1 引 言

红外热成像诊断技术通过非接触的方式检测电力设备的温度场信息,已经成为状态评估领域的一种重要检测手段[1]。迄今为止,对于设备红外图像的分析,一般还是采用人工的方式。这种诊断方法效率低下且准确性受人为因素影响[2]。在电力大数据背景下,从海量的红外图像数据中实现设备状态的准确分析与评估,已经成为该领域中的一个巨大挑战与亟待解决的问题。

目前,设备红外故障图像自动化批量检测的难点在于：红外热图像中设备与背景的分离以及在此基础上的设备状态评估与诊断。其中,对于设备与背景的分离问题,由于红外图像往往存在非均匀背景及噪声,全局阈值分割会导致图像的过分割或欠分割。而局部阈值分割法能够对图像局部的信息进行判断,具有更优异的分割效果。另一方面,需要精确地提取设备红外特征参数作为分类器输入量,并为分类器配置最优参数。针对这些问题,林颖等人[3]采用通过超像素分割提取图像灰度作为分类器输入特征,提出了基于卷积递归网络的电流互感器红外故障图像诊断方法,初步解决了海量红外故障图像特征提取与故障自动分类问题。邹辉等人[4]采用图像全局温度作为输入特征,提出了支持向量机(SVM)的红外故障图像诊断方法,并引入了混沌序列由粗到细地优化SVM分类器参数。尽管上述工作基本实现了设备故障的分类,但却忽略了设备的温升与故障之间的关联性,考虑到设备热缺陷损耗功率越大,温升越高,设备故障的严重程度越高[5-6],在故障分析诊断中有必要将温升参量考虑进来,并将其作为分类器的输入特征,由此将产生分类器参数优化问题。

针对上述问题,本文将粒子群优化算法(PSO)[7]与Niblack[8]局部阈值分割算法相结合,对批量图像进行二值化处理,提取出设备温度场区域。将设备温升值作为输入特征量,利用改进蝙蝠算法(BA*)优化SVM分类器,对电力设备的故障进行分类和分析。结果表明：选用温升特征量的BA*-SVM模型,能够实现电力设备红外热图像的批量分析和处理,并且本文方法的分类准确率和效率较PSO-SVM、GA-SVM等算法更高。

全球挑战整合了原“地平线2020”社会挑战和产业引导的内容，针对欧洲乃至全球都共同关注的挑战，通过计划经费鼓励和资助科研人员开展国际合作研究，共同解决全球面临的挑战，增强技术与产业竞争力，提升欧盟科研计划的影响力，实现欧洲科研政策的战略目标。全球挑战囊括对5大挑战集群的项目设置[6]：与健康有关的社会挑战，构建包容和安全的社会，数字化和产业发展，气候、能源和交通（流动性），以及食物和自然资源。

2 红外图像特征提取及SVM参数配置

电力设备红外故障图像诊断系统性能很大程度上取决于图像特征参数的提取以及SVM参数的配置,是红外热成像诊断的关键环节。一般而言,电力设备故障程度与温升参数密切相关。为准确提取设备温升特征,如设备的最高温升x1、最低温升x2、平均温升x3,需要降低非均匀辐射背景及噪声对温度参数提取的影响。

无论是总数269家，还是有影响力的50家，数字都足以亮人眼球，震人耳道，动人心魄——因为全球其他国家工业互联网平台总量也就150个左右，而中国涌现的工业互联网平台数量已经近乎两倍于这个数字。工业互联网俨然成为高速崛起的“江湖”，成为拍打江湖两岸的“滔滔两岸潮、纷纷世上潮”。

2.1 基于PSO-Niblack的特征参数提取

电力设备红外图像诊断过程中,由于红外热像图的二维特性,以及设备间的相互交叉与重叠,复杂背景下设备的分割与识别是较为困难的。另一方面,非均匀背景对设备的分割也将造成干扰,并严重影响特征的提取,本文重点解决非均匀背景下批量设备红外图像的分割问题。为此,本文引入Niblack算法,首先采用权重法将设备红外图像进行灰度化处理,将单幅图像均匀分成n个不重叠矩形邻域,以便每个矩形背景光照都近似均匀的,再按照每个邻域灰度均值m和标准方差s以及阈值公式X=m+k×s计算该域的灰度分割阈值。为获得较好的图像分割质量,k在[-1,1]范围以0.05等步长取值,由此可构建n维阈值寻优空间X,即：

