基于BP神经网络的绝缘子污秽成分LIBS在线检测技术

王乃啸，高海翔，王希林，王志远，朱晓光

(1. 广东电网有限责任公司电力调度控制中心，广东 广州510600; 2. 清华大学 深圳国际研究生院，广东 深圳518055；3. 东北大学 冶金学院，辽宁 沈阳110819；4. 西安交通大学 电气工程学院，陕西 西安 710049)

特高压输电线路大多途经地广人稀的地域，这些地域气候环境复杂多变，工农业发展水平差距明显，因此输电线路的污秽水平、典型污秽特征各异。输电线路的污闪事故可能导致线路跳闸，进而引发更大范围的电网安全事故。传统的盐密、灰密法测量手段需要检修人员登上几十米或上百米输电杆塔擦取绝缘子串表面的污秽，以此检测检测线路的污秽水平，这对工作人员的人身安全产生了巨大威胁[1-3]。其次，传统方法需要线路停电，而由于特高压输电线路主要承担跨省、跨区域的电力输送，停电时需要进行复杂的负荷转供操作，且停电间隙较短，使得传统检测方法的应用条件受限。另外，绝缘子表面污秽沉积层成分复杂，在一些特别的区域存在特殊污秽[4]，如化工厂矿周围企业排放的高导电性尘埃沉积在绝缘子表面，造成绝缘子电场畸变，加速绝缘老化，而这类特殊污秽通常无法用盐密、灰密法检测得到，威胁着电网的安全稳定运行。为实现绝缘子污秽的在线、准确、快速检测，电力企业在积极寻找新型的输电线路污秽水平(特别是污秽成分和含量)的在线监测方法，以提高电力系统的防污闪水平[5-7]。

激光诱导击穿光谱(laser-induced breakdown spectroscopy，LIBS)技术是将聚焦的高能量密度激光脉冲作用于样品表面，使用光谱仪捕获等离子体原子发射光谱，并对光谱进行分析的方法。光谱中的波长和强度信息表征了材料的元素种类和质量分数。LIBS技术具有原位、在线、快速、准确的优势，在生物医药、能源矿产、宇航探测等领域被广泛应用[8-11]。目前，针对将LIBS技术应用于电气设备外绝缘在线检测的问题，王希林等人开展了基于LIBS技术的硅橡胶复合绝缘子老化特性表征，以及绝缘子表面污秽成分检测研究，基于LIBS技术快速、准确、在线监测硅橡胶的老化性能，建立了与硅橡胶老化状态密切相关的C、O、Fe、Si等成分和分布信息。LIBS技术不会破坏硅橡胶表面激光烧蚀区的憎水性，烧蚀区静态接触角甚至大于硅橡胶非烧蚀区的静态接触角[12-13]，由于烧蚀坑深度与激光脉冲数呈线性关系，可获得硅橡胶表面从外到内沿深度方向的各种元素及其分布规律，从而得到硅橡胶表面的老化层深度和元素分布[14-15]。文献[16-18]研究了表面粗糙度、硬度对光谱信号的影响，开展了主成分分析法等的快速检测硅橡胶老化方法。在LIBS检测绝缘子污秽成分方面，文献[19-21]研究了LIBS参数对污秽光谱信号的影响，开展了基于偏最小二乘法、k-means、自适应重加权结合偏最小二乘法等多种污秽成分分析方法。但污秽成分的理化特性复杂，而污秽的致密度、粒径等特性都可能影响光谱信号，进而影响污秽成分的检测结果，对此，本文首先研究污秽特性对光谱信号的影响。

