陳達，唐文虎，牛哲文

(1.深圳供電局有限公司，廣東 深圳 518020；2.華南理工大學 電力學院，廣東 廣州 510641)

變電設(shè)備長期運行中，可能產(chǎn)生各種各樣的內(nèi)生缺陷，變電站運維人員普遍地運用紅外測溫工具周期性對設(shè)備進行巡視，盡早從設(shè)備運行的異常狀況中預判故障，從而避免設(shè)備突然停運。這種方式對運維人員的經(jīng)驗和技術(shù)有一定要求，同時存在覆蓋不全面、工作效率低的缺點。在智能化改造過程中，無人機、巡檢機器人等智能設(shè)備也產(chǎn)生了大量巡檢圖片，卻缺乏相應的智能分析能力；因此，對圖像數(shù)據(jù)進行自動分析，從中診斷電力設(shè)備狀態(tài)，對于及時了解電力設(shè)備的運行狀況，提高電力設(shè)備運行、維護和管理水平具有十分重要的意義。

為了在紅外圖像上實現(xiàn)設(shè)備故障診斷，一方面需要讀取準確的溫度，另一方面需要對設(shè)備類型進行準確分類，結(jié)合這2種信息才有可能準確判定設(shè)備狀態(tài)。文獻[1]基于歷史數(shù)據(jù)和層次分析法建立了柱上開關(guān)成套設(shè)備狀態(tài)評估方法，克服了層次分析法較為主觀的問題。在溫度測量方面，文獻[2]考慮了溫度隨測溫距離和風速的變化，通過模擬試驗得到了溫度修正系數(shù)。文獻[3]從外部故障和內(nèi)部故障2個角度分析了各類型設(shè)備產(chǎn)生熱故障的可能原因，并給出各種故障特征下具體的溫度判據(jù)。實際工作中，運維人員一般按照DL/T 664—2008《帶電設(shè)備紅外診斷應用規(guī)范》[4]要求，使用表面溫度法和相對溫差法來判定具體缺陷等級。

圖像分類中的特征構(gòu)建可分為2大類：傳統(tǒng)圖像特征和深度圖像特征。目前，基于傳統(tǒng)方法構(gòu)建特征的電力設(shè)備分類方法仍為主流。文獻[5]采用Hu不變矩作為特征，使用最近鄰分類器進行分類，取得了較滿意的分類準確率，該方法具有尺度縮放不變性，但依賴于預處理中圖像分割的效果，并且需要建立圖像數(shù)據(jù)庫。文獻[6]同樣基于Hu不變矩，應用支持向量機(support vector machine，SVM)實現(xiàn)了較高的分類準確率。Hu不變矩中冗余信息較多，文獻[7]選擇了更優(yōu)的Zernike矩，在此基礎(chǔ)上使用BP神經(jīng)網(wǎng)絡進行分類，并將2種矩進行對比。結(jié)果表明，以Zernike矩作為特征，分類準確率略高于Hu不變矩，若樣本集過小，兩者差異不明顯。文獻[8]使用方向梯度直方圖特征描述圖像并用SVM分類，在設(shè)備三分類中取得較好的結(jié)果。文獻[9]使用相對溫差法對分割后的溫度區(qū)域進行故障判斷，效果符合實際，但因為沒有利用分類器，無法根據(jù)目標不同針對性選用缺陷判定標準。文獻[10]使用SVM對紅外圖像中提取的顏色矩和形狀不變矩進行多分類，但問題主要是樣本集過小。以上文獻中所考察圖片中無背景干擾元素，邊緣提取難度相對較小，整體效果依賴于特征提取有效性，沒有充分考慮到實際應用中面臨的復雜環(huán)境對智能識別所形成的影響。文獻[11]專注于電纜終端，使用模板匹配的方法找出設(shè)備區(qū)域，在提取疑似過熱區(qū)域和參考區(qū)域后，進行溫度參數(shù)的計算，但是電力設(shè)備種類眾多，有必要研究適合于多種設(shè)備診斷的分析軟件。

