韓世杰， 呂澤欽,3， 隋浩冉， 王偉， 屠幼萍， 高超飛

(1. 高電壓與電磁兼容北京市重點(diǎn)實(shí)驗(yàn)室(華北電力大學(xué))，北京 102206；2. 新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室(華北電力大學(xué))，北京 102206；3. 國(guó)網(wǎng)浙江省電力有限公司寧波供電公司，浙江 寧波 315000；4. 北京信息科技大學(xué)自動(dòng)化學(xué)院，北京 100192)

0 引言

在電力系統(tǒng)中，氣體絕緣全封閉組合電器(gas-insulated switchgear,GIS)以其穩(wěn)定性高、易檢修、占地面積小等優(yōu)點(diǎn)而被廣泛應(yīng)用[1—2]。對(duì)GIS局部放電的檢測(cè)是評(píng)估和診斷其絕緣狀況的重要手段[3—6]。為進(jìn)一步評(píng)價(jià)GIS內(nèi)部產(chǎn)生局部放電的缺陷類型性質(zhì)，須對(duì)采集到的放電信號(hào)進(jìn)行模式識(shí)別[7]。以GIS內(nèi)部局部放電產(chǎn)生的脈沖電流信號(hào)和超高頻信號(hào)為基礎(chǔ)的模式識(shí)別方法易受現(xiàn)場(chǎng)電磁噪聲的干擾，從而導(dǎo)致識(shí)別正確率降低。通過檢測(cè)局部放電產(chǎn)生的超聲信號(hào)，可降低現(xiàn)場(chǎng)電磁干擾對(duì)檢測(cè)的影響，實(shí)現(xiàn)電氣設(shè)備的在線監(jiān)測(cè)[8—9]。

基于非本征法布里-帕羅干涉(extrinsic Fabry-Perot interferometer,EFPI)原理的超聲傳感器采用光纖作為傳感器載體，利用光的干涉原理，對(duì)局部放電產(chǎn)生的超聲波信號(hào)進(jìn)行檢測(cè)。該傳感器相較于傳統(tǒng)的壓電陶瓷傳感器，具有靈敏度高、抗干擾能力強(qiáng)、電絕緣性良好等諸多優(yōu)點(diǎn)[10—12]。近些年來，不少專家學(xué)者開展了應(yīng)用EFPI傳感器檢測(cè)高壓電氣設(shè)備局部放電信號(hào)的研究。文獻(xiàn)[13]利用EFPI傳感器對(duì)變壓器內(nèi)的局部放電進(jìn)行了檢測(cè)，與壓電式傳感器的檢測(cè)效果進(jìn)行對(duì)比，發(fā)現(xiàn)EFPI傳感器的抗電磁干擾能力更為顯著。文獻(xiàn)[14]基于EFPI傳感器測(cè)量超聲波信號(hào)，對(duì)變壓器內(nèi)部的局部放電進(jìn)行了模式識(shí)別，發(fā)現(xiàn)該傳感器擁有較高的識(shí)別正確率。目前，使用EFPI傳感器檢測(cè)變壓器局部放電研究已經(jīng)取得很大的進(jìn)展，但尚未在GIS中得到應(yīng)用。這是由于超聲波信號(hào)在SF6氣體中的衰減較變壓器油中更為嚴(yán)重，且EFPI傳感器須內(nèi)置于GIS腔體中，大幅增大了EFPI傳感器在GIS中的應(yīng)用難度。然而利用EFPI傳感器對(duì)GIS內(nèi)部局部放電產(chǎn)生的超聲波信號(hào)進(jìn)行檢測(cè)，可解決以往超聲波檢測(cè)法存在的信號(hào)衰減大、檢測(cè)靈敏度不足、外界噪聲干擾強(qiáng)等問題，有利于提高GIS在線監(jiān)測(cè)水平。

