融合红外热成像与深度学习的四足机械狗变电站设备早期故障预警研究

摘要：变电站设备的安全运行是电力系统稳定性的核心保障，而早期故障预警技术是降低非计划停运风险的关键。传统人工巡检存在效率低、覆盖盲区大等问题，固定式监测系统则受限于部署成本与灵活性不足。本文提出一种

融合红外热成像与深度学习的四足机械狗变电站设备早期故障预警方案，通过四足机械狗的机动性实现设备全覆盖巡检，结合红外热成像技术捕捉设备表面温度异常，并利用深度学习模型对热图像进行智能分析，实现故障早期识别

与定位。研究从系统架构设计、关键技术实现、模型优化策略三方面展开，探讨了多模态数据融合、轻量化模型部署、动态路径规划等核心问题，为变电站智能化巡检提供了新思路。关键词：四足机械狗；红外热成像；深度学习；变电站；早期故障预警

引言

变电站作为电力系统关键节点，设备可靠性直接影响电网安全，其中设备过热引发的故障占比超 60% 。传统人工巡检效率低、主观性强且难触及高危区域，固定式红外监测装置部署成本高、覆盖场景有限。当前变电站巡检机器人多为轮式或轨道式，地形适应性差，四足机械狗在电力巡检领域应用尚处起步阶段，且多聚焦可见光图像识别，红外热成像与深度学习融合应用少。传统故障预警方法对早期微弱故障检测能力不足，深度学习因模型复杂、计算资源需求大，在嵌入式设备实时部署受限 。

1 系统总体架构设计

1.1 系统功能需求分析

系统需满足四大核心功能：一是自主巡检，要求四足机械狗具备路径规划、避障及自主充电能力，以适应变电站内复杂地形；二是多模态数据采集，通过集成红外热成像仪与可见光摄像头，同步获取设备的温度与外观信息；三是实时故障预警，能够对采集到的热图像进行在线分析，准确识别过热、接触不良等故障模式；四是数据管理与可视化，需建立设备温度历史数据库，为故障趋势分析提供支持，并实现远程监控。

1.2 系统架构设计

系统采用分层架构，涵盖感知层、传输层、决策层与应用层。其中，感知层以四足机械狗为载体，配备分辨率 640×512 、测温范围-20℃～+550℃的红外热成像仪，以及可见光摄像头和温湿度、烟雾等环境传感器；传输层运用5G/Wi-Fi 6 无线通信技术，达成低延迟数据传输；决策层部署轻量化深度学习模型，负责热图像特征提取与故障分类；应用层则提供人机交互界面，用于展示设备状态、预警信息及巡检报告。

2 关键技术研究

2.1 红外热成像与可见光图像融合

在变电站设备故障检测场景中，单一红外热图像虽能呈现设备的热辐射分布，有效反映温度异常情况，但存在明显缺陷。它缺乏设备结构信息，难以精准判断故障发生的具体位置，并且容易受到背景干扰，影响故障判断的准确性。而可见光图像包含丰富的设备结构、轮廓等细节信息，将红外热成像与可见光图像进行融合，能够充分发挥两者的优势，显著提升故障定位精度。本研究采用基于小波变换的多尺度融合算法来实现图像融合。首先，对红外与可见光图像进行小波分解，将其分解为低频（结构）和高频（细节）分量。低频分量主要体现图像的整体结构和大致轮廓，采用加权平均法进行融合，能综合两者的结构信息；高频分量则包含图像的细节和边缘信息，运用绝对值最大值规则处理，可保留更清晰、突出的细节特征。最后，通过小波逆变换对融合后的分量进行图像重构，得到融合后的图像。该图像既保留了红外热图像的热辐射信息，又融入了可见光图像的设备轮廓特征，为变电站设备的故障检测提供了更全面、准确的信息，有助于提高故障诊断的效率和可靠性。

