CN113239731A - 断路器热故障红外热像谱的图像数字特征提取方法 - Google Patents

Abstract

断路器热故障红外热像谱的图像数字特征提取方法属于电力设备故障监测与诊断技术领域。本发明在对图像预处理的基础上，提取图像中关键发热区域的最大温度值、故障区域面积与设备本体面积的占比、热点群聚现象及故障类型标签热属性值，构建多属性信息融合的过热性故障特征值向量。并将其嵌入到软件系统中，达到从自动采集到自动分析和特征提取的目的。有效替代传统的人工采集和人工提取相关特征进行故障诊断的方式，大大提升了采集效率和特征提取精度，为后续利用深度学习和人工智能算法提供良好、可靠的特征数据库。本发明对典型红外故障图谱具有良好的描述能力，可用于后续大量复杂故障样本情况下的设备热故障智能分类与诊断应用中。

Description

断路器热故障红外热像谱的图像数字特征提取方法

技术领域

本发明属于电力设备故障监测与诊断技术领域，特别是涉及到一种断路器热故障红外热像谱的图像数字特征提取方法。

背景技术

当前，国内外电力系统广泛采用红外技术，并结合人工识图的处理方法进行过热性故障诊断。近年来，随着电网设备数量不断增多，设备运维检修需求持续增大，红外图像人工识图处理方法已不能够满足电力设备大规模故障诊断的需求。且人工识图诊断结果还根据巡检人员的经验、专业素质和疲劳程度有所差异,容易导致误诊断。

随着高性能计算机技术、图像处理技术和人工智能技术的大力发展，通过高性能的计算机软件，运用人工智能图像处理算法进行红外热像图的智能化诊断与自动故障识别、检测，是解决上述问题行之有效的方法。而在电力大数据背景下，人工智能算法对数据的依赖性越来越大，虽然红外测温技术能够把图像数字化。但是，目前相关领域研究人员对其故障数字信息特征的挖掘和提取还不够全面准确，对关键发热区域的最大温度值、故障区域面积与设备本体面积的占比、热点群聚现象等关键性特征未进行提取及数字化研究，导致电力设备故障特征信息不全面，数字化表达程度不够高，无法满足智能识别算法的数据需求。

因此现有技术当中亟需要一种新型的技术方案来解决这一问题。

发明内容

本发明所要解决的技术问题是：提供一种断路器热故障红外热像谱的图像数字特征提取方法用于解决目前对断路器故障数字信息特征的挖掘和提取不够全面准确的技术问题。

断路器热故障红外热像谱的图像数字特征提取方法，包括以下步骤，并且以下步骤顺次进行，

步骤一、对采集的电力设备红外图谱进行预处理，

将采集的电力设备红外图谱利用形态学处理中的开闭二值化运算，利用0去除不可靠连接，再使用联通区域标记法，标记各联通区域的属性，然后根据返回测量图像区域的属性，获取选中连通区域外接矩形参数，最后利用选中的连通区域外接矩形，将三相电力设备分割为单相设备；

步骤二、获得电力设备故障诊断参数

利用既往的电力设备热故障特征，获得故障图谱中发热区域的最大温度值、故障区域面积与设备本体面积的占比、热点群聚现象及故障类型标签热属性值作为电力设备故障诊断参数；

步骤三、以断路器连接部位为分界点，对电力设备进行区域划分，获得电力设备非零灰度统计图谱和结构划分效果图；

步骤四、对电力设备热故障区域进行多属性信息融合的图像特征提取，并构建多属性信息融合的过热性故障特征值向量；

所述多属性信息包括故障图谱中发热区域的最大温度值、故障区域面积与设备本体面积的占比和热点群聚现象及故障类型标签热属性值；

步骤五、利用步骤四中构建的多属性信息融合的过热性故障特征值向量对实时采集的电力设备红外图谱进行热故障类型分析和特征提取。

所述步骤三中电力设备结构划分的具体方法为：

采用图像处理算法把背景区域像素置零，通过提取各相设备的非零灰度值数量与设备轴向位置构建灰度统计图谱，

对灰度统计图谱进行分析，找到极小值或极大值所在的点，即可得到设备的连接部位，以其为分界点，把设备划分为多个区域。

所述步骤四中多属性信息融合的过热性故障特征值向量为：

式中，W_N∈{1,2}分别代表故障类型中的电流致热型缺陷和电压致热型缺陷，T_N，1为灰度值与温度值之间的函数值，U_N，2为故障区域面积与设备本体面积的占比，V_N，3为热点群聚现象，即是一个设备同时发生多个故障的数量，N为热故障特征量的数量。