 

 

(1)

按照上述方法对220张红外图像的ROI区域进行分割,提取ROI温度场信息,实验中设置红外热像仪温度探测范围为10～150 ℃。采用5×5模板并计算ROI的最高和最低温度值T1和T2以及ROI与背景区域温度均值T3和T4,由此计算每张设备图像对应的温升数据x1、x2、x3,以此作为样本特征,表2给出了部分红外图像特征提取结果。

 

(2)

采用最优分割阈值对相应邻域进行二值化处理,并计算ROI最高灰度值g1、最低灰度值g2、平均灰度值g3,以及背景区域灰度均值g4。由于红外图像中存在的大量椒盐噪声和细长的条纹噪声斑点面积较小,本文采用5×5均值模板计算g1、g2,以消除噪声干扰的影响。再通过文献[4]灰度值与实际温度线性映射公式即可得到ROI最高、最低和平均温度值T1、T2、T3,以及背景温度均值T4,线性映射公式为：

 

(3)

其中,L为图像最高灰度值;Tmin～Tmax为红外热像仪设置的测温范围。

其中,超平面表示为为偏置;α=(α1,α2,…,αn)为拉格朗日乘子;C为惩罚参数。选用RBF核函数K(xi,xj)=exp(-g)‖xi-xj‖2)解决有限样本线性分割问题[9-10],式中,g为核参数。结合交叉验证法与改进响度因子的蝙蝠算法获取C、g的最优值。

再者，学校应积极举办体育比赛、体育项目表演、校园体育文化节等活动，增强校园体育文化氛围，丰富学生的课外活动，使学生劳逸结合，在学习的同时释放压力、振奋精神。

 

 

(4)

2.2 SVM多故障分类模型

为解决上述提取的故障样本自动分类问题,引入映射函数φ(x)将R3映射至高维空间H,在其中寻找4×(4-1)/2=6个决策超平面,使四类故障特征数据的分类间隔最大。由于每个超平面可区分2类故障类型,故对任意2类故障类型,需解决以下问题：

独立学院是本科办学层次，高职高专是专科办学层次，二者办学规格截然不同。许多独立学院法学专业在人才培养中将办学规格与高职高专混同，这是十分错误的。独立学院法学本科教育与高职高专的法律教育相比，知识基础要求必须达到普通本科的文化层次，理论体系也应达到一定的广度和深度，以使学生的专业能力有足够的理论支撑。

(1)随相对冲磨角度的增大，Q235、40Cr和ZL102三种材料的质量磨损强度和体积磨损强度增加到某一峰值后缓慢下降，其最大质量磨损强度和体积磨损强度分别出现在30°，45°和15°附近.

 

(5)

“10年过去了，人们对三鹿事件仍然记忆犹新，这次事件让中国百姓对国产婴幼儿配方奶粉丧失了信心，开始去大规模采购国外奶粉。”说到这里，孙宝国面露一丝惋惜之色，他说，许多国外奶粉其实是根据西方国家配方配制而成的，并不一定适合东方宝宝，但因为当年的三鹿事件影响太大，其中添加的三聚氰胺令太多的中国家庭心生恐慌，甚至为中国奶粉判了“死刑”，所以也就造成了人们对食品添加剂的抵触。“可大家混淆了食用添加剂和工业添加剂的概念。”孙宝国强调，三聚氰胺属工业添加剂范畴，可以很好地被用作甲醛吸收剂或高效水泥减水剂，可它不是食品添加剂，是严禁食用的。

采用投票的方式统计故障样本点的每种故障得票数,分类决策函数为：

 

(6)

