西南交通大学考研，西南交通大学考研分数线
中国电工技术学会活动专区
CES Conference
阅读提示：本文约 1600 字
高速铁路动车组乙丙橡胶（Ethylene Propylene Rubber, EPR）电缆服役状态极为重要。然而，车载电缆终端由人工制作、安装，无法避免地会在终端处留有各种缺陷，缺陷处引发局部放电的事故频发，甚至发生电缆终端击穿事故。因此，对车载电缆终端缺陷进行有效诊断具有重要意义。
局部放电是使用最为广泛的电缆缺陷测试手段之一。在利用局部放电信息判别电缆缺陷类型时，通常可凭借局部放电谱图或局部放电脉冲信号两种数据源。考虑到我国电气化铁路采用运行图空隙检修，留给局部放电测试的天窗期较短，导致现场采集局部放电数据量稀疏且匮乏。由于局部放电谱图反映的是一定时间段内局部放电量在相位上的叠加，若采集的数据点过少，将导致各缺陷间谱图和分布区分不明显，难以进行缺陷诊断分析。因此，直接采用局放脉冲时序信号进行分析更为合适。
基于局放脉冲的缺陷诊断，目前通常在信号分析的基础上，通过变分模态分解、等效时频熵、小波包分解等手段实现。以上技术虽已取得深入的研究，但是存在以下问题：①上述信号仍旧为一维信号，直接将一维长数组导入识别网络，不仅会降低网络性能，减慢识别速度，使网络陷入梯度弥散，而且会导致数据特征提取不充分；②上述方法处理后的信号依旧是在直角坐标系下的时频信号，由于局部放电脉冲信号的随机性与非平稳性，仅对时频域信号进行分析不足以完全反映缺陷特征，存在一定的局限性，同时信号间差异微小导致可视性较差，缺陷特征不直观。
经调研发现，局部放电的脉冲时序信号与齿轮轴承等机械振动信号具有类似的特征，且点对称（Symmetrized Dot Pattern, SDP）变换方法在振动信号问题的处理上取得了较好的效果。因此，SDP为局部放电信号的处理提供了一种新思路。
以往电气设备故障诊断中常采用机器学习方法，但是研究与应用表明，传统机器学习泛化性能差、缺乏自适应特征学习和学习深度不足等问题，导致无法适应复杂多变的现场和大数据的冲击。近年来，深度学习在电气设备智能诊断与识别方面获得了重点关注与研究，深度学习取得了不错的应用效果，更好地满足了当下工程需求。但是深度学习包含多种架构，常见的有卷积神经网络（Convolutional Neural Networks, CNN）、栈式自编码器（Stacked AutoEncoders, SAE）和深度置信网络（Deep Belief Network, DBN）等，针对具体的问题，不同架构的性能仍存在差异。
对此，为解决高速动车组车载电缆健康状况的智能化诊断受限于天窗期短的问题，西南交通大学电气工程学院、云南电网有限责任公司电力科学研究院的研究人员周利军、刘聪、权圣威、曹伟东、项恩新，在2022年第9期《电工技术学报》上撰文，提出一种基于点对称（SDP）的乙丙橡胶电缆终端缺陷局部放电诊断方法。
图1 试验平台图
研究人员首先搭建局部放电试验平台获取局部放电信号，然后提出一种车载电缆局部放电信号的SDP参数确定方法，并基于SDP变换将不同类型缺陷局部放电信号映射到极坐标系中形成SDP图像，增加了信号可视化能力，使深度学习算法能从其中提取更为丰富、深层的特征信息。最后，对比三种常见的深度学习网络——卷积神经网络（CNN）、栈式自编码器（SAE）及深度置信网络（DBN）提取不同类型缺陷的SDP图像深层特征，并基于网络尾端Softmax分类器进行识别。
图2 基于SDP图像和深度学习网络的电缆缺陷诊断框架
他们的研究结果表明，当τ =5，η=35°时，四种缺陷类型样本的SDP差异最明显，平均归一化互相关系数为3.013，大大提高了不同状态特征间的可区分度。另外，针对四种典型的电缆缺陷，DBN网络与SDP图像的结合效果最佳，缺陷识别率达到了96.1%，且模型迭代次数少、收敛速度快。
研究人员指出，相比于传统缺陷诊断方法，该方法在相同的数据集条件下，明显优于其他两种方法，识别准确率提高了近10%左右，可有效应用于电缆缺陷诊断领域，具有较好的工程应用前景。
本文编自2022年第9期《电工技术学报》，论文标题为“基于点对称变换的乙丙橡胶电缆终端缺陷诊断”。本课题得到了四川省科技计划和广东省基础与应用基础研究基金资助项目的支持。
西南交通大学考研(西南交通大学考研分数线)