基于改进残差网络的电缆终端缺陷识别方法

2023-11-23焦京海李杰

电气传动 2023年11期

焦京海，李杰

（1.中车青岛四方机车车辆股份有限公司，山东青岛 266000；2.西南交通大学电气工程学院，四川成都 611756）

动车组乙丙橡胶（ethylene propylene rubber，EPR）电缆是机车电能传输的重要设备[1]，但目前车载电缆终端由人工制作与安装，受限于制作工艺，绝缘层常常存在各种细微缺陷。随着服役里程的增长，缺陷位置容易引发局部放电，使得绝缘劣化，最终导致击穿爆炸事故[2]。因此，研究车载电缆终端缺陷的智能识别，对保障动车组的安全运行具有重要意义。

目前，基于局部放电信号对电气设备进行缺陷识别的方法得到了广泛应用，其数据源通常分为相位分辨的局部放电（phase resolved partial discharge，PRPD）谱图[1]或局放脉冲信号[3]。考虑到我国铁路在线监测技术还未成熟，现场测试时间较短，实际采集到的局部放电数据量十分有限，而PRPD 谱图是将局部放电量在相位坐标系上进行叠加，需要一定数量的局放信号才能区分不同缺陷，因此在小样本条件下不便于进行缺陷诊断。此时考虑采用局部放电脉冲信号，结合数据分析处理方法对设备缺陷进行识别更加有效。

现有基于局放脉冲信号的缺陷检测方法，通常先采用变分模态分解[4]、小波包分解[5]等信号分析手段做预处理，再利用神经网络模型实现缺陷分类。文献[6]基于小波时频变换对局放信号进行处理，利用方向梯度直方图算法实现变压器不同类型局部放电的模式识别；文献[7]基于线性判别分析进行数据降维，在低维样本空间中结合概率神经网络对气体绝缘全封闭组合电器的不同故障进行识别；文献[8]基于卷积神经网络对不同缺陷的直流交联聚乙烯电缆局放脉冲信号进行了缺陷识别。上述研究虽然取得了较好的应用效果，但模型的训练往往需要海量数据[9]，而目前动车组电缆局放训练数据较为匮乏，若将局部放电脉冲信号输入识别网络，将使网络出现梯度弥散的问题，提取的分类特征不充分，模型出现过拟合[10]。

针对上述问题，本文制作了含4 类典型缺陷的EPR 电缆试样并采集局放脉冲信号，利用格拉姆角场（Gramian angular field，GAF）特征变换充分挖掘并可视化数据特征，增强数据的可区分性，再利用融合注意力机制和Center 损失函数的残差网络构建故障诊断模型，提升网络模型识别性能，实现小样本条件下的EPR 电缆终端缺陷的准确识别，为动车组电缆的科学运维提供指导。

1 试验设计

1.1 缺陷样品制作

为保证试验数据贴合实际工程背景，采用型号为QTO-J30G-25kV 的动车组车顶高压电缆，根据车载电缆附件现场检修统计结果，设计了4种典型的电缆终端内部缺陷，如图1所示。

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

考虑到局放脉冲信号具有分散性和随机性，每类缺陷均制作了4 根电缆试样。其中，各缺陷产生原因不同，制作时保持贴合实际情况。半导电残留是在外半导电层末端截断处未剥除平整而产生的三角倒刺；环切划伤是由于人工下刀力度过大，导致刀具穿透外半导电层在主绝缘表面留下的划痕，设置为宽1 mm、深0.5 mm 环状刀痕；气隙缺陷是由于应力管与主绝缘之间未严格贴合导致的空气缝隙，设置为长50 mm、宽0.5 mm、深1 mm 的矩形凹槽；金属缺陷是由于现场环境复杂，在主绝缘上随机粘附的金属微粒。

1.2 试验平台搭建及数据采集

搭建的电缆终端局部放电检测平台如图2所示，试验设置在环境噪声保持为5 pC 以下的高压屏蔽室内开展。其中，试验变压器容量为10 kV·A；高压电阻的阻值为400 MΩ；分压器的分压比为1 000∶1；耦合电容的电容值为1 000 pF；MPD600为局放检测系统；CPL542 为系统的检测阻抗；MCU502 为信号处理单元，用于传输局放信号至PC终端做进一步的数据处理。

