基于时频域融合和ECA-1DCNN的航空串联故障电弧检测

闫锋, 苏忠允

(1.中国民用航空飞行学院航空工程学院, 广汉 618307; 2.南京航空航天大学民航学院, 南京 211106)

随着航空技术与电力系统的不断发展和完善,依靠机械能、液压能、气压能等传统的多能源体制的飞机逐渐统一为电能体制的飞机[1],该类飞机广泛采用电力作动、起动/发电一体化、电除冰和电防冰等技术,已经受到了各国的重视。但随着电气化的程度的不断提高,航空导线将会更加密集,布局也会更加复杂,同时为了减轻总体质量,航空上使用的导线直径往往较小,飞行时处于长时间的震动环境下,固定框架内的导线发生磨损和接触不良的情况难免发生,此时极易诱发电弧故障。近几年影响较大的事件为2018年某航空公司飞机在运行时,风挡玻璃破裂,调差报告表明电弧放电产生的局部高温是导致该事件的主要原因[2]。

电弧故障可以分为串联电弧故障和并联电弧故障,其发生时都会产生大量的热、光、辐射等物理现象,存在火灾的风险。并联电弧故障在发生时回路电流会显著增大,容易检测,而串联电弧故障在发生时相当于回路中增加了一个线性时变电阻,导致故障发生时电流比正常情况小,隐蔽性强,不易检测,因此研究航空串联电弧故障的检测尤为关键。

目前国内外串联电弧故障检测方法的研究取得了一些研究成果。一些学者针对电弧进行仿真研究,主要包括 Cassie、Mayr和Schavemaker等[3-5]多种电弧数学模型,但由于电弧发生时情况复杂、变化迅速,畸变情况随机,难以对其进行准确的模拟。部分学者根据电弧发生时的电磁辐射物理现象进行检测,通过采集相关辐射信号进行故障电弧检测和诊断[6-9],此种方法适用于近场测量,但是实际情况下电弧发生的位置是随机的,传感器不能保证一定检测到电弧物理信号,并不适用于复杂电路系统。

目前国内外研究重点为通过检测电流信号进行故障电弧的检测。通过对正常电流信号和电弧故障时电流信号的时域、频域、时频域单一或多域分析,提取相关特征值,设置阈值或者引入机器学习方法,进行故障诊断。文献[10]使用改进自适应噪声的完备经验模态分解将电流信号分解为若干本征模态函数,然后进行特征提取与降维,最后利用支持向量机进行故障分类。文献[11]利用经验小波变换将信号分解6阶模态分量,提取多个熵特征与时域特征的同时并利用主成分分析进行降维,最后利用概率神经网络进行检测。文献[12]同时利用小波变换和经验模态分解进行处理,提取统计特征与熵特征,运用传统机器学习方法进行诊断。文献[13]利用改进经验小波变换进行分解,提取全频带能量熵特征、高频样本熵特征与低频统计特征,利用极限学习机算法进行诊断。文献[14]利用集合经验模态分解将信号分解为多个模态分量,计算其能量熵特征,利用相关算法优化的反向传播神经网络进行诊断研究。文献[15]利用小波分解后的能谱熵作为特征,设置阈值进行检测。文献[16]提取时、频域多个特征并进行主成分分析法降维,最后依靠支持向量机进行故障诊断。文献[17]从时、频域角度出发,分析特征值并设置阈值进行检测。文献[18]通过多种模态分解方法,对比不同负载,表明变分模态分解和局部均值分解对电弧电流信号分解具有良好适用性。其中阈值检测方法过于依靠专家经验与先验知识,小波变换与经验模态分解以及相关改进算法复合熵特征近几年被广泛应用,且取得了不错的效果,但是该方法计算量较大,实际应用起来较为困难。

目前,随着机器学习的不断发展,部分学者利用深度学习算法相关进行故障检测。文献[19]提取三维特征,利用卷积神经网络-长短期记忆网络(convolutional neural network-long short-term memory, CNN-LSTM)算法设计了5层网络进行故障检测。文献[20]利用改进AlexNet网络,设置5层卷积层进行故障诊断。文献[21]利用连续小波变换将信号转变为图像特征,利用深度残差收缩网络并加入注意力机制进行诊断研究。因此,将深度学习算法融入串联电弧的故障检测已成为一个重要研究方向,且取得了不错的成果。

为更好地实现对航空串联电弧故障的检测,现利用深度学习强大的分类识别能力,提出一种时频域信号输入与加入高效注意力机制(efficient channel attention, ECA)的一维卷积神经网络(one-dimensional convolutional neural network, 1DCNN)的航空串联电弧故障检测方法。搭建航空串联故障电弧实验平台,进行电弧实验与数据采集,分析频域包含的故障信息。将时域信号进行归一化处理,同时计算其频谱值,将时域与频域信息进行融合,作为检测模型的输入,相同类型负载故障设置为同一标签值。建立ECA-1DCNN故障电弧检测模块,利用1DCNN模块进行特征提取,ECA模块对其重要特征进行增强,无用信息进行抑制,将正常和故障情况进行分类。通过四折交叉验证方法进行验证,利用多个评价指标说明模型的有效性,并对比其他算法,说明特征频段选取与加入注意力机制的有效性。

