岳云飛，孫 抗，2

（1.河南理工大學(xué) 電氣工程與自動(dòng)化學(xué)院；2.河南省煤礦裝備智能檢測與控制重點(diǎn)實(shí)驗(yàn)室，河南 焦作 454003）

0 引言

電纜是配電網(wǎng)及大規(guī)模清潔能源接入的關(guān)鍵基礎(chǔ)設(shè)備，其可靠性關(guān)系到電力系統(tǒng)的安全穩(wěn)定運(yùn)行。我國日益增長的對更清潔、更低碳的綠色電網(wǎng)的需求使電纜在電力系統(tǒng)中扮演著愈發(fā)重要的角色。局部放電是電纜絕緣劣化的重要表征，對于不同類型的絕緣缺陷，其局部放電的表征也有所區(qū)別［1］。通過識別局部放電模式，獲知電纜絕緣缺陷類型，可為評估電纜絕緣缺陷風(fēng)險(xiǎn)，逐步實(shí)現(xiàn)狀態(tài)檢修提供可靠依據(jù)［2］。

隨著電力大數(shù)據(jù)時(shí)代的到來，深度學(xué)習(xí)將在電力行業(yè)具有廣闊的應(yīng)用前景［3］。由于電纜運(yùn)行時(shí)故障發(fā)生頻率較低，且故障案例與異常樣本信息存在缺失、不完善等問題，現(xiàn)有有效標(biāo)注的樣本規(guī)模較小，嚴(yán)重影響了深度神經(jīng)網(wǎng)絡(luò)分類器的識別效果。業(yè)內(nèi)學(xué)者針對少樣本條件下的局部放電模式識別進(jìn)行了大量研究，總體上可分為基于數(shù)據(jù)增廣的學(xué)習(xí)方法與基于模型簡化的學(xué)習(xí)方法兩大類。

基于數(shù)據(jù)增廣的少樣本學(xué)習(xí)方法多借助先驗(yàn)知識擴(kuò)大樣本規(guī)?；蚱胶鈽颖绢悇e，如隨機(jī)過采樣算法（Random Oversampling，ROS）、合成少數(shù)類過采樣方法（Synthetic Minority Oversampling Technique，SMOTE）等。劉云鵬等［4］采用一種基于梯度懲罰優(yōu)化的條件式Wasserstein 生成對抗網(wǎng)絡(luò)模型，有效增廣了少數(shù)類樣本。隨著Alex-Net、VGGNet、GoogLeNet 以及ResNet 等深度卷積網(wǎng)絡(luò)模型逐步應(yīng)用于局部放電模式識別，局放樣本不足的問題愈加突出。劉文浩等［5］提出一種基于可變噪音的局部放電樣本擴(kuò)充方法，緩解了局部放電樣本數(shù)目不足的問題。史晉濤等［6］則利用圖像合成技術(shù)擴(kuò)充樣本數(shù)目，提高了深度卷積網(wǎng)絡(luò)模型的識別效果。

基于模型簡化的方法一般通過減少分類模型的訓(xùn)練參數(shù)，提高分類模型的搜索效率。苑津莎等［7］通過降低特征參數(shù)的維數(shù)與簡化概率神經(jīng)網(wǎng)絡(luò)分類器結(jié)構(gòu)的方法，提高了分類器在少樣本情況下的識別率。Liu 等［8］采用遷移學(xué)習(xí)的方法，緩解了深度卷積網(wǎng)絡(luò)模型在少樣本條件下的梯度消失問題，在提高網(wǎng)絡(luò)模型識別精度的同時(shí)，減輕了模型計(jì)算和存儲的壓力。Liu 等［9］在少樣本條件下，設(shè)計(jì)了一種只有3000 多個(gè)參數(shù)的超微卷積神經(jīng)網(wǎng)絡(luò)，顯著降低了網(wǎng)絡(luò)模型的復(fù)雜度。

