使用深度學習進行地下電纜系統(tǒng)預測性維護

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

地下電纜系統(tǒng)與陸上電線路網相比，雖然對暴風雨、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，很難準確指出故障位置及進行修復。如果電纜的瑕疵未被偵測出來，可能導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，也就是電纜內的電場超出介電質絕緣體可承受的能力時出現(xiàn)的現(xiàn)象。當PD發(fā)生時，會產生高頻訊號?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法預料的電纜故障訊號，并在故障發(fā)生之前進行維修。

在IMCORP公司，我們使用MATLAB來設計及訓練深度學習網絡，以加快PD訊號偵測和表征的流程，并將該流程自動化。這些深度學習網絡不僅用來偵測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
我們遵照產業(yè)標準來進行制造廠商PD測試的質量控管，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，而且有時會產生結果的不一致或出現(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，但處理的結果仍然高度主觀?即使是訓練有素且具有多年經驗的分析師，有時還是會對于同樣的訊號給予不同的結論。

最近，我們開始使用機器學習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產品內的應用程序工具?Classification Learner App（分類學習器app），透過內建的多種方法來訓練及評估分類模型，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）及內建學習（ensemble learning）。

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

利用深度學習進行PD訊號分類
我們采用兩種不同的方式、透過深度學習網絡進行PD的訊號分類。首先，使用許多擷取的機器學習模型特征來訓練神經網絡。這個網絡是以一組內含二十多項特征標記、總計超過四百萬筆的數(shù)據(jù)庫來訓練。

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練了一個長短期記憶（LSTM）網絡，這些訊號之前由我們的團隊分析和標記（圖3）。由于我們在深度學習的經驗有限，我們與MathWorks的顧問團隊進行合作，協(xié)助我們運用領域專業(yè)知識，使用Deep Network Designer App這個應用程序工具來設計和訓練類神經網絡和LSTM。



 
圖3 : 透過Deep Learning Toolbox（深度學習工具箱）建立的LSTM網絡圖表。

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

以深度學習進行PD定位與類型辨識
進入計劃的第二階段，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LSTM網絡。其中一個網絡的訓練是將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。兩個模型的最大準確率都高于94%。我們訓練這兩個網絡，因為想要查看模型準確性是否隨著分段的增加而保持不變，結果大約從20個分段之后，準確率開始下降。

最后，我們訓練出一個深度學習網絡可用來判斷造成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。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（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)故障構成的風險最大。


 
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，并且產生經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先訓練、內含50層的卷積神經網絡（convolution neural network；CNN）。我們在一個包含超過3,390張PRPD圖的數(shù)據(jù)庫上重新訓練CNN。然后，這個CNN能夠進行電纜瑕疵種類的分類，而且準確度超過96%。

改善計劃
我們的深度學習網絡，最終能提供出結果和受過高度訓練的訊號分析師的準確度不相上下，也提供更一致的質量水平，同時，對于復雜數(shù)據(jù)庫分析和詮釋所花的時間更節(jié)省了高達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，能專注于其他更多同樣重要的任務。

最終，我們希望這些深度學習模型能以接近實時地執(zhí)行分類，讓現(xiàn)場的技術人員可以在擷取到數(shù)據(jù)后立即看到結果，并且在必要時重新執(zhí)行測試。我們也正致力于訓練數(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，內含經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)模深度學習模型訓練計劃。