1 电弧故障实验

1.1 实验平台搭建

首先根据SAE AS 5692[22]和UL 1699[23]相关标准搭建航空电弧实验平台,电路原理图如图1所示。实验平台由115 V/400 Hz交流电源、电弧发生装置、负载、示波器、电流探头等组成,如图2所示。

图1 电弧实验原理图

图2 电弧实验实物图

其中交流电源用来模拟典型航空供电类型;电弧发生装置通过拉弧式产生电弧,6 mm碳棒电极固定不动,6 mm尖头铜棒电极固定在由调节装置控制的移动滑块上,电弧由拉弧式产生,实验开始时,碳棒电极与铜棒电极紧密接触,然后通过控制铜棒与碳棒两电极距离,使空气被击穿,从而产生串联电弧;示波器通过电流探头测量并存储电流数据,输入到计算机进行后续处理,硬件设备主要参数如表1所示。

由于航空用电设备类型复杂,如风挡加温控制系统中的加热器为纯电阻负载,航空螺线管为电感负载,座椅为电容负载。因此实验中负载选择纯阻性负载、阻感性负载、阻容性负载3种主要负载,各负载类型与参数值如表2所示。

表2 负载参数值

表3 数据集构成

1.2 电弧波形结果分析

图3(a)、图3(b)分别为纯阻性负载正常运行和发生电弧时的归一化电流波形,可以明显看出电弧发生时具有明显的平肩部。

图3 纯阻性负载电流波形

2 特征频段提取与数据集介绍

2.1 FFT变换与频域分析

采样频率为50 kHz,正常信号与故障信号均保留5个整周期的数量进行后续计算。进行归一化操作,将值映射到[-1, 1],公式为

(1)

式(1)中:xscaled为归一化后数值;x为初始数值;xmax为该组数据最大值;xmin为该组数据的最小值。

进行快速傅里叶变换操作,对于一个大小为N×1 的采样信号x[n],其离散形式的表达式为

(2)

计算得到频谱值,图4分别是纯阻性负载正常与故障电弧时的频谱图像,其中对1 000～4 000 Hz区域进行放大得到子图。

图4 频谱图像

负载在正常运行时,高频分量成分较少;而电弧产生时,产生大量高频成分,其中主要集中在1 000～4 000 Hz,在3次谐波、5次谐波、7次谐波、9次谐波时具有显著变化。选择纯阻性负载20、50、100 Ω的正常和故障电流数据,分别计算多次谐波与基波比值,如图5所示,蓝色点为正常情况,红色点为电弧情况,从左到右依次为20、50、100 Ω的比值大小。

图5 谐波与基波比值

分析可知,频域中包含着大量的故障信息,为了提高检测精度,将0～4 000 Hz的频谱值与时域信号拼接组成神经网络模型的输入,进行训练与分类。数据集构成与标签值如表2所示,其中每一类负载正常和故障状态各200个数据集。

2.2 数据集介绍

负载为线性负载,正常工作状态下均为正弦波,归一化后仍为正弦波形,因此将所有的正常状态标签设置为0,故障状态分别为1、2、3。

3 算法原理与网络模型搭建

3.1 1DCNN网络

1DCNN即一维卷积神经网络,1DCNN也包括卷积层、激活层、池化层和全连接层等模块[24]。其中卷积层利用滑动窗口即一维卷积核对输入进行局部连接,从而捕捉序列中的特征,池化层则用于减小输出的尺寸以及提升模型的鲁棒性。通过交替使用这些模块来提取更抽象的特征表示,并且可以通过增加神经层的布局及权重参数数量,从而实现更复杂的特征建模,拥有学习高级特征和分类的能力。其分类任务的主要流程如图6所示。

图6 1DCNN主要流程

3.2 ECA网络

ECA[25]是在对挤压与激发网络(squeeze-and-excitation networks, SENet)的基础上进行改进得来,SENet适用于多通道的输入数据,对不同通道的权重进行计算,分配不同的重要程度,其通过全连接层对特征进行降维,不可避免的增加了模型复杂度和计算量,而ECA在SENet基础上进行改进,克服了模型性能与复杂度之间的矛盾。ECA模块结构如图7所示。

图7 ECA结构

首先进行全局平均池化操作(global average pooling, GAP)获取全局信息,其次进行一维卷积操作,其中一维卷积核大小k自适应计算得来,公式为

(3)

式(3)中:|t|odd为距离t最近的奇数;C为维度大小;b和γ为常数,取值分别为1和2。然后利用一维卷积生成权值,公式为

ω=σ[C1Dk(y)]

(4)

式(4)中:ω为通道权重;σ为Sigmoid函数;C1D为1D卷积;y为全局平均池化后的结果。

最后,将原始输入与权重进行点积运算获得具有注意力机制的特征。

3.3 电弧检测网络模型

使用两层1DCNN网络和两层ECA模块。防止梯度爆炸和消失现象,加入批规范化操作层(batch normalization,BN),其计算过程如下。

(5)

(6)

(7)

(8)

