基于改進深度森林的采煤機拖拽電纜擠壓力識別方法

石港， 雷志鵬

（1. 太原理工大學 煤礦電氣設備與智能控制山西省重點實驗室，山西 太原 030024；2. 太原理工大學 礦用智能電器技術國家地方聯合工程實驗室，山西 太原 030024）

0 引言

采煤機拖拽電纜運行時會隨著采煤機在工作面來回移動，易受到刮板輸送機中部槽的擠壓及落煤和矸石的沖擊，導致電纜絕緣層發生性能劣化甚至故障，影響采煤機的供電可靠性和工作面的安全。當擠壓力不同時，采煤機拖拽電纜中出現的局部放電特征也不同。因此研究不同擠壓力下采煤機拖拽電纜局部放電統計特征量，對于識別采煤機拖拽電纜絕緣層所受擠壓的程度、避免采煤機拖拽電纜出現絕緣故障具有重要意義。

針對機械應力下電氣設備絕緣性能及局部放電特性，國內外學者已開展了較多研究。劉志華等[1]研究了熱、機械應力共同作用對油浸紙板絕緣特性的影響，發現施加機械應力的幅值和時間增大都會導致油浸紙板的絕緣性能下降。彭倩等[2]研究了機械應力對聚丙烯薄膜局部放電特性的影響，發現機械應力與薄膜的直流局部放電次數呈負相關，與平均放電量和最大放電量呈正相關，且機械應力增大會導致薄膜的絕緣性能顯著降低。鄒林等[3]研究了壓強和表面粗糙度對聚乙烯和硅橡膠間接觸面局部放電特性的影響，發現局部放電起始放電電壓與界面壓強和表面粗糙度呈正相關，而壓強與局部放電量、放電次數呈負相關，即增大界面間的壓強可抑制放電的發展。路士杰[4]研究了溫度和機械應力對環氧支柱沿面閃絡電壓與局部放電的影響，研究發現溫度和擠壓應力均會導致環氧試樣的閃絡電壓下降。崔彥捷等[5]研究了機械應力下油浸絕緣紙板的局部放電，結果表明當機械應力小于20 MPa時，機械應力增大，絕緣性能有所提升；當機械應力大于20 MPa時，機械應力增大則會導致紙板的絕緣性能降低。羅家成等[6]研究了機-電載荷對含裂紋介電材料局部放電的影響，發現機械應力會抑制裂紋介電材料局部放電的發生。林晨等[7]研究了電、熱、擠壓力共同作用下乙丙橡膠電纜的老化狀態，發現隨著老化程度的加深，老化因子和低頻介質損耗因數隨之增大，為評估乙丙橡膠所受應力提供了依據。然而，現有研究側重于局部放電規律和嚴重程度的分析，無法評估乙丙橡膠電纜所承受應力的大小，導致無法掌握礦用乙丙橡膠絕緣電纜的運行狀態。

針對以上問題，本文搭建了局部放電實驗平臺，測量了不同擠壓力下礦用乙丙橡膠絕緣高壓電纜的局部放電譜圖，分析了放電特征量隨擠壓力的變化規律，設計了基于改進深度森林（Stacking-Deep Forest，S-DF）的擠壓力識別模型，將局部放電譜圖特征量作為模型輸入特征，實現對采煤機拖拽電纜絕緣層所受擠壓力的識別。

1 實驗設置

1.1 試樣制作

將礦用乙丙橡膠絕緣移動屏蔽軟電纜作為試樣，電纜導體截面積為50 mm2，絕緣層厚度為5 mm。首先將電纜內、外護套及絕緣屏蔽層剝開，取出一相動力線作為試樣，保留電纜的線芯和絕緣層。然后將試樣兩端的絕緣層剝除，露出約50 mm長的線芯導體作為高壓導線使用。最后用無水乙醇將試樣絕緣層表面擦拭干凈以去除雜質，在絕緣層外緊密纏繞金屬箔構成接地極[8]。

