Применение глубоких нейронных сетей для анализа термограмм силовых масляных трансформаторов систем электроснабжения в среде MATLAB

В. В. Вахнина; Е. В. Марков

doi:10.71759/w8cq-q462

Применение глубоких нейронных сетей для анализа термограмм силовых масляных трансформаторов систем электроснабжения в среде MATLAB

В. В. Вахнина, Е. В. Марков

Аннотация

Рассмотрен метод диагностики состояния силового масляного трансформатора на основе анализа термограмм с применением глубоких нейронных сетей. Реализована свёрточная нейронная сеть (CNN) в среде MATLAB Deep Learning Toolbox, обученная на синтетически сгенерированных термограммах, моделирующих реальные тепловые состояния трансформатора: норму, перегрев обмотки, межвитковое замыкание и деградацию масла. Проведён анализ точности классификации и интерпретация тепловых аномалий. Проведена сравнительная оценка метода CNN с известными методами диагностики. Выполнено сравнение реальной термограммы трансформатора ТРДН-31500/110/6 с синтезированной. Полученные результаты показывают высокую способность модели к распознаванию дефектов (точность 96,8 %) и подтверждают перспективность применения методов глубокого обучения для автоматизированной диагностики энергетического оборудования.

Ключевые слова

термограмма, силовой трансформатор, глубокое обучение, MATLAB, свёрточная нейронная сеть, диагностика, тепловой анализ

Полный текст:

PDF

Литература

Аль-Аомари, О. Методика обработки термограмм силовых объектов энергетики / О. Аль-Аомари, Ю. В. Ваньков, Е. Е. Костылева, Р. Н. Валиев // Инженерный вестник Дона. — 2015. — № 3 (15).

Завидей, В. И. Метод обработки и анализа термограмм и его применение в технике неразрушающего контроля действующего электрооборудования / В. И. Завидей, Е. А. Милкин, В. С. Ларин // Территория NDT. — 2023. — № 4. — С. 56 – 63.

РД 153-34.0-20.363–99. Основные положения методики инфракрасной диагностики электрооборудования и ВЛ.

Косенко, А. Д. Система автоматизированной обработки результатов тепловизионной диагностики электрооборудования / А. Д. Косенко, В. А. Величко, А. А. Косенко // Известия высших учебных заведений и энергетических объединений СНГ. Энергетика. — 2025. — № 4. — С. 324 – 342.

Калматов, У. А. Диагностирование силовых трансформаторов по характеру распределения температурного поля в верхних слоях масла / У. А. Калматов, К. Сатаркулов // Проблемы автоматики и управления. — 2019. — № 1 (36). — С. 53 – 57.

Cho, Y. Deep Thermal Imaging: Proximate Material Type Recognition in the Wild through Deep Learning of Spatial Surface Temperature Patterns / Y. Cho, N. Bianchi-Berthouze, N. Marquardt, S. J. Julier // In Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems (CHI ‘18). — 2018. — № 2, — P. 1 – 13.

Mlakić, D. Deep learning method and infrared imaging as a tool for transformer faults detection / D. Mlakić, L. Majdandžić, S. Nikolovski // Journal of electrical engineering. — 2018. — № 6 (2). — P. 98 – 106.

Attallah, O. A lightweight deep learning framework for transformer fault diagnosis in smart grids using multiple scale CNN features / O. Attallah, R. A. Ibrahim, N. E. Zakzouk // Scientific Reports. — 2025. — № 15 (2).

Balakrishnan, G. K. A Review of Infrared Thermography for Condition-Based Monitoring in Electrical Energy: Applications and Recommendations / G. K. Balakrishnan, C. T. Yaw, S. P. Koh, T. Abedin, A. A. Raj, S. K. Tiong, C. P. Chen // Energies. — 2022. — № 15 (16). — P. 6000.

Гофман, А. В. Технологии машинного интеллекта для мониторинга силовых трансформаторов / А. В. Гофман, А. С. Ведерников, В. М. Дашков // Энергия единой сети. — 2020. — № 4 (53). — С. 48 – 55.

Peng, S. Machine Learning in Thermography Non-Destructive Testing: A Systematic Review / S. Peng, S. Addepalli, M. Farsi // Applied Sciences. — 2025. — № 15 (17).

DOI: http://dx.doi.org/10.71759/w8cq-q462