- 頭條接觸網吊弦故障識別的新方法，可快速準確鎖定故障位置2021-05-23 作者：卞建鵬 郝嘉星 等 | 來源：《電工技術學報》 | 點擊率：導語接觸網吊弦的接觸面積小，且易與電力線混淆，傳統的故障識別算法存在如吊弦的誤識別、識別效率低和不能實時檢測等問題。相比傳統卷積神經網絡，膠囊網絡（CapsNet）首次采用矢量作為輸入，可以很好地保留目標的方向、角度等特征信息，更適合識別復雜背景下的吊弦。 基于此，石家莊鐵道大學電氣與電子工程學院的研究人員卞建鵬、郝嘉星、趙帥、李凡、孫曉云，在2020年第24期《電工技術學報》上撰文，提出一種基于改進膠囊網絡和CV模型結合的吊弦故障識別算法。與前饋神經網絡（BPNN）和Alex Krizhevsky設計的AlexNet等方法相比，該方法可以準確、迅速地從復雜背景中識別出吊弦，并準確地找到吊弦故障的位置，大大提高了輸電線路智能巡檢的效率。
中國的電氣化鐵路系統主要使用接觸網連接，易受環境因素的影響，如果發生故障，將給鐵路運輸系統造成重大的經濟損失。此外，大多數鐵路接觸網都位于偏遠地區或復雜地形中，因此，人工巡檢難以檢測懸掛在不同位置接觸網的狀態，甚至更加難以準確地定位故障的吊弦。
目前，人工巡檢定位吊弦故障操作過于復雜、效率較低。在此過程中，首先使用巡邏車檢查接觸網的各個部分的吊弦，吊弦的作用是將其懸吊在軸承電纜上，以確保接觸網的高度。吊弦的主要故障包括載流環斷裂、無應力導致的螺栓松動和吊弦脫落。檢測過程也存在如檢查周期長、效率低和漏檢等問題。為了解決這些問題，采用圖像處理技術和研發無人機智能巡檢技術顯得尤為重要。
為了準確識別接觸網吊弦的故障部分，首先必須將吊弦從背景圖像中完全分離出來。除了損壞的吊弦本身和接觸網電力線之外，獲取的圖像還包括很大一部分背景和其他電力設備。此外，由于吊弦的位置信息難以獲取，需要通過尋找合適的定位算法提取相應的位置信息。
吊弦的接線方式分為壓接式整體吊弦和螺栓可調式整體吊弦。壓接式一般用于工廠或者加工車間使用；而螺栓可調式則廣泛應用于鐵路接觸網上，因為這種吊弦適用于吊弦程度長度變化無規律的地方，可以隨著接觸網的上下浮動進行相應的調整，而吊弦的故障類型一般分為燒傷、載流環折斷、脫落等。
近年來，許多研究學者對接觸網進行了大量研究，推動了鐵路接觸網智能巡檢的發展。2000年，有學者引入了一種新型自上而下的方法來自動提取接觸網吊弦，該方法使用先驗知識從真實的數據庫中提取并分離了吊弦。同年，戚廣楓等學者對接觸網吊弦的動應力值和疲勞載荷特性進行了詳細分析。2001年，美國公司ENSCO研發軌道視頻檢測系統（VIS）實現對Panda Pal扣件工作狀態的實時檢測。4年后，德國鐵路工程公司GBM Wiebe開發了GeoRail-Xpress綜合檢測車，該檢測車可以對整個鐵路電氣設備系統進行實時檢測。
2006年，G. E. Hinton等學者在《自然》雜志上首次提出了深度學習的概念。自此深度學習成為機器視覺的重要檢測工具。2014年，范華等學者提出了一種針對低壓電網的識別定位技術。2016年，盧用煌等學者使用深度學習正確識別ID號并進行分類。王毅星提出了一種基于多樹融合的深度學習遷移模型，用于圖像識別和分類。2017年，G. E. Hinton等學者提出膠囊網絡（CapsNet），將有可能替代傳統的卷積神經網絡（CNN），為深度學習領域帶來了新的契機。還有學者應用膠囊網絡對手寫數字進行分類，由于數字本身的特征單一，識別率較高，而吊弦會受到所處現場復雜環境的影響，因此需要對更多的吊弦特征進行分析。
針對螺栓可調式整體吊弦進行故障識別與定位，石家莊鐵道大學電氣與電子工程學院的研究人員提出了一種基于改進膠囊網絡的接觸網吊弦故障識別與定位算法。
圖1 改進膠囊網絡結構
針對吊弦特征應考慮光強度、位置、變形、角度、紋理和位置信息，因此該研究團隊選擇這六個特征作為輸入向量，然后采用1×1歸約層結合3×3的卷積層簡化傳統膠囊9×9膠囊神經元，并采用優化算法進行參數尋優，縮短訓練權重時間；接著通過改進膠囊網絡對采集到的大量完好地和各種吊弦故障（包含載流環折斷和脫落）進行訓練和學習，完成吊弦不同故障情況的識別；同時輸出量保留了方向與角度，能更準確地對燒傷、載流環折斷、脫落等故障的吊弦進行分類；最后通過邊緣檢測、直線檢測和改進區域水平集（CV）模型精確定位絕緣子破損的位置。
圖2 吊弦故障識別與定位流程
圖3 識別效果
圖4 CV模型定位結果
基于改進膠囊網絡和CV模型的接觸網吊弦故障檢測模型，可以對復雜背景中的故障吊弦進行識別并對故障位置進行精確定位，研究人員通過對故障吊弦進行仿真和實驗驗證得出以下結論：
1）改進膠囊網絡有著較強的自學習能力和自適應能力，而且對于小樣本集有著很好的訓練效果，可以有效地檢測出故障的吊弦，并抑制由復雜背景引起的干擾，識別率達到了95%。由于改進膠囊網絡的輸入量為矢量，最大限度保留了吊弦的特征信息，并且通過輸出矢量計算出概率，可以更準確地對不同程度的破損情況進行分類，從而提高了識別率。
2）通過改進膠囊網絡識別并分類的故障吊弦圖像應用改進CV模型進行區域分割，可以精確吊弦的故障位置，其準確率達到了96.5%，相較于其他方法，更適合接觸網吊弦故障精確定位。
隨著輸電線路檢測技術的不斷普及，智能化水平的不斷提高，針對接觸網吊弦這一關鍵設備，實時檢測吊弦是否故障和故障類型尤為重要。石家莊鐵道大學電氣與電子工程學院的研究人員提出的方法可以較好地實現復雜背景下的吊弦故障識別，并且可以精確定位故障部位，滿足智能巡檢的要求。但改進膠囊網絡對于大量圖像的訓練時間相對較長，所以減少膠囊網絡的訓練時間是未來研究的重點。
以上研究成果發表在2020年第24期《電工技術學報》，論文標題為“基于改進膠囊網絡的接觸網吊弦故障識別與定位”，作者為卞建鵬、郝嘉星、趙帥、李凡、孫曉云。