1.2 局部放電測量裝置及實驗設置

局部放電測量裝置原理如圖1所示。其中，Us為0～380 V交流調壓器；交直流試驗變壓器T的容量為100 MVA，輸出電壓為0～100 kV；C為耦合電容器，型號為HIPOTRON-ICS PSF 100/1/DDX，容值為1 nF；R1為保護電阻，其阻值約為20 kΩ；R2為檢測阻抗。擠壓力通過2塊鋼板擠壓試樣實現。在2塊鋼板中間設置壓力傳感器，量程為0～3 000 N，精度為0.1%。為保證受力均勻，鋼板始終保持平行，且電纜試樣與傳感器的中心處于同一水平線上。待所施加擠壓力達到預設值后，通過螺絲和螺母將鋼板固定，保證擠壓力不會發生變化。參照GB/T 12972.1—2008《礦用橡套軟電纜 第1部分：一般規定》對電纜設置外部擠壓力，將擠壓力等級設定為0，500，1 000，1 500，2 000，2 500 N。

圖1 局部放電測量裝置原理Fig. 1 Principle of partial discharge measurement device

局部放電實驗采用逐級升壓法和恒壓法相結合的方式升壓，先勻速地升高電壓至礦用乙丙橡膠絕緣電纜發生放電，標記此刻的電壓為起始放電電壓Ui（即正弦電壓波形的正負半周重復出現放電脈沖大于10 pC時的最小外加電壓有效值），然后電壓以2 kV為間隔逐級升高，每一電壓等級下持續5 min，升至2Ui為止。

1.3 擊穿場強測量方法

采煤機拖拽電纜的介電強度實驗電路如圖2所示，所用設備主要為調壓臺、試驗變壓器、保護電阻、千伏表、電極與加力裝置。材料的介電強度用均勻電場下的擊穿場強來表示，而電極的邊緣會形成極不均勻電場。為此，實驗所用的電極為倒角同軸電極，以避免電極邊緣因尖端效應而發生局部放電。同時，為減小空氣中的沿面放電對實驗結果造成的影響，實驗中將整個電極系統置于硅油中。

圖2 介電強度實驗電路Fig. 2 Dielectric strength experimental circuit

考慮到采煤機拖拽電纜試樣所受的擠壓力太小會導致作用不明顯，太大會導致電纜試樣出現部分割裂，絕緣失效，所以選擇0 ，500，1 000，1 500，2 000，2 500 N作為擊穿實驗的擠壓力。實驗時，將采煤機拖拽電纜放置于2個圓柱形黃銅電極之間。為保證實驗結果的準確性與可靠性，實驗采用逐級升壓法，直至電纜試樣發生擊穿。

2 實驗結果

2.1 PRPD圖

以電壓為14 kV時的情況為例說明擠壓力對局部放電的影響。電壓為14 kV時，礦用乙丙橡膠絕緣電纜在不同擠壓力下的局部放電相角解析（Phase Resolved Partial Discharge，PRPD）圖如圖3所示。可看出未被擠壓的電纜PRPD圖中的放電量最大，局部放電最大值出現在負半周，約為14.1 nC；當擠壓力增大至500 N時，PRPD圖中的放電量明顯減小，最大放電量出現在負半周，約為6.8 nC；當擠壓力為1 000 N時，PRPD圖中的放電量增大，最大放電量在負半周，約為10.1 nC；當擠壓力為1 500 N時，PRPD圖中的放電量減小，最大放電量約為7.4 nC，在正半周；當擠壓力繼續升至2 000 N和2 500 N時，PRPD圖中的最大放電量隨之減小，分別為6.4，4.3 nC。隨著擠壓力的增大，放電相位無變化，放電集中在0～100°和180～300°。

圖3 不同擠壓力下乙丙橡膠絕緣電纜的PRPD圖Fig. 3 PRPD diagram of ethylene propylene rubber cable under different extrusion pressures

