基于時頻域融合和ECA-1DCNN的航空串聯(lián)故障電弧檢測

閆鋒, 蘇忠允

(1.中國民用航空飛行學(xué)院航空工程學(xué)院, 廣漢 618307; 2.南京航空航天大學(xué)民航學(xué)院, 南京 211106)

隨著航空技術(shù)與電力系統(tǒng)的不斷發(fā)展和完善,依靠機械能、液壓能、氣壓能等傳統(tǒng)的多能源體制的飛機逐漸統(tǒng)一為電能體制的飛機[1],該類飛機廣泛采用電力作動、起動/發(fā)電一體化、電除冰和電防冰等技術(shù),已經(jīng)受到了各國的重視。但隨著電氣化的程度的不斷提高,航空導(dǎo)線將會更加密集,布局也會更加復(fù)雜,同時為了減輕總體質(zhì)量,航空上使用的導(dǎo)線直徑往往較小,飛行時處于長時間的震動環(huán)境下,固定框架內(nèi)的導(dǎo)線發(fā)生磨損和接觸不良的情況難免發(fā)生,此時極易誘發(fā)電弧故障。近幾年影響較大的事件為2018年某航空公司飛機在運行時,風(fēng)擋玻璃破裂,調(diào)差報告表明電弧放電產(chǎn)生的局部高溫是導(dǎo)致該事件的主要原因[2]。

電弧故障可以分為串聯(lián)電弧故障和并聯(lián)電弧故障,其發(fā)生時都會產(chǎn)生大量的熱、光、輻射等物理現(xiàn)象,存在火災(zāi)的風(fēng)險。并聯(lián)電弧故障在發(fā)生時回路電流會顯著增大,容易檢測,而串聯(lián)電弧故障在發(fā)生時相當(dāng)于回路中增加了一個線性時變電阻,導(dǎo)致故障發(fā)生時電流比正常情況小,隱蔽性強,不易檢測,因此研究航空串聯(lián)電弧故障的檢測尤為關(guān)鍵。

目前國內(nèi)外串聯(lián)電弧故障檢測方法的研究取得了一些研究成果。一些學(xué)者針對電弧進行仿真研究,主要包括 Cassie、Mayr和Schavemaker等[3-5]多種電弧數(shù)學(xué)模型,但由于電弧發(fā)生時情況復(fù)雜、變化迅速,畸變情況隨機,難以對其進行準確的模擬。部分學(xué)者根據(jù)電弧發(fā)生時的電磁輻射物理現(xiàn)象進行檢測,通過采集相關(guān)輻射信號進行故障電弧檢測和診斷[6-9],此種方法適用于近場測量,但是實際情況下電弧發(fā)生的位置是隨機的,傳感器不能保證一定檢測到電弧物理信號,并不適用于復(fù)雜電路系統(tǒng)。

目前國內(nèi)外研究重點為通過檢測電流信號進行故障電弧的檢測。通過對正常電流信號和電弧故障時電流信號的時域、頻域、時頻域單一或多域分析,提取相關(guān)特征值,設(shè)置閾值或者引入機器學(xué)習(xí)方法,進行故障診斷。文獻[10]使用改進自適應(yīng)噪聲的完備經(jīng)驗?zāi)B(tài)分解將電流信號分解為若干本征模態(tài)函數(shù),然后進行特征提取與降維,最后利用支持向量機進行故障分類。文獻[11]利用經(jīng)驗小波變換將信號分解6階模態(tài)分量,提取多個熵特征與時域特征的同時并利用主成分分析進行降維,最后利用概率神經(jīng)網(wǎng)絡(luò)進行檢測。文獻[12]同時利用小波變換和經(jīng)驗?zāi)B(tài)分解進行處理,提取統(tǒng)計特征與熵特征,運用傳統(tǒng)機器學(xué)習(xí)方法進行診斷。文獻[13]利用改進經(jīng)驗小波變換進行分解,提取全頻帶能量熵特征、高頻樣本熵特征與低頻統(tǒng)計特征,利用極限學(xué)習(xí)機算法進行診斷。文獻[14]利用集合經(jīng)驗?zāi)B(tài)分解將信號分解為多個模態(tài)分量,計算其能量熵特征,利用相關(guān)算法優(yōu)化的反向傳播神經(jīng)網(wǎng)絡(luò)進行診斷研究。文獻[15]利用小波分解后的能譜熵作為特征,設(shè)置閾值進行檢測。文獻[16]提取時、頻域多個特征并進行主成分分析法降維,最后依靠支持向量機進行故障診斷。文獻[17]從時、頻域角度出發(fā),分析特征值并設(shè)置閾值進行檢測。文獻[18]通過多種模態(tài)分解方法,對比不同負載,表明變分模態(tài)分解和局部均值分解對電弧電流信號分解具有良好適用性。其中閾值檢測方法過于依靠專家經(jīng)驗與先驗知識,小波變換與經(jīng)驗?zāi)B(tài)分解以及相關(guān)改進算法復(fù)合熵特征近幾年被廣泛應(yīng)用,且取得了不錯的效果,但是該方法計算量較大,實際應(yīng)用起來較為困難。

