CC BY
9
Научная статья УДК 621.31
DOI: 10.14529/power230306
АВТОМАТИЗАЦИЯ РАСПОЗНАВАНИЯ ДЕФЕКТОВ ОБОРУДОВАНИЯ ЭЛЕКТРИЧЕСКИХ СЕТЕЙ С ПОМОЩЬЮ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ
А.Д. Чернова1, [email protected], https://orcid.org/0000-0001-5123-9220
А.А. Косенко2, [email protected], https://orcid.org/0000-0002-0327-0976
Оренбургский государственный университет, Оренбург, Россия 2 Филиал АО «Системный оператор Единой энергетической системы» Оренбургское РДУ, Оренбург, Россия
Аннотация. Одним из признаков развития дефектов в электрическом оборудовании является локальный нагрев, для выявления которого может использоваться тепловизионный контроль. Его результатом являются тепловые снимки работающего электрооборудования - термограммы, которые анализируются с помощью визуальной оценки. Однако для исключения человеческого фактора при обработке большого количества термограмм, например снятых с беспилотных летательных аппаратов, требуется разработка автоматизированной системы распознавания дефектов. В работе приведены результаты исследования по выявлению дефектов оборудования электрических сетей с помощью искусственных сверточных нейронных сетей (СНС). Предлагается использовать механизм передачи обучения, архитектуру SqueezeNet для разделения термограмм на два класса: с дефектом и без дефекта. Для оценки эффективности классификации выбраны метрики: чувствительность, специфичность, сбалансированная точность, коэффициент корреляции Мэтьюса, F-мера. Результаты тестирования обученной СНС на контрольной выборке термограмм, не использовавшихся в процессе обучения, позволяют сделать вывод об эффективности СНС в задачах распознавания дефектов оборудования электрических сетей и перспективности дальнейших исследований по повышению скорости и качества классификации термограмм.
Ключевые слова: термограммы, сверточные нейронные сети, дефекты электрооборудования
Для цитирования: Чернова А.Д., Косенко А.А. Автоматизация распознавания дефектов оборудования электрических сетей с помощью искусственных нейронных сетей // Вестник ЮУрГУ. Серия «Энергетика». 2023. Т. 23, № 3. С. 62-71. DOI: 10.14529/power230306
Original article
DOI: 10.14529/power230306
AUTOMATIC DEFECT RECOGNITION FOR ELECTRICAL EQUIPMENT WITH ARTIFICIAL NEURAL NETWORKS
A.D. Chernova1, [email protected], https://orcid.org/0000-0001-5123-9220
A.A. Kosenko2, [email protected], https://orcid.org/0000-0002-0327-0976
1
Orenburg State University, Orenburg, Russia
2 JSC "System Operator of the United Power System", RDO of the Orenburg ES, Orenburg, Russia
Abstract. Local heating is a sign of the development of defects in electrical equipment. It is detected by thermal imaging control. The result is thermal images of working electrical equipment - thermograms, which are analyzed using a visual assessment. However, in order to reduce the human factor in processing a large number of thermograms taken from unmanned aerial vehicles, the development of an automated defect recognition system has been proposed. The paper presents the results of recognizing defects in electrical equipment with artificial convolutional neural networks (CNN). It is proposed to use the learning transfer mechanism, the SqueezeNet architecture to classify thermograms into two classes: with a defect and without a defect. To assess the effectiveness of classification, the following metrics are proposed: sensitivity, specificity, balanced accuracy, Matthews correlation coefficient, F-measure. Testing of the trained CNN on a control sample of thermograms not used in training proves the effectiveness of the CNN in the tasks of recognizing defects in electrical equipment. It is promising to continue research on improving the speed and quality of classification of thermograms.
Keywords: thermograms, convolutional neural networks, electrical equipment defects
For citation: Chernova A.D., Kosenko A.A. Automatic defect recognition for electrical equipment with artificial neural networks. Bulletin of the South Ural State University. Ser. Power Engineering. 2023;23(3):62-71. (In Russ.) DOI: 10.14529/power230306
© Чернова А.Д., Косенко А.А., 2023
Введение
В настоящее время электрические сети России характеризуются высокой степенью старения оборудования: общий износ объектов составляет 50 %, в том числе подстанционного оборудования -60 %, линий электропередачи - 40 % [1]. Это становится причиной выхода из строя электроустановок: только за 2021 год на электроэнергетических объектах зафиксировано более 40 тысяч технологических нарушений с повреждением оборудования.
К основным причинам аварий, произошедших из-за недостатков эксплуатации, относят старение оборудования, несвоевременное выявление и устранение дефектов [2]. Зачастую развитие дефектов сопровождается значительным ростом температуры, который может быть зафиксирован в процессе тепловизионного контроля.
