基于改進殘差網絡的電纜終端缺陷識別方法

焦京海，李杰

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

動車組乙丙橡膠（ethylene propylene rubber，EPR）電纜是機車電能傳輸的重要設備[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微缺陷。隨著服役里程的增長，缺陷位置容易引發局部放電，使得絕緣劣化，最終導致擊穿爆炸事故[2]。因此，研究車載電纜終端缺陷的智能識別，對保障動車組的安全運行具有重要意義。

目前，基于局部放電信號對電氣設備進行缺陷識別的方法得到了廣泛應用，其數據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[3]?？紤]到我國鐵路在線監測技術還未成熟，現場測試時間較短，實際采集到的局部放電數據量十分有限，而PRPD 譜圖是將局部放電量在相位坐標系上進行疊加，需要一定數量的局放信號才能區分不同缺陷，因此在小樣本條件下不便于進行缺陷診斷。此時考慮采用局部放電脈沖信號，結合數據分析處理方法對設備缺陷進行識別更加有效。

現有基于局放脈沖信號的缺陷檢測方法，通常先采用變分模態分解[4]、小波包分解[5]等信號分析手段做預處理，再利用神經網絡模型實現缺陷分類。文獻[6]基于小波時頻變換對局放信號進行處理，利用方向梯度直方圖算法實現變壓器不同類型局部放電的模式識別；文獻[7]基于線性判別分析進行數據降維，在低維樣本空間中結合概率神經網絡對氣體絕緣全封閉組合電器的不同故障進行識別；文獻[8]基于卷積神經網絡對不同缺陷的直流交聯聚乙烯電纜局放脈沖信號進行了缺陷識別。上述研究雖然取得了較好的應用效果，但模型的訓練往往需要海量數據[9]，而目前動車組電纜局放訓練數據較為匱乏，若將局部放電脈沖信號輸入識別網絡，將使網絡出現梯度彌散的問題，提取的分類特征不充分，模型出現過擬合[10]。

針對上述問題，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，利用格拉姆角場（Gramian angular field，GAF）特征變換充分挖掘并可視化數據特征，增強數據的可區分性，再利用融合注意力機制和Center 損失函數的殘差網絡構建故障診斷模型，提升網絡模型識別性能，實現小樣本條件下的EPR 電纜終端缺陷的準確識別，為動車組電纜的科學運維提供指導。

1 試驗設計

1.1 缺陷樣品制作

為保證試驗數據貼合實際工程背景，采用型號為QTO-J30G-25kV 的動車組車頂高壓電纜，根據車載電纜附件現場檢修統計結果，設計了4種典型的電纜終端內部缺陷，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具有分散性和隨機性，每類缺陷均制作了4 根電纜試樣。其中，各缺陷產生原因不同，制作時保持貼合實際情況。半導電殘留是在外半導電層末端截斷處未剝除平整而產生的三角倒刺；環切劃傷是由于人工下刀力度過大，導致刀具穿透外半導電層在主絕緣表面留下的劃痕，設置為寬1 mm、深0.5 mm 環狀刀痕；氣隙缺陷是由于應力管與主絕緣之間未嚴格貼合導致的空氣縫隙，設置為長50 mm、寬0.5 mm、深1 mm 的矩形凹槽；金屬缺陷是由于現場環境復雜，在主絕緣上隨機粘附的金屬微粒。

1.2 試驗平臺搭建及數據采集

搭建的電纜終端局部放電檢測平臺如圖2所示，試驗設置在環境噪聲保持為5 pC 以下的高壓屏蔽室內開展。其中，試驗變壓器容量為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為局放檢測系統；CPL542 為系統的檢測阻抗；MCU502 為信號處理單元，用于傳輸局放信號至PC終端做進一步的數據處理。

圖2 局部放電試驗平臺Fig.2 Partial discharge test platform

參考相關標準[11]開展試驗，局部放電采樣頻率設置為1 kHz。由于局部放電信號具有一定的分散性，本文對每根故障電纜樣品均進行3次局放信號采集，并將每個完整的局放信號依次截取為15段由800個采樣點組成的脈沖信號。以其中某段局放脈沖信號為例，其放電時序波形如圖3所示。

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

2 診斷方法

2.1 特征變換

本文首先采用GAF 對車載EPR 電纜終端的局部放電脈沖信號做預處理，增強數據分類特征，以便于后續的圖像識別訓練。GAF 是一種將一維序列編碼轉換為二維圖譜的特征變換方法[12]，具體步驟如下：

