智能感知有哪些关键技术为什么说它是机器视觉的关键
工业自动化与人工智能息息相关，也与机器视觉息息相关。机器视觉技术可说是人工智能的分支技术，是全球智能化的“慧”眼图像传感器，影响着很多应用的发展与增展，包括工业自动化、机器人、安防/监控、智能交通系统(ITS)、智能家居/楼宇、智能零售、虚拟实境(VR)/增强实境(AR)等等。全球图像传感器领袖安森美半导体传承40多年的成像经验，拥有2000多项成像专利，提供宽广的智能感知阵容，包括电子卷帘快门前照式(FSI)/背照式(BSI)CMOS传感器、全局快门CMOS传感器、CCD传感器及图像信号处理器，光学格式从1/13英寸到35mm，分辨率从100K到5000万像素，满足不同的应用需求并推动创新。同时，安森美半导体也是全球领先的半导体供应商，提供电源控制模块、逻辑单元、通信模块、5G和无线网络、工业局域网等领域配套的半导体芯片。
关键的成像技术
高动态范围(HDR)、全局快门、近红外增强(NIR+)、RGB-IR、功率可扩展性都是增强嵌入式系统和机器视觉系统性能的关键成像技术。动态范围越高，越能呈现出高对比度、细节清晰的图片。全局快门则最大地消除运动伪影。关键的全局快门参数包括全局快门效率、读出噪声和灵敏度。安森美半导体的全局快门系列产品具备同类最佳的性能，促成广泛的应用，如条码扫描、3D深度映射等高要求的应用场景，除了消除运动伪影，还具备低噪声、增强的深度范围、快速捕获等特性。NIR+技术可实现比标准硅工艺好3倍的灵敏度。采用RGB-IR能呈现更丰富、更逼真的图片色彩。功率可扩展性对于电池供电的摄像机是个关键优势，能在不同帧率有不同功耗，和持续运行，实现低功耗的高能效设计，如在1fps时的低功耗模式。此外，减少LED闪烁(LFM)技术在汽车应用中消除交通信号灯和汽车照明的高频LED闪烁，有助于更安全地驾驶。
各种不同的机器视觉应用需求
在自动化领域，机器人需要高性价比的全局快门方案，装配线需要高速全局快门，嵌入式/智能应用则注重深度学习和人工智能，平板检测要求超高分辨率；对于智能交通系统(ITS)，微光性能和全局快门很重要；针对扫描应用，需要高性价比的全局快门；在运动分析领域，应选用超高速全局快门方案。
安森美半导体提供广泛的视觉方案，采用上述关键的成像技术，解决各种嵌入式和机器视觉系统的不同需求和挑战。
图1：先进的产品阵容用于机器视觉和边缘人工智能
4.5μmITCCD系列：高分辨率和真正的全局快门
CCD技术能够满足众多工业成像应用对图像均匀性的要求；同时市场要求持续的像素开发达至更高的分辨率。如安森美半导体的4.5μm ITCCD传感器KAI-43140适用于要求严格的检测和航拍等应用，采用35mm光学格式，提供4300万像素，与KAI-29050/KAI-29052使用相同的封装以简化升级。而最新推出的KAI-50140是当前市场上分辨率最高的ITCCD图像传感器，提供5000万像素，为智能手机显示屏检测、电路板检测和机械装配检测以及空中侦察提供所需的关键成像细节和高图像均匀性。KAI-50140采用2.18:1的纵横比，与现代智能手机格式相匹配，减少检测全显示屏所需的图像捕获次数，并与当红的KAI-29050、KAI-29052和KAI-43140图像传感器使用相同的引脚定义。4.5μm系列ITCCD提供比前代5.5μm系列在相同帧率下高50%以上的分辨率，同时保持关键的成像性能，如高动态范围(>60dB)、抑制拖尾、CCD级图像均匀性和电子全局快门。
最初的摄像机设计，设计人员使用每一款图像传感器都需从零开始设计开发，耗时费力成本高。安森美半导体的ITCCD系列共享一个通用架构，使单一的摄像机设计能够支持各种不同的图像传感器，仅需微小的电气变化便能用于现有的摄像机设计中，加快了采用新器件的上市时间。
PYTHON系列：2块PCB支持8种分辨率
安森美半导体的PYTHON系列，仅需2块PCB就能支持该系列中的所有8种分辨率（从VGA到25Mp），为要求严格的工业应用如机器视觉、智能交通系统(ITS)、安防、监控、医疗和科学提供高性能成像和简化的升级。
X-Class平台：使单一摄像机设计能支持多种产品分辨率和不同的像素功能
X-Class平台是PYTHON系列的更进一步演进，提供可扩展的单一器件，适用于多种分辨率和像素，使单一摄像机设计不仅能够扩展图像传感器中的像素数量，还能够扩展所使用的像素类型——无论是全局快门、卷帘快门、增加的动态范围，还是其他不同的功能。只要将像素置于X-Class平台所用的通用高速低功耗帧中，就能够充分利用单一摄像机设计提供所需的支持，采用高带宽、低功耗架构，是工厂自动化、智能交通系统(ITS)、广播成像、智能零售、机器人等应用的理想选择。
图2：X-Class平台——演进的设计功能
该平台的XGS系列具备无与伦比的性能特征，在图像质量、功率密度、帧率、可支援的平台、29x29mm2兼容性、对客户的支援及价格方面都优于竞争对手。
随着分辨率的上升，若像素尺寸不变，那么图像传感器芯片尺寸必然会越做越大，与其适配的镜头价格昂贵，这会增加整体成本。因而市场需要减小像素尺寸。X-Class平台首两款器件XGS12000和XGS8000采用先进的3.2μm全局快门像素，能在同样的光学尺寸下提高分辨率，且先进的像素设计确保不会因像素更小而影响图像品质，甚至提供更优的低噪声、高性能，同时全局快门确保捕获移动物体无运动伪影。
AR0237RGB-IR：增强的夜视
RGB-IR版本AR0237增强的NIR灵敏度增强夜视能力，使得摄像头无需特别的滤色片进行日/夜的切换，尤其适用于安防应用，具有210万像素，分辨率1928x1088，能实现1080p/60fps输出，提供出色的微光性能和HDR，支持高动态范围的长短交错曝光，同时使用红外差谱技术以避免颜色的失真，也适用于机器人、AR/VR可穿戴、智能楼宇的成像应用。
全局快门AR0144实现静态和动态场景下快速清晰准确的成像
3.0μm像素的AR0144采用了创新的全局快门设计，尺寸极紧凑，在条码扫描器等静态应用中，AR0144易于设计进手持式产品中，确保初次扫描省电、省时和方便。在无人机等动态应用中，该传感器的低功耗特性能够延长充电时间间隔，其成像性能能够更好地映射环境，避免严重碰撞。在3D摄像机和AR/VR设计中，AR0144可提供一种性价比更高、尺寸小的方案，用于捕捉双重图像进行3D成图或深度感知。AR0144是1/4英寸、100万像素CMOS传感器。
AR0431：集成NIR+能力、同步深度映射
增强的NIR+使AR0431即使在最暗的光照条件下也能实现更好的成像，从而帮助安防和物联网摄像机设计人员创建高灵敏度的夜间模式，基于2.0umBSI像素，提供多种低功耗模式，帧速率最高120fps，非常适用于要求慢动作视频拍摄的应用。其低功耗优势使其仅需125mW就能提供400万像素、30fps输出；在低功耗监测模式下，功耗降至8mW，成为电池供电型应用的理想选择。AR0431采用SuperDepth技术能够从单一图像传感器同时获取彩色图像和深度映射，省下原本需要另外一个单独提供深度映射功能的传感器，实现AR/VR中简单的3D模型等功能。
AR0522：高动态范围与增强的微光性能相结合
AR0522作为安森美半导体高性能卷帘快门系列的器件之一，提供彩色和黑白色彩滤波阵列(CFA)配置选项，1/2.5英寸、510万像素，基于一个2.2μmBSI像素技术平台，专为需要在微光条件下捕获高分辨率、高质量视频的应用而开发，其近红外波长的灵敏度大概是AR0521图像传感器的两倍。
总结
安森美半导体是全球智能感知方案的领袖，并领先于供应基于半导体的方案，传承40多年成像专知，在机器视觉领域的市占称冠全球，能充分利用先进的成像技术和全面的CMOS和CCD图像传感器阵容以及广泛的电源半导体产品阵容提供系统方案，满足不同的应用需求，并针对市场趋势持续开发创新的方案，以配合机器视觉检测和工业自动化等工业成像应用持续推进的需求。同时，安森美半导体将持续注重中国，通过遍及全球的评估及应用技术支持，帮助客户应对挑战和实现创新。
智能传感技术在智能建筑的应用
在节能减排方面，在智能建筑内部安装无线传感器，可对室内的温度、湿度、空气质量和照明情况实时监控，从而控制空调系统、照明系统，实现节能减排。
智能传感器的发展趋势与普通传感器的代差
智能传感器的发展具备明显的趋势和方向，未来将向高精度、高可靠性、微型化、微功耗化、复合型化、网络化等方向发展和应用。
将能够有效提升智能家居系统中的数据实时性及远程连接的稳定性，还能够依托对微环境的捕捉实现联动触发，并为AIoT提供大量的环境数据，并将这些数据发送给AI进行分析处理，这些数据同样也是AI进行深度学习的重要养料，协助AI变得越来越聪明，而相对做出的反应也会越来越聪明。
而与传统传感器相比，智能传感器具有可通过软件技术实现高精度的信息采集，且成本低、具有一定的编程自动化能力和功能多样化等优势，两者相比存在明显的代差。
同时，根据CSHIAResearch发布的智能家居生态发展白皮书表示，随着5G、AI等新兴技术的发展，智能家居行业的场景越来越丰富，越来越人性化，将会有越来越多的传感器应用于智能家居当中，这同时也将大大促进智能传感器的精细化发展，同时倒逼传统传感器实现智能化升级。
丰富的产品矩阵应用于各种智能场景
智能传感技术是智能家居中的“眼鼻耳”，因为智能家居首先离不开对居住环境“人性化”的数据采集，也就是说把家居环境中的各种物理量、化学量、生物量转化为可测量的电信号装置与元件。
家庭安防是智能建筑安防系统的重要子系统，在家庭中布置红外感应器、门磁、烟感探测器、燃气泄漏传感器等，可以有效保障家庭安全。
那么，在智能家居的场景应用中，又有哪些极具代表性的产品呢？简单来说包括人体红外探测器、烟雾传感器、可燃气体传感器、水浸传感器、运动传感器、声光报警器、空气质量传感器、温湿度传感器、门/窗磁、风雨传感器、人体存在传感器、震动传感器等智能化产品或设备，它们均体现了智能传感技术为硬件产品带来的感知层面的飞跃，轻松实现智能化场景的搭建和全屋智能对于各种不同智能设备的需求。
并在雨天场景、除甲醛场景、除湿场景、烟雾检测场景、家庭安防场景等不同的生活场景中发挥出不同作用，传感器产品的成熟应用，真正开启了智能生活的时代。
在技术应用层面，智能传感器将发挥出优秀的自补偿功能、自校准功能、自诊断功能、数值处理功能、双向通信功能、数字量输出功能、以及信息存储和记忆功能等，它们将依托这些丰富的功能，为相关设备带来质的改变。同时，通过网关模块，还能够打通不同平台，实现设备与平台的互联、设备与移动设备的互联、设备与设备间的互联，更好地应用和服务于不同的场景空间。
一款优秀的传感器产品应该是什么样子的？
一款优秀的智能传感产品应该具备哪些品质？又要考虑到什么因素？这想必是很多人关心的问题，今天，笔者以几款产品为例，对传感器相关产品进行全面探讨和分析。
市场上传感器产品复杂多样，品质更是参差不齐，对于消费者来说，并不能很好地进行甄别。笔者认为，当你选择一款传感产品时，第一应当看它适配什么网关，因为不同品牌之间的网关并不是互通的，这同样也是制约行业发展的一个痛点问题，未来行业发展的趋势将会打破这种藩篱，但目前来看，选择适配的网关还是非常必要的。
另外，要注意传感产品的外观形态是否与家居场景相匹配，同时也要关注到传感器产品的供电方式、电池续航能力以及安装方式等等细节问题，当然最主要的还是要看产品的稳定性和准确探测的能力。
比如，赛特威尔推出的无线光电感烟火灾探测报警器，便是一款典型的智能传感器产品，在探测功能上它集烟雾报警与温度报警于一体，当烟雾浓度或环境温度分别达到报警设定阈值时，探测器就会发出声光报警，及时进行预警。同时，还能够通过无线连接的方式实现联网监控，一处报警便能够迅速通知其他报警器报警，第一时间识别险情位置。
麦乐克最新推出的“九合一”嵌入式空气环境检测仪，则分别集合了温湿度监测、空气质量检测、光照检测以及险情检测等9种监测细分，将多种监测功能放到一个产品之中，这目前也是传感器产品发展的一个趋势。同样，麦乐克这款空气环境检测仪也能够和智能生活APP实现连接控制，并支持ZigBee、蓝牙、WiFi等多种通讯协议、具备多种组网方式，这便大大丰富了其使用便利和应用便利。
雷特科技最新推出的微波人体存在感应器，应用了人体呼吸微波感应技术，可在人体静止状态下探测出微弱的呼吸甚至心跳信号，实现真正的人体存在感应，可联动智能设备，匹配照明灯具实现智能节能控制，实现场景触发。实现在家居、办公、酒店、等场景的稳定应用。
GVS推出的空气质量传感器能够有效监测PM2.5、PM10、AQI、TVOC、温湿度和CO₂等空气质量指标，同时也内置了新风控制器，通过联动来控制新风系统。除此之外，GVS空气质量传感器还支持定制化彩色显示，观感更加舒适。“挂墙板+磁吸+卡扣”的安装方式方便用户安装使用。
观展指南▪2021年12月10–12日
来SIBT一探究竟！
2021年12月10–12日，上海国际智能建筑展览会（SIBT）作为物联网+智能建筑技术的行业平台，积极探索物联网技术落地的热点领域，从社区、园区、楼房、商厦、家居等区域，逾280家企业及品牌参与展示行业内新产品、新技术、新动态。
（上海国际智能建筑展览会）
https://www.homelifestyle.cn/thread-1309951-1-1.html返回搜狐，查看更多
变电设备智能传感与状态感知技术及应用
LIPeng,BIJiangang,YUHao,XUYuanChinaElectricPowerResearchInstitute,Beijing100192,China
李鹏(通信作者)1975—,男,博士,教授级高工,从事特高压输电、输变电设备绝缘与运行方面的研究工作E-mail:lipeng@epri.sgcc.com.cn
毕建刚1977—,男,硕士,教授级高工,从事电力设备状态检测、智能传感和故障预警技术方面的研究工作E-mail:bijg@epri.sgcc.com.cn
于浩1987—,男,博士,工程师,从事智能传感及电力设备状态监测方面的研究工作E-mail:yuhao@epri.sgcc.com.cn
许渊1981—,男,博士,高工,从事输变电设备状态检测与故障诊断技术方面的研究工作E-mail:xuyuan@epri.sgcc.com.cn
基金项目：国家电网公司科技项目(输变电设备无源无线智能传感器关键技术研究及应用)(5500-202018068A-0-0-00);ProjectsupportedbyScienceandTechnologyProjectofSGCC(ResearchandApplicationofKeyTechnologiesofPassiveWirelessIntelligentSensorforPowerTransmissionandTransformationEquipment)(5500-202018068A-0-0-00);
