特征融合的电力机械设备过热故障红外检测

陈秋菊，彭天昊，2，康万杰，何国锋

（1.茅台学院酿酒工程自动化系，贵州 仁怀 564507；2.贵州大学计算机学院，贵州 贵阳 550025）

1 引言

经济快速发展的同时人们对电力等资源的需求量也逐渐升高，这使得电力行业步入全新的阶段，电力行业不断向超高压以及自动化方向大力发展。电力系统提高电能资源运输量的同时，电力系统的稳定运行显得尤为重要，一旦出现故障不仅会导致局部地区电力供应不足，也会令电力机械设备过热而发生安全事故，为社会带来财产损失，给人民生活带来不便。因此，对电力机械设备过热故障进行检测具有一定的现实意义。

例如文献[1]提出了一种基于比例-积分-微分控制的电气设备局部过热故障模拟试验及检测系统设计方法，采用比例-积分-微分控制方法设计故障检测系统，对设备局部过热故障进行功率测试、温度测控，并对过热故障进行模拟，实现故障检测。实验结果表明，该方法具有较好的温度测控性能，但是由于需要对功率、温度等多项指标进行模拟，加大了检测复杂度，导致过热故障红外检测时间较长。文献[2]提出一种基于三相自搜寻比较法的电气设备过热故障识别检测方法，该方法对三相设备的热像图进行分离处理，并保证分离后的热像图规格一致。

通过对各个区块是否出现异常温升进行有效判定，获取设备热故障判定结果。实验结果表明，该方法能够提升故障检测的自动化程度，但是仅对热像图实施分离，并没有考虑其中的背景噪声等因素，缺少图像去噪与增强环节，导致过热故障红外检测结果误差较高，影响过热故障实际检测效果。文献[3]提出了一种基于OSG的机械故障检测方法，该方法在故障检测中无需使用机械速度传感器，仅对自适应OSG方法进行稳定性分析，即可实现机械变速故障检测。根据实验结果表明，该方法的检测步骤较为简单，但是检测结果存在一定的误差。

针对以上方法存在的过热故障红外检测误差高、过热故障红外检测时间长以及过热故障实际检测效果差的问题。因此，提出一种新的特征融合下电力机械设备过热故障红外检测方法，该方法的主要创新点如下：

（1）采用中值滤波法去除图像中的背景噪声，避免噪声因素对检测结果精度的影响，降低检测结果误差；同时，在多尺度Retinex算法中添加颜色恢复策略，避免图像颜色失真问题，提升电力机械设备红外图像增强效果，以此提升过热故障检测效果。

（2）依靠红外技术检测精度较高的优点，使用梯度方法定位图像边缘，划分红外图像中高温区域，得出故障的位置以及故障发生的范围，实现电力机械设备过热故障检测。

2 电力机械设备红外图像预处理

2.1 颜色空间变换

红外传感器在采集电力机械设备作业图像的过程中，需要将红外图像转换到HIS颜色空间中再进行相关操作，将图像内较为突出的高温区域视为目标对象，目标对象在HIS颜色空间的S饱和度中显示为黑色区域，因HIS颜色空间中目标区域与其余区域之间的颜色差别较大，可清晰地识别出所要检测的目标对象。

因HIS 和RGB 的本质相同，可通过RGB 空间分量计算出HIS的空间分量，HIS的空间分量转换表达式为：

式中：H—HIS的色调分量；S—HIS的饱和度分量；I—HIS的亮度分量；R—颜色空间红色分量；G—颜色空间黄色分量；B—颜色空间蓝色分量；M、N、P—颜色分量之间的差值。

根据式（1）转换处理后获取电力机械设备红外图像矩阵P'，其中最亮的点就是HIS空间中的黑色区域。

2.2 图像去噪

红外传感器采集的图像具有高背景噪声以及低反差的特性，所以在对红外图像进行去噪处理[3]的过程中，需要确保图像边缘是十分尖锐的，为此基于颜色空间变换结果去除图像背景内的噪声，以此加强图像的整体信噪比，为了最大程度降低结构以及空间领域信息的破坏情况，选用中值滤波法对图像进行去噪。

假设红外图像的矩阵P'的大小为m×n，在矩阵中任意提取出一个正方形矩阵C，提取出矩阵C的第一行向量将其视为全新向量，并将其标记为e，正方形矩阵C中除去e以外的向量即为向量b，其中，向量e以及b的表达式分别为：

式中：a—向量矩阵中的特征向量。

根据式（2）即可得出向量b的值f，其表达式为：

由此得到去噪后的红外图像，其表达式为：

式中：pi—原始含噪图像；σ2—加性高斯白噪声。

红外图像经过以上处理后，即可去除图像中的噪声因素，保留详细的图像边缘信息，有利于划分出红外图像各温度区域。

2.3 红外图像增强处理

红外图像增强处理的大致步骤就是对去噪后的红外图像的反射以及入射分量进行提取[4]，并获取图像相关细节信息，在信息融合的帮助下合并红外图像信息，即可完成红外图像增强。

