[发明专利]一种基于红外热像的电气设备故障诊断方法

摘要

本发明公开了一种基于红外热像的电气设备故障诊断方法，包括：输入采集的电气设备红外热像图；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；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；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。本发明有益效果：引入OTSU分割，提取温度特征和Zernike矩参数，经GA‑BP神经网络对电气设备进行故障诊断，效果显著，可针对不同的电气设备热缺陷进行诊断处理，有利于变电站的智能化运行，提高检测的准确性。

主权项

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，ni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Pi＝ni/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tmax、平均温度值tmean、背景温度值tB、温度分布方差tvar，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Pc、变异概率为Pm；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)＝∑∑(Yk‑Tk)2式中，i为染色体个数；k为输出层节点数；Yk为实际输出值；Tk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fi＝1/E(i) fmax＝max{fi}其中，E(i)是网络的实际输出与期望输出的误差平方和，fi为染色体个数为i时，E(i)的倒数，fmax是fi中的最大值；e)将适应度为fmax的个体对应的权值、阈值记为初始权值A1，若fmax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fmax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，[Vpq(r,θ)]*是Vpq(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，Apq是红外图像的p阶q重的Zernike矩，m00为红外热像的面积。