《基于点对称变换的EPR电缆终端缺陷诊断》由会员分享，可在线阅读，更多相关《基于点对称变换的EPR电缆终端缺陷诊断（9页珍藏版）》请在金锄头文库上搜索。
1、基于点对称变换的EPR电缆终端缺陷诊断摘要：自从 1895 年伦琴发现 X 射线以来，核科学技术快速开展，被广泛应用于医疗影像、安检安防、工业无损检测、核电监测、资源勘探、根底科学和空间科学等诸多领域。核探测技术摘要：自从 1895 年伦琴发现 X 射线以来，核科学技术快速开展，被广泛应用于医疗影像、安检安防、工业无损检测、核电监测、资源勘探、根底科学和空间科学等诸多领域。核探测技术是核科学技术开展的关键支撑，从探测材料和工作原理划分，核辐射探测器主要可分为气体探测器、闪烁体探测器和半导体探测器。本文从各类射线与半导体材料的相互作用以及半导体探测器工作原理和信号处理过程入手，探讨了不同核辐射类
2、型、不同应用需求对半导体核辐射探测器的性能要求以及探测器设计要点，并按照元素族序的顺序对半导体材料在核辐射探测领域的性能表现和取得的研究进展进行了综述。周利军; 刘聪; 权圣威; 曹伟东; 项恩新， 电工技术学报 发表时间：2022-09-06关键词：核辐射探测器;半导体;伽马射线探测器;X 射线探测器;粒子探测器;CdZnTe 探测器;硅探测器0 引言高速铁路动车组乙丙橡胶(Ethylene Propylene Rubber, EPR)电缆服役状态极为重要1。然而，车载电缆终端由人工制作、安装，无法防止会在终端处留有各种缺陷，缺陷处引发局部放电的事故频发 2，甚至发生电缆终端击穿事故。因此，
3、对车载电缆终端缺陷进行有效诊断具有重要意义。局部放电是最为广泛使用的电缆缺陷测试手段之一3。在利用局部放电信息来判别电缆缺陷类型时，通常可凭借局部放电谱图4-5或局部放电脉冲信号6两种数据源。考虑到我国电气化铁路采用运行图空隙检修7，留给局部放电测试的天窗期较短，导致现场采集局放数据量稀疏且匮乏。由于局部放电谱图反映的是一定时间段内局部放电量在相位上的叠加，假设采集的数据点过少，将导致各缺陷间谱图和分布区分不明显，难以进行缺陷诊断分析。因此，直接采用局放脉冲时序信号进行分析更为适宜。基于局放脉冲的缺陷诊断，目前通常在信号分析的根底上，通过变分模态分解8、等效时频熵9、小波包分解10等手段实现。
4、以上技术虽已取得深入的研究，但是存在以下问题：上述信号仍旧为一维信号，直接将一维长数组导入识别网络，不仅会降低网络性能，减慢识别速度，使网络陷入梯度弥散，而且会导致数据特征提取不充分;上述方法处理后的信号依旧是在直角坐标系下的时频信号，由于局部放电脉冲信号的随机性与非平稳性，仅对时频域信号进行分析缺乏以完全反映缺陷特征，存在一定的局限性，同时信号间差异微小导致可视性较差，缺陷特征不直观。经调研发现，局部放电的脉冲时序信号与齿轮轴承等机械振动信号具有类似的特征，且点对称变换(Symmetrized Dot Pattern, SDP)方法在振动信号问题的处理上取得了较好的效果11-13。因此，SD
5、P 可为局部放电信号的处理提供了一种新思路，本文将探寻其在电缆终端缺陷诊断中的适用性。以往电气设备故障诊断中常采用机器学习方法 14-16，但是研究与应用说明，传统机器学习泛化性能差、缺乏自适应特征学习和学习深度缺乏等问题，导致无法适应复杂多变的现场和大数据的冲击。近年来，深度学习在电气设备智能诊断与识别方面已取得重点关注与研究5,17-18，相关文献说明深度学习取得了不错的应用效果，更好地满足了当下工程需求，但是深度学习包含多种架构，常见如卷积神经网络(Convolutional Neural Networks, CNN)、栈式自编码器(Stacked AutoEncoders, SAE)和