2.3.1 反射和入射分量提取

选用Retinex算法对去噪后的红外图像进行增强，Retinex算法分为单尺度和多尺度算法，由于单尺度算法无法兼顾图像的压缩能力和色调完整性，因此选取多尺度Retinex算法，但该方法会导致图像颜色失真，为此在多尺度Retinex算法中添加颜色恢复策略，此时的图像增强算法表达式为：

式中：Ri(x，y)—通道i中像素点(x，y)的反射分量；Ii(x，y)—通道i中像素点(x，y)的对应值；Ci(x，y)—像素点(x，y)的色彩恢复值；Fn(x，y)—高斯卷积核函数；Wn—Retinex算法的尺度权重因子；m—Retinex算法的尺度数量。

其中，函数Fn(x，y)的计算公式为：

式中：s2—尺度系数。

在上述处理的基础上，进一步提高入射和反射分量的强度，可更好的增强红外图像效果，其中，入射分量的提取计算公式为：

式中：Li(x，y) —入射分量。

通常情况下，反射分量可呈现的内容就是红外图像的主特征信息，而入射分量泛指原始红外图像内的细节信息，根据式（7）即可得知入射分量，通过式（6）以及式（7）即可得知反射分量。

2.3.2 红外图像细节提取

因为反射和入射分量中带有大量的细节信息，通过FOG算法提取出红外图像中的全部细节信息，在高斯核函数的基础上，对反射Ri(x，y)与入射分量Li(x，y)进行处理，其中由反射分量得到的模糊图像表达式为：

式中：G1、G2、G3—不同图像的高斯内核。

由入射分量得到的模糊图像表达式为：

分别对两种分量的细节进行提取，其中，由反射分量得到的细节信息计算公式为：

式中：DR1—高质量的红外图像细节信息；

DR2—中等的红外图像细节信息；

DR3—低质量的红外图像细节信息。

由入射分量得到的细节信息计算公式为：

式中：DL1—入射分量的高质量细节信息；

DL2—入射分量的中等细节信息；

DL3—入射分量较差的细节信息。

将以上三张图像进行合并得出反射分量的细节图像，其表达式为：

—三个模糊图像中入射分量融合后的细节信息；

w—不同质量图像的常数项。

2.3.3 特征信息融合增强

经过2.3.2节提取得到反射分量Ri(x，y)与入射分量Li(x，y)，其中，反射分量就是红外图像的高频信息，通过CLAHE方图（自适应直方图均衡）对原始高频图像进行拉伸，以此升高红外图像的对比度，假设对比度增强后的红外图像为R'(x，y)，基于线性加权融合方法对红外图像的特征信息实施融合，信息融合计算公式为：

式中：I'—红外图像特征信息的融合结果；

l—加权系数。

3 电力机械设备过热故障红外检测

3.1 红外图像高温区域定位

以红外图像特征信息融合结果为基础，选用梯度方法作为红外图像高温故障边缘检测方法［5］，该方法的优点是可详细划分出不同的灰度区域，从而精确定位出所需的高温区域，红外图像梯度的正负值结果可直接描述图像边缘的走势。利用直方图［6］对去噪后的红外图像进行增强处理，即可生成背景无污染的灰度图像，为故障检测奠定坚实的基础。计算出图像梯度值，获取红外图像灰度值变化最明显的区域，即红外图像高温区域。假设标量场为F，其中含有矢量g，矢量g的方向就是标量场矢量g对应点变化率的最大方向，即矢量g即为标量场F的梯度，则图像R'(x，y) 的梯度值∇f计算表达式为：

式中：∂—图像坐标的系数。

根据梯度值获取红外图像高温区域横纵坐标，表达式为：

由式（14）计算出灰度图像的梯度值，获取红外图像灰度值变化最明显的区域，然后通过式（15）确定该区域的横纵坐标，即可定位红外图像的高温区域。

3.2 过热故障红外检测实现

电力机械设备过热故障红外检测实质上就是基于红外图像高温区域定位结果提取高温区域，完成高温故障点的诊断，从而实现电力机械设备过热故障红外检测。选用相对温差法［7］对红外图像中的过热故障进行提取，该方法实际上就是获取每两个测试点温差的设备状态δt的运算百分比，得出的计算公式为：

式中：τ1、τ2—不同的变电站发热点；

T0—外界环境温度；

T1、T2—对应发热点的温度。

根据电力系统温度最大范围可知，当测试点的δt大于35%则该区域为高温区，根据得出的红外图像高温区域，即可计算出过热故障区域的质心，由此获取过热故障红外检测结果［8］，过热故障区域的质心坐标计算公式为：

