基于红外图像分析的电力设备热故障检测技术研究
芦竹茂+王天正+俞华+马丽强+刘永鑫
摘 要： 设计基于红外图像分析的电力设备热故障检测系统，该系统由图像采集模块和图像检测模块组成。根据目标设备的形状特征识别热图像中的电力设备，计算设备区域内的最高温度值，并对各种影响因素进行修正后做出诊断，取得了令人满意的结果。在与主动式传感器的电力设备热故障检测法的对比试验中，证明提出的基于红外图像分析的电力设备热故障检测方法在对电力设备热故障区域进行检测时是准确、有效的。
关键词： 输变电设备； 在线监测； 状态诊断； 热故障检测
中图分类号： TN219?34 文献标识码： A 文章编号： 1004?373X（2017）11?0123?04
Research on electrical equipment thermal fault detection technology
based on infrared image analysis
LU Zhumao， WANG Tianzheng， YU Hua， MA Liqiang， LIU Yongxin
（Electric Power Research Institute， State Grid Shanxi Electric Power Company， Taiyuan 030001， China）
Abstract： The electrical equipment thermal fault detection system based on infrared image analysis was designed， which is composed of the image acquisition module and image detection module. The electric equipment in thermal image is recognized according to the shape feature of the target equipment. The maximum temperature in the equipment area is calculated. The various influence factors are corrected for diagnosis， which has obtained the satisfactory result. The comparative test of the proposed method with the electrical equipment thermal fault detection method of active sensor of thermal power equipment fault detection method was performed. It is proved that the electrical equipment thermal fault detection method based on infrared image analysis is accurate and effective to detect the thermal fault area of electrical equipment.
Keywords： power transmission equipment； online monitoring； condition diagnosis； thermal fault detection
0 引 言
為了确保庞大数量的电力设备能够正常可靠地运行，必须对这些设备进行定期和经常性的检查和故障诊断。然而传统的检查方法必须对设备停运，随着设备数量的不断增多，线路需要停运的次数也越来越多，造成巨大的经济损失。
随着技术的发展，红外图像识别技术开始应用于电力设备的过热故障监测中。红外热成像设备用于电力设备故障检测具有灵敏度高、可进行计算分析、检测效率高等特点，其最大优点在于可以对电力设备进行实时在线状态检测和热故障诊断，因此近年来在国内外得到了非常广泛的应用。
1 基于红外图像分析的电力设备热故障检测技术
1.1 系统架构
本文充分利用红外图像分析技术，设计了基于红外图像分析的电力设备热故障检测系统，这一系统主要包括两大模块：一是图像采集模块，负责电力设备红外图像的采集；二是图像检测模块，负责依据红外图像进行电力设备温度参数的计算和分析处理。
针对红外图像采集，系统设计具有采集设备的定位功能和红外图像采集功能，利用定位功能对电力设备进行现场的检测和图片采集，自动采集设备的红外图像，然后存入图像数据中。图像检测模块则总控该系统，在整个检测系统中，图像检测模块在获取图像采集模块的电力设备红外图像后，对图像进行自动分析，计算获取图像的温度值后，与系统预设的警戒温度进行对比，如果高于预设阈值则发出预警信息，维修人员依据预警信息组织快速维修任务。系统总体结构如图1所示。
