Система автоматизированной обработки результатов тепловизионной диагностики электрооборудования

Abstract

Развитие электроэнергетики сопровождается улучшением средств диагностики состояния оборудования в энергетических системах. Часть оборудования электрических сетей значительно изношена и требует повышенного внимания для определения остаточного ресурса. Синтез интеллектуальных технологий и общепринятых методов диагностики является следующей ступенью на пути к будущему электроэнергетики. Цель работы – разработка принципов функционирования системы автоматизированной обработки результатов тепловизионной диагностики электрооборудования. В работе исследуются критерии оценки дефектов электрооборудования на основе температуры нагрева. Алгоритм для автоматизации обработки результатов тепловизионной диагностики электрооборудования разрабатывается на базе искусственных нейронных сетей. Программная реализация детектирования элементов электроустановок на инфракрасных снимках выполняется с использованием архитектуры YOLOv5. Тестирование и оценка обученной нейронной сети производятся с использованием данных тепловизионной диагностики работающего электрооборудования. Обученная в рамках исследования модель нейронной сети по результатам детектирования термограмм из тестовой выборки демонстрирует уверенное обнаружение деталей электроустановок. По результатам анализа нормативной документации был формализован подход к определению степени развития дефектов. Помимо использования термограмм электросетевого оборудования фиксируются также токовая нагрузка и температура окружающего воздуха для выбора подходящей формулы пересчета превышения температуры или избыточной температуры узла электроустановки или контактного соединения. Разработанный алгоритм по автоматизации обработки результатов тепловизионной диагностики электроустановок на базе нейросети YOLOv5 отражает основные процессы, необходимые для функционирования системы. Сформирован и размечен пользовательский набор данных, включающий термограммы реально существующих электроустановок, на основании которого была обучена модель нейросети. Использование тестовой выборки позволило рассчитать значения метрик для оценки качества обучения модели YOLOv5. Разработанная система апробирована на термограммах электрооборудования. Ее использование позволяет в автоматизированном режиме выявить не только развившиеся дефекты, но и начальную стадию возникновения неисправностей.