通過分析GIS內(nèi)部不同局部放電超聲信號(hào)的差異，結(jié)合機(jī)器學(xué)習(xí)算法，可對(duì)產(chǎn)生局部放電的絕緣缺陷類型進(jìn)行判斷，該方式相較于傳統(tǒng)的經(jīng)驗(yàn)判別方法具有更高的可靠性。目前主流的模式識(shí)別方法是神經(jīng)網(wǎng)絡(luò)算法和支持向量機(jī)(support vector machine,SVM)算法。神經(jīng)網(wǎng)絡(luò)算法是基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的原則而設(shè)計(jì)出的機(jī)器學(xué)習(xí)算法，包括反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural networks,BPNN)、概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural net-works,PNN)等。SVM建立在統(tǒng)計(jì)學(xué)理論之上，是繼神經(jīng)網(wǎng)絡(luò)之后的一種新型機(jī)器學(xué)習(xí)算法。

文中搭建了4種典型的放電模型以模擬GIS中的局部放電，創(chuàng)新性地利用EFPI傳感器檢測(cè)GIS絕緣缺陷模型放電產(chǎn)生的超聲信號(hào)。為識(shí)別不同的局部放電類型，采取了一種結(jié)合超聲信號(hào)的波形特征。針對(duì)單次脈沖進(jìn)行波形特征提取的方法，分別應(yīng)用PNN算法和SVM算法對(duì)提取的特征參數(shù)進(jìn)行智能模式識(shí)別，2種算法的平均識(shí)別正確率均在85%以上。

1 EFPI超聲檢測(cè)系統(tǒng)

1.1 EFPI傳感器工作原理

EFPI傳感器探頭的設(shè)計(jì)結(jié)構(gòu)如圖1所示，其工作原理[15—16]為：?jiǎn)尾ㄩL(zhǎng)的光經(jīng)過單模光纖入射到傳感器探頭，根據(jù)Fresnel原理，會(huì)有大約4%的入射光在光纖斷面反射回光纖纖芯，其余約96%的入射光會(huì)經(jīng)過F-P腔，并在傳感器膜片處發(fā)生反射。2束反射光將會(huì)在光纖纖芯處發(fā)生干涉，由光的干涉理論可知，干涉光的光強(qiáng)為：

(1)

式中：I0為初始入射光強(qiáng)；R為反射系數(shù)；n0為腔體折射率；λ為光源波長(zhǎng)；L為F-P腔腔長(zhǎng)。

由式(1)可知，在確定了傳感器的制作材料之后，能夠?qū)Ω缮婀夤鈴?qiáng)產(chǎn)生影響的因素只有F-P腔腔長(zhǎng)。因此，當(dāng)EFPI傳感器探頭接收到超聲波信號(hào)時(shí)，傳感器膜片會(huì)隨超聲波信號(hào)產(chǎn)生振動(dòng)，從而改變F-P腔的腔長(zhǎng)，進(jìn)而改變干涉光的光強(qiáng)，這個(gè)過程就實(shí)現(xiàn)了超聲波信號(hào)向光信號(hào)的轉(zhuǎn)換。

圖1 EFPI傳感器探頭的設(shè)計(jì)結(jié)構(gòu)Fig.1 Design structure of EFPI sensor probe

由于SF6氣體對(duì)超聲波的強(qiáng)吸收效應(yīng)，且超聲波的高頻分量較低頻分量在SF6氣體中的衰減更為嚴(yán)重，EFPI傳感器接收到的超聲信號(hào)主要集中在低頻段，據(jù)此開展EFPI傳感器參數(shù)的設(shè)計(jì)，提高其靈敏度并降低固有頻率。有研究表明，通過改變傳感器膜片材質(zhì)、擴(kuò)大膜片半徑、減小膜片厚度，可提高傳感器靈敏度，且降低其固有頻率[17]。文中在實(shí)驗(yàn)室條件下，選用石英玻璃膜片，并將膜片半徑從原1 mm增大至1.3 mm，厚度從原25 μm增大至30 μm，此時(shí)傳感器的固有頻率為48 kHz，靈敏度為262 nm/kPa。經(jīng)測(cè)試，對(duì)于同一次絕緣缺陷引發(fā)的局部放電，在相同檢測(cè)距離與放大倍數(shù)的條件下，EFPI傳感器測(cè)量到的超聲信號(hào)幅值約為壓電陶瓷傳感器的2.1倍。

1.2 超聲檢測(cè)系統(tǒng)