Распознавание и анализ оператором большого количества термограмм с изображениями оборудования подстанций и элементов линий электропередачи затруднены и занимают значительное время (особенно это касается трудноразличимых объектов с малым тепловым контрастом). Также практически невозможно проводить мониторинг подобных узлов с помощью стационарных диагностических тепловизионных комплексов или комплексов, установленных на беспилотных летательных аппаратах, так как осуществление процедуры съемки и обработки вручную приводит к существенному и иногда неоправданному увеличению трудоемкости процесса из-за большого количества влияющих факторов, описанных далее в статье.
На основании вышесказанного актуальным и значимым становится разработка автоматизированной системы распознавания дефектов оборудования электрических сетей по данным тепловизи-онного контроля. Это позволит повысить надежность электроснабжения за счет раннего обнаружения дефектов, увеличить безопасность производства работ, сократить временные и материальные затраты на мониторинг электрооборудования.
В отечественных работах автоматизация обнаружения дефектов на термограммах оборудования находится на начальной стадии развития. В работе [3] предлагается создание термооптических систем для контроля состояния электровозов с синхронной регистрацией термо- и видеокадров. В работе [4] предложены методики тепловизион-ной диагностики аудиовизуальной аппаратуры в автоматическом режиме с использованием интервального оценивания, дисперсионного и дискри-минантного анализа. В работе [5] предложено на основе определения оптимального порогового значения с помощью гистограммного метода разграничивать качественные и аномальные зоны, а также сопоставлять предполагаемые дефекты с эталонными образцами дефектов путем сравнения термограмм по контрольным точкам. Результаты также получены в области разработки автоматизи-
рованных систем распознавания дефектов на термограммах футерованных объектов [6].
В работах ниже представлены методы автоматизированной оценки термограмм, предложенные зарубежными учеными. Авторы [7] предлагают метод только для изоляторов, который объединяет особенности инфракрасной и ультрафиолетовой сегментации изображения на основе нейронной сети обратного распространения. В исследовании, представленном в [8], используется нейронечеткий метод распознавания дефектов разрядников, а входными данными искусственной нейронной сети (ИНС) являются инфракрасные изображения. Авторы [9] используют метод сегментации по цвету для выделения горячих точек из тепловых изображений. Однако методы цветовой сегментации основаны исключительно на кластеризации значений пикселей, а пороговое значение инфракрасных изображений может привести к переобучению [10]. Авторы [11] используют сверточные нейронные сети для обнаружения изоляторов с помощью инфракрасной термографии и классификации оборудования на изоляторное и все остальное. Многие исследователи используют алгоритмы для объединения тепловых и видимых изображений оборудования [12]. Кроме того, авторы в [13] предлагают распознавать ввод силового трансформатора по значению уровня серого на инфракрасных изображениях. Тот же подход используется к определению состояния изоляторов в [14]. Авторы в [15] использовали инфракрасные тепловые изображения для обучения многослойного персептрона для определения, является ли силовое оборудование дефектным или исправным.
Анализ используемых подходов к распознаванию дефектов на тепловизионных изображениях оборудования выявил следующее: для автоматизированного определения особенностей тепловых изображений электрооборудования и их классификации целесообразно использовать технологии машинного зрения и глубокого обучения. В связи с этим целью работы является исследование возможности применения искусственных сверточных нейронных сетей для распознавания дефектов на термограммах оборудования электрических сетей. Для этого ставятся следующие задачи:
1) выделить факторы, учитываемые при теп-ловизионной диагностике;
2) создать базу данных термограмм электрооборудования;
3) выбрать подходящий тип нейронных сетей и критерии оценки эффективности их работы;
4) реализовать процесс работы СНС, провести сравнительный анализ результатов их работы.
1. Факторы, учитываемые
при тепловизионной диагностике
Основным методом оценки технического состояния оборудования на термограммах является
визуальный. Преимуществами метода является то, что он не требует проведения сложных дополнительных расчетов и подготовки термограмм [16].
Во время проведения визуальной оценки технического состояния электрооборудования по теп-ловизионным снимкам термографист должен учитывать разрешающую способность, поле зрения, погодные условия, солнечную радиацию, переменный характер токовой нагрузки и другие факторы, влияющие на результаты диагностики.
При определении степени опасности выявленного дефекта учитывается значение токовой нагрузки и ее стабильность, возможные максимальные и минимальные пределы нагрузки в процессе работы электрооборудования, местоположение дефекта (внутри электрооборудования или снаружи), значение измеренной температуры нагрева контролируемых узлов фаз, вид контролируемого узла и его конструктивное исполнение. Дальнейший анализ полученных термограмм производится с учетом температуры исследуемой области по следующим критериям: нормированным значениям температуры нагрева, избыточной температуре, коэффициенту дефектности.
При классификации дефекта с учетом нормированных значений температуры нагрева при номинальной нагрузке /ном полученные данные не должны превышать предельные значения температуры нагрева контактов, которые приведены в справочных материалах [17]. Предельные значения температуры нагрева электрооборудования и токоведущих частей распредустройств установлены с учетом конструктивного выполнения токове-дущих частей, класса нагревостойкости, вида покрытий контактных поверхностей.
