基于時頻域融合和ECA-1DCNN的航空串聯故障電弧檢測

閆鋒, 蘇忠允

(1.中國民用航空飛行學院航空工程學院, 廣漢 618307; 2.南京航空航天大學民航學院, 南京 211106)

隨著航空技術與電力系統的不斷發展和完善,依靠機械能、液壓能、氣壓能等傳統的多能源體制的飛機逐漸統一為電能體制的飛機[1],該類飛機廣泛采用電力作動、起動/發電一體化、電除冰和電防冰等技術,已經受到了各國的重視。但隨著電氣化的程度的不斷提高,航空導線將會更加密集,布局也會更加復雜,同時為了減輕總體質量,航空上使用的導線直徑往往較小,飛行時處于長時間的震動環境下,固定框架內的導線發生磨損和接觸不良的情況難免發生,此時極易誘發電弧故障。近幾年影響較大的事件為2018年某航空公司飛機在運行時,風擋玻璃破裂,調差報告表明電弧放電產生的局部高溫是導致該事件的主要原因[2]。

電弧故障可以分為串聯電弧故障和并聯電弧故障,其發生時都會產生大量的熱、光、輻射等物理現象,存在火災的風險。并聯電弧故障在發生時回路電流會顯著增大,容易檢測,而串聯電弧故障在發生時相當于回路中增加了一個線性時變電阻,導致故障發生時電流比正常情況小,隱蔽性強,不易檢測,因此研究航空串聯電弧故障的檢測尤為關鍵。

目前國內外串聯電弧故障檢測方法的研究取得了一些研究成果。一些學者針對電弧進行仿真研究,主要包括 Cassie、Mayr和Schavemaker等[3-5]多種電弧數學模型,但由于電弧發生時情況復雜、變化迅速,畸變情況隨機,難以對其進行準確的模擬。部分學者根據電弧發生時的電磁輻射物理現象進行檢測,通過采集相關輻射信號進行故障電弧檢測和診斷[6-9],此種方法適用于近場測量,但是實際情況下電弧發生的位置是隨機的,傳感器不能保證一定檢測到電弧物理信號,并不適用于復雜電路系統。

目前國內外研究重點為通過檢測電流信號進行故障電弧的檢測。通過對正常電流信號和電弧故障時電流信號的時域、頻域、時頻域單一或多域分析,提取相關特征值,設置閾值或者引入機器學習方法,進行故障診斷。文獻[10]使用改進自適應噪聲的完備經驗模態分解將電流信號分解為若干本征模態函數,然后進行特征提取與降維,最后利用支持向量機進行故障分類。文獻[11]利用經驗小波變換將信號分解6階模態分量,提取多個熵特征與時域特征的同時并利用主成分分析進行降維,最后利用概率神經網絡進行檢測。文獻[12]同時利用小波變換和經驗模態分解進行處理,提取統計特征與熵特征,運用傳統機器學習方法進行診斷。文獻[13]利用改進經驗小波變換進行分解,提取全頻帶能量熵特征、高頻樣本熵特征與低頻統計特征,利用極限學習機算法進行診斷。文獻[14]利用集合經驗模態分解將信號分解為多個模態分量,計算其能量熵特征,利用相關算法優化的反向傳播神經網絡進行診斷研究。文獻[15]利用小波分解后的能譜熵作為特征,設置閾值進行檢測。文獻[16]提取時、頻域多個特征并進行主成分分析法降維,最后依靠支持向量機進行故障診斷。文獻[17]從時、頻域角度出發,分析特征值并設置閾值進行檢測。文獻[18]通過多種模態分解方法,對比不同負載,表明變分模態分解和局部均值分解對電弧電流信號分解具有良好適用性。其中閾值檢測方法過于依靠專家經驗與先驗知識,小波變換與經驗模態分解以及相關改進算法復合熵特征近幾年被廣泛應用,且取得了不錯的效果,但是該方法計算量較大,實際應用起來較為困難。