對于少樣本條件下的電纜局部放電模式識別，本文從數(shù)據(jù)增廣與模型簡化兩方面入手，針對局部放電相位分布模式（Phase-Resolved Partial Discharge，PRPD）灰度圖提出一種基于深度卷積生成對抗網(wǎng)絡(luò)（Deep Convolution Generative Adversarial Network，DCGAN）的數(shù)據(jù)增廣方法，并構(gòu)造了基于盒維數(shù)的評價(jià)指標(biāo)衡量生成樣本的有效性。在模型簡化方面，以深度殘差網(wǎng)絡(luò)為基礎(chǔ)，分別從殘差模塊、網(wǎng)絡(luò)深度兩個(gè)方面簡化深度殘差網(wǎng)絡(luò)（Deep Residual Network，ResNet）結(jié)構(gòu)，使其匹配小規(guī)模局部放電數(shù)據(jù)集。

1 基于DCGAN的數(shù)據(jù)增廣

1.1 DCGAN原理

DCGAN 主要由生成模型與判別模型組成。生成模型可將輸入的隨機(jī)變量變成與真實(shí)樣本類似的生成樣本，判別模型則通過學(xué)習(xí)真實(shí)樣本的特征來鑒別生成樣本是否真實(shí)［10］。兩個(gè)模型經(jīng)過零和博弈，最終達(dá)到納什均衡［11］。DCGAN 博弈目標(biāo)函數(shù)如式（1）所示：

式中，x表示真實(shí)樣本，Pr(x)是x的概率分布，z表示噪聲輸入，Pg(z)表示z的概率分布，G(z)表示生成模型產(chǎn)生的生成樣本，D(·)表示判別模型判定該樣本為真實(shí)樣本的概率。

對于生成模型G，希望其能生成與真實(shí)樣本相同的樣本G(z)，即數(shù)學(xué)模型D(G(z))=1，1 -D(G(z))=0，從而最小化模型G。損失函數(shù)如式（2）所示：

對于判別模型D，希望其能準(zhǔn)確地判斷輸入的樣本為真實(shí)樣本還是生成樣本。輸入真實(shí)樣本x時(shí)，數(shù)學(xué)模型D(x)=1，輸入生成樣本G(z)時(shí)，數(shù)學(xué)模型D(G(z))=0，即最大化模型D，損失函數(shù)如式（3）所示：

DCGAN 生成模型利用反卷積的方法將隨機(jī)變量生成一組PRPD 灰度圖，生成灰度圖與真實(shí)灰度圖將由判別模型來判定，判別模型的判別結(jié)果反向傳播，并進(jìn)一步優(yōu)化生成模型與判別模型，最終生成模型產(chǎn)生使判別模型無法準(zhǔn)確判定的PRPD 灰度圖。DCGAN 作為一種由GAN 發(fā)展而來的一種新模型，其特點(diǎn)是利用步長卷積代替上采樣層，充分發(fā)揮卷積層能提取樣本深層次特征的優(yōu)勢［12］。

1.2 基于盒維數(shù)的生成樣本質(zhì)量評價(jià)

利用評價(jià)指標(biāo)衡量生成樣本的質(zhì)量，是判斷數(shù)據(jù)增廣技術(shù)是否有效的重要方法。在圖像識別領(lǐng)域，常選擇Laplacian 梯度［13］、灰度方差函數(shù)等指標(biāo)，這些指標(biāo)通過評價(jià)生成樣本的清晰度來判定生成樣本的質(zhì)量，指標(biāo)數(shù)值越大，表明生成樣本的清晰度越高。對于電纜PRPD 灰度圖，其真實(shí)樣本的清晰度偏低，所以生成樣本的清晰度也偏低，導(dǎo)致這些指標(biāo)對灰度圖生成樣本質(zhì)量的評價(jià)效果一般。因此，文中提出一種基于盒維數(shù)的生成樣本評價(jià)指標(biāo)，通過衡量生成樣本與真實(shí)樣本的特征相似性，判斷生成樣本的質(zhì)量。

盒維數(shù)作為一種分形特征，因具有易于經(jīng)驗(yàn)估計(jì)、程序化計(jì)算等優(yōu)點(diǎn)而常被應(yīng)用于灰度圖像的特征提?。?4］。針對同一類型的PRPD 灰度圖，分別提取其真實(shí)樣本與生成樣本的盒維數(shù)，對比其數(shù)值。盒維數(shù)的數(shù)值差越小，生成樣本的特征與真實(shí)樣本的特征越相似，即生成樣本的質(zhì)量越好。盒維數(shù)的計(jì)算方法如下：