目前,隨著機器學(xué)習(xí)的不斷發(fā)展,部分學(xué)者利用深度學(xué)習(xí)算法相關(guān)進行故障檢測。文獻[19]提取三維特征,利用卷積神經(jīng)網(wǎng)絡(luò)-長短期記憶網(wǎng)絡(luò)(convolutional neural network-long short-term memory, CNN-LSTM)算法設(shè)計了5層網(wǎng)絡(luò)進行故障檢測。文獻[20]利用改進AlexNet網(wǎng)絡(luò),設(shè)置5層卷積層進行故障診斷。文獻[21]利用連續(xù)小波變換將信號轉(zhuǎn)變?yōu)閳D像特征,利用深度殘差收縮網(wǎng)絡(luò)并加入注意力機制進行診斷研究。因此,將深度學(xué)習(xí)算法融入串聯(lián)電弧的故障檢測已成為一個重要研究方向,且取得了不錯的成果。

為更好地實現(xiàn)對航空串聯(lián)電弧故障的檢測,現(xiàn)利用深度學(xué)習(xí)強大的分類識別能力,提出一種時頻域信號輸入與加入高效注意力機制(efficient channel attention, ECA)的一維卷積神經(jīng)網(wǎng)絡(luò)(one-dimensional convolutional neural network, 1DCNN)的航空串聯(lián)電弧故障檢測方法。搭建航空串聯(lián)故障電弧實驗平臺,進行電弧實驗與數(shù)據(jù)采集,分析頻域包含的故障信息。將時域信號進行歸一化處理,同時計算其頻譜值,將時域與頻域信息進行融合,作為檢測模型的輸入,相同類型負載故障設(shè)置為同一標簽值。建立ECA-1DCNN故障電弧檢測模塊,利用1DCNN模塊進行特征提取,ECA模塊對其重要特征進行增強,無用信息進行抑制,將正常和故障情況進行分類。通過四折交叉驗證方法進行驗證,利用多個評價指標說明模型的有效性,并對比其他算法,說明特征頻段選取與加入注意力機制的有效性。

1 電弧故障實驗

1.1 實驗平臺搭建

首先根據(jù)SAE AS 5692[22]和UL 1699[23]相關(guān)標準搭建航空電弧實驗平臺,電路原理圖如圖1所示。實驗平臺由115 V/400 Hz交流電源、電弧發(fā)生裝置、負載、示波器、電流探頭等組成,如圖2所示。

圖1 電弧實驗原理圖

圖2 電弧實驗實物圖

其中交流電源用來模擬典型航空供電類型;電弧發(fā)生裝置通過拉弧式產(chǎn)生電弧,6 mm碳棒電極固定不動,6 mm尖頭銅棒電極固定在由調(diào)節(jié)裝置控制的移動滑塊上,電弧由拉弧式產(chǎn)生,實驗開始時,碳棒電極與銅棒電極緊密接觸,然后通過控制銅棒與碳棒兩電極距離,使空氣被擊穿,從而產(chǎn)生串聯(lián)電弧;示波器通過電流探頭測量并存儲電流數(shù)據(jù),輸入到計算機進行后續(xù)處理,硬件設(shè)備主要參數(shù)如表1所示。