对于污秽等复杂的基体，等离子中不同元素间的相互干扰以及不同等离子体的物理特性差异，使得待测元素的谱线强度受到干扰，有必要结合光谱化学计量学分析方法与LIBS技术，以提高LIBS定量分析的可重复性和准确性。常用的化学计量学方法包括偏最小二乘法、神经网络算法、聚类分析、小波变换等[22-23]。清华大学王哲[24]研究了等离子体调制、光谱标准化和双线组合等一系列减低测量不确定性的方法，极大地提高了测量重复性。针对土壤成分松散问题，N.Idris等人[25]将油脂及土壤混合后附着在Ni板表面，避免LIBS分析时将土壤打散，试验中可以检测到土壤中的Na、Ni、Ca、Mg等元素的谱线。文献[26]利用偏最小二乘法、支持向量机等数学模型分析了土壤中大部分元素成分的检出限，并采取增强电荷耦合器件(intensified charge-coupled device，ICCD)等辅助设备，进一步降低了包括Be、Si、Fe、Cu、Mn等在内的土壤中主要金属类元素及微量元素的检出限。在土壤中有机碳及无机碳含量的定量分析方面，Ross S. Bricklemyer[27-28]等利用PLS1及PLS2校准回归模型、最小绝对收缩和选择算子，以及具有协方差估计的稀疏多元回归方法，实现了2类有机碳和无机碳质量分数的良好预测。近年来，人工智能算法，包括粒子群算法、随机森林、遗传算法、神经网络等模型也应用到复杂成分检测中，取得了很好的预测效果[29-32]。

考虑自然污秽基体的复杂性，本文在研究污秽成分对光谱信号的影响后，结合LIBS技术与BP神经网络算法，建立了基于BP神经网络的污秽成分与LIBS光谱强度的定量模型，最终实现了输电线路污秽水平的定量化分析预测。

1 自然污秽图谱特征分析

输变电外绝缘用绝缘子常年暴露在户外环境中，线路穿越地区条件复杂多变，其表面自然受到所在自然环境的影响。可以通过现场采集绝缘子表面污秽，或直接更换现场运行绝缘子，然后运回到实验室中，将预处理后的污秽样品送入元素分析仪器，即可得到自然污秽的成分。

试验选取的自然污秽采集自220 kV东葵甲线N41跳线上的复合绝缘子，生产厂家为东莞市高能实业有限公司，编号60523482。选取绝缘子串的中部位置，并沿着绝缘子串芯棒根部割下1片绝缘子。在绝缘子污秽层颜色较深的位置割取一小块(1 cm×1 cm)进行扫描显微镜(scanning electron microscope，SEM)和能谱仪(energy dispersive spectrometer，EDS)测试，分析绝缘子表面原始的污秽分布形态和主要元素分布含量。自然污秽成分检测试验选用的SEM和EDS仪器型号分别为ZEISS SUPRA 55和Oxford X-Max 20，喷金设备为Leica EMACE 200型全自动低真空镀膜设备，喷金材料为Pt。喷金镀膜可以提高试验样品表面的导电率。

图1为绝缘子表面自然污秽在5 000倍下的SEM图像，随机选择2个分析点位，可以看出不同的取点位置，污秽的分布特征并不相同。采样位置点1的污秽分布紧密，呈层层堆积的状态；采样位置点2的污秽排列松散，污秽间的空隙度较高，污秽的粒径大小也有差异。自然污秽在绝缘子表面的附着不均匀，主要原因有：大气环境气流对环境粒子的作用过程不均匀，绝缘子表面老化导致粒子在其表面的附着力不均匀，以及粒子与粒子间相互作用过程的随机性。

图1 绝缘子表面自然污秽在5 000倍下的SEM图像Fig.1 SEM images (5,000x) of natural pollutants on the surface of insulator

利用EDS对该绝缘子表面测试元素的质量分数，主要有O(35.80%)、Ti(21.78%)、Si(17.95%)、C(13.63%)、Al(6.03%)、Fe(4.17%)、Na(0.34%)、Mg(0.31%)。测试发现，得到的元素成分种类非常少，认为可能是绝缘子表面的NaCl、KCl等成分受到日常受潮、下雨等溶解冲刷作用而消除，而EDS检测的是样品表面成分的质量分数，并没有检测得到Na、Ca等其他常见的元素，因此有必要采取其他方式来检测绝缘子表面的污秽成分及元素质量分数。

