基于點(diǎn)對稱變換的EPR電纜終端缺陷診斷

　　摘要：自從 1895 年倫琴發(fā)現(xiàn) X 射線以來，核科學(xué)技術(shù)快速發(fā)展，被廣泛應(yīng)用于醫(yī)療影像、安檢安防、工業(yè)無損檢測、核電監(jiān)測、資源勘探、基礎(chǔ)科學(xué)和空間科學(xué)等諸多領(lǐng)域。核探測技術(shù)是核科學(xué)技術(shù)發(fā)展的關(guān)鍵支撐，從探測材料和工作原理劃分，核輻射探測器主要可分為氣體探測器、閃爍體探測器和半導(dǎo)體探測器。本文從各類射線與半導(dǎo)體材料的相互作用以及半導(dǎo)體探測器工作原理和信號處理過程入手，探討了不同核輻射類型、不同應(yīng)用需求對半導(dǎo)體核輻射探測器的性能要求以及探測器設(shè)計(jì)要點(diǎn)，并按照元素族序的順序?qū)Π雽?dǎo)體材料在核輻射探測領(lǐng)域的性能表現(xiàn)和取得的研究進(jìn)展進(jìn)行了綜述。

　　周利軍; 劉聰; 權(quán)圣威; 曹偉東; 項(xiàng)恩新， 電工技術(shù)學(xué)報(bào) 發(fā)表時間：2021-09-06

　　關(guān)鍵詞：核輻射探測器;半導(dǎo)體;伽馬射線探測器;X 射線探測器;粒子探測器;CdZnTe 探測器;硅探測器

　　0 引言

　　高速鐵路動車組乙丙橡膠(Ethylene Propylene Rubber, EPR)電纜服役狀態(tài)極為重要[1]。然而，車載電纜終端由人工制作、安裝，無法避免會在終端處留有各種缺陷，缺陷處引發(fā)局部放電的事故頻發(fā) [2]，甚至發(fā)生電纜終端擊穿事故。因此，對車載電纜終端缺陷進(jìn)行有效診斷具有重要意義。

　　局部放電是最為廣泛使用的電纜缺陷測試手段之一[3]。在利用局部放電信息來判別電纜缺陷類型時，通常可憑借局部放電譜圖[4-5]或局部放電脈沖信號[6]兩種數(shù)據(jù)源。考慮到我國電氣化鐵路采用運(yùn)行圖空隙檢修[7]，留給局部放電測試的天窗期較短，導(dǎo)致現(xiàn)場采集局放數(shù)據(jù)量稀疏且匱乏。由于局部放電譜圖反映的是一定時間段內(nèi)局部放電量在相位上的疊加，若采集的數(shù)據(jù)點(diǎn)過少，將導(dǎo)致各缺陷間譜圖和分布區(qū)分不明顯，難以進(jìn)行缺陷診斷分析。因此，直接采用局放脈沖時序信號進(jìn)行分析更為合適。

　　基于局放脈沖的缺陷診斷，目前通常在信號分析的基礎(chǔ)上，通過變分模態(tài)分解[8]、等效時頻熵[9]、小波包分解[10]等手段實(shí)現(xiàn)。以上技術(shù)雖已取得深入的研究，但是存在以下問題：①上述信號仍舊為一維信號，直接將一維長數(shù)組導(dǎo)入識別網(wǎng)絡(luò)，不僅會降低網(wǎng)絡(luò)性能，減慢識別速度，使網(wǎng)絡(luò)陷入梯度彌散，而且會導(dǎo)致數(shù)據(jù)特征提取不充分;②上述方法處理后的信號依舊是在直角坐標(biāo)系下的時頻信號，由于局部放電脈沖信號的隨機(jī)性與非平穩(wěn)性，僅對時頻域信號進(jìn)行分析不足以完全反映缺陷特征，存在一定的局限性，同時信號間差異微小導(dǎo)致可視性較差，缺陷特征不直觀。經(jīng)調(diào)研發(fā)現(xiàn)，局部放電的脈沖時序信號與齒輪軸承等機(jī)械振動信號具有類似的特征，且點(diǎn)對稱變換(Symmetrized Dot Pattern, SDP)方法在振動信號問題的處理上取得了較好的效果[11-13]。因此，SDP 可為局部放電信號的處理提供了一種新思路，本文將探尋其在電纜終端缺陷診斷中的適用性。

