使用深度學(xué)習進(jìn)行地下電纜系統預測性維護

本文敘述如何使用深度學(xué)習來(lái)進(jìn)行地下電纜系統的預測性維護。利用深度學(xué)習模型能夠接近實(shí)時(shí)地執行分類(lèi)，讓現場(chǎng)的技術(shù)人員可以在擷取到數據后立即看到結果，并且在必要時(shí)重新執行測試。

地下電纜系統與陸上電線(xiàn)路網(wǎng)相比，雖然對暴風(fēng)雨、閃電、野火、冰暴、以及其他不利天氣狀況較不敏感；不過(guò)，地下電纜維修成本較高，很難準確指出故障位置及進(jìn)行修復。如果電纜的瑕疵未被偵測出來(lái)，可能導致停電和對大眾造成危險。

根據IEEE數據顯示，大約90%的地下電纜系統故障都和局部放電（partial discharge；PD）有關(guān)，也就是電纜內的電場(chǎng)超出介電質(zhì)絕緣體可承受的能力時(shí)出現的現象。當PD發(fā)生時(shí)，會(huì )產(chǎn)生高頻訊號?幅度通常低于100毫伏（millivolts），由于這些訊號是介電質(zhì)劣化，并且最終將導致故障的象征，因此最好能及早檢測到這些無(wú)法預料的電纜故障訊號，并在故障發(fā)生之前進(jìn)行維修。

在IMCORP公司，我們使用MATLAB來(lái)設計及訓練深度學(xué)習網(wǎng)絡(luò )，以加快PD訊號偵測和表征的流程，并將該流程自動(dòng)化。這些深度學(xué)習網(wǎng)絡(luò )不僅用來(lái)偵測PD訊號；也用來(lái)辨識PD在電纜中的大略位置、造成PD訊號的瑕疵種類(lèi)、以及其嚴重程度（圖1）。


 
圖1 : 在使用過(guò)程的電纜絕緣層中形成的典型「刷狀」電樹(shù)（electrical tree）。圖為3D顯微 CT掃描。

早期的PD分析方法
我們遵照產(chǎn)業(yè)標準來(lái)進(jìn)行制造廠(chǎng)商PD測試的質(zhì)量控管，也就是將一個(gè)高于正常值的電壓，套用在地下電纜和一個(gè)帶有模擬數字轉換器（analog-to-digital converter；ADC）的耦合器（coupler）來(lái)捕捉高頻時(shí)間序列訊號。

過(guò)去，這些捕捉訊號是由分析師手動(dòng)來(lái)處理并找出可能代表著(zhù)PD出現的特征，這個(gè)過(guò)程既冗長(cháng)又緩慢，而且有時(shí)會(huì )產(chǎn)生結果的不一致或出現偽陽(yáng)性（false positive）的情形。

為了讓分析師的工作更輕松，我們執行了降噪與其他數字訊號處理的算法，但處理的結果仍然高度主觀(guān)?即使是訓練有素且具有多年經(jīng)驗的分析師，有時(shí)還是會(huì )對于同樣的訊號給予不同的結論。

最近，我們開(kāi)始使用機器學(xué)習將捕捉到的訊號自動(dòng)分類(lèi)。使用MATLAB來(lái)擷取訊號數據特征、使用訊號處理算法來(lái)計算訊號峰值之間的時(shí)間，以及其他普遍用在PD分析時(shí)的特征（圖2）。


 
圖2 : 捕捉到的訊號峰值之間的時(shí)間差。Ampliture 振幅 Time時(shí)間

然后，我們使用MATLAB產(chǎn)品內的應用程序工具?Classification Learner App（分類(lèi)學(xué)習器app），透過(guò)內建的多種方法來(lái)訓練及評估分類(lèi)模型，包含邏輯回歸（logistic regression）、支持向量機（SVM）分類(lèi)、隨機森林分類(lèi)（random forest classification）及內建學(xué)習（ensemble learning）。

隨機森林模型進(jìn)行PD訊號分類(lèi)的準確度約為90%，其他模型執行的表現稍好一些，準確率約為92%，這樣的結果看來(lái)還不錯，因此我們決定繼續探索深度學(xué)習，看看是否能讓分類(lèi)的準確性再提高。

利用深度學(xué)習進(jìn)行PD訊號分類(lèi)
我們采用兩種不同的方式、透過(guò)深度學(xué)習網(wǎng)絡(luò )進(jìn)行PD的訊號分類(lèi)。首先，使用許多擷取的機器學(xué)習模型特征來(lái)訓練神經(jīng)網(wǎng)絡(luò )。這個(gè)網(wǎng)絡(luò )是以一組內含二十多項特征標記、總計超過(guò)四百萬(wàn)筆的數據庫來(lái)訓練。