2 LIBS试验与样品配置

2.1 试验装置

LIBS采集装置图如图2所示，由脉冲激光器、光谱仪、光学平台及反射/聚焦透镜组、延时控制器等。激光器为调Q脉冲钇铝石榴石晶体(NdYAG)激光器，型号为Nimma-900，激光波长为1 064 nm，激光输出频率1 Hz，激光输出能量110 mJ；光谱仪为Avantens光谱仪，可用波长200～650 nm；延时控制器型号为DG645，其主要作用是控制激光器输出与光谱仪采集之间的时间间隔，以有效获取激光作用下等离子体激发后，由连续背景发射光谱演变成的原子发射光谱，试验设置延迟时间为3 μs。激光输出的水平激光经由45°反射镜反射至垂直面上，经凸透镜聚焦后作用于样品表面，调节凸透镜与样品作用点的距离，使得激光作用的位置正好位于凸透镜的焦距位置。光谱仪捕获的光谱数据由Avasoft 8.8软件导出用于后续的数据处理。

图2 LIBS试验系统设置Fig.2 LIBS experimental system setup

2.2 样品配置与试验

2.2.1 不同污秽粒径下的人工污秽配比与试验

将相同质量的高岭土和不同粒径等质量的NaCl混合后，经压片机压片后进行LIBS试验，得到不同粒径下NaCl中Na元素的光谱试验结果。其中采用激光粒度分析仪测量NaCl粒径，LIBS方法获得以上各样品的光谱强度，并进行归一化等处理，以提高分析精度。

试验所用的NaCl样品选自阿拉丁公司生产的光谱级NaCl，利用不锈钢筛网将50 gNaCl样品依次筛选为小于60目、60～100目、100～200目、200～300目4种不同粒径梯度。其中小于60目对应的粒径尺寸为大于250 μm，60～100目对应的粒径尺寸为150～250 μm，100～200目对应的粒径尺寸为75～150 μm，200～300目对应的粒径尺寸为48～75 μm。

使用马尔文激光粒度仪(Mastersize 2000)测量NaCl及高岭土的粒径，采用湿法进样法时，选择的样品溶剂为酒精。LIBS试验方法为：每个样品表面随机选择5个点，每个点以1 Hz的频率连续作用5次。对于采集到的LIBS光谱图，选择Na元素对应的588.995 nm和589.592 nm这2个波长下的相对光谱强度进行数据分析。将每个样品25个点的光谱强度分别去除基底背景信号后，取平均值得到对应粒径样品的光谱结果。粒径测试结果见表1，其中50%粒径分布是指测试样本中的粒径分布曲线分布为50%时的最大颗粒等效直径。

表1 激光粒度仪测试的50%粒径分布结果Tab.1 50% particle size distribution results tested by Mastersize 2000

2.2.2 不同污秽致密度下的人工污秽配比与试验

采用压片机压制待测样品成压片时的压力变化模拟污秽的致密度变量，压力越高，则粉末压片的致密度越强。压片机压制后的人工污秽具有较为均匀平整的表面，有助于提高分析精度。本文配置人工污秽样品4份，其中每份高岭土2 g，NaCl质量分数为1%，在压片机压制的过程中设置压力强度分别为8.5 MPa、12.7 MPa、17.0 MPa、21.2 MPa。对压制好的样品进行LIBS测试，得到压力与平均相对光谱强度的关系。

2.2.3 定量分析模型样品的配置与试验

根据测试得到自然污秽主要元素的种类，本文配置人工污秽，研究污秽性质对激光诱导击穿光谱检测得到的主要元素光谱强度的影响，以及定量模型。试验样品选取典型污秽成分NaCl配置成人工污秽，绝缘子选取大连电瓷厂的XP-70型盘式绝缘子，其总表面积为1 591 cm2。混合污秽成分的质量与总表面积之比即为各个样品中的等值盐密(equivalent salt deposit density，ESDD)值。根据直流系统用高压绝缘子的人工污秽试验方法标准(IEC TS 61245-2015)[33]，每个污秽主成分中6个样品的ESDD值分别对应b、c、d、e等4种污秽区域划分等级。试验中，在不同质量分数的NaCl人工污秽中分别添加不同质量分数梯度的Cu、Fe，以模拟自然污秽中的重金属类污秽。