Кроме того, тепловизионную диагностику желательно проводить при наибольшей токовой нагрузке, так как контроль при токах нагрузки 0,3/ном и ниже не обеспечивает выявление дефекта на ранней стадии его развития. Также следует учитывать, что оценку теплового состояния контактов и болтовых контактных соединений, находящихся в среде окружающего воздуха, при токах нагрузки (0,6-1,0)/ном следует проводить по значению превышения тем-
пературы нагрева с проведением соответствующего пересчета, а при токах нагрузки (0,3-0,6)/ном -по значению избыточной температуры нагрева с проведением соответствующего пересчета.
Эффективность обнаружения дефекта в электрооборудовании, особенно на начальной стадии, зависит от квалификации термографиста, так как процесс контроля и анализа его результатов разнесен во времени. Кроме того, необходим опыт учета большого числа влияющих факторов, описанных выше. Ввиду этого в работе предлагается автоматизировать процесс распознавания дефекта с помощью искусственных нейронных сетей. Однако для их обучения требуется большой объем данных.
2. Создание базы данных термограмм
электрооборудования
База данных была собрана из термограмм, полученных с помощью тепловизора NEC Н2630 с двухкратным телеобъективом ТН 92-482 10,0 °C х 8,2 °C, на подстанциях и линиях электропередачи электросетевых объектов Оренбургской области. Камера тепловизора имеет диапазон измерений от -40 до 500 °С, спектральный диапазон 8-13 мкм, чувствительность 0,04 °С и погрешность ±2 °С, ±2 % от показания. Съемка термограмм велась в осенне-весенний период, в пасмурную погоду или в сумеречное время. Изначально были получены файлы термограмм в расширении .SIX. Затем они экспортировались в формат .jpg. После отбора была сформирована база данных с 232 изображениями оборудования электрических сетей (рис. 1).
В статье термограммы оборудования были разделены на основе составленных при обследовании протоколов по двум основным классам: с дефектом и без дефекта. Подготовка исходных данных для обучения СНС и их разделение по классам были осуществлены с учетом факторов, описанных в разделе 1.
Кроме этого, была составлена ведомость (рис. 2), содержащая следующие характеристики: порядковый номер термограммы, название оригинального файла, состояние оборудования, группа
тяшшттшштшш^шт"
1 2 3 4 5 6 7 3 9 10 11 12 IS И 15
шштшшштттттяштш
16 17 13 19 20 21 22 S 24 25 26 27 2S 29 30
^ ! IP ]
31 К 33 34 35 36 37 38 39 40 41 42 43 «4 45
"LiiBüiiflB'iif» ; м*ет
46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
шшшш^ 4'> ы ■ :яяшш
61 62 63 Ы 65 66 67 63 И ТО 71 72 73 74 75
Рис. 1. База данных термограмм Fig. 1. Database of thermograms
J6R Термограмма Состояние - Группа ПС - Г, кВ. Объект PC 04,q - Папка Диспетчерское наименование
1 H2630029- Нормальное Город по 93 Опора Изоляторы. Арматура -1 1 ВЛ 110 кВ Степная - Ростошн
2 оп.№1 Нормальное Город по 93 Опора. Изоляторы. Арматура -1 1 ВЛ 110 кВ Степная - Ростошн
3 оп.№1 Нормальное Город ПО 93 Опора. Изоляторы. Арматура -1 1 ВЛ 110 кВ Степная - Ростошн
4 on Нормальное Город ПО 93 Опора Изоляторы. Арматура -1 1 ВЛ 110 кВ Степная - Ростошн
оп.№87 Нормальное Город ПО 93 Опора. Изоляторы. Арматура -1 1 ВЛ 110 кВ Степная - Ростошн
6 оп.№88 Нормальное Город ПО 93 Опора. Изоляторы. Арматура -1 1 ВЛ 110 кВ Степная - Ростошн
7 оп№89 ф.А.В.С Нормальное Город ПО 93 Опора Изоляторы. Арматура -1 1 ВЛ 110 кВ Степная - Ростошн
8 on.№8« ф.А.В Нормальное Город ПО 93 Опора. Изоляторы. Арматура -1 1 ВЛ 110 кВ Степная - Ростошн
9 on.№89 ф.С Нормальное Город ПО 93 Опора. Изоляторы. Арматура -1 1 ВЛ 110 кВ Степная - Ростошн
10 Н2630117 Дефект Город ПО 48.8 ВЧЗ ф. «В» Болтовое контактно 28 2 ВЛ 110 кВ Пугачевская - Юго-Восточная с отпайками
11 Н2630118 Дефект Город ПО 48.8 ВЧЗ ф. «В>= Болтовое контактно 28 2 ВЛ 110 кВ Пугачевская ■ Юго-Восточная с отпайками
Рис. 2. Ведомость термограмм Fig. 2. List of thermograms
подстанций, класс напряжения, рабочий ток, объект, температура окружающей среды, путь к файлу, диспетчерское наименование.