当6个决策函数都做出判断,即可得到故障样本点每类故障总票数,根据票数判断样本点故障类型。

2.3 基于BA*的SVM参数配置

SVM中C、g参数选取对分类精度影响较大,如图1所示,为达到最高分类精度,本文引入了K-折交叉验证[11]与改进响度因子的蝙蝠算法(BA*)获取C、g值。

K-折交叉验证中,将矩阵(4)中训练样本集分成大小大致相同的K组子集,每组子集数据做一次验证集,其余的(K-1)组子集作为训练集,将上述过程重复K次。定义Ac为BA*算法的适应度函数：

为了做好食品药品监管工作，确保百姓饮食用药安全，多年来，韩宇始终坚定理想信念，不断提高自身修养，认真落实党风廉政建设“两个责任”，不断提高队伍监管水平和保障能力，确保近年来辖区内未发生重大食品药品安全事故。在他的积极推动下，机构改革各项工作进展顺利，独立设置食品药品监管机构，增设11个乡街监管站、1个稽查队和1个检测中心，编制从12人增加到147人。招录50名村级专职安全协管员，初步形成区局、乡街监管站、村委会（社区）统一、权威、高效的三级监管体系。

 

(7)

其中,at、af分别为正确和错误分类数目;e为验证集分类准确率。

1.2.4 MLPA检测 采用SALSA MLPA probemix P266-B1 CLCNKB试剂盒(MRC Holland， Amsterdam，Holland)检测大片段的缺失和重复。该试剂盒包含了29个探针：14个探针分别位于CLCNKB基因各个外显子上(4、7、9、12、16、20号外显子除外)，2个探针分别位于CLCNKA基因5和10号外显子上，2个探针位于CLCNKB基因上游区段，以及11个对照探针分别位于不同的常染色体区域，以上结果由迈基诺医学检验所提供技术支持。

  

图1 SVM参数对其分类精度的影响Fig.1 Effect of SVM parameters on classification accuracy

pnew=pold+εAt

 

(8)

式中,f min、f max分别为最小和最大搜索频率;β为[0,1]范围内随机变量;p*为当前全局最优值。在局部搜索过程中,如果从最优集集合中选中了一个解,则该蝙蝠的位置更新为：

蝙蝠算法中搜索空间维度根据寻优参数个数可得为2,t时刻,蝙蝠的搜索频率fi、速度vit和位置pit 表示为：

(9)

正如银川经开区育成中心办公室负责人贾庆龙所说，该区将全力推动企业向科技含量高、创新能力强、市场竞争优势明显的现代服务业转变。下一步将重点支持奥特生物、方达等技术成熟且有实力的企业向外开疆辟土。目前，上述企业已在海外开展相关业务。

 

(10)

其中，tmax为最大迭代次数;λ为梯度系数,用于控制响度因子ξ的下降速度。图2给出了不同λ下的响度因子递减曲线,图中箭头方向为λ递减方向,一般取λ=6即可满足实验。

其中,ε为[-1,1]范围内随机数；At为所有蝙蝠t时刻的平均响度,通过引入脉冲响度因子ξ更新At,增强本算法的最优解搜寻能力。响度因子按照Logistic函数模型更新。全局搜索和局部寻优之间的平衡通过改变响度A和脉冲发生率ri来实现：

  

图2 脉冲响度因子递减曲线Fig.2 Variation curve of pulse loudness factor

采用上述改进脉冲响度因子的蝙蝠算法优化SVM参数,使用优化后的分类模型对提取的测试样本进行测试实验。

3 实验结果与分析

3.1 PSO-Niblack算法分割性能分析

本文以如图3中电力设备的红外图像为例,对ROI区域进行分割,从上至下分别对应刀闸引线接头、刀闸和阻波器,图像像素尺寸均为320×240。邻域窗口大小设置为90×80。粒子群算法中,解空间维度n=12,加速常数c1=c2=2,粒子数量设为10,最大迭代次数为25。

  

