Надежность работы электроэнергетических систем в значительной мере определяется состоянием изоляции электротехнического оборудования. Повреждения изоляции могут приводить к потерям электроэнергии, сокращению срока службы линий и аппаратов, а также к аварийным отключениям, поэтому диагностика изоляции приобретает критическое значение для предотвращения технологических нарушений. Однако традиционные подходы к контролю изоляции часто трудоемки и субъективны. В связи с этим возрастает роль методов компьютерного зрения и глубокого обучения, способных автоматически обнаруживать дефекты изоляции и тем самым повышать эффективность и объективность мониторинга. В настоящем исследовании рассматривается применение современных архитектур глубоких сверточных нейронных сетей для задачи распознавания изоляционных элементов электрооборудования. Особое внимание уделяется сравнительному анализу нескольких передовых моделей. Рассматриваемые архитектуры показывают эффективные результаты и обеспечивают глубокий многомасштабный анализ признаков сцены на основе сверточных сетей. В данной работе модели применяются в связке с алгоритмами аугментации изображений. Аугментация данных позволяет искусственно расширить ограниченные наборы обучающих изображений за счет разнообразных преобразований, что особенно важно при небольшом объеме датасета. Применение данных методов направлено на повышение качества обучающих данных и снижение риска переобучения моделей, а также на преодоление дисбаланса классов в выборке за счет генерации дополнительных образцов неисправностей. Предлагаемый подход включает проведение последовательного сравнительного эксперимента на малом и ограниченном наборе данных изображений с энергетических объектов. Проведено сравнение по метрикам точности и полноты различных архитектур нейросетей при комбинировании различных стратегий аугментации, чтобы выявить комбинацию моделей и методов увеличения данных, обеспечивающих наивысшую точность распознавания. Результаты исследования позволят определить наиболее эффективные модели и приемы аугментации, пригодные для условий реальной эксплуатации на энергетических объектах – с учетом сложного фона, переменного освещения и различных ракурсов съемки оборудования. Выявление таких оптимальных решений на основе глубокого обучения призвано повысить надежность и эффективность автоматизированного контроля изоляции в электроэнергетике.

Ключевые слова: компьютерное зрение, сверточные нейронные сети, изоляция, дефект, аугментация данных, машинное обучение, энергетика, автоматизация анализа изображений

2.3.1 - Системный анализ, управление и обработка информации , 2.4.1 - Теоретическая и прикладная электротехника

Переход от планового технического обслуживания и ремонта оборудования к обслуживанию по его фактическому техническому состоянию требует применения новых методов анализа данных на основе машинного обучения. Современные системы сбора данных такие как роботизированные беспилотные комплексы позволяют формировать большие объемы графических данных в различных спектрах. Увеличение объема данных приводит к задаче автоматизации их обработки и анализа для идентификации дефектов высоковольтного оборудования. В данной статье проведен анализ особенностей применения алгоритмов компьютерного зрения для изображений высоковольтного оборудования электрических станций и подстанций в инфракрасном спектре и представлен метод их анализа, который может быть применен при создании интеллектуальных систем поддержки принятия решений в области технической диагностики оборудования. Предложенный метод использует как детерминированные алгоритмы, так и машинное обучение. Классические алгоритмы компьютерного зрения применены для предварительной обработки данных с целью выделения значимых признаков, а модели на основе машинного обучения без учителя используются для распознавания графических образов оборудования в оптимизированном по информативности пространстве признаков. Сегментация изображения с помощью алгоритма пространственной кластеризации на основе плотности распределения значений с учетом выбросов позволяет обнаруживать и группировать фрагменты изображения со статистически близкими распределениями ориентаций линий. Такие фрагменты характеризуют определенные конструктивные элементы оборудования. В статье описан алгоритм, реализующий предложенный метод на примере решения задачи детектирования дефектов трансформаторов тока, и представлена визуализация его промежуточных шагов.

Ключевые слова: высоковольтное оборудование, техническая диагностика, трансформатор тока, дефект, тепловизионный контроль, машинное обучение, компьютерное зрение, кластеризация, сегментация

2.3.1 - Системный анализ, управление и обработка информации , 2.3.3 - Автоматизация и управление технологическими процессами и производствами