基于边缘计算的大中型泵站电气设备故障红外图像识别

阚永庚，邵 莉，孙明权，阚建业

(1.江苏省江都水利工程管理处，江苏 扬州 225200；2.江苏水利投资开发有限公司，江苏 南京 210029；3.江苏省水利科教中心，江苏 南京 210029；4.扬州职业大学，江苏 扬州 225009)

电气设备作为动力能源的主要载体，在日常的生产生活中起到了较为重要的作用，设备的持续运行是人们生活的重要保证。但随着电气设备工作年限问题以及工作环境条件较差等因素的影响，使得电气设备在运行的过程中存在一定的故障隐患，如果这些问题没有被及时发现都会导致电气设备出现过热的问题，危害设备运行安全[1]。严重故障将导致整个电力系统出现瘫痪，造成经济损失，并提高电气设备日常运维的费用，甚至危害工作人员的人身安全。因此，对电气设备进行定期检测是避免大中型泵站产生不必要损失的主要途径。

随着科学技术的高速发展，红外线技术逐渐应用到各类设备的故障诊断工作中，彰显着其巨大的应用潜力。红外技术能够在设备不停运、正常运行的条件下快速的完成设备检测。在以往的研究中，大量的专家学者提出了一系列大中型泵站电气设备故障红外图像识别方法，部分方法在一定程度上提升了电气设备故障的识别效果，但此部分方法存在大中型号变压器以及电动机碳刷等设备故障识别精度较差，导致故障识别准确性不佳的问题[2-3]。针对此问题，本研究中提出基于边缘计算的大中型泵站电气设备故障红外图像识别方法，力求改善当前电气设备故障识别中的问题。

1 大中型泵站电气设备故障边缘计算环节设定

1.1 电气设备故障边缘计算设备优化

通过文献研究发现，边缘计算是一种分散式运算，通过获取物理数据边缘的方式对数据进行计算、传输以及分析，使图像或数据处理过程更为便捷，进一步节约计算资源。常见的红外图像采集设备均为单一设备图像采集较为分散，在故障识别过程中存在相应的难度。文献研究结果表明，电气设备故障红外图像识别的基础为高质量的红外图像。如果想提升识别准确性与精度，需要从根源解决图像质量问题[4]。在比对多种红外图像采集设备后，此次研究中将构建针对大中型泵站电气设备的红外成像系统，使用其获取原始图像以供后续图像处理分析。

根据热力学基本定律，完成电气设备红外图像采集环节。根据大中型泵站电气设备工作环境与运行特征，构建红外成像系统应用到此次研究中。在对大量红外设备进行分析后，将此系统的组成部分设定为红外光学系统、红外探测器以及信号处理器3部分。使用下述2类成像技术获取电气设备的红外图像。

(1)近焦平面探测器成像技术，以光机扫描设备作为基础，直接获取设备图像；

(2)远焦平面探测器成像技术，以探测器前端设备作为基础，分别获取设备元件图像，并将其组合成全景图像。

按照普朗克定律，对电气设备进行红外图像采集，图像红外图像生成定律设定如下：

(1)

式中，D—电气设备发射的电磁辐射率；q1D—普朗克第一辐射常数；q2D—普朗克第二辐射常数；βD—电磁辐射发射角度。

对上述内容进行整理，将公式(1)应用到红外成像系统中，并使用其获取原始电气设备红外图像。

1.2 构建电气设备故障边缘计算模型

随着物联网技术的高速发展，电气设备红外诊断逐渐智能化发展，红外图像采集设备每天都会产生大量的图像信息。应用云计算对此部分数据进行分析遇到了困难，因此在此次研究中使用边缘计算环节完成图形的计算处理过程。通过构建边缘计算模型，在红外图像采集系统搭建新的软件环境，使其可以直接对部分红外图像数据进行处理。与此同时，在其中增加云计算模块，对此系统终端产生的数据进行处理。将边缘计算模型结构设定如图1所示。

图1 边缘计算模型基础结构示意图

在此模型的基础上，对采集到的红外图像进行调用，并应用红外图像处理结果，完成故障的识别与分析。根据边缘计算要求，将电气设备故障诊断过程设定如下。

假设红外图像的采样时间间隔为T，红外图像采样总数为N，连续红外信号d(t)的离散采样序列d(ηt)，则连续红外信号d(t)的傅立叶变换可表示为：

(2)

式中，n—采样点序号。

应用公式(2)完成傅立叶变换循环计算，直至获取故障红外图像分量。对上述设定内容进行整理，将其作为此次电气设备故障红外图像识别的基础。

2 大中型泵站电气设备故障红外图像识别方法设计

2.1 电气设备红外图像增强处理

电气设备红外图像在生成、传输以及处理的过程中，不可避免地会受到设备以及外界因素的干扰，导致图像中夹带着大量的噪声，出现图像模糊、质量下降的问题[5]。因此需要对采集得到的原始图像进行增强处理。对比多种图像增强方法后，此次研究中选择高密度脉冲噪声图像去噪方法完成图像增强处理。经过大量的图像分析发现，离散脉冲噪声是影响图像质量最为严重的因素之一。脉冲噪声多为下述形式：

