[发明专利]一种基于红外热像的电气设备故障诊断方法

权利要求书

1.一种基于红外热像的电气设备故障诊断方法，其特征是，包括以下步骤：

(1)输入采集的电气设备红外热像图；

(2)对红外热像图像进行灰度化处理，运用OTSU法对灰度化后的电气设备红外热像图进行分割处理；

所述步骤(2)的具体方法为：

1)首先将红外热像进行灰度化处理，假设灰度图像的灰度级范围为[0，L-1]，像素个数为N，n_i表示灰度级为i的像素个数；

2)灰度为i的像素出现的概率为P_i＝n_i/N，使用阈值t将图像灰度级划分为C₀和C₁两类：C₀＝(0，1，2…，t)；C₁＝(t+1，t+2，…，L-1)；

3)分别计算C₀和C₁出现的概率、灰度均值以及类间方差；

4)当类间方差为最大值时，前景和背景的差异最大，达到最小误判概率，视为最佳阈值分割；最佳阈值的表达式为：

其中，ω₀、ω₁分别为C₀和C₁出现的概率，μ₀、μ₁分别为C₀和C₁的灰度值；

(3)提取分割后的红外热像的特征参数作为GA-BP神经网络的输入参数并对GA-BP神经网络进行训练；

提取12个特征参数值作为GA-BP神经网络的输入参数；包含4个温度特征参数：变电站设备红外热像中区域温度最大值t_max、平均温度值t_mean、背景温度值t_B、温度分布方差t_var，以及8个Zernike矩特征参数；

(4)运用训练好的GA-BP神经网络对电气设备进行热缺陷诊断，输出诊断结果；

具体方法为：

a)将大量的分割后电气设备红外热像数据，输入BP神经网络模型训练，得到初始的BP神经网络中的权值和阈值；

b)对获得的BP神经网络权值和阈值进行编码；设定遗传算法的种群规模为P、遗传算法的交叉概率为P_c、变异概率为P_m；

c)设定GA-BP神经网络的目标函数，网络的实际输出与期望输出的误差平方和

E(i)＝∑∑(Y_k-T_k)²

式中，i为染色体个数；k为输出层节点数；Y_k为实际输出值；T_k为期望输出值；

d)由E(i)的值判断是否进行进化计算，每个个体的适应值为

f_i＝1/E(i) f_max＝max{f_i}

其中，E(i)是网络的实际输出与期望输出的误差平方和，f_i为染色体个数为i时，E(i)的倒数，f_max是f_i中的最大值；

e)将适应度为f_max的个体对应的权值、阈值记为初始权值A₁，若f_max大于设置参数，则转向步骤i)，否则进行步骤f)；

f)将初始权值A₁反向传播经过GA-BP神经网络的隐含层，直至输入层，求出各层神经元的误差信号；对初始权值A₁进行调整并记为A₂；

g)将染色体进行选择复制、交叉、变异遗传操作，产生新的一代种群；

h)从新一代群体和父代中选出P个适应度高的个体形成新的群体，进行步骤d)；

i)对适应值为f_max的个体进行译码，得到GA-BP神经网络的权值和阈值，并保存；

j)将采集的待诊断数据输入优化后的GA-BP神经网络模型进行故障诊断；

定义函数f(x,y)的p阶q重的Zernike矩为：

其中，[V_pq(r,θ)]^*是V_pq(r,θ)的共轭，r为半径，θ为相角；

对于离散的红外图像的p阶q重的Zernike矩为：

针对图像的尺度变化，直接对图像进行尺度归一化，得到Zernike矩为：

其中，A_pq是红外图像的p阶q重的Zernike矩，m₀₀为红外热像的面积。