在第二種方法中，我們直接在近一百萬(wàn)個(gè)時(shí)間序列訊號上訓練了一個(gè)長(cháng)短期記憶（LSTM）網(wǎng)絡(luò )，這些訊號之前由我們的團隊分析和標記（圖3）。由于我們在深度學(xué)習的經(jīng)驗有限，我們與MathWorks的顧問(wèn)團隊進(jìn)行合作，協(xié)助我們運用領(lǐng)域專(zhuān)業(yè)知識，使用Deep Network Designer App這個(gè)應用程序工具來(lái)設計和訓練類(lèi)神經(jīng)網(wǎng)絡(luò )和LSTM。



 
圖3 : 透過(guò)Deep Learning Toolbox（深度學(xué)習工具箱）建立的LSTM網(wǎng)絡(luò )圖表。

經(jīng)過(guò)超參數優(yōu)化之后，兩種網(wǎng)絡(luò )在PD訊號的分類(lèi)都可以達到約95%的準確率，相較于機器學(xué)習模型有不錯的改善。為了進(jìn)一步提高準確率，我們采用小波轉換及快速傅立葉變換來(lái)擴充時(shí)間序列數據，我們看到準確性略有提升（大約0.1%）。MATLAB中進(jìn)一步的模型設計和優(yōu)化目前正在進(jìn)行中。

以深度學(xué)習進(jìn)行PD定位與類(lèi)型辨識
進(jìn)入計劃的第二階段，從電纜內絕緣體的瑕疵去找到PD的起源位置。為此我們訓練了兩個(gè)LSTM網(wǎng)絡(luò )。其中一個(gè)網(wǎng)絡(luò )的訓練是將PD的源頭進(jìn)行10個(gè)可能的位置范圍（等長(cháng)的電纜分段）的分類(lèi)，另一個(gè)則是分為20個(gè)不同的位置范圍。兩個(gè)模型的最大準確率都高于94%。我們訓練這兩個(gè)網(wǎng)絡(luò )，因為想要查看模型準確性是否隨著(zhù)分段的增加而保持不變，結果大約從20個(gè)分段之后，準確率開(kāi)始下降。

最后，我們訓練出一個(gè)深度學(xué)習網(wǎng)絡(luò )可用來(lái)判斷造成PD的故障類(lèi)型。造成PD最常見(jiàn)的原因包含工藝工法、操作處理，和制造生產(chǎn)。典型的PD故障類(lèi)型則包括電纜終端的局部放電（termination PD）」、電樹(shù)狀、空洞、介質(zhì)（interfacial）PD和外部局部放電（external PD）等（圖4）。其中，電樹(shù)的瑕疵對電纜系統故障構成的風(fēng)險最大。


 
圖4 : 瑕疵類(lèi)型例子：表面、電樹(shù)、外部

為了對瑕疵類(lèi)型進(jìn)行分類(lèi)，我們分析了單一瑕疵的PD訊號，并且產(chǎn)生經(jīng)過(guò)編碼的局部放電相位解析（phase-resolved partial discharge；PRPD）圖。PRPD圖中的型態(tài)因為瑕疵的類(lèi)型而異：舉例來(lái)說(shuō)，電樹(shù)瑕疵的PRPD圖表看起來(lái)會(huì )跟空洞瑕疵的圖不同。

對于這部分的計劃，我們使用了ResNet-50，這是一個(gè)以超過(guò)一百萬(wàn)張圖片預先訓練、內含50層的卷積神經(jīng)網(wǎng)絡(luò )（convolution neural network；CNN）。我們在一個(gè)包含超過(guò)3,390張PRPD圖的數據庫上重新訓練CNN。然后，這個(gè)CNN能夠進(jìn)行電纜瑕疵種類(lèi)的分類(lèi)，而且準確度超過(guò)96%。

改善計劃
我們的深度學(xué)習網(wǎng)絡(luò )，最終能提供出結果和受過(guò)高度訓練的訊號分析師的準確度不相上下，也提供更一致的質(zhì)量水平，同時(shí)，對于復雜數據庫分析和詮釋所花的時(shí)間更節省了高達500%以上。因此，現在分析師可不用把時(shí)間花費在單一的訊號分析任務(wù)，能專(zhuān)注于其他更多同樣重要的任務(wù)。

最終，我們希望這些深度學(xué)習模型能以接近實(shí)時(shí)地執行分類(lèi)，讓現場(chǎng)的技術(shù)人員可以在擷取到數據后立即看到結果，并且在必要時(shí)重新執行測試。我們也正致力于訓練數據庫的擴展。IMCORP擁有全世界最大的PD訊號數據庫之一，內含經(jīng)過(guò)多年測試而取得的超過(guò)1億2千萬(wàn)個(gè)波形，我們正計劃使用這項數據和MATLAB接口用于Databricks，啟動(dòng)位于云端的大規模深度學(xué)習模型訓練計劃。