图2 局部放电试验平台Fig.2 Partial discharge test platform

参考相关标准[11]开展试验，局部放电采样频率设置为1 kHz。由于局部放电信号具有一定的分散性，本文对每根故障电缆样品均进行3次局放信号采集，并将每个完整的局放信号依次截取为15段由800个采样点组成的脉冲信号。以其中某段局放脉冲信号为例，其放电时序波形如图3所示。

图3 局放脉冲信号Fig.3 Partial discharge pulse signal

2 诊断方法

2.1 特征变换

本文首先采用GAF 对车载EPR 电缆终端的局部放电脉冲信号做预处理，增强数据分类特征，以便于后续的图像识别训练。GAF 是一种将一维序列编码转换为二维图谱的特征变换方法[12]，具体步骤如下：

1）对每个时刻的局放脉冲数据进行归一化：

2）使用极坐标系表征归一化后节点信号幅值数据：

其中

3）对极坐标系下不同节点幅值数据进行三角变换，表达式为

式中：⊕为内积运算。

若采用两角和的余弦函数计算节点的内积，即为格拉姆角和场（Gramian angular summation field，GASF），若采用正弦函数则为格拉姆角差场（Gramian angular difference field，GADF）。

为了更好地表征局放时序信号包含的拓扑信息，增强不同缺陷间的可区分性，本文结合GASF和GADF在不同区间的单调特性，提出改进的格拉姆角场（improved Gramian angular field，IGAF）特征变换，上三角元素采用余弦函数表征相对关系，由于余弦值在区间[π/2，π]单调递减，表明不同节点的相对关系大小随φi（t）值的增大而减弱；下三角元素采用正弦函数，由于正弦值在区间[0，π/2]单调递增，表明不同节点的相对关系随φi（t）值的增大而增强。运算如下式所示：

利用IGAF 将局部放电脉冲信号转换为二维特征图像，结果如图4所示。

图4 典型缺陷下的拓扑特征图像Fig.4 Topological feature images of typical defects

2.2 识别模型

2.2.1 残差网络

综合考虑网络复杂度、计算量及特征提取能力，本文基础模型选择残差网络中识别性能较好的ResNet101[13]，其核心是引入了残差模块解决网络深度增加导致的训练退化问题。其网络结构如图5所示，由一系列的Bottleneck 块堆积组成，每个Bottleneck 块包含残差部分与直接映射部分。输入图像经过预处理后尺寸统一为224×224×3，首先通过卷积、池化层使输入通道数适应Bottleneck 块的规格，用33 个Bottleneck 块完成特征提取，再经过relu激活函数和平均池化层，最后经全连接层实现类别判定。

图5 ResNet101模型Fig.5 ResNet101 model

2.2.2 改进残差模块

残差块的引入能够较好地解决梯度弥散的问题，提高网络模型性能，但是特征提取仍受到拓扑图像对比度低、纹理复杂等因素的影响。为此，本文提出改进的残差网络单元，如图6所示。在残差单元的最后一个卷积之前引入通道注意力（efficient channel attention，ECA）[14]机制，对特征图中不同通道缺陷分类目标响应程度的依赖特性进行建模，根据响应程度的不同，不断调整特征图，计算和分配各通道权重。较高权重表示响应程度高，即特征图与识别目标相似；较低权重表示响应程度低，即特征图与识别目标差距较大。ECA 模块首先利用全局均值池化对输入特征图的尺寸进行压缩，然后通过卷积实现局部特征之间的跨通道交互，最后采用Sigmoid 函数获取各通道的权重。其中，局部特征跨通道交互的范围由卷积核k决定，大小由下式自适应确定：

图6 融合注意力机制的残差单元Fig.6 Residual unit that incorporates the attentional mechanism

式中：|t|odd为距离t最近的奇数；C为特征通道的数量；γ，b分别取2和1。

通过自适应校准不同通道之间的响应，模型学习到每个特征通道的重要程度，并增强那些有利于缺陷分类的特征权重值。在改进残差单元的最后，采用一个卷积充分学习ECA 模块捕捉到的拓扑图像特征，最大限度发挥注意力模块的作用，提升网络模型对电缆终端缺陷的分类能力。