摘要变电设备的可靠性是电网安全运行的基础,其运行状态感知是电网设备运维和运行控制的重要支撑。近年来变电设备状态感知技术向数字化和智能化方向快速发展,新技术不断涌现,有效提升了设备智能化水平。论文首先介绍了目前常用的基于电、声、光、化、热物理量监测的设备状态感知技术,及其在变电设备状态感知中的应用情况,分析了该技术为电网运维带来的积极作用;然后介绍了变电设备新型感知技术研究,并提出了新型感知技术在电力设备状态感知领域的应用趋势;最后展望了未来的发展方向,指出了变电设备状态感知在智能感知、人工智能、大数据、立体巡检及传感性能校验方面的发展趋势。
关键词:变电设备;状态感知;新型传感;设备融合;传感可靠性;人工智能;智能传感;
DOI：10.13336/j.1003-6520.hve.20200939
ABSTRACTThereliabilityoftransformationequipmentisthebasisforthesafeoperationofapowergrid,anditsperceptionofoperatingstatusisanimportantsupportinthemaintenanceandoperationofpowergridequipment.Inrecentyears,theperceptionofoperatingstatustechnologyfortransformationequipmenthasdevelopedrapidlytowardmoredigitizationandintellectualization,andnewtechnologieshavecontinuouslyemerged,promotingtheintellectualizationofdeviceseffectively.Firstly,weintroducedthecommonly-usedperceptionofoperatingstatustechnologyformonitoringbasedonelectricity,sound,light,chemicalcharacteristics,andthermophysicalquantityatpresent,anditsapplicationinthestatussensingoftransformationequipment.Thenweanalyzedthepositiveeffectofthistechnologyonpowergridoperationandmaintenance,andputforwardtheapplicationsanddevelopmenttrendofnewsensingtechnologies.Finally,wepointedoutthefuturedevelopmentdirection,andanalyzedthedevelopmenttrendofstateperceptionoftransformationequipmentintheaspectofintellisense,artificialintelligence,bigdata,stereoscopicpatrol,anddetectionofsensingperformance.
KEYWORDS:transformationequipment;stateperception;newsensor;equipmentfusion;sensorreliability;artificialintelligence;intelligentsensing;
0引言当前电网形态正在发生深刻变化,电网规模不断扩大,设备容量不断提升,变电设备故障会造成电网停电和重大经济损失,电网运行控制迫切需要对设备状态进行全面感知。变电设备自身由于功能、用材不断改进,结构日趋复杂,传统的传感技术和设备故障诊断技术已不能满足电网应用需求。在应用层面,由于运行环境恶劣、电磁干扰,许多设备状态监测装置现场应用性能不稳定,监测装置本身存在故障率、误报率高及数据可信度存疑等问题,变电设备状态感知技术研究与应用面临严峻挑战。
变电设备在正常运行时和故障前后,通常伴有“电、声、光、化、热”等多种特征信息,通过对设备不同的特征信号开展带电检测或在线监测,感知和分析设备状态,可以发现和消除很多类型的设备缺陷和隐患,进而避免设备故障及由此引发的电网安全事故。
带电检测、在线监测技术在我国起步较晚,针对重要电力设备状态感知技术应用规模不断扩大的现状,油中溶解气体检测、电容型设备介损、泄漏电流、局部放电、红外和紫外检测等技术应用愈加广泛,也取得了较好的效果。目前国内外都在加强新型传感技术的研究和应用,但针对近年来频发的变压器套管、分接开关、气体绝缘开关(gasinsulatedswitchgear,GIS)等设备的突发性故障,仍然缺乏有效可靠的感知预警手段。同时,国内在原创技术、基础材料、融合设计等方面与国外的差距明显,高精度器件目前还主要依靠进口,存在技术短板,也缺乏体系化的感知装置性能评估等公共平台。总体上,设备状态感知还需要在传感基础研究与状态感知智能化方面开展深化研究,以适应不断提高的安全可靠性需要[1-2]。
智能传感与状态感知技术是电网数字化、物联网、大数据、智能化的基础,而各类感知传感器及终端是电网运行状态的神经末梢,各个维度的感知数据支撑着电网生产指挥决策体系,是电网可靠运行的重要保障。随着大、云、物、移、智、链等技术在电网中的深度应用,电力设备状态感知技术也正在向智能化设备融合的方向转变。
鉴于此,本文对目前以电、声、光、化、热物理量为监测对象的感知技术及其在变电设备状态感知中的应用情况进行了总结,分析了相应的参数性能和优缺点,然后介绍了有助于提升变电设备状态感知能力并亟待推广的新型感知技术,最后针对电网发展情况,展望了变电设备状态感知和决策体系的发展趋势。
1变电设备状态感知技术及应用现状随着设备状态检修策略的全面推进和智能电网建设的加速发展,变电设备状态监测及故障诊断技术得到了广泛应用。变电设备状态监测系统的安全性、可靠性、稳定性以及测量结果的准确性,直接影响状态检修策略的有效开展以及设备状态的可视化和有效监控。目前各类传感技术应用繁多,效果参差不齐。表1列出了目前推荐的变电设备典型传感技术。
本章主要介绍能够反应变电设备状态的电、声、光、化、热物理量的感知技术。
1.1电气量感知技术电气量是感知变电设备绝缘问题的有效手段。通过电压、电流的检测,可以获取变压器铁芯、夹件的接地电流、电缆护层接地电流、套管末屏电流值等,从而判断设备内部的绝缘状态。
1.1.1容性设备相对介损及电容量容性设备介损及电容量可反映套管等电容型
表1变电设备典型传感装置Table1Typicalsensingdevicesoftransformationequipment
设备的状态,通过测量被试设备的电压、电流及相角,可得到绝对介损和电容量的比值。由于绝对介损值大多在0.001~0.01rad范围,现场测试易受到杂散信号干扰[3],因此目前多采用相对介损,即通过比较同一变电站的多台同类或同型号设备的末屏接地电流信号的幅值比和相角差,来获取相对介损差值和电容量比值。
国内已针对容性设备开展了相对介损测量法的研究,并根据历史数据,利用3δ准则确定了介损的正常变化范围,减小了数据随机波动的影响[4]。为了提高测量精度,矩阵约束法[5]、加窗离散傅里叶变换(discreteFouriertransform,DFT)法[6]、相关函数法[7]等方法也相继被提出,另外基于深度学习的介损相对变化辨识方法也提供了一种抗噪思路,其分辨率可达0.001%[8]。
介损及电容量变化趋势为设备运维工作提供了有效支撑。文献[9]给出了受潮情况下的介损变化趋势,建议电容量超过出厂值30%或介损超范围时,应及时进行进一步检测;而文献[10]表明,由于缺少有效监测手段,无法对套管初期故障进行检测,直到变压器轻瓦斯动作之后才推断出套管故障。
近年来变电站现场应用案例表明,采用相对介损及电容量实时感知技术,可以及时发现套管缺陷、套管受潮、电容屏缺陷等故障,但是对于套管底座脱落、内部产气等缺陷故障还不敏感。实际运维中,也存在套管末屏监测引起接地不良的风险[11],因此进一步推动多种感知手段与一次设备融合设计,对于提高设备的可靠性尤为重要。
1.1.2避雷器泄漏电流目前无间隙氧化锌避雷器广泛使用[12],泄漏电流在线监测是避雷器内部受潮、阀片劣化等设备状态的重要感知手段[13]。
避雷器泄漏电流是指施加持续运行电压下流过避雷器本体的全电流,由阻性电流和容性电流组成。全电流与阻性电流是感知避雷器运行状态的主要监测对象,通常使用全电流法、三次谐波法、容性电流补偿法、阻性电流基波法等方法进行检测,随着嵌入式计算技术的发展,数字波形分析法得到了应用,各方法的优缺点见表2。
结合现场应用,普遍推荐使用的方法是数字波形分析法,也称为谐波法,该方法通常依托于高性能数字信号处理器(digitalsignalprocessor,DSP)或现场可编程门阵列(fieldprogrammablegatearray,FPGA),使用优化的快速傅里叶变换(fastFouriertransform,FFT)分析法,能够有效降低频谱泄露以及干扰给谐波分析带来的不利影响[14]。
近年来的案例也表明,通过泄漏电流检测可以有效发现避雷器的密封失效和阀片受潮等问题[15-16]。随着监测装置可靠性的不断提升和成本控制,避雷器泄漏电流监测技术会得到进一步推广应用。
1.1.3变压器铁芯接地电流铁芯接地电流能够直接反映出变压器铁芯多点接地故障[17]。铁芯多点接地会造成铁芯局部过热甚至烧毁,还可能造成接地片熔断,形成悬浮电位,从而产生放电故障。
运行中变压器铁芯接地电流一般不大于0.1A,目前大部分特高压换流站都已安装铁芯接地电流在线监测装置,量程为10mA~5A,精度可达1%。
但是,铁芯接地电流容易受到变压器漏磁场的干扰,因此必须强化监测设备的抗电磁干扰能力,优化测量布置接线。另外,铁芯接地电流结合油色谱分析和铁芯振动声纹等感知手段,能够有效判断变压器铁芯、夹件的故障原因[18-20]。
1.1.4高频局部放电局部放电是导致变电设备绝缘系统破坏和引发电力故障的主要原因[21],通常是通过带宽为3~30MHz的高频电流传感器检测设备接地引下线上的放电脉冲电流信号来进行测量。
表2避雷器泄漏电流监测方法比较Table2Comparisonofmonitoringmethodsforleakagecurrentofarrester
目前高频电流传感器(highfrequencycurrenttransformer,HFCT)多采用罗格夫斯基线圈(Rogowskicoils)结构,并利用高磁导率的磁芯作为线圈骨架增加灵敏度,但又需要考虑工频磁场所造成的磁芯饱和问题。该方法具有灵敏度高、安装简单等优点,并可量化描述局部放电强度,已广泛应用于电力电缆、变压器、电抗器等设备的局部放电检测,成为提前发现潜在缺陷的有效手段之一。
1.2声振感知技术1.2.1局部放电超声波电力设备内部发生局部放电时,通常会产生超声波信号。通过在设备外壳或附近安装的超声波传感器,可以耦合到局部放电产生的超声波信号,进而判断设备状态。其原理是利用压电效应检测设备内部局部放电时产生的20~200kHz的声信号,可应用于变压器、GIS、高压电缆、开关柜等设备的局部放电检测。与电测法相比,超声波的传播速度较慢,对检测系统的要求较低,且其空间传播方向性强,主要用于局放定位,定位精度在10cm以内。同时,超声波信号受电磁干扰程度小,对振动性缺陷特别是自由颗粒引起的非放电缺陷具有较好感知效果[22]。
目前,超声波法通常与特高频法联合使用,文献[23]采用声电联合法对放电源进行了定位,并对局放信号进行了有限元仿真,验证了该方法在变压器局放定位中的有效性和准确性。此外,将超声波与特高频法、光测法结合的声、光、电联合的多维度局部放电检测技术具有一定的发展前景。
但是,超声波局部放电感知技术也存在对内部缺陷不敏感,易受机械振动干扰,放电类型识别难度较大及检测范围小等缺点。
1.2.2振动声纹设备振动包含了变压器机械状态的大量信息。采用振动信号的分析对变压器故障诊断有重要意义[24]。
目前大多数振动监测设备均采用有源加速度传感器采集振动或声音信号,其频率响应范围为20Hz~1MHz。振动分析法通过检测传递到箱壁的振动信号,来对变压器的绕组及铁芯状态进行检测,其本质是通过绕组机械特性的变化反映绕组状态的变化。振动检测法利用传感器监测变压器的振动信号,提取出其时域、频域信息,然后通过信号频谱特征的横向和纵向分析对比来评估变压器的工作状态。
目前振动声纹监测技术主要应用于变压器和高抗振动检测、开关设备振动声纹检测、绝缘子振动探伤等方面。国外和国内正在开展基于振动声纹的分接开关监测技术研究。
1.2.3变电站噪声利用声级计对变压器/电抗器的振动噪声以及变电站的环境噪声进行检测,可对带宽为10Hz~10kHz、声压级为30~130dB的声音信号进行采集。近年来,基于声成像技术的噪声检测系统得到了一定的应用,可有效识别变电站电力设备的噪声源,对查找噪声源、故障源及提出降噪措施具有积极意义[25]。
声学传感器阵列及异响成像定位效果图如图1所示。声成像系统基于传感器阵列测量技术,通过测量一定空间内声波到达各传感器的信号相位差,依据相控阵原理确定声源位置,从而根据声源特征信息来诊断设备的运行状态[26],能够及时发现设备机械部件的异常。
1.3光电感知技术1.3.1红外成像通过红外热像仪可以获取设备表面的温度。能够有效感知接触不良、绝缘劣化、循环不畅、泄漏电流增大等原因引起的设备发热。红外检测具有不停电、不接触、灵敏度高、技术成熟等优点,检测精度为±2℃,可及时有效地发现设备缺陷[27],图2展示了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[28],将13层卷积层、13层Relu层、4层池化层构成的Zeiler＆Fergus(ZF)深度卷积网络作为输入层,得到共享卷积特征图,再由候选区域网络得到坐标及分类信息,同时融合感兴趣区域(regionofinterest,ROI)池化层,提取区域建议特征,最终得到输入红外图片故障点识别与定位的结果。