3. Выбор архитектуры ИНС
и критериев оценки ее работы
Для того чтобы учитывать локализацию информации в изображении, используются сверточ-ные нейронные сети, которые в результате глубокого обучения способны выделять особенности изображений и классифицировать их соответствующим образом [18].
Сверточная нейронная сеть состоит из входного слоя, последовательности слоев свертки, ректификации, субдескритизации, нормализации и полносвязного выходного слоя, выполняющего роль классификатора (рис. 3).
Каждый уровень соединяется с предыдущими уровнями в сети. Количество и последовательность слоев зависит от конкретной архитектуры СНС. При этом каждый слой имеет свои параметры, которые могу быть оптимизированы для повышения эффективности распознавания.
Для классификации изображений используются предобученные сверточные нейронные сети. К самым распространенным архитектурам относятся такие, как SqueezeNet, GoogLeNet, Inceptionv3, AlexNet, ResNet, VGG и другие. Они отличаются по глубине, количеству параметров, входному размеру изображений. Все они обучены на более
Входное Фильтры Карты признаков
изображение
10 10 1 , , I | ..............-1—|
0 1 0 0 0 )"' ] I Р -
Ú 1010 IUI
1 Ii i i ^ о -i о „ф. Г"""..........
110 0 1 110
11111
110 0 1
t
Функция активации
Рис. 3. Архитектура сверточной сети Fig. 3. Convolutional network architecture
чем миллионе изображений из базы данных ImageNet, в результате чего способны классифицировать изображения по тысяче различных категорий. В работе для исследования СНС в задаче распознавания дефектов на термограммах выбрана сеть SqueezeNet, содержащая 68 слоев и принимающая на вход цветные изображения размером 227 х 227 пикселей. Она обладает достаточно высокой производительностью и точностью классификации. Сравнение различных архитектур для решения поставленной в работе цели не производилось и представляет интерес для дальнейшего исследования.
Для оценки работы СНС используются те же метрики, что и для любого другого классификатора: доля правильно классифицированных документов, точность, сбалансированная точность, чувствительность, специфичность, F-мера, коэффициент корреляции Мэтьюса. Рассмотрим ниже особенности этих метрик применительно к решаемой задаче.
Правильность классификации, заключающаяся в определении процента правильно принятых
решений:
ТР + ТМ
А =--100%, (1)
ТР + ТМ + БР + БМ
где ТР - истинное положительное решение (дефект, распознанный как дефект); ТМ - истинное отрицательное решение (не дефект, распознанный как не дефект); БР - ложное положительное
решение (не дефект, распознанный как дефект); БМ - ложное отрицательное решение (дефект, распознанный как не дефект).
Особенность этого критерия заключается в том, что всем решениям присваивается одинаковый вес. Однако при неодинаковом количестве объектов в классах обучающей выборки СНС будет принимать решения лучше по объектам тех классов, которые больше.
В случае дисбаланса объектов в классах исходных данных следует воспользоваться другой метрикой - сбалансированной точностью. В рассматриваемой задаче этот дисбаланс обусловлен различным количеством примеров термограмм, содержащих оборудование с дефектом, и термограмм - с оборудованием без дефектов. Сбалансированная точность также является средним полноты всех классов или средним чувствительности и специфичности:
ВА = I
TP TN .
- + ———1-100%.
, , (2) 2 ^ ТР + БМ ТМ + бр;
Точность и чувствительность - это метрики, которые могут использоваться как сами по себе, так и при расчете Б-меры. Точность - это доля изображений, действительно принадлежащих данному классу относительно всех изображений, которые система отнесла к этому классу:
Рг = | ТР 1-100%. (3)
^ ТР + БР )
Чувствительность - это доля найденных СНС изображений, принадлежащих классу относительно всех документов этого класса в тестовой выборке:
8еп = |———1-100%. (4)
^ ТР + БМ )
Специфичность вычисляется по следующей формуле:
ТМ
Sp =
-100%.
(5)
„TN + FP,
Поскольку формула не учитывает ложно отрицательные и истинно положительные решения, то специфичность может дать смещенную оценку, особенно в случае несбалансированных классов.
F-мера представляет собой совместную оценку точности и чувствительности. Данная метрика вычисляется по следующей формуле:
^ „ f Precision • Sensitivity ^
F-measure = 2 • I-— I. (6)
^ Precision + Sensitivity )
Коэффициент корреляции Мэтьюса учитывает истинные и ложные положительные и отрицательные результаты и обычно считается сбалансированной мерой, которую можно использовать, даже если классы очень разных размеров. Он вычисляется по следующей формуле:
MMC =
TP - TN - FP - FN
7(TP + FP) - (TP + FN) - (TN + FP) - (TN + FN)
. (7)
MCC может принимать значения из интервала от -1 до +1. Одним из ключевых свойств MCC является легкость интерпретации. Сеть, получившая оценку «+1», является идеальной, так как все предсказанные классы совпали с исходным распределением объектов. Оценка сети «-1» указывает на полное несоответствие между результатами работы классификатора и исходным распределением объектов по классам в контрольной выборке.