1）對每個時刻的局放脈沖數據進行歸一化：

2）使用極坐標系表征歸一化后節點信號幅值數據：

其中

3）對極坐標系下不同節點幅值數據進行三角變換，表達式為

式中：⊕為內積運算。

若采用兩角和的余弦函數計算節點的內積，即為格拉姆角和場（Gramian angular summation field，GASF），若采用正弦函數則為格拉姆角差場（Gramian angular difference field，GADF）。

為了更好地表征局放時序信號包含的拓撲信息，增強不同缺陷間的可區分性，本文結合GASF和GADF在不同區間的單調特性，提出改進的格拉姆角場（improved Gramian angular field，IGAF）特征變換，上三角元素采用余弦函數表征相對關系，由于余弦值在區間[π/2，π]單調遞減，表明不同節點的相對關系大小隨φi（t）值的增大而減弱；下三角元素采用正弦函數，由于正弦值在區間[0，π/2]單調遞增，表明不同節點的相對關系隨φi（t）值的增大而增強。運算如下式所示：

利用IGAF 將局部放電脈沖信號轉換為二維特征圖像，結果如圖4所示。

圖4 典型缺陷下的拓撲特征圖像Fig.4 Topological feature images of typical defects

2.2 識別模型

2.2.1 殘差網絡

綜合考慮網絡復雜度、計算量及特征提取能力，本文基礎模型選擇殘差網絡中識別性能較好的ResNet101[13]，其核心是引入了殘差模塊解決網絡深度增加導致的訓練退化問題。其網絡結構如圖5所示，由一系列的Bottleneck 塊堆積組成，每個Bottleneck 塊包含殘差部分與直接映射部分。輸入圖像經過預處理后尺寸統一為224×224×3，首先通過卷積、池化層使輸入通道數適應Bottleneck 塊的規格，用33 個Bottleneck 塊完成特征提取，再經過relu激活函數和平均池化層，最后經全連接層實現類別判定。

圖5 ResNet101模型Fig.5 ResNet101 model

2.2.2 改進殘差模塊

殘差塊的引入能夠較好地解決梯度彌散的問題，提高網絡模型性能，但是特征提取仍受到拓撲圖像對比度低、紋理復雜等因素的影響。為此，本文提出改進的殘差網絡單元，如圖6所示。在殘差單元的最后一個卷積之前引入通道注意力（efficient channel attention，ECA）[14]機制，對特征圖中不同通道缺陷分類目標響應程度的依賴特性進行建模，根據響應程度的不同，不斷調整特征圖，計算和分配各通道權重。較高權重表示響應程度高，即特征圖與識別目標相似；較低權重表示響應程度低，即特征圖與識別目標差距較大。ECA 模塊首先利用全局均值池化對輸入特征圖的尺寸進行壓縮，然后通過卷積實現局部特征之間的跨通道交互，最后采用Sigmoid 函數獲取各通道的權重。其中，局部特征跨通道交互的范圍由卷積核k決定，大小由下式自適應確定：

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

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

通過自適應校準不同通道之間的響應，模型學習到每個特征通道的重要程度，并增強那些有利于缺陷分類的特征權重值。在改進殘差單元的最后，采用一個卷積充分學習ECA 模塊捕捉到的拓撲圖像特征，最大限度發揮注意力模塊的作用，提升網絡模型對電纜終端缺陷的分類能力。

2.2.3 融合損失函數

由于不同缺陷的局放信號本身較為相似，若采用殘差網絡本身的Softmax損失函數，模型對局部放電所對應缺陷類別的分類準確率較低。為了進一步提高網絡模型的缺陷識別能力，本文利用Center輔助損失函數具有增大類特征間距的特點，在網絡的損失層融合了Softmax Loss 與Center Loss 兩種損失函數，增強訓練模型對不同缺陷的分類能力。融合損失函數計算如下式所示：

式中：log 函數的自變量為xi屬于類別yi的概率；Wx+b為全連接層的映射輸出；m為訓練批次的尺寸；n為缺陷類別數；λ為兩個損失函數的占比分配權重，經多次試驗對比后取0.2；xi為全連接層之前學習到的分類特征；cyi為第yi個缺陷的特征中心。