由于航空用電設(shè)備類型復(fù)雜,如風(fēng)擋加溫控制系統(tǒng)中的加熱器為純電阻負載,航空螺線管為電感負載,座椅為電容負載。因此實驗中負載選擇純阻性負載、阻感性負載、阻容性負載3種主要負載,各負載類型與參數(shù)值如表2所示。

表2 負載參數(shù)值

表3 數(shù)據(jù)集構(gòu)成

1.2 電弧波形結(jié)果分析

圖3(a)、圖3(b)分別為純阻性負載正常運行和發(fā)生電弧時的歸一化電流波形,可以明顯看出電弧發(fā)生時具有明顯的平肩部。

圖3 純阻性負載電流波形

2 特征頻段提取與數(shù)據(jù)集介紹

2.1 FFT變換與頻域分析

采樣頻率為50 kHz,正常信號與故障信號均保留5個整周期的數(shù)量進行后續(xù)計算。進行歸一化操作,將值映射到[-1, 1],公式為

(1)

式(1)中:xscaled為歸一化后數(shù)值;x為初始數(shù)值;xmax為該組數(shù)據(jù)最大值;xmin為該組數(shù)據(jù)的最小值。

進行快速傅里葉變換操作,對于一個大小為N×1 的采樣信號x[n],其離散形式的表達式為

(2)

計算得到頻譜值,圖4分別是純阻性負載正常與故障電弧時的頻譜圖像,其中對1 000～4 000 Hz區(qū)域進行放大得到子圖。

圖4 頻譜圖像

負載在正常運行時,高頻分量成分較少;而電弧產(chǎn)生時,產(chǎn)生大量高頻成分,其中主要集中在1 000～4 000 Hz,在3次諧波、5次諧波、7次諧波、9次諧波時具有顯著變化。選擇純阻性負載20、50、100 Ω的正常和故障電流數(shù)據(jù),分別計算多次諧波與基波比值,如圖5所示,藍色點為正常情況,紅色點為電弧情況,從左到右依次為20、50、100 Ω的比值大小。

圖5 諧波與基波比值

分析可知,頻域中包含著大量的故障信息,為了提高檢測精度,將0～4 000 Hz的頻譜值與時域信號拼接組成神經(jīng)網(wǎng)絡(luò)模型的輸入,進行訓(xùn)練與分類。數(shù)據(jù)集構(gòu)成與標簽值如表2所示,其中每一類負載正常和故障狀態(tài)各200個數(shù)據(jù)集。

2.2 數(shù)據(jù)集介紹

負載為線性負載,正常工作狀態(tài)下均為正弦波,歸一化后仍為正弦波形,因此將所有的正常狀態(tài)標簽設(shè)置為0,故障狀態(tài)分別為1、2、3。

3 算法原理與網(wǎng)絡(luò)模型搭建

3.1 1DCNN網(wǎng)絡(luò)

1DCNN即一維卷積神經(jīng)網(wǎng)絡(luò),1DCNN也包括卷積層、激活層、池化層和全連接層等模塊[24]。其中卷積層利用滑動窗口即一維卷積核對輸入進行局部連接,從而捕捉序列中的特征,池化層則用于減小輸出的尺寸以及提升模型的魯棒性。通過交替使用這些模塊來提取更抽象的特征表示,并且可以通過增加神經(jīng)層的布局及權(quán)重參數(shù)數(shù)量,從而實現(xiàn)更復(fù)雜的特征建模,擁有學(xué)習(xí)高級特征和分類的能力。其分類任務(wù)的主要流程如圖6所示。