4. Реализация сверточной нейронной сети
и оценка эффективности ее работы
Исследование возможности применения СНС для задачи распознавания дефектов оборудования электрических сетей осуществлялось в системе MATLAB. После загрузки сети в Deep Network Designer в архитектуре SqueezeNet заменялся последний слой свертки и последний полносвязный слой, который осуществляет классификацию изображений. Это позволило осуществить процесс передачи обучения и классифицировать новые объекты на заданное число классов.
В слое свертки были скорректированы следующие параметры: размер фильтра, число фильтров, установленное равным числу классов. Поскольку СНС будет использоваться для классификации изображений на те, на которых изображен дефект, и те, где изображено оборудование без дефектов, то число классов будет равняться 2. Также увеличивались параметры, которые отвечают за скорость обучения последних слоев относительно общей скорости сети. Кроме того, задаются такие параметры, как шаг свертки, дилитация и дополнение. Авторами в работе [19] подробно описаны характеристики этих параметров, в процессе их подбора было экспериментально выявлено, что для задачи распознавания термограмм электрооборудования лучше всего использовать значения шага свертки, равные «1,1», дилитации -«2,2», дополнение - «same» (такого размера, чтобы выход сверточного слоя имел тот же размер, как и его вход). При указанных параметрах сеть имела наилучшие значения по метрикам оценки эффективности работы, указанным в разделе 3.
Далее необходимо перейти к импорту данных. Приложение Deep Network Designer предоставляет возможности аугментации - увеличения количества изображений обучающей выборки путем изменения оригиналов. В работе применяется случайное отражение, вращение и масштабирование. После отсеивания повторяющихся снимков из исходного набора данных для обучения СНС использовалось 146 изображений, которые подверглись аугментации. Еще 20 изображений использовались в качестве контрольной выборки для оценки эффективности работы обученной сети и расчета метрик.
После запуска обучения сети строился график зависимости точности классификации (сверху), чис-
ла ошибок (снизу) от числа эпох обучения (рис. 4). В итоге обучение закончилось на 50-й эпохе за 57 секунд. Значение доли документов, по которым СНС приняла правильное решение, достигло 92,06 %.
Авторами был разработан и реализован алгоритм для определения эффективности работы обученной сети на контрольной выборке, изображения в которой не использовались при обучении. Для этого сеть выгружалась из Deep Network Designer со всеми полученными в процессе обучения значениями весов. Затем изображения из контрольной выборки масштабировались согласно размеру входного слоя сети и поступали на ее вход. На выходе СНС изображение было отнесено к одному из двух классов (с дефектом или без дефекта) со значением вероятности, с которой объект относится к этому классу. Пример работы обученной СНС представлен на рис. 5.
После сравнивалось значение класса, к которому сверточная нейронная сеть отнесла изображение, с заданным классом. Если на термограмме был дефект и СНС распознала его, то увеличива-
лось на единицу значение ТР. Если на термограмме был дефект, но СНС не распознала его, то увеличивалось на единицу значение ЕЫ. Если на термограмме не было дефекта, но СНС отнесла ее к классу дефектов, то увеличивалось значение ЕР. И если на термограмме не было дефекта и СНС верно отнесла ее к классу изображений без дефектов, то на единицу увеличивалось значение ТЫ.
По окончании подсчитывалось общее количество объектов в классах и рассчитывались значения метрик по формулам (1)-(7). Разработанный алгоритм представлен на рис. 6 с помощью ЦМЬ-диаграммы активностей.
Реализованный в системе МАТЬАБ алгоритм применялся для оценки эффективности СНС с параметрами, описанными выше. Поскольку в ходе обучения СНС процесс настройки весов носит случайный характер, то невозможно в результате серии обучений сети с одними и теми же параметрами получить абсолютно одинаковые веса. Поэтому генерировалось 20 СНС, в таблице представлены 5 из них с самыми высокими значениями метрик.
Рис. 4. Прогресс обучения СНС Fig. 4. CNN Learning Progress
Рис. 5. Пример работы обученной СНС Fig. 5. Example of a trained CNN
Рис. 6. Алгоритм оценки эффективности СНС Fig. 6. Efficiency evaluation algorithm CNN
Оценка эффективности СНС Assessment of the effectiveness of the CNN
№ A, % BA, % Sen, % Sp, % Pr, % F-measure, % MMC
1 78,95 78,41 81,82 75 81,82 81,82 0,5682
2 78,95 80,11 72,73 87,5 88,89 80 0,5955
3 84,21 82,95 90,91 75 83,33 86,96 0,6746
4 84,21 84,66 81,82 87,5 90 85,71 0,6854
5 89,47 89,2 90,91 87,5 90,91 90,91 0,7841
Полученные значения метрик характеризуют высокую эффективность сверточной нейронной сети применительно к задаче распознавания дефектов на термограммах оборудования электрических сетей по сравнению с аналогичными работами [20]. Однако возможны и более высокие показатели при применении в качестве классификатора на последнем слое алгоритмов случайного леса, методов опорных векторов и других [21].
