基于传感器监测的特高压电气设备安装质量检测研究

白光亚,张 诚,王永翔

(1.国家电网有限公司特高压建设分公司,北京 100052)

(2.上海送变电工程有限公司,上海 201108)

电气安装系统性强、复杂性高,是保证特高压输电工程正常运行的关键环节[1-3]。近年来,电气安装逐渐向自动化和智能化方向发展,特高压输电工程逐步向大参数与大容量方向转型,使人们对特高压电气安装质量提出了更严格的要求[4-5],因此对特高压电气安装质量检测进行研究十分必要。很多专家和学者均在该课题的研究中取得重大进展,如刘康等[6]使用Gabor与灰度共生矩阵相结合的方法检测特高压电气安装质量,首先构建图像数据集,用Gabor滤波器对图像滤波,计算幅值特征图,再提取灰度共生矩阵特征,融合并归一化特征,利用主成分分析法降维,最后用支持向量机分类器进行训练和评估,分类效果提高了约10%。但该方法无法准确识别零部件类型,获得的电气安装质量检测效果不佳。

为了增强特高压电气安装质量检测的效果,本文提出了基于传感器监测的特高压电气安装质量检测方法。利用CMOS传感器采集特高压电气安装结果图像,并通过卷积神经网络实现特高压电气安装质量检测,以期推动特高压输电工程的健康长远发展。

1 基于传感器监测的特高压电气安装质量检测方法

1.1 传感器采集特高压电气安装图像

CMOS图像传感器能够直接将图像半导体生成的电子信号转化为电压信号,而不需要进行复杂处理,帧率高达400～2 000帧/s,且具有成本低、结构简单以及集成度高等优势,因此本文通过CMOS图像传感器获取特高压电气安装结果图像。CMOS图像传感器的图像最大为1 285像素×1 024像素,像素规模为6.5 μm×6.5 μm,可以采用Bayer格式输出特高压电气安装结果图像。将自然光作为CMOS图像传感器的光照条件,以提升传感器的稳定性和环境适应性[7]。基于CMOS图像传感器的特高压电气安装结果图像采集流程如图1所示,其中应用到的控件包括以下几种:1)GrabContinuous(),将抓取的连续图像放入控件缓冲区,利用GrabContinuousChange事件提示待处理工作;2)GrabCancel(),取消目前的图像抓取任务;3)Continue(),完成下一帧图像的抓取;4)SaveImage(BSTR FileName),将控件缓冲区的图像保存为图像文件。

图1 特高压电气安装结果图像采集流程

依据特高压电气安装结果图像采集要求设置CMOS图像传感器的曝光时间、倾角与高度等参数。启动CMOS图像传感器并调用GrabContinuous()控件采集图像,然后自动激活GrabContinuousChange事件,用户通过此事件的响应函数能够实现图像的显示和保存等操作。图像处理结束后调用Continue()控件继续下一帧图像的抓取[8],当图像采集结束后,清除回调函数并关闭CMOS图像传感器。

1.2 基于卷积神经网络的特高压电气安装质量检测

根据特高压电气安装标准,结合AR(augmented reality,增强现实)虚实图像注意力机制和深度多尺度一维卷积神经网络,判断特高压电气安装关键节点的固定位置与设计位置的误差是否小于等于18 mm,以及关键节点位置的零部件类型是否正确,从而实现特高压电气安装质量检测。

1.2.1特高压电气安装图像节点检测注意力区域图

注意力机制以人类视觉为基础,通过集中关注图像区域内的特定区域或像素,对其进行辨识与处理,实现有限视觉信息资源的有效利用。依据1.1节采集的特高压电气安装结果图像,引入AR虚实图像注意力机制获取图像节点检测注意力区域图,以解决传统二维图像检测中的深度信息不全面、难以定位特征分析区域等问题。该机制的核心流程如图2所示。使用虚实空间对准机制,重构与添加虚拟设计模型特定关注区域,产生辅助检测虚拟模型,使其在采集图像中生成遮罩,从而获得图像检测注意力聚焦区域。利用不同类型的虚拟模型遮罩可以迅速找到三维虚拟空间中的目标区域,并将其在二维AR虚实叠加图中显示出来[9-11]。通过上述处理不仅能降低检索及定位特高压电气安装结果图像关键信息的速度,还能显著减少用于运算分析的像素数量。

图2 AR虚实图像注意力机制的核心流程

1.2.2特高压电气典型零部件识别

依据1.2.1节获得的特高压电气安装结果图像节点检测注意力区域图,使用深度多尺度一维卷积神经网络识别特高压电气典型零部件类型,从而确定其与特高压电气关键节点处的类型是否相同。一维卷积神经网络的基本结构和各层功能描述如下。

(1)

(2)

式中:N为结果个数。

2)卷积层。该层可以自动提取待识别零部件特征,通过每个通道的卷积核对输入图像实施卷积操作,并利用激活函数获得输出特征向量。卷积核维度为(2n+1,1),卷积操作为:

(3)

