基于點(diǎn)對(duì)稱變換的乙丙橡膠電纜終端缺陷診斷

周利軍 劉 聰 權(quán)圣威 曹偉東 項(xiàng)恩新

（1. 西南交通大學(xué)電氣工程學(xué)院 成都 611756 2. 云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院 昆明 650217）

0 引言

高速鐵路動(dòng)車組乙丙橡膠（Ethylene Propylene Rubber, EPR）電纜服役狀態(tài)極為重要[1]。然而，車載電纜終端由人工制作、安裝，無(wú)法避免地會(huì)在終端處留有各種缺陷，缺陷處引發(fā)局部放電的事故頻發(fā)[2]，甚至發(fā)生電纜終端擊穿事故。因此，對(duì)車載電纜終端缺陷進(jìn)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(cè)試手段之一[3]。在利用局部放電信息判別電纜缺陷類型時(shí)，通?？蓱{借局部放電譜圖[4-5]或局部放電脈沖信號(hào)[6]兩種數(shù)據(jù)源?？紤]到我國(guó)電氣化鐵路采用運(yùn)行圖空隙檢修[7]，留給局部放電測(cè)試的天窗期較短，導(dǎo)致現(xiàn)場(chǎng)采集局部放電數(shù)據(jù)量稀疏且匱乏。由于局部放電譜圖反映的是一定時(shí)間段內(nèi)局部放電量在相位上的疊加，若采集的數(shù)據(jù)點(diǎn)過(guò)少，將導(dǎo)致各缺陷間譜圖和分布區(qū)分不明顯，難以進(jìn)行缺陷診斷分析。因此，直接采用局放脈沖時(shí)序信號(hào)進(jìn)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(hào)分析的基礎(chǔ)上，通過(guò)變分模態(tài)分解[8]、等效時(shí)頻熵[9]、小波包分解[10]等手段實(shí)現(xiàn)。以上技術(shù)雖已取得深入的研究，但是存在以下問(wèn)題：①上述信號(hào)仍舊為一維信號(hào)，直接將一維長(zhǎng)數(shù)組導(dǎo)入識(shí)別網(wǎng)絡(luò)，不僅會(huì)降低網(wǎng)絡(luò)性能，減慢識(shí)別速度，使網(wǎng)絡(luò)陷入梯度彌散，而且會(huì)導(dǎo)致數(shù)據(jù)特征提取不充分；②上述方法處理后的信號(hào)依舊是在直角坐標(biāo)系下的時(shí)頻信號(hào)，由于局部放電脈沖信號(hào)的隨機(jī)性與非平穩(wěn)性，僅對(duì)時(shí)頻域信號(hào)進(jìn)行分析不足以完全反映缺陷特征，存在一定的局限性，同時(shí)信號(hào)間差異微小導(dǎo)致可視性較差，缺陷特征不直觀。經(jīng)調(diào)研發(fā)現(xiàn)，局部放電的脈沖時(shí)序信號(hào)與齒輪軸承等機(jī)械振動(dòng)信號(hào)具有類似的特征，且點(diǎn)對(duì)稱（Symmetrized Dot Pattern, SDP）變換方法在振動(dòng)信號(hào)問(wèn)題的處理上取得了較好的效果[11-13]。因此，SDP為局部放電信號(hào)的處理提供了一種新思路，本文將探尋其在電纜終端缺陷診斷中的適用性。

以往電氣設(shè)備故障診斷中常采用機(jī)器學(xué)習(xí)方法[14-16]，但是研究與應(yīng)用表明，傳統(tǒng)機(jī)器學(xué)習(xí)泛化性能差、缺乏自適應(yīng)特征學(xué)習(xí)和學(xué)習(xí)深度不足等問(wèn)題，導(dǎo)致無(wú)法適應(yīng)復(fù)雜多變的現(xiàn)場(chǎng)和大數(shù)據(jù)的沖擊。近年來(lái)，深度學(xué)習(xí)在電氣設(shè)備智能診斷與識(shí)別方面獲得了重點(diǎn)關(guān)注與研究[5,17-18]，深度學(xué)習(xí)取得了不錯(cuò)的應(yīng)用效果，更好地滿足了當(dāng)下工程需求。但是深度學(xué)習(xí)包含多種架構(gòu)，常見(jiàn)的有卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks, CNN）、棧式自編碼器（Stacked AutoEncoders, SAE）和深度置信網(wǎng)絡(luò)（Deep Belief Network, DBN）等，針對(duì)具體的問(wèn)題，不同架構(gòu)的性能仍存在差異。