在傳統(tǒng)圖像檢測方法的局限性逐步顯現(xiàn)時，隨著深度學習的快速發(fā)展，其在圖像領(lǐng)域的突出表現(xiàn)受到眾多關(guān)注。在電力工業(yè)領(lǐng)域由于專業(yè)性較強，深度學習沒有得到充分重視，該交叉領(lǐng)域仍有大量待填補的空白。電力設(shè)備圖像數(shù)據(jù)集較少，場景復雜且不同設(shè)備相似度較高，一般的深度學習方法也由于數(shù)據(jù)不足無法得到充分訓練。文獻[12]使用快速區(qū)域卷積神經(jīng)網(wǎng)絡(faster region convolutional neural network,Faster-RCNN)模型提出了紅外輸變電設(shè)備異常發(fā)熱點目標檢測方法，具備較好的檢測效果。文獻[13]使用隨機森林分類器來改進卷積神經(jīng)網(wǎng)絡(convolutional neural network,CNN)，較常規(guī)CNN平均識別準確率高出約6.8%，但對于小樣本限制準確率提升的問題沒有提出有效的解決辦法。文獻[14]使用3D建模生成大量訓練集來對CNN進行預訓練，然后用小樣本真實數(shù)據(jù)集進一步訓練的方法來解決樣本短缺的問題，但其研究基于自然光圖像而非紅外圖像。目前較少有人將深度學習應用于分析電力設(shè)備紅外圖像。近年來，遷移學習的出現(xiàn)使得模型能利用在通用圖像數(shù)據(jù)集中學習到的特征，去識別現(xiàn)有小樣本電力設(shè)備數(shù)據(jù)集的目標，從而規(guī)避了數(shù)據(jù)不足的問題[15]。

鑒于此，本文提出基于深度學習的變電設(shè)備紅外圖像故障診斷方法。首先選取輕量化的移動網(wǎng)(MobileNet)網(wǎng)絡結(jié)構(gòu)，應用遷移學習技術(shù)，將在自然場景下獲取的預訓練權(quán)重用于初始化網(wǎng)絡；繼而凍結(jié)網(wǎng)絡除末端分類層外的所有神經(jīng)元，使用電力設(shè)備小樣本數(shù)據(jù)集微調(diào)訓練網(wǎng)絡末端的特征分類器，網(wǎng)絡具備對設(shè)備分類的能力，自動故障診斷系統(tǒng)根據(jù)網(wǎng)絡分類結(jié)果選取缺陷溫度判據(jù)。另一方面，使用光學字符識別(optical character recognition,OCR)技術(shù)從圖像中獲得最高溫度及溫度范圍的具體數(shù)值，結(jié)合選取的缺陷判定溫度給出診斷結(jié)果。

1 基于深度學習的電力設(shè)備故障診斷系統(tǒng)

系統(tǒng)綜合運用深度學習圖像分類方法、OCR溫度提取方法和故障診斷判據(jù)，實現(xiàn)電力設(shè)備的自動故障診斷。在維持足夠準確率的前提下，系統(tǒng)能夠?qū)斎氲募t外圖像自動歸類，并提取相應的溫度信息，例如實測溫度、圖像溫度范圍等，結(jié)合相應診斷規(guī)則給出結(jié)果進行判斷。系統(tǒng)流程如圖1所示。

圖1中：基于MobileNet的圖像分類器可直接獲取原始偽彩色紅外圖像輸入到MobileNet網(wǎng)絡中，自動進行特征學習而無需人工構(gòu)建特征，而且其特征更加抽象，表達能力更強，可直接輸出分類結(jié)果；在得到設(shè)備類別后，使用類別結(jié)果從故障診斷判據(jù)中尋找相應故障溫度閾值，結(jié)合提取的溫度運用表面溫度法或相對溫差法判斷，給出診斷結(jié)果。

圖1 算法流程圖Fig.1 Algorithm flowchart

1.1 基于深度學習的電力設(shè)備圖像分類

1.1.1 MobileNet算法

在實際生產(chǎn)環(huán)境中，終端設(shè)備的計算能力一般較弱，而性能強大的深度CNN 通常要求強大的計算資源。目前有2類思路解決該矛盾：一種是真正進行模型部署時進行模型結(jié)構(gòu)或權(quán)重參數(shù)的精簡，使得我們以現(xiàn)實能接受的方式進行模型推理；另一種則是設(shè)計計算復雜度更低、訓練參數(shù)更少的網(wǎng)絡。

