本质安全型防爆电气设备故障电弧识别技术

白嘎力，蒋慧灵，李 坦，郎 喆，邓 青

1. 北京科技大学，北京 100083； 2. 唐山市消防救援支队，河北 唐山 063003

0 引言

化工和煤炭等行业在生产过程中容易产生可燃气体、粉尘等易燃易爆品，该类场所防爆电气设备一旦出现故障［1-2］，就可能发生火灾爆炸事故。爆炸性环境要求安装防爆电气设备，而本质安全型防爆电气设备是其中一类，该设备在本质安全电源下产生的电弧电火花或热效应均不能点燃爆炸性环境的易燃易爆品。评价设备本质安全的IEC 火花试验规程规定电极分断速度为恒定速度（25 cm·s-1），而实际工作环境中，故障点分断速度是随机的，因此即使符合IEC 安全火花试验规程的本质安全电路，在特定分断速度下，一旦限制电源能量的电阻或其他设备失效，导致本质安全电路电流上升，引起电弧电火花能量增大也可能引燃爆炸性气体［3］。为更好地预防爆炸性环境电气火灾，精准识别本质安全型防爆电气设备故障电弧具有重要意义。

国内外关于故障电弧检测主要有三种方法。（1）基于电弧物理特性的检测方法。通过传感器检测电弧产生时伴随的弧声、弧光、电磁辐射等物理现象来判断是否发生故障电弧［4-9］。蔡彬等［10］提出采用弧光单判据规则，研发了分布式多点内部故障电弧在线检测装置。这种方法对传感器的敏感度要求较高，且实际应用中传感器的位置是固定的。因此，此方法多用于开关柜、配电箱等固定设备的电弧检测。（2）基于电弧数学模型的检测方法。目前最常用的模型有Cassie 模型、Mayr 模型和Schwarz 模型［11-13］。Khakpour 等［14］建立了基于电弧直径变化的模型，电弧直径作为电弧电流的函数，模拟的电弧电压更接近测量值。但此方法在实际应用中检测时间有延迟，不能及时避免事故。（3）基于电弧电流的检测方法。通常采用傅里叶变换、小波变换等方法对电流信号进行时域、频域、时频域分析，获取能表征故障电弧发生的特征，并结合神经网络判断是否发生故障电弧，这是当前主流研究方法［15-17］。唐圣学等［18］建立电流小波能量熵特征结合极限学习机辨识微弱故障电弧模型，能够以98%辨识率检测微弱直流故障电弧。崔芮华等［19］提出运用脉宽百分比、变异系数、间谐波均值和小波奇异熵等特征量对航空线路电流特征进行提取，并依据突变理论建立故障电弧评价模型，判断线路是否产生故障电弧。Jiang 等［20］提出适用于多负载电路拓扑结构的串联电弧故障检测与定位模型，通过时域、频域和小波包能量分析提取电弧特征，并将其输入深度神经网络（DNN）进行计算和训练。以上研究大多是针对住宅、光伏发电、航空等场所故障电弧的检测，而对爆炸性环境本质安全型防爆电气设备故障电弧识别研究还未引起注意。爆炸性环境的本质安全型防爆电气设备故障电弧识别存在传感器检测电弧会增加电火花风险、环境因素复杂多变难以建立电弧数学模型、存在电流微小不能精准设定电弧识别阈值等难点。

为避免特征阈值故障检测方法带有的主观性，本文提出一种基于卷积神经网络图像识别的本质安全型防爆电气设备故障电弧检测方法。该方法可以自动挖掘原始波形图像隐藏的各类特征进行学习［21］。卷积神经网络识别故障电弧模型是利用电路电压电流波形图像识别，可以自主提取电路各种状态下的特征，并准确识别出故障电弧，从而降低爆炸性环境发生火灾爆炸的风险，最大限度保护人民生命财产安全。

1 本质安全电路故障电弧试验设计

为模拟本质安全型防爆电气设备故障电弧，依据标准搭建IEC 本质安全电路故障电弧火花试验平台，获取电路正常和故障情况下电流电压波形图像，为检测模型提供试验数据。

1.1 本质安全电路故障电弧试验平台搭建

为获得故障电弧火花试验数据，引进IEC-F2 型火花试验装置，如图1 所示。火花试验装置的火花腔内有故障电弧发生装置，是根据《爆炸性环境第4部分：由本质安全型“i”保护的设备》（GB/T 3836.4—2021）制作而成，如图2 所示。故障电弧发生装置由两个电极组成，一个为含两个凹槽直径30 mm 的圆形镉盘，另一个为4 根长11 mm、直径0.2 mm 的钨丝，分别连接在方形黄铜极握四角，黄铜极握旋转时带动钨丝与镉盘摩擦从而产生电弧。基于火花试验装置设计如图3所示的故障电弧试验电路，其中E为电源，R 为阻性负载，数据采集系统为数字示波器。试验电路A 点测量的是供电干路对地电压和电流，B点测量的是本质安全电路对地电压和电流。