1.2 电力设备热故障红外检测流程
现场检测完成后，给出设备故障的定性诊断，进入故障的定量诊断阶段，工作流程如图2所示。因为大多数电器设备的红外诊断只凭其热像特征给出定性诊断是很不够的，为了能提出准确的维修建议，必须对故障的定位和严重程度做出准确的定量诊断。为了提高定量诊断的准确性，必须通过计算机进行精确的定量分析处理，并针对不同情况采取相应的分析判别方法。
（1） 红外图像收集
红外线图像通常使用图像采集设备收集图像。在特殊规定的范围内，该设备根据电力设备热故障的数量和类别差异，分析目标位置，并在各个地方进行红外图像的收集。由于电力设备内存在着不同位置许多可以检测的特征点，因此实际工作时需要从各个目标位置中获取红外图像，来逐一查看各个检测点的温度情况。收集图像的采集设备可以在规定的路径上从头走到尾逐一从电力设备的特征点上实行红外图像采集。图像收集过程前后衔接不间断，使电力设备热故障检测过程动态持续运行。
（2） 红外图像配准
采集设备作为一款硬件设施，检测过程中不可避免的会出现误差。误差造成红外图像的采集位置与电力设备的原始位置不同，这样会进一步影响计算的过程和结果，会使得特征点的温度与实际温度出现很大的偏差，大大影响了准确率，因此需要对这些误差进行配准。
（3） 采集信息多方面对比
数据库设置的位置信息，尤其是特征点的信息是进行诊断的依据。系统会根据这些位置信息进行红外图像的采集，并且获取区域内电力设备的温度数据。然后，将二者进行比较分析，同时还要将采集的温度数据与数据库中的温度数据进行比较分析，最后得出一个结果。
（4） 根据电力设备的温度数据，将设备的信息相互多方面对比后，可以获得一个准确的结果。依据这一结果进行电力设备热故障的诊断，并且发出警报。
1.3 提高诊断准确性的技术方法
1.3.1 温度值的发射率修正
影响物体红外辐射测温值的重要因素是物体表面的发射率，用红外检测仪器（如热像仪）测量电气设备表面的温度时，根据物体表面的发射值调整检测仪器的“发射率修正”旋钮，对被测设备的温度输出值进行发射率修正。发射率分别为0.75，0.9的对比见图3。
1.3.2 温度值的距离修正
在大多数情况下，红外测温结果总是低于被测设备表面的实际温度，这是因为被测设备表面发射的红外辐射在大气中的传输受到衰减。当检测距离较大且需要进行定量监测时，则需要对温度值的距离进行修正。修正的方法有以下三个方面：
（1） 系数修正。该方法是基于大量的模拟实验获取数据，然后根据实验数据显示的热源温度随距离的变化规律，在不同距离下，温度的变化规律的细微差别就可以利用系数进行调整，即为修正，进而得到一组温度随距离变化的修正系数数据。通过模拟试验得到的一组温度修正系数如表1所示。
例如：如果对某一刀闸正常检测时，在距离2 m时，测得的温度为35 ℃，若检测距离是25 m，则实际温度应该用测得的35 ℃再乘以修正系数1.55，最后实际温度应该为54.25 ℃。
（2） 曲线定标修正。首先要绘制出温度与距离的线性图，利用温度稳定且可调的热源，使用热像仪在不同距离处测量温度，以距离为参数，得到的结果如图4所示。接下来，就可以根据图4进行温度修正，当在测量现场使用红外测温获得一个温度值后，在图4的纵轴上找到与温度值对应的刻度，然后画出一条水平线与相应的检测距离定标线相交，再从交点向下作一条垂线，垂线与横轴的交点就是最终要测出的物体温度。
（3） 风速修正。依据常识，如果有风存在，一定会影响远距离热量的扩散，这是因为风速会直接影响设备表面的对流放热。因此，在相同的故障情况下，检测时有风和无风将会是完全不同的结果，风速会影响检测的结果，所以，当风速大于0.05 m/s时一定要对检测的温度结果进行风力修正，否则检测结果是不准确的。进行风速的修正，首先将零级风时的温升标准化：
（1）
式中：代表风速；是风速为时检测到的温度值；而指在风速为0时的标准化温度值；指风速衰减系数，在本文的修正中，顺风时取0.904，背风时取1.31。
图5中的刀闸接头实测温度为43 ℃，检测时风速为1.5 m/s，根据式（1）进行风速修正，如果是背风则修正后的温度为135 ℃，若是顺风则修正后的温度是225 ℃。通过前后的结果可以看出，如果没有风速修正会认为刀闸接头是正常的，但修正后应判为紧急故障，需要立即进行维修。这就说明，在检测之后对得到的热图像进行风速的修正是十分必要的。
综上所述，利用红外图像分析对电力设备进行检测时，精心准备、认真操作只是基础，在这些基础之上， 对测得的数据进行各方面的修正才能保证最终结果的正确性，才能对电力设备的状态进行准确的诊断。
2 电力设备的识别及自动诊断
实现基于红外图像分析的电力设备热故障检测系统，还需要解决两个主要问题：一是电力设备的识别；二是自动诊断。
2.1 电力设备的识别
