自动识别干扰局部放电测试仪

高压局部放电局部放电是电力设备绝缘在足够强的电场作用下局部范围内发生的放电，每一次局部放电对绝缘介质都会产生一些影响，使绝缘强度下降，造成高压电力设备绝缘损坏，甚至会造成人安全隐患。目前，预防性维护人员已经开始使用声学成像技术定位局部放电，甚至能在设备过热之前就发现设备特有的声音特征。与FLIR红外热像仪配合使用，像FLIR Si124之类的声学成像仪是必不可少的设备，可以有效地发现局部放电，避免出现设备故障、代价高昂的损坏和意外停机等问题。局部放电的过程与危害根据IEC 60270的正式描述，局部放电指“只是局部地桥接导线间绝缘体的局部放电现象，可能发生在导线附近，也可能发生在其他地方。通常，局部放电是局部电应力在绝缘体或绝缘体表面集中的结果，一般表现为持续时间远远小于1毫秒的脉冲。电流总是趁人不注意时试图逃逸、跳离导线、徒劳地尝试桥接附近的电极。在寻找逃逸路线时，它首先会从老化的绝缘体上的裂缝开始。如果是架空电线，则是从因多年积污的电线表面开始。也许是在高压电缆的纸绕组上戳一个小孔，也可能隐藏在老化的液体电介质中形成的气泡附近。在电压正弦波的每个波峰和波谷，它都会持续不断地尝试（局部放电）。电流就这样日复一日地试图穿越到相邻的导线上，肉眼却无法看到这类局部放电。受持续性高压应力影响，附近的绝缘材料会在某个时刻失效，丧失对电流的约束。最终，电流会分流进入另一导线。这种情况发生时，导线会完全失效。这会对线路上连接的电气设备、开关设备、机械或设施造成了极大的破坏，代价高昂。局部放电有可能损坏工厂设备或灼伤敏感的电子设备。严重时，局部放电可能导致社区停电数小时，闲置设备，浪费宝贵的生产力。声学成像仪是预防性维护的必要工具局部放电检测是状态监测(CBM)或预防性维护(PdM)计划切实发挥作用的必要条件。越早发现，局部放电对绝缘体的损坏就越少，设备故障和后续停机风险也就越低。追踪局部放电问题有着简单的经济动机：发现问题，安排停机，然后在局部放电现场修复和更换绝缘体及电气接头，其成本和破坏性要低得多。为了准确定位局部放电，电气承包商、检查人员和专业维护人员可以使用多种诊断技术。绝缘测试仪提供了绝缘体的有效性或电阻的数值读数。FLIR红外热像仪可以定位并识别电气设备产生的阻热，通过逐像素的温度读数在可视图像中精确定位问题所在。还可以将热成像技术与声学成像技术结合起来，确定局部放电的严重程度。温度升高和声学特征可以表明绝缘设备的完整性遭到破坏。FLIR Si124满足声像仪的所有需求作为整个诊断生态系统的一部分，FLIR在红外热像诊断方案以外，还推出了声学成像解决方案。FLIR Si124工业声学成像仪是一款基于声学原理的解决方案，它可以定位和分析工业故障、老化以及缺陷如局部放电等。研究发现，在元件发热到能被红外热像仪检测到之前，局部放电会导致声音异常。这就为我们额外提供了一层提示，帮助我们提前检测到潜在的故障。虽然我们经常能在电线附近听到嗡嗡声，但人耳通常是听不到局部放电的，因此局部放电人耳很难定位，尤其是在过于嘈杂的工作场所。借助手持式声学成像仪（FLIR Si124），用户可以扫描一整个区域，在被检组件的声像图上看到局部放电产生超声波的位置，即使人耳听不到、背景噪声很大也没关系。虽然在声学成像方面，电工有许多工具可选，但从便携性到精度，需要考虑多种因素。首先，虽然大多数声学成像工具都很轻便，但要选择便于换场作业的款式。选择一台简单易用、单手可握、携带方便，符合人体工学设计且便于瞄准的手持式成像仪。很显然，FLIR Si124工业声波成像仪很好地满足了以上所有要求！麦克风更多，检测速度快10倍科技领域有一条通用法则：越多越好。