王 堯

（中國石油華北油田公司第一采油廠）

0 引言

熱像處理（TIP）是通過檢測電氣系統(tǒng)中的“熱點”來識別潛在問題區(qū)域的一種方法。這種方法的基本原理是，大多數(shù)組件在發(fā)生故障時往往會顯示溫度升高。例如，這種溫度上升可能是由于連接松散、設(shè)備有缺陷或損壞、短路、過載、負(fù)載不平衡，甚至是不正確的安裝等原因造成的。TIP 允許人們觀察系統(tǒng)中的熱模式，可以用來幫助確定潛在問題區(qū)域的位置；根據(jù)進(jìn)一步需要，可以在設(shè)備故障和造成進(jìn)一步損壞之前進(jìn)行分析和修復(fù)。

故障診斷被認(rèn)為是電氣系統(tǒng)的一個關(guān)鍵因素，可以確保不斷降低和消除成本，提高生產(chǎn)率和增加機(jī)器的可用性。由于降低運行成本，提高運行的一致性，改善供電質(zhì)量，為客戶提供優(yōu)質(zhì)的服務(wù)，因此對變壓器、發(fā)電機(jī)和異步電動機(jī)等領(lǐng)域的研究日益增加，電氣設(shè)備的故障檢測需要加強監(jiān)護(hù)。紅外熱成像（IRT）已被廣泛應(yīng)用于電氣設(shè)備的監(jiān)測和故障診斷。通過比較熱點溫度和參考溫度來判斷電氣設(shè)備的狀態(tài)。目前，一種性價比高、可靠、非接觸式的紅外熱像檢測系統(tǒng)正被廣泛應(yīng)用于監(jiān)測和故障診斷。具有檢測電氣設(shè)備熱異常的能力。將圖像處理方法應(yīng)用于紅外熱像圖像的故障診斷。為了識別IRT 圖像中的熱點，最簡單的方法是使用分割技術(shù)。文中討論幾種圖像分割技術(shù)，并對它們進(jìn)行比較。

1 理論分析

基于小波變換和脈沖耦合神經(jīng)網(wǎng)絡(luò)的自動熱圖像分割在國內(nèi)研究中提出。部分論文闡述利用邊緣檢測和霍夫變換檢測設(shè)備的熱圖像分割[1-2]。本文對幾種分割方法在電氣標(biāo)志識別系統(tǒng)中的應(yīng)用進(jìn)行比較研究。用于彩色圖像分割的支持向量機(jī)（SVM）具有廣闊的應(yīng)用前景。對于隨機(jī)圖像的分割，基于偏微分方程的隨機(jī)步行分割（PDE）在國外文獻(xiàn)中提出。幾種邊緣檢測方法被用于尋找熱圖像的邊緣。在前人研究中，基于馬爾可夫網(wǎng)絡(luò)（MRF）的分割從標(biāo)志應(yīng)用到對象分割?；诩t外圖像處理的避雷器故障檢測已經(jīng)提出，采用一組神經(jīng)模糊網(wǎng)絡(luò)實現(xiàn)故障分類。部分文獻(xiàn)描述了一種識別感應(yīng)電動機(jī)定子故障的新的模式識別方法。為了進(jìn)行故障識別，采用了新模糊分類器。不同的基于邊緣的分割方法，如 Robert，Sobel，Prewitt 和Canny 運算符也可以實現(xiàn)。該方法定位灰度強度值的突變點。利用光譜分析，可以做出彩色圖像分割。但是很難獲得關(guān)于物體顏色的先驗知識[3-5]。

在國外研究中，提出了不同顏色轉(zhuǎn)換的精確公式，并提出了許多顏色模型的各種應(yīng)用。在圖像分割領(lǐng)域，特別是在醫(yī)學(xué)圖像處理、食品加工、交通信號系統(tǒng)、標(biāo)志檢測等領(lǐng)域，已經(jīng)進(jìn)行了大量的工作。但是，在使用熱圖像處理或分割技術(shù)進(jìn)行電氣設(shè)備狀態(tài)監(jiān)測方面，只有很少的一部分被提及。

