论文部分内容阅读
气体绝缘全封闭组合电器(Gas Insulated Metal-enclosed Switchgear,GIS)凭借维护量小,设备集成性好及供电可靠性高的优势,成为国内110kV及以上电压等级的变电站中应用广泛的大型开关设备。盆式绝缘子是GIS中起支撑母线和隔离气室作用的重要部位,关乎着整套设备的安全。盆式绝缘子是一种由环氧树脂和氧化铝组合浇筑而成的复合材料,生产的温度和工艺固化都会造成两种材料的聚集分化不一致,从而致使内部应力差异明显,加高压后严重时会形成裂缝或气泡缺陷;同时,在其安装和使用过程中,部分金属脱落或者设备老化还可能形成异物缺陷。成套GIS的安装拆卸工序复杂,如何在不拆卸GIS的前提下,高效准确检测其内部设备的运行状态是当下的研究热点。其中盆式绝缘子是GIS关键的内部设备之一,安装于GIS的气室之间,是检测的重点和难点之一。本文对盆式绝缘子缺陷检测方法进行了大量分析研究后,提出了一种基于X射线和改进卷积神经网络(Convolutional Neural Networks,CNN)相结合的盆式绝缘子缺陷检测方法。本文研究采用X-DR(X Ray Digital Radiography)射线检测技术对盆式绝缘子进行了多组透照实验,采集了大量盆式绝缘子射线图像。针对盆式绝缘子射线图像对比度低、噪声种类多的特点,本文提出了一种基于改进三维块匹配的X射线盆式绝缘子图像去噪方法。该方法针对三维块匹配算法协同滤波中采用的小波硬阈值法造成的伪吉布斯现象,提出了一种改进的小波阈值去噪方法,克服了伪吉布斯现象,保留了更多的图像细节;针对三维块匹配算法协同滤波中采用的维纳滤波法造成的“振铃效应”,提出了一种基于各向异性扩散的改进卡尔曼滤波方法,避免了振铃效应,且边缘清晰,细节完整。经过预处理后的图像质量得到了大幅提升,为后续缺陷识别提供了良好的图像基础,但要准确识别盆式绝缘子的裂纹、气泡和金属异物等缺陷类型仍非易事。裂纹缺陷虽然有一定的长度,但其深度浅,直径小,在射线图像中造成的影像对比并不明显;而气泡和金属异物面积较小,易被其他物体遮挡,难以识别。若要针对不同类型缺陷进行各种形态的特征提取,工作量巨大且步骤繁琐,而卷积神经网络可以自学习图像特征,节省大量特征提取时间,且准确度相比其他方法也更有优势。本文提出了一种基于改进CNN的缺陷识别方法,将传统CNN的固定卷积核改进为可变形卷积核,可变形的卷积核能够检测更多感兴趣区域,使得识别出来的特征更具典型性;将传统的激活函数线性纠正单元(The Rectified Linear Unit,ReLU)改进为PReLU(Parameteric ReLU),不仅可以改善传统的ReLU在低于阈值时造成的部分神经元静默现象,而且能够加快收敛速度。仿真结果表明,与支持向量机(Support Vector Machine,SVM)和传统CNN相比较,改进的CNN计算开销更小,收敛速度更快,且对盆式绝缘子缺陷的识别更准确。实验结果表明,本文所提的基于X射线和改进CNN相结合的盆式绝缘子缺陷检测方法能够在不拆解、不接触GIS设备的情况下,对其内部设备进行透照检测,是一种安全高效、准确可行的盆式绝缘子缺陷检测方法。