針對(duì)以上問(wèn)題，本文首先通過(guò)搭建試驗(yàn)平臺(tái)獲取放電信號(hào)；然后研究車載電纜局部放電信號(hào)的SDP參數(shù)確定方法，分析SDP方法處理局放信號(hào)的適用性，并將不同類型缺陷的局部放電信號(hào)進(jìn)行了SDP方法處理；最后將處理后的SDP圖像輸入典型架構(gòu)的深度學(xué)習(xí)網(wǎng)絡(luò)（CNN、SAE及DBN），對(duì)各類型網(wǎng)絡(luò)的性能進(jìn)行討論分析。

1 理論基礎(chǔ)

1.1 SDP變換基本原理

SDP方法是一種將標(biāo)準(zhǔn)化時(shí)間序列信號(hào)映射到極坐標(biāo)系中的信號(hào)轉(zhuǎn)換算法，生成的SDP圖像提高了缺陷的可視化能力，通過(guò)不同圖像的紋理反映了原始信號(hào)的頻率和幅度[19]。

SDP算法原理如下：對(duì)于一個(gè)時(shí)序信號(hào)x，xi是信號(hào)x的第i個(gè)采樣點(diǎn)的幅值，xi+τ是相鄰時(shí)間間隔τ之后信號(hào)x的第i+τ個(gè)采樣點(diǎn)的幅值。根據(jù)SDP原理，當(dāng)將時(shí)域信號(hào)點(diǎn)xi轉(zhuǎn)換為極坐標(biāo)空間S(r(i),θ(i),φ(i))時(shí)，極坐標(biāo)半徑r(i)由點(diǎn)xi映射，可以表示為

式中，xmax和xmin分別為時(shí)域信號(hào)x幅值的最大值和最小值。

關(guān)于鏡像對(duì)稱面沿逆時(shí)針和順時(shí)針?lè)较蛐D(zhuǎn)的角度θ(i)和φ(i)由相鄰的時(shí)間點(diǎn)xi+τ映射，可以用數(shù)學(xué)公式表示為

式中，τ為時(shí)間間隔因子，1≤τ≤10；η為繪圖的增益角度，η≤θl；θl為第l個(gè)鏡像對(duì)稱平面的角度，θl=360m/n（m=0,1,2,…,n-1，n為鏡像對(duì)稱平面數(shù)量，通常取6）[20]。θ(i)和φ(i)共同決定了SDP圖像的繪圖范圍。SDP算法的圖解原理如圖1所示。

1.2 SDP圖像特征

從以上SDP變換可以看出，SDP算法著重于在極坐標(biāo)系中確定點(diǎn)的位置，原始信號(hào)頻率或幅度之間的差異主要體現(xiàn)在SDP圖像點(diǎn)的分布和曲率 差異上。圖2給出了三個(gè)正弦信號(hào)（頻率分別為50Hz、100Hz、400Hz）和高斯白噪聲信號(hào)（均值為0，方差為1）的SDP圖像，參數(shù)設(shè)定為θl=60°，τ=5，η=45°。從圖2a~圖2c可以明顯地看出，SDP圖像點(diǎn)的分布和圖形曲率的不同直觀地反映了正弦信號(hào)頻率的變化；與圖2d相比，周期性信號(hào)與非周期性信號(hào)之間的差異也可以通過(guò)SDP圖像來(lái)區(qū)分。不同信號(hào)的SDP圖像直觀特征可總結(jié)為以下五個(gè)方面：①SDP圖像臂的曲率；②SDP圖像臂的厚度和形狀特征；③SDP圖像臂的幾何中心；④SDP圖案的點(diǎn)指向集中區(qū)域；⑤SDP圖案臂的回歸曲線的曲率。

