基于邊緣計算的大中型泵站電氣設備故障紅外圖像識別

闞永庚，邵 莉，孫明權，闞建業

(1.江蘇省江都水利工程管理處，江蘇 揚州 225200；2.江蘇水利投資開發有限公司，江蘇 南京 210029；3.江蘇省水利科教中心，江蘇 南京 210029；4.揚州職業大學，江蘇 揚州 225009)

電氣設備作為動力能源的主要載體，在日常的生產生活中起到了較為重要的作用，設備的持續運行是人們生活的重要保證。但隨著電氣設備工作年限問題以及工作環境條件較差等因素的影響，使得電氣設備在運行的過程中存在一定的故障隱患，如果這些問題沒有被及時發現都會導致電氣設備出現過熱的問題，危害設備運行安全[1]。嚴重故障將導致整個電力系統出現癱瘓，造成經濟損失，并提高電氣設備日常運維的費用，甚至危害工作人員的人身安全。因此，對電氣設備進行定期檢測是避免大中型泵站產生不必要損失的主要途徑。

隨著科學技術的高速發展，紅外線技術逐漸應用到各類設備的故障診斷工作中，彰顯著其巨大的應用潛力。紅外技術能夠在設備不停運、正常運行的條件下快速的完成設備檢測。在以往的研究中，大量的專家學者提出了一系列大中型泵站電氣設備故障紅外圖像識別方法，部分方法在一定程度上提升了電氣設備故障的識別效果，但此部分方法存在大中型號變壓器以及電動機碳刷等設備故障識別精度較差，導致故障識別準確性不佳的問題[2-3]。針對此問題，本研究中提出基于邊緣計算的大中型泵站電氣設備故障紅外圖像識別方法，力求改善當前電氣設備故障識別中的問題。

1 大中型泵站電氣設備故障邊緣計算環節設定

1.1 電氣設備故障邊緣計算設備優化

通過文獻研究發現，邊緣計算是一種分散式運算，通過獲取物理數據邊緣的方式對數據進行計算、傳輸以及分析，使圖像或數據處理過程更為便捷，進一步節約計算資源。常見的紅外圖像采集設備均為單一設備圖像采集較為分散，在故障識別過程中存在相應的難度。文獻研究結果表明，電氣設備故障紅外圖像識別的基礎為高質量的紅外圖像。如果想提升識別準確性與精度，需要從根源解決圖像質量問題[4]。在比對多種紅外圖像采集設備后，此次研究中將構建針對大中型泵站電氣設備的紅外成像系統，使用其獲取原始圖像以供后續圖像處理分析。

根據熱力學基本定律，完成電氣設備紅外圖像采集環節。根據大中型泵站電氣設備工作環境與運行特征，構建紅外成像系統應用到此次研究中。在對大量紅外設備進行分析后，將此系統的組成部分設定為紅外光學系統、紅外探測器以及信號處理器3部分。使用下述2類成像技術獲取電氣設備的紅外圖像。

(1)近焦平面探測器成像技術，以光機掃描設備作為基礎，直接獲取設備圖像；

(2)遠焦平面探測器成像技術，以探測器前端設備作為基礎，分別獲取設備元件圖像，并將其組合成全景圖像。

按照普朗克定律，對電氣設備進行紅外圖像采集，圖像紅外圖像生成定律設定如下：

(1)

式中，D—電氣設備發射的電磁輻射率；q1D—普朗克第一輻射常數；q2D—普朗克第二輻射常數；βD—電磁輻射發射角度。

對上述內容進行整理，將公式(1)應用到紅外成像系統中，并使用其獲取原始電氣設備紅外圖像。

1.2 構建電氣設備故障邊緣計算模型

隨著物聯網技術的高速發展，電氣設備紅外診斷逐漸智能化發展，紅外圖像采集設備每天都會產生大量的圖像信息。應用云計算對此部分數據進行分析遇到了困難，因此在此次研究中使用邊緣計算環節完成圖形的計算處理過程。通過構建邊緣計算模型，在紅外圖像采集系統搭建新的軟件環境，使其可以直接對部分紅外圖像數據進行處理。與此同時，在其中增加云計算模塊，對此系統終端產生的數據進行處理。將邊緣計算模型結構設定如圖1所示。

圖1 邊緣計算模型基礎結構示意圖

在此模型的基礎上，對采集到的紅外圖像進行調用，并應用紅外圖像處理結果，完成故障的識別與分析。根據邊緣計算要求，將電氣設備故障診斷過程設定如下。

假設紅外圖像的采樣時間間隔為T，紅外圖像采樣總數為N，連續紅外信號d(t)的離散采樣序列d(ηt)，則連續紅外信號d(t)的傅立葉變換可表示為：

(2)

式中，n—采樣點序號。

應用公式(2)完成傅立葉變換循環計算，直至獲取故障紅外圖像分量。對上述設定內容進行整理，將其作為此次電氣設備故障紅外圖像識別的基礎。

2 大中型泵站電氣設備故障紅外圖像識別方法設計

2.1 電氣設備紅外圖像增強處理

電氣設備紅外圖像在生成、傳輸以及處理的過程中，不可避免地會受到設備以及外界因素的干擾，導致圖像中夾帶著大量的噪聲，出現圖像模糊、質量下降的問題[5]。因此需要對采集得到的原始圖像進行增強處理。對比多種圖像增強方法后，此次研究中選擇高密度脈沖噪聲圖像去噪方法完成圖像增強處理。經過大量的圖像分析發現，離散脈沖噪聲是影響圖像質量最為嚴重的因素之一。脈沖噪聲多為下述形式：