所述灰度值与温度值之间的函数用T_i表示为：

式中，T_max为红外图片温度的最大值，T_min为红外图片温度的最小值，T_i代表第i点对应的温度值，g_i代表第i点对应的灰度值。

所述故障区域面积与设备本体面积的占比公式如下：

其中，S₁为故障区域的面积，S₂为设备本体的面积。

通过上述设计方案，本发明可以带来如下有益效果：

本发明在对图像预处理的基础上，提取图像中关键发热区域的最大温度值、故障区域面积与设备本体面积的占比、热点群聚现象及故障类型标签热属性值，构建多属性信息融合的过热性故障特征值向量。并将其嵌入到软件系统中，达到从自动采集到自动分析和特征提取的目的。有效替代传统的人工采集和人工提取相关特征进行故障诊断的方式，大大提升了采集效率和特征提取精度，为后续利用深度学习和人工智能算法提供良好、可靠的特征数据库。本发明对典型红外故障图谱具有良好的描述能力，可用于后续大量复杂故障样本情况下的设备热故障智能分类与诊断应用中。

附图说明

以下结合附图和具体实施方式对本发明作进一步的说明：

图1是本发明断路器热故障红外热像谱的图像数字特征提取方法的流程框图；

图2是本发明断路器热故障红外热像谱的图像数字特征提取方法的实施例的图像前处理效果图；

图3是本发明断路器热故障红外热像谱的图像数字特征提取方法实施例的三相设备分割成单相设备效果图一；

图4是本发明断路器热故障红外热像谱的图像数字特征提取方法实施例的三相设备分割成单相设备效果图二；

图5是本发明断路器热故障红外热像谱的图像数字特征提取方法实施例的三相设备分割成单相设备效果图三；

图6是本发明断路器热故障红外热像谱的图像数字特征提取方法实施例的电力设备非零灰度统计图谱；

图7是本发明断路器热故障红外热像谱的图像数字特征提取方法实施例的结构划分效果图一；

图8是本发明断路器热故障红外热像谱的图像数字特征提取方法实施例的结构划分效果图二；

图9是本发明断路器热故障红外热像谱的图像数字特征提取方法实施例的结构划分效果图三；

图10是本发明断路器热故障红外热像谱的图像数字特征提取方法实施例的故障灰度图；

图11是本发明断路器热故障红外热像谱的图像数字特征提取方法实施例的分割出的故障区域图；

图12是本发明断路器热故障红外热像谱的图像数字特征提取系统的组成结构框图；

图13是本发明断路器热故障红外热像谱的图像数字特征提取系统的界面展示效果。

具体实施方式

为了进一步把该技术路线、意义和目的讲解清晰，下面例举出了本发明所公开的一些技术路线流程图和效果示意图，如图1至13所示。可以认为，此处描述的详细实施例仅用于解释本发明，不用来限制本发明。

如图所示，断路器热故障红外热像谱的图像数字特征提取方法，包括以下步骤：

1.对采集的电力设备红外图谱进行前处理；

2.电力设备热故障特征分析与挖掘，获得电力设备故障诊断参数；

3.电力设备结构划分；

4.对电力设备热故障区域进行多属性信息融合的图像特征提取，并构建多属性信息融合的过热性故障特征值向量；

5.热故障特征提取软件封装，达到从自动采集到自动分析和特征提取的目的。

其中，一、电力设备图像前处理主要包含：

优选地，首先利用0，去除不可靠连接和标记各联通区域的属性，然后根据返回测量图像区域的属性，获取选中连通区域外接矩形参数，最后将选中连通区域外接矩形，实现将三相电力设备分割为单相设备。

二、电力设备热故障特征分析与挖掘主要包含：

优选地，通过对大量电力设备故障图谱和《DL/T664-2016带电设备红外诊断应用规范》规范中，对电力设备故障诊断参数进行深入的分析研究，挖掘出图像中发热区域的最大温度值、故障区域面积与设备本体面积的占比、热点群聚现象及故障类型标签热属性值作为电力设备故障诊断参数。

三、电力设备结构划分主要包含：

优选地，通过对断路器外观结构特征进行研究分析，发现其在非零灰度统计图谱上呈现出一定的分布规律，主要体现在设备不同部位连接处，各行非零灰度值数量和相比连接部位上下行的数量和要小的多，从而在由行组与非零灰度值数量和所构成的非零灰度统计图谱中存在极小值或极大值。以连接部位为分界点，对电力设备进行区域划分。