6、深度置信网络(Deep Belief Network, DBN)等，针对具体的问题不同学习架构的性能仍存在差异。针对以上问题，本文通过搭建试验平台获取放电信号，然后研究了车载电缆局部放电信号的 SDP 参数确定方法，分析了 SDP 方法处理局放信号的适用性，并将不同类型缺陷的局部放电信号进行了 SDP 方法处理，最后将处理之后的 SDP 图像输入典型架构的深度学习网络(CNN、SAE 及 DBN)，对各类型网络的性能进行了讨论分析。1 理论根底1.1 SDP 变换根本原理SDP 方法是一种将标准化时间序列信号映射到极坐标系中的信号转换算法，生成的 SDP 图像提高了缺陷的可视化能力，通过不同图
7、像的纹理反映了原始信号的频率和幅度19。SDP 算法原理如下：对于一个时序信号 x，xi是信号 x 的第 i 个采样点的幅值，xi+是相邻时间间隔 之后信号 x 的第 i+ 个采样点的幅值。根据 SDP 原理，当把时域信号点 xi 转换为极坐标空间 S(r(i),(i),(i) 时，极坐标半径 r(i)由点 xi映射，可以表示为 min max min ( ) i x x r i x x -=- (1)式中，xmax 和 xmin 分别为时域信号 x 幅值的最大值和最小值。关于镜像对称面沿逆时针和顺时针方向旋转的角度 (i)和 (i)由相邻的时间点 xi+ 映射，可以用数学公式表示为 min
8、max min ( ) i l x x i x x t q q h+ -= +- (2) min max min ( ) i l x x i x x t j q h+ -= - (3)式中， 为时间间隔因子，110; 为系绘图的增益角度，l;l 为第 l 个镜像对称平面的角度， l=360m/n(m=0,1,2,3n-1，n 为镜像对称平面数量，通常取 6)20，(i)和 (i)共同决定了 SDP 图像的绘图范围。SDP 算法的图解原理如图 1 所示。1.2 SDP 图像特征从以上 SDP 变换可以看出，SDP 算法着重于在极坐标系中确定点的位置，原始信号频率或幅度之间的差异主要表达在 SDP
9、 图像点的分布和曲率差异上。图 2 给出了三个正弦信号(频率分别为 50 Hz、100 Hz、 400 Hz)和高斯白噪声信号(均值为 0，方差为 1)的 SDP 图像，参数设定为 l=60，=5， 从图 2a图 2c 可以明显地看出，SDP 图像点的分布和图形曲率的不同直观地反映了正弦信号频率的变化;和图 2d 相比，周期性信号与非周期性信号之间的差异也可以通过 SDP 图像来区分。不同信号的 SDP 图像直观特征可总结为以下五个方面：SDP 图像臂的曲率; SDP 图像臂的厚度和形状特征;SDP 图像臂的几何中心;SDP 图案的点指向集中区域;SDP 图案臂的回归曲线的曲率。因此，可以通过
10、使用极坐标系 SDP 图像以对称图形的形式呈现凹凸不平的信号来突出可能被忽略的形态特征，并且在本文中还将用于可视化缺陷局部放电信号。1.3 SDP 图像参数确实定方法为了更好地可视化电缆缺陷放电状态，在生成 SDP 图像时选择最正确参数很重要。不同信号生成的 SDP 图像之间的细微差异主要取决于参数 和 ，适当的 和 可以有效提高图形分辨率并放大信号之间的差异,提高后续分类算法的识别准确率。因此，本文采用一种典型的图像评估指标归一化互相关系数来选择最正确参数 和 。首先，使用数字图像处理方法将 SDP 模式转换为数字矩阵，矩阵可以表示为式中，(0,0)为像素坐标的原点;(0,1)为从原点开始的
