基于改進CNN的醫院電氣設備絕緣狀態自動監測方法研究

摘要：目前，醫院電氣設備絕緣狀態的自動監測方法往往性能不佳，導致誤報、漏報和監測精度低。為了解決這個問題，提出基于改進卷積神經網絡（Convolutional Neural Networks， CNN[ 2] ）的自動監測方法。通過將振幅映射到像素灰度、將時間映射到像素位置、將信號轉換為2D圖像，使用全球平均池來增強CNN，對設備狀態進行分類，識別絕緣狀況，并發出警告。實驗表明，監測方法的誤報率≤1%、漏報率≤2%，能夠實現精確的自動監控。

關鍵詞：改進卷積神經網絡[ 3]" 電氣設備 絕緣狀態 自動監測 二維圖像 全局平均池化技術

Research on the Automatic Monitoring Method of Insulation Status of Hospital Electrical Equipment Based on Improved CNN

XU Chen

Zigong First People’s Hospital， Zigong， Sichuan Province， 643000 China

Abstract： The current automatic monitoring methods for the insulation status of electrical equipment in hospitals often suffer from poor performance， leading to 1 alarms， missed alarms， and low monitoring accuracy. To address this， an automatic monitoring method based on an improved Convolutional Neural Networks （CNN） is proposed. This method converts signals into 2D images by mapping amplitude to pixel grayscale and time to pixel position. Using global average pooling to enhance CNN， it classifies equipment status， identifies insulation conditions， and issues warnings. Experiments show that the monitoring method can achieve accurate automatic monitoring with a 1 alarm rate of ≤ 1% and a 1 alarm rate of ≤ 2%.

Key Words： Improve Convolutional Neural Networks; Electrical equipment; Insulation status; Automatic monitoring; 2D image; Global average pooling technology

在長時間運行過程中，電氣設備的絕緣狀態會因多種因素（如機械力、電、熱、微生物、水分、氧化、射線等）而逐漸劣化，這些因素的存在不僅會導致設備性能下降，甚至可能引發嚴重的安全事故，嚴重威脅到患者和醫護人員的生命安全[1]。因此，對醫院電氣設備的絕緣狀態進行實時監測具有重要意義。

何瀚等人[2][ 4] 提出了基于紅外圖像技術的監測方法，通過探測設備紅外輻射信號，獲取其熱狀態特征，從而判斷絕緣狀態。然而，該方法存在圖像數據量大、處理復雜，以及需精準圖像配準技術等問題。穆文靜等人[3]提出了基于機器視覺的監測方法，通過采集圖像、預處理，識別絕緣故障前景目標，提取邊緣輪廓信息，識別監測絕緣狀態。但該方法受圖像背景干擾，導致監測結果不準確。

為此提出基于改進美國有線電視新聞網（Cable News Network，CNN）[ 5] [A6] 的醫院電氣設備絕緣狀態自動監測方法。

1電氣設備絕緣時域信號轉化二維圖像方法設計

考慮到樣本集的大小與CNN[ 7] 模型性能之間存在著正向的關聯性，為了增強CNN模型的泛化能力，對醫院電氣設備局部放電信號實施隨機裁剪的策略，擴充數據集。電氣設備在絕緣狀態下會發生局部放電，因此，將電氣設備局部放電信號作為設備絕緣狀態監測變量。假設電氣設備局部放電信號序列[A8] 為，通過將一個尺寸固定的滑動窗口在局部放電信號序列上隨機地移動，捕獲到一系列時域信號片段[4]。這一步驟需要重復多次，以確保獲得足夠數量的樣本。將截取到的隨機信號片段進行組合，形成不同長度的電氣設備局部放電信號序列。

CNN模型的輸入向量為圖片形式，而捕獲的電氣設備局部放電時域信號片段為數字量形式，無法直接輸入到CNN模型進行計算。因此，將這些一維局部放電信號轉換為二維數據，即將電氣設備局部放電時域信號的幅值映射為圖像中的像素灰度值，同時將時間信息映射為像素的位置坐標，從而實現二者之間的對應[5]。將每個采樣點的幅值根據其大小轉換為灰度圖像的像素值域[0，255]內的相應值，其用公式表示為

式（1）[ 10] 中：為電氣設備局部放電二維圖像中坐標的像素值；[ 11] 為取整函數；為第和電氣設備局部放電信號片段第個采樣時刻的信號幅值，單位為V；、分別為電氣設備局部放電信號片段中最小信號幅值和最大信號幅值，單位為V。

將圖像中所有坐標點的像素值整合，生成電氣設備局部放電二維圖像，以此實現電氣設備絕緣時域信號轉化二維圖像。

2基于改進CNN的設備狀態分類

在面臨多種狀態情形時，轉化的電氣設備局部放電圖像中信號幅值波形特征會展現出顯著的差異性，這一特性使CNN成為構建設備絕緣狀態監測模型的一個理想選擇。本節提出一種改進CNN模型，用全局平均池化技術替代傳統的全連接層。全局平均池化技術通過對每個特征圖進行全局范圍內的平均計算，減少CNN模型參數的數量，降低過擬合的風險，節省計算資源。