圖1 點(diǎn)對(duì)稱變換 Fig.1 Symmetrized dot pattern transformation

圖2 仿真信號(hào)SDP圖像 Fig.2 SDP image of simulation signals

因此，可以通過(guò)使用極坐標(biāo)系SDP圖像以對(duì)稱圖形的形式呈現(xiàn)凹凸不平的信號(hào)來(lái)突出可能被忽略的形態(tài)特征，并且在本文中還將用于可視化缺陷局部放電信號(hào)。

1.3 SDP圖像參數(shù)的確定方法

為了更好地可視化電纜缺陷放電狀態(tài)，在生成SDP圖像時(shí)選擇最佳參數(shù)很重要。不同信號(hào)生成的SDP圖像之間的細(xì)微差異主要取決于參數(shù)η和τ，適當(dāng)?shù)摩呛挺涌梢杂行岣邎D形分辨率，并放大信號(hào)之間的差異，提高后續(xù)分類算法的識(shí)別準(zhǔn)確率。因此，本文采用一種典型的圖像評(píng)估指標(biāo)——?dú)w一化互相關(guān)系數(shù)來(lái)選擇最佳參數(shù)η和τ。首先，使用數(shù)字圖像處理方法將SDP模式轉(zhuǎn)換為數(shù)字矩陣，矩陣可以表示為

式中，（0,0）為像素坐標(biāo)的原點(diǎn)；（0,1）為從原點(diǎn)開(kāi)始的第一行和第二列的像素坐標(biāo)；（1,0）為從原點(diǎn)開(kāi)始的第二行和第一列的像素坐標(biāo)；f(x,y)為坐標(biāo)點(diǎn)（x,y）上的灰度值；m×n為圖像尺寸大小。對(duì)于兩個(gè)具有m×n尺寸的圖像，相關(guān)系數(shù)可以表示為

式中，Ai和Bj為對(duì)應(yīng)的圖像樣本；k為總圖像數(shù)。

2 實(shí)驗(yàn)設(shè)計(jì)

2.1 樣本制作

為貼近實(shí)際工程背景，文中制作的電纜樣本均取自CRH380A型動(dòng)車車頂高壓電纜（電纜型號(hào)為QTO-J30G-25kV）。需要指出的是，考慮到未有關(guān)于EPR電纜終端缺陷制作的技術(shù)標(biāo)準(zhǔn)，本文設(shè)計(jì)的局放試驗(yàn)中缺陷制作是參考相關(guān)文獻(xiàn)[21]和鐵路現(xiàn)場(chǎng)經(jīng)驗(yàn)，具體制作流程如下：

1）將EPR電纜截成長(zhǎng)度為1.5m短電纜樣本，從兩端剝除適當(dāng)長(zhǎng)度的外護(hù)套、阻水層、外半導(dǎo)電層，露出EPR主絕緣；截取端部絕緣7cm，露出纜芯。

2）在EPR主絕緣上制作四種常見(jiàn)的絕緣缺陷，分別是金屬顆粒、半導(dǎo)電層毛刺、環(huán)切劃傷和氣隙。為使放電效果明顯，將缺陷進(jìn)行夸張?jiān)O(shè)計(jì)，示意圖及實(shí)物圖如圖3所示。金屬顆粒的產(chǎn)生原因有兩種可能，一是殘留在EPR絕緣上的導(dǎo)電微粒，二是人工制作電纜終端易遺漏金屬碎屑在EPR絕緣上，其模擬過(guò)程為先在主絕緣上隨機(jī)撒下金屬銅屑，之后在金屬銅屑四周涂抹硅脂；半導(dǎo)電層毛刺是由于在去除外半導(dǎo)電層時(shí)，末端環(huán)切截?cái)嗵幉积R產(chǎn)生；環(huán)切劃傷通常是在去除外半導(dǎo)電層時(shí)，由于人工未控制好力度導(dǎo)致刀具透過(guò)截?cái)嗵幫獍雽?dǎo)電層在主絕緣上留下劃痕，其形狀設(shè)置為360°圓環(huán)狀、寬1mm、深0.5mm；氣隙缺陷用來(lái)模擬在熱縮終端的過(guò)程中，熱縮管與絕緣層之間未緊密貼合，出現(xiàn)縫隙，其形狀設(shè)置為 100mm× 0.5mm×1mm的矩形凹槽。