四、对断路器热故障区域进行多属性信息融合的图像特征提取主要包含：

A.发热区域的最大温度值T提取包括：

优选(1)，采用扫描的方法，对划分出来的各区域进行全方位扫描，寻找出各区域的最大灰度值，再由灰度与温度值之间的函数关系，将其转换为对应的温度值。最后把得到的最大温度值与故障判断标准进行对比分析，确定其是否达到故障的标准及故障的程度。灰度值与温度值之间的函数关系如式(1-1)。

式中，T_max和T_min分别为红外图片温度的最大值和最小值，T_i和g_i分别代表第i点对应的温度和灰度值。

B.故障区域面积与设备本体面积的占比的提取，包括：

优选(1)，采用一种基于PCNN分层聚类迭代的故障区域自动提取方法，完成故障区域的分割；

优选(2)，故障区域的面积S₁，对分割出来的故障区域进行二值化处理，采用阶梯式扫描的方法遍历整张图像，计算出值为1的像素点和，故障区域的发热面积即为值为1的像素点和。

优选(3)，设备本体的面积S₂，在运用上述方法将三相设备分割为单相设备的情况下，对故障所在的单相进行二值化处理后，采用优选(2)中的方法即可获取设备本体的面积。通过(1-2)式即可得到故障区域面积与设备本体面积的占比。

C.热点群聚现象V的提取，包括：

所谓的热点群聚现象指的是当电力设备故障程度较为严重时，往往伴随着两处或者多处故障发生，同时随着故障所处的位置信息不同，导致它的故障类型等热故障特性存在很大的差异，所在红外图像中表征出来各式各样的故障光斑。因此，本发明为了对这种同时发生多个热故障特性进行描述，首次提出热点群聚现象特征来对故障程度进行补充描述，具体包括：

优选地(1)，当设备同时发生多个故障时，首先采用扫描的方法对各区域进行扫描，寻找到各区域的最大温度值，然后通过最大温度值与相应判定故障依据对比分析，判断是否存在故障及故障点的数量V，从而得出热点群聚现象特征。

优选地(2)，判断是否为故障点的判据为：

D.构建多属性信息融合的过热性故障特征值向量包含：

优选地，通过提取每一张红外图像中关键发热区域的最大温度值、故障区域面积与设备本体面积的占比、热点群聚现象及故障类型标签热属性值，构建基于多属性信息融合的过热性故障特征值向量，如(1-3)式。

式中，W_N∈{1,2}分别代表故障类型中的电流致热型缺陷和电压致热型缺陷，T_N，1为灰度值与温度值之间的函数值，U_N，2为故障区域面积与设备本体面积的占比，V_N，3为热点群聚现象，即是一个设备同时发生多个故障的数量，N为热故障特征量的数量。

五、热故障特征提取软件封装，包括：

优选地，本发明充分的对热故障关键特征进行挖掘分析，研制出了一套特征提取算法，并将其嵌入到软件系统中，达到从自动采集到自动分析和特征提取的目的。有效替代传统的人工采集和人工提取相关特征进行故障诊断的方式，大大提升了采集效率和特征提取精度，为后续利用深度学习和人工智能算法提供良好、可靠的特征数据库；

断路器热故障红外热像谱的图像数字特征提取系统，应用所述的断路器热故障红外热像谱的图像数字特征提取方法，优选地，该系统包括红外采集模块、WiFi无线传输模块、电脑接收端和故障特征提取模块，所述的红外图像采集模块是由红外测温传感器和智能移动平台小车组成并连接，所述的红外图像采集模块与WiFi无线传输模块连接，所述的WiFi无线传输模块与电脑接收端连接，所述的电脑接收端与故障特征提取模块连接；

优选地，所述故障特征提取系统模块包括：图像输入模块、图像处理模块、特征提取模块、显示模块和输出模块；

优选地，所述的特征提取模块包括：提取最大温度值单元、提取故障区域面积与设备本体面积的占比单元、提取热点群聚现象单元及人工交互故障类型标签单元；

优选地，显示模块包括：图像原图显示单元、图像处理效果单元；

优选地，所述的输出模块是把提取的所有特征量，利用数字向量的形式将其表现出来，形成热故障特征值向量。

实施例：

下面结合流程图和效果示意图对其进行详细说明。

图2是本发明实施例的图像前处理效果图。利用形态学处理中的开闭运算去除分割后的一些不可靠连接，对其进行二值化处理后，使用联通区域标记法，删除一些干扰区域。

图3至图5是本发明实施例的三相设备分割成单相设备效果。首先利用数字形态学和联通区域标记算法，去除不可靠连接和标记各联通区域的属性，然后根据返回测量图像区域的属性，获取选中连通区域外接矩形参数，最后将选中连通区域外接矩形，实现将三相电力设备分割为单相设备。

