基于机器视觉的电气安全隐患在线检测研究

陈 峰

（柳州钢铁股份有限公司转炉炼钢厂，广西 柳州 545002 ）

0 引 言

在电气设备运行过程中，保障其安全性是最基础、最重要的工作内容之一[1]。一般条件下，引起电气安全问题的因素主要可以分为3 个方面。首先是由于运行时间较长，设备、线路老化，性能下降引起的电气安全隐患，该类隐患主要可以通过定期检查和更新相关设备实现规避[2]。其次就是由于运行参数异常，对应的电压、电流超出设备、线路允许上限造成的电气安全隐患，该类隐患主要可以通过对运行参数进行精细化管控实现规避[3]。最后就是由于人为操作异常、环境异常引起的电气安全隐患，对于该类隐患，除加强管理之外，还需要配合相应的检测手段。结合上述分析可以看出，对电气安全隐患进行有效检测是保障电气设备安全稳定运行的重要基础和保障。针对此，文献[4]提出以优化YOLOv4 为基础的电气设备智能检测方法设计，并实现了对电气状态的准确获取，具有良好的实际应用效果。但是该方法对于应用环境的要求较高，因此存在一定的局限性。除此之外，以粒子群算法为基础的电气设备智能检测方法也是应用较为广泛的检测手段之一，但是该方法对于基础数据的依赖性较高，一旦任意指标参数出现异常，对应的检测结果也将大大降低。

针对此，本文充分利用机器视觉的技术优势，将其应用到电气安全隐患在线检测的研究中，并以实际环境为基础，通过对比测试的方式分析验证了设计检测方法的应用价值。

1 电气安全隐患在线检测方法设计

1.1 基于机器视觉的电气数据采集

要实现对电气安全隐患的有效检测，准确获取电气设备的实时状态数据十分必要[5]。针对此，本文利用SIMATIC MV420 作为机器视觉设备，实现对电气设备实时状态数据的采集。与其他设备相比，SIMATIC MV420可以实现在中远距离下读取距离参数，对应的采集精度可以达到10 mm。利用其这一特点，结合待检测环境电气设备的规模和空间范围的大小，差异化设置SIMATIC MV420 设备的数量[6]。具体的计算方式可以表示为

式中：n为SIMATIC MV420 设备的安置数量；S为待检测电气设备的规模大小；s为单个SIMATIC MV420设备可采集数据平面范围大小；v0为SIMATIC MV420设备可采集数据空间范围大小。按照这样的方式，实现对机器视觉设备的合理布设，保障数据采集结果的全面性和完整性。

其次就是对于电气状态数据的采集方法，考虑到电气安全隐患从视觉角度分析可以分为显性和非显性2 种形式[7]。其中，显性电气设备状态数据可以直接利用SIMATIC MV420 的摄像装置进行采集。针对非显性电气设备状态数据，本文利用SIMATIC MV420 配置的光学阅读器实现对其的采集。就电气设备而言，最主要的非显性电气设备状态数据为温度，在采集该数据的过程中，利用光学阅读器的光敏属性获取不同温度变化下电气设备的状态。假设SIMATIC MV420 光学阅读器采集到某电气设备的光敏参数为f，将其转换为温度参数的方式可以表示为

式中：T为电气设备的温度参数；λ为常数；e为定期设备的温度-光敏转换系数；f0为理想状态下电气设备的光敏参数。其计算方式可以表示为

式中：t为理想状态下电气设备的温度参数。

通过这样的方式，实现对电气设备状态参数的全面获取，为后续的电气安全隐患在线检测提供可靠的数据基础，保障检测结果的有效性。

1.2 电气安全隐患在线检测

获取电气设备状态参数后，对于电气安全隐患的检测问题就转化为对于异常数据的分析问题。鉴于此，通过设置临界参数，实现对电气安全隐患的在线检测。具体的设置方式如表1 所示。

表1 电气设备状态临界参数设置

结合表1所示的电气设备状态临界参数设置结果，电气安全隐患在线检测流程如图1 所示。

图1 电气安全隐患在线检测流程

按照图1 的方式，在实施对电气安全隐患在线检测过程中，首先根据SIMATIC MV420 采集到数据信息的属性，对其进行划分。对于显性数据而言，直接根据其与临界参数的一致性判断安全隐患状态。当数据状态与临界参数一致时，则认为不存在安全隐患。对于非显性数据而言，根据其与临界参数范围之间的关系判断安全隐患状态。当数据在临界参数范围内时，则认为不存在安全隐患。

通过这样的方式，借助机器视觉实现对电气安全隐患的在线检测，为其安全运行提供保障。

2 应用测试

2.1 测试环境设置

在开展电气安全隐患在线检测方法应用效果测试阶段，考虑到现阶段针对电气安全隐患检测的具体技术规范尚未明确，根据实际生产过程中影响安全的内容，设置了测试方案。以转炉厂二区的低压配电设备为基础，开展电气安全隐患检测。具体的检测内容包括变配电系统和电气线路系统。在此基础上，为了保障测试结果具有实际分析价值，在测试结果中设置了对照组，对照组采用的方法分别为文献[4]提出的以优化YOLOv4 为基础的电气安全隐患检测方法，以及文献[5]提出的以程控式电磁继电器为基础的电气安全隐患检测方法。通过对比不同方法对于电气安全隐患的检出情况，对本文设计方法的实际应用价值作出评价。

2.2 测试结果与分析

在上述基础上，分别对比了3 种方法对于不同类型电气安全隐患的检测结果，具体的结果如表2所示。

表2 不同方法电气安全隐患检测结果统计

结合表2 中的测试结果可以看出，对于不同类型的电气安全隐患，3 种方法的检测结果也表现出了较为明显的差异。其中，文献[4]方法对于干燥剂储罐变压器油位异常安全隐患的灵敏度较低，当异常程度在2.0 cm 及以下时，均未实现对其的有效检出。但是该方法对设备接线端子温升安全隐患的灵敏度较高，当温度异常程度达到3.0 ℃后，即可实现对其的有效检出。文献[5]方法的测试结果表现出与文献[4]方法相反的特点，对于干燥剂储罐变压器油位异常安全隐患的灵敏度较高，但是对于设备接线端子温升安全隐患的灵敏度较低。相比之下，本文设计方法对于干燥剂储罐变压器油位异常安全隐患和设备接线端子温升安全隐患的检出率都达到了100%，当异常程度较低时也均实现了对安全隐患的准确检出。综合上述对于测试结果的分析，本文设计的基于机器视觉的电气安全隐患在线检测方法可以实现对电气安全隐患的有效检出，对于保障生产环境的安全性具有良好的实际应用价值。

3 结 论

为了最大限度保障电气设备运行的稳定性和安全性，本文提出基于机器视觉的电气安全隐患在线检测方法研究，在充分考虑了电气安全隐患的表现方式后，借助机器视觉在数据采集方面的优势，实现对电气安全隐患的有效检测。借助本文设计的电气安全隐患在线检测方法，可以提高对于电气安全隐患的检测效果，对于电气设备的安全、稳定运行也具有良好的促进作用。通过对电气安全隐患在线检测方法的研究，希望能够为实际的安全保障工作提供帮助。