焦京海，李杰

（1.中車青島四方機(jī)車車輛股份有限公司，山東 青島 266000；2.西南交通大學(xué)電氣工程學(xué)院，四川 成都 611756）

動(dòng)車組乙丙橡膠（ethylene propylene rubber，EPR）電纜是機(jī)車電能傳輸?shù)闹匾O(shè)備[1]，但目前車載電纜終端由人工制作與安裝，受限于制作工藝，絕緣層常常存在各種細(xì)微缺陷。隨著服役里程的增長(zhǎng)，缺陷位置容易引發(fā)局部放電，使得絕緣劣化，最終導(dǎo)致?lián)舸┍ㄊ鹿蔥2]。因此，研究車載電纜終端缺陷的智能識(shí)別，對(duì)保障動(dòng)車組的安全運(yùn)行具有重要意義。

目前，基于局部放電信號(hào)對(duì)電氣設(shè)備進(jìn)行缺陷識(shí)別的方法得到了廣泛應(yīng)用，其數(shù)據(jù)源通常分為相位分辨的局部放電（phase resolved partial discharge，PRPD）譜圖[1]或局放脈沖信號(hào)[3]?？紤]到我國(guó)鐵路在線監(jiān)測(cè)技術(shù)還未成熟，現(xiàn)場(chǎng)測(cè)試時(shí)間較短，實(shí)際采集到的局部放電數(shù)據(jù)量十分有限，而PRPD 譜圖是將局部放電量在相位坐標(biāo)系上進(jìn)行疊加，需要一定數(shù)量的局放信號(hào)才能區(qū)分不同缺陷，因此在小樣本條件下不便于進(jìn)行缺陷診斷。此時(shí)考慮采用局部放電脈沖信號(hào)，結(jié)合數(shù)據(jù)分析處理方法對(duì)設(shè)備缺陷進(jìn)行識(shí)別更加有效。

現(xiàn)有基于局放脈沖信號(hào)的缺陷檢測(cè)方法，通常先采用變分模態(tài)分解[4]、小波包分解[5]等信號(hào)分析手段做預(yù)處理，再利用神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)缺陷分類。文獻(xiàn)[6]基于小波時(shí)頻變換對(duì)局放信號(hào)進(jìn)行處理，利用方向梯度直方圖算法實(shí)現(xiàn)變壓器不同類型局部放電的模式識(shí)別；文獻(xiàn)[7]基于線性判別分析進(jìn)行數(shù)據(jù)降維，在低維樣本空間中結(jié)合概率神經(jīng)網(wǎng)絡(luò)對(duì)氣體絕緣全封閉組合電器的不同故障進(jìn)行識(shí)別；文獻(xiàn)[8]基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)不同缺陷的直流交聯(lián)聚乙烯電纜局放脈沖信號(hào)進(jìn)行了缺陷識(shí)別。上述研究雖然取得了較好的應(yīng)用效果，但模型的訓(xùn)練往往需要海量數(shù)據(jù)[9]，而目前動(dòng)車組電纜局放訓(xùn)練數(shù)據(jù)較為匱乏，若將局部放電脈沖信號(hào)輸入識(shí)別網(wǎng)絡(luò)，將使網(wǎng)絡(luò)出現(xiàn)梯度彌散的問題，提取的分類特征不充分，模型出現(xiàn)過擬合[10]。

針對(duì)上述問題，本文制作了含4 類典型缺陷的EPR 電纜試樣并采集局放脈沖信號(hào)，利用格拉姆角場(chǎng)（Gramian angular field，GAF）特征變換充分挖掘并可視化數(shù)據(jù)特征，增強(qiáng)數(shù)據(jù)的可區(qū)分性，再利用融合注意力機(jī)制和Center 損失函數(shù)的殘差網(wǎng)絡(luò)構(gòu)建故障診斷模型，提升網(wǎng)絡(luò)模型識(shí)別性能，實(shí)現(xiàn)小樣本條件下的EPR 電纜終端缺陷的準(zhǔn)確識(shí)別，為動(dòng)車組電纜的科學(xué)運(yùn)維提供指導(dǎo)。

1 試驗(yàn)設(shè)計(jì)

