使用深度学习进行地下电缆系统预测性维护

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实时地执行分类，让现场的技术人员可以在撷取到数据后立即看到结果，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?幅度通常低于100毫伏（millivolts），由于这些讯号是介电质劣化，并且最终将导致故障的象征，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络，以加快PD讯号侦测和表征的流程，并将该流程自动化。这些深度学习网络不仅用来侦测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。

早期的PD分析方法
我们遵照产业标准来进行制造厂商PD测试的质量控管，也就是将一个高于正常值的电压，套用在地下电缆和一个带有模拟数字转换器（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出现的特征，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字讯号处理的算法，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，有时还是会对于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来撷取讯号数据特征、使用讯号处理算法来计算讯号峰值之间的时间，以及其他普遍用在PD分析时的特征（图2）。


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

然后，我们使用MATLAB产品内的应用程序工具?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，包含逻辑回归（logistic regression）、支持向量机（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、透过深度学习网络进行PD的讯号分类。首先，使用许多撷取的机器学习模型特征来训练神经网络。这个网络是以一组内含二十多项特征标记、总计超过四百万笔的数据库来训练。

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）网络，这些讯号之前由我们的团队分析和标记（图3）。由于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这个应用程序工具来设计和训练类神经网络和LSTM。



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

经过超参数优化之后，两种网络在PD讯号的分类都可以达到约95%的准确率，相较于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变换来扩充时间序列数据，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
进入计划的第二阶段，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网络。其中一个网络的训练是将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于94%。我们训练这两个网络，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个分段之后，准确率开始下降。

最后，我们训练出一个深度学习网络可用来判断造成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

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。

对于这部分的计划，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层的卷积神经网络（convolution neural network；CNN）。我们在一个包含超过3,390张PRPD图的数据库上重新训练CNN。然后，这个CNN能够进行电缆瑕疵种类的分类，而且准确度超过96%。

改善计划
我们的深度学习网络，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，也提供更一致的质量水平，同时，对于复杂数据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，能专注于其他更多同样重要的任务。

最终，我们希望这些深度学习模型能以接近实时地执行分类，让现场的技术人员可以在撷取到数据后立即看到结果，并且在必要时重新执行测试。我们也正致力于训练数据库的扩展。IMCORP拥有全世界最大的PD讯号数据库之一，内含经过多年测试而取得的超过1亿2千万个波形，我们正计划使用这项数据和MATLAB接口用于Databricks，启动位于云端的大规模深度学习模型训练计划。