基于小波包與神經網絡的海底電纜故障診斷

呂安強，劉 征，尹成群，李永倩

（華北電力大學電子與通信工程系，河北保定 071003）

光纖光纜技術與應用

基于小波包與神經網絡的海底電纜故障診斷

呂安強，劉 征，尹成群，李永倩

（華北電力大學電子與通信工程系，河北保定 071003）

針對海底電纜的故障診斷問題，提出了一種基于小波包與神經網絡的診斷新方法。該方法將海纜中光纖的布里淵頻移轉換成溫度和應變數據，首先使用六層小波分解對監測信號降噪，然后對故障數據進行三層小波包分解和重構，再通過提取能量、標準差和Shannon熵等構造特征向量并輸入BP（反向傳播）神經網絡進行訓練和測試。實驗分析表明，在海底電纜故障診斷中，采用標準差作為特征向量輸入BP神經網絡中的診斷方法性能最佳。

光纖復合海底電纜；故障診斷；小波包；反向傳播神經網絡

0 引 言

近年來隨著海洋開發活動日益頻繁，海底電纜（以下簡稱“海纜”）得到了越來越廣泛的應用。海纜敷設在極其復雜的海洋環境中，出現損壞的情況時有發生，其安全性受到廣泛的關注。

海纜中應用較多的是光纖復合海底電纜，這種海纜中內置了傳感光纖，發生故障時，海纜溫度和應變的變化會引起其內部傳感光纖信號的變化，短路電流或漏電流會以損耗的形式釋放熱量，使故障點及附近的纜體溫度上升，導致溫度信號發生突變；而當海纜發生錨害等機械故障時，故障點處纜體受力產生位移和形變，導致應變信號發生突變。多種因素會導致海纜監測信號為非平穩信號，且在故障點處存在奇異值。小波分析適合處理非平穩信號，并能捕捉到正常信號中夾帶的突變現象和成分，因此可用于海纜故障信號的分析。神經網絡具有非線性、學習和自適應性及進行聯想、推測和記憶等優點［1］。將小波包分析與神經網絡相結合，利用小波包提取出故障特征向量并將其輸入神經網絡，通過神經網絡的學習訓練，可識別出海纜的故障類型。

國內外有科研工作者利用神經網絡或小波變換進行故障特征提取和故障診斷的案例。文獻［2］闡述了基于小波包提取能量故障特征的方法；文獻［3-5］利用小波包算法提取電機振動故障信號的能量特征，并將特征信號輸入神經網絡實現電機故障診斷；文獻［6］運用小波包分解實現交聯聚乙烯絕緣配電電纜局部放電波形的特征提取與識別。目前，尚無利用小波包與神經網絡提取分布式光纖傳感監測數據特征并進行海纜故障診斷的報道。

本文通過分析光纖復合海纜故障數據，提出了一種基于小波包與神經網絡的故障診斷方法，并通過仿真實驗驗證了該方法的有效性。

1 監測系統

1.1系統布置

位于福建省某海峽的110kV光纖復合海底電纜的長度約為3.5km，A、B、C三相分開敷設，每相海纜復合兩個光單元，每個光單元包含8根G.652光纖。在跨海電力通信聯網中并不需要使用全部光纖，因此大量的備用光纖可綜合利用作為監測海纜的傳感器?；诜植际焦饫w傳感器的光纖復合海底電纜監測系統如圖1所示。在用戶側將海纜中的光纖連接到布里淵光時域反射計，進行在線實時監測。

圖1　光纖復合海底電纜監測系統

選定傳感光纖和泵浦光波長后，布里淵頻移只與光纖承受的溫度和應變有關［7］。式（1）、式（2）分別為布里淵頻移與溫度和應變的線性關系［8］：

式中，vB（T，0）為溫度T下光纖無應變時對應的布里淵頻移；vB（T0，0）、vB（T0，ε）分別為在參考溫度T0時無應變和應變ε下對應的布里淵頻移；CT，v和Cε，v分別為布里淵頻移的溫度和應變系數。根據這兩個方程，通過測量光纖的布里淵頻移變化就可以計算出溫度或應變的變化。

1.2海纜故障數據

海纜故障按性質主要分為電氣故障和機械故障。其中，電氣故障包括短路、漏電；機械故障包括錨砸、鉤掛。

根據文獻［9］，當海纜發生短路故障時，故障點到電源間的傳感光纖的溫度會大幅上升，故障點處溫度發生改變的范圍為10～30m；當發生漏電故障時，故障點及周圍幾米內傳感光纖的溫度也會上升；當發生錨害故障時，故障點處的海纜發生形變，傳感光纖產生的應變以錨害點為中心向兩端數十米內逐漸減??；當海纜被鉤掛時，傳感光纖中的應變變化范圍為百米級。

可見，當海纜發生電氣故障時，海纜的溫度會發生改變，而應變沒有明顯變化，因此可將溫度信號作為電氣故障診斷數據。當海纜發生機械故障時，海纜的應變會發生改變，而溫度在短時內沒有明顯變化，故可將應變信號作為機械故障診斷數據。