圖6 1DCNN主要流程

3.2 ECA網(wǎng)絡(luò)

ECA[25]是在對擠壓與激發(fā)網(wǎng)絡(luò)(squeeze-and-excitation networks, SENet)的基礎(chǔ)上進行改進得來,SENet適用于多通道的輸入數(shù)據(jù),對不同通道的權(quán)重進行計算,分配不同的重要程度,其通過全連接層對特征進行降維,不可避免的增加了模型復(fù)雜度和計算量,而ECA在SENet基礎(chǔ)上進行改進,克服了模型性能與復(fù)雜度之間的矛盾。ECA模塊結(jié)構(gòu)如圖7所示。

圖7 ECA結(jié)構(gòu)

首先進行全局平均池化操作(global average pooling, GAP)獲取全局信息,其次進行一維卷積操作,其中一維卷積核大小k自適應(yīng)計算得來,公式為

(3)

式(3)中:|t|odd為距離t最近的奇數(shù);C為維度大小;b和γ為常數(shù),取值分別為1和2。然后利用一維卷積生成權(quán)值,公式為

ω=σ[C1Dk(y)]

(4)

式(4)中:ω為通道權(quán)重;σ為Sigmoid函數(shù);C1D為1D卷積;y為全局平均池化后的結(jié)果。

最后,將原始輸入與權(quán)重進行點積運算獲得具有注意力機制的特征。

3.3 電弧檢測網(wǎng)絡(luò)模型

使用兩層1DCNN網(wǎng)絡(luò)和兩層ECA模塊。防止梯度爆炸和消失現(xiàn)象,加入批規(guī)范化操作層(batch normalization,BN),其計算過程如下。

(5)

(6)

(7)

(8)

式中:xi∈X={x1,x2,…,xn}為處理前數(shù)據(jù);yi為處理后數(shù)據(jù);ε為大于0且接近于0的常數(shù);γ、β為重構(gòu)參數(shù)。

采取Adam優(yōu)化算法,添加L2正則化,參數(shù)設(shè)置為0.000 1,提高模型的泛化能力,同時為了避免不同標簽值對模型的影響,將標簽值進行one-hot編碼,因此使用分類交叉熵(categorical crossentropy)損失函數(shù),其公式為

(9)

表4為航空串聯(lián)故障電弧檢測模型的主要結(jié)構(gòu),變量總數(shù)為50 250,圖8為航空串聯(lián)電弧檢測方法流程圖。

表4 故障檢測模型結(jié)構(gòu)

圖8 航空串聯(lián)電弧檢測方法流程圖

4 結(jié)果可視化與分析

為了說明模型的魯棒性和泛化性能,進行三折交叉驗證模型對不同數(shù)據(jù)集劃分的準確性;引入混淆矩陣與接受者操作特征(receiver operating characteristic curve,ROC)曲線進行更全面的評估;設(shè)計對比試驗,表明時頻域融合方法與添加注意力層算法的優(yōu)勢。

4.1 K折交叉驗證

K折交叉驗證一般使用3、5或10折,總數(shù)據(jù)量為3 600,使用5折或10折驗證難以保持樣本數(shù)量的充足性,因此選取K=3。驗證訓(xùn)練集、驗證集和測試集的比例均為7∶2∶1,迭代次數(shù)為50次,批大小為28,如圖9所示分別為每次交叉驗證的驗證集準確率和損失值。其測試集準確率與損失值如表5所示。

表5 測試集準確率與損失值

圖9 交叉驗證準確率與損失值

從圖9中可以看出,對于3種不同測試集,準確率都達到97.5%以上,損失值降到了0.1以下,平均準確率達到了97.96%,平均損失值為0.078 6。

4.2 結(jié)果分析

為了更好地評估模型的優(yōu)劣,隨機取360個樣本放入模型進行測試,求得每個類別的真陽率(true positive rate,TPR)和假陽率(false positive rate,FPR),其計算過程如式(22)、式(23)所示,ROC曲線如圖10所示,混淆矩陣如圖11所示。

(10)

圖10 ROC曲線

圖11 分類結(jié)果混淆矩陣

(11)

