英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料
红外物理与技术
电子设备使用一种新颖的智能故障诊断方法-红外线温度记录法
概要：
使用K-means算法提取统计特征。
提出了一种SVM的粗略到精细的参数优化方法。
七组特征被分别用作SVM分类器的输入数据。
将SVM的分类性能与BP神经网络的分类性能进行比较。
关键词：红外热像仪 智能故障诊断 特征提取 支持向量机 参数优化
红外热成像（IRT）在监测和检查电气设备的热缺陷而不关闭方面发挥了非常重要的作用，这对电力系统的稳定性具有重要意义。它具有非接触检测，无电磁干扰，安全可靠，检测覆盖范围大等优点。用于检测缺陷并对设备的状态进行分类的红外图像的手动分析可能需要许多时间和努力，并且还可能导致不正确的诊断结果。为了避免缺乏对红外图像的手动分析，提出了许多电气设备的智能故障诊断方法，但是当使用这些方法时有两个困难：一个是找到感兴趣的区域；另一个是提取可以表示电气设备的状况的特征，因为由于它们的过度集中的分布和低强度的对比度，导致难以分割红外图像，这与视觉光图像中的那些完全不同。在本文中，提出了一种新的智能诊断方法，用于使用从红外图像获得的数据对电气设备的不同条件进行分类。在我们方法的第一阶段，使用K-means算法对电气设备的红外图像进行聚类，然后在每个区域中提取包含温度和面积信息的统计特性。在第二阶段，为了选择能更好地表示电气设备状况的突出特征，来自每个区域的一些或所有统计特征被组合作为支持向量机（SVM）分类器的输入数据。为了提高SVM的分类性能，采用了从粗到细的参数优化方法。将SVM的性能与反传播神经网络的性能进行比较。比较结果表明，我们的方法可以实现更好的性能，精度为97.8495％。
- 介绍
温度高于绝对零度的所有物体发射辐射，温度越高，辐射能量越多。电气设备的内部和外部故障，如松动连接，接触问题，过载，负载不平衡和不正确的设备安装可能会导致过热，从而导致设备故障。此外，设备的故障需要大量的维护成本和人力，并且也可能导致灾难性的损伤甚至死亡[1]。温度是评价电气设备状态的重要参数。因此，监控设备的温度无疑是最好的预测性维护的方法之一。红外热成像（IRT）是一种非接触式方法，可远程测量身体的温度，并提供表示身体表面温度分布的热图像[2]。由于其具有减少非计划停机时间或系统最终故障，增加人力的适当利用，增加设备的生产能力，减少设备的维护费用，增加设备的使用寿命的优点[3]，红外热成像检测技术 已成为电力行业成熟和广泛接受的状态监测工具[4]。通过便携式热成像仪收集图片是IRT应用于电气系统中用于现场诊断或背景分析的主要形式。在一个变压器中分为四部分， 变压器箱，抽头变换器，散热器和套管[5]。检查每个部件的上部，中部和下部点的温度，并且通过三个温度比较确定每个部件的状态。 目前大多数IRT摄像机都有自己的分析软件，它们具有多功能去准备检查报告，并且易于使用。然而，手动故障检测和分类可能需要大量的处理时间和人力，甚至由合格或有经验的技术人员来执行。另外，对具有数百个设备的大型电气系统的分析变得更加复杂[6]。近年来，变电站智能机器人巡逻技术得到了广泛的研究，开始有实际应用。这种系统包括可见光相机，红外热像仪，拾取传感器等[7]。红外图像在每个停靠点被拍摄并传送到控制室用于PC分析，这可以减少手动图像收集的劳动。然而，电气设备红外图像的故障分析仍然依靠人们开发的基于红外技术的变电站监测和警告系统（jian等人文献）[8]。系统收集装置或装置的每个部分的温度信息，并与存储在数据库中的正常温度进行比较。因此，目标的状况可被确定。这种方法有两个缺点：一是在不同的天气，负荷等条件下，物体的正常温度会发生变化；另一个是系统结构昂贵，因为它是现场固定的。为了获得更快速和准确的诊断，由于图像处理技术和人工智能的快速发展，一些通过自动分析红外图像用于电气设备的智能诊断系统被构造。它们通常包括三个一般步骤，如图1所示[6]。 第一步是找到感兴趣区域（ROI），然后提取区域中的描述性信息，其可以是足够独特的，以在下一步骤中分类。最后，分类电力设备状态以给出该图像是否包含可能的故障的结果以及故障的严重程度。这些智能诊断系统的关键步骤是找到ROI。不正确或不准确的区域识别将影响信息提取和分类过程。
