基于RBF神经网络的劣化绝缘子红外图像智能诊断

引言

绝缘子放电除了会产生脉冲电流信号外,还会向外辐射声、光、电磁波等多种特征信号。理论上来说,只要能够探测到这些信号,就能实现绝缘子的放电检测。

红外成像检测具备不接触、不停电等众多优势,已被越来越多地应用于变电运检及单位科研工作中。同时,国内外学者与专家对红外成像技术在绝缘子故障检测中的应用以及图像诊断方法进行了广泛研究与探索。

1劣化绝缘子红外热像诊断原理分析

1.1红外热像仪的架构与工作原理

被测物体的红外辐射通过光学系统汇聚、滤波、聚焦后,经机械扫描系统将聚焦后的红外辐射按时间顺序排列,传输到红外探测器上转换为电信号,在信号处理之后传送至显示器或存储器中储存。

1.2劣化绝缘子的红外热像特点

红外辐射在传播过程中,能量容易发生衰减,红外热像仪能够检测到的红外信号往往较弱。热成像系统的空间分辨率及探测能力均低于可见光,红外热像整体效果较模糊,图像边缘不够清晰,对比度较低。

红外热像在成像过程中容易被外界环境干扰,在将光信号转换为电信号的过程中,噪声信号会混入原始信号中,导致最后形成的红外热像对比度较低,整体效果较模糊,且存在噪声。红外热像一般偏暗,目标图像与背景对比度较低,目标边缘模糊,直方图的灰度值比较集中。

为了对劣化绝缘子进行准确检测,需对红外图像进行处理使其变得清晰,增大信噪比,增强对比度,优化绝缘子红外热像,进行图像特征提取及识别,并对劣化绝缘子进行诊断分析。

2劣化绝缘子红外图像去噪与图像增强

绝缘子红外图像中的噪声信号主要由椒盐噪声组成。对于椒盐噪声通常采用中值滤波算法进行滤除。

2.1中值滤波算法

中值滤波算法选取一个以某像素点为中心点的邻域,遍历该邻域中的灰度值并进行排序,将原灰度值用排序后的中间值替换。每替换完一点,滤波窗口就继续变换位置,直到完成整个图像的替换处理,从而实现图像的平滑滤波。

将中值滤波算法推广至二维空间即标准中值滤波算法。该算法在图像滤波处理中有较好的表现,但对于复杂的图像处理,仍存在许多不足。

2.2自适应中值滤波

自适应中值滤波算法有效结合了三态中值滤波算法中的判断条件以及原窗口中心元素排序后的位置,并加入了阈值7作为判断条件。

2.3去噪效果实验分析

对绝缘子串的红外检测图像进行灰度化处理后,在图像中混入椒盐噪声,分别通过标准中值滤波和自适应中值滤波算法对其进行去噪处理,实验结果如图1所示。

从图1可以看出,采用自适应中值滤波算法对绝缘子红外图像进行去噪,可以获得更理想的去噪效果。

2.4直方图均衡化处理

直方图通过数学语言描述图像灰度值的统计特性,横坐标表示图像中各个像素点的灰度级,纵坐标表示各个灰度级上对应的像素值出现的次数或者概率。直方图均衡化处理效果如图2所示。

从图2可以看出,经均衡化处理后的灰度直方图分布更加均匀,原去噪后的图像视觉效果得到明显增强。

3基于RBF神经网络的劣化绝缘子智能识别

3.1红外图像特征提取

在进行绝缘子的图像特征提取时,应尽可能避免外界条件因素的干扰,减少不同红外热像仪等检测设备间存在的差异。在不同污秽程度条件下,劣化绝缘子与正常绝缘子的表面温差不尽相同,在训练时需提取不同污秽等级的劣化绝缘子和正常绝缘子的图像特征,从而优化识别模型,并提高检测精度。

3.2劣化绝缘子的红外图像分类

理想条件下,RBF神经网络的输出可分为正常绝缘子与劣化绝缘子。实际情况中,需将绝缘子串的红外图像分为以下4类,作为RBF神经网络的输出,从而提升神经网络的适用性。

(1）正常无劣化绝缘子串:

（2）绝缘性能完全丧失的零值绝缘子串:

（3）表现出一片或者多片绝缘性能失效,但实际为正常绝缘子串:

（4）有两片或两片以上绝缘性能失效,但实际只有一片存在问题。

3.3模拟实验及其结果分析

选取来自0、I、II、III和IV级污区的50片xP-70型自然污秽绝缘子,每级污区分别随机选取10片。经检测,其ESDD均值分别为0.02mg/cm2、0.05mg/cm2、0.10mg/cm2、0.19mg/cm2以及0.32mg/cm2。污区的相对湿度范围为40%～90%、环境温度范围为16～36℃。实验在3m×3m×3m的人工气候室内进行,在模拟导体和地面之间并联悬挂一组xP-70污秽绝缘子,污秽等级依次为0～IV级。

实验接线原理如图3所示,其中R为20K电阻,用以测量泄漏电流,w为SU7150L0409型放电管,起到保护作用,接入的电源经调压器与变压器后输出,加至xP-70型绝缘子两端。绝缘子串每串由10片绝缘子构成,输出电压等级为110kV、频率为工频50Hz。实验检测所得的绝缘子红外图像依次进行图像去噪、otSu法阈值分割与特征提取,提取出每串绝缘子的温度特征参数、环境温度、相对湿度以及ESDD等10个特征量,共计1500个特征参数,以其中1000个数据作为实验搭建的RBF神经网络的训练数据,另外的500个数据作为训练后的测试数据。

按照RBF神经网络训练方法,对劣化绝缘子识别模型进行训练与测试,仿真结果表明,RBF神经网络的训练与识别速度很快,训练数据的识别率为100%,测试数据的识别率为96%。部分训练样本数据如表1所示,部分测试数据及测试结果如表2所示。其中,期望输出和实际输出的1、2、3、4,分别对应于前面3.2中提到的4种类型的绝缘子串。

实验对于每个污秽等级10组共50组测试数据的预测结果中,有2组数据的实际输出与期望输出不一致,分别为表2中的第3组与第10组。导致神经网络误判的主要原因有多个。其一,相对湿度较低时,绝缘子表面污秽较为干燥,导致其电阻较大,泄漏电流较小,绝缘子发热不明显,与正常绝缘子表面温差很小,这种情况对应于第3组数据:其二,相对湿度较大时,绝缘子表面污秽层充分受潮,部分正常绝缘子绝缘电阻较小,正常绝缘子也有可能表现出劣化绝缘子的特征,导致误检,这种情况对应于第10组数据。整体而言,RBF神经网络在劣化绝缘子识别的应用中准确度较高,识别效果良好。

4结语

本文采用红外热像诊断方法,对运行在高压输变电线路上的劣化绝缘子进行了图像诊断。首先对劣化绝缘子的红外热像诊断原理进行了分析,阐述了劣化绝缘子红外热像的基本特点,然后研究了绝缘子红外检测图像去噪与图像增强方法,最后通过RBF神经网络实现了劣化绝缘子的红外图像智能识别与诊断。