式中:TP(true positive)表示實際正,預(yù)測正的個數(shù);FP(false positive)表示實際負,預(yù)測正的個數(shù);TN(true negative)表示實際負,預(yù)測負的個數(shù);FN(false negative)表示實際正,預(yù)測負的個數(shù)。

根據(jù)ROC曲線可以看出,曲線宏平均與微平均都達到了0.99以上,具有較好的分類性能,能夠準確地識別到正常電流狀態(tài)和阻感性負載電弧狀態(tài),識別率為1。

對混淆矩陣進行分析,正常狀態(tài)識別率為100%,不會發(fā)生誤判;純阻性負載隨機抽取了51個樣本進行檢測,有1個樣本被錯誤識別為阻容性負載狀態(tài);阻感性負載全部識別正確;阻容性負載選擇了55個負載,有3個被錯誤的識別,可以認為該檢測模型具有較好的性能,對于故障與正常狀態(tài)能夠進行較為精準的識別。

4.3 不同模型比較

為了說明算法的優(yōu)勢,分別與時頻域融合信號+1DCNN和時域信號+ECA-1DCNN進行對比,如圖12和圖13所示分別為兩種算法的準確率與損失值變化情況,其中兩種算法的1DCNN網(wǎng)絡(luò)模型結(jié)構(gòu)與本文模型提出的一致,均為兩層卷積操作。同時輸出時頻域融合+ECA-1DCNN模型準確率與損失值變化情況進行對比,如圖14所示。

圖12 時頻域融合+1DCNN

圖13 時域信號+ECA-1DCNN

圖14 時頻域融合+ECA-1DCNN

可以看出,加入ECA網(wǎng)絡(luò)后,模型收斂得更加快速與平穩(wěn),這是因為ECA網(wǎng)絡(luò)可以更快速地注意到不同數(shù)據(jù)中更重要的特征;加入頻域的相關(guān)特征后,對問題的識別率與準確率也有提高,說明本文模型提取特征頻段是一種有效的處理方式。輸出不同算法的測試集的準確率與損失值,如表6所示,對比兩種算法,準確率分別提高了1.95%和1.68%,損失值分別降低了0.042 3和0.039 5。

表6 不同算法測試集準確率與損失值

全部計算在計算機(CPU I5-10400)完成,將訓(xùn)練好的模型進行保存,隨機選取100個樣本進行檢測,平均檢測時間為0.042 6 s,與其他算法的對比如表7所示,說明本文算法有較高精度,同時具有較快的檢測速度,能夠?qū)崿F(xiàn)航空串聯(lián)故障電弧的快速檢測。

表7 不同算法計算時間

算法計算較快的首先原因在于本文模型網(wǎng)絡(luò)層數(shù)較少,文獻[18]設(shè)置網(wǎng)絡(luò)層數(shù)為5層,同時長短時記憶網(wǎng)絡(luò)(long short-term memory, LSTM)計算復(fù)雜度大于卷積神經(jīng)網(wǎng)絡(luò),且本文模型選取兩層1DCNN和兩層ECA,參數(shù)量較少;其次在于采樣率與周期數(shù)的設(shè)置,本文模型設(shè)置為50 kHz、5個周期,而文獻[25]采樣率設(shè)置為2.5 MHz、10個周期,單一樣本數(shù)據(jù)量較大;而文獻[26]計算結(jié)果較慢的原因在于前處理過程復(fù)雜,其中小波包分解層數(shù)大于30層。

5 結(jié)論

提出了一種基于時頻域融合與ECA-1DCNN的航空串聯(lián)故障電弧檢測方法。通過進行多負載類型、多參數(shù)值進行故障電弧實驗,采集電流信號,分析頻譜圖,得到特征頻段在1 000～4 000 Hz,將頻域與時域融合,輸入模型,進行訓(xùn)練,最終平均準確率達到97.96%,單一檢測時間平均為0.042 6 s,計算快速,給航空串聯(lián)故障電弧檢測裝置的研究提供理論參考。