將PRPD 灰度圖用曲面z=f(x，y)表示，其中，z表示圖像像素的灰度值，x和y表示圖像各像素的位置。將整個(gè)x-y圖像平面分成大小為r×r的網(wǎng)格，每個(gè)網(wǎng)格對應(yīng)于三維空間中一疊大小為r×r×r的盒子，設(shè)在(i，j)的格子中，PRPD 灰度圖的灰度最大值位于第l個(gè)盒子內(nèi)，最小值位于第k個(gè)盒子內(nèi)，則在第(i，j)個(gè)網(wǎng)格中，覆蓋灰度圖曲面的盒子數(shù)為：

所有網(wǎng)格中的盒子總數(shù)為：

式中，r 為盒子尺度，在不同盒子尺度r下，可計(jì)算得到不同的盒子總數(shù)Nr，從而得到序列(r(i)，Nr(i))。將序列(r(i)，Nr(i)) 表示在雙對數(shù)坐標(biāo)系上，得到對數(shù)序列(logr(i)，logNr(i))，進(jìn)而確定對數(shù)序列的分形無標(biāo)度區(qū)。在分形無標(biāo)度區(qū)內(nèi)采用最小二乘法計(jì)算對數(shù)序列(logr(i)，logNr(i))的負(fù)斜率，此負(fù)斜率即灰度圖盒維數(shù)DV。盒維數(shù)DV的計(jì)算公式如式（6）所示：

2 結(jié)構(gòu)簡化的殘差網(wǎng)絡(luò)

2.1 深度殘差網(wǎng)絡(luò)

為緩解卷積神經(jīng)網(wǎng)絡(luò)因網(wǎng)絡(luò)加深而出現(xiàn)的網(wǎng)絡(luò)退化、梯度消失等問題，何愷明等［15］在卷積神經(jīng)網(wǎng)絡(luò)中引入恒等映射的設(shè)計(jì)，創(chuàng)造性地發(fā)明了深度殘差網(wǎng)絡(luò)。深度殘差網(wǎng)絡(luò)是以深度卷積網(wǎng)絡(luò)為基礎(chǔ)，并增加了殘差模塊的網(wǎng)絡(luò)［16］。圖1（a）表示無殘差模塊的卷積神經(jīng)網(wǎng)絡(luò)的隱藏層，將輸入x經(jīng)卷積等操作后，轉(zhuǎn)換為期望輸出H（x）。卷積操作如下［17］：

圖1（b）所示殘差模塊一是殘差網(wǎng)絡(luò)模型中最常用的殘差模塊，與圖1（a）最大的不同是，在其基礎(chǔ)上引入了恒等映射，并使用批標(biāo)準(zhǔn)化（Batch Normalization，BN）和ReLu激活函數(shù)，從而使實(shí)際輸出變?yōu)椋?/p>

F(x)是輸入x經(jīng)轉(zhuǎn)換得到的殘差函數(shù)。引入恒等映射后，網(wǎng)絡(luò)由原來x到H（x）的映射，轉(zhuǎn)變?yōu)閷W(xué)習(xí)F(x)和x的加和，在提升模型學(xué)習(xí)能力的同時(shí)，也簡化了模型的訓(xùn)練難度［18］。

殘差模塊一直接將輸入x與F(x)加和，則必須保證輸入與輸出的特征圖維度相同，其缺點(diǎn)是不易提取樣本的深層次特征。圖1（c）中的殘差模塊二與殘差模塊一的基本結(jié)構(gòu)相似，但殘差模塊二采用了步長為2 的卷積層作為捷徑連接，使其可以改變輸入特征圖的維度，從而使殘差網(wǎng)絡(luò)能從多個(gè)維度提取樣本特征。

Fig.1 Different types of residual modules圖1 不同類型的殘差模塊

2.2 殘差網(wǎng)絡(luò)的簡化

雖然利用DCGAN 數(shù)據(jù)增廣可以擴(kuò)充電纜PRPD 灰度圖樣本數(shù)目，改善分類模型的識別效果，但與圖像識別領(lǐng)域中的ImageNet 圖像數(shù)據(jù)集相比，文中所構(gòu)建的電纜局部放電數(shù)據(jù)集偏小。原始?xì)埐罹W(wǎng)絡(luò)模型結(jié)構(gòu)復(fù)雜，數(shù)據(jù)集規(guī)模與模型結(jié)構(gòu)仍不匹配。為提升殘差網(wǎng)絡(luò)在少樣本條件下對電纜PRPD 灰度圖的識別效果，本文研究了有無殘差模塊、網(wǎng)絡(luò)深度對殘差網(wǎng)絡(luò)的影響，并提出一種簡化的殘差網(wǎng)絡(luò)模型。

