账号:
密码:
智动化 / 文章 /

使用深度学习进行地下电缆系统预测性维护
[作者 Steffen Ziegler]   2022年05月25日 星期三 浏览人次: [2109]

本文叙述如何使用深度学习来进行地下电缆系统的预测性维护。利用深度学习模型能够接近即时地执行分类,让现场的技术人员可以在撷取到资料後立即看到结果,并且在必要时重新执行测试。


地下电缆系统与陆上电线路网相比,虽然对暴风雨、闪电、野火、冰暴、以及其他不利天气状况较不敏感;不过,地下电缆维修成本较高,很难准确指出故障位置及进行修复。如果电缆的瑕疵未被侦测出来,可能导致停电和对大众造成危险。


根据IEEE数据显示,大约90%的地下电缆系统故障都和局部放电(partial discharge;PD)有关,也就是电缆内的电场超出介电质绝缘体可承受的能力时出现的现象。当PD发生时,会产生高频讯号?幅度通常低於100毫伏(millivolts),由於这些讯号是介电质劣化,并且最终将导致故障的象徵,因此最好能及早检测到这些无法预料的电缆故障讯号,并在故障发生之前进行维修。


在IMCORP公司,我们使用MATLAB来设计及训练深度学习网路,以加快PD讯号侦测和表徵的流程,并将该流程自动化。这些深度学习网路不仅用来侦测PD讯号;也用来辨识PD在电缆中的大略位置、造成PD讯号的瑕疵种类、以及其严重程度(图1)。



图1 : 在使用过程的电缆绝缘层中形成的典型「刷状」电树(electrical tree)。图为3D显微 CT扫描。
图1 : 在使用过程的电缆绝缘层中形成的典型「刷状」电树(electrical tree)。图为3D显微 CT扫描。

早期的PD分析方法

我们遵照产业标准来进行制造厂商PD测试的品质控管,也就是将一个高於正常值的电压,套用在地下电缆和一个带有类比数位转换器(analog-to-digital converter;ADC)的耦合器(coupler)来捕捉高频时间序列讯号。


过去,这些捕捉讯号是由分析师手动来处理并找出可能代表着PD出现的特徵,这个过程既冗长又缓慢,而且有时会产生结果的不一致或出现伪阳性(false positive)的情形。


为了让分析师的工作更轻松,我们执行了降噪与其他数位讯号处理的演算法,但处理的结果仍然高度主观?即使是训练有素且具有多年经验的分析师,有时还是会对於同样的讯号给予不同的结论。


最近,我们开始使用机器学习将捕捉到的讯号自动分类。使用MATLAB来撷取讯号资料特徵、使用讯号处理演算法来计算讯号峰值之间的时间,以及其他普遍用在PD分析时的特徵(图2)。



图2 : 捕捉到的讯号峰值之间的时间差。Ampliture 振幅 Time时间
图2 : 捕捉到的讯号峰值之间的时间差。Ampliture 振幅 Time时间

然後,我们使用MATLAB产品内的应用程式工具?Classification Learner App(分类学习器app),透过内建的多种方法来训练及评估分类模型,包含逻辑??归(logistic regression)、支援向量机(SVM)分类、随机森林分类(random forest classification)及内建学习(ensemble learning)。


随机森林模型进行PD讯号分类的准确度约为90%,其他模型执行的表现稍好一些,准确率约为92%,这样的结果看来还不错,因此我们决定继续探索深度学习,看看是否能让分类的准确性再提高。


利用深度学习进行PD讯号分类

我们采用两种不同的方式、透过深度学习网路进行PD的讯号分类。首先,使用许多撷取的机器学习模型特徵来训练神经网路。这个网路是以一组内含二十多项特徵标记、总计超过四百万笔的资料库来训练。


在第二种方法中,我们直接在近一百万个时间序列讯号上训练了一个长短期记忆(LSTM)网路,这些讯号之前由我们的团队分析和标记(图3)。由於我们在深度学习的经验有限,我们与MathWorks的顾问团队进行合作,协助我们运用领域专业知识,使用Deep Network Designer App这个应用程式工具来设计和训练类神经网路和LSTM。



