基于機器視覺的高壓隔離開關設備狀態判別與故障診斷技術

陳富國, 蔡杰, 李中旗

(平高集團有限公司，河南， 平頂山 467001)

0 引言

本文探討將機器視覺的相關技術應用于高壓隔離開關的故障檢測以及狀態識別中，利用YOLO v3(You Only Look Once vision 3)智能算法模型來進行高壓隔離開關中設備異常發熱點檢測，對它的紅外圖像進行智能化的識別處理[1]。同時，對YOLO v3算法模型進行優化，判斷優化前后算法的平均精度，進一步明確研究效果。

1 方法

1.1 傳統高壓隔離開關故障缺陷分析

高壓隔離開關是電網是廣泛應用的開關設備之一。高壓隔離開關的主要應用在出現負荷電流或者短路電流時的開合。高壓隔離開關也是在開關電器分類中工藝最為復雜、性能最為完善的設備之一[2]，在電網系統中應用廣泛，具有重要的意義。首先，高壓隔離開關保證了在檢修中可以形成明顯的斷開點，避免了工作人員因未能正確區分工作區域而造成的不安全事故的發生[3]。其次通過高壓隔離開關可以形成足夠的安全距離，保證了檢修設備的獨立性，保證檢修時的安全。最后，高壓隔離電源還可以實現對電流場景的高校控制。

在實際應用中，高壓隔離電源的故障的具體內容如圖1所示。由圖1可知，主要故障類型可以分為以下幾類：運行卡澀，分合閘不靈敏，部件損壞，控制回路故障，導電回路發熱以及三相不同期等。運行卡澀多發生于傳動連桿、軸承、齒輪嚙合處等部位，主要產生的原因為機構的銹蝕、腐蝕以及缺少潤滑等。而分合閘不靈敏主要發生在導電臂以及觸頭等部位，主要是因為行程變化、異物、連桿變形等原因造成。而部件損壞多數發生于絕緣子、齒輪、彈簧、導電臂、觸頭等部位，主要是由于外力過大、材質以及設備形變等原因導致。控制回路故障多發生于接觸器、轉換開關等部位，而機構箱受損、節點氧化則是其主要的產生原因。導電回路發熱多發生于接線板、動靜觸頭以及軟連接處，主要產生原因為螺栓松動、大截面氧化以及阻值超標。而三相不同期主要發生在導電臂以及觸頭等位置。

圖1 高壓隔離開關主要故障分類

通過實際調查發現，高壓隔離開關的維修以及監測相對比較繁瑣，高壓隔離開關過熱會導致正常運行的高壓隔離開關開關出頭的彈簧的彈性降低。斷開后高壓隔離開關會被空氣包圍，形成氧化膜。而氧化膜上則會阻礙電流的正常流通，同時其上也會出現臟污，影響高壓隔離開關的正常使用。此外工作人員的不規范操作也會使高壓隔離開關的接觸面不能完全貼合，造成開關接觸不良等問題。

在大部分實際應用中，高壓隔離開關的故障檢測主要還是依賴于運行維護人員的日常巡視以及運行人員的自主分析。高壓隔離開關的檢測以及故障診斷并無一個明確的標準以及準則，同時也未能實現故障的智能化檢測[4-5]。使用傳統的故障以及狀態檢測方法對早起的隱患故障往往無法及時的發現，導致一旦發現問題即為十分嚴重的故障，往往會對供電的可靠性產生較大的影響。同時，在實際應用中，由于在日常運行中發生的氧化、銹蝕、臟污等現象，很容易導致高壓隔離開關發生異常發熱，導致嚴重的后果，因此在實際的高壓隔離開關檢修中，開關溫度問題往往是一個重點關注的問題，而在本研究中也將重點關注此類問題。

1.2 基于機器視覺的高壓開關紅外圖像識別

紅外測溫技術對高壓開關進行溫度檢測的一種常用的方法。所謂紅外測溫就是指利用紅外圖像采集裝置，將目標所輻射的紅外線用外信號通過一系列轉化成為紅外圖像[6]，其用于高壓開關測溫的具體實現原理如圖2所示。

圖2 高壓隔離開關紅外測溫基本原理

由圖2可知，首先高壓開關設備發出紅外輻射，紅外接收裝置會將紅外信號轉化為電信號，隨后在通過信號處理生成紅外圖像進行相關故障分析。與傳統的測溫技術相比，紅外測溫技術可以充分地對目標進行輻照，測量范圍較大，尤其是對于運動的物體以及熱容較小的物體具有良好的效果，其響應速度也較快，傳統接觸式測量的響應時間可能需要幾十秒至幾分鐘，而用紅外測量只需要2—3 s。

對采集到的紅外圖像進行智能化的識別以及提取是研究中的一種重點問題[7]。通常，在對高壓開關進行紅外測溫檢測時，紅外圖像中表征的特征信息往往由工程師憑借個人經驗進行評定，在實際使用時往往會存在著一定的誤差。大量的紅外圖像往往沒有標準化規范化的分類。更為重要的是，在實際應用中高壓開關的紅外圖像大多是根據熱像儀進行拍攝，但是由于熱像儀的角度、距離的而差異，會導致拍攝的圖片的參數不規范，影響后續使用，并且在使用時也會出現拍攝的并非為高壓開關的圖象。鑒于上述情況，需要使用相應的智能化技術對紅外圖像進行智能化的整理與分類，對高壓隔離開關的紅外測溫圖像進行深度的訓練，實現高壓隔離開關的異常故障檢測工作。