　　以往電氣設(shè)備故障診斷中常采用機(jī)器學(xué)習(xí)方法 [14-16]，但是研究與應(yīng)用表明，傳統(tǒng)機(jī)器學(xué)習(xí)泛化性能差、缺乏自適應(yīng)特征學(xué)習(xí)和學(xué)習(xí)深度不足等問題，導(dǎo)致無法適應(yīng)復(fù)雜多變的現(xiàn)場和大數(shù)據(jù)的沖擊。近年來，深度學(xué)習(xí)在電氣設(shè)備智能診斷與識別方面已取得重點(diǎn)關(guān)注與研究[5,17-18]，相關(guān)文獻(xiàn)表明深度學(xué)習(xí)取得了不錯的應(yīng)用效果，更好地滿足了當(dāng)下工程需求，但是深度學(xué)習(xí)包含多種架構(gòu)，常見如卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)、棧式自編碼器(Stacked AutoEncoders, SAE)和深度置信網(wǎng)絡(luò)(Deep Belief Network, DBN)等，針對具體的問題不同學(xué)習(xí)架構(gòu)的性能仍存在差異。

　　針對以上問題，本文通過搭建試驗(yàn)平臺獲取放電信號，然后研究了車載電纜局部放電信號的 SDP 參數(shù)確定方法，分析了 SDP 方法處理局放信號的適用性，并將不同類型缺陷的局部放電信號進(jìn)行了 SDP 方法處理，最后將處理之后的 SDP 圖像輸入典型架構(gòu)的深度學(xué)習(xí)網(wǎng)絡(luò)(CNN、SAE 及 DBN)，對各類型網(wǎng)絡(luò)的性能進(jìn)行了討論分析。

　　1 理論基礎(chǔ)

　　1.1 SDP 變換基本原理

　　SDP 方法是一種將標(biāo)準(zhǔn)化時間序列信號映射到極坐標(biāo)系中的信號轉(zhuǎn)換算法，生成的 SDP 圖像提高了缺陷的可視化能力，通過不同圖像的紋理反映了原始信號的頻率和幅度[19]。

　　SDP 算法原理如下：對于一個時序信號 x，xi是信號 x 的第 i 個采樣點(diǎn)的幅值，xi+τ是相鄰時間間隔 τ 之后信號 x 的第 i+τ 個采樣點(diǎn)的幅值。根據(jù) SDP 原理，當(dāng)把時域信號點(diǎn) xi 轉(zhuǎn)換為極坐標(biāo)空間 S(r(i),θ(i),φ(i)) 時，極坐標(biāo)半徑 r(i)由點(diǎn) xi映射，可以表示為 min max min ( ) i x x r i x x ??? (1)式中，xmax 和 xmin 分別為時域信號 x 幅值的最大值和最小值。

　　關(guān)于鏡像對稱面沿逆時針和順時針方向旋轉(zhuǎn)的角度 θ(i)和 φ(i)由相鄰的時間點(diǎn) xi+τ 映射，可以用數(shù)學(xué)公式表示為 min max min ( ) i l x x i x x ? ? ? ?? ?? ?? (2) min max min ( ) i l x x i x x ? ? ? ?? ?? ?? (3)式中，τ 為時間間隔因子，1≤τ≤10;η 為系繪圖的增益角度，η≤θl;θl 為第 l 個鏡像對稱平面的角度， θl=360m/n(m=0,1,2,3…n-1，n 為鏡像對稱平面數(shù)量，通常取 6)[20]，θ(i)和 φ(i)共同決定了 SDP 圖像的繪圖范圍。SDP 算法的圖解原理如圖 1 所示。