(3)

如果e>f，灰度值e将以亮点的形式在红外图像中出现，同时f将成为图像的暗点。当ae取值为0且af取值为0时，此时的脉冲噪声被称为单极脉冲噪声。但当上述2数据取值结果较为接近且不相同时，图像中的脉冲噪声被称为双极脉冲噪声。利用像素同龄组平均原理实现图像增强，针对灰度值位于0～255之间的可能为脉冲的像素点进行处理。当脉冲过大时，借鉴PGA思想，对图像中全部在指定区间内的像素点进行检索。选择合适的像素点作为中心点，构建像素点分析窗口。在此窗口对像素点进行判别，确定像素点是否为噪声点，若此点为噪声点，则剔除此像素点，完成图像增强工作。上述图像处理环节完成后，对图像进行小波变换处理，进一步去除图像中的噪声。完成上述图像处理环节后，汇总电气设备图像，将其作为后续处理环节的图像基础。

2.2 电气设备故障识别与分析

在上文设定环节的基础上，应用处理后的图像实现电气设备故障红外图像的识别。但实际的电气设备故障分为多种类型，采用一种识别方法是无法对全部设备故障进行识别分析的[6]，为此，在此环节中对不同类型的电气设备故障进行细化分析。将边缘计算模型作为基础，利用云计算技术实现多种数据的同期处理，并将处理结果与红外图像分析结果融合处理，有效检测出不同种类的故障。在此次研究中，将不同类型的电气设备故障识别流程设定如图2所示。

图2 不同类型电气设备故障识别流程

根据图2所示内容，将电气设备故障识别结构的节点设定为星形拓扑结构，在每个节点中安装不同的检测设备与识别设备，应用此部分设备获取电气设备运行信息，按照文中设定方法完成故障识别工作。为保证故障识别具有较高的可靠性，此次研究中增加识别结果修正环节，以此提取高质量识别结果。对上文中内容进行整理，将各个环节有序连接，至此，基于边缘计算的大中型泵站电气设备故障红外图像识别方法设计完成。

3 实验论证分析

为验证此次研究中提出的基于边缘计算的大中型泵站电气设备故障红外图像识别方法对红外图像的识别效果，选取1080×1080的大中型泵站故障电气设备CT图像，在Matlab环境中进行识别实验，确定文中方法的图像识别能力。

3.1 实验准备

此次实验中，选择大中型号变压器及其电动机碳刷作为实验对象。根据当前实验要求，选定三相干式隔离变压器作为实验对象。此设备运行参数设定如下：电压比：380/220；工作温度：-15～+45℃；输入电压：380V；额定电压：380V；输入频率：50Hz。应用红外成像系统获取此设备运行图像。在获取真实运行图像后，在此部分图像中增加1组大中型号变压器故障红外图像(故障1)以及电动机碳刷故障红外图像(故障2)，并将此部分图像划分为7组，每组中均含有故障图像，具体图像划分结果见表1。

表1 电气设备实验图像划分 单位：张

选取文中方法、机器学习识别方法以及机器视觉识别方法对实验图像组中的图像进行识别分析，以此获取不同方法的应用效果，实现对文中方法应用效果的判定。

3.2 电气设备故障识别精度实验分析

对实验结果进行分析可以看出，文中方法的故障识别精度相对较高，应用其可得到较为准确的电气设备故障识别结果，见表2。与文中方法相比，剩余2种实验方法的应用效果相对较差。此实验结果表明：文中方法在应用边缘技术后进一步提升了故障识别精度，此红外图像识别结果可为电气故障的诊断与维护提供有效信息，缩短故障抢修时间。

表2 电气设备故障识别精度实验结果 单位：%

3.3 电气设备故障类型识别准确性实验分析

文中方法与其他两种识别方法对不同类型的电气设备故障识别准确性存在较大的差异，见表3。文中方法对2种故障识别的准确率均高于机器学习方法与机器视觉方法。说明此方法对于不同类型故障的敏感性相对较高，应用此方法可对电气设备故障进行针对性控制。整理上述2部分实验结果可知，文中方法的故障诊断能力与故障分析能力均优于其他两种方法。

表3 电气设备故障类型识别准确性实验结果 单位：%

4 结语

针对当前大中型泵站电气设备故障红外图像识别过程中存在的问题，此次研究中对故障类别识别准确性不佳的问题进行了优化。将边缘计算应用到故障识别中，进一步提升了识别结果的可靠性。在日后的研究中，应将云计算技术等其他技术应用到电气设备的运维管理中，以此保证大中型泵站运行的安全性。