由于光纖復合海底電纜價格昂貴、工作環境特殊，故障模擬實驗難以開展，因此本文根據長期積累的海纜故障測量經驗，掌握海纜發生故障時傳感光纖的溫度和應變變化特點，合理修改正常監測數據來模擬海纜故障。根據海纜4種故障類型的特點，設置故障點監測數據幅度（對應故障嚴重程度）、開口寬度（對應故障影響范圍）和位置（對應不同故障位置），并疊加多種標準差的隨機噪聲（模擬實際工況），獲得多組故障樣本數據。圖2所示為以短路故障為例獲得的4種不同情況下的故障數據，其中（a）對應溫度上升10℃，開口寬度14m，故障出現位置0.8km，噪聲標準差為25/3；（b）對應溫度上升15℃，開口寬度22m，故障出現位置0.83km，噪聲標準差為20/3；（c）對應溫度上升10℃，開口寬度22m，故障出現位置1.5km，噪聲標準差為10；（d）對應溫度上升23℃，開口寬度31m，故障出現位置1.75km，噪聲標準差為20/3。

圖2　4組不同的短路故障數據

2 故障診斷算法設計

2.1故障特征提取

海纜的光纖傳感監測信號是非平穩信號，傳統的FFT（快速傅里葉變換）算法雖然具有較高的頻域分辨率，但卻不具備時域分辨能力，在分析海纜故障信號時存在嚴重不足。小波包分解是一種更為精細的信號處理途徑，小波包變換是小波分析的拓展，其精髓是把信息能量集中，在細節中尋找有序性，把其中的規律篩選出來，它可以將信號頻帶中的低頻和高頻同時進行分解，時頻局部化分析能力十分突出。當海纜發生故障時，監測信號波形會發生突變，并伴隨有一定的噪聲，采用小波包分析能將高頻部分的有用信息提取出來，準確反映故障信號的有效信息。本文采用小波包分析來提取故障特征，首先利用小波分析對故障信號進行軟閾值消噪；然后利用小波包對消噪信號進行三層分解，對各頻段的有用信息進行重構；最后根據重構信號，提取各頻段的特征。具體步驟如下：

（1）由于海纜處于帶電運行狀態，并受到周圍海底復雜環境及光纖傳感設備的熱噪聲等多種因素的影響，監測數據中包含很大的干擾信號，因此降噪是特征提取前的首要任務。本文中故障數據的噪聲干擾主要是白噪聲，小波變換可以將原始信號分解為一系列近似分量和細節分量，白噪聲信號集中表現在細節分量上，選取rigrsure（無偏風險估計閾值）處理細節分量，再經小波重構即可得到相對平滑的信號。經反復試驗，利用Daubechies系列小波六層分解（簡稱db6）進行軟閾值法消噪，可在保證不損失故障特征的前提下，得到較為平滑的信號。

（2）為了有效檢測出信號的奇異點，本文選擇具有較高消失矩的小波基。同時，根據海纜中光纖布里淵頻移波形的不平滑特點，選擇正交、緊支撐和對不規則信號敏感的Daubechies系列小波函數三層分解提取從低頻到高頻每一層的信號特征，再對小波包分解系數進行重構，提取各頻帶范圍的信號。

（3）根據公式（3）～（5），計算重構后各頻帶信號的能量、標準差和熵，并按照尺度順序構造特征向量作為誤差BP（反向傳播）神經網絡的輸入。

2.2故障類型判別

神經網絡具有很強的自學習能力、多輸入并行處理能力、非線性映射以及容錯能力，適合非線性故障的模式識別。BP神經網絡是基于BP算法的多層前饋型網絡，以網絡的輸出量與設定的期望輸出值的誤差均方根值作為衡量訓練結束的指標。訓練樣本進入輸入層后開始單向傳播，依次經過各隱含層進行數據處理，最后映射到輸出層輸出。BP神經網絡具有優良的模式識別能力和簡潔的結構，滿足在線監測的實時性要求。因此本文采用BP神經網絡作為海纜故障診斷分類器，進行故障類型的判別。BP神經網絡由1個輸入層、1個或多個隱含層和1個輸出層組成，每一層上有若干個節點，每個節點代表一個神經元，層與層之間無反饋，各相鄰層神經元之間的連接方式為全連接。對海纜故障進行診斷采用具有1個隱含層的3層BP神經網絡即可，其網絡結構如圖3所示。

圖3　3層BP神經網絡結構

3 診斷實例與分析

（1）小波降噪

采用db6對信號做六層分解。圖4所示為原始信號及消噪后的波形圖?？梢钥闯?，降噪后故障特征仍然保留，信號信噪比明顯提升，降噪效果明顯。

圖4　4組故障數據降噪前后對比

（2）特征提取

對降噪后的信號進行三層小波包分解，針對每種故障及特征向量采用最佳消失矩，短路故障采用消失矩為6，漏電故障為3，鉤掛故障為10，錨砸故障為3。計算各頻帶內的能量、標準差及Shannon熵。按照尺度順序構造特征向量作為BP神經網絡的輸入。以短路故障為例，圖5分別為提取能量、標準差、Shannon熵的示意圖?？梢姡收闲盘栔兴男畔⒋蠖技性谳^低頻段，且構造的3種特征向量有明顯差別，可根據需要選取合適的特征。