2.2 電纜擊穿場強變化規律

擊穿場強與擠壓力的關系如圖4所示。可看出無擠壓力時，電纜擊穿場強為35.2 kV/mm；當擠壓力小于1 500 N時，擊穿場強隨擠壓力的增大而增大，擠壓力為1 500 N時擊穿場強最大，為39.0 kV/mm；擠壓力大于2 000 N時的擊穿場強小于無擠壓力時的擊穿場強；擠壓力為2 500 N時擊穿場強最小，為31.8 kV/mm。結合局部放電變化規律可知，雖然受到擠壓力作用電纜的局部放電最大放電量會減小，但并不代表絕緣性能變好。因為當擠壓力較大時，擊穿場強明顯減小，所以評估擠壓力大小是分析電纜絕緣狀態過程中十分必要的一環。

圖4 擊穿場強與擠壓力的關系Fig. 4 Relationship between puncture core field intensity and extrusion pressure

2.3 局部放電典型特征量變化規律

最大放電量和平均放電電流與擠壓力的關系如圖5所示。最大放電量定義為在放電時間1 s內重復出現10次以上的放電脈沖對應的最大放電量。平均放電電流為放電量的絕對值在1 s內的積分。由圖5可知，在相同擠壓力下，隨著電壓的升高，最大放電量和平均放電電流均不斷增大。當擠壓力為500 N時，最大放電量隨著電壓的升高，從12 kV時的5.68 nC增大至20 kV時的11.07 nC；平均放電電流從12 kV時的0.48 mA增大至20 kV時的1.16 mA。

圖5 最大放電量和平均放電電流與擠壓力的關系Fig. 5 Relationship between maximum discharge, average discharge current and extrusion pressure

在相同電壓下，隨著擠壓力的增大，最大放電量表現為逐漸減小的規律。當施加電壓為14 kV時，未受擠壓力作用的電纜的最大放電量最大，約為14.05 nC；當擠壓力增大至500 N時，最大放電量減小至約8.13 nC；隨著擠壓力繼續增大，最大放電量在擠壓力為2 500 N時降為最小值，約為4.32 nC。平均放電電流的變化規律與最大放電量的變化規律一致，在施加電壓為14 kV時，未受擠壓力作用的電纜的平均放電電流最大，約為1.16 mA，其后隨著擠壓力的增大，在擠壓力為2 500 N時降到最小，約為0.32 mA。此外，隨著擠壓力的增大，最大放電量和平均放電電流的下降速率均逐漸減小。

2.4 局部放電統計特征量提取及其變化規律

為了更好地說明局部放電與擠壓力的關系，采用統計特征對PRPD圖進行分析，并將統計特征參量作為放電指紋用于擠壓力評估。本文使用的統計特征參量見表1，包括最大放電量相位分布Hqmax（φ）（φ為相位）、平均放電量相位分布Hqn（φ）、放電次數相位分布Hn（φ）和放電幅值分布Hn（q）（q為幅值）4個二維分布譜圖的偏度Sk、峰度Ku、峰值個數Peak、不對稱度Assy和相關系數Cc，其中“+”表示工頻信號的正半周，“-”表示工頻信號的負半周[9-12]。

表1 PRPD圖統計特征參量Table 1 Statistical characteristic parameters of PRPD diagram

電壓為14 kV時，根據表1得到不同擠壓力下描述局部放電的統計特征參量，如圖6所示。由圖6（a）可知，隨著擠壓力的增大，由Hqmax（φ）圖得到的統計特征參量中正負半周的偏度Sk與峰度Ku均逐漸減小，即圖像逐漸向右傾斜且變得平緩；正負半周的峰值數Peak均先增大后減小；相關系數Cc與不對稱度Assy無變化。由圖6（b）可知，隨著擠壓力的增大，由Hqn（φ） 圖得到的統計特征參量中負半周的峰度先減小后增大，正半周的峰值數先增大后減小，負半周的峰值數先減小后增大；相關系數Cc與不對稱度Assy無變化。由圖6（c）可知，隨著擠壓力的增大，由Hn（φ）圖得到的統計特征參量中正半周的偏度先增大后減小，負半周的偏度先減小后增大；正半周的峰值數先增大后減小，負半周的峰值數先減小后增大；相關系數Cc、不對稱度Assy無變化。由圖6（d）可知，隨著擠壓力的增大，由Hn（q）圖得到的統計特征參量中峰度Ku逐漸增大，與圖5相對應，而峰值數Peak逐漸減小；偏度Sk不隨擠壓力的增大而變化。