图3 红外图像ROI及背景提取Fig.3 ROI and background extraction ofinfrared images

图3中二值化图像从左至右分别为Otsu、Niblack、Kapur、PSO-Otsu和本文方法的分割结果,由图可知本文算法能够较好地将ROI从红外图像中提取出来,分割效果明显优于前三种分割方法。采用误分率(Misclassification Rate,ME)为指标,将PSO-Niblack算法与四种传统分割算法分割效果进行对比,如表1所示。表中耗时单位为毫秒(ms),由表可得：相比传统分割法,PSO-Niblack算法在误分率和耗时(平均22 ms)方面均维持在较低水平,分割效果也优于其他方法,从而验证了PSO-Niblack算法的实用性,并为准确提取各区域温升特征奠定了基础。

 

表1 各分割算法的ME值和耗时对比Tab.1 Comparison of ME value and time-consuming of different algorithms

  

设备图像OtsuNiblackKapurPSO+Otsu本文算法图3(a)0.188/0.80.138/17.30.206/80.40.013/80.10.007/23.1图3(b)0.01//0.70.136/17.40.037/75.20.01/83.90.008/21.1图3(c)0.038/0.70.020/16.80.064/74.20.019/82.40.009/21.8

3.2 样本特征提取

以类间方差为适应度函数,采用粒子群算法可在寻优空间X上搜寻出各域的最优分割阈值：

 

表2 部分特征提取结果Tab.2 Partial results of feature extraction

  

设备图像T1T2T3T4x1x2x31125.278.291.929.495.848.862.5294.345.674.426.068.319.648.4393.542.373.123.170.419.250.0493.542.373.123.170.419.250.0︙︙︙︙︙︙︙︙21953.734.241.326.027.78.215.322051.331.540.526.025.35.514.5

将表2中前140组特征数据作为训练样本,包括32组正常状态样本、36组一般故障状态样本、31组严重故障状态样本、41组危急故障状态样本。将剩余的80组数据作为测试样本,包括17组正常状态样本、19组一般故障状态样本、24组严重故障状态样本、20组危急故障状态样本。

3.3 SVM参数优化

为评价BA*-SVM算法的参数优化的性能,分别与BA-SVM[12]、GA-SVM[13]、PSO-SVM[14]三种常见的算法进行对比。由于这四种算法皆为概率搜索算法,参数均设置为：种群数量20,最大迭代次数50,SVM参数C范围[10-2,103],参数g范围[10-2,103],交叉验证中K=10。尽管四种算法参数设置相同,但是由于每种算法种群的寻优策略不同,达到最优解的迭代过程也都不相同。

利用x1=T1-T4,x2=T2-T4,x3=T3-T4计算温升参数,并通过每幅红外图像提取的{ x1,x2,x3}∈R3特征参量批量构建图像的样本特征空间,如公式(4)所示,标签项yi∈{0,1,2,3}依次代表正常、一般、严重和危急四种故障类型,其中i=1,2,…,N,N为样本量。

为便于观察,对四种算法的种群平均适应度进行了统计比较,如图4所示。在相同参数和温升样本下,BA*-SVM算法在搜寻最优解时,平均适应度波动较小,且收敛的适应度值为99.0991%,为四种算法中最高,最优解搜索能力更强。这是由于本文方法引入Logistic函数更新脉冲响度因子,使算法后期搜索中局部最优值的搜索更为精细,因此提高了收敛精度。

在收敛速度方面,BA*-SVM算法在15次迭代后即收敛,而传统BA-SVM算法则需要25次迭代才能开始收敛,这说明本文方法比传统BA-SVM算法收敛速度更快。这可归因为引入的Logistic响度因子更新函数在算法搜索前期降幅较小,使得群体能很快进入局部搜寻。因此,BA*-SVM算法在最优解搜寻能力和收敛速度方面表现均为最优。

  

图4 四种算法平均适应度变化Fig.4 Four algorithms with the change of fitness

3.4 诊断结果与分析

利用提取的220组温升样本测试BA*-SVM分类性能,将该算法的分类结果与BA-SVM、GS-SVM[15]、PSO-SVM和GA-SVM等四种传统算法分类结果进行对比。选择前140组样本作为训练样本,剩下的样本作为测试样本,实验结果如表3所示。由表可得,本文提出的BA*-SVM算法的分类精度远高于GA-SVM与GS-SVM算法,略高于传统BA-SVM算法。测试分类准确率方面达到了97.5%,高于未经优化的BA-SVM算法,且明显优于其他三种故障诊断算法。因此,本文提出的BA*算法能较好地优化分类器参数,提升分类器性能,在电力设备故障诊断领域具有良好的应用前景。