图1声学传感器阵列及异响成像定位效果Fig.1Acousticsensorarrayandlocationeffectofabnormalsoundimaging图2红外成像在设备温度感知的应用Fig.2Applicationofinfraredimagingintemperaturesensingofequipment目前,红外成像技术已广泛应用在巡检机器人、无人机中,红外图片内容识别也已率先应用人工智能算法,进一步也向标准化、数字化、智能化方向发展。但同时也面临着伪彩色类型多样、背景干扰复杂、拍摄角度不一、红外图像叠加图形字符等多种因素的干扰[28]。
1.3.2紫外成像电力设备因设计、制造、安装等原因造成的局部场强集中会导致电晕放电。紫外成像技术利用特殊仪器接收电晕放电所激发出的波长小于280nm的日盲区紫外波段光信号,能够实现对电力设备电晕放电的检测。紫外成像检测内容包括电晕放电强度、放电形态和频度范围,可应用的场景包括金具连接、污秽放电、绝缘子局部缺陷检测、局放背景检测等。国内多数电科院和供电公司都已配有紫外成像仪器,并积极开展了设备电晕及表面放电检测工作。文献[29]以紫外图像中放电光斑面积的大小作为紫外成像的量化参量,分析得到了观测距离为9m和紫外成像仪在几种典型增益下的光斑面积与脉冲电流的峰值及脉冲电流平均值之间的关系,其成像及测量效果如图3所示。
1.4化学感知技术1.4.1油中溶解气体充油和油纸绝缘设备内部发生过热、放电故障时,会产生多种气体,表3中给出了不同故障类型产生的典型气体。
油中溶解气体的主要检测方法有气相色谱、光声光谱、红外光谱、拉曼光谱和阵列气敏传感器法等。气相色谱法是一种物理分离方法,它利用混合物中各组分在两相间分配系数的差别,使各组分得到分离,是目前应用最广泛的油中溶解气体在线监测技术,但是仍存在检测周期较长(普遍≥2h)、维护量较大(需定期更换色谱柱、载气和标气)等问题。光声光谱法基于光声效应,特定气体在吸收特定波长的红外线后,温度会升高,释放出的热能使气体产生成一定比例的压力波,压力波的频率与光源的斩波频率一致,可通过高灵敏微音器检测压力波的强度,而压力波的强度又与气体的浓度成比例关系;光声光谱法的优点是不需要载气、标气,降低了维护量,检测周期缩短至1h以内,但采用该方法时,需要解决实际工况中环境有机气体、振动和湿度干扰等问题。红外光谱和拉曼光谱技术同样具有维护量小、检测周期短等优点,但红外光谱无法检测氢气,拉曼光谱也正处于研究阶段,尚未形成成熟的产品。阵列式气敏传感器可实现多组份气体的同时检测,但灵敏度尚不确定,且存在交叉敏感问题[30]。
目前油中溶解气体在线监测或离线检测的应用已覆盖变压器、电抗器、电流互感器、电压互感器及油纸套管等设备的制造、安装和运行的全寿命周期监测。油中溶解气体在线监测装置通常存在运行后准确度不足、稳定性差、元器件耐用性差等问
图3紫外图像中图像的量化参数定义Fig.3QuantityparametersdefinitionintheUVimage表3不同故障类型产生的气体组分Table3Gascomponentsproducedbydifferentfaulttypes
题,取油回路复杂,一般为多组分监测,成本较高,可靠性和智能化还需进一步提升,小型化、低成本的单组分监测技术也亟需突破。
1.4.2SF6气体状态六氟化硫(SF6)气体作为开关设备和母线的绝缘介质得到了广泛的应用。运行设备的SF6气体湿度、分解产物等参数,以及SF6的泄漏情况,是判断设备状态的重要指标。
SF6气体湿度检测技术包括质量法、电解法、阻容法和露点法等,其中露点法应用最广。通常采用20℃情况下水蒸气与SF6气体体积比值(10-6)作为水分含量的标准[30]。为了避免受温度限制和吸附效应的影响,文献[31]提出了基于“吸附势-吸附空间”特性曲线的不同温度下湿度之间互相换算的公式,有效摆脱了监测温度的限制。
基于电化学传感器的SF6气体分解产物在线监测,利用被测气体在高温催化剂作用下发生的化学反应改变传感器的输出信号,从而确定被测气体的成分及含量,具有检测速度快、数据处理简单等优点,SO2和H2S检测精度可达±0.5×10-6,CO检测精度达±2×10-6,但需要解决传感器在不同气体之间的交叉干扰问题。文献[32]基于气敏元件阵列和遗传神经网络,为解决交叉敏感问题提供了新思路。
SF6泄漏检测主要像利用SF6光谱特性,在红外成像仪中可观测到漏点位置及泄漏浓度,从而实现实时监测,该方法应用广泛,但对红线监测精度要求较高。文献[33]结合开放式长光路结构和可调谐激光吸收光谱技术,实现了GIS大区域环境下泄漏SF6的在线监测,气体体积分数探测下限可达1.8×10-6。
SF6泄漏及气体状态感知技术已广泛应用于运行设备中气体的质量监督管理、运行设备的状态评价及设备故障定位等方面,且已发现了多起断路器水分超标、纯度不足等现象,并推断出吸附剂缺陷、操纵机构缺陷、悬浮放电及绝缘沿面放电等故障类型。但由于受吸附剂和灵敏度的影响,该技术较难发现设备早期故障,目前还主要用于故障定位。
1.5热学感知技术过热故障一直是设备运行管理的重要关注点之一。测温需求比较大的设备有电容器、电抗器和开关柜等。红外成像方法存在温度监控死区,红外摄像头往往只能监控外侧部分设备的表面温度,对内侧设备和设备内部温度无法有效监测。
早期多采用埋设热电偶进行设备局部温度的监测,但多应用在实验室或厂内,现场应用不便。近期,小型的芯片温度传感技术已经在开关柜等设备温度监测中得到了试点应用,温度传感信号和供电电源合二为一可实现传感器布置的灵活性,正在逐渐提升其长期运行可靠性,应用前景较广。
近年来,光纤测温技术在变压器绕组温度监测、电缆隧道监测等方面已有试点应用,其原理为利用光纤中传输的光波特性参数的改变来实现温度感知,包括干涉式、光栅、光纤荧光温度传感器等。光学传感器具有抗电磁干扰、灵敏度高、本质安全等优点[34],能够安装至狭小区域。未来,如果光纤传感技术如果能够和变电设备实现深度融合设计,进一步提高气长期可靠性,降低成本,将有更为广阔的应用范围。
2变电设备新型感知技术与应用趋势现有的设备传感技术在电网运维状态监测、故障预警方面发挥了重要作用,提升了设备的运维水平。但随着电网运行对变电设备可靠性要求的提升,设备管理向数据化、智能化发展,现有的设备感知技术还存在以下问题：
1）感知终端安装数量有限,体积大、功耗大、成本高,导致有效感知数据的数量和全面性不足,传感器间相互隔离,数据缺乏共享贯通,难以支撑电网运行管理“全面感知”的应用需求。
2）感知层基础研究不够深入,已有感知方法得到的传感量无法有效反映设备运行的真实状态,存在感知盲区。如GIS绝缘子沿面闪络故障、套管故障和有载分接开关(on-loadtap-changer,OLTC)故障,这些故障的原因和机理目前尚不清楚,使得传感和检测技术的研究缺少针对性,因此需要加强设备故障机理与有效传感量之间关联关系的研究。
3）感知传感器、装置可靠性及可信性仍然存在不足,装置检测校验体系还不够完善。
变电设备新型感知技术研究与应用趋势如图4所示。结合各类感知新技术的研究现状,从以下3个方面介绍目前正在积极研究、亟需提升性能的新型感知技术,探索其应用策略。
2.1新型通用传感技术研究目前感知传感器存在成本高、体积大、安装不便等问题,需要研究小型化、低成本、安装方便的感知终端和布置方案,如微型电场、磁场传感器,从而使电压、电流等通用电气量的检测更加便捷。
2.1.1微型电场传感技术传统的介损、局放监测往往需要以一次电压信号作为参考,通常由互感器或电容式分压得到,不可避免地存在角差,也需要额外布线。微型电场传感技术能够在非接触的条件下进行一次电压测量,可以降低电压测量的成本。
图4变电设备新型感知技术研究与应用趋势Fig.4Newsensingtechnologyandapplicationtrendoftransformationequipment微机电系统(micro-electro-mechanicalsystem,MEMS)电场传感器具有体积小、空间分辨力高、功耗低、成本低、易批量生产等优点[35]。图5展示了一种可以用来测量高压直流线路电场的MEMS传感器[36],可随外部电场的变化而输出交变的感应电流,再利用低噪声前置放大电路将微弱电流转化为输出电压信号;文献[37]也提出了磁驱动悬臂梁式结构电场传感器,功耗可降至17.75mW,灵敏度可达9.87mV/(kV·m-1);文献[38]提出了一种扭转谐振式MEMS电场传感器,提高了微型电场传感器的灵敏度,在增益电阻为100MΩ的情况下,传感器灵敏度可到4.55mV/(kV·m-1),其扫描电镜(scanningelectronmicroscope,SEM)图如图6所示。图7展示了一种基于压电效应和压阻效应耦合的复合结构的高频电压传感器及其频响曲线,图7(a)所示为其结构示意图,图7(b)所示为传感器的相频响应曲线和幅频响应曲线[39]。MEMS电场传感器目前主要处于实验室试验阶段,实际应用还需进一步解决电磁干扰等关键技术问题。
另外一种方式是利用泡克耳斯效应、克尔效应等电光效应测量电场,其基本原理是：在外加电场作用下,透明物质的折射率会发生改变,通过测量折射率的变化测量电场。基于电光效应的电场传感器有集成M-Z干式和电容分压型光学、全电压型光学电压传感器,显著特点是无源、动态范围大、频带宽,但成本相对较高[40]。
微型电压传感器一定程度上解决了电磁干扰、传输损耗、带宽受限等问题,但目前仍存在检测精度不高、抗干扰能力较弱等问题,还处在实验室验证阶段,未来性能提升后,将在非接触式电压测量、设备状态监测、继电保护、电磁环境测量方面具有广阔应用前景。
2.1.2磁阻电流传感技术磁阻传感器是感知器件的电阻值随所处磁场变化而变化的一类传感器,其发展历程如图8所示,包括各向异性磁电阻效应(anisotropicmagnetoresistance,AMR)、巨磁电阻(giantmagnetoresistance,GMR)和隧道磁阻(tunnelmagnetoresistance,TMR)传感器。
GMR传感器具有体积小、功耗低等特点,理论带宽达吉赫兹级别,电流测量范围可达千安培级,精度达0.1级。而TMR传感器具有更高的灵敏度、更低的功耗特性和更优良的温度特性[41-45],电流测
图5MEMS电场传感器敏感芯片感应原理Fig.5InductionprincipleofsensitivechipofMEMSelectricfieldsensor图6传感器芯片的扫描电镜(SEM)图Fig.6SEMimageofsensorchip图7一种基于压电-压阻耦合的MEMS电场传感器及其频率相应Fig.7Piezoelectric-piezoresistivecouplingmemssensorsanditsfrequencyresponse量范围由微安培级至千安培级[46-47],其理论带宽达2GHz[48-49]进一步为电网普遍需求的宽频电流检测提供了技术基础。文献[50-51]研究了基于GMR传感器的DC/DC用和电力系统矩形母线排用电流传感器,成功检测了带宽为1MHz的电流信号;文献[52-53]进行了一系列巨磁阻技术的非接触式瞬态、宽频电流测量应用探索,对变电设备运行状态的宽频感知具有重要意义。
磁阻电流传感易受到磁芯、线圈漏磁的影响,为了减少干扰,可采用阵列式磁传感器的方式。文献[54]通过使用多个磁传感器对通电导线周围空间的电磁场分布进行测量,然后经过信号处理,实现了电流的测量。文献[55]基于磁传感器的电流测量,提出利用磁传感器阵列和卡尔曼滤波算法消除干扰电流的影响,研究了磁传感器的布置方式,建立了磁传感器阵列测量大电流的传感器拓扑优化数学模型。目前,环形阵列传感器电流测量频带可达1MHz以上,精度达0.1%FS,侧量范围为0.5A~1kA。环形阵列磁传感器原理及的多因素测量误差模型如图9所示,基于环形磁传感器阵列的电流测量结构中考虑了串扰、偏心、偏角和阵列初始角对其测量误差的影响[56-58],为该传感器的进一步深化应用提供了理论基础。
目前磁阻电流传感器在变电设备状态感知中的应用较少,但随着变电物联网的发展,其低功耗、高灵敏度、高带宽等优势逐渐突显,具备应用潜力。
2.1.3局部放电空间定位传感技术目前变电设备局部放电监测系统一般针对单一设备设计,无法在站域层面满足准确的局放定位需求,过多的局放传感器布置也会增加维护成本。基于特高频(ultrahighfrequency,UHF)传感器阵列的空间局部放电感知技术正在开展,已进行了UHF信号时延精确测量、定位算法、UHF在变电站传播特性等方面的研究[59-60]。
文献[61]利用4个天线组成的天线阵列接收特高频电磁波,并定义三维坐标系对变电站全站范围内进行局放定位。该团队设计了一种球面锥形结构的新型特高频传感器,在500~2000MHz带宽内具有驻波比低、全向、高灵敏度及群时延一致性好等特点,方位角误差小于2°[62]。文献[63]采用了可移动式UHF天线阵列,并对去噪方法、天线阵列优化布置及定位算法进行了研究。
同时,一些局放定位算法也相继被提出,文献
图8磁传感器件技术的发展历程Fig.8Thedevelopmentofmagneticsensortechnology图9环形阵列磁传感器原理及其多因素测量误差模型Fig.9Principleofcirculararrayofmagneticsensorsanditsmultifactormeasurementerrormodel[64]将相控阵原理应用到局放定位算法中,能够采用多重信号分类算法进行信号测向,经过优化,实现了2°的测量误差;文献[65]精确估计了到达时间差(timedifferenceofarrival,TDOA),实现了20m范围内小于20cm的定位精度;针对多源局部放电,文献[66]采用了K均值法对天线阵列的TDOA向量进行了聚类,实现了多源UHF信号的分离,同样得到了接近单个放电源的定位精度。
空间局部放电传感技术具有快速、高效、准确等特点,非接触式测量使检测范围更大、更便捷、更安全,放电可视化也为现场检测人员提供了一种更直观的检测手段,降低了对操作人员的技术要求,具有很好的应用前景。
2.2关键设备典型故障状态感知技术前面探讨了几种新型的变电设备通用传感技术。通过对电网公司近10年变压器、开关设备运行情况的分析发现,套管故障、分接开关故障、变压器绕组短路损坏、GIS绝缘子缺陷已成为影响变电设备可靠运行的主要原因,严重影响了电网的安全稳定运行。现有的感知技术还没有办法对上述典型故障进行全面感知和提前预警,目前国内一些单位正在针对上述问题开展技术研究。
2.2.1OLTC机械故障在线感知装置有载分接开关(on-loadtap-changer,OLTC)是变压器/换流变压器的唯一可动部件,发挥着稳定电网电压、增加电网灵活度、改善电能质量等重要功能。然而,近年来发生的多起由于分接开关故障导致的变压器故障,造成了严重后果[67]。