圖6 不同擠壓力下的統計特征參量柱狀圖Fig. 6 Histograms of statistical characteristic parameters under different extrusion pressures

3 基于S-DF的電纜擠壓力識別

為實現通過統計特征參量組成的放電指紋來識別礦用電纜所受的擠壓力大小，本文使用S-DF模型進行識別。

3.1 Stacking集成算法

Stacking集成算法通過將不同學習器進行結合堆疊，實現分類器準確性的提升[13-18]。假設Stacking集成算法含有4個初級分類學習器E1—E4，組成矩陣E：

具體實現步驟：

1） 將統計特征參量按4∶1的比例分為訓練集和驗證集，再將訓練集分成4份訓練樣本，即X1—X4。

2） 將訓練樣本X1-X3作為初級分類學習器E1的訓練數據，X4作為測試數據，并記錄預測結果為A11；使用驗證集測試訓練好的初級分類學習器E1，記錄預測結果為B11；再分別將X1—X3作為測試數據，重復上述步驟，記錄預測結果為A12—A14和B12—B14。

3） 將4組訓練數據拼接得到新的預測結果，記為A1，將4組測試數據的預測結果取平均，得到新的預測結果B1；利用剩余的3個初級分類學習器，重復上述步驟，得到新的訓練集A和驗證集B。

4） 利用新的訓練集A對次級分類學習器進行訓練，再用新的驗證集B進行測試，得到最終的預測結果。

Stacking集成算法的學習過程如圖7所示。

圖7 Stacking集成算法學習過程Fig. 7 Learning process of Stacking ensemble algorithm

3.2 深度森林模型

深度森林（Deep Forest，DF）算法是一種由多粒度掃描結構和級聯森林結構組成的新型分類算法，以決策樹為基本單位實現樣本的分類和預測。DF相比于深度神經網絡，具有超參數較少、容易訓練、計算內存需求低、可適應不同大小的數據集等優點[19-21]。

3.2.1 多粒度掃描階段

多粒度掃描結構在DF模型中的作用是挖掘樣本的特征，最大限度地提取樣本的特征參量。多粒度掃描模型定義為

式中：XN×M為原始輸入維度為N×M的樣本；v，m分別為掃描窗口的長和寬；b為掃描步長；l為窗口數量。

最終經掃描之后的窗口數量l為

多粒度掃描原理如圖8所示。具體過程是先將3 000組不同擠壓力下PRPD譜圖的27個統計特征參量作為輸入樣本，構建N為3 000、M為27的樣本輸入模型，作為輸入層；掃描窗口的大小v×m取50×10，形成一個50×10的掃描窗口，對輸入樣本進行滑動取樣，掃描步長b取1，得到掃描窗口的數量l為53 118；采用普通隨機森林和完全隨機森林對每個窗口采樣的樣本進行訓練，并且每次訓練都得到一個長度S為6的擠壓力識別分類向量；最終訓練完成后，得到53 118×6的分類向量。2組森林訓練產生的分類向量拼接成長度為106 236的分類向量，作為多粒度掃描的輸出。

圖8 多粒度掃描原理Fig. 8 Principle of multi granularity scanning

3.2.2 級聯森林識別階段

級聯森林結構的作用是利用每層的森林模型對樣本特征進行處理，增強模型的特征挖掘能力，提升模式識別的準確率[22-25]。

級聯森林結構原理如圖9所示。識別的具體過程：先將多粒度掃描輸出的106 236×6擠壓力識別分類向量作為第1層結構的輸入；經過第1層的2個普通隨機森林和2個完全隨機森林訓練生成4個6維分類向量，將這4個分類向量與多粒度掃描輸出的長度為106 236的分類向量拼接成一個長度為106 240的向量，作為第2層結構的輸入；按照此方法類推，第Y-1層結構輸出的4個分類向量與多粒度掃描輸出的分類向量拼接，作為第Y層的輸入；最后對第Y層輸出的4個分類向量求平均值，選擇其中的最大值所對應的類別作為礦用乙丙橡膠絕緣電纜擠壓力識別的最終結果。

