使用深度學(xué)習(xí)進行地下電纜系統(tǒng)預(yù)測性維護

本文敘述如何使用深度學(xué)習(xí)來進行地下電纜系統(tǒng)的預(yù)測性維護。利用深度學(xué)習(xí)模型能夠接近實時地執(zhí)行分類，讓現(xiàn)場的技術(shù)人員可以在擷取到數(shù)據(jù)后立即看到結(jié)果，并且在必要時重新執(zhí)行測試。

地下電纜系統(tǒng)與陸上電線路網(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，地下電纜維修成本較高，很難準(zhǔn)確指出故障位置及進行修復(fù)。如果電纜的瑕疵未被偵測出來，可能導(dǎo)致停電和對大眾造成危險。

根據(jù)IEEE數(shù)據(jù)顯示，大約90%的地下電纜系統(tǒng)故障都和局部放電（partial discharge；PD）有關(guān)，也就是電纜內(nèi)的電場超出介電質(zhì)絕緣體可承受的能力時出現(xiàn)的現(xiàn)象。當(dāng)PD發(fā)生時，會產(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(dǎo)致故障的象征，因此最好能及早檢測到這些無法預(yù)料的電纜故障訊號，并在故障發(fā)生之前進行維修。

在IMCORP公司，我們使用MATLAB來設(shè)計及訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)，以加快PD訊號偵測和表征的流程，并將該流程自動化。這些深度學(xué)習(xí)網(wǎng)絡(luò)不僅用來偵測PD訊號；也用來辨識PD在電纜中的大略位置、造成PD訊號的瑕疵種類、以及其嚴(yán)重程度（圖1）。


 
圖1 : 在使用過程的電纜絕緣層中形成的典型「刷狀」電樹（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(biāo)準(zhǔn)來進行制造廠商PD測試的質(zhì)量控管，也就是將一個高于正常值的電壓，套用在地下電纜和一個帶有模擬數(shù)字轉(zhuǎn)換器（analog-to-digital converter；ADC）的耦合器（coupler）來捕捉高頻時間序列訊號。

過去，這些捕捉訊號是由分析師手動來處理并找出可能代表著PD出現(xiàn)的特征，這個過程既冗長又緩慢，而且有時會產(chǎn)生結(jié)果的不一致或出現(xiàn)偽陽性（false positive）的情形。

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

最近，我們開始使用機器學(xué)習(xí)將捕捉到的訊號自動分類。使用MATLAB來擷取訊號數(shù)據(jù)特征、使用訊號處理算法來計算訊號峰值之間的時間，以及其他普遍用在PD分析時的特征（圖2）。


 
圖2 : 捕捉到的訊號峰值之間的時間差。Ampliture 振幅 Time時間

然后，我們使用MATLAB產(chǎn)品內(nèi)的應(yīng)用程序工具?Classification Learner App（分類學(xué)習(xí)器app），透過內(nèi)建的多種方法來訓(xùn)練及評估分類模型，包含邏輯回歸（logistic regression）、支持向量機（SVM）分類、隨機森林分類（random forest classification）及內(nèi)建學(xué)習(xí)（ensemble learning）。

隨機森林模型進行PD訊號分類的準(zhǔn)確度約為90%，其他模型執(zhí)行的表現(xiàn)稍好一些，準(zhǔn)確率約為92%，這樣的結(jié)果看來還不錯，因此我們決定繼續(xù)探索深度學(xué)習(xí)，看看是否能讓分類的準(zhǔn)確性再提高。

利用深度學(xué)習(xí)進行PD訊號分類
我們采用兩種不同的方式、透過深度學(xué)習(xí)網(wǎng)絡(luò)進行PD的訊號分類。首先，使用許多擷取的機器學(xué)習(xí)模型特征來訓(xùn)練神經(jīng)網(wǎng)絡(luò)。這個網(wǎng)絡(luò)是以一組內(nèi)含二十多項特征標(biāo)記、總計超過四百萬筆的數(shù)據(jù)庫來訓(xùn)練。

