帳號:
密碼:
CTIMES / 文章 /   
使用深度學習進行地下電纜系統預測性維護
 

【作者: Steffen Ziegler】   2022年05月25日 星期三

瀏覽人次:【1769】
  

本文敘述如何使用深度學習來進行地下電纜系統的預測性維護。利用深度學習模型能夠接近即時地執行分類,讓現場的技術人員可以在擷取到資料後立即看到結果,並且在必要時重新執行測試。




地下電纜系統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,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的現象。當PD發生時,會產生高頻訊號?幅度通常低於100毫伏(millivolts),由於這些訊號是介電質劣化,並且最終將導致故障的象徵,因此最好能及早檢測到這些無法預料的電纜故障訊號,並在故障發生之前進行維修。


在IMCORP公司,我們使用MATLAB來設計及訓練深度學習網路,以加快PD訊號偵測和表徵的流程,並將該流程自動化。這些深度學習網路不僅用來偵測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。
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

我們遵照產業標準來進行製造廠商PD測試的品質控管,也就是將一個高於正常值的電壓,套用在地下電纜和一個帶有類比數位轉換器(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並找出可能代表著PD出現的特徵,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偽陽性(false positive)的情形。


為了讓分析師的工作更輕鬆,我們執行了降噪與其他數位訊號處理的演算法,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,有時還是會對於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來擷取訊號資料特徵、使用訊號處理演算法來計算訊號峰值之間的時間,以及其他普遍用在PD分析時的特徵(圖2)。



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

然後,我們使用MATLAB產品內的應用程式工具?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,包含邏輯迴歸(logistic regression)、支援向量機(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%,其他模型執行的表現稍好一些,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

我們採用兩種不同的方式、透過深度學習網路進行PD的訊號分類。首先,使用許多擷取的機器學習模型特徵來訓練神經網路。這個網路是以一組內含二十多項特徵標記、總計超過四百萬筆的資料庫來訓練。


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)網路,這些訊號之前由我們的團隊分析和標記(圖3)。由於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,協助我們運用領域專業知識,使用Deep Network Designer App這個應用程式工具來設計和訓練類神經網路和LSTM。



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

經過超參數優化之後,兩種網路在PD訊號的分類都可以達到約95%的準確率,相較於機器學習模型有不錯的改善。為了進一步提高準確率,我們採用小波轉換及快速傅立葉轉換來擴充時間序列資料,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

進入計畫的第二階段,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網路。其中一個網路的訓練是將PD的源頭進行10個可能的位置範圍(等長的電纜分段)的分類,另一個則是分為20個不同的位置範圍。兩個模型的最大準確率都高於94%。我們訓練這兩個網路,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個分段之後,準確率開始下降。


最後,我們訓練出一個深度學習網路可用來判斷造成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,和製造生產。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故障構成的風險最大。



圖4 : 瑕疵類型例子:表面、電樹、外部
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,並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。


對於這部分的計畫,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層的卷積神經網路(convolution neural network;CNN)。我們在一個包含超過3,390張PRPD圖的資料庫上重新訓練CNN。然後,這個CNN能夠進行電纜瑕疵種類的分類,而且準確度超過96%。


改善計畫

我們的深度學習網路,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,也提供更一致的品質水準,同時,對於複雜資料庫分析和詮釋所花的時間更節省了高達500%以上。因此,現在分析師可不用把時間花費在單一的訊號分析任務,能專注於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即時地執行分類,讓現場的技術人員可以在擷取到資料後立即看到結果,並且在必要時重新執行測試。我們也正致力於訓練資料庫的擴展。IMCORP擁有全世界最大的PD訊號資料庫之一,內含經過多年測試而取得的超過1億2千萬個波形,我們正計畫使用這項資料和MATLAB介面用於Databricks,啟動位於雲端的大規模深度學習模型訓練計畫。


(本文由鈦思科技提供;作者Steffen Ziegler任職於IMCORP公司)


相關文章
運用FP-AI-VISION1的影像分類器
利用軟體驅動、安全的預測性馬達維護提升生產力
工業設備智能監診 CbM狀態監測肩負重任
使用深度學習進行海上雷達資料品質管控自動化
簡化嵌入式邊緣 AI 應用開發的步驟
comments powered by Disqus
相關討論
  相關新聞
» 生科商Batavia Biosciences計劃建置工廠 進入商業製造領域
» TXOne Networks保護基礎架構 獲SC Awards Europe雙料大獎
» 東元提電價抗漲解方 囊括節儲創能系列服務
» SoftBank完成Altaeros ST-Flex自主浮升器電訊測試
» 東元力推全方位節能減碳方案 聚焦養殖與食品加工應用
  相關產品
» 敏博Ruler SSD E1.S PT33系列加速對應機架式伺服器架構需求
» Moldex3D SYNC設計參數優化加速自動化多組CAE分析
» Aerotech開發Automation1運動控制平台新功能
» 洛克威爾自動化發表全新微型控制器和設計軟體
» 德承新款嵌入式工業電腦DV-1000提升邊緣運算功效


刊登廣告 新聞信箱 讀者信箱 著作權聲明 隱私權聲明 本站介紹

Copyright ©1999-2022 遠播資訊股份有限公司版權所有 Powered by O3
地址:台北市中山北路三段29號11樓 / 電話 (02)2585-5526 / E-Mail: webmaster@ctimes.com.tw