圖9 級聯森林結構原理Fig. 9 Principle of cascading forest structure

3.3 基于S-DF模型的擠壓力識別

S-DF模型在DF中引入Stacking集成算法，以提升識別準確率。基于S-DF的采煤機拖拽電纜擠壓力識別步驟如下：

1） 多粒度掃描。將提取的統計特征參量輸入多粒度掃描環節中，利用滑動窗口截取數據，然后將截取的數據輸入普通隨機森林與完全隨機森林中，得到處理后的概率向量并拼接成高維度特征向量。

2） Stacking集成算法學習。利用k-交叉驗證的方法將輸入的統計特征參量分為驗證集、測試集和訓練集。通過初級分類學習器對數據進行處理并將結果拼接在一起，得到低維度且表征能力強的特征數據。

3） 級聯森林識別。將多粒度掃描得到的特征向量輸入第1層森林進行訓練，將第1層的輸出結果與Stacking集成算法學習層的特征數據拼接在一起，作為第2層的輸入；將第2層的輸出結果與多粒度掃描的特征向量拼接，作為第3層的輸入，依此類推。

4） 收斂性判斷。將級聯森林最后一層的輸出結果與上一層的輸出結果作對比，若識別結果相差很大，說明識別結果未收斂，需繼續進行級聯森林識別；若識別結果相差不大，說明結果收斂，結束訓練過程。對輸出結果進行平均處理，取其中概率最大的類別作為最終的輸出結果。

S-DF結構如圖10所示。

圖10 S-DF結構Fig. 10 Structure of Stacking-deep forest

通過實驗采集不同擠壓力下的電纜局部放電樣本各500組，按照比例0.8∶0.2，0.5∶0.5，0.2∶0.8從中隨機選擇劃分為訓練集和驗證集。基于上述樣本集，分別采用S-DF模型和DF模型進行采煤機拖拽電纜擠壓力識別，識別結果見表2，可見S-DF模型的識別準確率高于DF模型。

3.4 識別結果及對比

為驗證S-DF模型識別電纜擠壓力的準確率，按0.8∶0.2的比例劃分樣本集與驗證集，將S-DF模型與隨機森林算法和支持向量機（Support Vector Machine，SVM）的識別準確率進行對比，結果見表3。可看出S-DF模型的平均識別準確率達到94.27%，高于其他2種方法的識別準確率，能夠較為準確地對礦用乙丙橡膠絕緣電纜所受的擠壓力大小進行識別。

表3 S-DF模型與隨機森林、SVM識別準確率對比Table 3 Comparison of recognition accuracy between S-DF model and random forest and SVM

訓練次數對準確率識別的影響如圖11所示。可看出隨著訓練次數的增加，模型的識別率也不斷上升，當訓練次數大于8時，模型的準確率趨于穩定，達94%以上。

圖11 訓練次數對準確率的影響Fig. 11 The effect of training times on accuracy

4 結論

1） 隨著擠壓力的增大，礦用乙丙橡膠絕緣電纜的放電相位無明顯變化，PRPD圖中的最大放電量逐漸減小；最大放電量與平均放電量均隨著擠壓力的增大而減小。

2） 當擠壓力小于1 500 N時，采煤機拖拽電纜的擊穿場強隨著擠壓力的增大而增大；當擠壓力大于2 000 N時，擊穿場強明顯降低，且小于無擠壓力時的擊穿場強。

3） 基于PRPD圖提取的統計特征參量可作為放電指紋，S-DF模型可實現擠壓力大小識別，且識別準確率高于DF模型。