基于傳感器監測的特高壓電氣設備安裝質量檢測研究

白光亞,張 誠,王永翔

(1.國家電網有限公司特高壓建設分公司,北京 100052)

(2.上海送變電工程有限公司,上海 201108)

電氣安裝系統性強、復雜性高,是保證特高壓輸電工程正常運行的關鍵環節[1-3]。近年來,電氣安裝逐漸向自動化和智能化方向發展,特高壓輸電工程逐步向大參數與大容量方向轉型,使人們對特高壓電氣安裝質量提出了更嚴格的要求[4-5],因此對特高壓電氣安裝質量檢測進行研究十分必要。很多專家和學者均在該課題的研究中取得重大進展,如劉康等[6]使用Gabor與灰度共生矩陣相結合的方法檢測特高壓電氣安裝質量,首先構建圖像數據集,用Gabor濾波器對圖像濾波,計算幅值特征圖,再提取灰度共生矩陣特征,融合并歸一化特征,利用主成分分析法降維,最后用支持向量機分類器進行訓練和評估,分類效果提高了約10%。但該方法無法準確識別零部件類型,獲得的電氣安裝質量檢測效果不佳。

為了增強特高壓電氣安裝質量檢測的效果,本文提出了基于傳感器監測的特高壓電氣安裝質量檢測方法。利用CMOS傳感器采集特高壓電氣安裝結果圖像,并通過卷積神經網絡實現特高壓電氣安裝質量檢測,以期推動特高壓輸電工程的健康長遠發展。

1 基于傳感器監測的特高壓電氣安裝質量檢測方法

1.1 傳感器采集特高壓電氣安裝圖像

CMOS圖像傳感器能夠直接將圖像半導體生成的電子信號轉化為電壓信號,而不需要進行復雜處理,幀率高達400～2 000幀/s,且具有成本低、結構簡單以及集成度高等優勢,因此本文通過CMOS圖像傳感器獲取特高壓電氣安裝結果圖像。CMOS圖像傳感器的圖像最大為1 285像素×1 024像素,像素規模為6.5 μm×6.5 μm,可以采用Bayer格式輸出特高壓電氣安裝結果圖像。將自然光作為CMOS圖像傳感器的光照條件,以提升傳感器的穩定性和環境適應性[7]?；贑MOS圖像傳感器的特高壓電氣安裝結果圖像采集流程如圖1所示,其中應用到的控件包括以下幾種:1)GrabContinuous(),將抓取的連續圖像放入控件緩沖區,利用GrabContinuousChange事件提示待處理工作;2)GrabCancel(),取消目前的圖像抓取任務;3)Continue(),完成下一幀圖像的抓取;4)SaveImage(BSTR FileName),將控件緩沖區的圖像保存為圖像文件。

圖1 特高壓電氣安裝結果圖像采集流程

依據特高壓電氣安裝結果圖像采集要求設置CMOS圖像傳感器的曝光時間、傾角與高度等參數。啟動CMOS圖像傳感器并調用GrabContinuous()控件采集圖像,然后自動激活GrabContinuousChange事件,用戶通過此事件的響應函數能夠實現圖像的顯示和保存等操作。圖像處理結束后調用Continue()控件繼續下一幀圖像的抓取[8],當圖像采集結束后,清除回調函數并關閉CMOS圖像傳感器。

1.2 基于卷積神經網絡的特高壓電氣安裝質量檢測

根據特高壓電氣安裝標準,結合AR(augmented reality,增強現實)虛實圖像注意力機制和深度多尺度一維卷積神經網絡,判斷特高壓電氣安裝關鍵節點的固定位置與設計位置的誤差是否小于等于18 mm,以及關鍵節點位置的零部件類型是否正確,從而實現特高壓電氣安裝質量檢測。

1.2.1特高壓電氣安裝圖像節點檢測注意力區域圖

注意力機制以人類視覺為基礎,通過集中關注圖像區域內的特定區域或像素,對其進行辨識與處理,實現有限視覺信息資源的有效利用。依據1.1節采集的特高壓電氣安裝結果圖像,引入AR虛實圖像注意力機制獲取圖像節點檢測注意力區域圖,以解決傳統二維圖像檢測中的深度信息不全面、難以定位特征分析區域等問題。該機制的核心流程如圖2所示。使用虛實空間對準機制,重構與添加虛擬設計模型特定關注區域,產生輔助檢測虛擬模型,使其在采集圖像中生成遮罩,從而獲得圖像檢測注意力聚焦區域。利用不同類型的虛擬模型遮罩可以迅速找到三維虛擬空間中的目標區域,并將其在二維AR虛實疊加圖中顯示出來[9-11]。通過上述處理不僅能降低檢索及定位特高壓電氣安裝結果圖像關鍵信息的速度,還能顯著減少用于運算分析的像素數量。

圖2 AR虛實圖像注意力機制的核心流程

1.2.2特高壓電氣典型零部件識別

依據1.2.1節獲得的特高壓電氣安裝結果圖像節點檢測注意力區域圖,使用深度多尺度一維卷積神經網絡識別特高壓電氣典型零部件類型,從而確定其與特高壓電氣關鍵節點處的類型是否相同。一維卷積神經網絡的基本結構和各層功能描述如下。

(1)

(2)

式中:N為結果個數。

2)卷積層。該層可以自動提取待識別零部件特征,通過每個通道的卷積核對輸入圖像實施卷積操作,并利用激活函數獲得輸出特征向量。卷積核維度為(2n+1,1),卷積操作為:

(3)