1.1 缺陷樣品制作

為保證試驗(yàn)數(shù)據(jù)貼合實(shí)際工程背景，采用型號(hào)為QTO-J30G-25kV 的動(dòng)車組車頂高壓電纜，根據(jù)車載電纜附件現(xiàn)場(chǎng)檢修統(tǒng)計(jì)結(jié)果，設(shè)計(jì)了4種典型的電纜終端內(nèi)部缺陷，如圖1所示。

圖1 典型缺陷制作Fig.1 Typical defect fabrication

考慮到局放脈沖信號(hào)具有分散性和隨機(jī)性，每類缺陷均制作了4 根電纜試樣。其中，各缺陷產(chǎn)生原因不同，制作時(shí)保持貼合實(shí)際情況。半導(dǎo)電殘留是在外半導(dǎo)電層末端截?cái)嗵幬磩兂秸a(chǎn)生的三角倒刺；環(huán)切劃傷是由于人工下刀力度過大，導(dǎo)致刀具穿透外半導(dǎo)電層在主絕緣表面留下的劃痕，設(shè)置為寬1 mm、深0.5 mm 環(huán)狀刀痕；氣隙缺陷是由于應(yīng)力管與主絕緣之間未嚴(yán)格貼合導(dǎo)致的空氣縫隙，設(shè)置為長(zhǎng)50 mm、寬0.5 mm、深1 mm 的矩形凹槽；金屬缺陷是由于現(xiàn)場(chǎng)環(huán)境復(fù)雜，在主絕緣上隨機(jī)粘附的金屬微粒。

1.2 試驗(yàn)平臺(tái)搭建及數(shù)據(jù)采集

搭建的電纜終端局部放電檢測(cè)平臺(tái)如圖2所示，試驗(yàn)設(shè)置在環(huán)境噪聲保持為5 pC 以下的高壓屏蔽室內(nèi)開展。其中，試驗(yàn)變壓器容量為10 kV·A；高壓電阻的阻值為400 MΩ；分壓器的分壓比為1 000∶1；耦合電容的電容值為1 000 pF；MPD600為局放檢測(cè)系統(tǒng)；CPL542 為系統(tǒng)的檢測(cè)阻抗；MCU502 為信號(hào)處理單元，用于傳輸局放信號(hào)至PC終端做進(jìn)一步的數(shù)據(jù)處理。

圖2 局部放電試驗(yàn)平臺(tái)Fig.2 Partial discharge test platform

參考相關(guān)標(biāo)準(zhǔn)[11]開展試驗(yàn)，局部放電采樣頻率設(shè)置為1 kHz。由于局部放電信號(hào)具有一定的分散性，本文對(duì)每根故障電纜樣品均進(jìn)行3次局放信號(hào)采集，并將每個(gè)完整的局放信號(hào)依次截取為15段由800個(gè)采樣點(diǎn)組成的脈沖信號(hào)。以其中某段局放脈沖信號(hào)為例，其放電時(shí)序波形如圖3所示。

圖3 局放脈沖信號(hào)Fig.3 Partial discharge pulse signal

2 診斷方法

2.1 特征變換

本文首先采用GAF 對(duì)車載EPR 電纜終端的局部放電脈沖信號(hào)做預(yù)處理，增強(qiáng)數(shù)據(jù)分類特征，以便于后續(xù)的圖像識(shí)別訓(xùn)練。GAF 是一種將一維序列編碼轉(zhuǎn)換為二維圖譜的特征變換方法[12]，具體步驟如下：

1）對(duì)每個(gè)時(shí)刻的局放脈沖數(shù)據(jù)進(jìn)行歸一化：

2）使用極坐標(biāo)系表征歸一化后節(jié)點(diǎn)信號(hào)幅值數(shù)據(jù)：

其中

3）對(duì)極坐標(biāo)系下不同節(jié)點(diǎn)幅值數(shù)據(jù)進(jìn)行三角變換，表達(dá)式為

式中：⊕為內(nèi)積運(yùn)算。

若采用兩角和的余弦函數(shù)計(jì)算節(jié)點(diǎn)的內(nèi)積，即為格拉姆角和場(chǎng)（Gramian angular summation field，GASF），若采用正弦函數(shù)則為格拉姆角差場(chǎng)（Gramian angular difference field，GADF）。