通常情况下，电力设备的红外热图像与可见光图像有很大的不同，在较远距离或是较弱的红外辐射下获取的设备热图像会很模糊，图像的细节较少，不足以显示一个完整的设备细节，另外，热图像呈现的复杂度、纹理等也在很大程度上受到物体表面红外辐射场的影响，红外图像仅能反映出设备的边缘信息，这就给基于红外热图像实现电力设备的识别提出了一个难题。
为了解决这一问题，系统具备图像识别的能力。图像识别实际就是对红外热图像的分类，分类的依据是从图像中提取的各种特征信息与标准图像特征库进行比对，特征匹配度越大，就会归为某种设备。因此，首先要进行电力设备的特征提取，在这一过程中，电力设备的几何形状具有平移、比例和旋转不变性尤为重要，这样可以保证特征的不变性，这一类的电力设备有阻波器、三相电缆头、互感器、隔离刀闸等，选取每类设备图像区域的形状参数和偏心度作为分类的特征依据，建立电力设备的特征向量空间，这就是一个标准库。
在模式识别系统中进行分类器的训练。在分类器进行判决时，要利用特征向量空间中的样本特征。在一幅红外热图像输入系统后，系统会自动计算图像的维数，并依据每个像素的灰度值提取图像的原始特征，然后進一步计算，提取出少量更有意义的特征值。将红外热图像的这一特征值与标准库的特征值进行比对，很快可以识别出红外热图像属于哪一设备。
2.2 电力设备热故障的自动诊断
在以上工作的基础上，计算实现自动诊断的一个依据就是待诊断设备区域内的最高温度值。温度值是系统进行诊断的惟一参数值，流程如图6所示，首先依据红外图像进行图像预处理，这一方面是对目标的识别。另一方面根据“斯蒂芬?波尔兹曼定律”进行计算，确定红外发射率和实际的电气设备的温度，然后系统根据之前设定的故障级别，及时输出该热设备的图像数据、诊断结果以及预警信息，最后输出诊断结果。
图6 红外热图像电力设备故障自动诊断过程图
3 运行分析
为了验证本文提出的基于红外图像分析的电力设备热故障检测系统的有效性，对其进行相关的实验分析。实验采用对比方法，参与比较的是主动式传感器的电力设备热故障检测法。
图7是采用两种方法对某地区的电力设备热故障检测后获取的电力设备过热区域检测结果图。可以看出，本文提出的基于红外图像分析方法检测出的电力设备过热区域与实际的区域更加接近，准确度更高，而对比方法检测的过热区域明显大于实际的过热区域，偏差较大。
图7 不同检测方法检测结果对比图
4 结 语
本文设计的基于红外图像分析的电力设备热故障检测系统由图像采集模块和图像检测模块组成。基于红外图像识别方法，根据目标设备的形状特征识别热图像中的电力设备，计算实现自动诊断的一个依据就是待诊断设备区域内的最高温度值，本文详细介绍了温度的三个修正：系数修正、曲线定标修正和风速修正，通过对各种影响因素进行修正后做出诊断，取得了令人满意的结果。为了验证本文提出的基于红外图像分析的电力设备热故障检测系统的有效性，将其与主动式传感器的电力设备热故障检测法进行对比试验，最终证明本文提出的基于红外图像分析的电力设备热故障检测方法在对电力设备热故障区域进行检测时是准确、有效的。
参考文献
[1] 危正东.试论红外检测技术在电力设备故障诊断中的应用[J].中国电子商务，2013（20）：220.
[2] 陈健，陈媛媛.电力设备红外在线监测与诊断管理研究[J].安徽电气工程职业技术学院学报，2013（1）：13?17.
[3] 夏清，胡振琪.一种新的红外热像仪图像边缘检测方法[J].红外与激光工程，2014，43（1）：318?322.
[4] ATHANASOPOULOS N G， BOTSARIS P N. A comparative analysis of detecting bearing fault， using infrared thermography， vibration analysis and airborne sound [M]// Anon. Advances in Condition Monitoring of Machinery in Non?stationary Operations. Heidelberg， Berlin： Springer， 2014： 171?181.
[5] 张国灿，苏东青，叶玉云.红外成像技术在电力设备状态检测中的应用[J].电工技术，2012（12）：48?49.
[6] 刘强，周建平，杨泽刚.图形化外场通用故障诊断模型开发平台设计与实现[J].现代电子技术，2015，38（7）：12?15.
[7] 田志海.内部电绝缘缺陷的红外热像检测诊断[J].激光与红外，1996，26（2）：92?94.
[8] 闫光辉，杨立，范春利.基于红外测温的电气控制柜内部元件热缺陷温度与方位的三维反问题识别[J].红外与激光工程，2012，41（11）：2909?2915.
[9] 赵轩.电力设备状态检修故障诊断中红外技术的应用[J].科技创新与应用，2013（33）：9.
