[發(fā)明專利]一種基于紅外成像的帶電設備故障智能診斷方法

有效

• 申請?zhí)枺?/td>: 202010414364.X
• 申請日: 2020-05-15
• 公開（公告）號: CN111624229B
• 公開（公告）日: 2023-03-17
• 發(fā)明（設計）人: 洪曉燕;路瑤;柯杰;周迅;周剛;沈中元;雷振;郭建峰;黃杰;吳侃;張金玉
• 申請（專利權）人: 嘉興恒創(chuàng)電力設計研究院有限公司明繪分公司;國網浙江省電力有限公司嘉興供電公司
• 主分類號: G01N25/72
• 分類號: G01N25/72
• 代理公司: 杭州杭誠專利事務所有限公司 33109
• 代理人: 尉偉敏

1.一種基于紅外成像的帶電設備故障智能診斷方法，其特征在于包括下列步驟：

S1、定點、定向、定位采集帶電設備的待測對象的紅外熱像圖，并記錄每張紅外熱像圖所對應的采集位置，所述的采集位置為定點、定向、定位采集紅外熱像圖的位置；

S2、對步驟S1中所采集的紅外熱像圖進行邊緣提取透明化處理，建立圖像模型并保存在圖像模型庫中；

S3、對步驟S2圖像模型庫中的圖像模型進行關聯(lián)，關聯(lián)內容包括圖像模型所對應的待測對象名稱以及待測對象各部件名稱；

S4、根據任務列表依次采集待測對象的紅外熱像圖，并將采集到的紅外熱像圖上傳至診斷系統(tǒng)；

S5、診斷系統(tǒng)對步驟S4中的紅外熱像圖進行故障診斷，獲取待測對象的故障信息：識別待測對象各部件的致熱缺陷類型，根據所述致熱缺陷類型，選擇相應的溫度缺陷分析方法對待測對象各部件進行溫度缺陷分析；

所述步驟S5包括下列步驟：

S51、根據被測對象的名稱以及被測對象各部件的名稱識別對象各部件的致熱缺陷類型，若致熱缺陷類型為電流致熱型，則執(zhí)行步驟S52～S54，若致熱缺陷類型為電壓致熱型，則依次執(zhí)行步驟S52、S53和S55；

S52、用分析框框取紅外熱像圖中的被測對象部件的發(fā)熱區(qū)域，分析計算分析框內的最高溫度或平均溫度；

S53、結合紅外熱像圖拍攝時刻的負荷、風速、環(huán)境參數對步驟S52所獲取的最高溫度或平均溫度進行修正；

S54、選擇被測對象部件相對應的溫度缺陷評判標準，將步驟S53中獲取的修正溫度與設定的溫度閾值進行比對，判斷溫度的缺陷性質，其中溫度的缺陷性質分為四種：無缺陷、一般缺陷、嚴重缺陷和緊急缺陷；

S55、選擇被測對象部件相對應的溫度缺陷評判標準，將步驟S53中獲取的修正溫度與被測對象部件的同類的溫度進行比對，判斷溫度的缺陷性質，其中溫度的缺陷性質分為四種：無缺陷、一般缺陷、嚴重缺陷和緊急缺陷。

2.根據權利要求1所述的一種基于紅外成像的帶電設備故障智能診斷方法，其特征在于所述步驟S2包括下列步驟：

S21、邊緣提取處理步驟S1中采集的紅外熱像圖：

選定紅外熱像圖中被測對象的區(qū)域，根據預設的閾值對被選定的紅外熱像圖中被測對象的區(qū)域圖像做二值化處理；

二值化處理后使用雙閾值邊緣提取方法實現(xiàn)邊緣選取，在高閾值圖像中把邊緣連接成輪廓，使得整個圖像邊緣閉合；

S22、對步驟S21中經過邊緣提取處理的紅外熱像圖進行矢量化處理，生成矢量圖；

S23、對矢量圖進行透明化處理，建立圖像模型并保存在圖像模型庫中，其中圖像模型輪廓內外的像素做全透明處理，模型圖輪廓的像素做半透明處理。

3.根據權利要求1所述的一種基于紅外成像的帶電設備故障智能診斷方法，其特征在于所述步驟S4包括下列步驟：

S41、選擇熱像裝置的任務模式，熱像裝置根據巡檢需求生成任務列表；

S42、選擇熱像裝置的巡檢模式，熱像裝置根據任務列表中的任務次序前往待測對象所對應的采集位置；

S43、熱像裝置到達采集位置后，熱像裝置的主界面顯示實時的紅外熱像圖，待測對象所對應的圖像模型自動疊加在紅外熱像圖中；

S44、微調熱像裝置，檢測到待測對象的紅外熱像圖與待測對象所對應的圖像模型匹配后，自動凍結紅外熱圖像并保存紅外熱像圖以及紅外熱像圖的拍攝時間；

S45、重復步驟S43～S44，完成任務列表中所有待測對象的紅外熱像圖采集，并將所有采集到的紅外熱像圖上傳至診斷系統(tǒng)。

4.根據權利要求3所述的一種基于紅外成像的帶電設備故障智能診斷方法，其特征在于所述步驟S44中的檢測到待測對象的紅外熱像圖與待測對象所對應的圖像模型匹配具體包括：

在待測對象所對應的圖像模型上設置多個特征點，計算圖像模型上的特征點與待測對象的紅外熱像圖上相對應的特征點之間的距離，分別記作L₁，L₂，……L_i；

求取上述距離的平均值

若平均值則檢測到待測對象的紅外熱像圖與待測對象所對應的圖像模型相匹配，反之，則不匹配，其中l(wèi)為待測對象所對應的圖像模型的最小接矩形的周長。