Заключение
1. При тепловизионной диагностике существует большое количество осложняющих факто-
ров, затрудняющих анализ большого количества термограмм. Для мониторинга подстанционного оборудования и элементов воздушных линий электропередачи требуется автоматизировать процесс распознавания дефектов. Для этого предлагается использовать сверточные нейронные сети.
2. Для использования технологии машинного зрения необходимо большое количество изображений. В работе была представлена собранная база данных термограмм оборудования электрических сетей, разделенных на два класса: изображения с дефектом и без дефекта.
3. Для распознавания дефекта на термограмме предложено использовать сеть SqueezeNet и механизм передачи обучения. Поскольку сверточная нейронная сеть выступает в роли классификатора, то были выбраны соответствующие метрики, значения которых позволяют оценить эффективность работы сети.
4. Для решения поставленных задач в результате серии экспериментов были обучены несколько экземпляров сверточных нейронных сетей. Ав-
торами был разработан алгоритм расчета значений метрик для оценки эффективности работы СНС на данных, не использовавшихся ранее при обучении. Полученные значения метрик характеризуют высокую эффективность сверточной нейронной сети применительно к задаче распознавания дефектов на термограммах оборудования электрических сетей. Лучший результат составил 90,91 % для Б-меры, 89,2 % сбалансированной точности и 0,7841 - для коэффициента корреляции Мэтьюса.
Список литературы
1. Показатель технического состояния объектов электроэнергетики (физический износ). URL: https://minenergo.gov.ru/node/11201 (дата обращения: 15.02.2023).
2. Косенко А.А., Чернова А.Д. Обзор распространенных дефектов воздушных линий электропередачи напряжением 35 кВ и выше // Разработка и применение наукоемких технологий в эпоху глобальных трансформаций: сб. ст. Междунар. науч.-практ. конф., Оренбург. Уфа: ООО «Омега Сайнс», 2022. С. 32-37.
3. Разработка термо-оптической системы контроля и диагностики электровозов/ A.B. Лукьянов,
B.Н. Перелыгин, В.Ю. Гарифулин, В.В. Бондарик // Современные методы и приборы контроля качества и диагностики состояния: материалы 3-й Междунар. науч.-техн. конф. Могилев, 2009. С. 265-267.
4. Романов Р.А. Надежность энергетического оборудования и методы термографии // Экспозиция Нефть Газ. 2012. № 1 (19). С. 22-24.
5. Троицкий-Марков Р.Т. Тепловой контроль технического состояния электрооборудования с целью обеспечения электробезопасности и пожаробезопасности // Энергобезопасность и энергосбережение. 2008. № 3. С. 30-33.
6. Емельянов В.А., Емельянова Н.Ю. Интеллектуализация информационных систем мониторинга и технической диагностики футерованного оборудования: монография. Севастополь: Изд-во «Рибест», 2015. 160 с.
7. Jin L., Zhang D. Contamination Grades Recognition of Ceramic Insulators Using Fused Features of Infrared and Ultraviolet Images // Energies. 2015. No. 8. P. 837-858. DOI: 10.3390/en8020837
8. Intelligent Thermographic Diagnostic Applied to Surge Arresters: A New Approach / C.A.L. Almeida, A.P. Braga, S. Nascimento et al. // IEEE Transactions on Power Delivery. 2009. Vol. 24, no. 2 Р. 751-757. DOI: 10.1109/TPWRD.2009.2013375
9. Jaffery Z.A., Dubey A.K. Design of Early Fault Detection Technique for Electrical Assets Using Infrared Thermograms // International Journal of Electrical Power & Energy Systems. 2014. No. 63. Р. 753-759. DOI: 10.1016/j.ijepes.2014.06.049
10. Zou H., Huang F. An Intelligent Fault Diagnosis Method for Electrical Equipment Using Infrared Images // 34th Chinese Control Conference (CCC). 2015. Р. 6372-6376, DOI: 10.1109/ChiCC.2015.7260642
11. Aggregating Deep Convolutional Feature Maps for Insulator Detection in Infrared Images / Z. Zhao, X. Fan, G. Xu et al. // IEEE Access. 2017. No. 5. Р. 21831-21839. DOI: 10.1109/ACCESS.2017.2757030
12. Li H., Wang B., Li L. Research on the Infrared and Visible Power-Equipment Image Fusion for Inspection Robots // 1st International Conference on Applied Robotics for the Power Industry. 2010. P. 1-5. DOI: 10.1109/CARPI.2010.5624441
13. Zhou Q., Zhao Z. Substation Equipment Image Recognition Based on SIFT Feature Matching // International Congress on Image and Signal Processing. 2012. P 1344-1347. DOI: 10.1109/CISP.2012.6469854
14. Multi-Angle Insulator Recognition Method in Infrared Image Based on Parallel Deep Convolutional Neural Networks / Z. Zhao, X. Fan, Y. Qi, Y. Zhai // Computer Vision. CCCV 2017. Communications in Computer and Information Science. 2017. No. 773. Р. 303-314. DOI: 10.1007/978-981-10-7305-2_27
15. Predictive Maintenance of Power Substation Equipment by Infrared Thermography Using a Machine-Learning Approach / I. Ullah, F. Yang, R. Khan et al. // Energies. 2017. No. 10 (12). P. 1987. DOI: 10.3390/en10121987
16. Косенко А.А., Чернова А.Д. Методы анализа тепловизионных снимков электроэнергетического оборудования // Университетский комплекс как региональный центр образования, науки и культуры: сб. материалов Всерос. науч.-метод. конф. Оренбург: Оренбургский государственный университет, 2022.