式中：p—变电器过热故障区域；A—过热故障区域的面积［9-10］。

4 实验结果与分析

4.1 实验方案设计

为了验证所提方法的真实有效性，以某地区的变电站为实验对象，测试其电力机械设备过热故障检测效果。首先，给出本次实验的具体方案：

（1）红外图像样本采集：采用基恩士（中国）有限公司生产的V2-G500MA红外传感器采集电力机械设备过热故障红外图像，红外传感器的具体参数，如表1所示。

表1 IV2-G500MA红外传感器参数Tab.1 IV2-G500MA Infrared Sensor Parameters

（2）实验图像与数据处理：通过IV2-G500MA红外传感器采集电力机械设备过热故障红外图像，为了保证图像质量与实验结果可信度，将MATLAB仿真软件作为实验平台，基于MATLAB仿真软件的高效计算功能和计算结果可视化优势处理实验结果，标定过热故障区域p，并通过计算得出过热故障区域面积A，以保证实验结果的准确性。

（3）实验对比方法与指标：选取比例-积分-微分控制方法和三相自搜寻比较法作为对比方法，与所提方法进行对比，具体实验指标为：过热故障红外检测误差、过热故障红外检测时间以及过热故障实际检测效果。

4.2 结果与分析

4.2.1 过热故障红外图像检测像素误差

利用三种方法对其进行过热故障诊断，计算出每种方法的检测精度，如图1所示。

图1 三种方法的像素值误差数量Fig.1 Number of Pixel Value Errors for the Three Methods

根据实验结果可知，所提方法对电力机械设备过热故障的诊断误差幅度较小，证明所提方法的过热故障检测是真实有效的，反观比例-积分-微分控制方法和三相自搜寻比较法的检测误差不甚理想，综合以上分析得出所提方法是最优的过热故障诊断方法。这是因为所提方法利用红外检测技术对电力机械设备进行检测，进行去噪以及图像增强等预处理，保证图像可更清楚的呈现出过热故障的局部线路，方便故障检测和诊断。

4.2.2 过热故障红外检测耗时

若没有及时发现电力机械设备的过热故障，线路因长时间过热会降低电力机械设备的使用寿命，严重时更会出现较大的安全事故，因此过热故障的诊断必须保证其时间尽可能地少。在上述实验环境下随机选取15组不同程度的过热故障，将其设置为编号1～编号15，分别计算出每种方法在不同实验对照组下所需的过热故障检测时间，并对结果进行对比，得出效率最高的检测方法，如表2所示。

表2 三种方法的过热诊断所需时间（s）Tab.2 Time Required for Three Methods of Overheat Diagnosis（s）

根据实验结果可知，所提方法所需的检测时间是三种方法用时最少的，其检测时间平均值为28.19s，比例-积分-微分控制方法的检测时间平均值为45.96s，三相自搜寻比较法的检测时间平均值为63.99s，与两种传统方法相比，所提方法的检测时间分别降低了17.77s和35.8s，由此可知两种传统方法的检测时间均过高，长时间的检测会提高局部线路损坏的程度，可能会出现安全故障等情况，不利于后续的检修等，依据检测时间再一次验证所提方法是最优的电力机械设备过热故障检测方法。

4.2.3 过热故障实际检测效果

为了更加明显、直观的展示所提方法的检测效果，在上述环境下利用所提方法随机对电力机械设备进行过热故障检测，如图2所示。

图2 所提方法的红外检测效果图Fig.2 Infrared Detection Effect Diagram of the Proposed Method

图2中，目标检测结果中白色区域即为过热故障区域p，根据实验结果可知，所提方法通过红外图像可清晰获取电力机械设备中出现过热故障区域p，精确辨别温度较高的部位，并且其检测得到的故障区域面积与实际过热故障区域面积A较为接近，说明该方法能够及时、准确诊断电力机械设备过热故障，有利于保证电力安全。原因在于该方法通过提取红外图像的反射与入射分量，获取图像相关细节信息，在信息融合的前提下合并红外图像信息，增强红外图像，使得图像细节更加清晰，便于过热部位检测。

5 结束语

电力资源是人们赖以生存的基本能源，现代电力系统不断的更新换代以此输出更多的电力资源，但是电力系统在大力发展的同时经常受电力机械设备过热故障的干扰，为此提出特征融合的电力机械设备过热故障红外检测方法，该方法的研究内容如下：

（1）预处理红外图像，以此加强图像的整体信噪比，最大程度降低结构以及空间领域信息的破坏度。

（2）选用梯度方法检测红外图像高温故障边缘，划分出不同的图像区域，提高高温区域定位精度，实现电力机械设备过热故障红外检测。

（3）根据实验结果可知，与比例-积分-微分控制方法和三相自搜寻比较法相比，所提方法的检测时间平均值分别降低了17.77s 和35.8s，解决了过热故障红外检测时间长的问题，且该方法的检测误差较低，实际检测效果较好，有助于提高电力系统的寿命。