图1 IEC-F2型火花试验装置

图2 火花腔内故障电弧发生装置

图3 试验电路图

1.2 试验参数设置与数据采集

煤矿井下大多从电网引入电源，用电阻限制电流，经整流器转换成直流电流之后，给本质安全电路供电。所以本试验采用50 Hz、220 V 交流电作为电路电源，通过调节滑动变阻器调整电流为符合本质安全电路值的0.22 A，之后通过火花试验装置整流供电给故障电弧发生装置。钨丝电极旋转速度取标定速度80 r·min-1，并采用稳压装置过滤市电中存在的噪声，使电路电压保持完整的正弦波状态，采样速率取12.5 MS·s-1。

选定Tektronix TBS 2074系列数字示波器及配套电流电压有源探头测量和记录串联电路正常和故障时的电流电压。示波器有4 个通道，其中ch1、ch2 是衰减倍数为10 的电压通道，分别测量B 点和A 点对地电压；ch3、ch4 是衰减倍数为10 的电流通道，分别测量B 点和A 点电流。数据采集过程中，选定示波器水平标度为100 ms、记录长度为2 000 万个点，此时单个截图中存在2 000 万个电流与电压数据。截取1.5 s 内图像，故障电弧产生装置可以进行2 个周期运转，保证在该截图时间范围内具有两次放电过程，保存采集到的波形。

2 本质安全电路故障电弧试验分析

2.1 本质安全电路故障电弧试验

接通电源后，电弧发生装置钨丝电极开始旋转，当钨丝滑过镉盘凹槽时两个电极分离，再接触镉盘时两个电极接通，因而反复产生电弧。根据电弧产生部位可分为闭合电弧、断开电弧。闭合电弧是指镉盘和钨丝最初处于断开状态，随着电极转动，镉盘和钨丝在接触瞬间产生电弧；断开电弧是指最初镉盘和钨丝处于接触，随着电极的转动，镉盘与钨丝断开瞬间产生电弧。图4 为电极旋转时示波器截取的A 点电流电压波形图。由图4可知，因为A 点在整流器之前，所以A 点对地电压和电流波形均为正弦波形。当产生电弧时，A 点对地电压不受影响，但A 点电流波形因故障电弧而发生上下震荡变化。

图4 A点电流电压波形图

2.2 试验结果分析

反复做多次试验后，从示波器截取的B 点波形库中挑选正常和故障状态电路波形进行分析。

2.2.1 正常电路试验分析

故障电弧发生器的两个电极接触滑动时，本质安全电路为正常运行状态，B 点对地电压和电流波形如图5所示。因为B点在整流器之后，所以对地电压和电流波形为一条直线。

图5 正常运行波形图

2.2.2 闭合电弧试验分析

通过试验得出的闭合电弧典型波形如图6 所示。分析图6可知：发生故障之前B点对地电压和电流都为0，说明此时镉盘与钨丝断开；随着电极转动，两个电极接触瞬间产生闭合电弧，B 点对地电压和电流产生不规则锯齿升降变化；两个电极稳定接通后，B 点对地电压和电流趋于直流稳定值。经计算闭合电弧平均放电时间为24.14 μs，平均放电能量为97.56 μJ。

图6 闭合电弧波形图

2.2.3 断开电弧试验分析

通过试验得出的断开电弧典型波形如图7 所示。分析图7 可知：发生故障之前两个电极处于接通状态，B 点对地电压处于稳定值；随着电极转动，两个电极断开瞬间产生断开电弧，B 点对地电压和电流产生不规则锯齿升降变化；两个电极彻底断开后，B 点对地电压和电流变为0。经计算断开电弧平均放电时间为4.88 μs，平均放电能量为3.65 μJ。

图7 断开电弧波形图

通过分析正常电路、闭合电弧和断开电弧波形可得出，闭合电弧平均放电时间比断开电弧平均放电时间长，闭合电弧平均放电能量也比断开电弧平均放电能量大，表明电弧放电时间越长电弧放电能量越大。电弧发生瞬间B 点对地电压和电流波形发生上下震荡突变，而突变值存在随机性，所以通过突变阈值识别故障电弧的方法不准确。