圖3 缺陷制作 Fig.3 Fault making

3）根據(jù)熱縮式終端制作流程，安裝電纜終端。其中，本文只在終端一側(cè)制作缺陷，目的是避免多源局部放電的影響。

由于局部放電具有隨機(jī)性和分散性，為保證數(shù)據(jù)的真實(shí)可靠，文中對(duì)同類型缺陷電纜樣本各制作五根，為方便后續(xù)算法輸入，對(duì)缺陷樣本進(jìn)行編號(hào)，見(jiàn)表1。

表1 樣本編號(hào) Tab.1 Sample number

2.2 試驗(yàn)平臺(tái)搭建

本文按照?qǐng)D4所示搭建的局部放電試驗(yàn)平臺(tái)對(duì)EPR試樣進(jìn)行局部放電測(cè)試。其中，試驗(yàn)變壓器為容量10kV·A的TQSW無(wú)局部放電試驗(yàn)變壓器；高壓電阻阻值為400MΩ；分壓器的分壓比為1 000:1；耦合電容為1 000pF；局部放電測(cè)試選用MPD600測(cè)試系統(tǒng)，基于脈沖電流法通過(guò)MPD 600和檢測(cè)阻抗CPL 542對(duì)局部放電信號(hào)進(jìn)行采集和轉(zhuǎn)換，并通過(guò)信號(hào)處理單元MCU 502將采集信號(hào)最終傳輸至計(jì)算機(jī)終端進(jìn)行分析。文中試驗(yàn)均在高壓屏蔽室內(nèi)進(jìn)行，試驗(yàn)過(guò)程中的背景噪聲保持在3pC以下，施加電壓大小為25kV。

圖4 試驗(yàn)平臺(tái)圖 Fig.4 Test platform

3 缺陷識(shí)別模型及分析

基于SDP圖像和深度學(xué)習(xí)網(wǎng)絡(luò)的動(dòng)車組電纜缺陷診斷具體框架如圖5所示。

3.1 數(shù)據(jù)采集和預(yù)處理

首先，建立第2節(jié)描述的局部放電試驗(yàn)平臺(tái)，分別對(duì)制作的四種帶有不同缺陷的電纜進(jìn)行局部放電測(cè)試，得到每種缺陷電纜的原始局部放電時(shí)域波形，如圖6所示，需要說(shuō)明的是，由于單次采集數(shù)據(jù)點(diǎn)過(guò)多，此處僅展示部分。將采集到的局部放電信號(hào)分段，每個(gè)樣本依次分割50段脈沖信號(hào)，每段脈沖信號(hào)長(zhǎng)度由2 000個(gè)采樣點(diǎn)組成，其中采樣頻率為1kHz?？紤]到不同樣本得到的局部放電結(jié)果具有分散性，每根電纜樣本做四次試驗(yàn)。因此，不同缺陷類型各自分別具有1 000個(gè)數(shù)據(jù)樣本。最后， 將每個(gè)數(shù)據(jù)樣本進(jìn)行歸一化處理。

圖5 基于SDP圖像和深度學(xué)習(xí)網(wǎng)絡(luò)的電纜缺陷診斷框架 Fig.5 Cable defect diagnosis framework based on SDP image and deep learning network