將轉化后的設備局部放電信號二維圖像輸入到改進CNN卷積層，在卷積層中，通過對局部放電信號二維圖像卷積操作，提取圖像局部特征，其用公式表示為

式[ 13] （2）中：為第層卷積層第個濾波器的卷積操作輸出局部特征圖；為激活函數；為輸入局部放電信號二維圖像數量；為第層卷積層第個濾波器對應的卷積核大小；表示卷積層偏置項。

通過多層卷積操作后，提取到眾多個局部特征圖。為了增強特征的魯棒性和抗干擾能力，卷積層卷積操作后，通過對提取的特征圖進行池化操作，實現對特征圖降維處理。根據需求，采用最大池化方法，對于給定的池化區域，通過在池化區域內選取最大值來獲得池化輸出，其用公式表示為

將池化操作后的局部特征圖輸入到局部平均池化層，利用全局平均池化技術，對每個特征圖進行全局范圍內的平均計算，即將前面卷積池化模塊提取的高維特征映射到一個低維的分類空間中，通過Softmax函數的作用，池化層的輸出被映射到（0，1）區間內，且所有類別的概率之和為1，計算輸入樣本屬于某一狀態的概率，其用公式表示為

式[ 17] （4）中：為輸入的局部放電信號二維圖像屬于第類狀態的概率；為Softmax函數；為全局平均池化的權重矩陣；為全局平均池化的偏差矩陣。

根據需求，在改進CNN模型中設置兩個類別，即取值為2，第一類為設備正常狀態類，第二類為設備絕緣狀態類。根據改進CNN輸出概率的大小，判斷輸入樣本屬于哪個類別的可能性最大，以此實現對電氣設備狀態分類。

3電氣設備絕緣狀態監測

基于改進CNN模型輸出結果，識別電氣設備絕緣狀態，對識別到的電氣設備絕緣狀態進行預警響應。根據需求，此次設計黃色、橙色和紅色預警等級，根據改進CNN輸出的電氣設備絕緣狀態概率值大小，確定預警等級，其用公式表示為

4實驗論證

以某醫院為實驗環境，利用改進CNN模型進行電氣設備絕緣狀態自動監測時，對樣本量的需求非常大，通過在醫院現場采集和擴充，獲取實驗數據樣本。采樣間隔為0.15 s，采樣頻率為1.62 Hz，采樣時間為24 h，原數據樣本共55 000條，通過擴充后，得到電氣設備局部放電信號85 000條，將其作為本次實驗樣本。

設置兩個對照組，分別為何瀚等人[2][ 20] 提出的基于紅外圖像技術的監測方法、穆文靜等人[3]提出的基于機器視覺的監測方法，以下分別用對照組1和對照組2表述。

將局部放電信號轉化為時域頻譜圖像，隨機選取某段時域放電信號，轉化后的二維圖像如圖1所示。

圖1電氣設備絕緣時域信號頻譜圖

改進CNN模型包含2個卷積層，每個卷積層的卷積核大小為4×4，卷積核數量為32個，卷積步長設為2；設有1個全局平均池化層，池化尺寸為2×2[ 21] px，池化步長也為2px；激活函數采用ReLU。

以監測樣本數量為變量，圖2、圖3給出了3種方法在醫院電氣設備絕緣狀態自動監測場景中的誤警率曲線圖和漏警率雷達圖。雷達圖中，每個區域對應一個坐標軸，在刻度相同的情況下，每個軸線向外延伸。不同樣本數量下，漏警率標記在軸線上，標記點越接近中心，表示漏警率越低。

從圖2、圖3可以看出，本文方法的誤警率和漏警率均最低，不超過1%和1.05%。這是因為本文采用改進CNN模型，對設備絕緣狀態特征能夠精準提取，避免CNN模型過早擬合，在一定程度上保證了檢測精度。因此，實驗證明了本文方法更適用于醫院電氣設備絕緣狀態自動監測，具有較高的監測精度。

5結語

本文提出的基于改進CNN的醫院電氣設備絕緣狀態自動監測方法，通過優化網絡結構，有效提升了絕緣狀態監測的準確性和魯棒性。該方法不僅克服了傳統監測手段在效率、精度和實時性方面的不足，還充分考慮了醫院電氣設備的特殊性和復雜性，為醫院電氣系統的安全運行提供了有力保障。

參考文獻

[1]高雨軒. 氣體絕緣組合電氣設備故障PAS檢測技術研究[D].石家莊：石家莊鐵道大學[A25] ，2024.

[2]何瀚， 郭亨. 基于紅外圖像技術的變電站高壓電氣設備絕緣自動監測[J]. 電工技術， 2024 [A26] （19）： 184-185，190.

[3]穆文靜. 基于機器視覺的變電站高壓電氣設備絕緣自動監測方法[J]. 綿陽師范學院學報， 2024， 43 （2）： 25-33.

[4]鄧科，侯曉松，林湘寧，等.基于5G通信的電氣設備監測終端性能在線評估方案[J].電力系統保護與控制， 2021， 49 （7）： 39-47.

[5]唐志國，李陽. 太赫茲技術在電氣設備絕緣缺陷檢測研究綜述[J]. 高壓電器， 2023， 59 （11）： 135-144.