[10] 戴文远.基于红外热图像的故障诊断方法综述[J].红外，2013，34（2）：16?21.
摘 要： 设计基于红外图像分析的电力设备热故障检测系统，该系统由图像采集模块和图像检测模块组成。根据目标设备的形状特征识别热图像中的电力设备，计算设备区域内的最高温度值，并对各种影响因素进行修正后做出诊断，取得了令人满意的结果。在与主动式传感器的电力设备热故障检测法的对比试验中，证明提出的基于红外图像分析的电力设备热故障检测方法在对电力设备热故障区域进行检测时是准确、有效的。
关键词： 输变电设备； 在线监测； 状态诊断； 热故障检测
中图分类号： TN219?34 文献标识码： A 文章编号： 1004?373X（2017）11?0123?04
Research on electrical equipment thermal fault detection technology
based on infrared image analysis
LU Zhumao， WANG Tianzheng， YU Hua， MA Liqiang， LIU Yongxin
（Electric Power Research Institute， State Grid Shanxi Electric Power Company， Taiyuan 030001， China）
Abstract： The electrical equipment thermal fault detection system based on infrared image analysis was designed， which is composed of the image acquisition module and image detection module. The electric equipment in thermal image is recognized according to the shape feature of the target equipment. The maximum temperature in the equipment area is calculated. The various influence factors are corrected for diagnosis， which has obtained the satisfactory result. The comparative test of the proposed method with the electrical equipment thermal fault detection method of active sensor of thermal power equipment fault detection method was performed. It is proved that the electrical equipment thermal fault detection method based on infrared image analysis is accurate and effective to detect the thermal fault area of electrical equipment.
Keywords： power transmission equipment； online monitoring； condition diagnosis； thermal fault detection
0 引 言
為了确保庞大数量的电力设备能够正常可靠地运行，必须对这些设备进行定期和经常性的检查和故障诊断。然而传统的检查方法必须对设备停运，随着设备数量的不断增多，线路需要停运的次数也越来越多，造成巨大的经济损失。
随着技术的发展，红外图像识别技术开始应用于电力设备的过热故障监测中。红外热成像设备用于电力设备故障检测具有灵敏度高、可进行计算分析、检测效率高等特点，其最大优点在于可以对电力设备进行实时在线状态检测和热故障诊断，因此近年来在国内外得到了非常广泛的应用。
1 基于红外图像分析的电力设备热故障检测技术
1.1 系统架构
本文充分利用红外图像分析技术，设计了基于红外图像分析的电力设备热故障检测系统，这一系统主要包括两大模块：一是图像采集模块，负责电力设备红外图像的采集；二是图像检测模块，负责依据红外图像进行电力设备温度参数的计算和分析处理。
针对红外图像采集，系统设计具有采集设备的定位功能和红外图像采集功能，利用定位功能对电力设备进行现场的检测和图片采集，自动采集设备的红外图像，然后存入图像数据中。图像检测模块则总控该系统，在整个检测系统中，图像检测模块在获取图像采集模块的电力设备红外图像后，对图像进行自动分析，计算获取图像的温度值后，与系统预设的警戒温度进行对比，如果高于预设阈值则发出预警信息，维修人员依据预警信息组织快速维修任务。系统总体结构如图1所示。
