АВТОМАТИЗАЦИЯ РАСПОЗНАВАНИЯ ДЕФЕКТОВ ОБОРУДОВАНИЯ ЭЛЕКТРИЧЕСКИХ СЕТЕЙ С ПОМОЩЬЮ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ
DOI:
https://doi.org/10.14529/power230306Ключевые слова:
термограммы, сверточные нейронные сети, дефекты электрооборудованияАннотация
Одним из признаков развития дефектов в электрическом оборудовании является локальный нагрев, для выявления которого может использоваться тепловизионный контроль. Его результатом являются тепловые снимки работающего электрооборудования – термограммы, которые анализируются с помощью визуальной оценки. Однако для исключения человеческого фактора при обработке большого количества термограмм, например снятых с беспилотных летательных аппаратов, требуется разработка автоматизированной системы распознавания дефектов. В работе приведены результаты исследования по выявлению дефектов оборудования электрических сетей с помощью искусственных сверточных нейронных сетей (СНС). Предлагается использовать механизм передачи обучения, архитектуру SqueezeNet для разделения термограмм на два класса: с дефектом и без дефекта. Для оценки эффективности классификации выбраны метрики: чувствительность, специфичность, сбалансированная точность, коэффициент корреляции Мэтьюса, F-мера. Результаты тестирования обученной СНС на контрольной выборке термограмм, не использовавшихся в процессе обучения, позволяют сделать вывод об эффективности СНС в задачах распознавания дефектов оборудования электрических сетей и перспективности дальнейших исследований по повышению скорости и качества классификации термограмм.
Скачивания
Библиографические ссылки
Показатель технического состояния объектов электроэнергетики (физический износ). URL: https://minenergo.gov.ru/node/11201 (дата обращения: 15.02.2023).
Косенко А.А., Чернова А.Д. Обзор распространенных дефектов воздушных линий электропередачи напряжением 35 кВ и выше // Разработка и применение наукоемких технологий в эпоху глобальных трансформаций: cб. ст. Междунар. науч.-практ. конф., Оренбург. Уфа: ООО «Омега Сайнс», 2022. С. 32–37.
Разработка термо-оптической системы контроля и диагностики электровозов/ A.B. Лукьянов, В.Н. Перелыгин, В.Ю. Гарифулин, В.В. Бондарик // Современные методы и приборы контроля качества и диагностики состояния: материалы 3-й Междунар. науч.-техн. конф. Могилев, 2009. С. 265–267.
Романов Р.А. Надежность энергетического оборудования и методы термографии // Экспозиция Нефть Газ. 2012. № 1 (19). С. 22–24.
Троицкий-Марков Р.Т. Тепловой контроль технического состояния электрооборудования с целью обеспечения электробезопасности и пожаробезопасности // Энергобезопасность и энергосбережение. 2008. № 3. С. 30–33.
Емельянов В.А., Емельянова Н.Ю. Интеллектуализация информационных систем мониторинга и технической диагностики футерованного оборудования: монография. Севастополь: Изд-во «Рибест», 2015. 160 с.
Jin L., Zhang D. Contamination Grades Recognition of Ceramic Insulators Using Fused Features of Infrared and Ultraviolet Images // Energies. 2015. No. 8. P. 837–858. DOI: 10.3390/en8020837
Intelligent Thermographic Diagnostic Applied to Surge Arresters: A New Approach / C.A.L. Almeida, A.P. Braga, S. Nascimento et al. // IEEE Transactions on Power Delivery. 2009. Vol. 24, no. 2 Р. 751–757. DOI: 10.1109/TPWRD.2009.2013375
Jaffery Z.A., Dubey A.K. Design of Early Fault Detection Technique for Electrical Assets Using Infrared Thermograms // International Journal of Electrical Power & Energy Systems. 2014. No. 63. Р. 753–759. DOI: 10.1016/j.ijepes.2014.06.049
Zou H., Huang F. An Intelligent Fault Diagnosis Method for Electrical Equipment Using Infrared Images // 34th Chinese Control Conference (CCC). 2015. Р. 6372–6376, DOI: 10.1109/ChiCC.2015.7260642
Aggregating Deep Convolutional Feature Maps for Insulator Detection in Infrared Images / Z. Zhao, X. Fan, G. Xu et al. // IEEE Access. 2017. No. 5. Р. 21831–21839. DOI: 10.1109/ACCESS.2017.2757030
Li H., Wang B., Li L. Research on the Infrared and Visible Power-Equipment Image Fusion for Inspection Robots // 1st International Conference on Applied Robotics for the Power Industry. 2010. P. 1–5. DOI: 10.1109/CARPI.2010.5624441
Zhou Q., Zhao Z. Substation Equipment Image Recognition Based on SIFT Feature Matching // International Congress on Image and Signal Processing. 2012. P 1344–1347. DOI: 10.1109/CISP.2012.6469854
Multi-Angle Insulator Recognition Method in Infrared Image Based on Parallel Deep Convolutional Neural Networks / Z. Zhao, X. Fan, Y. Qi, Y. Zhai // Computer Vision. CCCV 2017. Communications in Computer and Information Science. 2017. No. 773. Р. 303–314. DOI: 10.1007/978-981-10-7305-2_27
Predictive Maintenance of Power Substation Equipment by Infrared Thermography Using a Machine-Learning Approach / I. Ullah, F. Yang, R. Khan et al. // Energies. 2017. No. 10 (12). P. 1987. DOI: 10.3390/en10121987
Косенко А.А., Чернова А.Д. Методы анализа тепловизионных снимков электроэнергетического оборудования // Университетский комплекс как региональный центр образования, науки и культуры: сб. материалов Всерос. науч.-метод. конф. Оренбург: Оренбургский государственный университет, 2022. С. 1102–1105.
РД 153-34.0-20.363-99 Основные положения методики инфракрасной диагностики электрооборудования и ВЛ. М.: СПО ОРГРЭС, 2001. 136 с.
Чернова А.Д. Архитектура сверточных нейронных сетей в задаче инфракрасной диагностики электрооборудования // Современные задачи и перспективные направления инновационного развития науки: сб. ст. Междунар. науч.-практ. конф. 2022. С. 42–48.
Чернова А.Д. Исследование параметров сверточных нейронных сетей для задач распознавания дефектов на термограммах электрооборудования // Энергетические и электротехнические системы: между-нар. сб. науч. тр. 2022. Вып. 9. С 15–22.
Automatic Fault Diagnosis of Infrared Insulator Images Based on Image Instance Segmentation and Temperature Analysis / B. Wang, M. Dong, M. Ren et al. // IEEE Transactions on Instrumentation and Measurement. 2020. No. 69. P. 5345–5355. DOI: 10.1109/TIM.2020.2965635
Deep Learning Image-Based Defect Detection in High Voltage Electrical Equipment / I. Ullah, R.U. Khan, F. Yang, L. Wuttisittikulkij // Energies. 2020. No. 13 (392). P. 1–17. DOI: 10.3390/en13020392