按照第二種思路設(shè)計的MobileNet V1由谷歌在2017年提出的，是一種適用于移動端或者嵌入式設(shè)備的輕量級CNN[16]。該網(wǎng)絡的主要貢獻在于使用了深度可分離卷積的方法，使用1×1的卷積核，減少了一般網(wǎng)絡中標準卷積層的卷積核數(shù)目。深度可分離卷積由深度卷積和點卷積組成，共同完成其他大型網(wǎng)絡中標準卷積的功能，如圖2所示。

假設(shè)輸入通道的特征映射尺寸為(DF，DF，M)，若采用的標準卷積大小為(DK，DK，M，N)，其中M為輸入通道數(shù)，N為輸出通道數(shù)，DF為輸入特征映射的邊長，DK為深度卷積核的維度，則計算量為

圖2 深度卷積和點卷積Fig.2 Deep convolution and point convolution

(1)

在MobileNet中，標準卷積的過濾和轉(zhuǎn)換功能分別由深度卷積和點卷積實現(xiàn)。假設(shè)深度卷積尺寸為(DK，DK，1，M)，點卷積尺寸為(1，1，M，N)，綜合計算量為

(2)

為了提高知識的利用效率，避免反復訓練，遷移學習技術(shù)可對不同但近似領(lǐng)域問題使用已經(jīng)獲得的知識進行解答，核心是發(fā)現(xiàn)已有知識和新知識之間的抽象相似。現(xiàn)有的知識稱為源域，而新獲取的知識稱為目標域。源域和目標域不同，但是有一定相關(guān)性。

本文中遷移學習的源域為ImageNet大型圖像數(shù)據(jù)集[18]中所包含的自然場景圖像，目的域為電力設(shè)備紅外圖像;因此，將在源域中訓練所得的權(quán)重預置在MobileNet中，然后使用目標域的訓練集對模型分類器部分進行微調(diào)。在微調(diào)完畢后，該網(wǎng)絡即可用于對測試集中的設(shè)備進行分類。

1.1.2 數(shù)據(jù)增強技術(shù)

由于小樣本數(shù)據(jù)集樣本過少，容易出現(xiàn)過擬合問題，模型容易趨向于記住訓練集而失去泛化能力，導致最終結(jié)果較差；因此，在微調(diào)時，本文使用數(shù)據(jù)增強技術(shù)處理訓練集，即對訓練集進行翻轉(zhuǎn)、縮放、旋轉(zhuǎn)、裁剪等操作，相當于擴充了更多訓練樣本，之后再輸入到模型中，充分發(fā)掘和利用數(shù)據(jù)集信息。模型在多種條件下接受同個物體訓練，明顯提高泛化能力[19]。圖3為數(shù)據(jù)增強的效果展示。

圖3 數(shù)據(jù)增強示例Fig.3 Data augmentation

由于收集更多的樣本存在困難，實驗中將采用數(shù)據(jù)增強技術(shù)擴充訓練集，參數(shù)設(shè)置為：

a)隨機左右翻轉(zhuǎn)，概率為50%；

b)隨機正負旋轉(zhuǎn)小于30°的角度；

c)隨機裁剪小于20%的圖像面積。

1.2 基于OCR的溫度提取及故障診斷方法

對于1張輸入紅外圖像，首先將其灰度化并舍棄圖像中自帶的各種標識區(qū)域。在得出的區(qū)域內(nèi)，讀取最亮點的溫度作為該設(shè)備的實際溫度。

基于圖像灰度與物體的熱輻射呈對應關(guān)系這一原理，可直接利用圖像對溫度場進行檢測[20]。原理可以分為2大類：第1類是直接檢測法，它的本質(zhì)是全輻射測溫；第2類則是比色法，即借助比色條讀取溫度。本節(jié)將采用第2類方法，根據(jù)紅外圖像，找出最亮點并計算出該點所對應的溫度值。