2.2.1 殘差模塊對比分析

搭建了殘差網(wǎng)絡(luò)在含有殘差模塊一、殘差模塊二以及無殘差模塊三種情況下的模型。圖2 描述了三種情況下網(wǎng)絡(luò)模型的訓(xùn)練過程，圖3為三種情況下網(wǎng)絡(luò)模型的測試精度。

由圖2 與圖3 可知，具有殘差模塊的網(wǎng)絡(luò)模型明顯優(yōu)于沒有殘差模塊的網(wǎng)絡(luò)模型。由于殘差模塊可以緩解梯度消失以及網(wǎng)絡(luò)退化問題，因此減少了網(wǎng)絡(luò)模型的訓(xùn)練損失，且提高了網(wǎng)絡(luò)模型的識別精度。殘差模塊二通過對特征圖進(jìn)行升維或降維操作，避免了每一層的特征圖都是相同維度的現(xiàn)象，因此殘差模塊二對模型性能的提升要優(yōu)于殘差模塊一。

2.2.2 網(wǎng)絡(luò)深度對比分析

Fig.2 Training process of network model圖2 網(wǎng)絡(luò)模型的訓(xùn)練過程

Fig.3 Test accuracy of network model圖3 網(wǎng)絡(luò)模型的測試精度

殘差模塊的個(gè)數(shù)影響著殘差網(wǎng)絡(luò)的深度，殘差網(wǎng)絡(luò)在具有不同殘差模塊個(gè)數(shù)下的測試精度如圖4 所示。網(wǎng)絡(luò)模型在含有2 個(gè)或3 個(gè)殘差模塊時(shí)，網(wǎng)絡(luò)模型的測試精度在迭代10 次后趨于穩(wěn)定，在含有4 個(gè)殘差模塊時(shí)需迭代20次以上才趨于穩(wěn)定，這是由于網(wǎng)絡(luò)結(jié)構(gòu)過深時(shí)，網(wǎng)絡(luò)模型需要訓(xùn)練的參數(shù)增多，所需訓(xùn)練時(shí)間也越長，因此測試精度波動(dòng)較大。

2.2.3 簡化后的殘差網(wǎng)絡(luò)

通過上述分析，搭建了一種能較好地識別電纜PRPD灰度圖的殘差網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)如圖5 所示。簡化的殘差網(wǎng)絡(luò)主要由卷積層、池化層、殘差模塊二和全連接層組成。網(wǎng)絡(luò)中卷積核的大小選為3 × 3，在每次卷積操作后加入BN 層，并選取ReLu 作為激活函數(shù)。

2.3 基于簡化殘差網(wǎng)絡(luò)的局放識別

基于簡化后的殘差網(wǎng)絡(luò)模型，并結(jié)合DCGAN 數(shù)據(jù)增廣，提出了基于DCGAN 與ResNet 的電纜局部放電模式識別方法，流程如圖6所示。具體步驟如下：

步驟1：在實(shí)驗(yàn)室環(huán)境下搭建試驗(yàn)平臺，制造4 種常見絕緣缺陷并采集局部放電信號。

Fig.4 Test accuracy of network model with different depths圖4 不同深度的網(wǎng)絡(luò)模型測試精度

Fig.5 Structure of simplified residual network圖5 簡化的殘差網(wǎng)絡(luò)結(jié)構(gòu)

步驟2：提取有效局部放電脈沖的工頻相位φ、放電量q和放電次數(shù)n，并構(gòu)造4種絕緣缺陷類型的PRPD 灰度圖。

步驟3：利用DCGAN 對PRPD 灰度圖進(jìn)行數(shù)據(jù)增廣，將生成樣本和真實(shí)樣本組合為訓(xùn)練樣本集。

步驟4：利用訓(xùn)練樣本集訓(xùn)練結(jié)構(gòu)簡化的深度殘差網(wǎng)絡(luò)。

步驟5：利用結(jié)構(gòu)簡化的深度殘差網(wǎng)絡(luò)對測試樣本集中的樣本進(jìn)行分類，得到識別結(jié)果。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 數(shù)據(jù)集獲取

