基于特征融合卷積神經網絡的絕緣子無損檢測

馬立新，豆晨飛，宋晨燦，楊天笑

(上海理工大學 機械工程學院,上海20093)

絕緣子是電力系統(tǒng)中常見的絕緣器件，通常被安裝在不同電位的導體或導體與接地構件之間，能夠耐受電壓和機械應力，在架空輸電線路中起重要作用。絕緣子絕緣劣化是指其絕緣層由于受到各種因素作用，發(fā)生一系列不可逆的變化，導致絕緣性能下降。造成絕緣劣化的原因有很多，包括制造、安裝時操作不當造成機械性損傷，以及長期運營中外界環(huán)境導致的絕緣層老化等[1]。在絕緣子長期運行中，絕緣劣化會導致其發(fā)生閃絡放電(下文簡稱閃絡)的概率加大，影響設備及電力系統(tǒng)安全。因此，準確快捷地檢測絕緣子的絕緣劣化程度，對于維護電力系統(tǒng)的安全可靠運行至關重要。

所謂閃絡是指由于絕緣劣化，導致絕緣子周圍介質被擊穿所產生的表面放電現象，也被稱為沿表面放電閃絡[2-3]。閃絡過程一般分為以下4個階段：第一階段以放電端為中心，間歇性顯示出一個范圍較小、亮度微弱的圓形光斑，其放電程度相對較弱；第二個階段可見放電產生的光斑分布更均勻，并產生輕微樹枝放電火花；第三階段可見樹枝放電火花長度大幅增加，放電增強，可在日光下清晰看到放電火花；第四階段發(fā)生絕緣擊穿現象，將絕緣層徹底擊穿[4]。由于閃絡只發(fā)生于絕緣劣化后，因此可通過檢測閃絡程度判斷絕緣子絕緣劣化程度。

檢測閃絡的方法有很多，例如文獻[2]提出的紅外檢測法，以及文獻[4]提出的視覺檢測法等。但基于紅外檢測的方法易受環(huán)境因素影響，例如在高溫天氣時，紅外輻射加強，容易造成誤斷；而低溫天氣時紅外輻射較低，難以檢測。視覺檢測法易受背景因素影響，例如在弱光或強光狀態(tài)下難以準確判斷閃絡點和閃絡程度。對閃絡機理進行分析發(fā)現，閃絡通常伴隨紫外光產生，其光譜在可見光(400～700 nm)范圍之外，存在于“日盲”區(qū)(240～280 nm)內。由于紫外光強度不受溫度和光強等因素影響，因此紫外檢測法成為較理想的電氣設備絕緣檢測手段[5～6]。

目前紫外采集設備領域發(fā)展較為成熟。以色列生產的UVolle-VI型紫外成像儀輕便靈巧，可單手操作，能準確成像。國內某公司生產的紫外成像儀STUV-11，設備小巧輕便，可單人攜帶操作，對紫外靈敏度達到2.2×10-28watt·cm-2，紫外/可見光同步性小于1 mrad[1,7]。該設備方便、可靠、便攜，使得電氣設備紫外圖像的采集更為便捷，為通過紫外圖像檢測電氣設備的絕緣性提供了較大便利。

對于采集到的紫外圖像，目前常用數字圖像技術進行處理，包括閾值分割(二值化)等。閾值分割方法簡單易行，但由于存在背景因素干擾，閾值選擇較困難，難以實現在復雜背景下對紫外光斑進行提取[6]。隨著人工智能和深度學習技術的發(fā)展，卷積神經網絡(Convolutional Neural Networks, CNN)具有表征學習能力，能夠按其階層結構對輸入信息進行平移不變分類、稀疏連接、權值共享，被廣泛應用于圖像處理等領域[7]。

一般來說，CNN由多個卷積層構成，不同深度的卷積操作采集的特征信息有所差別。較淺層的卷積操作可以精確定位閃絡位置，但包含的閃絡信息較少。較深層次的卷積操作可以精確提取目標語義，得到富含大量語義信息的特征圖，但包含的閃絡點的位置信息較少。通過融合淺層網絡和深層網絡特征圖，可得到包含淺層次位置信息以及深層次特征信息的特征圖，提高識別的正確率[5,8]。本文在CNN算法基礎上，采用淺層和深層信息相融合對絕緣子進行無損診斷。

