人员因未能正确区分工作区域而造成的不安全事故的发生[3]。其次通过高压隔离开关可以形成足够的安全距离，保证了检修设备的独立性，保证检修时的安全。最后，高压隔离电源还可以实现对电流场景的高校控制。

在实际应用中，高压隔离电源的故障的具体内容如图1所示。由图1可知，主要故障类型可以分为以下几类：运行卡涩，分合闸不灵敏，部件损坏，控制回路故障，导电回路发热以及三相不同期等。运行卡涩多发生于传动连杆、轴承、齿轮啮合处等部位，主要产生的原因为机构的锈蚀、腐蚀以及缺少润滑等。而分合闸不灵敏主要发生在导电臂以及触头等部位，主要是因为行程变化、异物、连杆变形等原因造成。而部件损坏多数发生于绝缘子、齿轮、弹簧、导电臂、触头等部位，主要是由于外力过大、材质以及设备形变等原因导致。控制回路故障多发生于接触器、转换开关等部位，而机构箱受损、节点氧化则是其主要的产生原因。导电回路发热多发生于接线板、动静触头以及软连接处，主要产生原因为螺栓松动、大截面氧化以及阻值超标。而三相不同期主要发生在导电臂以及触头等位置。

图1 高压隔离开关主要故障分类

通过实际调查发现，高压隔离开关的维修以及监测相对比较繁琐，高压隔离开关过热会导致正常运行的高压隔离开关开关出头的弹簧的弹性降低。断开后高压隔离开关会被空气包围，形成氧化膜。而氧化膜上则会阻碍电流的正常流通，同时其上也会出现脏污，影响高压隔离开关的正常使用。此外工作人员的不规范操作也会使高压隔离开关的接触面不能完全贴合，造成开关接触不良等问题。

在大部分实际应用中，高压隔离开关的故障检测主要还是依赖于运行维护人员的日常巡视以及运行人员的自主分析。高压隔离开关的检测以及故障诊断并无一个明确的标准以及准则，同时也未能实现故障的智能化检测[4-5]。使用传统的故障以及状态检测方法对早起的隐患故障往往无法及时的发现，导致一旦发现问题即为十分严重的故障，往往会对供电的可靠性产生较大的影响。同时，在实际应用中，由于在日常运行中发生的氧化、锈蚀、脏污等现象，很容易导致高压隔离开关发生异常发热，导致严重的后果，因此在实际的高压隔离开关检修中，开关温度问题往往是一个重点关注的问题，而在本研究中也将重点关注此类问题。

1.2 基于机器视觉的高压开关红外图像识别

红外测温技术对高压开关进行温度检测的一种常用的方法。所谓红外测温就是指利用红外图像采集装置，将目标所辐射的红外线用外信号通过一系列转化成为红外图像[6]，其用于高压开关测温的具体实现原理如图2所示。

图2 高压隔离开关红外测温基本原理

由图2可知，首先高压开关设备发出红外辐射，红外接收装置会将红外信号转化为电信号，随后在通过信号处理生成红外图像进行相关故障分析。与传统的测温技术相比，红外测温技术可以充分地对目标进行辐照，测量范围较大，尤其是对于运动的物体以及热容较小的物体具有良好的效果，其响应速度也较快，传统接触式测量的响应时间可能需要几十秒至几分钟，而用红外测量只需要2—3 s。

对采集到的红外图像进行智能化的识别以及提取是研究中的一种重点问题[7]。通常，在对高压开关进行红外测温检测时，红外图像中表征的特征信息往往由工程师凭借个人经验进行评定，在实际使用时往往会存在着一定的误差。大量的红外图像往往没有标准化规范化的分类。更为重要的是，在实际应用中高压开关的红外图像大多是根据热像仪进行拍摄，但是由于热像仪的角度、距离的而差异，会导致拍摄的图片的参数不规范，影响后续使用，并且在使用时也会出现拍摄的并非为高压开关的图象。鉴于上述情况，需要使用相应的智能化技术对红外图像进行智能化的整理与分类，对高压隔离开关的红外测温图像进行深度的训练，实现高压隔离开关的异常故障检测工作。

1.3 基于图像分析的高压隔离开关的设计

基于机器视觉的相关理念，对高压隔离开关利用红外图像识别技术进行故障诊断。进行图像识别的算法模型为YOLO v3智能算法模型。该模型是一种对目标图像进行识别以及定位的模型，在运行过程中主要将输入的图片划分为不同大小的网格，随后在每个网格上通过检测候选区域的方法识别出每个候选区域的类别概率以及坐标。YOLO v3模型的主要优点在于其较快的运行速度以及多尺度的目标检测功能，也正是由于YOLO v3模型的相关优点使其十分适用于高压隔离开关的故障检测工作。Darknet53结构的YOLO v3模型框架如图3所示。

