عیب یابی شبکه های قدرت با استفاده از تصاویر حرارتی به کمک رده بند bagging

تعمیر و نگه داری برای افزایش بهره وری و کاهش زمان از کار افتادن تجهیزات که منجر به کاهش تولید می گردد، یکی از موارد مهم تاثیر گذار در بهره وری و افزایش راندمان یک سیستم صنعتی می باشد. به ویژه در صنعت برق مطالعه و پژوهشهای گوناگونی صورت گرفته است. یکی از روش های متداول کنونی در صنعت برق بازدید بصری خطوط انتقال و شبکه توزیع می باشد. این روش علاوه بر هزینه و نیاز به نیروی انسانی با تجربه، از دقت ناچیزی برخوردار است. امروزه استفاده از فن آوری ترموویژن در صنایع، کاربردهای گوناگونی پیدا نموده است. در این پژوهش استفاده از فن آوری ترموویژن به منظور بهبود روشهای جاری تعمیر و نگه داری در صنعت برق، پیشنهاد گردیده است. درواقع بازرسی فنی تجهیزات الکتریکی توسط دوربین های حرارتی موثرترین روش برای عیب یابی پیشگیرانه است. در این مقاله با ترکیب تکنیک های پردازش تصویر و یادگیری ماشین، یک سیستم عیب یاب طراحی شده است. در قسمت پردازش تصویر، با استفاده از آستانه گیری یک سری نواحی کاندیدا استخراج می شوند. سپس با استفاده از تکنیک های یادگیری ماشین یک فیلتر هوشمند برای افزایش دقت (کاهش نمونه های مثبت نادرست) پیاده سازی می شود. ایده ی اصلی در این سیستم استفاده از معیاری به نام سود اطلاعاتی (information gain) برای حذف ویژگی های مازاد و نامربوط است. همچنین از رده بندی به نام bagging که یک رده بند ensemble است برای تفکیک ناحیه ها استفاده شده است. این سیستم عیب یاب بر روی تصاویر حرارتی بدست آمده از پست های شمال غرب تهران آزمایش گردید. نتایج حاصله نشان دهنده این واقعیت است که می توان امید داشت که چنین سیستمی در عیب یابی قطعات در دنیای واقعی مورد استفاده قرار گیرد.

کلیدواژه ها:

شبکه توزیع ، قابلیت اطمینان ، دوربین های حرارتی ، تعمیرات و نگهداری ، پردازش تصویر