2.3 電纜終端故障診斷框架

基于改進殘差網絡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，然后采用IGAF 做特征變換，建立不同缺陷的二維拓撲特征圖像數據集，再利用改進殘差網絡模型進行訓練，最后應用訓練好的網絡模型對電纜終端進行故障診斷，自動識別局部放電對應的缺陷類型。

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

3 試驗結果與分析

3.1 網絡訓練與分析

選取殘差網絡中的ResNet101 模型作為訓練網絡并根據2.2 節內容進行改進后，采用遷移學習策略進行訓練，選擇經典數據集ImageNet 作為本文模型的源域，凍結部分層的權重，對剩余網絡層參數進行微調?？紤]到模型最初幾層網絡用于捕獲線條等基本圖像元素，這種泛性特征適用于IGAF 預處理后的圖像，因此本文保留預訓練模型的前10層網絡參數，并用兩個節點數分別為1 024 和4 的全連接層進行替代原ResNet101最后的全局平均池化層及全連接層，實現本文車載電纜終端4 種缺陷的分類。模型裝配時采用Adam 優化器和Accuracy 精確度。模型訓練過程的準確率與損失值變化情況如圖8所示。由圖8可知，隨著訓練輪數的增加，網絡的準確率逐漸提高至95%以上，損失值則不斷減小并趨于穩定，模型在第10個訓練輪次便達到收斂。

圖8 訓練準確率與損失值Fig.8 Training accuracy and loss value

模型的測試結果如圖9所示，標簽1，2，3，4分別對應半導電殘留、環切、氣隙和金屬碎屑4種缺陷，由混淆矩陣可知，對于112張不同電纜終端缺陷的局放信號測試圖像，本文方法的識別準確率達到了97.3%，僅存在3個誤判缺陷圖像。

圖9 測試集的混淆矩陣Fig.9 The confusion matrix of the test set

3.2 不同網絡模型對比

為探究不同網絡模型對本文數據集的識別能力與分類效果，針對IGAF 處理后的不同缺陷電纜局部放電二維拓撲圖像數據，另外更換了3種常用的卷積神經網絡模型進行訓練，包括VGG19，DenseNet 和MobileNet，遷移學習的源域和微調參數保持不變，所有模型的訓練損失值與準確率變化情況如圖10所示。由圖10可知，4 種網絡模型均在較少訓練輪次下完成了收斂，對比各網絡訓練損失值及準確率變化情況，VGG19在較少的訓練輪數下達到穩定，但其訓練準確率較低；DenseNet訓練效果較好，但模型收斂速度仍然較慢；本文模型在收斂速度及訓練準確率兩方面都優于其余3個網絡模型，且變化曲線更為平滑。

圖10 不同網絡模型的訓練結果對比Fig.10 Comparison of training results of different network models

3.3 與傳統方法對比結果

為了表明本文所提方法的優越性，針對本文在第1 節獲取的4 種缺陷下的局部放電脈沖信號數據，采用幾種傳統局放缺陷識別方法與本文所提方法進行對比研究。

其中，第一種方法[15]是直接基于局部放電脈沖時序信號，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（support vector machines，SVM）進行缺陷識別，記為DWT-SVM；PRPD-ResNet方法則是將脈沖信號轉為局部放電相位譜圖，直接利用ResNet101 網絡模型進行訓練和分類；IGAF-改進ResNet 方法則是基于本文所提的改進GAF 做特征變換，然后采用文中加入注意力機制與Center損失函數的深度殘差網絡進行識別。3 種方法對測試集的識別結果如表1所示，由表1 可知，本文方法相比于其他兩種常用的傳統方法平均識別準確率更高，而且對不同缺陷的識別均衡性更好。

表1 識別準確率對比Tab.1 Recognition accuracy comparison

4 結論

本文利用改進格拉姆角場對局放脈沖信號進行特征變換，結合加入注意力機制與Center 損失函數的殘差網絡模型，對車載EPR 電纜終端缺陷識別方法進行了研究，研究結論如下：

1）利用改進GAF 對不同缺陷電纜的局放脈沖信號做特征變換，得到相應的二維拓撲特征圖像，有效增強了不同類別缺陷的可區分性，便于結合神經網絡進行識別分類；

2）采用改進殘差網絡模型對電纜終端進行缺陷識別的準確率為97.3%；與常用的識別方法對比，所提方法的結合效果最佳，主要體現為模型平均準確率更高、對各類缺陷的識別均衡性更好。