　　1.2 SDP 圖像特征

　　從以上 SDP 變換可以看出，SDP 算法著重于在極坐標(biāo)系中確定點(diǎn)的位置，原始信號頻率或幅度之間的差異主要體現(xiàn)在 SDP 圖像點(diǎn)的分布和曲率差異上。圖 2 給出了三個正弦信號(頻率分別為 50 Hz、100 Hz、 400 Hz)和高斯白噪聲信號(均值為 0，方差為 1)的 SDP 圖像，參數(shù)設(shè)定為 θl=60°，τ=5，η 從圖 2a~圖 2c 可以明顯地看出，SDP 圖像點(diǎn)的分布和圖形曲率的不同直觀地反映了正弦信號頻率的變化;和圖 2d 相比，周期性信號與非周期性信號之間的差異也可以通過 SDP 圖像來區(qū)分。不同信號的 SDP 圖像直觀特征可總結(jié)為以下五個方面：①SDP 圖像臂的曲率;② SDP 圖像臂的厚度和形狀特征;③SDP 圖像臂的幾何中心;④SDP 圖案的點(diǎn)指向集中區(qū)域;⑤SDP 圖案臂的回歸曲線的曲率。

　　因此，可以通過使用極坐標(biāo)系 SDP 圖像以對稱圖形的形式呈現(xiàn)凹凸不平的信號來突出可能被忽略的形態(tài)特征，并且在本文中還將用于可視化缺陷局部放電信號。

　　1.3 SDP 圖像參數(shù)的確定方法

　　為了更好地可視化電纜缺陷放電狀態(tài)，在生成 SDP 圖像時選擇最佳參數(shù)很重要。不同信號生成的 SDP 圖像之間的細(xì)微差異主要取決于參數(shù) η 和 τ，適當(dāng)?shù)?η 和 τ 可以有效提高圖形分辨率并放大信號之間的差異,提高后續(xù)分類算法的識別準(zhǔn)確率。因此，本文采用一種典型的圖像評估指標(biāo)——歸一化互相關(guān)系數(shù)來選擇最佳參數(shù) η 和 τ。首先，使用數(shù)字圖像處理方法將 SDP 模式轉(zhuǎn)換為數(shù)字矩陣，矩陣可以表示為式中，(0,0)為像素坐標(biāo)的原點(diǎn);(0,1)為從原點(diǎn)開始的第一行和第二列的像素坐標(biāo);(1,0)為從原點(diǎn)開始的第二行和第一列的像素坐標(biāo);f(x,y)為坐標(biāo)點(diǎn)(x,y)上的灰度值;m×n 為圖像尺寸大小。對于兩個具有 m×n 尺寸的圖像，相關(guān)系數(shù)可以表示為 式中，?A 和?B 分別為圖像 A 和 B 的平均灰度值。 r 的范圍在 0~1，r 的值越大表示圖像 A 和 B 越相似;否則，它表示圖像 A 和 B 之間的差異較大，從而易于識別圖像 A 和 B。對于多圖像之間，其總的相關(guān)系數(shù)可定義為? ?? ? , r , 1, , 1 2,3, sum i j i j i j r A B i k j k ?? ? ? ? ? ; (6) 式中，Ai 和 Bj 為對應(yīng)的圖像樣本;k 為總圖像數(shù)。

　　2 實(shí)驗(yàn)設(shè)計(jì)

　　2.1 樣本制作

　　為貼近實(shí)際工程背景，文中制作的電纜樣本均取自 CRH380A 型動車車頂高壓電纜(電纜型號為 QTO-J30G-25 kV)。需要指出，考慮到未有關(guān)于 EPR 電纜終端缺陷制作的技術(shù)標(biāo)準(zhǔn)，本文設(shè)計(jì)的局放試驗(yàn)中缺陷制作是參考相關(guān)文獻(xiàn)[21]和鐵路現(xiàn)場經(jīng)驗(yàn)，具體制作流程如下：

　　1)將 EPR 電纜截成長度為 1.5 m 短電纜樣本，從兩端剝除適當(dāng)長度的外護(hù)套、阻水層、外半導(dǎo)電層，露出 EPR 主絕緣;截取端部絕緣 7 cm，露出纜芯。