為了更好地表征局放時(shí)序信號(hào)包含的拓?fù)湫畔?，增?qiáng)不同缺陷間的可區(qū)分性，本文結(jié)合GASF和GADF在不同區(qū)間的單調(diào)特性，提出改進(jìn)的格拉姆角場(chǎng)（improved Gramian angular field，IGAF）特征變換，上三角元素采用余弦函數(shù)表征相對(duì)關(guān)系，由于余弦值在區(qū)間[π/2，π]單調(diào)遞減，表明不同節(jié)點(diǎn)的相對(duì)關(guān)系大小隨φi（t）值的增大而減弱；下三角元素采用正弦函數(shù)，由于正弦值在區(qū)間[0，π/2]單調(diào)遞增，表明不同節(jié)點(diǎn)的相對(duì)關(guān)系隨φi（t）值的增大而增強(qiáng)。運(yùn)算如下式所示：

利用IGAF 將局部放電脈沖信號(hào)轉(zhuǎn)換為二維特征圖像，結(jié)果如圖4所示。

圖4 典型缺陷下的拓?fù)涮卣鲌D像Fig.4 Topological feature images of typical defects

2.2 識(shí)別模型

2.2.1 殘差網(wǎng)絡(luò)

綜合考慮網(wǎng)絡(luò)復(fù)雜度、計(jì)算量及特征提取能力，本文基礎(chǔ)模型選擇殘差網(wǎng)絡(luò)中識(shí)別性能較好的ResNet101[13]，其核心是引入了殘差模塊解決網(wǎng)絡(luò)深度增加導(dǎo)致的訓(xùn)練退化問題。其網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示，由一系列的Bottleneck 塊堆積組成，每個(gè)Bottleneck 塊包含殘差部分與直接映射部分。輸入圖像經(jīng)過預(yù)處理后尺寸統(tǒng)一為224×224×3，首先通過卷積、池化層使輸入通道數(shù)適應(yīng)Bottleneck 塊的規(guī)格，用33 個(gè)Bottleneck 塊完成特征提取，再經(jīng)過relu激活函數(shù)和平均池化層，最后經(jīng)全連接層實(shí)現(xiàn)類別判定。

圖5 ResNet101模型Fig.5 ResNet101 model

2.2.2 改進(jìn)殘差模塊

殘差塊的引入能夠較好地解決梯度彌散的問題，提高網(wǎng)絡(luò)模型性能，但是特征提取仍受到拓?fù)鋱D像對(duì)比度低、紋理復(fù)雜等因素的影響。為此，本文提出改進(jìn)的殘差網(wǎng)絡(luò)單元，如圖6所示。在殘差單元的最后一個(gè)卷積之前引入通道注意力（efficient channel attention，ECA）[14]機(jī)制，對(duì)特征圖中不同通道缺陷分類目標(biāo)響應(yīng)程度的依賴特性進(jìn)行建模，根據(jù)響應(yīng)程度的不同，不斷調(diào)整特征圖，計(jì)算和分配各通道權(quán)重。較高權(quán)重表示響應(yīng)程度高，即特征圖與識(shí)別目標(biāo)相似；較低權(quán)重表示響應(yīng)程度低，即特征圖與識(shí)別目標(biāo)差距較大。ECA 模塊首先利用全局均值池化對(duì)輸入特征圖的尺寸進(jìn)行壓縮，然后通過卷積實(shí)現(xiàn)局部特征之間的跨通道交互，最后采用Sigmoid 函數(shù)獲取各通道的權(quán)重。其中，局部特征跨通道交互的范圍由卷積核k決定，大小由下式自適應(yīng)確定：

圖6 融合注意力機(jī)制的殘差單元Fig.6 Residual unit that incorporates the attentional mechanism

式中：|t|odd為距離t最近的奇數(shù)；C為特征通道的數(shù)量；γ，b分別取2和1。

通過自適應(yīng)校準(zhǔn)不同通道之間的響應(yīng)，模型學(xué)習(xí)到每個(gè)特征通道的重要程度，并增強(qiáng)那些有利于缺陷分類的特征權(quán)重值。在改進(jìn)殘差單元的最后，采用一個(gè)卷積充分學(xué)習(xí)ECA 模塊捕捉到的拓?fù)鋱D像特征，最大限度發(fā)揮注意力模塊的作用，提升網(wǎng)絡(luò)模型對(duì)電纜終端缺陷的分類能力。

