AUTOMATIC DEFECT RECOGNITION FOR ELECTRICAL EQUIPMENT WITH ARTIFICIAL NEURAL NETWORKS
DOI:
https://doi.org/10.14529/power230306Keywords:
thermograms, convolutional neural networks, electrical equipment defectsAbstract
Local heating is a sign of the development of defects in electrical equipment. It is detected by thermal imaging control. The result is thermal images of working electrical equipment – thermograms, which are analyzed using a visual assessment. However, in order to reduce the human factor in processing a large number of thermograms taken from unmanned aerial vehicles, the development of an automated defect recognition system has been proposed. The paper presents the results of recognizing defects in electrical equipment with artificial convolutional neural networks (CNN). It is proposed to use the learning transfer mechanism, the SqueezeNet architecture to classify thermograms into two classes: with a defect and without a defect. To assess the effectiveness of classification, the following metrics are proposed: sensitivity, specificity, balanced accuracy, Matthews correlation coefficient, F-measure. Testing of the trained CNN on a control sample of thermograms not used in training proves the effectiveness of the CNN in the tasks of recognizing defects in electrical equipment. It is promising to continue research on improving the speed and quality of classification of thermograms.
Downloads
References
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
Downloads
Published
How to Cite
Issue
Section