　　2)四種常見的絕緣缺陷制作在 EPR 主絕緣上，分別是金屬顆粒、半導(dǎo)電層毛刺、環(huán)切劃傷和氣隙，為使放電效果明顯，故將缺陷進(jìn)行夸張?jiān)O(shè)計(jì)，示意圖及實(shí)物圖如圖 3 所示。金屬顆粒的產(chǎn)生原因有兩種可能，一是殘留在 EPR 絕緣上的導(dǎo)電微粒，二是人工制作電纜終端易遺漏金屬碎屑在 EPR 絕緣上，其模擬過程為先在主絕緣上隨機(jī)撒下金屬銅屑，之后在金屬銅屑四周涂抹硅脂;半導(dǎo)電層毛刺是由于在去除外半導(dǎo)電層時，末端環(huán)切截?cái)嗵幉积R產(chǎn)生;環(huán)切劃傷通常是在去除外半導(dǎo)電層時，由于人工未控制好力度導(dǎo)致刀具透過截?cái)嗵幫獍雽?dǎo)電層在主絕緣上留下劃痕，其形狀設(shè)置為 360°圓環(huán)狀、寬 1 mm、深 0.5 mm;氣隙缺陷用來模擬在熱縮終端的過程中，熱縮管與絕緣層之間未緊密貼合，出現(xiàn)縫隙，其形狀設(shè)置為 100 mm×0.5 mm×1 mm 的矩形凹槽。

　　3)根據(jù)熱縮式終端制作流程，安裝電纜終端。其中，本文只在終端一側(cè)制作缺陷，目的是避免多源局部放電的影響。

　　由于局部放電具有隨機(jī)性和分散性，為保證數(shù)據(jù)的真實(shí)可靠，文中對同類型缺陷電纜樣本各制作五根，為方便后續(xù)算法輸入，對缺陷樣本進(jìn)行編號，見表 1。

　　2.2 試驗(yàn)平臺搭建

　　本文按照圖 4 所示搭建的局部放電試驗(yàn)平臺對 EPR 試樣進(jìn)行局部放電測試。其中，試驗(yàn)變壓器為容量 10 kV•A 的 TQSW 無局部放電試驗(yàn)變壓器;高壓電阻阻值為 400 M?;分壓器的分壓比為 1000:1;耦合電容為 1 000 pF;局部放電測試選用 MPD600 測試系統(tǒng)，基于脈沖電流法通過 MPD 600 和檢測阻抗 CPL 542 對局部放電信號進(jìn)行采集和轉(zhuǎn)換，并通過信號處理單元 MCU 502 將采集信號最終傳輸至電腦終端進(jìn)行分析。文中試驗(yàn)均在高壓屏蔽室內(nèi)進(jìn)行，試驗(yàn)過程中的背景噪聲保持在 3 pC 以下，施加電壓大小為 25 kV。

　　3 缺陷識別模型及分析

　　基于 SDP 圖像和深度學(xué)習(xí)網(wǎng)絡(luò)的動車組電纜缺陷診斷具體框架如圖 5 所示。

　　3.1 數(shù)據(jù)采集和預(yù)處理

　　首先，建立上節(jié)描述的局部放電試驗(yàn)平臺分別對制作的四種帶有不同缺陷的電纜進(jìn)行局部放電測試，得到每種缺陷電纜的原始局部放電時域波形圖，如圖 6 所示，需要說明的是，由于單次采集數(shù)據(jù)點(diǎn)過多，此處僅展示部分。將采集到的局部放電信號分段，每個樣本依次分割 50 段脈沖信號，每段脈沖信號長度由 2 000 個采樣點(diǎn)組成，其中采樣頻率為 1 kHz。考慮到不同樣本得到的局部放電結(jié)果具有分散性，每根電纜樣本做 4 次試驗(yàn)。因此，不同缺陷類型各自分別具有 1 000 個數(shù)據(jù)樣本。最后，將每個數(shù)據(jù)樣本進(jìn)行歸一化處理。