2.2.3 融合損失函數(shù)

由于不同缺陷的局放信號(hào)本身較為相似，若采用殘差網(wǎng)絡(luò)本身的Softmax損失函數(shù)，模型對(duì)局部放電所對(duì)應(yīng)缺陷類別的分類準(zhǔn)確率較低。為了進(jìn)一步提高網(wǎng)絡(luò)模型的缺陷識(shí)別能力，本文利用Center輔助損失函數(shù)具有增大類特征間距的特點(diǎn)，在網(wǎng)絡(luò)的損失層融合了Softmax Loss 與Center Loss 兩種損失函數(shù)，增強(qiáng)訓(xùn)練模型對(duì)不同缺陷的分類能力。融合損失函數(shù)計(jì)算如下式所示：

式中：log 函數(shù)的自變量為xi屬于類別yi的概率；Wx+b為全連接層的映射輸出；m為訓(xùn)練批次的尺寸；n為缺陷類別數(shù)；λ為兩個(gè)損失函數(shù)的占比分配權(quán)重，經(jīng)多次試驗(yàn)對(duì)比后取0.2；xi為全連接層之前學(xué)習(xí)到的分類特征；cyi為第yi個(gè)缺陷的特征中心。

2.3 電纜終端故障診斷框架

基于改進(jìn)殘差網(wǎng)絡(luò)的電纜終端故障診斷方法如圖7所示，首先采集含不同缺陷的EPR 電纜終端局部放電脈沖信號(hào)，然后采用IGAF 做特征變換，建立不同缺陷的二維拓?fù)涮卣鲌D像數(shù)據(jù)集，再利用改進(jìn)殘差網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，最后應(yīng)用訓(xùn)練好的網(wǎng)絡(luò)模型對(duì)電纜終端進(jìn)行故障診斷，自動(dòng)識(shí)別局部放電對(duì)應(yīng)的缺陷類型。

圖7 故障診斷框架Fig.7 Fault diagnosis framework

3 試驗(yàn)結(jié)果與分析

3.1 網(wǎng)絡(luò)訓(xùn)練與分析

選取殘差網(wǎng)絡(luò)中的ResNet101 模型作為訓(xùn)練網(wǎng)絡(luò)并根據(jù)2.2 節(jié)內(nèi)容進(jìn)行改進(jìn)后，采用遷移學(xué)習(xí)策略進(jìn)行訓(xùn)練，選擇經(jīng)典數(shù)據(jù)集ImageNet 作為本文模型的源域，凍結(jié)部分層的權(quán)重，對(duì)剩余網(wǎng)絡(luò)層參數(shù)進(jìn)行微調(diào)?？紤]到模型最初幾層網(wǎng)絡(luò)用于捕獲線條等基本圖像元素，這種泛性特征適用于IGAF 預(yù)處理后的圖像，因此本文保留預(yù)訓(xùn)練模型的前10層網(wǎng)絡(luò)參數(shù)，并用兩個(gè)節(jié)點(diǎn)數(shù)分別為1 024 和4 的全連接層進(jìn)行替代原ResNet101最后的全局平均池化層及全連接層，實(shí)現(xiàn)本文車載電纜終端4 種缺陷的分類。模型裝配時(shí)采用Adam 優(yōu)化器和Accuracy 精確度。模型訓(xùn)練過程的準(zhǔn)確率與損失值變化情況如圖8所示。由圖8可知，隨著訓(xùn)練輪數(shù)的增加，網(wǎng)絡(luò)的準(zhǔn)確率逐漸提高至95%以上，損失值則不斷減小并趨于穩(wěn)定，模型在第10個(gè)訓(xùn)練輪次便達(dá)到收斂。

圖8 訓(xùn)練準(zhǔn)確率與損失值Fig.8 Training accuracy and loss value

模型的測(cè)試結(jié)果如圖9所示，標(biāo)簽1，2，3，4分別對(duì)應(yīng)半導(dǎo)電殘留、環(huán)切、氣隙和金屬碎屑4種缺陷，由混淆矩陣可知，對(duì)于112張不同電纜終端缺陷的局放信號(hào)測(cè)試圖像，本文方法的識(shí)別準(zhǔn)確率達(dá)到了97.3%，僅存在3個(gè)誤判缺陷圖像。