1.2 电力设备热故障红外检测流程
现场检测完成后，给出设备故障的定性诊断，进入故障的定量诊断阶段，工作流程如图2所示。因为大多数电器设备的红外诊断只凭其热像特征给出定性诊断是很不够的，为了能提出准确的维修建议，必须对故障的定位和严重程度做出准确的定量诊断。为了提高定量诊断的准确性，必须通过计算机进行精确的定量分析处理，并针对不同情况采取相应的分析判别方法。
（1） 红外图像收集
红外线图像通常使用图像采集设备收集图像。在特殊规定的范围内，该设备根据电力设备热故障的数量和类别差异，分析目标位置，并在各个地方进行红外图像的收集。由于电力设备内存在着不同位置许多可以检测的特征点，因此实际工作时需要从各个目标位置中获取红外图像，来逐一查看各个检测点的温度情况。收集图像的采集设备可以在规定的路径上从头走到尾逐一从电力设备的特征点上实行红外图像采集。图像收集过程前后衔接不间断，使电力设备热故障检测过程动态持续运行。
（2） 红外图像配准
采集设备作为一款硬件设施，检测过程中不可避免的会出现误差。误差造成红外图像的采集位置与电力设备的原始位置不同，这样会进一步影响计算的过程和结果，会使得特征点的温度与实际温度出现很大的偏差，大大影响了准确率，因此需要对这些误差进行配准。
（3） 采集信息多方面对比
数据库设置的位置信息，尤其是特征点的信息是进行诊断的依据。系统会根据这些位置信息进行红外图像的采集，并且获取区域内电力设备的温度数据。然后，将二者进行比较分析，同时还要将采集的温度数据与数据库中的温度数据进行比较分析，最后得出一个结果。
（4） 根据电力设备的温度数据，将设备的信息相互多方面对比后，可以获得一个准确的结果。依据这一结果进行电力设备热故障的诊断，并且发出警报。
1.3 提高诊断准确性的技术方法
1.3.1 温度值的发射率修正
影响物体红外辐射测温值的重要因素是物体表面的发射率，用红外检测仪器（如热像仪）测量电气设备表面的温度时，根据物体表面的发射值调整检测仪器的“发射率修正”旋钮，对被测设备的温度输出值进行发射率修正。发射率分别为0.75，0.9的对比见图3。
1.3.2 温度值的距离修正
在大多数情况下，红外测温结果总是低于被测设备表面的实际温度，这是因为被测设备表面发射的红外辐射在大气中的传输受到衰减。当检测距离较大且需要进行定量监测时，则需要对温度值的距离进行修正。修正的方法有以下三个方面：
（1） 系数修正。该方法是基于大量的模拟实验获取数据，然后根据实验数据显示的热源温度随距离的变化规律，在不同距离下，温度的变化规律的细微差别就可以利用系数进行调整，即为修正，进而得到一组温度随距离变化的修正系数数据。通过模拟试验得到的一组温度修正系数如表1所示。
例如：如果对某一刀闸正常检测时，在距离2 m时，测得的温度为35 ℃，若检测距离是25 m，则实际温度应该用测得的35 ℃再乘以修正系数1.55，最后实际温度应该为54.25 ℃。
（2） 曲线定标修正。首先要绘制出温度与距离的线性图，利用温度稳定且可调的热源，使用热像仪在不同距离处测量温度，以距离为参数，得到的结果如图4所示。接下来，就可以根据图4进行温度修正，当在测量现场使用红外测温获得一个温度值后，在图4的纵轴上找到与温度值对应的刻度，然后画出一条水平线与相应的检测距离定标线相交，再从交点向下作一条垂线，垂线与横轴的交点就是最终要测出的物体温度。
（3） 风速修正。依据常识，如果有风存在，一定会影响远距离热量的扩散，这是因为风速会直接影响设备表面的对流放热。因此，在相同的故障情况下，检测时有风和无风将会是完全不同的结果，风速会影响检测的结果，所以，当风速大于0.05 m/s时一定要对检测的温度结果进行风力修正，否则检测结果是不准确的。进行风速的修正，首先将零级风时的温升标准化：
（1）
式中：代表风速；是风速为时检测到的温度值；而指在风速为0时的标准化温度值；指风速衰减系数，在本文的修正中，顺风时取0.904，背风时取1.31。
图5中的刀闸接头实测温度为43 ℃，检测时风速为1.5 m/s，根据式（1）进行风速修正，如果是背风则修正后的温度为135 ℃，若是顺风则修正后的温度是225 ℃。通过前后的结果可以看出，如果没有风速修正会认为刀闸接头是正常的，但修正后应判为紧急故障，需要立即进行维修。这就说明，在检测之后对得到的热图像进行风速的修正是十分必要的。
综上所述，利用红外图像分析对电力设备进行检测时，精心准备、认真操作只是基础，在这些基础之上， 对测得的数据进行各方面的修正才能保证最终结果的正确性，才能对电力设备的状态进行准确的诊断。
2 电力设备的识别及自动诊断
实现基于红外图像分析的电力设备热故障检测系统，还需要解决两个主要问题：一是电力设备的识别；二是自动诊断。
2.1 电力设备的识别