分接开关属于高精密机电一体化设备,机械动作时序和电气可靠性要求高,换流变有载分接开关动作频次可达4000次/(台·年)。当分接开关机械动作时序出现偏差、真空灭弧室出现故障时,油室中会产生特征气体,严重时会造成极间短路,引发换流变故障起火。目前分接开关油色谱分析还只能进行停电取油离线分析,无法实现在线监测。而通过振动传感器可以感知OLTC在档位切换过程中的机械状态信息,目前已得到了国内外相关单位的关注。图10是测得的分接开关振动信号U,但该信号易受到现场环境的干扰,需要开展振动特征提取的研究[68-71]。驱动电机电流信号也可以在一定程度上反映OLTC切换的部分状态信息,再结合振动信号,可分析OLTC相关部件的劣化趋势[72-76]。文献[77]提出了一种基于卷积神经网络(convolutionalneuralnetworks,CNN)的变压器OLTC故障识别方法,其识别流程如图11所示,但该方法缺乏换流站现场应用效果的检验。
分接开关故障主要分机械故障和电气故障,对其状态监测需要做到动作时序分析精度在毫秒级,而现有的在线振动监测无论是在检测精度,还是在故障识别方法方面都存在许多不足。除了振动信号,仍需要就真空OLTC切换过程中各种特征量的感知特性和传播特性开展研究,针对不同型号分接开关结构和切换时序,分析其不同的故障特征,进一步开发出换流变OLTC的在线监测装置。
2.2.2变压器绕组变形在线感知装置传统的频响法变压器绕组变形检测技术在电力行业已经普遍应用,但必须停电检测,无法对在运变压器进行动态监测,迫切需要研发在线绕组变形监测技术。
一种技术路线是将传统的离线频响法升级为在线频响法,面临的最大问题是如何在不影响变压器安全运行的前提条件下向带电运行的绕组注入激励扫频信号,并测量响应信号。文献[78]利用套管次屏抽头或者末屏引出线向运行变压器绕组注入扫
图10有载分接开关操作机械振动信号波形Fig.10MechanicalvibrationsignalwaveformofOLTCoperation图11OLTC故障识别流程图Fig.11FlowchartoffaultrecognitionforOLTC频信号,并且从套管末屏引出线获取响应信号,以实现在线获取绕组的频响曲线,但该方法改变了末屏接地方式,存在套管运行风险。文献[79]提出了一种非侵入式电容传感器,通过该电容传感器以电场耦合方式向套管内部的高压引线注入激励信号或测量引线上的响应电压信号来实现信号的测量;文献[80]又进一步通过该方式向绕组注入脉冲信号,经过短时Fourier变换[81]或连续小波变换[82]得到绕组的频响曲线。目前,更易于现场安装使用的基于罗氏线圈的磁耦合信号注入方式正在探索中,同时,变压器绕组变形在线感知频响信号传播特性、信号提取及诊断技术的研究也正在开展,有望推动在线绕组变形感知装置的广泛应用。
另一种技术路线是振动检测分析法。通过对变压器绕组固有正频率振动分布特性的研究,可得到振动信号与绕组变形的相关关系,进而实现绕组变形的在线感知[83-85]。同时,振动指纹概念也被提出,即对正常运行状态下的振动特征向量,包括铁芯、绕组振动信号的频谱、功率谱、能量谱等,建立原始指纹库,通过特征向量的变化感知绕组的故障[86-87]。由于变压器结构及运行工况十分复杂,变压器短路后绕组的变形情况多样,因此振动信号传递分析和指纹故障识别存在较大困难。
此外,基于分布式光纤传感的变压器绕组变形监测技术可以实现对绕组轻微变形的有效测量,并可将变形故障精确至绕组线圈饼级[88],但光纤传感器在变压器绕组内部的融合设计和可靠性影响限制了这种技术的推广应用。
2.2.3高压套管多参量在线感知装置套管末屏监测技术研究较多,鉴于套管末屏必须安全接地,运行中容易受到电磁干扰的影响,因此需要实现传感一体化集成,以解决传统在线监测装置在对套管末屏改造后不能就近接地和密封不良的问题。
文献[89]通过在末屏接地线上安装高频电流互感器(highfrequencycurrenttransformer,HFCT)、特高频电流互感器(ultrahighfrequencycurrenttransformer,UHFCT)和介损电流互感器一体化的传感器,实现了高压套管局部放电和介质损耗的一体化传感和测量。文献[90]将局部放电、雷电过电压、工频泄漏电流传感器集成在同轴圆柱外壳内,实现了多种套管状态的感知。
目前,套管监测正在完善多功能一体化设计,可以对工频、高频信号进行同步测量,分析介损、电容量、压力和局放信号,实现对套管典型缺陷故障的提前预警。对套管进行单一组分气体监测的技术也在研究中,随着相关技术的不断完善,可以有效提升套管类设备的运行管控水平。
2.2.4GIS绝缘子沿面缺陷状态感知系统GIS绝缘子缺陷监测一直是GIS研究领域的热点和难点,已经开展了大量绝缘子表面金属微粒闪络特性和局放特性的研究。文献[91]在实验室建立了灵敏度可达0.02pC的综合局放测量和运动观测系统,观测获得了GIS绝缘子表面不同数量亚毫米级金属颗粒的运动特性和放电特性。文献[92]建立了GIS绝缘子表面金属颗粒运动和高灵敏脉冲电流局放观测实验平台,如图12所示,实验观测到运行工况下金属颗粒运动诱发沿面闪络的现象,并观测到其局放发展过程。
图12126kVGIS实验装置结构Fig.12Structureof126kVGIStestdeviceGIS绝缘子缺陷监测技术实际应用较少,效果不明显。后续亟需结合实际故障案例,深入研究不同绝缘子表面微粒的运动、放电、闪络特性和试验技术,找出故障诱因,研究绝缘劣化过程与声、电、光、热等传感量的关联关系及检测有效性,开发适用于GIS绝缘子缺陷检测的传感技术。
2.3感知传感器及装置性能提升及检测校验技术随着变电设备感知终端的大量部署,感知数据已经成为主设备状态评价的重要依据,传感装置的可靠性及有效性也已成为变电设备安全运行管控的重要基础。一方面,在设计上,传感器要强化需要全周期全要素的可靠性设计,加强可靠性数据收集;另一方面,在检测上,传感器要突出场景性能的校验,需要根据传感器应用中存在的问题,加强感知装置的针对性性能检测验证。
2.3.1可靠性设计传感器的可靠性对电力设备状态感知成效至关重要,根据现有应用经验,传感器仍然存在一致性、稳定性、可靠性差的问题。已投入使用的传感器存在着误报警、数据漂移、故障率高等突出问题。电力系统应用环境复杂,除了一般传感器面临的自然环境问题(温度、湿度、紫外、高海拔等),还面临着电力应用特有的电磁环境问题。同时传感器复杂度和智能化程度日益增加,主设备故障危害后果严重,对传感器的可靠性要求更高。
设计是传感器可靠性管理的基础,传感器可靠性受到材料、工艺、环境等多方面因素的影响,考虑到主设备安全监控要求高,设备传感器在设计上要进一步提升可靠性要求,充分考虑健壮设计、冗余设计、容错设计、简化设计、环境适应设计和电磁兼容设计等。
传感器可靠性设计理念需贯穿整个产品周期,在方案设计阶段,要充分收集同类传感器的运行情况和可靠性数据,根据电力设备功能需求和环境特点,进行针对性的评估和设计;在装置研制阶段,要开展功能性试验和环境试验,分析研制试验数据,找出薄弱环节,不断改进;在设计定型或确认时,除了定型试验,也应开展加速寿命试验,评估传感器可靠性水平是否达到要求;在批量生产时,要持续监控制造过程和出厂试验数据,确保传感器可靠性和工艺水平稳定;在应用阶段,还应结合使用环境,广泛收集应用效果,持续改进传感器设计和制造工艺,不断提升传感器的长期运行可靠性。
2.3.2性能检测校验为了保证设备传感器的长期可靠性,电力用户需要对应用的传感器进行性能检验。针对电力设备状态检修及在线监测装置,目前中国电科院已经建立了一系列检测标准,相应实验室已具备全面检测能力。重点针对环境适应性、通信协议、电磁兼容特性、性能参数等进行测试。但是,针对输变电物联网传感器,特别是无源无线、低功耗传感器和汇聚节点,还需建立并完善取电性能、电池性能、低功耗特性、组网及通讯一致性等检测验证平台和测试规范。鉴于此,中国电科院已实施物联网传感器性能检测平台扩建计划,平台框架如图13所示。
3展望随着能源互联网建设的不断推进,电网资产和业务不断数据化,电网运行决策日趋精益化,输变电设备运维日趋智能化。在传统在线监测技术提升性能的同时,新型感知技术也在加速发展。可以看到,一方面,物联网技术正逐渐与电力设备状态感知技术深度融合,形成全方位、多维度的感知体系,提升了设备的现场感知能力;另一方面,随着感知数据的积累和智能传感器的大量推广,设备感知数据不断积累完善,大数据与人工智能技术在设备状态分析中将会得到深化应用,设备管理的智能化水平将得到有效提升。
3.1基于物联网的设备本体智能化感知体系在设备本体自身感知方面,依托各类设备状态传感器、在线监测装置等,可构建电网设备物联网系统,实现设备信息互联互通,系统结构如图14所示。建立带电检测和在线监测技术标准体系,建立统一的数据模型,实现设备识别、状态感知、状
图13物联网传感器性能检测平台框架Fig.13ConstructionframeworkofsensorperformancetestingplatformintheInternetofthings图14基于物联网的变电设备智能化感知系统Fig.14Intelligentperceptionsystemoftransformationequipmentbasedoninternetofthings态分析无缝衔接,从而为管控系统全面设备状态分析提供技术基础。
传感器与设备本体一体化融合设计成为发展趋势。变电站重要设备如变压器、开关设备等在设计时,在器身预留传感窗口或内置高可靠性传感器,可提升设备的自感知、自诊断能力,实现设备状态的可知、可控。根据电力设备重要程度进行智能化分级,分别针对“海量”、“常用”、“主要”设备标准化典型设计需求,推行设备模块化设计,可大幅降低物联网传感器大量部署所带来的检修工作难度。
同时,设备感知与传感装置向全面感知、低功耗、模块化、标准化、安全高效通信和高可靠性发展。设备的全面感知包括自身运行状态感知、环境感知、空间感知、实时感知等全方位感知能力。随着MEMS传感器的发展,其低功耗、模块化、低成本优势将会使其在电力系统中得到广泛应用。
3.2基于智能装备的立体巡检体系除了设备本体感知技术外,基于站内其他面向非单一设备的智能巡检装置也成为变电设备智能感知体系中的一个重要组成部分。
搭载红外热像仪、可见光采集、声学传感等感知设备的巡检机器人,在集成综合导航、机器视觉、机械性能、电磁兼容性及续航方面都取得了长足进步,显著提高了机器人巡检的稳定性和数据采集质量,正逐步在电力系统中得到推广应用[93]。随着巡检机器人数量及数据量的不断增加,对智能化分析算法提出了更高的要求,采用自充电的方式还存在一定的风险,自主导航及定位也还需要进一步突破。
未来,应建立基于智能装备的立体巡检体系,应用直升机、无人机、巡检机器人等智能装备,开展多维度线路、变电站立体化巡检工作,建立巡检数据中心,实时/定期接入管控系统,实现日常巡检工作无人化,巡检信息收集自动化,巡检结果处理智能化,从而逐步减少甚至替代传统人工巡视。
3.3基于人工智能及大数据的决策体系由于设备故障机理复杂、运行环境多样,针对不同设备的差异性难以建立完善、精确、统一的评估和诊断模型。感知装置积累的海量状态数据,若采用专家人工进行分析诊断,则效率将无法得到保障[94-95]。人工智能及大数据技术为突破变电设备状态感知瓶颈带来了全新的解决思路和技术手段。
文献[96]研究了基于大数据挖据分析的设备评估诊断,运检大数据规划建模技术,及数据跨平台抓取与异构数据量化融合转换技术等,总结了大数据关键技术及研究思路;文献[97]针对电力变压器状态检修,总结了基于人工智能驱动的分析技术应用,充分说明专家系统、不确定性推理、机器学习及智能优化计算技术,能够在多源异构数据的处理与挖掘、全面准确的运行状态评估与预测以及综合检修决策的建模与优化等应用场景发挥重要作用;文献[98]回顾了人工智能在输变电设备运维检修业务中的关键技术和应用现状,总结了各类典型运维场景中的人工智能应用进展与困难。
在电网业务人工智能辅助决策中,诸多问题仍需解决。数据质量、壁垒、不均衡问题突出,缺乏统一标准的感知数据管理流程[96]。通过大、云、物、移、智、链等信息技术,强化管控平台信息集成、数据分析及信息流转能力,建立基于管控平台的生产指挥决策体系,可以实时掌握设备状态,全面管控运检资源,实现决策指令、现场信息在运检管控中心和生产现场实时交互,从而大幅提高运检指挥决策与现场执行效率。通过云边协同,提高边缘计算能力,实现数据的实时、动态分析和优化控制。采用差异化保护策略、危机缺陷就地处理,最终形成资源协同、数据协同和业务协同的局面。
3.4智能传感器性能检测校验体系电力系统智能传感器的使用环境严酷,大大提高了对其性能和可靠性的要求,为保证感知设备及装置感知的有效性及准确性,需开展检测性能、取电性能、可靠性、通信一致性等一系列性能测试工作。
但是,多数电力智能传感器无法沿用已发布的在线监测装置检测标准,智能传感器标准体系仍需完善;智能传感器种类繁多,检测项目繁杂,检测效率无法得到保证,检测流程需要更加自动化、智能化;检测环境需贴近应用场景,可通过真型变电设备试验平台模拟实际运行条件下的典型缺陷,从而验证变电设备物联网技术各个功能模块的有效性。
完善感知装置检测标准体系,完善完整的可靠性评估与试验方法,实现智能传感器检测校验,全面建设实验室检测能力,是提升状态感知性能的必然趋势。
4结论当前电网规模不断扩大,设备可靠性要求不断提升,运维人力投入总量受限,资产管理效益要求越来越高,变电设备状态感知策略在不断发展演变,各类感知技术也不断扩展,逐渐向电力应用场景全面覆盖方向发展。通过本文的研究,得到以下结论：
1）电、声、光、化、热等物理量的感知技术在电网设备运维已广泛应用多年,设备感知系统的安全性、可靠性、稳定性直接影响着设备运维策略的有效性。目前各类传感技术应用繁多,效果参差不齐,变电设备故障频发,智能传感技术有广阔的应用需求和发展前景。
2）现有的设备感知终端安装数量总体有限,传感器间数据缺乏共享贯通,装置功耗大、成本高、可靠性不高,感知层基础研究不够深入,难以支撑电网运行管理“全面感知”的应用需求。
3）传感器与设备本体一体化融合设计成为发展趋势,感知装置向全面感知、低功耗、模块化、标准化、安全高效通信和高可靠性发展。融合无人机、机器人等智能装备的巡检技术,将和一体化的设备传感一起形成设备的全方位、立体智能感知体系。
4）针对电网设备安全管控、效益提升等多元综合目标,基于统一数据平台,采用云边协同、人工智能算法的设备运维决策体系成为发展方向。新一代设备智能管控体系应满足设备状态的全面感知、业务数据的相互贯通、信息传输的安全高效、运行风险的主动预警等应用需求,实现多目标优化下的设备管理智能决策。
