基于增強現實技術的電力設備故障識別方法研究

王雨辰

（中國電能成套設備有限公司 北京市 100080）

1 基于AR技術的智能巡檢系統

1.1 增強現實技術

通過利用計算機和虛擬現實技術可以進行虛擬空間的創設，用戶與計算機進行，互動使用的輔助工具有鍵盤、感應手套等，用戶可以更真實的感知現實世界。要實現將文字、圖片還有聲音這些信息和現實世界融合，需要借助于增強現實技術，如此一來，能夠增加人們對現實世界的感知。相比VR 技術，AR 技術不是單純的將真實世界使用虛擬世界來代替，而是通過一些輔助工具增強人們對真實世界的體驗。AR 技術將虛擬場景與真實場景融合使用的是跟蹤定位、虛實渲染與三維注冊、人機交互等技術，被廣泛的使用在各個領域，比如教學與培訓、醫療等領域。

1.2 電力設備智能巡檢系統架構

在電力設備的維修、巡檢等工作中，該巡檢系統所具有極其重要的輔助作用。本文還將AR 技術在巡檢系統當中進行了應用，并利用該技術構建了相應的架構，其架構由三個層級組成，即數據庫、服務器與智能巡檢終端，其對應的功能如下：

（1）數據庫：數據庫可以將巡檢過程當中所得數據進行存儲，這些數據包括了巡檢產生的記錄、使用用戶的一些基本信息等，以備服務器的需要。

（2）服務器：接受巡檢所得數據，依據相關指令來跟蹤具體數據信息，進行相關數據信息的處理，如數據的灰度化、特征提取等，將需要的數據從數據庫中進行調用，然后進行分析計算，進行虛實渲染參數的計算，最后將得出的這些數據信息運輸到智能巡檢終端，從而實現巡檢功能，如巡檢功能[1]。

（3）智能巡檢終端：一些可巡檢智能巡檢的設備能夠采集圖像信息、定位等功能，經常見到的有智能頭盔、智能眼鏡與智能手環等，智能巡檢終端能夠將采集到的信息運輸到服務器，然后渲染經過處理的圖像信息，通過將現實和虛擬世界進行融合，然后將信息傳遞給巡檢工作人員，巡檢人員通過手勢語言等等進行人機互交，并幫助相關工作人員進行信息的獲取，提升故障查找的準確性。

1.3 AR智能眼鏡巡檢

（1）操作模型的創建。目前對現代設備巡檢管理工作越來越重視，為了便于管理，就要創建操作模型，其主要有判定模型和計算機識別圖形模型，如巡檢流程和設備及儀表的識別。進行電力設備的巡檢，主要從巡檢流程以及判定模型兩個方面著手，指導巡檢工作人員開展操作流程工作時要按照相關的規范進行，這樣可以提高工作人員和設備安全。

（2）巡檢信號。該信號主要是依據巡檢流程，利用相應管理系統來發出指令信號，讓巡檢工作人員進行作業，數據服務器管理功能模塊可以將巡檢流程及判斷依據發送出去。在巡檢時，巡檢工作人員識別巡檢的設備使用的是AR 技術及智能眼鏡。使用AR 智能眼鏡識別指定對象時，還可以識別設備對應的物理參數，判斷模型就會對識別到的物理參數進行判定，在實際工作中確定巡檢設備的使用情況，同時對巡檢進行處理，將得到的數據和結果運輸到AR 智能眼鏡中進行存儲。

圖1：ANN 模型結構

圖2：電力設備故障識別方法

（3）對接收到數據進行分析。開展這項工作主要是為了將得到的數據結果進行分析，然后進行數據的收集，這樣就會在不同的模塊中得到巡檢人員的工作表現，同時得到巡檢點存在的問題，最終收集到真實、可靠的數據。

2 電力設備故障識別方法

在將AR 技術融入到電力設備巡檢系統當中，然后輔助具體的巡檢工作人員進行巡檢工作，能夠有效提升工作的效率，減少人為因素導致的問題，該系統能夠實現遠程指導、對設備信息進行查詢以及進行自動化識別設備故障。通過掃描電力設備上的二維碼就能夠得知電力設備其故障維修記錄以及設備的相關屬性。利用遠程指導功能能夠幫助巡檢和值班人員之間進行視頻通話，并進行全程錄像上傳，一旦發現故障，就會自動發出警報信息。

在該系統當中，對電力設備其存在故障進行識別是系統的重要功能，該系統能夠對采集的圖像信息進行分析處理，并且把最終的識別結果利用終端顯示設備進行向巡檢工作人員反饋，將故障所在的部分進行標識，方便巡檢人員及時找到故障所在。這一功能其最主要的特點就是能夠快速并且準確的查找出故障所在，并依據采集得到的圖像信息來進行判斷具體的故障類型。本文當中還在該系統的基礎上，融入了深度神經網絡算法，從而更加快速的進行故障查找，提升巡查效率。深度神經網絡是由多層隱藏層進行堆疊所形成，如圖1 所示。因為該算法能夠進行對大量復雜數據信息進行處理，而且準確度高，因此在實際應用中應用非常廣泛[2]。

