- 頭條西南交通大學科研人員提出高鐵車載電纜終端缺陷診斷的新方法2022-08-24 作者：周利軍、劉聰 等 | 來源：《電工技術學報》 | 點擊率：導語為解決高速動車組車載電纜健康狀況的智能化診斷受限于天窗期短的問題，西南交通大學電氣工程學院、云南電網有限責任公司電力科學研究院的研究人員周利軍、劉聰、權圣威、曹偉東、項恩新，在2022年第9期《電工技術學報》上撰文，提出一種基于點對稱（SDP）的乙丙橡膠電纜終端缺陷局部放電診斷方法。
高速鐵路動車組乙丙橡膠（Ethylene Propylene Rubber, EPR）電纜服役狀態極為重要。然而，車載電纜終端由人工制作、安裝，無法避免地會在終端處留有各種缺陷，缺陷處引發局部放電的事故頻發，甚至發生電纜終端擊穿事故。因此，對車載電纜終端缺陷進行有效診斷具有重要意義。
局部放電是使用最為廣泛的電纜缺陷測試手段之一。在利用局部放電信息判別電纜缺陷類型時，通常可憑借局部放電譜圖或局部放電脈沖信號兩種數據源。考慮到我國電氣化鐵路采用運行圖空隙檢修，留給局部放電測試的天窗期較短，導致現場采集局部放電數據量稀疏且匱乏。
由于局部放電譜圖反映的是一定時間段內局部放電量在相位上的疊加，若采集的數據點過少，將導致各缺陷間譜圖和分布區分不明顯，難以進行缺陷診斷分析。因此，直接采用局放脈沖時序信號進行分析更為合適。
基于局放脈沖的缺陷診斷，目前通常在信號分析的基礎上，通過變分模態分解、等效時頻熵、小波包分解等手段實現。以上技術雖已取得深入的研究，但是存在以下問題：
①上述信號仍舊為一維信號，直接將一維長數組導入識別網絡，不僅會降低網絡性能，減慢識別速度，使網絡陷入梯度彌散，而且會導致數據特征提取不充分；
②上述方法處理后的信號依舊是在直角坐標系下的時頻信號，由于局部放電脈沖信號的隨機性與非平穩性，僅對時頻域信號進行分析不足以完全反映缺陷特征，存在一定的局限性，同時信號間差異微小導致可視性較差，缺陷特征不直觀。
經調研發現，局部放電的脈沖時序信號與齒輪軸承等機械振動信號具有類似的特征，且點對稱（Symmetrized Dot Pattern, SDP）變換方法在振動信號問題的處理上取得了較好的效果。因此，SDP為局部放電信號的處理提供了一種新思路。
以往電氣設備故障診斷中常采用機器學習方法，但是研究與應用表明，傳統機器學習泛化性能差、缺乏自適應特征學習和學習深度不足等問題，導致無法適應復雜多變的現場和大數據的沖擊。近年來，深度學習在電氣設備智能診斷與識別方面獲得了重點關注與研究，深度學習取得了不錯的應用效果，更好地滿足了當下工程需求。
但是深度學習包含多種架構，常見的有卷積神經網絡（CNN）、棧式自編碼器（SAE）和深度置信網絡（DBN）等，針對具體的問題，不同架構的性能仍存在差異。
對此，為解決高速動車組車載電纜健康狀況的智能化診斷受限于天窗期短的問題，西南交通大學電氣工程學院、云南電網有限責任公司電力科學研究院的研究人員周利軍、劉聰、權圣威、曹偉東、項恩新，在2022年第9期《電工技術學報》上撰文，提出一種基于點對稱（SDP）的乙丙橡膠電纜終端缺陷局部放電診斷方法。
圖1 試驗平臺圖
研究人員首先搭建局部放電試驗平臺獲取局部放電信號，然后提出一種車載電纜局部放電信號的SDP參數確定方法，并基于SDP變換將不同類型缺陷局部放電信號映射到極坐標系中形成SDP圖像，增加了信號可視化能力，使深度學習算法能從其中提取更為豐富、深層的特征信息。最后，對比三種常見的深度學習網絡——卷積神經網絡（CNN）、棧式自編碼器（SAE）及深度置信網絡（DBN）提取不同類型缺陷的SDP圖像深層特征，并基于網絡尾端Softmax分類器進行識別。
圖2 電纜缺陷診斷框架
他們的研究結果表明，當τ =5，η=35°時，四種缺陷類型樣本的SDP差異最明顯，平均歸一化互相關系數為3.013，大大提高了不同狀態特征間的可區分度。另外，針對四種典型的電纜缺陷，DBN網絡與SDP圖像的結合效果最佳，缺陷識別率達到了96.1%，且模型迭代次數少、收斂速度快。
研究人員指出，相比于傳統缺陷診斷方法，該方法在相同的數據集條件下，明顯優于其他兩種方法，識別準確率提高了近10%左右，可有效應用于電纜缺陷診斷領域，具有較好的工程應用前景。
本文編自2022年第9期《電工技術學報》，論文標題為“基于點對稱變換的乙丙橡膠電纜終端缺陷診斷”。本課題得到了四川省科技計劃和廣東省基礎與應用基礎研究基金資助項目的支持。
