Analysis of partial discharge signal recognition method based on fiber optic acoustic emission
-
摘要:
局部放电（PD）是电气设备绝缘退化的主要原因,相较于传统的检测方法,光纤声发射检测技术具有不影响设备运行方式、抗电磁干扰能力强等优点。设计并制作了尖端放电、气泡放电、悬浮放电和沿面放电4种典型局部放电模型,搭建了基于光纤声发射的局部放电声发射信号采集试验平台,采集了梯度施加电压下的局部放电声发射信号并对其进行了参量统计分析,提出了将去噪后信号时频图作为卷积神经网络特征输入的识别模型。试验结果表明,该识别模型对于淹没在噪声中的微弱局部放电信号具有良好的识别效果,识别准确率可达98%。
Abstract:Partial discharge (PD) is the main cause of insulation degradation in electrical equipment. Compared with traditional detection methods, fiber optic acoustic emission detection technology has advantages such as not affecting equipment operation mode and strong resistance to electromagnetic interference. This paper designed and produced four typical partial discharge models: tip discharge, bubble discharge, suspended discharge, and surface discharge. A partial discharge acoustic emission signal acquisition experimental platform based on fiber optic acoustic emission was built, and the partial discharge acoustic emission signals under gradient applied voltage were collected and analyzed for parameter statistics. A recognition model was proposed that took the denoised signal time-frequency map as the feature input of a convolutional neural network. The results showed that the recognition model had good recognition performance for weak partial discharge signals submerged in noise, with a recognition accuracy of 98%.
-
变压器是电力系统中的关键设备,随着运行年限的增长,在设备制造、运输、安装过程中,变压器内部面临着绝缘劣化与部件松动等故障风险,其中局部放电为变压器绝缘劣化的主要表现形式[1-2]。其在局部放电的过程中会伴随着声、光、热、电等物理现象,并在高温下产生化学反应生成有害气体。基于以上物理特性,逐渐发展形成了多种局部放电检测手段,主要分为电气测量法与非电气测量法两类[3]。电气测量法包括脉冲电流法、超高频法、介质耗损分析法等,其优点是灵敏度高,检测准确,但很难实现在线监测与故障定位,且受电磁干扰严重[4]。非电气测量法包括声学检测法[5]、光学检测法[6]、化学检测法[7]等。光纤声发射检测法的基本原理是通过光纤传感器采集局部放电超声信号,进而检测设备的运行状态。其优点是检测仪器体积小、安装方式灵活、耐腐蚀、不受电磁干扰的影响、可实现局部放电的定位等,并且不影响设备的正常运行,能实现电气设备的局部放电信号监测,因此光纤声发射检测方法近年来受到了学者们的广泛关注[8-9]。
20世纪90年代,挪威电力研究所的LUNDGAARD[10]提出了局部放电声学检测法的基本理论,其中包括局部放电产生声波的基本原理,声波的传播和吸收现象,声波在介质界面的反射与折射特性,以及不同介质中的声波特性。2010年,KUNDU等[11]研究了用超声信号对3种不同电极系统的油压板绝缘系统模拟局部放电进行分类,从局放超声信号中提取分形特征。2016年,ZHANG等[12]开展了基于迈克尔逊干涉仪检测局部放电的研究。