6份样品取少量经电感耦合等离子体光谱(inductively coupled plasma，ICP)获得的人工污秽Na、Cu、Fe等元素的质量分数，见表2。ICP测试待测元素质量分数的方法也是基于原子发射光谱的技术原理，因此本文选择以ICP质量分数检测结果与LIBS光谱结果建立的定标模型。但ICP测试需要对样品进行预处理，过程复杂且耗时较长。本文使用ArcosII MV型ICP仪器，首先需要在常温、常压下，将6种人工污秽粉末分别加入氢氟酸，全部消解为溶液，然后测定包括Na、Cu、Fe等元素在内的多种元素在不同特征谱线下的质量分数。

表2 人工污秽样品中各成分的质量分数值Tab.2 Concentration values of each component of artificial contamination samples

3 结果与分析

3.1 污秽性质对LIBS光谱信号的影响

将每个样品25个点的光谱强度分别去除基底背景信号，取平均值后得到的288～590 nm波段结果见图3。通过LIBS技术得到的原子发射光谱的谱线波长对应的元素种类中，Na元素特征谱线为588.995 nm和589.592 nm。由图3可以看出，随着NaCl数目的增加(即粒径减小)，Na元素在谱线波长为588.995 nm和589.592 nm下对应的光谱强度峰值逐渐增强。

进一步研究NaCl在不同粒径下，其光谱强度随着其质量分数变化发生变化的情况。参考目前电力系统外绝缘检测广泛使用的盐密、灰密法，根据标准建议划分污区，以及按照标准盐密度(salt deposit density，SDD)值的选择要求选择等值盐密。同样地，绝缘子选取大连电瓷厂XP-70型盘式绝缘子，其总表面积1 591 cm2。灰密值设置为2，计算的灰密质量为3 182 mg，标准SDD值分别为0.02 mg/cm2、0.05 mg/cm2、0.2 mg/cm2、0.4 mg/cm2、0.8 mg/cm2、1.2 mg/cm2。

通过计算得到每个样品配备的NaCl质量。LIBS试验后，得到不同粒径下的Na相对光谱强度，随着NaCl质量分数变化而变化的规律，如图4所示。在同一种粒径下，随着SDD的增加，Na元素2种谱线的平均相对光谱强度均先增加后减小。与240.764 μm相比，60.914 μm下相同SDD下的光谱强度较高，这说明粒径的增大有助于提高光谱发射强度。

图4 不同NaCl粒径下，Na元素光谱强度随NaCl质量分数变化而变化的规律Fig.4 Changes of spectral intensities of Na with changes of NaCl concentrations in different particle sizes

对压制好的样品进行LIBS测试，得到压力与平均相对光谱强度的关系，如图5所示。由图5可看出，随着致密度的增加，样品被激发的相对光谱强度逐渐增加。从被激发的等离子体羽流动力学的相互作用过程解释造成该现象的原因是：当激光能量作用于样品表面时，材料表面越致密，激光脉冲的反向冲击波作用越强，各种粒子从冲击靶面向激光射入的相反方向喷射出来，在等离子体快速膨胀的过程中，各种粒子的反向喷射速度和强度的增加，加剧了碰撞电离过程，并提高了原子发射强度。

图5 污秽致密度对Na元素光谱强度的影响Fig.5 Effects of pollutant density on Na spectral intensity

3.2 基于BP神经网络算法的自然污秽成分定量分析

在理想情况下，假设激光诱导等离子体中元素的含量等于待测样品的实际含量，并假设在一定时间和空间观察范围内的等离子体满足局部热平衡(local thermal equilibrium，LTE)条件[34]，这时可以建立LIBS定量分析模型，激光诱导等离子体中元素质量分数的分布，即可用波尔茨曼分布表示。激光诱导击穿光谱的谱线强度

(1)

式中：F为当前状态试验常数；kB为波尔茨曼常数；C为激光诱导等离子体中待测元素质量分数；Amn为从该元素从m能级到n能级跃迁的概率；Em为该元素在m能级的激发能；T为等离子体温度；gm为高能级简并度；Us(T)为该元素在该等离子体温度下的配分函数。对于待测元素，Em、Amn和gm均为定值，当试验参数稳定时，F不变。

分别分析待测元素Na、Cu、Fe，它们的Em、gm和Amn均为恒定。当LIBS系统参数一定时，F为常数。鉴于等离子体温度对线性定标结果影响较小，可忽略不计。令b为常数时，则激光诱导等离子体中元素质量分数与相对光谱强度为理想的线性关系，即

Imn=bC.