為了使用OCR技術(shù)獲取溫度數(shù)值，第1步要截取數(shù)字區(qū)域。本文所獲取的紅外圖像(320×240)中，溫度范圍及比色條位置固定，集中在右邊部分。因此考慮截取右上角的最高溫度以及右下角的最低溫度值。

本文在提取溫度數(shù)值上應用TesseractOCR識別插件對所截取局部圖像進行識別，所使用的TesseractOCR是一款由HP實驗室開發(fā)、Google維護的開源OCR引擎[21]。在參數(shù)設(shè)定方面，使用—psm命令指定文本模式，選定為6，即單行文本；使用—oem命令指定OCR引擎，選定為0，即默認原始引擎，因為對于簡單數(shù)字來說，沒有必要使用長短期記憶神經(jīng)網(wǎng)絡模型；同時，必須設(shè)置識別結(jié)果白名單，識別結(jié)果只允許為10個阿拉伯數(shù)字。以上設(shè)置保證了準確率能滿足使用要求，但小數(shù)點無法被識別，例如36.2會被認為是362，因此將識別結(jié)果縮小為原本的十分之一輸出即可。

1.2.1 灰度-溫度擬合函數(shù)

對于每張圖像，處理過程在經(jīng)過灰度化后的圖像上進行，分別讀取比色條最上端和最下端的灰度值作為圖像中的溫度范圍極值，和上述OCR識別的溫度數(shù)值組合成元組，然后使用數(shù)值方法進行一次函數(shù)擬合。根據(jù)擬合函數(shù)可得知任意像素的灰度值所表示的實際溫度。

偽彩色和熱度之間的關(guān)系滿足換算公式[22]

I=(X-128)R/256+L.

(3)

式中：I為設(shè)備熱度；X為圖像亮度；R為熱像儀的范圍；L為熱像儀的熱平。由此可知，在R和L固定后，X和I呈線性關(guān)系。由于偽彩色和灰度之間同樣為線性關(guān)系，因此灰度和I也呈線性關(guān)系,即:

I0=I/(τ),

(4)

{t}℃=B/lg[(A/I0+1)/C]-273.15.

(5)

式(4)—(5)中：I0為實際的熱值；τ為透射率；為物理發(fā)射率，一般取0.9；t為溫度；A、B、C為熱像儀標定曲線常數(shù),對于短波系統(tǒng)，C=1。根據(jù)灰度-溫度擬合函數(shù)，本文取去除文字部分后的圖片中灰度值最大點為熱點，計算對應溫度作為設(shè)備發(fā)熱溫度。

1.2.2 故障診斷判據(jù)

提取熱點溫度和溫度范圍數(shù)值后，系統(tǒng)根據(jù)深度學習網(wǎng)絡的分類結(jié)果選取診斷標準，實現(xiàn)對圖像中設(shè)備狀態(tài)的自動診斷。診斷標準以DL/T 664—2008為準。診斷分析規(guī)則主要有表面溫度判斷法和相對溫差判斷法。部分設(shè)備的缺陷溫度見表1和表2。

表1 故障表面溫度判斷表Tab.1 Fault surface temperature judgment table ℃

表2 設(shè)備故障相對溫差判斷表Tab.2 Relative temperature difference judgement table of equipment faults %

以上溫度判斷標準內(nèi)置在診斷軟件中。使用時，軟件根據(jù)分類網(wǎng)絡輸出的分類結(jié)果，在內(nèi)置的溫度判斷表內(nèi)，讀取相應標準的熱點溫度報警值和溫升報警值。如果設(shè)備實際熱點溫度超過熱點溫度報警值或超過基準溫度與溫升值之和，軟件將該設(shè)備認定為缺陷狀態(tài)，否則認定為正常。

2 實驗結(jié)果

2.1 電力設(shè)備紅外圖像數(shù)據(jù)集

本文研究數(shù)據(jù)來源于深圳供電局有限公司變電管理二所紫荊巡維中心，紫荊巡維中心下轄12座變電站，包括:500 kV紫荊站、220 kV廷苑站、220 kV賢興站以及其他9座110 kV變電站。數(shù)據(jù)主要分為5大類:主變壓器(以下簡稱“主變”)本體、套管、避雷器、高壓開關(guān)柜、氣體絕緣開關(guān)(gas insulate switchgear ,GIS)設(shè)備。數(shù)據(jù)集每類有100張圖像，共計500張，圖像分辨率為320×240，如圖4所示。