圖6 局部放電原始時(shí)域波形 Fig.6 Partial discharge original time domain waveforms

3.2 SDP分析與參數(shù)確定方法

為了研究在轉(zhuǎn)換車載電纜局部放電信號(hào)過(guò)程中SDP算法參數(shù)τ、η和θl的特性，本文以金屬顆粒缺陷電纜樣本生成的局部放電信號(hào)為例進(jìn)行分析。其中，參數(shù)θl一般設(shè)置為60°（n=6），則SDP圖像的鏡像對(duì)稱平面依次為0°、60°、120°、180°、240°和300°。參數(shù)τ設(shè)置為1、5和10，參數(shù)η設(shè)置為20°，35°和50°?；赟DP方法繪制，如圖7所示。從圖中可以看出，圖案沿初始線的旋轉(zhuǎn)角度隨著參數(shù)η的增加而逐漸增加。當(dāng)η=35°時(shí)，相鄰的兩對(duì)圖案開(kāi)始接觸；當(dāng)η=50°時(shí)，相鄰的兩對(duì)圖案幾乎完全交叉。而參數(shù)τ主要影響圖案點(diǎn)的集中程度，τ值在區(qū)間[1,10]變化時(shí)，圖案點(diǎn)的集中程度呈先變小后增大的趨勢(shì)，且當(dāng)η值較大時(shí)，這種關(guān)系更明顯。

當(dāng)兩個(gè)相鄰的SDP圖案的重疊面積較大時(shí)，一些細(xì)節(jié)被重疊掩藏，很難發(fā)現(xiàn)圖案的特征。如果圖案點(diǎn)的集中程度很高，同樣導(dǎo)致一部分細(xì)節(jié)無(wú)法呈現(xiàn)。這反映了對(duì)τ和η的選擇決定了圖案的差異程度，不同缺陷圖像之間的差異程度決定了后續(xù)深度學(xué)習(xí)識(shí)別的準(zhǔn)確率。因此，有必要根據(jù)所提出的方法來(lái)確定適當(dāng)?shù)膮?shù)。

具體可按照以下步驟，根據(jù)歸一化互相關(guān)系數(shù)來(lái)確定車載電纜局放信號(hào)的SDP參數(shù)：

圖7 基于SDP方法的金屬顆粒缺陷極坐標(biāo)圖 Fig.7 Polar map of metal particle defects based on SDP

1）在每種缺陷類型樣本中隨機(jī)抽取一個(gè)樣本。參數(shù)η的值為遍歷區(qū)間[20°, 50°]，步長(zhǎng)為5°，參數(shù)τ的值為遍歷區(qū)間[1,10]，步長(zhǎng)為1。參數(shù)η和τ的所有組合都將應(yīng)用于生成SDP圖像。

2）所有局放信號(hào)的SDP圖像都轉(zhuǎn)換為灰度圖像，并通過(guò)圖像數(shù)字處理方法轉(zhuǎn)換為圖像的二維矩陣。

3）對(duì)于由相同數(shù)值參數(shù)η和τ生成的缺陷圖像，通過(guò)歸一化互相關(guān)系數(shù)進(jìn)行定量分析。

為了避免樣本的偶然性，上述步驟重復(fù)進(jìn)行十次，并計(jì)算獲得平均歸一化互相關(guān)系數(shù)，結(jié)果見(jiàn)表2。

表2 不同參數(shù)η和τ下平均歸一化互相關(guān)系數(shù) Tab.2 Value of ˉ under different parameters ηand τ

表2 不同參數(shù)η和τ下平均歸一化互相關(guān)系數(shù) Tab.2 Value of ˉ under different parameters ηand τ

η/(°) 平均歸一化互相關(guān)系數(shù) τ=1 τ=2 τ=3 τ=4 τ=5 τ=6 τ=7 τ=8 τ=9 τ=10 20 5.788 5.752 5.272 4.592 5.035 5.245 5.74 5.325 5.253 5.408 25 5.522 5.493 5.261 4.408 4.486 5.068 5.478 3.32 4.545 4.435 30 5.443 4.848 4.704 3.389 3.497 4.962 4.615 4.328 3.779 3.408 35 4.05 4.055 3.753 3.161 3.013 3.251 3.234 3.933 3.253 3.436 40 3.73 4.42 3.227 4.707 4.011 4.352 3.457 5.452 4.294 4.65 45 3.763 4.649 3.857 5.338 4.586 3.789 3.687 5.406 5.401 4.739 50 4.589 4.756 4.141 5.802 5.383 4.086 5.989 5.886 5.732 5.608

從表2可以看出，當(dāng)參數(shù)η和τ分別是35°和5時(shí)，取得最小值3.013，此時(shí)各類型缺陷圖像之間的相關(guān)性是最小的，利于后續(xù)深度學(xué)習(xí)算法的識(shí)別。四種典型缺陷電纜局部放電信號(hào)的標(biāo)準(zhǔn)SDP圖像如圖8所示。