　　3.2 SDP 分析與參數(shù)確定方法

　　為了研究在轉(zhuǎn)換車載電纜局部放電信號過程中 SDP 算法參數(shù) τ，η 和 θl 的特性，本文以金屬顆粒缺陷電纜樣本生成的局部放電信號為例分析。其中，參數(shù) θl 一般設(shè)置為 60°(n=6)，則 SDP 圖像的鏡像對稱平面依次為 0°，60°，120°，180°，240°和 300°。參數(shù) τ 設(shè)置為 1，5 和 10，參數(shù) η 設(shè)置為 20°，35° 和 50°。基于 SDP 方法繪制，如圖 7 所示。從圖中可以看出，圖案沿初始線的旋轉(zhuǎn)角度隨著參數(shù) η 的增加而逐漸增加。當(dāng) η=35°時，相鄰的兩對圖案開始接觸;當(dāng) η=50°時，相鄰的兩對圖案幾乎完全交叉。而參數(shù) τ 主要影響圖案點(diǎn)的集中程度，τ 值在區(qū)間[1,10]變化時，圖案點(diǎn)的集中程度呈先變小后增大的趨勢，且當(dāng) η 值較大時，這種關(guān)系更明顯。

　　當(dāng)兩個相鄰的 SDP 圖案對的重疊面積較大時，一些細(xì)節(jié)被重疊掩藏，很難發(fā)現(xiàn)圖案的特征。如果圖案點(diǎn)的集中程度很高，同樣導(dǎo)致一部分細(xì)節(jié)無法呈現(xiàn)。這反映了對 τ 和 η 的選擇決定了圖案的差異程度，不同缺陷圖像之間的差異程度決定了后續(xù)深度學(xué)習(xí)識別的準(zhǔn)確率。因此，有必要根據(jù)所提出的方法來確定適當(dāng)?shù)膮?shù)。

　　具體可按照以下步驟，根據(jù)歸一化互相關(guān)系數(shù)來確定車載電纜局放信號的 SDP 參數(shù)：

　　1)在每種缺陷類型樣本中隨機(jī)抽取一個樣本。參數(shù) η 的值為遍歷區(qū)間[20°，50°]，步長為 5°，參數(shù) τ 的值為遍歷區(qū)間[1,10]，步長為 1。參數(shù) η 和 τ 的所有組合都將應(yīng)用于生成 SDP 圖像。

　　2)所有局放信號的 SDP 圖像都轉(zhuǎn)換為灰度圖像，并通過圖像數(shù)字處理方法轉(zhuǎn)換為圖像的二維矩陣。

　　3)對于由相同數(shù)值參數(shù) η 和 τ 生成的缺陷圖像之間，通過歸一化互相關(guān)系數(shù)進(jìn)行定量分析。

　　為了避免樣本的偶然性，上述步驟重復(fù)進(jìn)行十次，并計(jì)算獲得平均歸一化互相關(guān)系數(shù)，結(jié)果見表 2。

　　從表 2 可以看出，當(dāng)參數(shù) η 和 τ 分別是 35°和 5 時，?rsum 取得最小值 3.013，此時各類型缺陷圖像之間的相關(guān)性是最小的，利于后續(xù)深度學(xué)習(xí)算法的識別。四種典型缺陷電纜局部放電信號的標(biāo)準(zhǔn) SDP圖像如圖 8 所示。

　　3.3 數(shù)據(jù)集搭建

　　根據(jù) 3.2 節(jié)中確定的 SDP 參數(shù)，繪制所有樣本的 SDP 圖像，然后將其轉(zhuǎn)換為灰度圖像作為深度學(xué)習(xí)的數(shù)據(jù)集,每張灰度圖像大小為 256×256。本文將訓(xùn)練樣本和測試樣本按照比例 3:2 進(jìn)行劃分，其中 A1\A2\A3、B1\B2\B3、C1\C2\C3、D1\D2\D3 作為網(wǎng)絡(luò)的訓(xùn)練集，樣本數(shù)各有 600;A4\A5、B4\B5、 C4\C5、D4\D5 作為網(wǎng)絡(luò)的測試集，樣本數(shù)各有 400。具體分布見表 3。