Huda等人[9]提出了一种用于建筑物内电气安装的热成像检查的半自动系统。手动分割图像的ROI，然后统计特征提取一阶直方图，灰度共生矩阵特征以及热区和参考区之间的差异。主成分分析（PCA）用于选择最佳特征。最后，15个统计特征被用作多层感知（MPL）网络的输入数据，以将热条件分类为正常，警告和临界。该系统实现了78.5％的精度。 Shafi#39;i和Hamzah [10]基于红外热成像技术开发了一种用于电气设备内部故障的智能分类系统。采用Impixelregion图像处理工具箱手动找到ROI。红外图像的RGB颜色数据和温度数据被用作人工神经网络的输入特征。实验在336个热图像上进行，在测试阶段实现最大识别率为99.38％。在Zernike矩[11]中用作图像特征，并且支持向量机被用作分类器以识别两种类型的故障，即，熔断器电缆接线头中的故障和顶部和底部保险丝座中的故障。结果显示83％的精度。Almeida等人[12]提出了一种智能热成像诊断系统，用于诊断避雷器故障。该系统使用分水岭分割算法来找到感兴趣的区域和模糊神经网络，以将热条件分类为错误，正常和可疑的三个类别。该系统使用100个热图像验证，验证误差约为10％。在另一项研究中[13]，从15个特征中选择6个特征作为多层感知器网络输入数据，并且实现了79.4％的准确性。Jaffery和Dubey [14]开发了一个实时和离线系统来监测温度变化，并使用红外热成像分析电气原型的热区。[15]在递归构造的输出上下文模糊系统中提出了表征电热点的条件。这些系统实现了92.3％和80％的测试精度，分别将条件分为两类和三类。
总之，有两种方式获得感兴趣的区域。在参考文献 [1,11,12,14,15]中，使用二值图像分割技术获得感兴趣区域（ROI）。然而，由于与可见光图像的性质完全不同的红外图像的性质，这些分割方法的结果倾向于被过分割。热图像的形成纯粹基于该图像中的物体的热分布，由于其过集中的分布和低强度对比度，这导致图像分割中的一些困难[6]。在参考文献 [3,9,10,13]中ROI是手动给出的。显然，这种方式不利于减少手工工作量和加快诊断率。此外，还可以得出结论：在参考文献[1,3,9,13]中研究了特征选择。从上面可以看出，基于红外图像的电气设备的智能故障诊断的难点是找到准确的ROI并提取可以表征设备状况的特征。在本文中提出了一种新的智能诊断系统，以克服这些困难。在我们的方法的第一阶段，使用K-means算法将红外图像聚类为k（k是簇数）区域。然后在每个区域中提取统计特性（即温度和面积信息）。最后，由来自每个区域的一些或所有统计特征组合的七组特征被用作SVM分类器的输入数据。为了加强其分类性能，提出了一种参数优化方法。本文的主要贡献有两个方面：首先，使用K-means算法提取统计特征，以避免找到准确的ROI的困难，以及这些特征中的一些（例如，当红外图像聚类时，没有平均值或中值的温度信息 分为3个区域）可以很好地表征电气设备状况; 第二，提出了一种由粗到细的参数优化方法来提高SVM的性能。
提取相关信息
寻找ROI
分类
红外图像
图1 智能诊断系统的一般步骤
本文的其余部分安排如下。基于K-means算法的统计特征和SVM的参数优化在第2节中给出。实验结果和数据分析在第3节中给出，我们的SVM分类器的分类性能与反向传播神经网络的分类性能进行比较。第4节是结论。
- 统计特征提取和参数优化
决定电气设备条件的关键问题取决于能够被区分的所提取的信息以及智能诊断中的模式分类方法。 在我们的方法中，使用K-means算法提取统计特征，并且使用SVM作为分类器。为了提高SVM的分类性能，采用了从粗到细的参数优化方法。
2.1基于K-means算法的统计特征提取
通常，电气设备的状态通过三个指示器[16]来评估，这三个指示器是在相似条件下相对于参考区域的热点的相对温度值，电气设备和参考环境温度之间的温度上升，以及电气设备的最大允许温度额定值。从知觉直觉的角度来看，人们根据红外图像中的不同部分是否存在异常热点或大温差来判断电气设备是否无序。受到这些想法的启发，提出了包括使用K-means算法的每个区域中的温度和面积信息的特征提取。
K-means [17]是一种聚类算法，也称为K均值。 每个簇子集中的所有数据的平均值是该簇的代表点。 K-means算法的关键思想是通过迭代过程将数据集分成不同的类别，旨在评估聚类性能的标准函数达到其最优。常用的标准函数是距离（例如，欧几里德距离，曼哈顿距离或闵可夫斯基距离），误差平方和或群集的平均值。在本文中，最后一个（即群集的平均值）被用作我们的标准函数。