圖5　提取3種特征向量

（3）模式識別

針對電氣和機械故障，分別采用三層拓撲結構構建BP神經網絡，利用提取的特征向量作為神經網絡的輸入，并進行輸入、輸出的歸一化處理，特征向量的維數為8維，由此確定每個網絡輸入節點數為8，輸出節點數為2。設定輸出如下：短路故障（0，0，0，1）、漏電故障（0，0，1，0）、錨砸故障（0，1，0，0）、鉤掛故障（1，0，0，0）。根據經驗公式式中，n、m分別為輸入/輸出神經元數，a為1～ 10之間的常數，通過多次試驗，電氣故障網絡隱含層神經元個數取15，機械故障網絡取18，隱含層和輸出層的傳遞函數分別設定為logsig和purelin，訓練次數為1 000，最小均方誤差為1e-5，訓練函數為trainlm，學習函數為learnglm，性能函數為mse，學習速率為0.01。

為了防止過擬合現象的產生，檢驗神經網絡的有效性，將數據分為訓練數據、變量數據和測試數據，分別占故障總數據的70%、15%和15%。網絡訓練結束后，將測試數據輸入訓練好的網絡，結果如表1所示。可見在電氣故障診斷中，標準差的識別準確率明顯優于能量及Shannon熵；在機械故障診斷中，3種特征向量都能有效地完成故障種類的識別。

表1　識別準確率

4 結束語

本文提出了一種基于光纖傳感技術的光纖復合海底電纜故障診斷方法，所得結論如下：（1）運用小波分解對故障信號進行降噪處理可以有效地抑制噪聲造成的影響，提取出信號中的有用成分；（2）對故障信號進行小波包分解后重構提取的能量、標準差和Shannoon熵3種特征向量，均可在不同程度反映故障信息；（3）在海底電纜故障診斷中，采用標準差作為特征輸入神經網絡，診斷性能最佳。

［1]葉瑞召，李萬紅.基于小波包分解和BP神經網絡的軸承故障診斷［J］.軸承，2012，（10）：53-56.

［2]孫潔娣，靳世久.基于小波包能量及高階譜的特征提取方法［J］.天津大學學報，2010，43（6）：562-566.

［3]肖順根，宋萌萌.基于小波包能量神經網絡的滾動軸承故障診斷方法［J］.機械強度，2014，36（3）：340-346.

［4]張北歐.基于小波包變換和Elman人工神經網絡的電機故障診斷系統的研究 ［D］.武漢：武漢理工大學，2010.

［5]王紅君，劉冬生，岳有軍.基于小波分析和神經網絡的電機故障診斷方法研究［J］.電氣傳動，2010，40（3）：69-73.

［6]羅新，牛海清，胡日亮.基于小波包分解的XLPE配電電纜局部放電波形特征提取與識別 ［J］.高壓電器，2013，49（11）：110-116，122.

［7]孫世林，周會娟，孟洲.光纖布里淵分布式溫度應變同時傳感研究進展［J］.半導體光電，2013，34（1）：6-11，24.

［8]Niklès Marc，Thévenaz Luc，Robert Philippe A.Brillouin gain spectrum characterizationin in single-mode optical fibers［J］.Journal of Lightwave Technology，1997，15（10）：1842-1851.

［9]陳永，尹成群，呂安強.光纖復合海底電纜故障檢測與診斷方法［J］.光通信研究，2014，（3）：56-59.

A Fault Diagnosis Method Forwavelet Packet and Neural Network-Based Submarine Cables

LüAn-qiang，LIU Zheng，YIN Cheng-qun，LI Yong-qian
（Department of Electronic and Communication Engineering，North China Electric Power University，Baoding 071003，China）

A new diagnosis method based on wavelet packet and neural network is proposed for the fault diagnosis of submarine cables.By this method，the fiber Brillouin frequency shifts in the cables are converted into temperature and strain data.The monitoring signals are first denoised by using the six-layer wavelet decomposition and the faulty data are decomposed and reconstructed by three-layer wavelet packet，and then such structural eigenvectors as energy，standard deviation and Shannon entropy are extracted and inputted to the Back Propagation（BP）neural network for training and testing.The experimental analysis shows that inputting the standard deviation as the eigenvector to the BP neural network is the optimum method for the fault diagnosis in submarine cables.

optical fiber composite submarine cable；fault diagnosis；wavelet packet；BP neural network

TN818

A

1005-8788（2016）02-0026-04

10.13756/j.gtxyj.2016.02.009

2015-08-15

國家自然科學基金資助項目（51407074，61377088）；河北省自然科學基金資助項目（E2015502053）；中央高校基本科研業務費專項資金資助項目（2015ZD21）

呂安強（1979-），男，河北任丘人。講師，博士，主要研究方向為分布式光纖傳感技術和智能電網狀態監測。