参考文献[1]国家电网公司运维检修部.电网设备带电检测技术[M].北京:中国电力出版社,2014:1-10.OperationandMaintenanceDepartmentofStateGridCorporationofChina.Onlinedetectiontechnologyofpowergridequipment[M].Beijing,China:ChinaElectricPowerPress,2014:1-10[2]刘有为,王晓华,高文胜,等.智能高压设备[M].北京:中国电力出版社,2019:1-4.LIUYouwei,WANGXiaohua,GAOWensheng,etal.Smarthighvoltageequipment[M].Beijing,China:ChinaElectricPowerPress,2019:1-4.[3]梁英,律方成,李成榕,等.两种高精度FFT算法在介损测量中的应用[J].华北电力大学学报,2004(2):12-15.LIANGYing,LÜFangcheng,LIChengrong,etal.Applicationoftwohigh-accuracyFFTalgorithmstomeasuredielectricloss[J].JournalofNorthChinaElectricPowerUniversity,2004(2):12-15.[4]李妍,王庭华,朱立位,等.基于相对测量法的容性设备故障定位研究[J].绝缘材料,2015,48(5):69-72.LIYan,WANGTinghua,ZHULiwei,etal.Faultlocationstudyofcapacitiveequipmentbasedonrelativemeasurementmethod[J].InsulatingMaterials,2015,48(5):69-72.[5]董爽,李天云,王永,等.在线检测介质损耗角的矩阵束方法[J].电工技术学报,2015,30(18):229-236.DONGShuang,LITianyun,WANGYong,etal.Anon-linedetectionmethodofdielectriclossanglebasedonmatrixpencilalgorithm[J].TransactionsofChinaElectrotechnicalSociety,2015,30(18):229-236.[6]孙鹏,杨永越,刘黎明,等.基于Hanning卷积窗的DFT介质损耗角测量算法[J].电测与仪表,2014,51(16):73-77.SUNPeng,YANGYongyue,LIULiming,etal.ADFTdielectriclossanglemeasurementalgorithmbasedonHanningconvolutionwindow[J].ElectricalMeasurement&Instrumentation,2014,51(16):73-77.[7]龚林发,林瑞全,叶永市.一种基于改进相关函数法的介质损耗测量方法[J].电气技术,2020,21(3):108-112.GONGLinfa,LINRuiquan,YEYongshi.Amethodofmeasuringdielectriclossbasedonimprovedcorrelationfunctionmethod[J].ElectricalEngineering,2020,21(3):108-112.[8]王晓辉,朱永利,王艳,等.基于深度学习的电容器介损角在线辨识[J].电工技术学报,2017,32(15):145-152.WANGXiaohui,ZHUYongli,WANGYan,etal.Onlineidentificationmethodofpowercapacitordielectriclossanglebasedondeeplearning[J].TransactionsofChinaElectrotechnicalSociety,2017,32(15):145-152.[9]陈思凡,陈灏泽,付正洲,等.一起220kV变压器高压套管末屏绝缘数据异常事件分析与处理[J].通信电源技术,2020,37(5):283-284.CHENSifan,CHENHaoze,FUZhengzhou,etal.Analysisandtreatmentofanabnormaleventofinsulationdataoftheendshieldofthehighvoltagebushingof220kVtransformer[J].TelecomPowerTechnology,2020,37(5):283-284.[10]许广虎,郑义,苑龙祥,等.一起750kV电抗器高压套管故障的处理与分析[J].变压器,2018,55(5):72-76.XUGuanghu,ZHENGYi,YUANLongxiangetal.Analysisandtreatmentof750kVreactorbushingfailure[J].Transformer,2018,55(5):72-76.[11]黄育龙,黄绪煜,陈志平.高压穿墙套管带电测试及典型缺陷分析[J].电工材料,2019(6):20-22.HUANGYulong,HUANGXuyu,CHENZhiping.Livetestandtypicaldefectanalysisofhighpressurewallbushing[J].ElectricalEngineeringMaterials,2019(6):20-22.[12]李国富,樊力.无间隙氧化锌避雷器电阻片电压分布的计算[J].电网技术,1998,22(7):31-34.LIGuofu,FANLi.ComputationofvaristorvoltagedistributionforMOAs[J].PowerSystemTechnology,1998,22(7):31-34.[13]颜湘莲,王文华.氧化锌避雷器阻性电流提取算法探讨[J].电力设备,2006(2):61-63.YANXianglian,WANGWenhua.DiscussiononextractionalgorithmofresistancecurrentforMOA[J].ElectricalEquipment,2006(2):61-63.[14]黄海宏,颜碧琛,赵常威,等.氧化锌避雷器泄漏电流检测的优化FFT分析[J].电子测量与仪器学报,2019,33(4):87-94.HUANGHaihong,YANBichen,ZHAOChangwei,etal.OptimizedFFTanalysisforleakagecurrentdetectionofzincoxidearrester[J].JournalofElectronicMeasurementandInstrument,2019,33(4):87-94.[15]葛亮,郝明杰,王宇,等.一起500kV金属氧化物避雷器异常分析及处理[J].现代工业经济和信息化,2016,6(21):54-56.GELiang,HAOMingjie,WANGYu,etal.Abnormalanalysisandtreatmentofa500kVmetaloxidearrester[J].ModernIndustrialEconomyandInformationization,2016,6(21):54-56.[16]王湛鈞.一起110kV氧化锌避雷器泄露电流超标的原因分析[J].通信电源技术,2018,35(8):269-270.WANGZhanjun.Analysisonthereasonofexceedingtheleakagecurrentfor110kVzincoxidearrester[J].TelecomPowerTechnology,2018,35(8):269-270.[17]雷战斐,柴斌,武嘉薇,等.一起换流变压器铁芯泄漏电流异常分析及处理[J].宁夏电力,2019(2):46-50.LEIZhanfei,CHAIBin,WUJiawei,etal.Analysisandtreatmentofabnormalleakagecurrentinaconvertertransformercore[J].NingxiaElectricPower,2019(2):46-50.[18]崔闻雯.变压器铁芯接地电流在线监测装置的设计[D].大连:大连交通大学,2018.CUIWenwen.Designofon-linemonitoringdeviceforgroundingcurrentoftransformercore[D].Dalian,China:DalianJiaotongUniversity,2018.[19]张重远,罗世豪,岳浩天,等.基于Mel时频谱-卷积神经网络的变压器铁芯声纹模式识别方法[J].高电压技术,2020,46(2):413-423.ZHANGZhongyuan,LUOShihao,YUEHaotian,etal.PatternrecognitionofacousticsignalsoftransformercorebasedonMel-spectrumandCNN[J].HighVoltageEngineering,2020,46(2):413-423.[20]陈孝信,钱勇,许永鹏,等.基于脉冲源的高频电流传感器传输阻抗测量新方法[J].电力自动化设备,2019,39(3):120-124.CHENXiaoxin,QIANYong,XUYongpeng,etal.Anovelpulse-source-basedmethodformeasuringtransferimpedanceofhighfrequencycurrentsensor[J].ElectricPowerAutomationEquipment,2019,39(3):120-124.[21]王晓文,钟晓宇.电气设备局部放电检测方法综述[J].沈阳工程学院学报(自然科学版),2017,13(4):331-339.WANGXiaowen,ZHONGXiaoyu.Reviewonpartialdischargedetectionmethodsforelectricalequipment[J].JournalofShenyangInstituteofEngineering(NaturalScience),2017,13(4):331-339.[22]杨海龙,谢怡,高超,等.多种局放检测技术对220kVGIS设备内部放电缺陷的综合诊断与实例分析[J].电工技术,2018(5):84-86.YANGHailong,XIEYi,GAOChao,etal.Comprehensivediagnosticandcaseanalysisof220kVGISinternaldischargedefectsbasedonvariousPDdetectiontechniques[J].ElectricEngineering,2018(5):84-86.[23]刘彦琴,刘君,周波,等.声电联合法在主变局放缺陷定位中的现场应用[J].高压电器,2018,54(11):239-244.LIUYanqin,LIUJun,ZHOUBo,etal.Fieldapplicationofacoustic-electricalcombinationmethodinthePDdefectlocationofmaintransformer[J].HighVoltageApparatus,2018,54(11):239-244.[24]余长厅,黎大健,陈梁远,等.基于声纹及振动的变压器故障诊断技术研究[J].高压电器,2019,55(11):248-254.YUZhangting,LIDajian,CHENLiangyuan,etal.Transformerfaultdiagnosistechniquebasedonvoiceprintandvibration[J].HighVoltageApparatus,2019,55(11):248-254.[25]张磊,黎大健,余长厅,等.基于声成像技术的变电站电力设备噪声源识别[J].广西电力,2019,42(3):62-64.ZHANGLei,LIDajian,YUZhangting,etal.Thenoisesourcesidentificationofsubstationpowerequipmentbasedonacousticimagingtechnology[J].GuangxiElectricPower,2019,42(3):62-64.[26]罗超,查智明,姚为方.基于声成像技术的变电站主变噪声识别及其特性研究[J].变压器,2013,50(11):51-53.LUOChao,ZHAZhiming,YAOWeifang.Noiseidentificationandcharacteristicsresearchofmaintransformerinsubstationbasedonacousticimagingtechnology[J].Transformer,2013,50(11):51-53.[27]王昌长,李福祺,高胜友,等.电力设备的在线监测与故障诊断[M].北京:清华大学出版社,2006:133-136.WANGChangchang,LIFuqi,GAOShengyou,etal.On-linemonitoringanddiagnosisforpowerequipment[M].Beijing,China:ChinaElectricPowerPress,2006:133-136.[28]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(2):27-33.LIUYunpeng,PEIShaotong,WUJianhua,etal.Deeplearningbasedtargetdetectionmethodforabnormalhotspotsinfraredimagesoftransmissionandtransformationequipment[J].SouthernPowerSystemTechnology,2019,13(2):27-33.[29]律方成,戴日俊,王胜辉,等.基于紫外成像图像信息的绝缘子表面放电量化方法[J].电工技术学报,2012,27(2):261-268.LÜFangcheng,DAIRijun,WANGShenghui,etal.Studyofinsulatorsurfacedischargequantificationmethodbasedonultravioletimagingimageinform[J].TransactionsofChinaElectrotechnicalSociety,2012,27(2):261-268.