2.2 轻量化深度学习模型设计

为有效应对嵌入式设备计算资源有限这一棘手挑战，本研究精心提出一种改进的 MobileNetV3-SSD 模型。在网络结构优化上，引入深度可分离卷积，它通过将标准卷积拆分为深度卷积和逐点卷积，大幅减少了参数量和计算量，让模型更轻量。同时采用通道混洗操作，打破通道间的信息壁垒，增强特征间的交互，提升特征表达能力。在浅层网络中嵌入 CBAM 注意力机制，该机制能自适应地聚焦于图像中与微弱温度异常相关的关键区域，增强模型对这些细微变化的敏感度，有助于更精准地检测故障。此外，运用知识蒸馏技术，选取性能强大的 ResNet-50 作为教师模型，借助软标签将教师模型丰富的特征表示能力迁移到轻量化模型中，进一步提升其性能，为嵌入式设备上的相关应用提供了更高效、精准的模型选择。

2.3 动态路径规划算法

鉴于变电站设备分布密集，为切实减少巡检过程中的能耗与时间，提升巡检效率，研究提出了一种基于改进 A*算法的动态路径规划方法。在规划初期，先开展环境建模工作，将变电站地图细致离散化为网格，精准标注设备位置、障碍物以及危险区域等信息，为后续路径规划提供清晰的基础数据。接着设计科学合理的代价函数，该函数综合考量多方面因素，既包含距离代价，以确保路径尽可能短；又考虑设备优先级，像主变压器这类关键设备权重高于隔离开关，优先巡检重要设备；还融入机械狗能耗模型，使路径规划更贴合实际能耗情况。最后实现动态重规划功能，通过实时监测机械狗电量与剩余任务量，当电量低于设定阈值时，系统自动规划返回充电站的最短路径，并及时更新未完成任务序列，保证机械狗能持续高效完成巡检任务，为变电站的安全稳定运行提供有力保障。

3 系统实现与优化策略

3.1 硬件平台选型

执行巡检任务的四足机械狗选用宇树科技 Go2 型号，它负载能力达12kg，可轻松搭载多种检测设备；续航4 小时，能满足长时间巡检，减少充电频次；还支持二次开发接口，便于按需定制功能。红外热成像仪采用FLIRE86，测温精度高，能精准捕捉设备温度异常，助力故障早发现。可见光摄像头选用索尼IMX415 传感器，成像清晰，可清晰呈现设备外观细节。计算单元为 NVIDIA Jetson AGX Xavier，配备 512 核 Volta GPU，算力达 51.2TOPS，能快速处理图像数据，实现高效准确的故障识别与预警，为变电站安全运行提供坚实支撑。

3.2 软件系统开发

系统基于 ROS（Robot Operating System）框架搭建，主要涵盖四大模块：运动控制模块负责机械狗的步态规划、姿态稳定及导航；数据采集模块能够同步触发红外与可见光摄像头，并对时间戳与空间位置进行校准；故障诊断模块通过加载预训练的深度学习模型，对热图像开展实时推理以诊断故障；通信模块则采用 MQTT 协议，实现系统与上位机之间的数据交互。

3.3 抗干扰与鲁棒性优化

变电站内强电磁干扰会影响传感器精度与通信稳定性，针对这一问题研究采取多项措施：在硬件方面，对红外热成像仪和计算单元进行电磁屏蔽处理，并采用屏蔽双绞线传输数据；通信上，在通信协议中加入 CRC 校验与重传机制以保障数据完整性；模型训练时，通过在训练数据中添加高斯噪声与随机遮挡，模拟实际场景中的干扰，进而增强模型的鲁棒性与泛化能力。

4 结论

本文提出一种融合红外热成像与深度学习技术的四足机械狗变电站设备早期故障预警方案。该方案通过多模态数据融合、轻量化模型设计以及 等关键技术 能够高效精准地完成巡检与故障预警任务。未来研究将着眼于多机械狗协同 体实现故障预测与健康管理，以及开展边缘 - 云端协同计算平衡性能，为变电站智能化巡检提供创新思路，有力保障电力系统安全运行。

[1] 颜涛， 王鹤翔， 肖建飞， 等. 基于卷积神经网络的变电站模拟仪表识别方法[J]. 微型电脑应用，2025，41（04）：193-196.

[2]李婕妤.电力设备红外热成像实例分割技术研究及应用[D].华北电力大学，2024

[3]刘云鹏，裴少通，武建华，等.基于深度学习的输变电设备异常发热点红外图片目标检测方法[J].南方电网技术，2019，13（02）：27-33.