《Processes》:A Hybrid CNN-SVM for Oil Leakage Detection in Transformer Monitoring
Wenbi Tan,
Tzer Hwai Gilbert Thio,
Fei Lu Siaw,
Youdong Jia,
Xinzhi Li,
Jiazai Yang and
Haijun Li
编辑推荐:
oil-immersed power transformers(油浸式电力变压器)中的油泄漏对电网可靠性构成重大威胁,若未能及时检测,可能导致严重的电气事故和环境污染。然而,户外油泄漏检测仍具挑战性,原因在于雾、湿度和降雨等天气条件的影响会掩盖泄漏迹象并增加实
oil-immersed power transformers(油浸式电力变压器)中的油泄漏对电网可靠性构成重大威胁,若未能及时检测,可能导致严重的电气事故和环境污染。然而,户外油泄漏检测仍具挑战性,原因在于雾、湿度和降雨等天气条件的影响会掩盖泄漏迹象并增加实时检测的复杂性。为应对这些挑战,研究人员提出了一种将红外热成像(Infrared Thermal Imaging, IRT)与CNN-SVM混合架构相结合的解决方案。该方法的核心在于从基于Softmax交叉熵的经验风险最小化(Empirical Risk Minimization, ERM)转向基于最大间隔的结构风险最小化(Structural Risk Minimization, SRM)。经过全面微调的MobileNetV3将低对比度、边界模糊的红外热图像(常受雾气和潮湿影响)映射至更具判别性的高维特征空间,使正负样本实现线性可分。随后,以线性SVM替代Softmax,并采用合页损失(hinge loss)强制施加间隔约束,从而最大化分类间隔并提升对输入扰动的鲁棒性。实验结果表明,所提方法优于所有对比模型,准确率达到0.990,显著高于ResNet50_BCE(0.908)、EfficientNetB0(0.925)、YOLOv11n-CLS(0.930)和ViT(0.929)。在F1分数(0.989)和AUC(0.995)方面,MobileNetV3-SVM亦展现出优异性能,确保了出色的分类能力。此外,模型推理延迟仅为6.3 ms,表现出卓越的实时推理性能,凸显其在变压器油监测应用中的潜力。该研究通过防止变压器油径流造成的工业水污染,有助于实现可持续发展目标6(SDG 6),从而保护偏远环境中的重要水源。
油浸式电力变压器作为输配电系统中的核心设备,其运行可靠性直接影响整个电网的稳定运行,而油泄漏是此类变压器最常见的故障类型之一。若未能及时检测和处理,油泄漏将导致变压器绝缘水平下降,可能引发短路、爆炸甚至火灾等严重事故,同时泄漏的绝缘油还会造成严重的土壤和水体污染。传统的人工巡检方式不仅耗时耗力,且易因人为疏漏而未能发现早期微小泄漏。近年来,计算机视觉技术在电网运维中的应用日益广泛,但现有研究主要依赖可见光监控技术,其物理原理存在局限性:夜间、低光照或恶劣天气条件下易失效。紫外荧光检测虽可检测微小泄漏,但仅夜间有效且设备昂贵。在数据驱动诊断领域,传统机器学习模型如决策树(Decision Tree, DT)和随机森林(Random Forest, RF)已广泛应用于溶解气体分析(Dissolved Gas Analysis, DGA)数据处理,梯度提升框架如XGBoost和LightGBM进一步提升了设备老化和热趋势预测精度,可解释人工智能(Explainable Artificial Intelligence, XAI)框架如SHAP(SHapley Additive exPlanations)也为诊断透明度提供了支持。然而,这些先进算法虽擅长处理结构化表格数据,却难以捕捉实时油泄漏识别所需的复杂空间-热分布模式。
针对上述问题,研究人员开展了基于红外热成像技术的变压器油泄漏检测研究。红外热成像通过捕获设备自身的热辐射梯度信号,克服了可见光和紫外荧光监控的局限,但在户外变电站场景中,浓雾、潮湿设备表面以及变压器油在金属上的润湿特性会散射热信号,导致泄漏区域边界模糊、"软化"。研究发现,基于Softmax函数的传统经验风险最小化模型易对此类像素级噪声过拟合。同时,深度学习在该领域面临严重数据稀缺和边缘计算能力有限的双重瓶颈:高质量反映变压器故障特征的数据极其稀缺,且监测算法需在计算能力有限的边缘设备上运行。因此,研究人员提出了一种轻量化检测框架,使用经过精细微调的MobileNetV3卷积神经网络(Convolutional Neural Network, CNN)作为特征提取骨干,结合基于合页损失训练的线性支持向量机(Support Vector Machine, SVM),在识别准确率和处理效率之间实现最优平衡。