EFPI超聲檢測(cè)系統(tǒng)如圖2所示，該系統(tǒng)由EFPI傳感器、單模光纖、光纖環(huán)形器、光源、光電放大器以及示波器連接而成[18—19]。當(dāng)EFPI傳感器檢測(cè)到超聲波時(shí)，超聲信號(hào)在傳感器探頭處轉(zhuǎn)換成光信號(hào)，并由單模光纖將反射光傳入光纖環(huán)形器處進(jìn)行干涉，之后再傳至光電放大器。光電放大器集成了光電轉(zhuǎn)換與放大的功能，首先將光信號(hào)轉(zhuǎn)換為電信號(hào)，再將電信號(hào)按設(shè)置的增益進(jìn)行放大，最后在示波器上顯示經(jīng)過聲-光-電轉(zhuǎn)換、具有放大增益的超聲波信號(hào)。通過分析該超聲波信號(hào)可以獲得產(chǎn)生局部放電的絕緣缺陷信息。

圖2 EFPI檢測(cè)系統(tǒng)原理Fig.2 Principle of EFPI detection system

2 局部放電超聲信號(hào)檢測(cè)及特征參數(shù)提取

2.1 GIS局部放電檢測(cè)試驗(yàn)平臺(tái)

文中搭建的GIS局部放電檢測(cè)試驗(yàn)平臺(tái)由高壓電源、4種典型的放電模型、GIS實(shí)驗(yàn)腔體以及EFPI超聲檢測(cè)系統(tǒng)4部分組成，如圖3所示。

圖3 GIS局部放電檢測(cè)試驗(yàn)平臺(tái)Fig.3 GIS partial discharge detection test platform

GIS的缺陷類型主要包括尖刺放電、自由金屬顆粒放電、懸浮電位金屬體放電、絕緣子沿面放電[20]。文中建立了4種放電模型，模擬以上4種缺陷類型產(chǎn)生的局部放電信號(hào)，即：尖端放電、金屬顆粒放電、懸浮放電與沿面放電。放電模型的導(dǎo)電材質(zhì)采用黃銅，其結(jié)構(gòu)如圖4所示。在圖4(a)尖端放電模型中，對(duì)上電極表面進(jìn)行拋光處理，周圍進(jìn)行倒圓角加工，保持放電穩(wěn)定性。在圖4(b)金屬顆粒放電模型中，電極間放置大小形狀不一的金屬鋁球來模擬金屬顆粒，并設(shè)置了一個(gè)環(huán)氧樹脂罩以防自由金屬球在電場(chǎng)中高速運(yùn)動(dòng)或碰撞時(shí)脫離放電模型。在圖4(c)懸浮放電模型中，電極間的環(huán)氧樹脂套用來支持懸浮金屬體，并可調(diào)整懸浮金屬體與電極之間的距離。在圖4(d)中，沿面放電電極間的絕緣材質(zhì)采用環(huán)氧樹脂。

圖4 GIS絕緣缺陷局部放電模型Fig.4 Partial discharge model of insulation defect in GIS

經(jīng)測(cè)試，在充有0.4 MPa SF6氣體的GIS實(shí)驗(yàn)腔體內(nèi)，上述放電模型均能在有效值18 kV左右的交流電壓下產(chǎn)生穩(wěn)定的放電，且EFPI超聲檢測(cè)系統(tǒng)能夠檢測(cè)到相應(yīng)的放電超聲信號(hào)。

GIS實(shí)驗(yàn)腔體為平高集團(tuán)生產(chǎn)的220 kV GIS上的一段，中間充有0.4 MPa的SF6氣體，腔體內(nèi)的EFPI傳感器通過光纖饋通器與外部的檢測(cè)系統(tǒng)連接。光纖饋通器可以根據(jù)需要組裝到不同尺寸的法蘭上，其兩端均為FC/APC接口，用于連接內(nèi)部的傳感器和外部的檢測(cè)系統(tǒng)，用裝好光纖饋通器的法蘭替換掉腔體上的觀察窗，可實(shí)現(xiàn)EFPI傳感器的置入，光纖饋通器及其安裝方式如圖5所示。