由于溫度信號或熱像中存在噪聲，溫度的振幅表明問題的嚴(yán)重性。從溫度測量中提取信號是一項具有挑戰(zhàn)性的工作。熱成像有能力即時可視化和驗證熱性能的發(fā)電是至關(guān)重要的安全、環(huán)境和商業(yè)因素。利用 FLIRE-60 熱像儀獲取了一些標(biāo)準(zhǔn)熱像圖。首先，基于顏色，將RGB 圖像轉(zhuǎn)換成HSV 顏色模型。一些基于梯度的邊緣檢測技術(shù)，如Roberts，Prewitt，Otsuetc，使用邊緣檢測閾值完成，用于對熱區(qū)域進(jìn)行分區(qū)?；谧钚【秸`差（MSE）、峰值信噪比（PSNR）等圖像指標(biāo)，選擇最佳的邊緣檢測方法，取得較好的檢測效果，下一步將基于聚類的圖像閾值Otsu 方法應(yīng)用于熱像檢測，取得較好的檢測效果。在這些方法中，Otsu 方法很容易確定熱圖像的熱區(qū)域。

1.1 閾值分析

Roberts 邊緣濾波器在熱圖像處理中起著重要作用，它具有基于垂直濾波器和水平濾波器依次檢測邊緣的能力。這兩種濾波器都用于熱圖像的分割，這些函數(shù)被設(shè)計用于測量Sx和Sy的各個方向的分離梯度分量。近似值可用以下方法計算：

Otsu 閾值法也可以應(yīng)用于熱像圖中，用于檢測圖像中的熱區(qū)域。Otsu 方法用于自動執(zhí)行基于聚類的圖像閾值。該圖像包含兩類像素，然后計算分離兩類的最佳閾值，使其類內(nèi)方差最小。Otsu 方法的算法如下：①選擇閾值的初始估計值作為圖像的平均亮度值；②計算分區(qū)R1和R2的平均灰度值μ1和μ2；③選擇一個新的閾值：

④重復(fù)步驟2～步驟4，直到連續(xù)迭代中的新值μ1和μ2不變?yōu)橹埂?/p>

1.2 圖像指標(biāo)

在對熱成像圖像進(jìn)行不同的邊緣檢測技術(shù)后，選擇了一種基于圖像質(zhì)量度量的最佳方法。均方差（MSE）是最簡單和最常用的全參考質(zhì)量指標(biāo)，它使用參考熱像（色調(diào)區(qū)域）像素的平均平方強度（ASI）差計算。峰值信噪比（PSNR）取決于MSE的強度。MSE 和PSNR 的公式如下：

式中，x(i,j)表示原始圖像色調(diào)區(qū)域；y(i,j)表示閾值圖像；M和N分別是原始圖像的高度和寬度。

1.3 色彩模型

HSI（色相、飽和度和強度）顏色模型描述人眼如何感知顏色。為了從RGB 中得到HSI 顏色模型，考慮以下公式：

飽和分量由下式：

強度分量如下：

在HSI 模型中，色調(diào)從紅色開始測量，飽和度由距離軸的距離給出。色相分量以[0，360]度之間的角度描述顏色本身。0 度表示紅色，120 度表示綠色，240 度表示藍(lán)色，60 度表示黃色，300 度表示洋紅色。當(dāng)飽和度接近1 時，色調(diào)更有意義，而當(dāng)飽和度接近0 或強度接近0 或1 時，色調(diào)就不明顯了。這就是色調(diào)成分采取進(jìn)一步的處理的原因所在。

1.4 邊緣分割

采用不同的梯度邊緣檢測方法從熱圖像中尋找特定的熱點區(qū)域。由Sobel 算子計算的梯度（Δf）是3×3 鄰域的行和列之間的差，如下表所示，其中每行或每列的中心像素加權(quán)為2。