3)下采样层。该层的主要职责为消除卷积运算形成的相邻零部件的冗余特征,并解决节点检测注意力区域图的平移敏感性问题,具体处理过程为:

(4)

4)全连接层。该层能够进一步抽象组合上层输出的零部件特征向量,所得结果为:

(5)

通过全连接层可以获得下式描述的零部件分类结果:

(6)

(7)

5)输出层。该层用于输出最终的零部件识别结果。

依据上述一维卷积神经网络结构,创建深度多尺度一维卷积神经网络,实现特高压电气典型零部件识别。该网络由1个普通卷积层、交替出现的多尺度卷积层及下采样层、1个普通下采样层、2个全连接层、输出层构成。其中多尺度卷积层及下采样层的个数分别为3、2,普通下采样层的单元个数为5,2个全连接层的神经元数量分别为200、2,并将该层输出的特征向量当作中心损失函数的输入。引入式(8)描述的中心损失函数,以消除重叠特征对零部件识别结果的影响,该函数可以惩罚偏离类中心的特征,经过网络训练能使类内特征变得更加紧密,从而获得较好的特征可分性,提升零部件识别效果。

(8)

使用式(9)可以实现训练时对特征中心的修正:

(9)

式中:Δcj为特征中心的修正值;cj为输入的特征中心值;δ(yi=j)的含义为若yi属于第j类,则δ(·)的值为1,否则δ(·)的值为0。

1.2.3特高压电气安装质量检测实现

特高压电气安装中的关键节点是指电气固定在指定位置上的节点。CMOS图像传感器采集的特高压电气安装结果图像,使用AR虚实图像注意力机制将半径为18 mm的半球体虚拟遮罩创建于特高压电气关键节点位置上,获得节点检测注意力区域图,将其作为深度多尺度一维卷积神经网络的输入,实现特高压电气典型零部件识别,当识别结果与安装标准相同时,表明特高压电气安装质量符合标准,否则安装质量不达标。

2 结果分析

以国家电网特高压建设公司的10台特高压电气设备作为实验对象，其需要安装的零部件数量为9个，包括螺母、螺丝、齿轮、齿轮轴、行星架、发爆器、打点器、接线盒以及压缩机，分别用A～I表示。利用本文方法采集各电气设备安装结果图像，并对其安装质量进行检测，以验证所提方法的有效性。

将光源亮度分别设置为15、30、45、60 cd/m2,不同光源亮度下,采用本文方法采集的特高压电气安装结果图像如图3所示。由图可以发现,不同的光源亮度下,采用本文方法采集的特高压电气安装结果图像均保持了较高的整体清晰度,表明本文方法的CMOS图像传感器的成像效果较为理想。

图3 不同光源亮度的特高压电气安装结果图像

引入平均相对误差(MRE)和均方根相对误差(RMSPE)衡量本文方法的零部件识别性能,不同特高压电气典型零部件识别MRE与RMSPE结果如图4所示。

图4 不同特高压电气典型零部件识别误差结果

由图4可以看出,使用本文方法对不同特高压电气典型零部件进行识别所得MRE与RMSPE值始终低于0.25%,最小值分别为0.18%和0.17%,整体误差水平较低,表明本文方法具有较优良的特高压电气典型零部件识别能力,可为后续特高压电气安装质量检测提供可靠的数据支持。

随机选择3个特高压电气设备及其4个关键节点进行安装质量检测验证,各设备关键节点的位置与设计位置误差以及关键节点的典型零部件类型识别结果见表1。

表1 特高压电气安装质量检测结果

从表1可以看出,特高压电气设备安装质量合格的关键节点为a1、a2、b1、b2、c3、c4,它们的位置与设计位置的误差均小于18 mm,且典型零部件识别类型与实际类型完全相同,表明本文方法的特高压电气安装质量检测性能较为理想。这是因为本文利用CMOS图像传感器采集特高压电气安装结果图像首先保证了基础数据的准确性;使用深度多尺度一维卷积神经网络识别零部件类型,保障了零部件类型识别的准确性,从而提升了特高压电气安装质量的检测效果。

当特高压电气设备安装质量不达标时,必定会影响设备的正常运行。通过分析使用本文方法后各特高压电气设备运行过程中电动机的振动和轴向转动情况,进一步验证本文方法的安装质量检测效果,结果如图5所示。由图可以发现,使用本文方法进行特高压电气设备安装质量检测后,各特高压电气设备运行过程中,电动机的振动值和轴向转动值均保持在阈值以内,表明各特高压电气设备运行状况良好,从而进一步验证本文方法对特高压电气安装质量检测的有效性。

图5 特高压电气设备运行情况

3 结束语

电气设备安装质量直接关系到特高压输电工程功能能否正常发挥。本文提出了基于传感器监测的特高压电气设备安装质量检测方法,实验表明,该方法可有效实现特高压电气设备安装质量检测,且完成安装的特高压电气设备运行状况十分稳定。但该方法中传感器的精度可能会影响检测结果的准确性,因此未来的研究中可以探索如何提高传感器的精度,以更准确地反映电气设备的安装质量。