1 閃絡樣本庫的構建

CNN算法模型需要搭建復雜的結構，有大量的參數需要進行訓練，且需要使用大量絕緣子閃絡的紫外圖像作為訓練樣本。為獲得樣本，需要搭建閃絡實驗平臺，通過閃絡實驗獲得不同放電階段的絕緣子閃絡紫外圖像，并對圖形進行人工分類，生成包含不同閃絡程度的絕緣子紫外圖像樣本庫，然后將此樣本庫用于CNN模型的訓練和測試。本節(jié)將介紹生成樣本庫的方法。

1.1 閃絡試驗平臺構建

平臺選用XWP3-120絕緣子作為閃絡基底，以工頻試驗變壓器作為實驗電源，將電壓提高至發(fā)生閃絡估計電壓的75%，開始進行紫外圖像采集。然后每秒提高2%，直到最后發(fā)生閃絡。其原理如圖1所示。

圖1 閃絡試驗原理圖

1.2 閃絡實驗樣本庫構建

進行閃絡試驗時，使用紫外成像儀記錄絕緣子的閃絡過程，隨后提取其每一幀圖像作為樣本。對于樣本的分類，與產生無放電、電暈放電、火花放電的時間相比，發(fā)生閃絡擊穿現象的時間過短，得到的樣本數量較少。如果將其分為一類，將會影響CNN模型的穩(wěn)定性，且由于閃絡擊穿狀態(tài)是指絕緣子電絕緣的瞬間損耗，其預警意義不大[9-10]。因此樣本庫只包含無放電、弱放電和強放電三類。其中，無放電表示絕緣子無劣化，處于正常工作狀態(tài)；弱放電表示絕緣子絕緣有所劣化，但依然可以使用，只需保持注意；強放電表示絕緣子嚴重劣化，需立即更換，以免事故發(fā)生。

通過該實驗，共獲得4 377幀絕緣子閃絡的紫外圖像樣本。將其中的3 800幀當作訓練集樣本，將余下的577幀組成測試集(測試集用于測試模型正確率)樣本。在構成的訓練集樣本中，無放電有463幀；弱放電有2 276幀；強放電有1 638幀。在測試集樣本中，無放電有87幀；弱放電有337幀；強放電有153幀。樣本如圖2所示：圖2(a)為強放電；圖2(b)為弱放電；圖2(c)為不放電。

圖2 紫外放電樣本圖

2 模型分析

絕緣子無損診斷模型主要由3部分組成：(1)用于對輸入圖像進行特征提取的紫外放電特征提取網絡；(2)用于將深層放電特征信息與淺層位置特征信息相融合的紫外放電特征融合網絡；(3)紫外放電識別網絡。其技術路線圖如圖3所示。

圖3 無損診斷技術路線圖

2.1 絕緣子紫外放電特征提取網絡

特征提取網絡用來提取目標特征，一般由卷積層、池化層、激活層等組成，下面描述各層實現過程。

卷積層包括若干卷積核。卷積核的參數通過多次訓練，采用反向傳播算法進行最優(yōu)化[11-15]。正向傳播計算式如下

(1)

池化是通過對卷積后得到的特征圖進行空間壓縮處理，提高對關鍵特征的關注，降低參數數量。常用的池化操作有最大池化和平均池化兩種。本文中采用為最大池化。計算式如下

(2)

激活層由激活函數構成，卷積和池化的輸出結果均為線性輸出，無法處理非線性任務，因此需要引入非線性因素，使CNN模型非線性化，從而獲得處理復雜數據的能力[12]。本文使用Rectified Linear Unit(ReLU)函數作為激活函數，其計算式為

f(x)=max (0,x)

(3)

式中，該函數輸入小于0時，其輸出為0，輸入大于0時，輸出等于輸入。

2.2 絕緣子紫外放電特征融合網絡

絕緣子紫外放電特征融合網絡的作用是將提取到的淺層位置信息同深層閃絡信息融合，以得到包含二者信息的特征圖用于下一步識別分類[15-17]，其原理如式(4)所示。

……

(4)

式中，X1～Xn分別代表不同層次的特征圖。由于不同特征圖，所以其通道數可能不完全保持一致。先將通道數改為C，其后使高層特征上采樣，將其與對應的前層特征結合；然后應用卷積核去處理已經融合的特征圖達到消除上采樣的混疊效應；最后，重復該迭代流程，直至生成融合不同位置信息和語義信息的特征圖Y1～Yn，以便更好地提取不同放電程度的特征以及具體放電位置特征[5,18]。