圖9 測(cè)試集的混淆矩陣Fig.9 The confusion matrix of the test set

3.2 不同網(wǎng)絡(luò)模型對(duì)比

為探究不同網(wǎng)絡(luò)模型對(duì)本文數(shù)據(jù)集的識(shí)別能力與分類效果，針對(duì)IGAF 處理后的不同缺陷電纜局部放電二維拓?fù)鋱D像數(shù)據(jù)，另外更換了3種常用的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，包括VGG19，DenseNet 和MobileNet，遷移學(xué)習(xí)的源域和微調(diào)參數(shù)保持不變，所有模型的訓(xùn)練損失值與準(zhǔn)確率變化情況如圖10所示。由圖10可知，4 種網(wǎng)絡(luò)模型均在較少訓(xùn)練輪次下完成了收斂，對(duì)比各網(wǎng)絡(luò)訓(xùn)練損失值及準(zhǔn)確率變化情況，VGG19在較少的訓(xùn)練輪數(shù)下達(dá)到穩(wěn)定，但其訓(xùn)練準(zhǔn)確率較低；DenseNet訓(xùn)練效果較好，但模型收斂速度仍然較慢；本文模型在收斂速度及訓(xùn)練準(zhǔn)確率兩方面都優(yōu)于其余3個(gè)網(wǎng)絡(luò)模型，且變化曲線更為平滑。

圖10 不同網(wǎng)絡(luò)模型的訓(xùn)練結(jié)果對(duì)比Fig.10 Comparison of training results of different network models

3.3 與傳統(tǒng)方法對(duì)比結(jié)果

為了表明本文所提方法的優(yōu)越性，針對(duì)本文在第1 節(jié)獲取的4 種缺陷下的局部放電脈沖信號(hào)數(shù)據(jù)，采用幾種傳統(tǒng)局放缺陷識(shí)別方法與本文所提方法進(jìn)行對(duì)比研究。

其中，第一種方法[15]是直接基于局部放電脈沖時(shí)序信號(hào)，使用離散小波變換（discrete wavelet transform，DWT）提取分類特征，再使用支持向量機(jī)（support vector machines，SVM）進(jìn)行缺陷識(shí)別，記為DWT-SVM；PRPD-ResNet方法則是將脈沖信號(hào)轉(zhuǎn)為局部放電相位譜圖，直接利用ResNet101 網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和分類；IGAF-改進(jìn)ResNet 方法則是基于本文所提的改進(jìn)GAF 做特征變換，然后采用文中加入注意力機(jī)制與Center損失函數(shù)的深度殘差網(wǎng)絡(luò)進(jìn)行識(shí)別。3 種方法對(duì)測(cè)試集的識(shí)別結(jié)果如表1所示，由表1 可知，本文方法相比于其他兩種常用的傳統(tǒng)方法平均識(shí)別準(zhǔn)確率更高，而且對(duì)不同缺陷的識(shí)別均衡性更好。

表1 識(shí)別準(zhǔn)確率對(duì)比Tab.1 Recognition accuracy comparison

4 結(jié)論

本文利用改進(jìn)格拉姆角場(chǎng)對(duì)局放脈沖信號(hào)進(jìn)行特征變換，結(jié)合加入注意力機(jī)制與Center 損失函數(shù)的殘差網(wǎng)絡(luò)模型，對(duì)車載EPR 電纜終端缺陷識(shí)別方法進(jìn)行了研究，研究結(jié)論如下：

1）利用改進(jìn)GAF 對(duì)不同缺陷電纜的局放脈沖信號(hào)做特征變換，得到相應(yīng)的二維拓?fù)涮卣鲌D像，有效增強(qiáng)了不同類別缺陷的可區(qū)分性，便于結(jié)合神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別分類；

2）采用改進(jìn)殘差網(wǎng)絡(luò)模型對(duì)電纜終端進(jìn)行缺陷識(shí)別的準(zhǔn)確率為97.3%；與常用的識(shí)別方法對(duì)比，所提方法的結(jié)合效果最佳，主要體現(xiàn)為模型平均準(zhǔn)確率更高、對(duì)各類缺陷的識(shí)別均衡性更好。