目前,隨著機器學習的不斷發展,部分學者利用深度學習算法相關進行故障檢測。文獻[19]提取三維特征,利用卷積神經網絡-長短期記憶網絡(convolutional neural network-long short-term memory, CNN-LSTM)算法設計了5層網絡進行故障檢測。文獻[20]利用改進AlexNet網絡,設置5層卷積層進行故障診斷。文獻[21]利用連續小波變換將信號轉變為圖像特征,利用深度殘差收縮網絡并加入注意力機制進行診斷研究。因此,將深度學習算法融入串聯電弧的故障檢測已成為一個重要研究方向,且取得了不錯的成果。

為更好地實現對航空串聯電弧故障的檢測,現利用深度學習強大的分類識別能力,提出一種時頻域信號輸入與加入高效注意力機制(efficient channel attention, ECA)的一維卷積神經網絡(one-dimensional convolutional neural network, 1DCNN)的航空串聯電弧故障檢測方法。搭建航空串聯故障電弧實驗平臺,進行電弧實驗與數據采集,分析頻域包含的故障信息。將時域信號進行歸一化處理,同時計算其頻譜值,將時域與頻域信息進行融合,作為檢測模型的輸入,相同類型負載故障設置為同一標簽值。建立ECA-1DCNN故障電弧檢測模塊,利用1DCNN模塊進行特征提取,ECA模塊對其重要特征進行增強,無用信息進行抑制,將正常和故障情況進行分類。通過四折交叉驗證方法進行驗證,利用多個評價指標說明模型的有效性,并對比其他算法,說明特征頻段選取與加入注意力機制的有效性。

1 電弧故障實驗

1.1 實驗平臺搭建

首先根據SAE AS 5692[22]和UL 1699[23]相關標準搭建航空電弧實驗平臺,電路原理圖如圖1所示。實驗平臺由115 V/400 Hz交流電源、電弧發生裝置、負載、示波器、電流探頭等組成,如圖2所示。

圖1 電弧實驗原理圖

圖2 電弧實驗實物圖

其中交流電源用來模擬典型航空供電類型;電弧發生裝置通過拉弧式產生電弧,6 mm碳棒電極固定不動,6 mm尖頭銅棒電極固定在由調節裝置控制的移動滑塊上,電弧由拉弧式產生,實驗開始時,碳棒電極與銅棒電極緊密接觸,然后通過控制銅棒與碳棒兩電極距離,使空氣被擊穿,從而產生串聯電弧;示波器通過電流探頭測量并存儲電流數據,輸入到計算機進行后續處理,硬件設備主要參數如表1所示。

由于航空用電設備類型復雜,如風擋加溫控制系統中的加熱器為純電阻負載,航空螺線管為電感負載,座椅為電容負載。因此實驗中負載選擇純阻性負載、阻感性負載、阻容性負載3種主要負載,各負載類型與參數值如表2所示。

表2 負載參數值

表3 數據集構成

1.2 電弧波形結果分析

圖3(a)、圖3(b)分別為純阻性負載正常運行和發生電弧時的歸一化電流波形,可以明顯看出電弧發生時具有明顯的平肩部。

圖3 純阻性負載電流波形

2 特征頻段提取與數據集介紹

2.1 FFT變換與頻域分析

采樣頻率為50 kHz,正常信號與故障信號均保留5個整周期的數量進行后續計算。進行歸一化操作,將值映射到[-1, 1],公式為

(1)

式(1)中:xscaled為歸一化后數值;x為初始數值;xmax為該組數據最大值;xmin為該組數據的最小值。

進行快速傅里葉變換操作,對于一個大小為N×1 的采樣信號x[n],其離散形式的表達式為

(2)

計算得到頻譜值,圖4分別是純阻性負載正常與故障電弧時的頻譜圖像,其中對1 000～4 000 Hz區域進行放大得到子圖。

圖4 頻譜圖像

負載在正常運行時,高頻分量成分較少;而電弧產生時,產生大量高頻成分,其中主要集中在1 000～4 000 Hz,在3次諧波、5次諧波、7次諧波、9次諧波時具有顯著變化。選擇純阻性負載20、50、100 Ω的正常和故障電流數據,分別計算多次諧波與基波比值,如圖5所示,藍色點為正常情況,紅色點為電弧情況,從左到右依次為20、50、100 Ω的比值大小。