表 計算梯度

偏導(dǎo)數(shù)Sx和Sy計算方式如下：

式中，z1，z2，...，z9是亮度；f是輸入圖像。Prewitt 算子使用偏導(dǎo)數(shù)如下：

采用2×2 梯度算子，利用Roberts 算子計算相鄰像素之間的差值。偏導(dǎo)數(shù)Sx和Sy用下列方程計算：

1.5 線性判別分析（LDA）

LDA 主要用于分類問題，同時也作為一種分類器來降低特征維數(shù)。它通過線性映射矩陣（LTM）表示從熱圖像的參數(shù)空間到特征空間的二維特征。該分類器具有在線性問題中利用大數(shù)據(jù)集進(jìn)行有效計算的能力。作為得分函數(shù)的可分性的概念。

得分函數(shù)：

利用這些方程估計線性系數(shù)，使得得分最大化，并根據(jù)給定的得分函數(shù)求解結(jié)果。模型系數(shù)如下：

混合協(xié)方差矩陣：

式中，β為線性模型系數(shù)；C1、C2為協(xié)方差矩陣；μ1、μ2為平均相量。

2 實驗研究

紅外攝像機(jī)檢測到的問題只有在設(shè)備處于運行狀態(tài)時才能看到。熱成像技術(shù)在電力工業(yè)中的應(yīng)用與電量的測量密切相關(guān)，主要是電流的量，這意味著系統(tǒng)中單個元件的耗散。這些熱成像是在機(jī)構(gòu)大樓周圍拍攝的。目標(biāo)設(shè)備是超負(fù)荷的開關(guān)，電路或松散的連接。圖像在設(shè)備負(fù)載下獲取的比例在40%～80%之間。根據(jù)標(biāo)準(zhǔn)檢查，使用目標(biāo)設(shè)備0.5m 熱像儀與熱像儀的所有其他參數(shù)（如環(huán)境溫度、發(fā)射率和反射溫度、濕度）之間的距離。

首先對來自不同電氣設(shè)備和太陽能電池板的熱圖像進(jìn)行分解，然后基于HSV 彩色模型進(jìn)行評價。通過對不同電氣設(shè)備的閾值分割技術(shù)，可以很容易地分割出加熱部分。所得結(jié)果如圖1、圖2 所示。分析工業(yè)應(yīng)用中最常用的各種電氣設(shè)備的相應(yīng)模型。與傳統(tǒng)的只在一個點上捕獲熱信號的溫度計相比，設(shè)備的捕獲熱圖像一次可以表示成千上萬個點。不同表面點或電氣設(shè)備內(nèi)部的溫度分布具有不同的顏色編碼，如設(shè)備熱像圖所示。

圖1 熱區(qū)域識別

圖2 熱區(qū)域識別

采集的各種電氣設(shè)備的熱成像總數(shù)約為40 個樣品。約60%的圖像數(shù)據(jù)集是為訓(xùn)練集準(zhǔn)備的，其中包含55%的設(shè)備異常狀況和45%的設(shè)備健康狀況。其余的測試數(shù)據(jù)在線性判別分析訓(xùn)練模型上進(jìn)行測試，該模型在案例設(shè)備和太陽能電池板上都給出較高的分類準(zhǔn)確度。但是在一些熱像圖中，由于熱像圖中電子設(shè)備的強度變化較大，所以區(qū)域（ROI）的測量結(jié)果并不理想。實驗研究表明，對于大多數(shù)測試設(shè)備的熱像，最適宜的閾值在0.70 左右。結(jié)果表明，該分類器在電氣設(shè)備和太陽能電池板兩種情況下的分類精度均達(dá)到100%左右。

3 結(jié)束語

本文研制一種用于電氣設(shè)備故障檢測的智能故障診斷系統(tǒng)。對于缺陷太陽能電池板和其他電氣設(shè)備的熱圖像，對不同的自動閾值分割方法進(jìn)行比較分析。提出的系統(tǒng)結(jié)果表明，通過消除灰度圖像的局限性，以及在問題變得嚴(yán)重之前識別潛在問題的能力，可以更好地對熱點區(qū)域進(jìn)行分割，從而可以通過安排控制性關(guān)機(jī)來防止電力系統(tǒng)對基礎(chǔ)設(shè)施和人員構(gòu)成危險威脅，并防止設(shè)備停運或其他故障。該診斷系統(tǒng)可用于其他電機(jī)、發(fā)電機(jī)等旋轉(zhuǎn)機(jī)械的預(yù)防性維修。