图3 YOLO v3模型框架

由图3可知，这种网络结构主要由5个残差模块组成，每个残差模块又由多个残差单元组成，在系统中由2个数码累积造型(DBL)单元进行残差操作。DBL单元中主要包括卷积、批归一化以及激活函数。

在对高压隔离开关的红外图像进行识别时的具体目标检测流程如图4所示。

图4 YOLO v3目标检测方法

由图4可知，在实际应用时，输入的红外图像的参数为416×416×3，随后进行一系列的卷积操作。在模型中，采用多个跳跃链接，此操作可使YOLO v3的收敛能力加快并且可以解决模型梯度消散的问题。其中，使用feature1，feature2以及feature3来进行回归检测。

同时，为进一步提高该模型的应用效果，解决在具体应用时由于干扰因素过多而导致的目标难以检测等问题，本研究对YOLO v3模型进行了算法优化。主要进行了参数优化以及损失函数优化。

(1) 参数优化

在参数优化中主要使用的Momentum Optimizer算法。Momentum Optimizer算法中使用了超参数用来更新参数，参数更新如式(1)、式(2)：

pi=α1pi+g(μi-1)

(1)

μi=μi-1-βpi

(2)

式中，α1为超参数，β为学习率，学习率的初始值为0.001，μ为参数，g(μi-1)为损失函数的梯度。

(2) 损失函数优化

在本文中，YOLO v3的损失函数主要由置信度损失函数以及位置回归损失函数2部分组成，具体内容如式(3)：

(3)

式中，L(c,x,y,w,h)为优化后的损失函数，M为匹配到目标区域内Default Box的数量，φ为调整Confidence loss以及Location loss的比例。

1.4 实验环境

为实现YOLO v3模型的相关测试，本研究收集了560幅高压隔离开关的红外图像作为数据集，使用LabelImg图片标注工具对数据集进行标注，标记后的图片按照.xmld4的形式进行储存。本研究将560张高压隔离开关图片分为3个部分，分别为训练集、测试集以及验证集，训练集图片为350张，测试集图片为100张，验证集图片为110张。

本研究进行模型检测时采用的操作系统为Linux系统，系统平台为Ubuntu，使用Python3.8系统中的TensorFlow模块进行操作，计算机配置采用Intel Core i7处理器，GPU 型号为NVIDIA GeForce GXT 1050，系统内存为6 GB，硬盘容量为128 GB。

2 结果与讨论

2.1 模型测试结果分析

研究主要针对模型的损失值(loss)以及交并比(Intersection over Union，IOU)进行了测试，具体内容如图5所示。其中图5(a)为该模型的损失值曲线，图5(b)该模型的交并比曲线图。

(a)

(b)

由图5可知，在进行模型训练时，随着批次的逐渐增加，模型的损失值逐渐减小，在批次值为20 000时，损失值已基本降到了0.2左右，表明该模型在损失函数方面表现较好。而图5(b)则表明了随着批次的逐步增加，交并比的值逐渐趋向于1，表明预测的数据与标注的数据的越来越接近，检测数据可以与实际目标较好的重合度。

2.2 优化效果分析

研究引入平均精度作为算法模型的而评价指标，研究主要分析研究了未优化的YOLO v3算法与优化后的YOLO v3算法模型对高压隔离开关的设备异常发热点检测时的平均精度，具体结果如图6所示。

图6 未优化与优化后YOLO v3模型的平均精度。

由图6可知，未优化的YOLO v3算法模型的平均精度为82.54%，而优化后的YOLO v3算法模型的平均精度为90.36%。结果表明，使用相关优化算法可以大幅提高YOLO v3模型的平均精度，该方法在高压隔离开关中设备异常发热点检测时应用效果较好。

3 总结

本研究基于YOLO v3模型对高压隔离开关红外检测图像进行了图像提取和精度检测的操作，本研究具体结果如下。通过对模型的训练以及检测表明，随着训练次数的增加，模型的损失值逐渐减少，在批次值为20 000时，损失值则保持在0.2左右，而在模型的交并比值也逐渐趋向于1 ，表明该模型总体训练结果良好。实际应用的结果表明，未优化的YOLO v3算法模型的平均精度为82.54%，优化后的YOLO v3算法模型的平均精度为90.36%，表明使用优化算法可以大幅度提高模型的精度。综上所示，YOLO v3模型应用效果良好，适用于高压隔离开关红外图像的检测操作。但是，由于相关条件的制约，本研究仅针对YOLO v3算法模型进行了优化研究，在后续研究中，将继续探究YOLO v3算法模型与其他图像识别算法的对比分析，进行算法的融合与优化，进一步提高研究算法的精度以及实用价值。