搭建試驗(yàn)系統(tǒng)如圖7 所示，該系統(tǒng)主要由升壓部分、局部放電檢測部分、電纜絕緣缺陷模型、示波器構(gòu)成。

將連續(xù)200 個(gè)周期的局部放電信號轉(zhuǎn)換為一張PRPD灰度圖，如圖8 所示，最終得到700 張PRPD 灰度圖，4 種絕緣缺陷各占175 張。由圖8 可知，主絕緣外表面劃痕，主絕緣表面金屬污穢以及外半導(dǎo)電層爬電三種絕緣缺陷的局部放電主要集中在180～270°之間，而絕緣內(nèi)部氣隙缺陷的局部放電主要集中于10°～90°之間。4 種電纜絕緣缺陷的局部放電特征與文獻(xiàn)［19］所述基本一致，驗(yàn)證了試驗(yàn)的有效性。

Fig.6 Flow of the algorithm圖6 算法流程

Fig.7 Cable partial discharge detection system structure圖7 電纜局部放電檢測系統(tǒng)結(jié)構(gòu)

將每類絕緣缺陷的PRPD 灰度圖按5：2 的比例劃分，即700 張真實(shí)樣本被分為500 張訓(xùn)練樣本與200 張測試樣本。利用DCGAN 對500 張訓(xùn)練樣本進(jìn)行擴(kuò)充，最終得到數(shù)目為1000 的訓(xùn)練樣本集。測試樣本集由200 張真實(shí)樣本組成。

3.2 結(jié)果及分析

3.2.1 DCGAN數(shù)據(jù)增廣的有效性分析

隨機(jī)選取100 張真實(shí)樣本和100 張生成樣本，并分別計(jì)算其盒維數(shù)均值，如表1所示。

Table 1 Comparison of box dimensions of real samples and generated samples表1 真實(shí)樣本與生成樣本的盒維數(shù)對比

由表1 可知，4 種絕緣缺陷類型的盒維數(shù)具有明顯差異，且分布在不同的數(shù)值區(qū)間。對于同一缺陷類型，生成樣本的盒維數(shù)數(shù)值相近于真實(shí)樣本，表明DCGAN 生成的樣本與真實(shí)樣本具有相似的特征。為進(jìn)一步驗(yàn)證文中所提數(shù)據(jù)增廣方法的有效性，設(shè)置了兩個(gè)數(shù)據(jù)集：一是原始訓(xùn)練樣本集；二是利用DCGAN 增廣樣本后的訓(xùn)練樣本集。使用這兩種訓(xùn)練樣本集分別訓(xùn)練原始ResNet 和結(jié)構(gòu)簡化的深度殘差網(wǎng)絡(luò)，識別結(jié)果如表2所示。

Fig.8 PRPD grayscale images of four typical insulation defects圖8 4種典型絕緣缺陷的PRPD灰度圖

由表2 可知，對于結(jié)構(gòu)簡化后的殘差網(wǎng)絡(luò)，使用DCGAN 增廣樣本能大幅提高其模型的識別準(zhǔn)確率，準(zhǔn)確率達(dá)到了98.5%，與原始訓(xùn)練樣本集相比，識別準(zhǔn)確率提高了7%。不僅如此，原始ResNet 的識別率也因使用了增廣后的樣本集而得到提升，驗(yàn)證了DCGAN 數(shù)據(jù)增廣的有效性。

Table 2 Recognition accuracy before and after data augmentation表2 增廣樣本前后的識別準(zhǔn)確率

3.2.2 簡化殘差網(wǎng)絡(luò)識別結(jié)果及分析

利用增廣訓(xùn)練樣本集分別對簡化后的殘差網(wǎng)絡(luò)以及原始ResNet 進(jìn)行訓(xùn)練，采用Adam 優(yōu)化器，初始學(xué)習(xí)率設(shè)為0.0001，最后使用測試樣本集測試。兩個(gè)模型的識別混淆矩陣如圖9所示。