圖8 四種典型缺陷SDP圖像 Fig.8 Four typical defect SDP images

3.3 數(shù)據(jù)集搭建

根據(jù)3.2節(jié)中確定的SDP參數(shù)，繪制所有樣本的SDP圖像，然后將其轉(zhuǎn)換為灰度圖像作為深度學(xué)習(xí)的數(shù)據(jù)集，每張灰度圖像大小為256×256。本文將訓(xùn)練樣本和測(cè)試樣本按照比例3:2進(jìn)行劃分，其中A1A2A3、B1B2B3、C1C2C3、D1D2D3作為網(wǎng)絡(luò)的訓(xùn)練集，樣本數(shù)各有600；A4A5、B4B5、C4C5、D4D5作為網(wǎng)絡(luò)的測(cè)試集，樣本數(shù)各有400。具體分布見(jiàn)表3。

表3 訓(xùn)練樣本和測(cè)試樣本 Tab.3 Training samples and test samples

3.4 網(wǎng)絡(luò)模型

由上述實(shí)驗(yàn)分析可知，極坐標(biāo)SDP 圖在較大程度上提高了局部放電信號(hào)特征的可區(qū)分性，利用該圖形可突出信號(hào)間的差異性表征信號(hào)的特征。為了滿足智能識(shí)別的需求，基于本文的數(shù)據(jù)集樣本，選取三種深度學(xué)習(xí)方法[8,18,22]，通過(guò)網(wǎng)格搜索法[23]調(diào)參尋優(yōu)，分別構(gòu)建了CNN、SAE及DBN學(xué)習(xí)架構(gòu)，其網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置和網(wǎng)絡(luò)超參數(shù)分別見(jiàn)表4、表5。

表4 網(wǎng)絡(luò)結(jié)構(gòu) Tab.4 Network structure

表5 網(wǎng)絡(luò)超參數(shù) Tab.5 Network hyperparameter

4 結(jié)果分析與對(duì)比

4.1 網(wǎng)絡(luò)訓(xùn)練與識(shí)別結(jié)果

本文訓(xùn)練過(guò)程中三種深度學(xué)習(xí)算法的損失函數(shù)（loss）曲線和準(zhǔn)確率（accuracy）曲線如圖9和圖10所示。損失函數(shù)是用來(lái)度量網(wǎng)絡(luò)在訓(xùn)練過(guò)程中輸出的預(yù)測(cè)值與實(shí)際值之間差距的一種方式，損失函數(shù)loss值越小，反映模型的預(yù)測(cè)結(jié)果越理想。

圖9 訓(xùn)練樣本的損失函數(shù) Fig.9 Loss function of training model

圖10 訓(xùn)練樣本的準(zhǔn)確率 Fig.10 Accuracy of training model

從圖9可以看出，隨著訓(xùn)練步數(shù)的增加，三種深度學(xué)習(xí)網(wǎng)絡(luò)的loss值均緩慢降低至平穩(wěn)。但是，在訓(xùn)練過(guò)程的初期，CNN網(wǎng)絡(luò)出現(xiàn)了程度較大的振蕩，而SAE與DBN網(wǎng)絡(luò)振蕩幅值微小。在收斂步數(shù)方面，DBN網(wǎng)絡(luò)收斂最快，訓(xùn)練至500步時(shí)，loss值已經(jīng)降至0.006左右；而CNN網(wǎng)絡(luò)訓(xùn)練至800步時(shí)loss 值收斂在 0.01附近。從圖10可以得到，CNN網(wǎng)絡(luò)初期出現(xiàn)振蕩現(xiàn)象，與SAE網(wǎng)絡(luò)迭代600步左右后準(zhǔn)確率穩(wěn)定在96%；而DBN網(wǎng)絡(luò)在迭代400步后的識(shí)別精度就逼近98%。由以上分析表明，局部放電信號(hào)SDP圖像與DBN深度學(xué)習(xí)算法相結(jié)合具有更好的穩(wěn)定性和優(yōu)異的識(shí)別精度。因此，選取DBN作為識(shí)別不同缺陷類型SDP圖像 的方法。