1.3 基于圖像分析的高壓隔離開關的設計

基于機器視覺的相關理念，對高壓隔離開關利用紅外圖像識別技術進行故障診斷。進行圖像識別的算法模型為YOLO v3智能算法模型。該模型是一種對目標圖像進行識別以及定位的模型，在運行過程中主要將輸入的圖片劃分為不同大小的網格，隨后在每個網格上通過檢測候選區域的方法識別出每個候選區域的類別概率以及坐標。YOLO v3模型的主要優點在于其較快的運行速度以及多尺度的目標檢測功能，也正是由于YOLO v3模型的相關優點使其十分適用于高壓隔離開關的故障檢測工作。Darknet53結構的YOLO v3模型框架如圖3所示。

圖3 YOLO v3模型框架

由圖3可知，這種網絡結構主要由5個殘差模塊組成，每個殘差模塊又由多個殘差單元組成，在系統中由2個數碼累積造型(DBL)單元進行殘差操作。DBL單元中主要包括卷積、批歸一化以及激活函數。

在對高壓隔離開關的紅外圖像進行識別時的具體目標檢測流程如圖4所示。

圖4 YOLO v3目標檢測方法

由圖4可知，在實際應用時，輸入的紅外圖像的參數為416×416×3，隨后進行一系列的卷積操作。在模型中，采用多個跳躍鏈接，此操作可使YOLO v3的收斂能力加快并且可以解決模型梯度消散的問題。其中，使用feature1，feature2以及feature3來進行回歸檢測。

同時，為進一步提高該模型的應用效果，解決在具體應用時由于干擾因素過多而導致的目標難以檢測等問題，本研究對YOLO v3模型進行了算法優化。主要進行了參數優化以及損失函數優化。

(1) 參數優化

在參數優化中主要使用的Momentum Optimizer算法。Momentum Optimizer算法中使用了超參數用來更新參數，參數更新如式(1)、式(2)：

pi=α1pi+g(μi-1)

(1)

μi=μi-1-βpi

(2)

式中，α1為超參數，β為學習率，學習率的初始值為0.001，μ為參數，g(μi-1)為損失函數的梯度。

(2) 損失函數優化

在本文中，YOLO v3的損失函數主要由置信度損失函數以及位置回歸損失函數2部分組成，具體內容如式(3)：

(3)

式中，L(c,x,y,w,h)為優化后的損失函數，M為匹配到目標區域內Default Box的數量，φ為調整Confidence loss以及Location loss的比例。

1.4 實驗環境

為實現YOLO v3模型的相關測試，本研究收集了560幅高壓隔離開關的紅外圖像作為數據集，使用LabelImg圖片標注工具對數據集進行標注，標記后的圖片按照.xmld4的形式進行儲存。本研究將560張高壓隔離開關圖片分為3個部分，分別為訓練集、測試集以及驗證集，訓練集圖片為350張，測試集圖片為100張，驗證集圖片為110張。

本研究進行模型檢測時采用的操作系統為Linux系統，系統平臺為Ubuntu，使用Python3.8系統中的TensorFlow模塊進行操作，計算機配置采用Intel Core i7處理器，GPU 型號為NVIDIA GeForce GXT 1050，系統內存為6 GB，硬盤容量為128 GB。

2 結果與討論

2.1 模型測試結果分析

研究主要針對模型的損失值(loss)以及交并比(Intersection over Union，IOU)進行了測試，具體內容如圖5所示。其中圖5(a)為該模型的損失值曲線，圖5(b)該模型的交并比曲線圖。

(a)

(b)

由圖5可知，在進行模型訓練時，隨著批次的逐漸增加，模型的損失值逐漸減小，在批次值為20 000時，損失值已基本降到了0.2左右，表明該模型在損失函數方面表現較好。而圖5(b)則表明了隨著批次的逐步增加，交并比的值逐漸趨向于1，表明預測的數據與標注的數據的越來越接近，檢測數據可以與實際目標較好的重合度。

2.2 優化效果分析

研究引入平均精度作為算法模型的而評價指標，研究主要分析研究了未優化的YOLO v3算法與優化后的YOLO v3算法模型對高壓隔離開關的設備異常發熱點檢測時的平均精度，具體結果如圖6所示。

圖6 未優化與優化后YOLO v3模型的平均精度。

由圖6可知，未優化的YOLO v3算法模型的平均精度為82.54%，而優化后的YOLO v3算法模型的平均精度為90.36%。結果表明，使用相關優化算法可以大幅提高YOLO v3模型的平均精度，該方法在高壓隔離開關中設備異常發熱點檢測時應用效果較好。

3 總結

本研究基于YOLO v3模型對高壓隔離開關紅外檢測圖像進行了圖像提取和精度檢測的操作，本研究具體結果如下。通過對模型的訓練以及檢測表明，隨著訓練次數的增加，模型的損失值逐漸減少，在批次值為20 000時，損失值則保持在0.2左右，而在模型的交并比值也逐漸趨向于1 ，表明該模型總體訓練結果良好。實際應用的結果表明，未優化的YOLO v3算法模型的平均精度為82.54%，優化后的YOLO v3算法模型的平均精度為90.36%，表明使用優化算法可以大幅度提高模型的精度。綜上所示，YOLO v3模型應用效果良好，適用于高壓隔離開關紅外圖像的檢測操作。但是，由于相關條件的制約，本研究僅針對YOLO v3算法模型進行了優化研究，在后續研究中，將繼續探究YOLO v3算法模型與其他圖像識別算法的對比分析，進行算法的融合與優化，進一步提高研究算法的精度以及實用價值。