[30]张勇,李昕,刘君华,等.数据融合新技术在识别变压器油中四种特征气体的研究[J].中国电机工程学报,2001,21(8):11-15.ZHANGYong,LIXin,LIUJunhua,etal.Anewdatumfusiontechniqueforpatternrecognitionoffourcharacteristicgasesintransformeroil[j].ProceedingsoftheCSEE,2001,21(8):11-15.[31]王海蓉,徐阳,赵俊磊.基于SF6气体状态分析的SF6断路器在线监测和故障诊断[J].电气开关,2011,49(3):44-47.WANGHairong,XUYang,ZHAOJunlei.On-linemonitoringandfaultdiagnosisofSF6circuitbreakersbasedongasstateanalysis.ElectricSwitchgear[J].ElectricSwicthgear,2011,49(3):44-47.[32]吕超.SF6断路器状态监测与故障诊断的研究[D].哈尔滨:哈尔滨工业大学,2007.LÜChao.ResearchonthemonitoringandfaultdiagnosisforSF6circuitbreakers[D].Harbin,China:HarbinUniversityofTechnology,2007.[33]唐峰,刘顺桂,吕启深,等.基于量子级联激光的大区域SF6泄露实时检测[J].光子学报,2019,48(10):193-202.TANGFeng,LIUShungui,LÜQishen,etal.Real-timedetectionofSF6leakageareabasedonquantumcascadelaser[J].ActaPhotonicaSinica,2019,48(10):193-202.[34]林金梅,潘锋,李茂东,等.光纤传感器研究[J].自动化仪表,2020,41(1):37-41.LINJinmei,PANFeng,LIMaodong,etal.Researchonopticalfibersensors[J].ProcessAutomationInstrumentation,2020,41(1):37-41.[35]仝杰,雷煜卿,刘国华,等.微型电场传感器在工频电场测量中的应用研究[J].电子与信息学报,2018,40(12):3036-3041.TONGJie,LEIYuqing,LIUGuohua,etal.Power-frequencyelectricfieldmeasurementusingamicromachinedelectricfieldsensor[J].JournalofElectronics&InformationTechnology,2018,40(12):3036-3041.[36]MAQ,HUANGK,YUZ,etal.AMEMS-basedelectricfieldsensorformeasurementofhigh-voltageDCsyntheticfieldsinair[J].SensorsJournalIEEE,2017,17(23):7866-7876.[37]王德才.电线电压与电流非接触检测技术研究[D].重庆:重庆大学,2018.WANGDecai.Studyonnon-contactdetectingtechnologyforelectricpowerline-voltageandcurrent[D].Chongqing,China:ChongqingUniversity,2018.[38]储昭志,彭春荣,任仁,等.一种扭转谐振式MEMS电场传感器[J].传感器与微系统,2019,38(6):83-85.CHUZhaozhi,PENGChunrong,RENRen,etal.AMEMS-basedelectricfieldsensorwithtorsionalresonance[J].TransducerandMicrosystemTechnologies,2019,38(6):83-85.[39]XUEF,HUJ,GUOY,etal.Piezoelectric-piezoresistivecouplingMEMSsensorsformeasurementofelectricfieldsofbroadbandwidthandlargedynamicrange[J].IEEETransactionsonIndustrialElectronics,2019:67(1):551-559.[40]杨庆,孙尚鹏,司马文霞,等.面向智能电网的先进电压电流传感方法研究进展[J].高电压技术,2019,45(2):349-367.YANGQing,SUNShangpeng,SIMAWenxia,etal.Progressofadvancedvoltage/currentsensingtechniquesforsmartgrid[J].HighVoltageEngineering,2019,45(2):349-367.[41]BAIBICHM,BROTOM,FERTA,etal.Giantmagneto-resistanceof(100)Fe/(100)Crmagneticsuperlattices[J].PhysicalReviewLetters,1988,61(21):2472-2475.[42]RIPKAP.Electriccurrentsensors:areview[J].MeasurementScience&Technology,2010,21(11):112001.[43]李忠晶,鞠登峰,周兴,等.基于巨磁电阻传感器的微弱电流测量方法研究[J].电测与仪表,2016,53(15):28-32.LIZhongjing,JUDengfeng,ZHOUXing,etal.Researchonweakcurrentmeasuringmethodbasedongiantmagneto-resistancesensor[J].ElectricalMeasurement&Instrumentation,2016,53(15):28-32.[44]王婧怡,钱政,王现伟.巨磁阻传感器动态特性测量方法的研究[J].电测与仪表,2016,53(1):38-42.WANGJingyi,QIANZheng,WANGXianwei.Researchonmeasurementmethodappliedonthedynamiccharacteristicsofgiantmagneto-resistancesensor[J].ElectricalMeasurement&Instrumentation,2016,53(1):38-42.[45]OUYANGY,HEJ,HUJ,etal.Acurrentsensorbasedonthegiantmagnetoresistanceeffect:designandpotentialsmartgridapplications[J].Sensors,2012,12(12):15520-15541.[46]ELMATBOLYO,HOMAIFARA,ZOLGHADRIM.Giantmagnetoresistivesensingofcriticalpowersystemparameter[C]∥31stAnnualConferenceofIEEEIndustrialElectronicsSociety.NorthCarolina,USA:IEEE,2005:6.[47]REIGC,CUBELLS-BELTRANMD,MUÑOZDR.Magneticfieldsensorsbasedongiantmagnetoresistance(GMR)technology:applicationsinelectricalcurrentsensing[J].Sensors,2009,9(10):7919-7942.[48]DABEKM,WISNIOWSKIP.Dynamicresponseoftunnelingmagnetoresistancesensorstonanosecondcurrentstep[J].Sensors&ActuatorsaPhysical,2015,232:148-150.[49]MICHAD,PIOTRWN,TOMASZS,etal.Sensitivityand3dBbandwidthinsingleandseries-connectedtunnelingmagnetoresistivesensors[J].Sensors,2016,16(11):1821.[50]SINGHRP,KHAMBADKONEAM.Giantmagnetoresistive(GMR)effectbasedcurrentsensingtechniqueforDC/DCconverters[C]∥33rdAnnualConferenceoftheIEEEIndustrialElectronicsSociety.[S.l.]:IEEE,2007:1420-1425[51]SINGHRP,KHAMBADKONEAM.Giantmagnetoresistive(GMR)effectbasedcurrentsensingtechniqueforlowvoltage/highcurrentvoltageregulatormodules[J].IEEETransactionsonPowerElectronics.2008,23(2):915-925[52]何金良,嵇士杰,刘俊,等.基于巨磁电阻效应的电流传感器技术及在智能电网中的应用前景[J].电网技术,2011,25(5):8-14.HEJinliang,JIShijie,LIUJun,etal.Reviewofcurrentsensortechnologybasedongiantmagnetoresistiveeffectandpossibleapplicationsforsmartgrids[J].PowerSystemTechnology,2011,25(5):8-14.[53]OUYANGY,HEJ,HUJ,etal.Acurrentsensorbasedonthegiantmagnetoresistanceeffect:designandpotentialsmartgridapplications[J].Sensors,2012,12(12):15520-15541.[54]BAZZOCCHIR,RIENZOLD.Rienzo.Interferencerejectionalgorithmforcurrentmeasurementusingmagneticsensorarrays[J].SensorsandActuatorsA:Physical,2000,85(1/3):38-41.[55]王敬,耿英三,王建华,等.基于卡尔曼滤波的磁传感器阵列电流测量[J].电力系统自动化,2005,29(24):45-49.WANGJing,GENGYingsan,WANGJianhua,etal.ElectriccurrentmeasurementusingmagneticsensorarraybasedonKalmanfiltering[J].AutomationofElectricPowerSystems,2005,29(24):45-49.[56]HAOY,ZHENGQ,LIUH,etal.Circulararrayofmagneticsensorsforcurrentmeasurement:analysisforerrorcausedbypositionofconductor[J].Sensors,2018,18(2):578.[57]MLEJNEKP,VOPALENSKYM,RIPKAP.AMRcurrentmeasurementdevice[J].SensorsandActuatorsA,2008,141(2):649-653.[58]RIPKAP,CHIRTSOVA.Influenceofexternalcurrentonyokelesselectriccurrenttransducers[J].IEEETransactionsonMagnetics,2017,53(11):1-4.[59]唐志国,李成榕,常文治,等.变压器局部放电定位技术及新兴UHF方法的关键问题[J].南方电网技术,2008,2(1):36-40.TANGZhiguo,LIChengrong,CHANGWenzhi,etal.ThepartialdischargelocationtechnologyofpowertransformerandthekeyissuesofnewlydevelopedUHFmethod[J].SouthernPowerSystemTechnology,2008,2(1):36-40.[60]李沐,冯新岩,蔄晓琨.基于TDOA和TS-PSO的变压器特高频局部放电空间定位方法[J].中国电机工程学报,2019,39(6):1834-1842.LIMu,FENGXinyan,MANXiaokun.AtransformerpartialdischargeUHFlocalizationmethodbasedonTDOAandTS-PSO[J].ProceedingsoftheCSEE,2019,39(6):1834-1842.[61]侯慧娟,盛戈皞,苗培青,等.基于超高频电磁波的变电站局部放电空间定位[J].高电压技术,2012,38(6):1334-1340.HOUHuijuan,SHENGGehao,MIAOPeiqing,etal.Partialdischargelocationbasedonradiofrequencyantennaarrayinsubstation[J].HighVoltageEngineering,2012,38(6):1334-1340.[62]叶海峰,钱勇,刘宗杰,等.一种新型的放电源空间定位用特高频传感器[J].电工技术学报,2015,30(8):333-340.YEHaifeng,QIANYong,LIUZongjie,etal.AnewUHFsensorforspatiallocationofpartialdischargesources[J].TransactionsofChinaElectrotechnicalSociety,2015,30(8):333-340.[63]张冠军,朱明晓,王彦博,等.基于可移动特高频天线阵列的变电站站域放电源检测与定位研究[J].