3)下采樣層。該層的主要職責為消除卷積運算形成的相鄰零部件的冗余特征,并解決節點檢測注意力區域圖的平移敏感性問題,具體處理過程為:

(4)

4)全連接層。該層能夠進一步抽象組合上層輸出的零部件特征向量,所得結果為:

(5)

通過全連接層可以獲得下式描述的零部件分類結果:

(6)

(7)

5)輸出層。該層用于輸出最終的零部件識別結果。

依據上述一維卷積神經網絡結構,創建深度多尺度一維卷積神經網絡,實現特高壓電氣典型零部件識別。該網絡由1個普通卷積層、交替出現的多尺度卷積層及下采樣層、1個普通下采樣層、2個全連接層、輸出層構成。其中多尺度卷積層及下采樣層的個數分別為3、2,普通下采樣層的單元個數為5,2個全連接層的神經元數量分別為200、2,并將該層輸出的特征向量當作中心損失函數的輸入。引入式(8)描述的中心損失函數,以消除重疊特征對零部件識別結果的影響,該函數可以懲罰偏離類中心的特征,經過網絡訓練能使類內特征變得更加緊密,從而獲得較好的特征可分性,提升零部件識別效果。

(8)

使用式(9)可以實現訓練時對特征中心的修正:

(9)

式中:Δcj為特征中心的修正值;cj為輸入的特征中心值;δ(yi=j)的含義為若yi屬于第j類,則δ(·)的值為1,否則δ(·)的值為0。

1.2.3特高壓電氣安裝質量檢測實現

特高壓電氣安裝中的關鍵節點是指電氣固定在指定位置上的節點。CMOS圖像傳感器采集的特高壓電氣安裝結果圖像,使用AR虛實圖像注意力機制將半徑為18 mm的半球體虛擬遮罩創建于特高壓電氣關鍵節點位置上,獲得節點檢測注意力區域圖,將其作為深度多尺度一維卷積神經網絡的輸入,實現特高壓電氣典型零部件識別,當識別結果與安裝標準相同時,表明特高壓電氣安裝質量符合標準,否則安裝質量不達標。

2 結果分析

以國家電網特高壓建設公司的10臺特高壓電氣設備作為實驗對象，其需要安裝的零部件數量為9個，包括螺母、螺絲、齒輪、齒輪軸、行星架、發爆器、打點器、接線盒以及壓縮機，分別用A～I表示。利用本文方法采集各電氣設備安裝結果圖像，并對其安裝質量進行檢測，以驗證所提方法的有效性。

將光源亮度分別設置為15、30、45、60 cd/m2,不同光源亮度下,采用本文方法采集的特高壓電氣安裝結果圖像如圖3所示。由圖可以發現,不同的光源亮度下,采用本文方法采集的特高壓電氣安裝結果圖像均保持了較高的整體清晰度,表明本文方法的CMOS圖像傳感器的成像效果較為理想。

圖3 不同光源亮度的特高壓電氣安裝結果圖像

引入平均相對誤差(MRE)和均方根相對誤差(RMSPE)衡量本文方法的零部件識別性能,不同特高壓電氣典型零部件識別MRE與RMSPE結果如圖4所示。

圖4 不同特高壓電氣典型零部件識別誤差結果

由圖4可以看出,使用本文方法對不同特高壓電氣典型零部件進行識別所得MRE與RMSPE值始終低于0.25%,最小值分別為0.18%和0.17%,整體誤差水平較低,表明本文方法具有較優良的特高壓電氣典型零部件識別能力,可為后續特高壓電氣安裝質量檢測提供可靠的數據支持。

隨機選擇3個特高壓電氣設備及其4個關鍵節點進行安裝質量檢測驗證,各設備關鍵節點的位置與設計位置誤差以及關鍵節點的典型零部件類型識別結果見表1。

表1 特高壓電氣安裝質量檢測結果

從表1可以看出,特高壓電氣設備安裝質量合格的關鍵節點為a1、a2、b1、b2、c3、c4,它們的位置與設計位置的誤差均小于18 mm,且典型零部件識別類型與實際類型完全相同,表明本文方法的特高壓電氣安裝質量檢測性能較為理想。這是因為本文利用CMOS圖像傳感器采集特高壓電氣安裝結果圖像首先保證了基礎數據的準確性;使用深度多尺度一維卷積神經網絡識別零部件類型,保障了零部件類型識別的準確性,從而提升了特高壓電氣安裝質量的檢測效果。

當特高壓電氣設備安裝質量不達標時,必定會影響設備的正常運行。通過分析使用本文方法后各特高壓電氣設備運行過程中電動機的振動和軸向轉動情況,進一步驗證本文方法的安裝質量檢測效果,結果如圖5所示。由圖可以發現,使用本文方法進行特高壓電氣設備安裝質量檢測后,各特高壓電氣設備運行過程中,電動機的振動值和軸向轉動值均保持在閾值以內,表明各特高壓電氣設備運行狀況良好,從而進一步驗證本文方法對特高壓電氣安裝質量檢測的有效性。

圖5 特高壓電氣設備運行情況

3 結束語

電氣設備安裝質量直接關系到特高壓輸電工程功能能否正常發揮。本文提出了基于傳感器監測的特高壓電氣設備安裝質量檢測方法,實驗表明,該方法可有效實現特高壓電氣設備安裝質量檢測,且完成安裝的特高壓電氣設備運行狀況十分穩定。但該方法中傳感器的精度可能會影響檢測結果的準確性,因此未來的研究中可以探索如何提高傳感器的精度,以更準確地反映電氣設備的安裝質量。