C. 1102-1105.
17. РД 153-34.0-20.363-99 Основные положения методики инфракрасной диагностики электрооборудования и ВЛ. М.: СПО ОРГРЭС, 2001. 136 с.
18. Чернова А.Д. Архитектура сверточных нейронных сетей в задаче инфракрасной диагностики электрооборудования // Современные задачи и перспективные направления инновационного развития науки: сб. ст. Междунар. науч.-практ. конф. 2022. С. 42-48.
19. Чернова А.Д. Исследование параметров сверточных нейронных сетей для задач распознавания дефектов на термограммах электрооборудования // Энергетические и электротехнические системы: между-нар. сб. науч. тр. 2022. Вып. 9. С 15-22.
20. Automatic Fault Diagnosis of Infrared Insulator Images Based on Image Instance Segmentation and Temperature Analysis / B. Wang, M. Dong, M. Ren et al. // IEEE Transactions on Instrumentation and Measurement. 2020. No. 69. P. 5345-5355. DOI: 10.1109/TIM.2020.2965635
21. Deep Learning Image-Based Defect Detection in High Voltage Electrical Equipment / I. Ullah, R.U. Khan, F. Yang, L. Wuttisittikulkij // Energies. 2020. No. 13 (392). P. 1-17. DOI: 10.3390/en13020392
References
1. Pokazatel' tekhnicheskogo sostoyaniya ob"ektov elektroenergetiki (fi-zicheskiy iznos) [Indicator of the technical condition of electric power facilities (physical wear and tear)]. (In Russ.) Available at: https://minenergo.gov.ru/node/11201. (accessed 15.02.2023).
2. Kosenko A.A., Chernova A.D. [Overview of common defects of overhead power lines with a voltage of 35 kV and higher]. In: Razrabotka i primenenie naukoemkikh tekhnologiy v epokhu global'nykh transformatsiy: sb. st. Mezhdunar. nauch.-prakt. konf., Orenburg [Development and application of high technologies in the era of global transformations: collection of articles of the International Scientific and Practical Conference, Orenburg ]. Ufa: LLC "Omega Science"; 2022. P. 32-37. (In Russ.)
3. Lukyanov A.B., Perelygin V.N., Garifullin V.Yu., Bondarik V.V. [Development of a thermo-optical system for monitoring and diagnostics of electric locomotives]. Sovremennye metody i pribory kontrolya kachestva i diagnostiki sostoyaniya: materialy 3-y Mezhdunar. nauch.-tekhn. konf. [Modern methods and devices for quality control and condition diagnostics: materials of the 3rd international scientific and technical conference]. Mogilev; 2009. P. 265-267. (In Russ.)
4. Romanov R.A. Reliability of power equipment and thermal imaging methods. Oil & Gas Exposition. 2012;1(19):22-24. (In Russ.)
5. Troitsky-Markov R.T. [Thermal control of the technical condition of electrical equipment in order to ensure electrical safety and fire safety]. Energy Security and Energy Saving. 2008;3:30-33. (In Russ.)
6. Emelyanov V.A., Emelyanova N.Yu. Intellektualizatsiya informatsionnykh sistem monitoringa i tekhniche-skoy diagnostiki futerovannogo oborudovaniya: monografiya [Intellectualization of information systems for monitoring and technical diagnostics of lined equipment. Monograph]. Sevastopol: Ribest Publ., 2015. 160 p. (In Russ.)