圖5 諧波與基波比值

分析可知,頻域中包含著大量的故障信息,為了提高檢測精度,將0～4 000 Hz的頻譜值與時域信號拼接組成神經網絡模型的輸入,進行訓練與分類。數據集構成與標簽值如表2所示,其中每一類負載正常和故障狀態各200個數據集。

2.2 數據集介紹

負載為線性負載,正常工作狀態下均為正弦波,歸一化后仍為正弦波形,因此將所有的正常狀態標簽設置為0,故障狀態分別為1、2、3。

3 算法原理與網絡模型搭建

3.1 1DCNN網絡

1DCNN即一維卷積神經網絡,1DCNN也包括卷積層、激活層、池化層和全連接層等模塊[24]。其中卷積層利用滑動窗口即一維卷積核對輸入進行局部連接,從而捕捉序列中的特征,池化層則用于減小輸出的尺寸以及提升模型的魯棒性。通過交替使用這些模塊來提取更抽象的特征表示,并且可以通過增加神經層的布局及權重參數數量,從而實現更復雜的特征建模,擁有學習高級特征和分類的能力。其分類任務的主要流程如圖6所示。

圖6 1DCNN主要流程

3.2 ECA網絡

ECA[25]是在對擠壓與激發網絡(squeeze-and-excitation networks, SENet)的基礎上進行改進得來,SENet適用于多通道的輸入數據,對不同通道的權重進行計算,分配不同的重要程度,其通過全連接層對特征進行降維,不可避免的增加了模型復雜度和計算量,而ECA在SENet基礎上進行改進,克服了模型性能與復雜度之間的矛盾。ECA模塊結構如圖7所示。

圖7 ECA結構

首先進行全局平均池化操作(global average pooling, GAP)獲取全局信息,其次進行一維卷積操作,其中一維卷積核大小k自適應計算得來,公式為

(3)

式(3)中:|t|odd為距離t最近的奇數;C為維度大小;b和γ為常數,取值分別為1和2。然后利用一維卷積生成權值,公式為

ω=σ[C1Dk(y)]

(4)

式(4)中:ω為通道權重;σ為Sigmoid函數;C1D為1D卷積;y為全局平均池化后的結果。

最后,將原始輸入與權重進行點積運算獲得具有注意力機制的特征。

3.3 電弧檢測網絡模型

使用兩層1DCNN網絡和兩層ECA模塊。防止梯度爆炸和消失現象,加入批規范化操作層(batch normalization,BN),其計算過程如下。

(5)

(6)

(7)

(8)

式中:xi∈X={x1,x2,…,xn}為處理前數據;yi為處理后數據;ε為大于0且接近于0的常數;γ、β為重構參數。

采取Adam優化算法,添加L2正則化,參數設置為0.000 1,提高模型的泛化能力,同時為了避免不同標簽值對模型的影響,將標簽值進行one-hot編碼,因此使用分類交叉熵(categorical crossentropy)損失函數,其公式為

(9)

表4為航空串聯故障電弧檢測模型的主要結構,變量總數為50 250,圖8為航空串聯電弧檢測方法流程圖。

表4 故障檢測模型結構

圖8 航空串聯電弧檢測方法流程圖

4 結果可視化與分析

為了說明模型的魯棒性和泛化性能,進行三折交叉驗證模型對不同數據集劃分的準確性;引入混淆矩陣與接受者操作特征(receiver operating characteristic curve,ROC)曲線進行更全面的評估;設計對比試驗,表明時頻域融合方法與添加注意力層算法的優勢。

4.1 K折交叉驗證

K折交叉驗證一般使用3、5或10折,總數據量為3 600,使用5折或10折驗證難以保持樣本數量的充足性,因此選取K=3。驗證訓練集、驗證集和測試集的比例均為7∶2∶1,迭代次數為50次,批大小為28,如圖9所示分別為每次交叉驗證的驗證集準確率和損失值。其測試集準確率與損失值如表5所示。