所輸入的電力設(shè)備圖像為三通道偽彩色圖像，偽彩色即是通過指定灰度圖中每一灰度所對應彩色而形成，因此和源域中自然場景彩色圖像格式一致。圖5所示為偽彩色圖像紅、藍、綠各通道分量提取圖像。

圖4 各類型設(shè)備紅外圖片F(xiàn)ig.4 Infrared images of different equipment

圖5 偽彩色圖片及各通道提取Fig.5 Pseudo-color images and channel extraction

根據(jù)用于不同目的，機器學習中的數(shù)據(jù)被切分為訓練集、驗證集以及測試集。訓練集是用于模型訓練的數(shù)據(jù)樣本；驗證集是在訓練過程中，不參與訓練但中途評估模型所使用的樣本集，它可以用于對推測能力進行初步評估，幫助調(diào)整模型的超參數(shù)；測試集用來評估最終模型的得分，但無法作為調(diào)整參數(shù)、選擇特征等算法的依據(jù)。本文從500張圖像中選擇10%作為驗證集，10%作為測試集，其余80%為訓練集。

2.2 深度學習圖片分類結(jié)果

圖6為訓練集與驗證集準確率曲線。

圖6中：以交叉熵作為損失函數(shù)，當交叉熵波動小于設(shè)定閾值時，判定模型收斂。由于所使用的預訓練模型中初始權(quán)重較合適，訓練集準確率在100步內(nèi)迅速達到了94%，同時驗證集準確率為80%，說明以自然場景為源域的知識是可以有效遷移應用到變電設(shè)備的紅外場景中的；在訓練至3 000步時，訓練集準確率基本穩(wěn)定在99%，驗證集穩(wěn)定在90%，此時基本收斂，即訓練集和測試集的準確率不再隨訓練步數(shù)的增加而增加，趨近于穩(wěn)定值。最終測試準確率為80.6%。

圖6 訓練集與驗證集準確率曲線Fig.6 Accuracy curves of training set and validation set

在上述實驗中，訓練集和驗證集準確率相差較大，測試集準確不高。在訓練集準確率趨近100%時，驗證集準確率只有90%，模型出現(xiàn)了明顯的過擬合問題；所以按照前文所提的參數(shù)，使用數(shù)據(jù)增強技術(shù)，其訓練結(jié)果如圖7所示。

圖7 數(shù)據(jù)增強后訓練集與驗證集準確率曲線Fig.7 Accuracy curves of training set and validation set after data augmentation

由圖7可知：在訓練至3 000步時，訓練集準確率約為98%，驗證集準確率約為91%，最終在相同測試集上新模型達到95.7%的分類準確率，相比于數(shù)據(jù)增強前測試集分類準確率80.6%提高了近15%。該結(jié)果表明，數(shù)據(jù)增強充分發(fā)掘了訓練集中所含信息，并緩解了過擬合問題。

將測試集分類結(jié)果按照類別進行統(tǒng)計，以精確率、召回率2個指標進行評價。精確率是預測結(jié)果中正確數(shù)量占比，召回率是全部樣本中的正例有多少被預測正確。結(jié)果見表3。

表3 分類準確率及召回率評價表Tab.3 Evaluation table of classification accuracy and recall rate %

由3表可知：該網(wǎng)絡對不同類型設(shè)備分類準確率有所不同，其中較為準確的是主變本體、避雷器及套管，而GIS設(shè)備分類準確率較低。其原因為：①以所有GIS設(shè)備作為1個類型進行分類過于寬泛，有必要將GIS設(shè)備按照電壓等級或者具體設(shè)備繼續(xù)細分，如分為500 kV的GIS開關(guān)、220 kV 的GIS開關(guān)、GIS出線套管、GIS刀閘等。②由于場地、視角及拍攝角度限制，巡檢人員對于除GIS設(shè)備外的其他4種設(shè)備類型拍攝角度較為固定，圖像特征較為明顯且統(tǒng)一；而對于GIS設(shè)備，巡檢人員可選擇的拍攝角度較多，訓練集中包含由各個角度拍攝的圖像，相同數(shù)量樣本下學習難度較大，需進一步增加樣本數(shù)量。