 

表3 算法优化参数选取及分类准确率Tab.3 Classification accuracies and optimal parameters of the classifiers

  

算法名称Cg训练分类精度/%测试分类准确率/%GA-SVM31.26954.693092.857191.25(73/80)GS-SVM32.00002.800094.285793.75(75/80)PSO-SVM44.91222.314195.714388.75(71/80)BA-SVM67.88676.895087.142995.00(76/80)BA∗-SVM63.94621.627399.099197.50(78/80)

鉴于样本特征参数的选取对分类器分类准确率影响较大,本文分别选取{T1,T2,T3,T4}、{x1,x2,x3}和{T1,T2,T3,T4,x1,x2,x3}作为样本特征参数,测试了BA*-SVM算法在三种样本集下的分类准确率,结果如表4所示。

战略性新兴产业代表新一轮产业变革和科技革命的方向，是培育和发展新动能、获取未来竞争新优势的关键领域。“十三五”时期战略性新兴产业摆在经济社会发展更加突出的位置，大力构建现代产业新体系，推动经济社会持续健康发展。

 

表4 不同特征对算法诊断结果的影响Tab.4 The influence of different characteristics on the diagnosis results of the proposed algorithm

  

特征选取温度特征温升特征温升+温度特征测试准确率/%92.50%(74/80)97.50%(78/80)87.50%(70/80)

由表4可得,当选取温升作为BA*-SVM分类器输入特征时,算法的故障诊断准确率更高。

4 结 论

本文通过PSO-Niblack算法精确地提取出了电力设备红外图像特征,结合交叉验证和改进蝙蝠算法(BA*)对SVM进行参数优化。利用基于PSO-Niblack及BA*-SVM电力设备故障红外图像自动诊断系统对220组红外图像进行仿真对比实验,得出以下结论：

(1)对特征提取性能,本文对电力设备红外图像进行仿真实验,提出的PSO-Niblack算法平均误分率达8.2×10-3,平均耗时为22 ms,为特征的精确提取奠定良好基础。

(2)对SVM参数优化,经BA*算法参数优化后的分类器的故障分类精度更高,收敛速度比传统BA算法更快。

(3)对样本分类精度,本文提出的BA*-SVM算法分类精度达99.0991%。分别高于GA-SVM的92.8571%、GS-SVM的94.2857%、PSO-SVM的95.7143%和传统BA-SVM的97.1429%。

(4)对样本测试准确率,本文提出的BA*-SVM算法故障识别率达97.5%,而GA-SVM、GS-SVM、PSO-SVM、BA-SVM算法分别为91.25%、93.75%、88.75%、95.00%。

综合考虑,本文提出的PSO-Niblack及BA*-SVM电力设备故障红外图像自动诊断方法,在特征提取和故障诊断方面均具有较高精度。这一优势使其适用于电力大数据中非结构化红外图像的批量化分析与自动处理,因此具有较好的实际应用价值。

参考文献：

[1] YU Ping,CUI Shaofei,GE Yongxin,et al.A new method for electrical equipment visual and infrared image registration based on alignment metric[J].Laser Infrared,2008,38(7):737-740.(in Chinese)

余萍,崔少飞,葛永新,等.基于对齐度的电力设备红外与可见光的图像配准[J].激光与红外,2008,38(7):737-740.

[2] LI Mengxing.Research and implementation of power equipment fault infrared diagnosis system[J].Electric Power IT,2013,11(2):36-39.(in Chinese)

李孟兴.电力设备故障红外诊断系统的研究与实现[J].电力信息化,2013,11(2):36-39.

[3] LIN Ying,GUO Zhihong,CHEN Yufeng.Convolutional-recursive network based current transformer infrared fault image diagnosis[J].Power System Protection and Control,2015,43(16):87-94.(in Chinese)

林颖,郭志红,陈玉峰.基于卷积递归网络的电流互感器红外故障图像诊断[J].电力系统保护与控制,2015,43(16):87-94.