　　3.4 網(wǎng)絡(luò)模型

　　由上述實(shí)驗(yàn)分析可知，極坐標(biāo) SDP 圖在較大程度上提高了局部放電信號特征的可區(qū)分性，利用該圖形可突出信號間的差異性表征信號的特征。為了滿足當(dāng)下智能識別的需求，基于本文的數(shù)據(jù)集樣本，選取三種深度學(xué)習(xí)方法[8,18,22]，通過網(wǎng)格搜索法 [23]調(diào)參尋優(yōu)，分別構(gòu)建了 CNN、SAE 及 DBN 學(xué)習(xí)架構(gòu)，其網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置和網(wǎng)絡(luò)超參數(shù)分別見表 4、表 5。

　　4 結(jié)果分析與對比

　　4.1 網(wǎng)絡(luò)訓(xùn)練與識別結(jié)果

　　本文訓(xùn)練過程中三種深度學(xué)習(xí)算法的損失函數(shù) (loss)曲線和準(zhǔn)確率(accuracy)曲線如圖 9、圖 10 所示。損失函數(shù)是用來度量網(wǎng)絡(luò)在訓(xùn)練過程中輸出的預(yù)測值與實(shí)際值之間差距的一種方式，損失函數(shù) loss 值越小，反映模型的預(yù)測結(jié)果越理想。

　　從圖 9 可以看出，隨著訓(xùn)練步數(shù)的增加，三種深度學(xué)習(xí)網(wǎng)絡(luò)的 loss 值均緩慢降低至平穩(wěn)。但是，在訓(xùn)練過程的初期，CNN 網(wǎng)絡(luò)出現(xiàn)了程度較大的振蕩，而 SAE 與 DBN 網(wǎng)絡(luò)振蕩幅值微小。在收斂步數(shù)方面，DBN 網(wǎng)絡(luò)收斂最快，訓(xùn)練至 500 步時，loss 值已經(jīng)降至 0.006 左右;而 CNN 網(wǎng)絡(luò)訓(xùn)練至 800 步時 loss 值收斂在 0.01 附近。從圖 10 可以得到， CNN 網(wǎng)絡(luò)初期出現(xiàn)振蕩現(xiàn)象，與 SAE 網(wǎng)絡(luò)迭代 600 步左右后準(zhǔn)確率穩(wěn)定在 96%;而 DBN 網(wǎng)絡(luò)在迭代 400 步后的識別精度就逼近 98%。由以上分析表明，局部放電信號 SDP 圖像與 DBN 深度學(xué)習(xí)算法相結(jié)合具有更好的穩(wěn)定性和優(yōu)異的識別精度。因此，選取 DBN 作為識別不同缺陷類型 SDP 圖像的方法。