圖5 光纖饋通器及其安裝方式Fig.5 Optical fiber feedthrough and its installation

2.2 不同局部放電類型的時(shí)域波形

在有效值18 kV左右的交流電壓下，4種典型的絕緣缺陷放電模型均能在充有0.4 MPa SF6氣體的GIS實(shí)驗(yàn)腔體內(nèi)產(chǎn)生穩(wěn)定的放電，光電放大器的增益選為40 dB，記錄不同局放模型產(chǎn)生的放電超聲信號(hào)，如圖6所示。其中0時(shí)刻為放電起始時(shí)刻，超聲信號(hào)較電磁信號(hào)在介質(zhì)中傳播較慢，故傳感器接收到超聲信號(hào)的時(shí)刻與放電起始時(shí)刻存在一定時(shí)間間隔，該時(shí)間間隔由傳感器與放電源之間的距離決定。

圖6 不同絕緣缺陷局部放電模型的超聲信號(hào)波形Fig.6 Ultrasonic signal waveforms of partial discharge models of different insulation defects

由圖6可知，由EFPI傳感器檢測(cè)到的不同絕緣缺陷模型的放電超聲信號(hào)差異較大，特征較為突出，有利于特征參數(shù)提取與模式識(shí)別研究的開展。

2.3 超聲信號(hào)特征參數(shù)提取

局部放電產(chǎn)生的超聲信號(hào)具有時(shí)延、寬脈寬和多次放電等特點(diǎn)，因此難以采用傳統(tǒng)的構(gòu)造二維統(tǒng)計(jì)譜圖法對(duì)其進(jìn)行模式識(shí)別[21]。文中選擇了一種更接近局部放電機(jī)理的方法，即結(jié)合超聲信號(hào)的波形特征，針對(duì)單次脈沖進(jìn)行波形特征參數(shù)提取。

超聲波信號(hào)包括了很多的特征參數(shù)[22]，文中選取了如下5個(gè)參數(shù)：上升時(shí)間Tr，持續(xù)時(shí)間Td，幅值Vmax，能量E，振鈴計(jì)數(shù)C，如圖7所示。不同局部放電故障類型的原始超聲信號(hào)經(jīng)LabVIEW程序提取特征參數(shù)后，可形成特征參數(shù)數(shù)據(jù)庫(kù)，用于后續(xù)的故障類型模式識(shí)別。

圖7 單次超聲脈沖信號(hào)的不同特征參數(shù)Fig.7 Different characteristic parameters of single ultrasonic pulse signal

(1) 上升時(shí)間。超聲脈沖信號(hào)第一次超過閾值與到達(dá)信號(hào)峰值之間的時(shí)間差，該數(shù)值可以體現(xiàn)信號(hào)的偏斜程度。

(2) 持續(xù)時(shí)間。超聲脈沖信號(hào)第一次超過閾值與最后一次到達(dá)閾值的時(shí)間差，該數(shù)值可用于過濾無效的短脈沖信號(hào)，提高特征參數(shù)的有效性。

(3) 幅值。超聲脈沖信號(hào)峰值的大小，即信號(hào)振幅，該數(shù)值可以體現(xiàn)信號(hào)的高度特征。幅值大小與光電放大器的增益相關(guān)，文中選定為40 dB。

(4) 能量。超聲脈沖信號(hào)超過閾值的面積和。該數(shù)值與信號(hào)寬度特征(持續(xù)時(shí)間)、高度特征(幅值)均相關(guān)，可體現(xiàn)信號(hào)的相對(duì)強(qiáng)度。

(5) 振鈴計(jì)數(shù)。該特征參數(shù)可以統(tǒng)計(jì)超聲脈沖信號(hào)超過閾值的次數(shù)，與閾值大小的選取相關(guān)。根據(jù)實(shí)驗(yàn)現(xiàn)場(chǎng)噪聲，文中的閾值選定為0.5 V。

3 基于不同模式識(shí)別算法的GIS局放模式識(shí)別

PNN是一種基于統(tǒng)計(jì)原理的人工神經(jīng)網(wǎng)絡(luò)，綜合了徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)與經(jīng)典概率密度估計(jì)原理的優(yōu)點(diǎn)。與傳統(tǒng)的BPNN相比，徑向基神經(jīng)元還可以和競(jìng)爭(zhēng)神經(jīng)元一起共同組建PNN，在模式識(shí)別領(lǐng)域具有顯著優(yōu)勢(shì)[23]。SVM是基于統(tǒng)計(jì)學(xué)理論和結(jié)構(gòu)最小化理論的機(jī)器學(xué)習(xí)算法，相比于神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)更簡(jiǎn)單、泛化能力更強(qiáng)。SVM可在有限的樣本下，找到問題的最優(yōu)解，尤其適合小樣本數(shù)據(jù)，在模式識(shí)別領(lǐng)域的應(yīng)用前景廣闊[24]。因此，文中將兩者應(yīng)用于GIS局部放電的故障類型判別中，并對(duì)其進(jìn)行比較分析。

