[发明专利]一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法

权利要求书

1.一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法，其特征在于，该方法包括以下步骤：

(1)利用红外热像仪在工业环境中获取电力设备的多帧红外图像；

(2)针对获得的红外图像，读取图像中任意一条直线l上的温度值Y；

(3)针对步骤(1)中获得的图像，将其从RGB真彩图像转换为二维灰度图像，转换公式如下：

X＝0.299*R+0.587*G+0.114*B (1)

(4)以直线l上的灰度值X作为神经网络输入，温度值Y作为神经网络的输出值，构建BP神经网络模型来拟合灰度值和温度值之间的关系，从而根据灰度值得到整个红外图像的温度值；

(5)针对步骤(3)获得的二维灰度图像，对其进行基于阈值的图像分割，从而获得图像中的目标电气设备，其具体步骤如下：

(5.1)待分析区域的归一化直方图。令{0,1,...,L-1}表示大小为M*N像素的区域图像中的L个不同的灰度级，n_z表示灰度级为z的像素个数。区域图像中的像素总数为MN＝n₀+n₁+n₂+...+n_L-1，p_z＝n_z/MN表示该直方图中的灰度级为z的归一化频数,z＝0,1,2,...,L-1。

(5.2)对于u＝0,1,2,...,L-1，计算累计和P₁(u)，计算公式如下：

(5.3)对于u＝0,1,2,...,L-1，计算累计均值m(u)，计算公式如下：

(5.4)计算全局灰度均值m_G，计算公式如下：

(5.5)对于u＝0,1,2,...,L-1，计算类间方差计算公式如下：

(5.6)通过使得目标函数(5)取得最大值，得到Otsu阈值u^*，如果最大值不唯一，用检测到的各个最大值u的平均得到u^*；

(5.7)基于最佳阈值u^*利用如下公式对区域图像进行分割，得到分割后图像：

IM(x,y)为二维灰度图像中像素点(x,y)的灰度值。分割后像素点为1的像素点组成目标电气设备，取目标设备的最小邻接矩阵作为目标设备区域g(x,y)。

(6)针对步骤(5)中得到的目标设备区域g(x,y)，基于灰度共生矩阵，提取其空间特征，进而描述电气设备工作时其温度分布情况，其具体步骤如下：

(6.1)针对目标设备区域g(x,y)，在红外图像坐标系下，从四个方向计算其灰度共生矩阵D，四个方向与X轴的角度分别为：0°，45°,135°,180°。

P(i,j)＝#{f(x1,y1)＝i,f(x2,y2)＝j} (8)

其中#(·)表示集合中的元素个数,P(i,j)表示矩阵D中第i行第j列元素值；(x1,y1)(x2,y2)为图像区域g(x,y)中的任意两点，f(x,y)表示像素点(x,y)的像素值。

(6.2)针对步骤(6.1)中获得的灰度共生矩阵，可以计算4种纹理特征

Contrast测量像素和它的相邻像素点在整个图像上的强度对比度。Correlation是指像素在整个图像上与其相邻像素点的关系。Entropy表示图像中纹理的不均匀性或复杂程度。Energy在灰度共生矩阵中返回平方元素之和。u_i为共生矩阵中第i行的均值，u_j为共生矩阵中第j列的均值，σ_i为共生矩阵中第i行的方差，σ_j为共生矩阵中第j列的方差。

(7)针对步骤(5)中得到的目标电气设备图像区域g(x,y)，基于统计学习，提取其时序特征，具体步骤如下：

(7.1)针对目标电气设备图像区域g(x,y)，计算其温度均值μ，温度极大值max，温度极小值min，温度峰度值kurtosis和温度偏度值skewness，其中，

σ为目标电气设备图像区域中温度的方差，E为期望值。

(7.2)计算连续两帧图像中五个统计值的差值，作为温度时序变化特征；

(8)步骤(6)获得的4种纹理特征和步骤(7)中提取的时序变化特征构成时空特征F，将其作为宽度学习系统的输入，完成故障诊断与判别，具体步骤如下：

(8.1)将时空特征F经过线性映射和激活函数变换得到：

其中为映射节点的神经元权重系数，为映射节点的神经元偏差量；φ为映射节点的激活函数。将n次映射变化得到的映射节点记为：

Zⁿ＝[Z₁,Z₂,...,Z_n] (16)

(8.2)同理增强节点H_m由映射节点经过线性映射和激活函数变换得到：

其中为增强节点的神经元权重系数，为增强节点神经元偏差量；ξ为增强节点的激活函数。

(8.3)采用如下线性形式的宽度学习模型进行故障诊断：

其中，W^m是宽度学习系统的权重系数，通过训练得到；

当Y＝1时，表明设备发生故障，Y＝0时，表明没有故障。

2.根据权利要求1所述的方法，其特征在于，所述W^m的训练按照步骤1-8执行，当输入的样本为无故障的电力设备的多帧红外图像时，Y＝0，当输入的样本为有故障的电力设备的多帧红外图像时，Y＝1。