目前利用压电式探头对局部放电声发射信号的识别研究较多,而对光纤声发射检测技术的研究还主要停留在光纤传感器的开发阶段。文章利用光纤声发射设备,在梯度电压下采集了4种典型的电气设备局部放电声发射信号,对不同放电形式、电压下的局部放电信号进行了参量分析,并提出了一种结合信号处理与卷积神经网络的局部放电信号识别方法。
1. 光纤声发射检测原理
局部放电过程产生的声发射信号通过机械波传播会使光纤产生机械振动,从而使光纤折射率发生变化。由于光弹效应,光纤中的光相位发生变化,进而引起光功率的变化。
当光纤受到声发射波的干扰时,光相位变化如下
(1) 式中：Δϕ为光波的相位改变量；ΔϕL为光纤长度改变引起的相位延迟,即光纤的应变效应；Δϕn为光纤折射率改变引起的相位延迟,即光弹效应；ΔϕD为光纤的芯径发生变化引起的相位延迟,即泊松效应；β为光纤传播常数；L为光纤长度。
一般意义上讲,ΔϕD对相位改变的贡献很小,所以一般对ΔϕD忽略不计[13]。所以,光纤的应力应变效应、光弹效应与温度应变效应是通常意义上的引起相位调制的3个关键因素。
文章使用Optics11公司生产的OptimAE光纤声发射设备进行信号采集。该系统在声发射传感器中封装有长度相同的传感光纤和参考光纤,参考光纤被卷在一起围绕着一个阻尼器,并与振动和机械干扰隔离,而传感光纤则盘绕在探头中的一个具有平底的轴上。当传感器贴在被检测结构上时,传感光纤所在的轴体直接与结构表面接触,以实现表面声波向传感光纤的最佳传输。光纤声发射传感器的结构及尺寸示意如图1所示,该传感器通过夹子、胶带或耦合剂固定在特定位置,当声波通过传感器探头时,振动被转移到传感器的心轴上,然后转移到其周围的盘状纤维上。由此产生的干涉信号被传输到 OptimAE 采集主机,进行信号采集、声发射（AE）信号的解调,并与带有OptimAE 软件的计算机通信,进行声学事件检测和进一步处理。
2. 试验平台与信号采集
基于以上光纤声发射检测原理,文章制作了尖端放电、气泡放电、悬浮放电和沿面放电4种典型的局部放电模型,如图2所示。搭建了基于光纤声发射的局部放电声发射信号采集试验平台,如图3所示。该系统由典型缺陷局部放电模型、变压器、电压控制箱、光纤声发射采集主机和采集控制电脑5部分组成。
在试验过程中,220 V的工频交流电压经过变压器升压后,在电压控制箱的调节下加载在局部放电模型高压处。两个光纤声发射传感器由耦合剂耦合后对称贴在模型上部,并由胶带贴紧。从0 kV开始以恒定速率增加电压直至出现局部放电信号,此时刻为各个模型的起始局部放电电压。
4类局部放电模型的起始电压值试验结果如表1所示,可见,产生局部放电现象的起始电压值并不相同,这主要是因为绝缘性能不同与电场畸变的影响不同,在此电压值时发生的局部放电信号均为不可听声信号。随后以0.1倍起始电压为步长升高电压,并每增加一次电压维持10 min,记录信号,每种典型缺陷局部放电信号样本记录不少于500个,为后续局部放电识别训练和测试提供充足样本。4种局部放电阶梯电压信号声发射参量如表2至表5所示,其中沿面放电在14.5 kV发生击穿现象,故将沿面放电模型的升高电压步长减小为0.3 kV。
Table 1. 4种局部放电信号的起始电压值放电类型 起始电压值 尖端放电 7.0 沿面放电 13.0 悬浮放电 14.5 气泡放电 6.0 Table 2. 尖端放电阶梯电压信号声发射参量电压/kV 计数 持续时间/µs 能量 幅值/dB 7.0 15.18 1 502.45 0.02 48.52 7.7 113.92 4 269.69 0.10 54.01 8.4 193.68 6 821.90 0.35 60.50 9.1 284.86 10 527.19 0.86 63.89 9.8 401.84 13 573.89 1.97 67.39 Table 3. 沿面放电阶梯电压信号声发射参量电压/kV 计数 持续时间/µs 能量 幅值/dB 13.0 39.62 2 449.40 0.041 51.88 13.3 38.72 2 282.78 0.039 51.89 13.6 67.74 3 618.47 0.069 53.32 13.9 78.12 4 275.38 0.081 53.93 14.2 92.78 4 673.97 0.113 54.63 Table 4. 悬浮放电阶梯电压信号声发射参量电压/kV 计数 持续时间/µs 能量 幅值/dB 15.0 1.42 367.02 0.003 4 47.16 16.5 1.32 286.79 0.002 8 47.04 18.0 1.66 449.14 0.003 5 47.09 19.5 1.71 330.84 0.003 1 47.21 21.0 1.66 406.34 0.003 3 47.00 Table 5. 