2.3 不同模型方法比較及結(jié)果分析

為了驗證本文方法的有效性，以三層CNN作為比較基準，對比經(jīng)遷移學習、未經(jīng)遷移學習的MobileNet以及使用遷移學習方法的InceptionV3網(wǎng)絡。InceptionV3網(wǎng)絡是一種網(wǎng)絡層數(shù)與MobileNet接近，但并未采用輕量化設(shè)計的經(jīng)典網(wǎng)絡結(jié)構(gòu)。所有網(wǎng)絡所使用訓練集均使用數(shù)據(jù)增強方法。三層CNN的結(jié)構(gòu)如圖8所示。

將三層CNN以隨機權(quán)重作為初始點在相同數(shù)據(jù)集上進行訓練，使用數(shù)據(jù)增強技術(shù)，訓練至100步左右網(wǎng)絡基本收斂，測試集準確率為67.2%，低于基于MobileNet網(wǎng)絡結(jié)構(gòu)的95.7%；為了驗證遷移學習對MobileNet的增強效果，在同樣的小樣本數(shù)據(jù)集上使用數(shù)據(jù)增強技術(shù)，但是不加載預訓練權(quán)重(即不使用遷移學習)，而是從隨機權(quán)重為初始點進行訓練。實驗結(jié)果見表4。

由表4可知：即使使用數(shù)據(jù)增強方法，在較為簡單的三層CNN和未經(jīng)預訓練的MobileNet上最多也只能達到約67%的分類準確率，而使用本文方法所得結(jié)果的準確率遠高于其他2種方法。其原因在于樣本少導致信息量不足，充分訓練網(wǎng)絡也不能學習到足夠的知識，無法達到令人滿意的效果。該實驗證明了經(jīng)過預訓練的MobileNet從其他大型圖像分類數(shù)據(jù)集中獲取的知識能有效運用到電力設(shè)備紅外圖像分類中。

圖8 三層CNN結(jié)構(gòu)Fig.8 Three-layer CNN structure

表4 各結(jié)構(gòu)網(wǎng)絡實驗結(jié)果對比Tab.4 Comparison of each structural network

將MobileNet與InceptionV3實驗結(jié)果進行對比，MobileNet實驗結(jié)果準確率略低1%，但平均分類時間僅有后者的十分之一左右，與理論值相近，體現(xiàn)出MobileNet輕量、計算量少的特征。該網(wǎng)絡易于應用在算力較弱的終端設(shè)備中。

2.4 溫度計算結(jié)果分析

為了驗證灰度-溫度擬合函數(shù)的準確性，本節(jié)將原圖左上角顯示的最熱點溫度與灰度最大值計算所得溫度對比，進行誤差分析。在計算誤差時，因攝氏溫度屬于區(qū)間屬性，不可直接用于誤差計算，需將攝氏溫度轉(zhuǎn)換為比率屬性的絕對溫度。實驗在52張圖片上進行計算和統(tǒng)計，總體誤差均值為-0.29%，誤差的標準差為1.56%。在實際工程使用中，原圖所顯示熱點溫度可與計算溫度綜合使用，以便提高判定的準確性。

3 電力設(shè)備紅外圖像故障診斷軟件開發(fā)

3.1 軟件診斷流程設(shè)計

本節(jié)分析診斷流程，并將以上所述的分類算法和溫度計算整合成為易于使用的軟件；同時，所使用的MobileNet計算量小，該軟件可輕松移植，部署在手機、紅外測溫儀或巡檢機器人上，直接快速診斷結(jié)果，為提高各終端的智能化水平打下基礎(chǔ)，提供借鑒。

軟件診斷流程包括圖像輸入、溫度提取及計算、設(shè)備分類、故障診斷判據(jù)選取以及最后的診斷。診斷流程圖如圖9所示。

根據(jù)本文所闡述算法，軟件根據(jù)設(shè)備類型，如套管、主變本體等，在內(nèi)置設(shè)備標準中進行文本匹配，從而獲取故障診斷判據(jù)中具體的溫度閾值和當前環(huán)境溫度下允許的最大溫升，然后將計算所得最熱點溫度與溫度閾值和允許的最大溫升進行比較，如果最熱點溫度大于該設(shè)備溫度閾值或允許最大溫升的任何一項，即判定為故障狀態(tài)，否則判定為正常狀態(tài)。