2.3 絕緣子紫外放電識別分類網路

在該網絡中，以經過特征融合網絡處理后的特征圖作為輸入，將其輸入到識別分類網絡進行放電定位及分類。為了得到分類結果，使用Softmax Loss分類器得到分類概率

(5)

式中，I表示樣本數；J表示類別數；cij表示樣本i對應類別j的標簽編碼；pij表示樣本預測i為類別j的概率。

3 結果分析

絕緣子不同放電狀態(tài)下的紫外圖像具有不同特征，但特征差異較小，一般為放電通道數量和放電點位置等。而特征融合CNN算法通過多層卷積捕捉細節(jié)信息，對不同圖像的特征差異高度敏感，可準確識別微小差異。其擁有側向連接結構，通過橫向連接方式連接不同層次特征使其獲得包含強語義和高分辨率的目標特征，尤其有利于微弱放電這種小目標的檢測。

3.1 訓練過程及準確性分析

為獲得最佳訓練效果，需要選取合適的學習率進行多次訓練。分別采用0.010 0、0.005 0、0.001 0、0.000 5和0.000 1的訓練率對算法模型進行訓練，得到正確率如表1所示。

表1 不同訓練率下正確率對比

由表1可以看出，模型正確率基本與模型的訓練次數呈正相關性，但不同學習率下的最佳正確率有所差異。如圖4所示，當訓練率為0.001 0時，模型可實現快速收斂，正確率高達97.4%。在學習率上升到0.005 0和0.010 0時，模型正確率反而下降，正確率最終保持在55.7%和51.2%，這是因為學習率過大會導致迭代時參數調整范圍過大，無法準確尋求最優(yōu)解。隨著學習率的下降，如0.000 5和0.000 1時，模型正確率為89.3%和81.5%，這是因為模型學習率過小，待優(yōu)化參數收斂速度過慢，甚至陷入局部最優(yōu)解，無法達到最佳值。

圖4 不同訓練率下CNN正確率趨勢圖

為了判斷模型收斂的快慢和模型收斂精度，可以用損失函數來衡量，這里使用標準差函數作為損失函數，計算式如下

(6)

式中，target為實際值；output為輸出值，其標準差趨勢如圖5所示。

圖5 不同訓練率和訓練次數下的標準差趨勢圖

圖5表明標準差和訓練次數基本上呈負相關性，且在訓練率為0.001 0和0.005 0時，標準差較低。在訓練率高至0.010 0或者訓練率低至0.000 1時，標準差波動范圍較大，說明模型不能有效收斂。

綜上分析，將模型學習率設為0.001 0時，得到的模型具有較好正確率。

3.2 算法對比分析

同文獻[13]所采用的AlexNet算法進行對比，文中設置學習率為0.010 0、0.005 0、0.001 0、0.000 5和0.000 1，訓練次數均為5 000次。對比結果如表2所示，AlexNet算法最高正確率為83.6%，遠低于特征融合算法的97.4%，可見特征融合CNN算法在正確率上更有優(yōu)勢。

表2 算法最高正確率對比

4 結束語

本文簡要介紹了絕緣子絕緣劣化原因以及閃絡機理，論述了絕緣子閃絡紫外檢測的優(yōu)勢。通過搭建閃絡實驗平臺，構建絕緣子閃絡紫外圖像樣本庫，并使用特征融合CNN算法對樣本進行分類訓練，最后將文中所提算法同AlexNet算法進行對比。實驗結果表明，同AlexNet算法相比，特征融合CNN算法具有精度高、收斂速度快、泛化能力強等優(yōu)點，為電力設備無損檢測提供了新思路。

隨著無人機技術與通信技術的發(fā)展，具有高機動性、高可控性等特點的無人機已成為理想的電力巡檢平臺。5G技術的出現，使實時傳輸高質量圖像成為可能。基于此，以無人機平臺為載體并搭載紫外成像儀，通過5G技術實時傳輸紫外圖像，即可實現采用無損檢測算法自行檢測故障點。因此，本文所做研究具有廣闊的應用前景，未來將在此基礎上進一步探索。