將訓(xùn)練好的DBN網(wǎng)絡(luò)應(yīng)用在測(cè)試集，本文以可視化工具——混淆矩陣來(lái)體現(xiàn)分類結(jié)果，如圖11所示?；煜仃嚨拿恳涣写砹祟A(yù)測(cè)類別，每一行代表了數(shù)據(jù)的真實(shí)歸屬類別。含“▲”框內(nèi)的數(shù)字和百分?jǐn)?shù)代表分類準(zhǔn)確的個(gè)數(shù)和比例，含“☆”框內(nèi)的數(shù)字和百分?jǐn)?shù)代表分類錯(cuò)誤的個(gè)數(shù)和比例。可以清楚地看到，DBN網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率為96.1%，一共錯(cuò)誤識(shí)別了62個(gè)樣本，其中，對(duì)于標(biāo)簽“1”、“2”“3”及“4”的錯(cuò)誤識(shí)別個(gè)數(shù)分別為12、10、18、22，分類準(zhǔn)確率分別為97.0%、97.5%、95.5%、94.6%。

圖11 DBN網(wǎng)絡(luò)混淆矩陣 Fig.11 Confusion matrix of DBN network

4.2 與傳統(tǒng)方法對(duì)比

在4.1節(jié)中，比較了三種深度學(xué)習(xí)算法與SDP算法的結(jié)合效果。為了證明本文提出方法的有效性，針對(duì)本文試驗(yàn)獲取的相同數(shù)據(jù)的不同形式，選取幾種常見(jiàn)局部放電識(shí)別方法與文中方法進(jìn)行對(duì)比研究，識(shí)別方案如下：

1）2DWT-SVM方法[24]，基于時(shí)域波形圖像，使用二維小波變換方法提取特征，再使用SVM方法進(jìn)行狀態(tài)識(shí)別。

2）時(shí)域波形圖像-CNN方法[17]，基于時(shí)域波形圖像，利用CNN網(wǎng)絡(luò)直接進(jìn)行識(shí)別。

3）PRPD譜圖-CNN方法[5]，基于PRPD譜圖，利用CNN網(wǎng)絡(luò)直接進(jìn)行識(shí)別。

對(duì)比實(shí)驗(yàn)結(jié)果見(jiàn)表6。由表6可知，本文所提出的SDP圖像與DBN相結(jié)合的識(shí)別方法識(shí)別精度最高，達(dá)到了96.1%，明顯優(yōu)于其他算法。說(shuō)明將局部放電原始信號(hào)進(jìn)行SDP變換后，能夠增加信號(hào)可視化能力，更有利于深度學(xué)習(xí)算法的特征提取。而且使用深度學(xué)習(xí)算法避免了人工提取特征，提高泛化性能，增強(qiáng)現(xiàn)場(chǎng)適應(yīng)性。因此，能夠取得優(yōu)秀的分類效果。

表6 識(shí)別精度對(duì)比 Tab.6 Recognition accuracy comparison

5 結(jié)論

1）將局部放電時(shí)域信號(hào)進(jìn)行SDP變換，增加了信號(hào)可視化能力，使深度學(xué)習(xí)算法能從其中提取更為豐富、深層的特征信息。提出一種車載電纜局部放電信號(hào)的SDP參數(shù)確定方法。根據(jù)試驗(yàn)，當(dāng)τ=5，η=35°時(shí)，四種缺陷類型樣本的SDP差異最明顯，平均歸一化互相關(guān)系數(shù)為3.013，大大提高了不同狀態(tài)特征間的可區(qū)分度。

2）對(duì)比分析知，DBN網(wǎng)絡(luò)與SDP圖像結(jié)合效果最佳，主要體現(xiàn)為其模型精度達(dá)到了96.1%，且模型迭代次數(shù)少、收斂速度快。

3）與傳統(tǒng)缺陷診斷方法相比，文中方法在相同的數(shù)據(jù)集條件下，明顯優(yōu)于其他兩種方法，識(shí)別準(zhǔn)確率提高了近10%左右。