在第二種方法中，我們直接在近一百萬個時間序列訊號上訓(xùn)練了一個長短期記憶（LSTM）網(wǎng)絡(luò)，這些訊號之前由我們的團隊分析和標(biāo)記（圖3）。由于我們在深度學(xué)習(xí)的經(jīng)驗有限，我們與MathWorks的顧問團隊進行合作，協(xié)助我們運用領(lǐng)域?qū)I(yè)知識，使用Deep Network Designer App這個應(yīng)用程序工具來設(shè)計和訓(xùn)練類神經(jīng)網(wǎng)絡(luò)和LSTM。



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

經(jīng)過超參數(shù)優(yōu)化之后，兩種網(wǎng)絡(luò)在PD訊號的分類都可以達(dá)到約95%的準(zhǔn)確率，相較于機器學(xué)習(xí)模型有不錯的改善。為了進一步提高準(zhǔn)確率，我們采用小波轉(zhuǎn)換及快速傅立葉變換來擴充時間序列數(shù)據(jù)，我們看到準(zhǔn)確性略有提升（大約0.1%）。MATLAB中進一步的模型設(shè)計和優(yōu)化目前正在進行中。

以深度學(xué)習(xí)進行PD定位與類型辨識
進入計劃的第二階段，從電纜內(nèi)絕緣體的瑕疵去找到PD的起源位置。為此我們訓(xùn)練了兩個LSTM網(wǎng)絡(luò)。其中一個網(wǎng)絡(luò)的訓(xùn)練是將PD的源頭進行10個可能的位置范圍（等長的電纜分段）的分類，另一個則是分為20個不同的位置范圍。兩個模型的最大準(zhǔn)確率都高于94%。我們訓(xùn)練這兩個網(wǎng)絡(luò)，因為想要查看模型準(zhǔn)確性是否隨著分段的增加而保持不變，結(jié)果大約從20個分段之后，準(zhǔn)確率開始下降。

最后，我們訓(xùn)練出一個深度學(xué)習(xí)網(wǎng)絡(luò)可用來判斷造成PD的故障類型。造成PD最常見的原因包含工藝工法、操作處理，和制造生產(chǎn)。典型的PD故障類型則包括電纜終端的局部放電（termination PD）」、電樹狀、空洞、介質(zhì)（interfacial）PD和外部局部放電（external PD）等（圖4）。其中，電樹的瑕疵對電纜系統(tǒng)故障構(gòu)成的風(fēng)險最大。


 
圖4 : 瑕疵類型例子：表面、電樹、外部

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

對于這部分的計劃，我們使用了ResNet-50，這是一個以超過一百萬張圖片預(yù)先訓(xùn)練、內(nèi)含50層的卷積神經(jīng)網(wǎng)絡(luò)（convolution neural network；CNN）。我們在一個包含超過3,390張PRPD圖的數(shù)據(jù)庫上重新訓(xùn)練CNN。然后，這個CNN能夠進行電纜瑕疵種類的分類，而且準(zhǔn)確度超過96%。

改善計劃
我們的深度學(xué)習(xí)網(wǎng)絡(luò)，最終能提供出結(jié)果和受過高度訓(xùn)練的訊號分析師的準(zhǔn)確度不相上下，也提供更一致的質(zhì)量水平，同時，對于復(fù)雜數(shù)據(jù)庫分析和詮釋所花的時間更節(jié)省了高達(dá)500%以上。因此，現(xiàn)在分析師可不用把時間花費在單一的訊號分析任務(wù)，能專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(xí)模型能以接近實時地執(zhí)行分類，讓現(xiàn)場的技術(shù)人員可以在擷取到數(shù)據(jù)后立即看到結(jié)果，并且在必要時重新執(zhí)行測試。我們也正致力于訓(xùn)練數(shù)據(jù)庫的擴展。IMCORP擁有全世界最大的PD訊號數(shù)據(jù)庫之一，內(nèi)含經(jīng)過多年測試而取得的超過1億2千萬個波形，我們正計劃使用這項數(shù)據(jù)和MATLAB接口用于Databricks，啟動位于云端的大規(guī)模深度學(xué)習(xí)模型訓(xùn)練計劃。