中国电机工程学报,2017,37(10):2761-2773.ZHANGGuanjun,ZHUMingxiao,WANGYanbo,etal.DetectionandlocalizationofdischargesourcesinsubstationareausingmovableUHFantennaarray[J].ProceedingsoftheCSEE,2017,37(10):2761-2773.[64]刘青,朱明晓,王彦博,等.基于特高频相控阵原理的变电站站域局部放电测向方法[J].中国电机工程学报,2017,37(20):6126-6135.LIUQing,ZHUMingxiao,WANGYanbo,etal.Partialdischargeorientationmethodinsubstationbasedonultra-highfrequencyphasedarraytheory[J].ProceedingsoftheCSEE,2017,37(20):6126-6135.[65]刘嘉贻.基于相控阵技术的局部放电空间定位及成像技术研究[D].武汉:华中科技大学,2019.LIUJiayi.Studyonspatiallocalizationandimagingofpartialdischargebasedonphasedarraytechnology[D].Wuhan,China:HuazhongUniversityofScienceandTechnology,2019.[66]朱明晓,刘青,王彦博,等.基于平面相交法的敞开式变电站多源局部放电定位方法[J].高电压技术,2018,44(9):2970-2976.ZHUMingxiao,LIUQing,WANGYanbo,etal.Localizationmethodformultiplepartialdischargesourcesinair-insulatedsubstationbyusingplaneintersectionmethod[J].HighVoltageEngineering,2018,44(9):2970-2976.[67]罗维,金雷,周凯,等.基于单乙炔测量的变压器真空有载分接开关状态监测[J].变压器,2019,56(11):45-48.LUOWei,JINLei,ZHOUKai,etal.ConditionmonitoringofvacuumOLTCoftransformerbasedonmeasurementofacetylene[J].Transformer,2019,56(11):45-48.[68]樊家昊.基于振动分析的有载分接开关机械状态监测研究[D].上海:上海电力大学,2019.FANJiahao.Mechanicalconditionmonitoringofon-loadtap-changerbasedonvibrationanalysis[D].Shanghai,China:ShanghaiUniversityofElectricPower,2019.[69]赵彤,张黎,李庆民.OLTC振动信号的多维空间相轨图几何特征[J].高电压技术,2007,33(8):102-105.ZHAOTong,ZHANGLi,LIQingmin.Featureanalysismethodologyforphaseportraitstructureofmechanicalvibrationsignalsofon-loadtapchangersinmultidimensionalspace[J].HighVoltageEngineering,2007,33(8):102-105.[70]蒋西平,王谦,吴高林,等.基于声振动分析技术的OLTC机械状态特征诊断方法研究[J].变压器,2019,56(1):34-40.JIANGXiping,WANGQian,WUGaolin,etal.Researchonmethodofmechanicalstatecharacteristicsdiagnosisbasedonvibrationanalysistechnologyforon-loadtapchanger[J].Transformer,2019,56(1):34-40.[71]赵彤.有载分接开关机械状态的在线监测与故障诊断技术研究[D].济南:山东大学,2008.ZHAOTong.Studiesonon-linemonitoringandfaultdiagnosticsformechanicalconditionofon-loadtapchangers[D].Jinan,China:ShandongUniversity,2008.[72]徐晨博,王丰华,傅坚,等.变压器有载分接开关振动测试系统设计与开发[J].仪器仪表学报,2013,34(5):987-993.XUChenbo,WANGFenghua,FUJian,etal.Designanddevelopmentofvibrationtestsystemforpowertransformeron-loadtapchanger[J].ChineseJournalofScientificInstrument,2013,34(5):987-993.[73]陈徐晶.电力变压器有载分接开关在线监测技术研究[D].上海:上海交通大学,2013.CHENXujing.Researchonon-linemonitoringandfaultdiagnosistechniquesforon-loadtapchangerscharacteristics[D].Shanghai,China:ShanghaiJiaoTongUniversity,2013.[74]周翔,王丰华,傅坚,等.基于混沌理论和K-means聚类的有载分接开关机械状态监测[J].中国电机工程学报,2015,35(6):1541-1548.ZHOUXiang,WANGFenghua,FUJian,etal.Mechanicalconditionmonitoringofon-loadtapchangersbasedonchaostheoryandK-meansclusteringmethod[J].ProceedingsoftheCSEE,2015,35(6):1541-1548.[75]黄艺娜.基于特征分析的变压器分接开关状态监测系统[J].装备制造技术,2019(6):89-92.HUANGYina.Designandanalysisofon-loadtapchangersconditionmonitoringsystem[J].ElectrotechnicalApplication,2019(6):89-92.[76]王开明,束洪春,曹立平,等.基于相关性分析的OLTC运行状态评价方法研究[J].电力系统保护与控制,2015,43(19):54-59.WANGKaiming,SHUHongchun,CAOLiping,etal.StudyofOLTCrunningstateevaluationmethodbasedoncorrelationanalysis[J].PowerSystemProtectionandControl,2015,43(19):54-59.[77]曾全昊,王丰华,郑一鸣,等.基于卷积神经网络的变压器有载分接开关故障识别[J].电力系统自动化,2020,44(11):1-11.CENGQuanhao,WANGFenghua,ZHENGYiming,etal.Faultrecognitionofon-loadtap-changerofpowertransformerbasedonconvolutionalneuralnetwork[J].AutomationofElectricPowerSystems,2020,44(11):1-11.[78]DERYBELT,SINGHA,VANDERMAARJA,etal.Apparatusforonlinepowertransformerwindingmonitoringusingbushingtapinjection[J].IEEETransactionsonPowerDelivery,2009,24(3):996-1003.[79]SETAYESHMEHRA,AKBARIA,BORSIH,etal.On-linemonitoringanddiagnosesofpowertransformerbushings[J].IEEETransactionsonDielectrics&ElectricalInsulation,2006,13(3):608-615.[80]姚周飞,张思良,尹毅,等.变压器在线频响法关键技术研究与实验分析[J].华东电力,2014,42(6):1164-1167.YAOZhoufei,ZHANGSiliang,YINYi,etal.Keytechnologyresearchandexperimentalanalysisoftransformeronlinefrequencyresponse[J].EastChinaElectricPower,2014,42(6):1164-1167.[81]赵仲勇,姚陈果,李成祥,等.基于短时Fourier变换的变压器绕组变形脉冲频率响应曲线获取方法[J].高电压技术,2016,42(1):241-247.ZHAOZhongyong,YAOChenguo,LIChengxiang,etal.Methodforobtainingtheimpulsefrequencyresponsecurvesofpowertransformerwindingdeformationbasedonshorttimefouriertransform[J].HighVoltageEngineering,2016,42(1):241-247.[82]廖巨成,王晓峰,徐菁,等.基于连续小波变换获取变压器绕组变形脉冲频率响应曲线的方法[J].电气应用,2019,38(12):121-127.LIAOJucheng,WANGXiaofeng,XUJing,etal.Methodofobtainingimpulsefrequencyresponsesignatureoftransformerwindingdeformationbasedoncontinuouswavelettransform[J].ElectrotechnicalApplication,2019,38(12):121-127.[83]张重远,胡焕,程槐号,等.基于FEM的频率响应法检测电力变压器绕组变形的仿真研究[J].变压器,2017,54(10):19-27.ZHANGZhongyuan,HUHuan,CHENGHuaihao,etal.SimulationresearchondetectionofwindingdeformationofpowertransformerwithfrequencyresponsemethodbasedonFEM[J].Transformer,2017,54(10):19-27.[84]刘宝稳,马宏忠,李凯,等.大型变压器绕组轴向固有频率振动分布特性与试验分析[J].高电压技术,2016,42(7):2329-2337.LIUBaowen,MAHongzhong,LIKai,etal.Distributioncharacteristicsandexperimentalanalysisofnaturalfrequencyvibrationoflargetransformerwinding[J].HighVoltageEngineering,2016,42(7):2329-2337.[85]丛培杰,曲德宇,易鹭,等.振动分析法在变压器绕组变形检测中的应用[J].变压器,2018,55(11):51-55.CONGPeijie,QUDeyu,YILu,etal.Applicationresearchofvibrationanalysismethodindetectingtransformerwindingdeformation[J].Transformer,2018,55(11):51-55.[86]徐建源,陈彦文,李辉,等.基于短路电抗与振动信号联合分析的变压器绕组变形诊断[J].高电压技术,2017,43(6):2001-2006.XUJianyuan,CHENYanwen,LIHui,etal.Transformerwindingdeformationanalysisbasedonshort-circuitreactanceandvibrationsignalanalysis[J].HighVoltageEngineering,2017,43(6):2001-2006.[87]GARCIAB,BURGOSJC,ALONSOAM.Transformertankvibrationmodelingasamethodofdetectingwindingdeformations-partII:experimentalverification[J].IEEETransactionsonPowerDelivery,2005,21(1):164-169.[88]田源.基于分布式光纤传感的变压器绕组变形检测方法研究[D].北京:华北电力大学,2019.TIANYuan.Researchontransformerwindingdeformationdetectionmethodbasedondistributedopticalfibersensing[D].Beijing,China:NorthChinaElectricPowerUniversity,2019.[89]张显聪,徐洋,王勇,等.电容式套管局部放电的末屏地线UHF传感[J].高压电器,2016,52(2):62-67.ZHANGXiancong,XUYang,WANGYong,etal.UHFsensingofpartialdischargeincondensertypebushingfromendshieldgroundingtap[J].HighVoltageApparatus,2016,52(2):62-67.[90]胡涛.用于变压器在线监测的多功能传感器研究[D].北京:华北电力大学,2016.HUTao.Researchofmultifunctionalsensorusedfortransformeronlinemonitoring[D].Beijing,China:NorthChinaElectricPowerUniversity,2016.[91]许渊,刘卫东,陈维江,等.交流GIS绝缘子表面亚毫米级金属颗粒的运动和局部放电特性[J].