圖9 故障診斷流程Fig.9 Fault diagnosis flow chart

3.2 軟件界面

本文使用的編程語言為Python，計算機視覺庫為OpenCV，深度學習框架為TensorFlow。圖10為軟件界面，通過界面下方的按鈕讀入待處理圖片，讀入的原圖顯示在圖中左上角；程序調(diào)用本文方法進行分析，將結(jié)果顯示在右方。從圖10診斷結(jié)果可知：該設(shè)備為套管的概率為89.44%，從圖片中讀取的直接提取的溫度為42.7 ℃，實際的溫度為42.03 ℃?？梢娛褂帽疚姆椒蓽蚀_診斷設(shè)備類別，給出確信概率，也可準確獲取圖片內(nèi)的溫度數(shù)值。

圖10 電力設(shè)備紅外圖像故障診斷軟件界面Fig.10 Infrared image fault diagnosis software interface

結(jié)合系統(tǒng)設(shè)備類型和內(nèi)置故障診斷規(guī)則，可以知道套管的故障判定規(guī)則為表面溫度大于55 ℃或者溫升大于40 K。在本次分析中，從絕對溫度來看無論是原溫度還是校正溫度都小于55 ℃。將比色條中的最低溫25.5 ℃作為環(huán)境溫度，則表面溫度相對于環(huán)境溫度的溫升小于40 K。上述條件為“或”邏輯，綜合可知判定設(shè)備沒有故障，正常運行。

在實際使用中，軟件可批量處理圖像，自動將圖片文件重命名為“間隔名+設(shè)備類型+實際溫度”歸檔，并將溫度、設(shè)備類型及診斷結(jié)果等數(shù)據(jù)輸出為Excel報表，便于檢索和迅速發(fā)現(xiàn)故障設(shè)備。

4 結(jié)束語

本文搭建了一種基于深度學習的電力設(shè)備故障診斷方法。首先，由于故障診斷溫度在不同設(shè)備類型上不一致，需要運用圖像分類方法對設(shè)備類型進行判斷，為了緩解數(shù)據(jù)集樣本較少的問題，本文選用經(jīng)過遷移學習的MobileNet作為深度學習的網(wǎng)絡結(jié)構(gòu)對設(shè)備類型進行分類。該網(wǎng)絡對比未使用遷移學習的MobileNet和三層CNN，分類準確率均提高了約30%。為了進一步緩解紅外圖像樣本不足的問題，本文模型使用了數(shù)據(jù)增強技術(shù)，提高了約15%分類準確率，最終測試集準確率達到95.7%，該結(jié)果證明了以一般場景作為源域所提取的圖像特征能有效遷移到紅外圖像目標域。

在判斷出設(shè)備類型為套管、電容式電壓互感器、GIS設(shè)備、開關(guān)柜和主變本體其中某一類后，本文利用了紅外圖像中所包含的比色條及其溫度范圍，建立了圖像灰度值和實際溫度間的函數(shù)關(guān)系，從而可根據(jù)灰度值換算設(shè)備實際溫度。對擬合熱點溫度和實際溫度進行誤差分析，誤差均值為-0.29%，誤差的標準差為1.56%，滿足使用要求。之后可據(jù)設(shè)備類型選用相應故障溫度判據(jù)，結(jié)合實際溫度與環(huán)境溫度判斷設(shè)備是否處于正常運行狀態(tài)。

經(jīng)實驗證明，所提方法可準確高效地對設(shè)備故障與否實現(xiàn)判斷。最后對該方法使用圖形界面進行了軟件封裝，便于運維人員使用；另外該診斷流程也可嵌入到手機或巡檢機器人等終端中。下一步可考慮使用YoloV3網(wǎng)絡進行目標監(jiān)測，以期單獨提取1張圖片內(nèi)多相設(shè)備的各相溫度，從而更加準確判斷故障。