《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 人工智能 > 设计应用 > 基于并联运行特性的整流变压器红外图像异常识别方法
基于并联运行特性的整流变压器红外图像异常识别方法
电子技术应用
杨晨1，郑帅2，潘胜3，田今栋1，张钢2
1.北京市地铁运营有限公司供电分公司；2.北京交通大学 电气工程学院；3.北京市地铁运营有限公司
摘要： 针对变压器故障样本稀缺致使人工智能模型识别效果欠佳，以及现有红外诊断技术存在小目标故障漏检率高等问题，提出基于并联运行特性的整流变压器红外图像异常识别方法。首先对并联运行的整流变压器开展一致性分析，制定出“对比-识别”红外图像异常诊断策略；其次，基于YOLO目标检测算法构建模型，对变压器五大关键部件进行分割；最后，利用区域生长算法定位变压器红外图像中的异常区域。实验结果表明：该方法能在零故障样本条件下实现变压器在线热故障检测，有效解决了小目标故障检测的难题，为变压器热故障检测提供了新颖可行的方案。
中圖分類號：TP391.4；TM922.73 文獻標志碼：A DOI: 10.16157/j.issn.0258-7998.257106
中文引用格式： 楊晨，鄭帥，潘勝，等. 基于并聯(lián)運行特性的整流變壓器紅外圖像異常識別方法[J]. 電子技術(shù)應(yīng)用，2026，52(3)：41-45.
英文引用格式： Yang Chen，Zheng Shuai，Pan Sheng，et al. An infrared image anomaly recognition method for rectifier transformers based on parallel operation characteristics[J]. Application of Electronic Technique，2026，52(3)：41-45.
An infrared image anomaly recognition method for rectifier transformers based on parallel operation characteristics
Yang Chen1，Zheng Shuai2，Pan Sheng3，Tian Jindong1，Zhang Gang2
1.Power Supply Branch of Beijing Metro Operation Co.， Ltd.；2.School of Electrical Engineering， Beijing Jiaotong University；3.Beijing Metro Operation Co.， Ltd.
Abstract： To solve the issues of poor recognition performance of artificial intelligence models due to the scarcity of transformer fault samples and the high missed detection rate of small target faults in existing infrared diagnostic techniques, this paper presents a parallel operation-based infrared image anomaly recognition method for transformers. Firstly, the consistency analysis is conducted on transformers in parallel operation, and the "comparison-recognition" abnormal infrared images diagnostic strategy is developed. Next, the YOLO-based object detection model is built to segment five key transformer components. Finally, the region growing algorithm is employed to locate abnormal areas in infrared images. Experimental results show that the proposed method can detect online thermal faults in transformers under zero fault sample conditions, and effectively addresses the difficulty of detecting small target faults, providing a novel and feasible scheme for transformer thermal fault detection.
Key words : infrared image；YOLO target detection；region growing algorithm

引言

整流變壓器是城市軌道交通牽引供電系統(tǒng)的核心設(shè)備，其運行狀態(tài)直接影響供電質(zhì)量與系統(tǒng)穩(wěn)定性。紅外熱成像技術(shù)[1]憑借非接觸、實時性強和高靈敏度等優(yōu)勢，成為設(shè)備狀態(tài)監(jiān)測的重要手段。然而，傳統(tǒng)紅外熱故障檢測方法主要依賴于人工巡檢，因此存在效率低、誤檢率高[2]等問題。

近年來，基于圖像處理與圖像識別的電力設(shè)備紅外圖像故障檢測技術(shù)興起。文獻[3-4]運用分水嶺、K均值聚類等方法分割目標圖像，但參數(shù)調(diào)整復(fù)雜，且難以對分割后的設(shè)備展開有效分析，可靠性較低。文獻[5]借助定向梯度柱狀圖（Histograms of Oriented Gradients, HOG）算法提取紅外圖像特征，并利用支持向量機（Support Vector Machine, SVM）分類器進行分類。該方法在復(fù)雜背景下能夠有效地識別紅外目標，但需參數(shù)選擇過程繁雜，需要人工參與。文獻[6]采用改進的區(qū)域生長法分割設(shè)備紅外圖像，基于設(shè)備形狀特征構(gòu)建分類特征向量，并使用反向傳播（Back Propagation, BP）神經(jīng)網(wǎng)絡(luò)進行分類。BP神經(jīng)網(wǎng)絡(luò)雖具備較強的自學習和自適應(yīng)能力，但其收斂速度較弱，且極易陷入局部最優(yōu)。

隨著時代發(fā)展，深度學習[7]因強大的數(shù)據(jù)分析、預(yù)測與分類能力的特點被廣泛使用。文獻[8]通過Slic-HSV算法確定設(shè)備溫度異常區(qū)域，利用softmax損失和中心損失信號訓練GoogLeNet識別故障，但其魯棒性較差，對圖像的角度和背景要求較高。文獻[9]提出基于區(qū)域建議網(wǎng)絡(luò)Faster-RCNN的紅外異常發(fā)熱點目標檢測方法，復(fù)雜背景下檢測效果較好，但對故障樣本依賴性高?？梢钥闯?，基于深度學習的故障識別算法雖有良好的診斷效果，但需要大量的故障樣本訓練模型，然而實際故障樣本稀缺，使得深度學習在變壓器故障診斷中存在局限性。

而在城軌牽引供電系統(tǒng)中，兩臺整流變壓器通常采用并聯(lián)運行的方式，其電氣特性與熱行為特征高度相似，這一特性為無故障樣本條件下的異常檢測提供了有效的理論依據(jù)。

因此，本文提出一種基于整流變壓器并聯(lián)運行特性的紅外圖像異常識別方法，采用YOLO目標檢測算法分割變壓器關(guān)鍵部件，并基于區(qū)域生長算法定位紅外圖像異常區(qū)域，從而能夠在零故障樣本的情況下實現(xiàn)變壓器的異常溫度檢測。


本文詳細內(nèi)容請下載：

http://ihrv.cn/resource/share/2000006999


作者信息：

楊晨1，鄭帥2，潘勝3，田今棟1，張鋼2

（1.北京市地鐵運營有限公司供電分公司，北京 100082；

2.北京交通大學 電氣工程學院，北京 100044；

3.北京市地鐵運營有限公司，北京 100044）

2.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。