7. Jin L., Zhang D. Contamination Grades Recognition of Ceramic Insulators Using Fused Features of Infrared and Ultraviolet Images. Energies. 2015;8:837-858. DOI: 10.3390/en8020837
8. Almeida C.A.L., Braga A.P., Nascimento S., Paiva V., Martins H.J.A., Torres R., Caminhas W.M. Intelligent thermographic diagnostic applied to surge arresters: A new approach. In: IEEE Transactions on Power Delivery. 2009;24(2):751-757. DOI: 10.1109/TPWRD.2009.2013375
9. Jaffery Z.A., Dubey A.K. Design of early fault detection technique for electrical assets using infrared thermograms. International Journal of Electrical Power & Energy Systems. 2014;63:753-759. DOI: 10.1016/j.ijepes.2014.06.049
10. Zou H., Huang F. An intelligent fault diagnosis method for electrical equipment using infrared images. In: 34th Chinese Control Conference (CCC). 2015. P. 6372-6376. DOI: 10.1109/ChiCC.2015.7260642
11. Zhao Z., Fan X., Xu G., Zhang L., Qi Y., Zhang K. Aggregating deep convolutional feature maps for insulator detection in infrared images. IEEE Access. 2017;5:21831-21839. DOI: 10.1109/ACCESS.2017.2757030
12. Li H., Wang B., Li L. Research on the infrared and visible power-equipment image fusion for inspection robots. In: 1st International Conference on Applied Robotics for the Power Industry. 2010. P. 1-5. DOI: 10.1109/CARPI.2010.5624441
13. Zhou Q., Zhao Z. Substation equipment image recognition based on SIFT feature matching. In: International Congress on Image and Signal Processing. 2012. P. 1344-1347. DOI: 10.1109/CISP.2012.6469854
14. Zhao Z., Fan X., Qi Y., Zhai Y. Multi-angle insulator recognition method in infrared image based on parallel deep convolutional neural networks. In: Computer Vision. CCCV 2017. Communications in Computer and Information Science. 2017;773:303-314. DOI: 10.1007/978-981-10-7305-2_27
15. Ullah I., Yang F., Khan R., Liu L., Yang H., Gao B., Sun K. Predictive maintenance of power substation equipment by infrared thermography using a machine-learning approach. Energies. 2017;10(12):1987. DOI: 10.3390/en10121987
16. Kosenko A.A., Chernova A.D. [Methods for analyzing thermal imaging images of electric power equipment]. In: Universitetskiy kompleks kak regional'nyy tsentr obrazovaniya, nauki i kul'tury: sb. materialov Vseros. nauch.-metod. konf. [The University Complex as a Regional Center for Education, Science and Culture]. Orenburg: Orenburg State University; 2022. P. 1102-1105.
17. RD 153-34.0-20.363-99. [Method for infrared inspection of electrical equipment and overhead lines]. Moscow: SPO ORGRES; 2001. 136 p. (In Russ.)
18. Chemova A.D. [Architecture of convolutional neural networks in infrared diagnostics of electrical equipment]. In: Sovremennye zadachi i perspektivnye napravleniya innovatsionnogo razvitiya nauki: sb. st. Mezhdunar. nauch.-prakt. konf. [Modern tasks and perspective directions of innovative development of science: collection of articles of the International Scientific and Practical Conference]. 2022. P. 42-48. (In Russ.)
19. Chernova A.D. [Investigation of parameters of convolutional neural networks for problems of defect recognition on thermograms of electrical equipment]. In: Energeticheskie i elektrotekhnicheskie sistemy: mezhdunar. sb. nauch. tr. [Energy and electrical systems: international collection of scientific papers]. 2022;9:15-22. (In Russ.)
20. Wang B., Dong M., Ren M., Wu Z., Guo C., Zhuang T., Pischler O., Xie J. Automatic fault diagnosis of infrared insulator images based on image instance segmentation and temperature analysis. IEEE Transactions on Instrumentation and Measurement. 2020;69:5345-5355. DOI: 10.1109/TIM.2020.2965635
21. Ullah I., Khan R.U., Yang F., Wuttisittikulkij L. Deep learning image-based defect detection in high voltage electrical equipment. Energies. 2020;13(392):1-17. DOI: 10.3390/en13020392
Информация об авторах
Чернова Анастасия Дмитриевна, канд. техн. наук, доц. кафедры электро- и теплоэнергетики, Институт энергетики, электроники и связи, Оренбургский государственный университет, Оренбург, Россия; [email protected].
Косенко Андрей Андреевич, ведущий специалист отдела устойчивости и противоаварийной автоматики Службы электрических режимов, Филиал АО «Системный оператор Единой энергетической системы» Оренбургское РДУ, Оренбург, Россия; [email protected].
Information about the authors
Anastasia D. Chernova, Cand. Sci. (Eng.), Ass. Prof. of the Department of Electrical and Thermal Power Engineering, Orenburg State University, Orenburg, Russia; [email protected].
Information about the authors
Andrey A. Kosenko, Leading Expert of the Department of Stability and Antiemergency Automatic Equipment of Service of the Electric Modes, JSC "System Operator of the United Power System", RDO of the Orenburg ES, Orenburg, Russia; [email protected].
Статья поступила в редакцию 20.02.2023; одобрена после рецензирования 05.05.2022; принята к публикации 05.05.2022.
The article was submitted 20.02.2023; approved after review 05.05.2022; accepted for publication 05.05.2022.