气泡放电阶梯电压信号声发射参量电压/kV 计数 持续时间/µs 能量 幅值/dB 6.0 1.96 570.61 0.004 5 47.42 6.6 1.98 606.23 0.004 6 47.34 7.2 1.88 597.25 0.004 3 47.13 7.8 1.76 579.70 0.004 1 47.14 8.4 1.82 592.57 0.004 1 47.22 对4种典型缺陷局部放电信号的声发射参量进行统计分析可知,尖端放电与沿面放电声发射信号的各参量平均值随着施加电压的升高均有所提升,并且尖端放电信号在施加电压约为9.1 kV时产生了细微的可听声。而悬浮放电与气泡放电信号的声发射参量平均值并未随着施加电压的升高而有明显变化。
3. 信号预处理
由上节可知,已采集的局部放电声发射信号幅值均很低,以气泡放电信号的时域图为例,局部放电信号基本淹没在了环境噪声中。因此要进行信号识别必须进行去噪,以突出各类信号的特征。
文章采取小波阈值去噪法对局部放电信号进行去噪处理,该方法采用非线性操作,在处理含噪信号时可以最大程度地保存原信号波形的边缘和不连续部分,以保证信号不会失真[14]。小波阈值去噪算法参数：母小波设置为db2,分解层数设置为5层,阈值选取规则设置为Sqtwolog,阈值处理函数设置为软阈值函数。去噪前后的信号对比如图4所示,可知环境噪声已基本去除,信号的频率特征已经显示出来,频率值主要集中于20 kHz~250 kHz的低频范围内。
4. 信号识别结果
文章采用卷积神经网络对4类缺陷模型产生的局部放电声发射信号进行训练和识别,并以识别准确率来评价识别效果。
将试验获取的每一类放电类型和施加电压下采集的信号随机挑选50个,共1 000个信号,在进行去噪处理后将其转换为二维时频图像,形成信号识别数据集。其中800个信号为训练集,剩余200个信号为测试集,去噪后气泡放电信号时频图如图5所示。
信号的识别准确率如表6所示。分析识别结果可知,对信号进行去噪后卷积神经网络的识别率相对于去噪前有了大幅度提升。其中使用去噪后的频域图作为输入特征的识别率最高,达到了98%；而使用去噪前的时域图作为输入特征的识别率最低,仅有68.5%；使用频域图作为输入比仅使用时域图时的识别准确率有一定提升。因此,使用小波去噪后的频域图结合卷积神经网络可以很好地用于局部放电声发射信号的识别。
Table 6. 信号的识别准确率输入特征 识别率/% 去噪前时域图 68.5 去噪前频域图 73.0 去噪后时域图 91.5 去噪后频域图 98.0 5. 结语
文章制作了4种典型的局部放电模型,搭建了基于光纤声发射的局部放电声发射信号采集试验平台,并采集了梯度施加电压下的局部放电AE信号,并对其进行了参量分析。提出了使用去噪后信号的频域图作为卷积神经网络输入特征的识别方法,达到了较好的识别结果。表明本识别方法可用于识别噪声干扰强并且局部放电信号较弱的信号,可以应用于复杂的工业现场。
-
Table 2 尖端放电阶梯电压信号声发射参量
电压/kV 计数 持续时间/µs 能量 幅值/dB 7.0 15.18 1 502.45 0.02 48.52 7.7 113.92 4 269.69 0.10 54.01 8.4 193.68 6 821.90 0.35 60.50 9.1 284.86 10 527.19 0.86 63.89 9.8 401.84 13 573.89 1.97 67.39 
下载: 导出CSV
Table 3 沿面放电阶梯电压信号声发射参量
电压/kV 计数 持续时间/µs 能量 幅值/dB 13.0 39.62 2 449.40 0.041 51.88 13.3 38.72 2 282.78 0.039 51.89 13.6 67.74 3 618.47 0.069 53.32 13.9 78.12 4 275.38 0.081 53.93 14.2 92.78 4 673.97 0.113 54.63
下载: 导出CSV
Table 4 悬浮放电阶梯电压信号声发射参量
电压/kV 计数 持续时间/µs 能量 幅值/dB 15.0 1.42 367.02 0.003 4 47.16 16.5 1.32 286.79 0.002 8 47.04 18.0 1.66 449.14 0.003 5 47.09 19.5 1.71 330.84 0.003 1 47.21 21.0 1.66 406.34 0.003 3 47.00
下载: 导出CSV
Table 5 气泡放电阶梯电压信号声发射参量
电压/kV 计数 持续时间/µs 能量 幅值/dB 6.0 1.96 570.61 0.004 5 47.42 6.6 1.98 606.23 0.004 6 47.34 7.2 1.88 597.25 0.004 3 47.13 7.8 1.76 579.70 0.004 1 47.14 8.4 1.82 592.57 0.004 1 47.22
