基于紅外圖像分析的電力測溫以診斷電氣設備可靠性

      為了確保持續供電，必須定期檢查電力設備的可靠性。當設備內部溫度超過正常工作極限時，設備內會發生異常。因此，設備過熱可能導致隨后的故障，并有可能導致計劃外的停機，傷害和火災危險。另外，電網的效率在停電之前會降低。因此，能量被浪費在產生熱量上，從而造成不必要的損失。紅外成像技術可進行電力測溫以識別并暴露電氣設備中的各種問題，例如電氣連接不良，短路，過載，負載不平衡以及電氣組件安裝不當。它可以通過檢測電氣設備表面的熱輻射來顯示溫度分布。
      與傳統的溫度測量技術相比，紅外熱成像具有許多優勢，包括響應時間快，溫度范圍寬，二維數據采集，空間分辨率高，安全，可靠且非常具有成本效益。使用此技術的最重要特征是可以在不中斷或關閉電源系統運行的情況下進行電力測溫。使用常規方法，通常只能由合格且經驗豐富的人員對電熱狀況進行評估。另外，分析紅外圖像的完整過程也是費時且昂貴的。因此，為了克服這些限制，采用了一種自動紅外圖像分析技術，通過該技術可以快速準確地檢測和評估電氣設備內的熱異常。

圖為紅外熱影像中的能量測溫度

      基于紅外圖像分析的電力測溫以診斷電氣設備可靠性的自動化系統的研究已經進行了很多年。識別電氣設備熱圖像中熱點區域的最簡單方法是使用閾值技術，其中通過使用某個閾值對圖像進行濾波來檢測熱點區域。可以使用形態分割來提取熱區域，其中最大的灰色像素值確定了熱區域的最高溫度。參考溫度是從高溫區域外類似設備的平均灰度值得出的。通過比較熱點和參考溫度之間的差異來評估電氣設備的狀況。
      在其他嘗試中，提出了一種智能系統，該系統通過使用紅外圖像的RGB顏色數據來檢測電氣設備中的熱異常，并使用神經網絡對圖像進行分類。盡管該方法非常簡單，但是由于要由神經網絡計算的特征向量較大，因此存在處理時間較長的問題。
      紅外成像是用于監視和評估電氣設備的熱狀況以確保可靠供電的常用工具。因此，提出了一種基于定性紅外圖像分析的快速熱異常檢測與分類方法。首先，通過使用歸一化互相關（NCC）在圖像中查找相似對象，半自動選擇感興趣區域（ROI）。從每個檢測到的區域提取統計特征，并使用多層感知器（MLP）神經網絡對其進行分類，以確定電氣設備的熱狀況。通過提出的方法獲得的總體精度約為95％，這非常令人鼓舞。