中国电机工程学报,2019,39(14):4315-4324,4334.XUNYuan,LIUWeidong,CHENWeijiang,etal.MotioncharacteristicsandpartialdischargecharacteristicsofsubmillimetermetalparticlesonthesurfaceofACGISspacer[J].ProceedingsoftheCSEE,2019,39(14):4315-4324,4334.[92]许渊,刘卫东,陈维江,等.运行工况下交流GIS绝缘子表面微金属颗粒运动诱发沿面闪络的研究[J].电网技术,2020,44(4):1596-1602.XUNYuan,LIUWeidong,CHENWeijiang,etal.StudyonthedevelopmentofsurfaceflashoveriInducedbythemotionofmicro-metalparticleonthesurfaceofACGISspacersunderoperationcondition[J].Powersystemtechnology,2020,44(4):1596-1602.[93]彭向阳,金亮,王锐,等.变电站机器人智能巡检技术及应用效果[J].高压电器,2019,55(4):223-232.PENGXiangyang,JINLiang,WANGRui,etal.Substationrobotintelligentinspectiontechnologyanditsapplication[J].HighVoltageApparatus,2019,55(4):223-232.[94]吕继伟.基于泛在电力物联网的换流站在线监测系统优化综述[J].电力工程技术,2019,38(6):9-15.LÜJiwei.OptimizationsurveyofonlinemonitoringsystemforconverterstationbasedonubiquitouspowerIoT[J].ElectricPowerEngineeringTechnology,2019,38(6):9-15.[95]江秀臣,盛戈皞.电力设备状态大数据分析的研究和应用[J].高电压技术,2018,44(4):1041-1050.JIANGXiuchen,SHENGGehao.Researchandapplicationofbigdataanalysisofpowerequipmentcondition[J].HighVoltageEngineering,2018,44(4):1041-1050.[96]陈敬德,盛戈皞,吴继健,等.大数据技术在智能电网中的应用现状及展望[J].高压电器,2018,54(1):35-43.CHENJingde,SHENGGehao,WUJijian,etal.Applicationstatusandprospectofbigdatatechnologyinsmartgrid[J].HighVoltageApparatus,2018,54(1):35-43.[97]刘云鹏,许自强,李刚,等.人工智能驱动的数据分析技术在电力变压器状态检修中的应用综述[J].高电压技术,2019,45(2):337-348.LIUYunpeng,XUZiqiang,LIGang,etal.Reviewonapplicationsofartificialintelligencedrivendataanalysistechnologyinconditionbasedmaintenanceofpowertransformers[J].HighVoltageEngineering,2019,45(2):337-348.[98]蒲天骄,乔骥,韩笑,等.人工智能技术在电力设备运维检修中的研究及应用[J].高电压技术,2020,46(2):369-383.PUTianjiao,QIAOJi,HANXiao,etal.Researchandapplicationofartificialintelligenceinoperationandmaintenanceforpowerequipment[J].HighVoltageEngineering,2020,46(2):369-383.领先的智能感知技术应用于工业人工智能
工业机器视觉、机器人、人工智能技术的发展正配合着政府的智能制造计划向前推进，图像传感器是其中的关键技术，其在工业中的应用很广，包括智能交通、高端安防监控、电影拍摄、医疗影像、生物识别、天文相机，以及常见的机器视觉在工业自动化生产的应用，不同的应用对图像的分辨率、清晰度、噪声、以及相机的帧率、系统成本等都有不同的要求，同时工业中人工智能应用的发展给图像传感器带来了更高的挑战，包括推动了全局快门性能、高速拍摄、大分辨率、使用不可见光谱区域和三维体积深度提供的信息进行关键推断，以及神经网络处理的发展。安森美半导体是工业机器视觉的领袖之一，具备全方位的产品阵容并不断开发出领先的技术，解决上述挑战并推动创新。
高效的工业生产需要机器视觉给出快速又精准的决策
在生产线上用于测量的相机要能快速判断液位、尺寸，用来定位的相机系统要能快速准确的给出正确的物品位置，及时通知机械手臂在哪里寻找抓取物品，用作计件检验的相机系统要能够快速计算出数量，是否溢出，用作解码识别的相机系统要能够快速准确识别二维码，字符信息等。相机系统做出快速精准决策的关键就是图像能够清晰准确的提供这些信息，不同的检测应用对图像的分辨率、清晰度、噪声、以及相机的帧率、系统成本等都有不同的要求。
随着工业自动化的发展，检测种类的多样性，驱使图像传感器不断的更新换代，工艺一直在突破提升。这个发展从安森美半导体的几代CMOS产品系列中可见一斑：在2005年推出的LUPA系列开始有了高速输出接口，接下来2010年推出的VITA系列在全局快门性能上有了很大了提升，支持卷帘快门和全局快门两种模式，在2014年推出的PYTHON系列增加了像素内图像矫正，有效的优化了全局快门传感器的噪声性能，2019年刚推出的XGS系列使用了减少节点的像素工艺对噪声和图像一致性更是有了飞跃般的提升，今后安森美半导体将会在工业级图像传感器使用背照式和堆栈式工艺来推动图像传感器的进一步发展。
随着工艺的提升，图像传感器的像元越来越小，但它却可以达到大尺寸像元的图像效果，这就使传感器的分辨率可以越做越大，带宽也越来越高，也推动了整体相机系统的提升和发展，来满足工业生产快速精确的推断和决策。
人工智能是新工具
快速精确的决策需求推动整个生态系统来实现高级数据收集和推断，提供了真正进入工业4.0的机会，人工智能(AI)正是需要的新工具，用来管理工业系统成像不断增长的数据集。AI可以通过自适应制造、自动质量控制、预测性维护等方案有效地应对当今制造业面临的挑战，如工厂中的PCB板检测、钣金缺陷检测、食品卫生检测、零部件均匀度检测、平板检测的应用中，工厂操作员的疲劳会影响对产品质量的一致性评估，但是机器视觉相机和深度学习解决了这个问题。如今，AI已用于60％以上的计算机视觉应用中，而AI在制造应用中的增长已超过50％年复合增长率。
工业中AI应用的发展给图像传感器带来了更高的挑战，包括推动了全局快门性能、高速拍摄、高分辨率、使用不可见光谱区域和三维体积深度提供的信息进行关键推断，以及神经网络处理的发展。
全局快门：实现高速视觉成像的关键
图1：卷帘快门vs.全局快门
传统的卷帘快门图像传感器可为静态或慢速移动的物体成像提供出色的灵敏度。但全局快门在检测快速移动物体的工业应用中至关重要。如高速装配线的机器视觉检测之类的任务需要准确的判断，全局快门图像传感器通过完全同时同步曝光捕获所有像素，来消除使用卷帘快门传感器逐行曝光带来的空间失真变形的效果，正确还原了运动物体的真实样子，接下来才能进行强大的AI分类计算。如安森美半导体的全局快门图像传感器XGS2000，以220fps的速度捕获高质量、精确和快速移动的200万像素全局快门图像场景，可以为物流和工业扫描仪等不同场景下应用提供清晰、低噪声的图像。
高速也是快速移动物体检测的工业应用另一个至关重要点。高速装配线的机器视觉检查需要快速的帧率和较短的积分时间，可以使用短曝光和快速读出消除图像模糊的效果。工厂的视觉检测基本都是对应高速移动的物体，特别是工厂高速运转的生产线上，传送带的速度特别快，那么在最短的时间内成像读出数据，减少或消除拍摄图像中的运动模糊，才能利用AI算法实现正确的智能判断和快速决策。
市场对高分辨率的需求不断增长
越来越多的应用对分辨率有了很高的需求，例如手机/电视/电脑显示器的LCD、OLED屏幕检测。在这检测应用中，使用相机检测显示器的输出，以查找显示亮度的均匀性、颜色准确性、线条缺陷、颗粒缺陷等。这就要求检测相机提供非常高的图像质量和高度均匀性，以确保相机中的质量问题不会被误解为显示器中的产品缺陷。显示屏实际上都由红绿蓝等多个LED子像素组成，检测系统需要能够解析所有这些子像素，以便正确成像和显示并确认设备的质量，为提高检测的精度和可靠性，行业中通常会使用图像传感器靶面的3x3，或者4x4,甚至5x5个像元来识别显示屏设备的一个LED子像素，这就需要用到更多的传感器像元个数，并且随着显示器分辨率的不断提高-从传统高清到4k到8k甚至更高，检测相机所需的分辨率也在不断提高，才不会牺牲应用所需的高图像质量和均匀性，为AI算法的精度提供更可靠的数据支持。
又如另一个常见的工业成像应用是印刷电路板检测，以确认电路板组件上的集成元器件、电容器、电阻器等已正确安装并焊接到位。电路板的检测速度是受图像分辨率和帧率的组合影响，图像中能够捕获的电路板尺寸面积越大，一次可以检测的电路板就越多，图像能捕获的越快，检测的效率就越高。虽然当前市场上提供的图像传感器可以每秒输出约500或1400个像素的数据，但是安森美半导体的XGS45000可以以接近1900个像素/秒的速度捕获更多的图像数据用于算法判断，比竞争对手快3倍以上，图像数据宽度可以达8000个像素。高分辨率和高带宽的结合使这种检测应用的AI算法可以更快，更有效地执行，从而提高了制造过程的生产率。
再如用于监控或广播的影像应用，图像需求结合了上述性能，该应用对图像质量的要求非常高，市场对分辨率的需求也不断增长，从高清到4K到现在的8k，高分辨率提供了更强大的图像结构和细节可以看到宽视野的能力，还提供了用于AI分类的裁剪开窗的选项，来放大感兴趣的内容。安森美半导体的XGS45000图像传感器实际上具有比8k视频所需的分辨率更高，不仅可以使用少量裁切来提供8k视频，还由于XGS45000具有很高的带宽，它可以60帧每秒的速度提供8k视频以及完整的12位输出，满足了该应用所需的高分辨率、高带宽和高图像质量。
图2：XGS45000的演示效果
值得一提的是，安森美半导体也提供完整的参考设计X-Cube，基于X-class图像传感器系列，在1.1英寸光学格式提供1600万像素分辨率，提供用于机器视觉和ITS的29mmx29mm工业相机占位所需的成像细节和性能，且一个摄像机可支持多种分辨率，帮助设计人员加快开发。
图3：高分辨率X-Cube系统用于29mmx29mm相机设计
从仅捕获RGB信息和X,Y二维信息到添加深度信息或多光谱区域信息
除了图像传感器的性能提升，另外更为丰富的成像信息的集成也可以增强人工智能的性能，逐渐成为工业客户做出明智决策的关键。
通过对多种模式和AI处理的投资，也使得安森美半导体具备独特的优势，从仅提供三种红绿蓝(RGB)组成的成像系统发展到添加详细的光谱特征，这样可以在检测中看到RGB无法识别的地方。使用12比特位的图像数据，可以提高识别图像的精度，从仅提供x、y二维定位信息到使用结合了深度像元技术或毫米波雷达、激光雷达技术和图像融合后带来深度信息，可更深入地了解检测对象的全部体积大小高度等的信息，也就是深度学习。
所以现在图像传感器的开发正在从仅捕获RGB信息转移到新的形式，增强的数据集提供的信息将不仅仅是颜色和二维位置。图像传感器的厂家都在开发新技术以获取更可靠的深度信息或者多光谱区域信息。比如开发通过融合内部不同数据流的SuperDepth像元技术，开发通过有规律的结构，调制入射光振幅或相位的衍射光栅技术，开发基于单光子雪崩二极管(SPAD)和硅光电倍增管(SiPM)的传感器等方式来实现为图像提供更多的深度信息。
或者开发基于等离子体波导滤波片，或以法布里-珀罗（F-P)结构原理为基础的多通道分光滤光片制造技术实现在更多的光谱区域成像的超多光谱技术。
神经网络处理
随着人工智能的发展，分类系统设计需要功能强大的图像处理单元(GPU)或张量处理单元(TPU)神经网络处理器，因为训练和推理都需要大量计算，人工智能界正在面临前所未有的算力挑战，网络拓扑需要数亿个乘法和加法逻辑计算（MAC），需要数百万个卷积神经网络参数，就比如能实现分类/目标检测/语义分割等多目标任务的MobileNetV2结构就具有3亿个MAC计算和420万个参数，但这相对于ResNet微结构，已经是减少了9倍的计算量。
图4：AI用于机器视觉，识别水果新鲜度
训练过程由于涉及海量的大数据和复杂的深度神经网络结构，需要的计算规模非常庞大，通常需要GPU或云去完成，推断部署环节的计算量相比训练环节会少一些，但仍然涉及大量的矩阵运算，通常在边缘的高功率GPU/TPU上执行以实现低延迟。面对深度学习的训练和推断的算力需求，市场上大部分使用的是NVIDIA的GPU或google的TPU来实现。
AI的发展
要真正实现快速决策，AI也需要发展。如今，用于成像的AI决策已从云过渡到边缘再迁移到与成像系统本身。比如把AI的训练环节保留在GPU或云端，利用堆栈工艺可以将决策或甚至与之相关的一些预处理集成到图像传感器上，比如在传感器上集成用于图像识别的底层或者轻算力的卷积神经网络层，集成具有内存的数字矩阵乘法计算单元体系结构。这些AI功能集成在图像传感器中都将会实现，也已经有公司发布了内置人工智能引擎的图像传感器芯片。
如安森美半导体的融合了AI的水果新鲜度分类系统的演示，整个ECOsystem是基于安森美半导体的AR1335的相机和NVIDIAXavieredgeGPU,使用了TensorRT版本的MobileNetV2结构来处理分类新鲜和腐烂的苹果、橘子、香蕉等6类多达上万个CNN训练参数，可以识别三种水果及其新鲜度，这个系统的准确率达到97%以上。
小结
图像传感器的开发正在从仅提供RGB和二维坐标信息转移到新的更丰富的形式。图像传感器可提供更多类型的数据，无论是深度数据还是增加的光谱信息，以及AI合并这些数据集并实现高级决策，从而使系统能够通过新的测量和决策机会提供更快、更准确的结果。安森美半导体是工业机器视觉的领袖之一，以全方位的智能感知产品阵容和领先的技术，应对工业AI应用挑战并推进智能制造的创新。