下载: 导出CSV
-
[1] 陈卓,刘念,薄丽雅. 电力设备状态监测与故障诊断[J].高电压技术,2005(4):48-50. [2] 李莉苹. 气体组合电器绝缘状态评估与故障诊断技术研究[D]. 重庆：重庆大学,2015. [3] 郑含博. 电力变压器状态评估及故障诊断方法研究[D]. 重庆：重庆大学,2012. [4] 李军浩,韩旭涛,刘泽辉. 电气设备部放电检测技术述评[J]. 高电压技术,2015,41(8):283-260. [5] ILKHECHI H D ,SAMIMI M H ．Applications of the acoustic method in partial discharge measurement：a review[J]. IEEE Transactions on Dielectrics and Electrical Insulation,2021,28(1):42-51. [6] ALGHAMDI A S ,MUHAMAD N A ,SULEIMAN A A ．DGA interpretation of oil filled transformer condition diagnosis[J]. Transactions on Electrical and Electronic Materials,2012,13(5):229-232. [7] MUHR M ,SCHWARZ R ．Experience with optical partial discharge detection[J]. Materials Science- Poland,2009,27(4):1139-1146. [8] 叶子,王超. 用于监测阀门泄漏的超高动态范围全光纤超声传感系统[J]. 传感技术学报,2016,29(7):957-961. [9] 吴瑞东,王宇,王东,等. 光纤振动传感系统相位调制模块的嵌入式设计[J]. 传感技术学报,2017,30(2):200-205. [10] LUNDGAARD L E ．Partial discharge．XIII．Acoustic partial discharge detection-fundamental considerations[J]. IEEE Electrical Insulation Magazine,1992,8(4):25-31. [11] KUNDU P,KISHORE N K,SINHA A KClassification of acoustic emission based partial discharge in oil pressboard insulation system using Fractal Features2010 Annual Report Conference on Electrical Insulation and Dielectic PhenomenaWest LafayetteIEEE201014KUNDU P ,KISHORE N K ,SINHA A K ．Classification of acoustic emission based partial discharge in oil pressboard insulation system using Fractal Features[C]//2010 Annual Report Conference on Electrical Insulation and Dielectic Phenomena．West Lafayette： IEEE,2010:1-4． [12] ZHANG T Z ,PANG F F ,LIU H H ,et al ．A fiber-optic sensor for acoustic emission detection in a high voltage cable system[J]. Sensors,2016,16(12):2026. [13] BAO P ,ZHANG L ．Noise reduction for magnetic resonance images via adaptive multiscale products thresholding[J]. IEEE Transactions on Medical Imaging,2003,22(9):1089-1099. [14] 刘奎,张冬梅,于光,等. 空气耦合超声信号的小波阈值滤噪试验研究[J]. 机械工程学报,2015,51(20):61-66.
计量
- 文章访问数: 22
- HTML全文浏览量: 4
- PDF下载量: 12