表5 測試集準確率與損失值

圖9 交叉驗證準確率與損失值

從圖9中可以看出,對于3種不同測試集,準確率都達到97.5%以上,損失值降到了0.1以下,平均準確率達到了97.96%,平均損失值為0.078 6。

4.2 結果分析

為了更好地評估模型的優劣,隨機取360個樣本放入模型進行測試,求得每個類別的真陽率(true positive rate,TPR)和假陽率(false positive rate,FPR),其計算過程如式(22)、式(23)所示,ROC曲線如圖10所示,混淆矩陣如圖11所示。

(10)

圖10 ROC曲線

圖11 分類結果混淆矩陣

(11)

式中:TP(true positive)表示實際正,預測正的個數;FP(false positive)表示實際負,預測正的個數;TN(true negative)表示實際負,預測負的個數;FN(false negative)表示實際正,預測負的個數。

根據ROC曲線可以看出,曲線宏平均與微平均都達到了0.99以上,具有較好的分類性能,能夠準確地識別到正常電流狀態和阻感性負載電弧狀態,識別率為1。

對混淆矩陣進行分析,正常狀態識別率為100%,不會發生誤判;純阻性負載隨機抽取了51個樣本進行檢測,有1個樣本被錯誤識別為阻容性負載狀態;阻感性負載全部識別正確;阻容性負載選擇了55個負載,有3個被錯誤的識別,可以認為該檢測模型具有較好的性能,對于故障與正常狀態能夠進行較為精準的識別。

4.3 不同模型比較

為了說明算法的優勢,分別與時頻域融合信號+1DCNN和時域信號+ECA-1DCNN進行對比,如圖12和圖13所示分別為兩種算法的準確率與損失值變化情況,其中兩種算法的1DCNN網絡模型結構與本文模型提出的一致,均為兩層卷積操作。同時輸出時頻域融合+ECA-1DCNN模型準確率與損失值變化情況進行對比,如圖14所示。

圖12 時頻域融合+1DCNN

圖13 時域信號+ECA-1DCNN

圖14 時頻域融合+ECA-1DCNN

可以看出,加入ECA網絡后,模型收斂得更加快速與平穩,這是因為ECA網絡可以更快速地注意到不同數據中更重要的特征;加入頻域的相關特征后,對問題的識別率與準確率也有提高,說明本文模型提取特征頻段是一種有效的處理方式。輸出不同算法的測試集的準確率與損失值,如表6所示,對比兩種算法,準確率分別提高了1.95%和1.68%,損失值分別降低了0.042 3和0.039 5。

表6 不同算法測試集準確率與損失值

全部計算在計算機(CPU I5-10400)完成,將訓練好的模型進行保存,隨機選取100個樣本進行檢測,平均檢測時間為0.042 6 s,與其他算法的對比如表7所示,說明本文算法有較高精度,同時具有較快的檢測速度,能夠實現航空串聯故障電弧的快速檢測。

表7 不同算法計算時間

算法計算較快的首先原因在于本文模型網絡層數較少,文獻[18]設置網絡層數為5層,同時長短時記憶網絡(long short-term memory, LSTM)計算復雜度大于卷積神經網絡,且本文模型選取兩層1DCNN和兩層ECA,參數量較少;其次在于采樣率與周期數的設置,本文模型設置為50 kHz、5個周期,而文獻[25]采樣率設置為2.5 MHz、10個周期,單一樣本數據量較大;而文獻[26]計算結果較慢的原因在于前處理過程復雜,其中小波包分解層數大于30層。

5 結論

提出了一種基于時頻域融合與ECA-1DCNN的航空串聯故障電弧檢測方法。通過進行多負載類型、多參數值進行故障電弧實驗,采集電流信號,分析頻譜圖,得到特征頻段在1 000～4 000 Hz,將頻域與時域融合,輸入模型,進行訓練,最終平均準確率達到97.96%,單一檢測時間平均為0.042 6 s,計算快速,給航空串聯故障電弧檢測裝置的研究提供理論參考。