2.2.3 融合损失函数

由于不同缺陷的局放信号本身较为相似，若采用残差网络本身的Softmax损失函数，模型对局部放电所对应缺陷类别的分类准确率较低。为了进一步提高网络模型的缺陷识别能力，本文利用Center辅助损失函数具有增大类特征间距的特点，在网络的损失层融合了Softmax Loss 与Center Loss 两种损失函数，增强训练模型对不同缺陷的分类能力。融合损失函数计算如下式所示：

式中：log 函数的自变量为xi属于类别yi的概率；Wx+b为全连接层的映射输出；m为训练批次的尺寸；n为缺陷类别数；λ为两个损失函数的占比分配权重，经多次试验对比后取0.2；xi为全连接层之前学习到的分类特征；cyi为第yi个缺陷的特征中心。

2.3 电缆终端故障诊断框架

基于改进残差网络的电缆终端故障诊断方法如图7所示，首先采集含不同缺陷的EPR 电缆终端局部放电脉冲信号，然后采用IGAF 做特征变换，建立不同缺陷的二维拓扑特征图像数据集，再利用改进残差网络模型进行训练，最后应用训练好的网络模型对电缆终端进行故障诊断，自动识别局部放电对应的缺陷类型。

图7 故障诊断框架Fig.7 Fault diagnosis framework

3 试验结果与分析

3.1 网络训练与分析

选取残差网络中的ResNet101 模型作为训练网络并根据2.2 节内容进行改进后，采用迁移学习策略进行训练，选择经典数据集ImageNet 作为本文模型的源域，冻结部分层的权重，对剩余网络层参数进行微调。考虑到模型最初几层网络用于捕获线条等基本图像元素，这种泛性特征适用于IGAF 预处理后的图像，因此本文保留预训练模型的前10层网络参数，并用两个节点数分别为1 024 和4 的全连接层进行替代原ResNet101最后的全局平均池化层及全连接层，实现本文车载电缆终端4 种缺陷的分类。模型装配时采用Adam 优化器和Accuracy 精确度。模型训练过程的准确率与损失值变化情况如图8所示。由图8可知，随着训练轮数的增加，网络的准确率逐渐提高至95%以上，损失值则不断减小并趋于稳定，模型在第10个训练轮次便达到收敛。

图8 训练准确率与损失值Fig.8 Training accuracy and loss value

模型的测试结果如图9所示，标签1，2，3，4分别对应半导电残留、环切、气隙和金属碎屑4种缺陷，由混淆矩阵可知，对于112张不同电缆终端缺陷的局放信号测试图像，本文方法的识别准确率达到了97.3%，仅存在3个误判缺陷图像。

图9 测试集的混淆矩阵Fig.9 The confusion matrix of the test set

3.2 不同网络模型对比

为探究不同网络模型对本文数据集的识别能力与分类效果，针对IGAF 处理后的不同缺陷电缆局部放电二维拓扑图像数据，另外更换了3种常用的卷积神经网络模型进行训练，包括VGG19，DenseNet 和MobileNet，迁移学习的源域和微调参数保持不变，所有模型的训练损失值与准确率变化情况如图10所示。由图10可知，4 种网络模型均在较少训练轮次下完成了收敛，对比各网络训练损失值及准确率变化情况，VGG19在较少的训练轮数下达到稳定，但其训练准确率较低；DenseNet训练效果较好，但模型收敛速度仍然较慢；本文模型在收敛速度及训练准确率两方面都优于其余3个网络模型，且变化曲线更为平滑。

图10 不同网络模型的训练结果对比Fig.10 Comparison of training results of different network models

3.3 与传统方法对比结果

为了表明本文所提方法的优越性，针对本文在第1 节获取的4 种缺陷下的局部放电脉冲信号数据，采用几种传统局放缺陷识别方法与本文所提方法进行对比研究。

其中，第一种方法[15]是直接基于局部放电脉冲时序信号，使用离散小波变换（discrete wavelet transform，DWT）提取分类特征，再使用支持向量机（support vector machines，SVM）进行缺陷识别，记为DWT-SVM；PRPD-ResNet方法则是将脉冲信号转为局部放电相位谱图，直接利用ResNet101 网络模型进行训练和分类；IGAF-改进ResNet 方法则是基于本文所提的改进GAF 做特征变换，然后采用文中加入注意力机制与Center损失函数的深度残差网络进行识别。3 种方法对测试集的识别结果如表1所示，由表1 可知，本文方法相比于其他两种常用的传统方法平均识别准确率更高，而且对不同缺陷的识别均衡性更好。