式中:xi∈X={x1,x2,…,xn}为处理前数据;yi为处理后数据;ε为大于0且接近于0的常数;γ、β为重构参数。

采取Adam优化算法,添加L2正则化,参数设置为0.000 1,提高模型的泛化能力,同时为了避免不同标签值对模型的影响,将标签值进行one-hot编码,因此使用分类交叉熵(categorical crossentropy)损失函数,其公式为

(9)

表4为航空串联故障电弧检测模型的主要结构,变量总数为50 250,图8为航空串联电弧检测方法流程图。

表4 故障检测模型结构

图8 航空串联电弧检测方法流程图

4 结果可视化与分析

为了说明模型的鲁棒性和泛化性能,进行三折交叉验证模型对不同数据集划分的准确性;引入混淆矩阵与接受者操作特征(receiver operating characteristic curve,ROC)曲线进行更全面的评估;设计对比试验,表明时频域融合方法与添加注意力层算法的优势。

4.1 K折交叉验证

K折交叉验证一般使用3、5或10折,总数据量为3 600,使用5折或10折验证难以保持样本数量的充足性,因此选取K=3。验证训练集、验证集和测试集的比例均为7∶2∶1,迭代次数为50次,批大小为28,如图9所示分别为每次交叉验证的验证集准确率和损失值。其测试集准确率与损失值如表5所示。

表5 测试集准确率与损失值

图9 交叉验证准确率与损失值

从图9中可以看出,对于3种不同测试集,准确率都达到97.5%以上,损失值降到了0.1以下,平均准确率达到了97.96%,平均损失值为0.078 6。

4.2 结果分析

为了更好地评估模型的优劣,随机取360个样本放入模型进行测试,求得每个类别的真阳率(true positive rate,TPR)和假阳率(false positive rate,FPR),其计算过程如式(22)、式(23)所示,ROC曲线如图10所示,混淆矩阵如图11所示。

(10)

图10 ROC曲线

图11 分类结果混淆矩阵

(11)

式中:TP(true positive)表示实际正,预测正的个数;FP(false positive)表示实际负,预测正的个数;TN(true negative)表示实际负,预测负的个数;FN(false negative)表示实际正,预测负的个数。

根据ROC曲线可以看出,曲线宏平均与微平均都达到了0.99以上,具有较好的分类性能,能够准确地识别到正常电流状态和阻感性负载电弧状态,识别率为1。

对混淆矩阵进行分析,正常状态识别率为100%,不会发生误判;纯阻性负载随机抽取了51个样本进行检测,有1个样本被错误识别为阻容性负载状态;阻感性负载全部识别正确;阻容性负载选择了55个负载,有3个被错误的识别,可以认为该检测模型具有较好的性能,对于故障与正常状态能够进行较为精准的识别。

4.3 不同模型比较

为了说明算法的优势,分别与时频域融合信号+1DCNN和时域信号+ECA-1DCNN进行对比,如图12和图13所示分别为两种算法的准确率与损失值变化情况,其中两种算法的1DCNN网络模型结构与本文模型提出的一致,均为两层卷积操作。同时输出时频域融合+ECA-1DCNN模型准确率与损失值变化情况进行对比,如图14所示。

图12 时频域融合+1DCNN

图13 时域信号+ECA-1DCNN

图14 时频域融合+ECA-1DCNN

可以看出,加入ECA网络后,模型收敛得更加快速与平稳,这是因为ECA网络可以更快速地注意到不同数据中更重要的特征;加入频域的相关特征后,对问题的识别率与准确率也有提高,说明本文模型提取特征频段是一种有效的处理方式。输出不同算法的测试集的准确率与损失值,如表6所示,对比两种算法,准确率分别提高了1.95%和1.68%,损失值分别降低了0.042 3和0.039 5。

表6 不同算法测试集准确率与损失值

全部计算在计算机(CPU I5-10400)完成,将训练好的模型进行保存,随机选取100个样本进行检测,平均检测时间为0.042 6 s,与其他算法的对比如表7所示,说明本文算法有较高精度,同时具有较快的检测速度,能够实现航空串联故障电弧的快速检测。

表7 不同算法计算时间

算法计算较快的首先原因在于本文模型网络层数较少,文献[18]设置网络层数为5层,同时长短时记忆网络(long short-term memory, LSTM)计算复杂度大于卷积神经网络,且本文模型选取两层1DCNN和两层ECA,参数量较少;其次在于采样率与周期数的设置,本文模型设置为50 kHz、5个周期,而文献[25]采样率设置为2.5 MHz、10个周期,单一样本数据量较大;而文献[26]计算结果较慢的原因在于前处理过程复杂,其中小波包分解层数大于30层。

5 结论

提出了一种基于时频域融合与ECA-1DCNN的航空串联故障电弧检测方法。通过进行多负载类型、多参数值进行故障电弧实验,采集电流信号,分析频谱图,得到特征频段在1 000～4 000 Hz,将频域与时域融合,输入模型,进行训练,最终平均准确率达到97.96%,单一检测时间平均为0.042 6 s,计算快速,给航空串联故障电弧检测装置的研究提供理论参考。