[4] ZOU Hui,HUANG Fuzhen.A novel intelligent fault diagnosis method for electrical equipment using infrared thermography[J].Infrared Physics & Technology,2015,73,29-35.

[5] LANG Cheng,JIN Guangxi,XU Dan,et al.Analysis of influence factors on relative temperature difference judgement method of electrical equipments[J].Infrared and Laser Engineering,2011,40(1):28-31,40.(in Chinese)

郎成,金光熙,徐丹,等.电气设备相对温差判断法的影响因素分析[J].红外与激光工程,2011,40(1)：28-31,40.

[6] JIN Lijun,AI Jianyong,DUAN Wei.Health condition assessment of catenary insulation based on multisource images[J].High Voltage Engineering,2016,42(11):3515-3523.(in Chinese)

金立军,艾建勇,段伟.基于多光源图像的接触网外绝缘健康状态评估[J].高电压技术,2016,42(11):3515-3523.

[7] WANG Ju,WANG Zhaohui,LIU Yin.Fast algorithm of sparse signal decomposition based on PSO and LM[J].Laser Infrared,2012,42(2):227-230.(in Chinese)

王菊,王朝晖,刘银.基于PSO和LM的信号稀疏分解快速算法[J].激光与红外,2012,42(2):227-230.

[8] Niblack W.An introduction to digital image processing[M].Denmark:Strand berg Publishing Company Birkeroed,1986,115-116.

[9] YUAN Zhiwei,HUANG Shucai,XIONG Zhigang,et al.Infrared small target detection based on SVM posterior probability[J].Laser Infrared,2016,46(6):766-771.(in Chinese)

苑智玮,黄树彩,熊志刚,等.基于SVM后验概率的红外弱小目标检测[J].激光与红外,2016,46(6):766-771.

[10] HU Yanyan,LI Dongsheng,ZHANG Shigui.Classification of hyperspectral image by convex combination kernels function SVM[J].Laser Infrared,2016,46(5):627-633.(in Chinese)

胡燕燕,李东生,张诗桂.凸组合核函数的支持向量机高光谱图像分类[J].激光与红外,2016,46(5):627-633.

[11] ZHANG Yan,WU Ling.Transformer fault diagnosis based on C-SVC and cross-validation algorithm[J].Electric Power,2012,45(11):52-55.(in Chinese)

张艳,吴玲.基于支持向量机和交叉验证的变压器故障诊断[J].中国电力,2012,45(11):52-55.

[12] CHEN Yuanyuan,WANG Zhibin,WANG Zhaoba.Feature selection ofInfrared spectrum based on improved bat algorithm[J].Infrared and Laser Engineering,2014,43(8):2715-2721.(in Chinese)

陈媛媛,王志斌,王召巴.基于改进蝙蝠算法的红外光谱特征选择[J].红外与激光工程,2014,43(8):2715-2721.

[13] CHEN Shijie,LIAN Ke,WANG Houjun.Method for analog circuit fault diagnosis based on GA optimized SVM[J].Journal of University of Electronic Science and Technology of China,2009,38(4):553-558.(in Chinese)

陈世杰,连可,王厚军.遗传算法优化的SVM模拟电路故障诊断方法[J].电子科技大学学报,2009,38(4):553-558.

[14] GUO Tiantai,HONG Bo,PAN Zengrong,et al.Application of improved SVM in quantitative analysis of mine gas concentration[J].Infrared and Laser Engineering,2016,45(6):211-218.(in Chinese)

郭天太,洪博,潘增荣,等.改进的SVM在矿井气体定量分析中的应用[J].红外与激光工程,2016,45(6):211-218.

[15] UAN Chongwen,CHENG Lizhi.Sample set shrinking strategy efficiently improving parameters seeking of support vector machines[J].Computer Applications,2007,27(2):363-365.(in Chinese)

段崇雯,成礼智.有效提高SVM参数搜索效率的样本集缩减策略[J].计算机应用,2007,27(2):363-365.