在對(duì)單次超聲脈沖波形提取了5個(gè)特征參數(shù)的基礎(chǔ)上，在識(shí)別流程開始之前對(duì)特征參數(shù)進(jìn)行歸一化處理，歸一化映射如式(2)所示。

(2)

式中：xmin為參數(shù)最小值；xmax為參數(shù)最大值。將原始數(shù)據(jù)規(guī)整至[0,1]范圍內(nèi)。

3.1 PNN識(shí)別方法

利用Matlab平臺(tái)實(shí)現(xiàn)PNN模式識(shí)別，識(shí)別步驟如圖8所示。

圖8 PNN模式識(shí)別流程Fig.8 Flow chart of PNN pattern recognition

(1) 特征向量格式調(diào)整。為將特征樣本向量輸入至PNN訓(xùn)練函數(shù)及測(cè)試函數(shù)中，須將其調(diào)整為特定輸入格式。

(2) PNN參數(shù)設(shè)置。在PNN創(chuàng)建過程中，將擴(kuò)展系數(shù)Spread設(shè)置為2，使得在可控的運(yùn)行時(shí)間內(nèi)，神經(jīng)元能夠?qū)斎胂蛄克采w的區(qū)間都產(chǎn)生響應(yīng)。

(3) PNN創(chuàng)建及訓(xùn)練。在PNN創(chuàng)建及訓(xùn)練的過程中，將特定格式的測(cè)試樣本特征向量進(jìn)行輸入，在訓(xùn)練完成后將訓(xùn)練樣本進(jìn)行回代測(cè)試，確保PNN的識(shí)別有效性。

(4) PNN測(cè)試。利用訓(xùn)練好的PNN對(duì)測(cè)試樣本特征向量進(jìn)行測(cè)試，并將識(shí)別結(jié)果與測(cè)試樣本對(duì)應(yīng)真實(shí)缺陷類型進(jìn)行對(duì)比，可得知PNN的識(shí)別正確率。

3.2 SVM識(shí)別方法

文中利用基于Matlab平臺(tái)的LIBSVM工具箱實(shí)現(xiàn)SVM的模式識(shí)別，識(shí)別步驟如圖9所示。

圖9 SVM模式識(shí)別流程Fig.9 Flow chart of SVM pattern recognition

(1) 特征向量格式調(diào)整?；赟VM訓(xùn)練函數(shù)及測(cè)試函數(shù)的特定輸入格式，對(duì)特征樣本向量的格式進(jìn)行調(diào)整。

(2) 核函數(shù)選取及參數(shù)設(shè)置。選取徑向基核函數(shù)作為SVM程序的核函數(shù)，其可通過內(nèi)積的方式解決低維空間特征向量線性不可分的問題。將g參數(shù)設(shè)置為1，c參數(shù)設(shè)置為2，確保了SVM模型的擬合能力以及相應(yīng)的泛化能力。

(3) SVM模型創(chuàng)建及訓(xùn)練。在SVM模型創(chuàng)建及訓(xùn)練的過程中，輸入特定格式的測(cè)試樣本特征向量，并對(duì)核函數(shù)、g參數(shù)、c參數(shù)進(jìn)行設(shè)置。在訓(xùn)練完成后對(duì)訓(xùn)練樣本進(jìn)行回代測(cè)試，確保訓(xùn)練樣本對(duì)SVM模型的訓(xùn)練效果。

(4) SVM模型測(cè)試。利用訓(xùn)練好的SVM模型對(duì)測(cè)試樣本特征向量進(jìn)行測(cè)試，基于LIBSVM的預(yù)測(cè)函數(shù)可直接給出SVM模型的識(shí)別正確率。