图3 : 透过Deep Learning Toolbox(深度学习工具箱)建立的LSTM网路图表。
图3 : 透过Deep Learning Toolbox(深度学习工具箱)建立的LSTM网路图表。

经过超叁数优化之後,两种网路在PD讯号的分类都可以达到约95%的准确率,相较於机器学习模型有不错的改善。为了进一步提高准确率,我们采用小波转换及快速傅立叶转换来扩充时间序列资料,我们看到准确性略有提升(大约0.1%)。MATLAB中进一步的模型设计和优化目前正在进行中。


以深度学习进行PD定位与类型辨识

进入计画的第二阶段,从电缆内绝缘体的瑕疵去找到PD的起源位置。为此我们训练了两个LSTM网路。其中一个网路的训练是将PD的源头进行10个可能的位置范围(等长的电缆分段)的分类,另一个则是分为20个不同的位置范围。两个模型的最大准确率都高於94%。我们训练这两个网路,因为想要查看模型准确性是否随着分段的增加而保持不变,结果大约从20个分段之後,准确率开始下降。


最後,我们训练出一个深度学习网路可用来判断造成PD的故障类型。造成PD最常见的原因包含工艺工法、操作处理,和制造生产。典型的PD故障类型则包括电缆终端的局部放电(termination PD)」、电树状、空洞、介质(interfacial)PD和外部局部放电(external PD)等(图4)。其中,电树的瑕疵对电缆系统故障构成的风险最大。



图4 : 瑕疵类型例子:表面、电树、外部
图4 : 瑕疵类型例子:表面、电树、外部

为了对瑕疵类型进行分类,我们分析了单一瑕疵的PD讯号,并且产生经过编码的局部放电相位解析(phase-resolved partial discharge;PRPD)图。PRPD图中的型态因为瑕疵的类型而异:举例来说,电树瑕疵的PRPD图表看起来会跟空洞瑕疵的图不同。


对於这部分的计画,我们使用了ResNet-50,这是一个以超过一百万张图片预先训练、内含50层的卷积神经网路(convolution neural network;CNN)。我们在一个包含超过3,390张PRPD图的资料库上重新训练CNN。然後,这个CNN能够进行电缆瑕疵种类的分类,而且准确度超过96%。


改善计画

我们的深度学习网路,最终能提供出结果和受过高度训练的讯号分析师的准确度不相上下,也提供更一致的品质水准,同时,对於复杂资料库分析和诠释所花的时间更节省了高达500%以上。因此,现在分析师可不用把时间花费在单一的讯号分析任务,能专注於其他更多同样重要的任务。


最终,我们希??这些深度学习模型能以接近即时地执行分类,让现场的技术人员可以在撷取到资料後立即看到结果,并且在必要时重新执行测试。我们也正致力於训练资料库的扩展。IMCORP拥有全世界最大的PD讯号资料库之一,内含经过多年测试而取得的超过1亿2千万个波形,我们正计画使用这项资料和MATLAB介面用於Databricks,启动位於云端的大规模深度学习模型训练计画。


(本文由??思科技提供;作者Steffen Ziegler任职於IMCORP公司)


相关文章
无线通讯的未来--为无所不在的连接做好准备
运用FP-AI-VISION1的影像分类器
利用软体驱动、安全的预测性马达维护提升生产力
工业设备智能监诊 CbM状态监测肩负重任
使用深度学习进行海上雷达资料品质管控自动化
comments powered by Disqus
  相关新闻
» igus展览从XXL卡车到虚实整合 汇聚175项动态工程塑胶创新产品
» Renishaw 自动化展「精准」布局演示 实现运动控制应用
» 种电养虾 向阳闯出防疫型温室养虾新蓝海
» The Imaging Source与睿怡科技连袂叁加2022台北国际自动化工业大展
» 施耐德提倡「通用自动化」 驱动以软体为中心转型
  相关产品
» 控创新款工业电脑适合5G与边缘运算网路等应用
» 浩亭Han-Modular多米诺模组为新一代模组化工业连接器
» 敏博Ruler SSD E1.S PT33系列加速对应机架式伺服器架构需求
» Moldex3D SYNC设计叁数优化加速自动化多组CAE分析
» Aerotech开发Automation1运动控制平台新功能