(3)

如果e>f，灰度值e將以亮點的形式在紅外圖像中出現，同時f將成為圖像的暗點。當ae取值為0且af取值為0時，此時的脈沖噪聲被稱為單極脈沖噪聲。但當上述2數據取值結果較為接近且不相同時，圖像中的脈沖噪聲被稱為雙極脈沖噪聲。利用像素同齡組平均原理實現圖像增強，針對灰度值位于0～255之間的可能為脈沖的像素點進行處理。當脈沖過大時，借鑒PGA思想，對圖像中全部在指定區間內的像素點進行檢索。選擇合適的像素點作為中心點，構建像素點分析窗口。在此窗口對像素點進行判別，確定像素點是否為噪聲點，若此點為噪聲點，則剔除此像素點，完成圖像增強工作。上述圖像處理環節完成后，對圖像進行小波變換處理，進一步去除圖像中的噪聲。完成上述圖像處理環節后，匯總電氣設備圖像，將其作為后續處理環節的圖像基礎。

2.2 電氣設備故障識別與分析

在上文設定環節的基礎上，應用處理后的圖像實現電氣設備故障紅外圖像的識別。但實際的電氣設備故障分為多種類型，采用一種識別方法是無法對全部設備故障進行識別分析的[6]，為此，在此環節中對不同類型的電氣設備故障進行細化分析。將邊緣計算模型作為基礎，利用云計算技術實現多種數據的同期處理，并將處理結果與紅外圖像分析結果融合處理，有效檢測出不同種類的故障。在此次研究中，將不同類型的電氣設備故障識別流程設定如圖2所示。

圖2 不同類型電氣設備故障識別流程

根據圖2所示內容，將電氣設備故障識別結構的節點設定為星形拓撲結構，在每個節點中安裝不同的檢測設備與識別設備，應用此部分設備獲取電氣設備運行信息，按照文中設定方法完成故障識別工作。為保證故障識別具有較高的可靠性，此次研究中增加識別結果修正環節，以此提取高質量識別結果。對上文中內容進行整理，將各個環節有序連接，至此，基于邊緣計算的大中型泵站電氣設備故障紅外圖像識別方法設計完成。

3 實驗論證分析

為驗證此次研究中提出的基于邊緣計算的大中型泵站電氣設備故障紅外圖像識別方法對紅外圖像的識別效果，選取1080×1080的大中型泵站故障電氣設備CT圖像，在Matlab環境中進行識別實驗，確定文中方法的圖像識別能力。

3.1 實驗準備

此次實驗中，選擇大中型號變壓器及其電動機碳刷作為實驗對象。根據當前實驗要求，選定三相干式隔離變壓器作為實驗對象。此設備運行參數設定如下：電壓比：380/220；工作溫度：-15～+45℃；輸入電壓：380V；額定電壓：380V；輸入頻率：50Hz。應用紅外成像系統獲取此設備運行圖像。在獲取真實運行圖像后，在此部分圖像中增加1組大中型號變壓器故障紅外圖像(故障1)以及電動機碳刷故障紅外圖像(故障2)，并將此部分圖像劃分為7組，每組中均含有故障圖像，具體圖像劃分結果見表1。

表1 電氣設備實驗圖像劃分 單位：張

選取文中方法、機器學習識別方法以及機器視覺識別方法對實驗圖像組中的圖像進行識別分析，以此獲取不同方法的應用效果，實現對文中方法應用效果的判定。

3.2 電氣設備故障識別精度實驗分析

對實驗結果進行分析可以看出，文中方法的故障識別精度相對較高，應用其可得到較為準確的電氣設備故障識別結果，見表2。與文中方法相比，剩余2種實驗方法的應用效果相對較差。此實驗結果表明：文中方法在應用邊緣技術后進一步提升了故障識別精度，此紅外圖像識別結果可為電氣故障的診斷與維護提供有效信息，縮短故障搶修時間。

表2 電氣設備故障識別精度實驗結果 單位：%

3.3 電氣設備故障類型識別準確性實驗分析

文中方法與其他兩種識別方法對不同類型的電氣設備故障識別準確性存在較大的差異，見表3。文中方法對2種故障識別的準確率均高于機器學習方法與機器視覺方法。說明此方法對于不同類型故障的敏感性相對較高，應用此方法可對電氣設備故障進行針對性控制。整理上述2部分實驗結果可知，文中方法的故障診斷能力與故障分析能力均優于其他兩種方法。

表3 電氣設備故障類型識別準確性實驗結果 單位：%

4 結語

針對當前大中型泵站電氣設備故障紅外圖像識別過程中存在的問題，此次研究中對故障類別識別準確性不佳的問題進行了優化。將邊緣計算應用到故障識別中，進一步提升了識別結果的可靠性。在日后的研究中，應將云計算技術等其他技術應用到電氣設備的運維管理中，以此保證大中型泵站運行的安全性。