从这个意义上讲，声学成像仪中增加麦克风的数量对形成细节丰富的声学图像至关重要。同样在科技领域，对于麦克风本身而言，（体积）大不一定好，因此使用MEMS（微机电系统）类型的麦克风。这类麦克风的性能达到了良好的平衡，能在不同环境下稳定地工作，功耗低，支持小体积电池，续航时间长。另外，体积小意味着更容易把它们紧凑地布置在手持工具上。更多的麦克风，都有哪些优势呢？灵敏度：FLIR Si124声学成像仪搭载了由124个MEMS麦克风精心布成的阵列，这些麦克风相互配合，使灵敏度达到高水平。麦克风越多越可以降低“空间混叠”的可能，也就是降低图像上声源错位的可能。检测范围与访问：增加麦克风的另一个优势是可以扩大检测范围。声音在空气中的传播距离每增加一倍就会衰减6分贝（距离声源15米处听到的声音比30米处听到的声音强6分贝），中型局部放电的分贝值约为40分贝。为了检测范围更广，声学成像仪制造商通过增加麦克风的数量来扩大检测范围。FLIR Si124声学成像仪将麦克风增加三倍，从而使检测范围扩大一倍。出于安全考虑，许多电气设备周围都有栅栏，或者离地较高，很难接近访问。这种访问限制也可能与时间有关，比如需要客户联系人在场时才能进入。鉴于这些访问限制，远距离也能精确定位局部放电的工具就显得至关重要。处理能力：FLIR Si124会产生124个音频数据流，这些数据流经过处理后可转换为视觉图像。这款声像仪搭载了自动音频频率筛选功能，既不牺牲性能，也简化了操作过程。数据和图形处理能力的进步使得将如此大量的声学数据，瞬间整合成屏幕上易于理解的图像成为可能。如果用户选用搭载较少麦克风或老款处理器的成像仪，结果只能得到较低品质图像、较低的分辨率、以及较慢的刷新率。就生产效率而言，像FLIR Si124这样先进的声学成像仪在发现问题的速度方面比其它可用工具快10倍。配备124个麦克风的FLIR声学成像仪不仅检测速度快人一步麦克风频率还会影响检查效果想知道关于声学成像仪的更多理论知识持续关注我们

声学成像仪在高压局部放电中的应用原理小菲在上周的文章中提到一部分没看到的小伙伴戳这里：小菲课堂｜声学成像技术在局部放电监测中的应用（一）下面继续为大家详细解说声学成像仪：智能除噪，结果准确电气承包商选择检测局部放电的工具本身，也可能会导致人们对局部放电的识别效果产生误解。比如，局部放电以40 kHz的频率恒定地发出超声波，许多声学成像设备就只有这个频率的范围，尽管这些设备在某些情况下可能有用，但在大多数情况下，选择这些设备可能大大削弱检测的灵敏度。例如，在远距离工作时（如户外变电站），使用更宽的频率范围（10 kHz-30 kHz）可以产生更好的结果。目前，声学成像已迅速发展成对维护供电基础设施正常运行不可或缺的技术。越来越多的状态监测管理人员开始把FLIR Si124之类的声像仪加入工具箱。此类设备可以快速、轻松地发现问题，降低维修成本，减少意外停机，很快就能带来投资回报。 当高压设备内有悬浮导体时（比如用垫片隔开），就有可能产生悬浮放电，悬浮放电被认为是最常见的局部放电类型。导线（如输电线）周围作为绝缘材料的空气在高湿度或污染环境下会丧失部分绝缘能力，进而发生空气放电。这会导致电流进入空气中，进一步降低近处的空气质量和导线的性能。分析声学图像可能需要一定的培训和学习，尤其是在理解不同类型的局部放电时。了解问题及其严重性有助于制定更好的报告、维修建议和更明智的后续行动。FLIR Si124声学成像仪采用人工智能算法分析局部放电，可助电气承包商一臂之力。用户可以将声学图像上传到FLIR Acoustic Camera Viewer云服务，后者会自动将这些图像与数千张局部放电图像进行比较。