利用DNN 算法以及AR 技術來進行對電力設備其具體故障進行識別，主要的步驟如下。先進行圖像信息的采集，然后對圖像進行處理，并進行圖像相關數據信息的提取，然后把這些數據作為DNN 模型進行輸入，并且進行相應計算，從而得到最終的電力設備故障識別結果。利用上述兩種技術對電力設備所存在故障的巡檢關鍵技術如下文所述。

表1：圖像樣本集結構

表2：訓練時間和識別時間

表3：各種故障類型的識別結果

2.1 圖像增強

圖像當中包含著非常多的信息，所以通過處理圖像，就能夠獲取到大量的信息。而圖像增強則是能夠強化圖片在應用場景當中的視覺效果，從而更好的滿足特殊需求，方便利用計算機進行數據信息的分析處理。圖像增強技術具有良好的圖像去噪效果[3]。

2.1.1 圖像灰度化

在進行對圖像灰度化處理之前，首先要進行統一化設置圖像個像素點的RGB 值，并且在灰度化處理完成之后，設置成單通道，以方便接下來工序的進行。

本文還采用加權平均法來進行圖像的灰度化處理，并利用人體對于顏色的不同感受，選取紅（R）、綠（G）、藍（B）三種顏色，在乘上相應的權重，最后加權求和得到最終的像素值。

在上式中：R、G、B 分別代表紅、綠、藍三通道其像素值，Gray為處理后像素點灰度值。

2.1.2 圖像去噪

高斯濾波加權平均法具有良好的圖像去噪效果，所以在實際中對于該方法的應用也是非常的廣泛。

二維高斯分布如下：

在上式中，G(x，y)表示的是坐標(x，y)其像素點的高斯濾波器權重；σ 表示高斯分布標準偏差，該數值也直接影響著高斯函數其變化幅度。

對于高斯卷積核的確定需要依據模糊半徑還有高斯分布，通過將確定的高斯卷機核其中心元素在像素正上方輸入，然后和和輸入位置的權重相乘，將所得結果進行相加，從而取到像素值。其余像素的處理也依據上述操作進行。

2.2 特征提取

顏色特征與紋理特征是圖像典型的特征，對圖像進行旋轉、平移變換等都不會對這些特征產生影響。在本文中，對于電力設備其圖像驗收的提取是利用驗收直方圖，對于電力設備其圖像紋理的提取則是采用灰度共生矩陣統計法[4]。

2.3 DNN模型訓練

DNN 模型的訓練步驟有兩部分，即訓練與測試，如圖2 所示。在進行訓練前要先對DNN 模型進行預訓練，完成這項工作使用的方法是無監督的前向傳播方法，調整DNN 模型參數使用的方法是有監督的梯度下降法，在進行測試時，將訓練好的DNN 模式模型作為實驗的圖像樣本，要是沒有滿足訓練的需求，則需重新訓練。

3 算例分析

通過以變壓器為例，對AR 技術電力設備故障識別方法其準確性進行了驗證。本文使用IntelCorei7-8550 處理器進行實驗仿真，使用的CPU 主頻是1.99GHz，使用Python3.5 作為軟件平臺。在進行仿真實驗時，使用的樣本是發生故障的變壓器圖像，一共有4265張，選取其中的4/5張圖像作為訓練圖像，剩下的圖像作為測試圖像，表1 對各類樣本圖像和標簽進行了概括。

本文將上述方法和支持向量機以及BP 神經網絡這兩種算法進行了對比分析，驗證了該方法的有效性，把測試圖像其相關數據代入到不同的算法當中，從而得到相應的訓練時間還有識別時間，詳細數據如表2 所示。對所有故障類型的識別結果如表3 所示。

從表2 當中就可以看出，本文采用的方法其訓練的時間和SVM 以及BP-NN 相較而言，分別要長23.3%以及15.8%。在實際情況當中，進行模型訓練往往會采用離線訓練，所以，訓練所使用的時間對于電力故障識別還有算法的實際性能不會有影響。并且，本文對相關算法所用的時間進行了對比，結果發現本文所研究的算法要比BP-NN、SVM 這兩種算法的差別小，本文所研究算法的故障識別效果更佳。

從表3 可以看出，本文所研究的算法進行設備故障識別其準確率均超過了98%，而其余兩種算法的效果則略落后于DNN 算法，因此，可以得出DNN 算法其故障識別的效果更佳。

4 結束語

本文對AR 技術的概念進行了介紹，分析了融合AR 技術的電力設備智能化巡檢系統主要組成部分所具有的各項功能，實現了將AR 技術更好的融合在電力設備只能巡檢系統當中，對巡檢系統其智能化水平的提高有著非常大的提升作用，同時，基于AR 技術提出的電力設備故障識別方法提高了電力設備智能巡檢工作的效率，將這種識別方法進行了仿真測試，結果表明其識別各類故障的準確率高達98%。

隨著AR 技術的不斷完善，電力工作也越來越智能化，對傳統人機對話模式有著非常大的改變，促進著只能巡檢設備向著更加智能化的方向發展。在智能電力設備技術中應用AR 技術可以將電力設備巡檢工作的效率進行有效的提高。