图6至图9是本发明实施例的电力设备非零灰度统计图谱和结构划分效果图，采用图像处理算法把背景区域像素置零，通过提取各相设备的非零灰度值数量和与设备轴向位置构建灰度统计图谱。对灰度统计图谱进行分析，找到极小值或极大值所在的点，即可得到设备的连接部位，以其为分界点，把设备划分为多个区域。

图10和图11是本发明实施例故障区域分割效果示意图，采用一种基于PCNN分层聚类迭代的故障区域自动提取方法，实现故障区域的分割，有效的避免过分割和欠分割问题。

图12是本发明实施例断路器热故障红外热像谱的图像数字特征提取系统的组成结构图。

优选地，所述故障特征提取系统包括：图像输入模块、图像处理模块、特征提取模块、显示模块和输出模块；

优选地，所述的特征提取模块包括：提取最大温度值单元、提取故障区域面积与设备本体面积的占比单元、提取热点群聚现象单元及人工交互故障类型标签单元；

优选地，显示模块包括：图像原图显示单元、图像处理效果单元；

优选地，所述的输出模块是把提取的所有特征量，利用数字向量的形式将其表现出来，形成热故障特征值向量。

图13是本发明实施例断路器热故障红外热像谱的图像数字特征提取系统的界面展示效果图。

优选地，把研究出的特征提取算法，使用MATLAB将其嵌入到软件系统中，达到从自动采集到自动分析和特征提取的目的。

Claims (5)

1.断路器热故障红外热像谱的图像数字特征提取方法，其特征是：包括以下步骤，并且以下步骤顺次进行，

步骤一、对采集的电力设备红外图谱进行预处理，

将采集的电力设备红外图谱利用形态学处理中的开闭二值化运算，利用0去除不可靠连接，再使用联通区域标记法，标记各联通区域的属性，然后根据返回测量图像区域的属性，获取选中连通区域外接矩形参数，最后利用选中的连通区域外接矩形，将三相电力设备分割为单相设备；

步骤二、获得电力设备故障诊断参数

利用既往的电力设备热故障特征，获得故障图谱中发热区域的最大温度值、故障区域面积与设备本体面积的占比、热点群聚现象及故障类型标签热属性值作为电力设备故障诊断参数；

步骤三、以断路器连接部位为分界点，对电力设备进行区域划分，获得电力设备非零灰度统计图谱和结构划分效果图；

步骤四、对电力设备热故障区域进行多属性信息融合的图像特征提取，并构建多属性信息融合的过热性故障特征值向量；

所述多属性信息包括故障图谱中发热区域的最大温度值、故障区域面积与设备本体面积的占比和热点群聚现象及故障类型标签热属性值；

步骤五、利用步骤四中构建的多属性信息融合的过热性故障特征值向量对实时采集的电力设备红外图谱进行热故障类型分析和特征提取。

2.根据权利要求1所述的断路器热故障红外热像谱的图像数字特征提取方法，其特征是：所述步骤三中电力设备结构划分的具体方法为：

采用图像处理算法把背景区域像素置零，通过提取各相设备的非零灰度值数量与设备轴向位置构建灰度统计图谱，

对灰度统计图谱进行分析，找到极小值或极大值所在的点，即可得到设备的连接部位，以其为分界点，把设备划分为多个区域。

3.根据权利要求1所述的断路器热故障红外热像谱的图像数字特征提取方法，其特征是：所述步骤四中多属性信息融合的过热性故障特征值向量为：

式中，W_N∈{1,2}分别代表故障类型中的电流致热型缺陷和电压致热型缺陷，T_N，1为灰度值与温度值之间的函数值，U_N，2为故障区域面积与设备本体面积的占比，V_N，3为热点群聚现象，即是一个设备同时发生多个故障的数量，N为热故障特征量的数量。

4.根据权利要求3所述的断路器热故障红外热像谱的图像数字特征提取方法，其特征是：所述灰度值与温度值之间的函数用T_i表示为：

式中，T_max为红外图片温度的最大值，T_min为红外图片温度的最小值，T_i代表第i点对应的温度值，g_i代表第i点对应的灰度值。

5.根据权利要求3所述的断路器热故障红外热像谱的图像数字特征提取方法，其特征是：所述故障区域面积与设备本体面积的占比公式如下：

其中，S₁为故障区域的面积，S₂为设备本体的面积。

Images