通常情况下，电力设备的红外热图像与可见光图像有很大的不同，在较远距离或是较弱的红外辐射下获取的设备热图像会很模糊，图像的细节较少，不足以显示一个完整的设备细节，另外，热图像呈现的复杂度、纹理等也在很大程度上受到物体表面红外辐射场的影响，红外图像仅能反映出设备的边缘信息，这就给基于红外热图像实现电力设备的识别提出了一个难题。
为了解决这一问题，系统具备图像识别的能力。图像识别实际就是对红外热图像的分类，分类的依据是从图像中提取的各种特征信息与标准图像特征库进行比对，特征匹配度越大，就会归为某种设备。因此，首先要进行电力设备的特征提取，在这一过程中，电力设备的几何形状具有平移、比例和旋转不变性尤为重要，这样可以保证特征的不变性，这一类的电力设备有阻波器、三相电缆头、互感器、隔离刀闸等，选取每类设备图像区域的形状参数和偏心度作为分类的特征依据，建立电力设备的特征向量空间，这就是一个标准库。
在模式识别系统中进行分类器的训练。在分类器进行判决时，要利用特征向量空间中的样本特征。在一幅红外热图像输入系统后，系统会自动计算图像的维数，并依据每个像素的灰度值提取图像的原始特征，然后進一步计算，提取出少量更有意义的特征值。将红外热图像的这一特征值与标准库的特征值进行比对，很快可以识别出红外热图像属于哪一设备。
2.2 电力设备热故障的自动诊断
在以上工作的基础上，计算实现自动诊断的一个依据就是待诊断设备区域内的最高温度值。温度值是系统进行诊断的惟一参数值，流程如图6所示，首先依据红外图像进行图像预处理，这一方面是对目标的识别。另一方面根据“斯蒂芬?波尔兹曼定律”进行计算，确定红外发射率和实际的电气设备的温度，然后系统根据之前设定的故障级别，及时输出该热设备的图像数据、诊断结果以及预警信息，最后输出诊断结果。
图6 红外热图像电力设备故障自动诊断过程图
3 运行分析
为了验证本文提出的基于红外图像分析的电力设备热故障检测系统的有效性，对其进行相关的实验分析。实验采用对比方法，参与比较的是主动式传感器的电力设备热故障检测法。
图7是采用两种方法对某地区的电力设备热故障检测后获取的电力设备过热区域检测结果图。可以看出，本文提出的基于红外图像分析方法检测出的电力设备过热区域与实际的区域更加接近，准确度更高，而对比方法检测的过热区域明显大于实际的过热区域，偏差较大。
图7 不同检测方法检测结果对比图
4 结 语
本文设计的基于红外图像分析的电力设备热故障检测系统由图像采集模块和图像检测模块组成。基于红外图像识别方法，根据目标设备的形状特征识别热图像中的电力设备，计算实现自动诊断的一个依据就是待诊断设备区域内的最高温度值，本文详细介绍了温度的三个修正：系数修正、曲线定标修正和风速修正，通过对各种影响因素进行修正后做出诊断，取得了令人满意的结果。为了验证本文提出的基于红外图像分析的电力设备热故障检测系统的有效性，将其与主动式传感器的电力设备热故障检测法进行对比试验，最终证明本文提出的基于红外图像分析的电力设备热故障检测方法在对电力设备热故障区域进行检测时是准确、有效的。
参考文献
[1] 危正东.试论红外检测技术在电力设备故障诊断中的应用[J].中国电子商务，2013（20）：220.
[2] 陈健，陈媛媛.电力设备红外在线监测与诊断管理研究[J].安徽电气工程职业技术学院学报，2013（1）：13?17.
[3] 夏清，胡振琪.一种新的红外热像仪图像边缘检测方法[J].红外与激光工程，2014，43（1）：318?322.
[4] ATHANASOPOULOS N G， BOTSARIS P N. A comparative analysis of detecting bearing fault， using infrared thermography， vibration analysis and airborne sound [M]// Anon. Advances in Condition Monitoring of Machinery in Non?stationary Operations. Heidelberg， Berlin： Springer， 2014： 171?181.
[5] 张国灿，苏东青，叶玉云.红外成像技术在电力设备状态检测中的应用[J].电工技术，2012（12）：48?49.
[6] 刘强，周建平，杨泽刚.图形化外场通用故障诊断模型开发平台设计与实现[J].现代电子技术，2015，38（7）：12?15.
[7] 田志海.内部电绝缘缺陷的红外热像检测诊断[J].激光与红外，1996，26（2）：92?94.
[8] 闫光辉，杨立，范春利.基于红外测温的电气控制柜内部元件热缺陷温度与方位的三维反问题识别[J].红外与激光工程，2012，41（11）：2909?2915.
[9] 赵轩.电力设备状态检修故障诊断中红外技术的应用[J].科技创新与应用，2013（33）：9.
[10] 戴文远.基于红外热图像的故障诊断方法综述[J].红外，2013，34（2）：16?21.