研究人员搭建了受控实验平台,系统采集了涵盖多种变压器组件类型、三种模拟天气条件(干燥、潮湿和雾天)以及三种运行温度(30 °C、50 °C和70 °C)的实验数据。在采样过程中发现,红外热成像技术昼夜采集的图像特征几乎相同,故取消了夜间场景的采样计划。最终构建了包含1200张红外热图像的综合数据集,该数据集覆盖变压器套管、顶盖、波纹散热器和排油阀四个关键区域,包含600个"正常状态"样本和600个"油泄漏状态"样本。数据采集使用FOTRIC 626C热像仪(配备25°标准镜头,分辨率384×288像素,长波红外波段8–14 μm,热灵敏度NETD<40 mK@30 °C),环境模拟采用2.4 MHz超声波雾化系统(最大输出300 mL/h)。
在方法层面,研究人员提出的CNN-SVM混合架构包含以下核心环节:图像预处理阶段,将单通道灰度红外图像复制三通道以满足MobileNetV3的输入要求,缩放至224×224分辨率并进行ImageNet标准化;深度特征嵌入阶段,采用全面微调的MobileNetV3-Large架构作为高维特征提取器,通过15个级联逆残差模块(含深度可分离卷积和挤压激励SE单元),将输入映射至960维特征向量;分类器替换阶段,以线性SVM替代传统Softmax,基于结构风险最小化原则,采用合页损失结合L2正则化项进行优化,惩罚超参数C设为10,随机梯度下降(Stochastic Gradient Descent, SGD)优化器权重衰减为1×10
?4。这种设计通过最大化分类间隔,增强了模型在雨雾干扰下的决策鲁棒性。验证方案采用分组5折交叉验证,确保同一实验会话的所有图像保持在同一折内,同时实施10轮容忍度的早停机制防止过拟合。
研究结果部分,"训练性能与模型有效性"表明,MobileNetV3-SVM框架收敛迅速,验证准确率约99%,平均AUC高达0.9947,标准差仅0.001;汇总混淆矩阵显示600个油泄漏样本中仅1个假阴性,召回率达99.83%。"骨干网络消融"比较了MobileNetV2、MobileNetV3-Small和标准MobileNetV3,标准MobileNetV3以准确率99.0%、F1分数0.989、AUC 0.995表现最优,延迟6.3 ms,参数量约2.97M。"训练策略消融"显示完全微调策略(准确率99.0%)显著优于冻结策略(95.0%),证明预权重需针对红外热辐射特征分布进行充分适配。"损失函数消融"表明合页损失在所有指标上均优于Softmax损失,因前者通过最大化分类间隔增强小样本场景下的分类鲁棒性,且推理延迟 comparable(6.3 ms vs. 7.2 ms)。"核函数消融"证明线性核函数在960维深度特征上表现最佳(准确率0.990,AUC 0.995),因其无需复杂空间映射即可保持鲁棒分类间隔,且计算效率最高(6.3 ms,159帧/秒)。
与深度学习模型的比较中,MobileNetV3-SVM(AUC 0.9947±0.001)优于ResNet50_BCE、EfficientNetB0、YOLOv11n-CLS和ViT,在准确率和效率间取得最佳平衡;与传统机器学习方法比较,HOG+SVM(准确率0.871,AUC 0.893)和LBP+RF显著落后于深度特征嵌入方案。与外部研究比较,该架构相比报告准确率92%–96%的红外诊断研究实现了显著提升。
讨论部分,研究人员总结了该框架的核心优势:完全微调的MobileNetV3能有效提取具有高线性可分离性的深度热辐射特征;线性SVM结合合页损失在不增加计算负担的前提下,比基于经验风险最小化的Softmax分类器更好地应对红外图像挑战;基于结构风险最小化的解耦设计显著降低了低热对比度样本(如雾散射和雨冷却影响)的过拟合风险。同时,研究也承认实验室模拟与真实变电站动态之间存在差距,如背景复杂性和昆虫等动态干扰;模型当前适用受限于设备表面温度30 °C–70 °C、最小可检测泄漏尺寸1 cm flagyl(@第1,2行,范围2–3 m)等物理约束;实际部署还将面临样本冗余和油泄漏事件极端稀缺(低患病率)的挑战。未来工作将优先收集实际变电站环境现场数据以提升模型泛化能力,并在真实边缘硬件平台(如NVIDIA Jetson模块)上进行严格基准测试,引入精确率-召回率(Precision-Recall, PR)曲线和PR-AUC指标以验证极端不平衡数据条件下的性能和诊断稳定性。
研究结论指出,该CNN-SVM混合架构通过将基于Softmax的ERM转向基于最大间隔的SRM,利用全微调MobileNetV3提取960维深度特征并以线性SVM分类,实现了变压器油泄漏的高精度实时检测,为变电站无人值守、全天候诊断监测提供了有效的技术解决方案,同时通过防止偏远环境中未检测变压器油泄漏导致的水污染,直接推动了可持续发展目标6的实现。