(2)

但是对于复杂的基体样品，等离子中相互元素及不同元素间的相互干扰，以及不同等离子体的物理特性，使得待测元素的谱线强度受到干扰。由第3.1节分析知，污秽性质如污秽的致密度、粒径等都会影响光谱强度，而对于图1中的自然污秽，其在绝缘子表面上的分布并不均匀；因此采用一贯的一元线性分析方法，进一步削弱线性分析的精确度。在实现LIBS在线检测绝缘子表面污秽的过程中，复杂的未知污秽特性将进一步影响光谱的信号，进而影响线性模型的定量结果；因此有必要采用其他光谱化学计量学分析方法。本文以神经网络法建立了污秽质量分数与光谱强度的定量模型。

神经网络训练是一种多元分析方法，可用于分类和预测以产生更精确的结果。BP神经网络是一种多层的前馈神经网络，其主要的特点是：信号是前向传播的，而误差是反向传播的。本文利用BP神经网络，对Na、Fe、Cu进行定量分析；采用3层神经网络，在MATLAB软件上实现了人工污秽的定量模型。验证模型时，另随机配置不同质量分数的Na、Cu、Fe样品，经ICP检测Na、Cu、Fe元素的质量分数，对样品进行LIBS分析，得到平均相对光谱强度，输入至训练好的神经网络模型中进行训练预测。

为了提高神经网络分析的精准度，需要提高数据分析的数量，本文对于任何一个试验样品均采取了每5次连续LIBS光谱信息取平均，并减去背景后作为一项数据，这样，每个样本在5个采样点下将有5个相对独立数据。造成相同样品光谱信息不同的原因主要是LIBS的灵敏性较高，试验样品表面的污秽待测元素质量分数并不完全相等。输入变量为表2中Na、Cu、Fe在内的7条谱线对应的光谱强度值，训练输出变量为Na、Cu、Fe在内的7条谱线对应的质量分数值，验证输入变量为以上几种元素对应的验证样品光谱强度值。将验证变量的输出值作为纵坐标，验证变量的实际质量分数值作为横坐标，由此绘制得到实际值-预测值的预测曲线。

训练过程的训练精度为0.05，学习率设置为0.01，训练次数设置为15 000，隐层的神经元个数为10，输出层的神经元个数为1，隐层神经元的传输函数为“logsig”函数，输出层的传输函数为“purlin”函数，采用梯度下降算法进行BP神经网络训练预测。

由此得到图6所示的包括Na、Cu、Fe等元素在内的神经网络训练预测结果，其中λ为谱线波长，y=x为参考曲线。从中各挑选1条对应元素的训练过程及预测结果，其他相同元素的谱线具有类似的分析结果，这将减小现场分析时的工作强度。由图6可以看出，这些训练图显示出高度一致的结果，相关系数R高于0.9。参考预测曲线几乎与参考曲线相同，这表明该模型获得了可接受的结果。基于该模型，可以建立1个具有观测元素信息的类型和内容的数据库，通过该数据库可以预测自然污秽的类型和质量分数。

图6 BP神经网络训练预测结果Fig.6 Training prediction results by the BP neural network

4 结论

本文利用LIBS技术获取表征绝缘子污秽成分的光谱数据，研究污秽粒径和致密度对光谱强度的影响，采用BP神经网络算法建立人工污秽光谱强度与元素质量分数的定量模型，实现了包括Na、Cu、Fe在内的几种典型污秽成分的定量检测。得出以下结论：

a)污秽材料性质(粒径、致密度)对光谱信号有较明显的影响，粒径的减小和致密度的增加均有助于提高待测元素相对光谱强度。

b)建立了基于BP神经网络的污秽成分与LIBS光谱强度的定量模型，实现了污秽成分准确预测。基于该模型，可以建立具有观测元素信息的类型和内容数据库，实现预测自然污秽的类型和质量分数，从而为在线分析输电线路绝缘子表面污秽成分分布提供新的方法。