Fig.9 Confusion matrix of the two models圖9 兩種模型的混淆矩陣

從圖9 可知，簡化后的殘差網(wǎng)絡(luò)對爬電和氣隙兩種絕緣缺陷的識別率達(dá)到了100%，與原始ResNet 相比，簡化后的殘差網(wǎng)絡(luò)提升了對劃痕和污穢兩種缺陷的識別率，分別提升了12.0%和6.0%。兩種網(wǎng)絡(luò)模型都容易將污穢缺陷誤判為劃痕缺陷，可能是由于這兩種缺陷的局部放電灰度圖相似度較高，導(dǎo)致模型誤判。

在訓(xùn)練速度上，簡化后的殘差網(wǎng)絡(luò)比原始ResNet 更具優(yōu)勢，兩種模型的迭代速度如圖10 所示。兩種模型在首次迭代時(shí)所需的時(shí)間最長，且都呈現(xiàn)遞減趨勢。隨著迭代次數(shù)的增加，每次迭代所需的時(shí)間趨于穩(wěn)定。原始ResNet的平均迭代時(shí)間為86.5s，而結(jié)構(gòu)簡化的ResNet 的平均迭代時(shí)間僅為7.3s。這是由于簡化的ResNet 僅含3 個(gè)殘差模塊，減少了模型訓(xùn)練參數(shù)，因此減少了模型的迭代時(shí)間。

3.2.3 與經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型的對比分析

Fig.10 The training speed of the two models圖10 兩種模型的訓(xùn)練速度

為驗(yàn)證文中所提方法在電纜局部放電模式識別中的識別性能，搭建AlexNet、VGG-Net、GoogLeNet、ResNet 等具有代表性的深度卷積網(wǎng)絡(luò)模型作橫向?qū)Ρ?。其中，AlexNet模型由5 層卷積層和3 層全連接組成；VGG 模型采用VGG-16結(jié)構(gòu)，使用3 × 3的卷積核；搭建的GoogLeNet 模型為22 層，由2 個(gè)輔助輸出模塊和一個(gè)輸出模塊組成；ResNet 采用ResNet-18 結(jié)構(gòu)。四種模型均使用增廣后的訓(xùn)練樣本集訓(xùn)練，各模型的識別準(zhǔn)確率如圖11 所示。實(shí)驗(yàn)結(jié)果表明，簡化后的殘差網(wǎng)絡(luò)對PRPD 灰度圖的識別準(zhǔn)確率明顯優(yōu)于其他網(wǎng)絡(luò)模型。由于VGG-Net 模型結(jié)構(gòu)復(fù)雜，需訓(xùn)練的參數(shù)較多，導(dǎo)致其識別準(zhǔn)確率較低，僅為79.5%。

Fig.11 The recognition accuracy of different network models圖11 不同網(wǎng)絡(luò)模型的識別準(zhǔn)確率

4 結(jié)語

針對電纜PRPD 灰度圖樣本數(shù)目與深度殘差網(wǎng)絡(luò)結(jié)構(gòu)不匹配的問題，提出了一種少樣本條件下的電纜局部放電模式識別方法。在數(shù)據(jù)增廣方面，文中通過深度卷積生成對抗網(wǎng)絡(luò)將PRPD 灰度圖的樣本數(shù)目擴(kuò)充了一倍，之后提取生成樣本與真實(shí)樣本的盒維數(shù)，并從特征相似性的角度評估了DCGAN 生成樣本的質(zhì)量。在模型簡化方面，從殘差模塊和網(wǎng)絡(luò)深度兩個(gè)角度對原始?xì)埐罹W(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行簡化，最終設(shè)計(jì)了一種具有3 個(gè)殘差模塊的網(wǎng)絡(luò)模型。實(shí)驗(yàn)結(jié)果顯示，簡化后的殘差網(wǎng)絡(luò)模型的訓(xùn)練速度更快，在PRPD 灰度圖樣本集上的識別準(zhǔn)確率達(dá)到了98.5%，相比原始?xì)埐罹W(wǎng)絡(luò)模型提高了5.5%。然而，文中僅對實(shí)驗(yàn)室條件下的4 種典型絕緣缺陷進(jìn)行了有效識別，對于電纜現(xiàn)場各類故障的適用性仍需進(jìn)一步研究。