　　將訓(xùn)練好的 DBN 網(wǎng)絡(luò)應(yīng)用在測試集，本文以可視化工具——混淆矩陣來體現(xiàn)分類結(jié)果，如圖 11 所示。混淆矩陣的每一列代表了預(yù)測類別，每一行代表了數(shù)據(jù)的真實(shí)歸屬類別。含“▲”框內(nèi)的數(shù)字和百分?jǐn)?shù)代表分類準(zhǔn)確的個數(shù)和比例，含“☆”框內(nèi)的數(shù)字和百分?jǐn)?shù)代表分類錯誤的個數(shù)和比例。可以清楚看到，DBN 網(wǎng)絡(luò)的識別準(zhǔn)確率為 96.1%，一共錯誤識別了 62 個樣本，其中，對于標(biāo)簽“1”、“2”、 “3”以及“4”的錯誤識別個數(shù)分別為 12、10、18、 22，分類準(zhǔn)確率分別為 97.0%、97.5%、95.5%、94.6%。圖 11 DBN 網(wǎng)絡(luò)混淆矩陣 Fig.11 Confusion matrix of DBN network 4.2 與傳統(tǒng)方法對比在 4.1 節(jié)中，比較了三種深度學(xué)習(xí)算法與 SDP 算法的結(jié)合效果。為了證明本文提出的方法的有效性，針對本文試驗(yàn)獲取的相同數(shù)據(jù)的不同形式，選取幾種常見局部放電識別方法與文中方法進(jìn)行對比研究，識別方案如下： 1)2DWT-SVM 方法[24]，基于時域波形圖像，使用二維小波變換方法提取特征，再使用 SVM 方法進(jìn)行狀態(tài)識別。 2)時域波形圖像—CNN 方法[17]，基于時域波形圖像，利用 CNN 網(wǎng)絡(luò)直接進(jìn)行識別。 3)PRPD 譜圖—CNN 方法[5]，基于 PRPD 譜圖，利用 CNN 網(wǎng)絡(luò)直接進(jìn)行識別。對比實(shí)驗(yàn)結(jié)果見表 6。表 6 識別精度對比 Tab.6 Recognition accuracy comparison 序號 識別方法 識別率(%) 1 2DWT-SVM 83.9 2 時域波形圖像-CNN 87.2 3 PRPD-CNN 73.4 4 SDP-DBN 96.1 由表 6 可知，本文所提出的 SDP 圖像與 DBN 相結(jié)合的識別方法識別精度最高，達(dá)到了 96.1%，明顯優(yōu)于其他算法。說明了將局部放電原始信號進(jìn)行 SDP 變換后，能夠增加信號可視化能力，更有利于深度學(xué)習(xí)算法的特征提取。而且使用深度學(xué)習(xí)算法避免了人工提取特征，提高泛化性能，增強(qiáng)現(xiàn)場適應(yīng)性。因此，能夠取得優(yōu)秀的分類效果。

　　4.2 與傳統(tǒng)方法對比

　　在 4.1 節(jié)中，比較了三種深度學(xué)習(xí)算法與 SDP 算法的結(jié)合效果。為了證明本文提出的方法的有效性，針對本文試驗(yàn)獲取的相同數(shù)據(jù)的不同形式，選取幾種常見局部放電識別方法與文中方法進(jìn)行對比研究，識別方案如下：

　　1)2DWT-SVM 方法[24]，基于時域波形圖像，使用二維小波變換方法提取特征，再使用 SVM 方法進(jìn)行狀態(tài)識別。

　　2)時域波形圖像—CNN 方法[17]，基于時域波形圖像，利用 CNN 網(wǎng)絡(luò)直接進(jìn)行識別。

　　3)PRPD 譜圖—CNN 方法[5]，基于 PRPD 譜圖，利用 CNN 網(wǎng)絡(luò)直接進(jìn)行識別。

　　由表 6 可知，本文所提出的 SDP 圖像與 DBN 相結(jié)合的識別方法識別精度最高，達(dá)到了 96.1%，明顯優(yōu)于其他算法。說明了將局部放電原始信號進(jìn)行 SDP 變換后，能夠增加信號可視化能力，更有利于深度學(xué)習(xí)算法的特征提取。而且使用深度學(xué)習(xí)算法避免了人工提取特征，提高泛化性能，增強(qiáng)現(xiàn)場適應(yīng)性。因此，能夠取得優(yōu)秀的分類效果。

　　5 結(jié)論

　　1)將局部放電時域信號進(jìn)行 SDP 變換，增加了信號可視化能力，使深度學(xué)習(xí)算法能從其中提取更為豐富、深層的特征信息。提出了一種車載電纜局部放電信號的 SDP 參數(shù)確定方法，根據(jù)試驗(yàn)，當(dāng) τ=5，η=35°時，四種缺陷類型樣本的 SDP 差異最明顯，平均歸一化互相關(guān)系數(shù)為 3.013，大大提高了不同狀態(tài)特征間的可區(qū)分度。

　　2)對比分析知，DBN 網(wǎng)絡(luò)與 SDP 圖像結(jié)合效果最佳，主要體現(xiàn)為其模型精度達(dá)到了 96.1%，且模型迭代次數(shù)少、收斂速度快。

　　3)與傳統(tǒng)缺陷診斷方法相比，文中方法在相同的數(shù)據(jù)集條件下，明顯優(yōu)于其他兩種方法，識別準(zhǔn)確率提高了近 10%左右。