3.3 識(shí)別結(jié)果比較分析

文中針對(duì)4種絕緣缺陷類型，一共檢測(cè)并記錄了300即75×4組局部放電超聲信號(hào)，并在此基礎(chǔ)上提取了300組特征向量，組建形成了特征參數(shù)數(shù)據(jù)庫(kù)，選取200即50×4組特征向量樣本分別對(duì)PNN和SVM進(jìn)行訓(xùn)練，再將其分別應(yīng)用于100即25×4組測(cè)試樣本的模式識(shí)別。應(yīng)用PNN的測(cè)試樣本識(shí)別效果和分類誤差如圖10所示，應(yīng)用SVM的測(cè)試樣本識(shí)別效果和分類誤差如圖11所示。

圖10 PNN模式識(shí)別效果與分類誤差Fig.10 Pattern recognition effect diagram and classification error diagram of PNN

圖11 SVM模式識(shí)別效果與分類誤差Fig.11 Pattern recognition effect diagram and classification error diagram of SVM

從圖10和圖11可知，在由EFPI超聲檢測(cè)系統(tǒng)提取的超聲信號(hào)特征參數(shù)數(shù)據(jù)庫(kù)基礎(chǔ)上，SVM算法的整體識(shí)別效果要優(yōu)于PNN算法。表1分別列出了2種模式識(shí)別算法對(duì)不同絕緣缺陷放電模型的局放超聲信號(hào)的識(shí)別正確率。

表1 PNN與SVM識(shí)別正確率Table 1 Recognition accuracy of PNN and SVM %

從表1的數(shù)據(jù)可以得出：

(1) 2種模式識(shí)別算法的平均識(shí)別率正確均在85%以上，SVM算法的平均識(shí)別正確率達(dá)到95%，要優(yōu)于PNN算法。

(2) 尖端放電的識(shí)別正確率在2種算法下均能達(dá)到100%，由此可見其特征參數(shù)與其他3種放電模式差距較大。

(3) 懸浮放電與沿面放電之間存在相對(duì)數(shù)量較多的誤診斷，由此可見這2類局部放電超聲信號(hào)所提取的特征參數(shù)是相似的。

(4) 金屬顆粒放電的識(shí)別正確率相對(duì)較低。由于金屬鋁球在電場(chǎng)中的運(yùn)動(dòng)與碰撞沒有規(guī)律且放電形式多樣，造成特征參數(shù)較為混亂，從而導(dǎo)致識(shí)別正確率降低。

4 結(jié)論

文中搭建了一套模擬GIS內(nèi)部不同局部放電的實(shí)驗(yàn)裝置，在該實(shí)驗(yàn)腔體內(nèi)設(shè)置了4種典型的局部放電模型，利用EFPI超聲傳感器測(cè)量不同類型局部放電產(chǎn)生的超聲信號(hào)，結(jié)合波形特征對(duì)超聲信號(hào)單次脈沖進(jìn)行了特征參數(shù)提取，并分別利用PNN算法和SVM算法對(duì)不同故障類型進(jìn)行了模式識(shí)別，結(jié)論如下：

(1) 設(shè)計(jì)制作的EFPI傳感器可對(duì)GIS中的尖端、金屬顆粒、懸浮和沿面4種典型的絕緣缺陷模型產(chǎn)生的放電超聲信號(hào)進(jìn)行檢測(cè)，檢測(cè)到的超聲信號(hào)波形特征突出，有利于后續(xù)特征參數(shù)提取及模式識(shí)別研究的開展。

(2) 在放電超聲信號(hào)基礎(chǔ)上，可以提取得到上升時(shí)間Tr，持續(xù)時(shí)間Td，幅值Vmax，能量E，振鈴計(jì)數(shù)C這5個(gè)超聲脈沖波形特征參數(shù)，特征參數(shù)可以很好地突出不同絕緣缺陷放電超聲信號(hào)的特點(diǎn)，有利于對(duì)缺陷類型進(jìn)行判別。

(3) 訓(xùn)練后的模式識(shí)別算法表現(xiàn)良好，均能達(dá)到85%以上的平均識(shí)別正確率，且SVM的識(shí)別效果要優(yōu)于PNN。對(duì)于不同類型的局部放電，算法具有不同的識(shí)別正確率：尖端放電識(shí)別正確率最高，金屬顆粒放電識(shí)別正確率最低，懸浮放電與沿面放電之間存在數(shù)量較多的相互誤診斷。