11、第一行和第二列的像素坐标;(1,0)为从原点开始的第二行和第一列的像素坐标;f(x,y)为坐标点(x,y)上的灰度值;mn 为图像尺寸大小。对于两个具有 mn 尺寸的图像，相关系数可以表示为 式中，A 和B 分别为图像 A 和 B 的平均灰度值。 r 的范围在 01，r 的值越大表示图像 A 和 B 越相似;否那么，它表示图像 A 和 B 之间的差异较大，从而易于识别图像 A 和 B。对于多图像之间，其总的相关系数可定义为( )( ) , 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 为对应的图像样
12、本;k 为总图像数。2 实验设计2.1 样本制作为贴近实际工程背景，文中制作的电缆样本均取自 CRH380A 型动车车顶高压电缆(电缆型号为 QTO-J30G-25 kV)。需要指出，考虑到未有关于 EPR 电缆终端缺陷制作的技术标准，本文设计的局放试验中缺陷制作是参考相关文献21和铁路现场经验，具体制作流程如下：1)将 EPR 电缆截成长度为 1.5 m 短电缆样本，从两端剥除适当长度的外护套、阻水层、外半导电层，露出 EPR 主绝缘;截取端部绝缘 7 cm，露出缆芯。2)四种常见的绝缘缺陷制作在 EPR 主绝缘上，分别是金属颗粒、半导电层毛刺、环切划伤和气隙，为使放电效果明显，故将缺陷进行
13、夸张设计，示意图及实物图如图 3 所示。金属颗粒的产生原因有两种可能，一是残留在 EPR 绝缘上的导电微粒，二是人工制作电缆终端易遗漏金属碎屑在 EPR 绝缘上，其模拟过程为先在主绝缘上随机撒下金属铜屑，之后在金属铜屑四周涂抹硅脂;半导电层毛刺是由于在去除外半导电层时，末端环切截断处不齐产生;环切划伤通常是在去除外半导电层时，由于人工未控制好力度导致刀具透过截断处外半导电层在主绝缘上留下划痕，其形状设置为 360圆环状、宽 1 mm、深 0.5 mm;气隙缺陷用来模拟在热缩终端的过程中，热缩管与绝缘层之间未紧密贴合，出现缝隙，其形状设置为 100 mm0.5 mm1 mm 的矩形凹槽。3)根据
14、热缩式终端制作流程，安装电缆终端。其中，本文只在终端一侧制作缺陷，目的是防止多源局部放电的影响。由于局部放电具有随机性和分散性，为保证数据的真实可靠，文中对同类型缺陷电缆样本各制作五根，为方便后续算法输入，对缺陷样本进行编号，见表 1。2.2 试验平台搭建本文按照图 4 所示搭建的局部放电试验平台对 EPR 试样进行局部放电测试。其中，试验变压器为容量 10 kVA 的 TQSW 无局部放电试验变压器;高压电阻阻值为 400 MW;分压器的分压比为 1000:1;耦合电容为 1 000 pF;局部放电测试选用 MPD600 测试系统，基于脉冲电流法通过 MPD 600 和检测阻抗 CPL 54
15、2 对局部放电信号进行采集和转换，并通过信号处理单元 MCU 502 将采集信号最终传输至电脑终端进行分析。文中试验均在高压屏蔽室内进行，试验过程中的背景噪声保持在 3 pC 以下，施加电压大小为 25 kV。3 缺陷识别模型及分析基于 SDP 图像和深度学习网络的动车组电缆缺陷诊断具体框架如图 5 所示。3.1 数据采集和预处理首先，建立上节描述的局部放电试验平台分别对制作的四种带有不同缺陷的电缆进行局部放电测试，得到每种缺陷电缆的原始局部放电时域波形图，如图 6 所示，需要说明的是，由于单次采集数据点过多，此处仅展示局部。将采集到的局部放电信号分段，每个样本依次分割 50 段脉冲信号，每段脉冲信号长度由 2 000 个采样点组成，其中采样频率为 1 kHz。考虑到不同样本得到的局部放电结果具有分散性，每根电缆样本做 4 次试验。因此，不同缺陷类型各自分别具有 1 000 个数据样本。最后，将每个数据样本进行归一化处