在我们的方法中，没有温度标度的红外图像首先被转换为灰度图像，其携带图像的强度信息。 在灰度图像中，故障区域显示比设备中的正常区域更多的亮度[1]。然后使用K-means算法将该灰度图像聚类为k个区域。容易找出每个簇中的最小值，平均值，中值和最大灰度值以及面积（即，像素的总数）。灰度和温度值之间的线性变换如下：
其中T表示灰度图像中的点的温度，g是该点的灰度值，Tmin和Tmax分别是刻度温度中的最低和最高温度。 根据该方程，在每个簇中计算温度值的最小值，平均值，中值和最大值。 因此，每个图像被分成k个区域，并且在每个区域中获得4个温度值和区域信息。 可以获得总体4 * k个温度值和k区域信息。
使用K-means算法的统计特征提取的流程图如图2所示。 该过程描述如下：
实现最优标准函数
红外图像转换为灰度图像
计算聚类的平均值并用作新聚类中心，然后重复聚类
根据标准函数初始化聚类中心和聚类
No
Yes
完成聚类，计算每个聚类的最小值，平均值，中值和最大温度值以及面积信息
图2.使用K-means算法的统计特征提取的流程图
（1）将热图像转换为灰度图像，并初始化k组的聚类中心。
（2）根据到k组的最小距离对图像中的所有点进行聚类。
（3）计算每个簇的平均值，并将其用作新的簇中心。
（4）重复步骤（2）和（3），直到聚类中心不改变。
（5）获得每个图像中的k个区域，并且从小到大的灰度值用不同的颜色标记。
（6）找出每个聚类的最小值，平均值，中值和最大灰度值和面积信息，然后根据公式（1）得到相应的温度信息。
四种具有不同电气设备条件的原始红外图像如图3所示。即正常，一般故障，严重故障和紧急故障。图4是使用K-means算法后的最终结果，其中不同的颜色代表不同的簇。有六种颜色，例如黑色，红色，绿色，蓝色，白色和品红色。如果红外图像被聚类成k（k是整数，范围从3到6）个区域，并且前k个颜色被用于分别标记从小灰度值到大的每个区域。
2.2 SVM的参数优化
在本文中，支持向量机（SVM）被用作分类器，其是使用在高维特征空间中的线性函数的假设空间的学习系统，以直接估计决策面，而不是建模跨训练数据的概率分布，高斯函数通常用作径向基函数（RBF）内核。SVM被广泛应用，因为它具有许多有吸引力的特征，例如有效避免过拟合，处理大特征空间的能力，给定数据集的信息聚合[11]。SVM的分类性能受惩罚参数C和核函数g [18]的参数选择的影响。有许多SVM的参数优化方法，如梯度下降，模拟退火，蚁群优化，遗传优化，粒子群优化等[19]。
图3.原始红外图像，从左到右是正常的，一般故障，严重故障和紧急故障。
图4. 聚类结果从左到右是正常的，一般故障，严重故障和紧急故障，从第一到第四行分别是3,4,5,6聚类。
为了提高SVM的分类性能，提出了一种从粗到细的参数优化方法。 首先分别初始化惩罚参数C和核函数g的范围和步长。然后通过使用交叉验证搜索网格参数网格找出具有最高精度的参数。最后，通过对在第一阶段接收的参数周围的逻辑序列的混沌搜索获得全局近似最优参数。从上述两个步骤获得的参数用于单独训练和测试，并且使用更好的作为最终结果。我们的方法的优点是它可以快速找出全局近似最优值。
SVM参数优化的过程步骤如下：
步骤1：将数据集划分为训练集和测试集，分别初始化处罚参数C和内核函数g的范围和步长。
步骤2：基于交叉验证获得网格中的最佳参数，记为bestc1和bestg1。
步骤3：初始化混沌序列和迭代次数，用bestc1和bestg1周围的混沌数组搜索，结果记录为bestc2和bestg2。
步骤4：两个bestc1和bestg1，bestc2和bestg2分别用于训练和测试，最好的一个作为最终结果。 如果它们相等，则将具有较小的绝对值之和的集合作为最终结果。
2.2.1 交叉验证
交叉验证（CV）[20]是一种用于测试分类器性能的统计方法。 其基本思想是在某种意义上将数据集分组为训练集和验证集。训练样本用于训练分类器，然后测试样本用于确认和验证初始分析。有三种类型的交叉验证方法：K文件夹交叉验证，K *2文件夹交叉验证和最少一个交叉验证（loocv）。本研究采用K-fold CV法，将原始样本随机分为k个子集。k个子集之一被保留作为用于测试模型的验证数据，并且剩余的k -1个子集被用作训练数据。然后将CV过程重复k次，将k个子
全文共14961字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[145685]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