3 卷积神经网络模型

基于卷积神经网络（Convolutional Neural Network，CNN）图像识别分类模型是以原始图像作为输入，自动学习特征，把不同类别图像区分开来，给每幅图像分配一个语义类别标记。可以利用卷积神经网络对电弧电流电压波形图与电路正常工作波形图进行判定，从而对电路状态进行分类。模型主要由低层卷积区、分类卷积区、FC 区（全连接区）组成，模型架构如图8所示。

图8 CNN模型架构图

低层卷积区将图像的3 层400×800 波形向量乘以权重矩阵（矩阵权值为随机的0~1 值），最终转换成32 层7×7 向量，权重向量个数为32×7×7，每个卷积层后面有PRelu 线性单元。两层卷积层可以保证在低层卷积区不仅可以提取电弧放电的低级特征，还可以进一步将低级特征迭代得到复杂特征，保障特征信息种类的广泛性。

分类卷积区是对低层卷积区权值参数的优化，去除冗余信息。同时，不断降低向量层数，减少特征图像数量，加快计算速度。h1_prior_2（spatial pyramid 池化层）被插入最后一个卷积层后，将特征输出为固定尺寸的特征向量。

FC 区为单层特征向量，包含2个全连接层（每层后有PRelu 单元）。第一个FC 层包含256 个神经元（向量），第二个FC 层包含128 个神经元（向量），FC区后面softmax 层作为激活函数输出2 个值的列向量，即每个类别对应的概率。

4 基于CNN的故障电弧识别

4.1 模型搭建

点B 电路波形图分为闭合电弧、断开电弧、正常电路。建立CNN 模型学习电流电压波形图，通过模型识别波形图所属的电路状态并对其分类。图9 为CNN 电弧识别原理框图，其中输入图像为示波器截取的400×800 波形图。在进行CNN 图像训练前，对波形图进行向量化数据处理。图像由R（红）、G（绿）、B（蓝）三原色构成，根据图像像素与RGB 值，将图像信息转化为R层、G层、B层向量。

图9 CNN电弧识别原理框图

模型训练过程分为正向传播与反向传播，在正向传播过程中，将像素信息转换为向量类型的数值信息。信息从输入层进入隐含层，在隐含层中不断更新权重，最后信息传向输出层。利用Cross Entropy Loss（CE 损失函数）计算预测值输出概率与真实值输出概率的相似度，损失函数值越小，两个概率分布就越接近。若损失函数值较大，则将损失函数传入反向传播过程，逐层求出损失函数对各神经元权重的偏导数。通过梯度下降算法修改权值，完成模型学习。当损失函数值较小，即预测值与真实值接近时，模型训练完毕。

4.2 结果分析

选取600 组试验数据，其中400 组为故障电弧数据，200 组为正常工作数据。选择5 折交叉验证方法寻找模型最优参数，最后保存测试集上准确率最高的参数模型，从而识别本质安全型防爆电气设备故障电弧。随机选择320 组故障电弧数据与160 组正常工作数据作为训练集，剩余的80 组故障电弧数据与40 组正常工作数据作为测试集。将训练集数据导入CNN 模型进行训练，训练过程中不断赋予图像像素新的权重，通过卷积层的加深不断丰富与像素有关的权重层数，深层挖掘图像特征，最后通过损失函数获得预测值与真实值的差值。通过训练模块中引用的梯度下降算法，找到使损失函数变小的方向，更新权重数值并完善训练模型。训练时损失函数随迭代次数的变化如图10所示。

图10 损失函数

图10 中纵坐标为交叉熵误差值（Ld值），在运算开始时为4 左右，通过梯度下降算法进行深度计算Ld值不断降低，最后Ld值在0.1附近，即预测值与真实值之间的差值为0.77。这表明随着学习的不断加深，预测值更加贴近实际值。训练结束后，利用测试集对模型进行5 次验证，准确率分别为93.33%、95%、90%、91.67%、90%，平均准确率为92%。

5 结论

本文针对爆炸性环境本质安全型防爆电气设备故障电弧检测问题，通过试验分析，得出闭合电弧平均放电时间和平均放电能量均大于断开电弧，电弧放电时间越长电弧放电能量越大，进一步提出CNN故障电弧识别方法。该方法不仅能有效判别本质安全型防爆电气设备是否发生故障电弧，还消除了传统方法主观设置阈值限制特征表征问题，为爆炸性环境本质安全型防爆电气设备故障电弧检测提供了一种新的思路。