先进的人工智能服务有助于减少误差，加快报告制作，成为客户检查业务的关键优势。简单易用的特性也有助于使更多工人加入声学成像检测队伍，共同开展状态监测或预防性维护工作。声学成像仪重点检测区域对于局部放电易发生的区域，主要包括：★ 导线和母线★ 发电机★ 输配电设备★ 变电站★ 定子、电机和线圈★ 开关设备★ 变压器声学成像可以检测到超声波的能力，已成为公用事业组织用于确定是否存在局部放电的有效方法。它使专业人士能够执行更多例行预防性维护，有助于提供对即将发生的会导致关键系统停机的电气故障的关键初步预警。所以，电气供应商们要与时俱进，选择更有效、更快捷的工具检测电气设备的局部放电哦~想要了解更多详情。

我国是水果生产与消费大国，我国水果不但品种丰富，而且以水果为原料的食品如罐头、果冻等加工产业也颇具规模。然而，在水果果料的加工过程中可能会不经意地混入诸如毛发、纤维丝、纸屑、金属、油漆等异物，从而对产品质量和消费者心理造成不良影响。目前大多数食品生产企业还是采用人工裸眼检测加工过程中在制品是否沾染异物，存在效率低、漏检率高、劳动量大等缺点。　　据《农业工程学报》报道，我国科学家已开展对果冻、罐头生产线上灌装前切割成块状的多种水果果料进行图像监控、自动判断是否沾有异物的应用研究，并取得一定成果。　　人们吃到甚或看到食品中有异物总是很恶心，为此而向销售、生产商索赔的事件不时发生。生产商为确保食品中无异物，需要在生产中设置多道检测工位，绝大多数是人工裸眼目检。人的眼脑手配合具有高度智能和柔性，能够识别和提出各种异物缺陷，然而视觉疲劳、生理和主观因素会带来工作质量的差异和效率低下。利用机器视觉技术来代替人工检测，是现代化生产的发展趋势。　　随着提高产品质量的要求和劳动力成本日益升高的形势，企业迫切希望应用机器视觉技术实现工业生产自动化检测。但是在农产品质量和食品加工质量方面，国内外原有研究成果主要只针对完整且表面相对干燥的果体进行大小、形状、成熟度、表面损伤与缺陷等的检测与分级，而在异物检测方面，只有针对单一品种果料如桔瓣上的某种异物进行检测的研究。　　罐头、果冻等产品加工中，为了方便灌装，果肉一般分割成块状，但各种水果分割后的形状和大小不同，而异物形状、大小也多样，如毛发、纤维丝为细长型，油漆、金属屑等为块状 各品种水果颜色多样，如苹果为淡黄色、橘瓣为深黄色、椰果为白色，而各种异物的颜色也多样，如头发为黑色、油漆和纤维丝多为彩色、铁屑为银白或黑色。各种异物和果肉之间的尺度、色度差异情况很不相同，这些特点给异物自动识别带来了巨大挑战。　　“基于机器视觉的果肉多类型异物识别方法”一文作者针对罐头、果冻生产中的多品种、多规格、湿态反光果肉上各种可能出现的异物，研究开发了一套基于机器视觉技术的多类型异物自动检测系统。利用机械装置将果料自动单层排布在传送带上，安装在适当位置的工业相机对传送中的果料进行监视拍照，将采集到的果料图像输送到计算机中，由图像处理软件对其进行分析判断。根据果料与异物的颜色和亮度差异特点，将各品种果料分成两大类，分别采用不同的图像处理策略识别异物。　　对颜色比较丰富的果料如黄桃、菠萝等根据果肉与异物的颜色进行分割识别异物 对颜色为白色或透明的果肉如椰果、明胶等根据异物的边缘轮廓识别异物。经过大量试验验证，该系统能够有效地检测出多品种果料输送线上的多类型异物并将含有异物的果料剔除，为企业自动化生产与检测提供了技术支撑。　　此研究报告刊登在《农业工程学报》2011年第3期，题为“基于机器视觉的果肉多类型异物识别方法”，第一作者为华南理工大学机械与汽车工程学院全燕鸣教授。