基于泄漏电流(Leakage Current)检测高压瓷绝缘子裂纹与断裂的SE-Attention增强混合CNN–BiLSTM模型

《Biomimetics》：SE-Attention Augmented Hybrid CNN–BiLSTM Model for Leakage Current-Based Detection of Cracked and Broken High-Voltage Porcelain Insulators

　　

全球气候变化导致的极端和突发性温度波动加大了对输电基础设施的环境压力，这类气象变化显著增加了瓷绝缘子的失效风险——其耐热性较低，且易发生突发性弧光放电与表面变形。本研究提出一种融合压缩激励(Squeeze-and-Excitation, SE)注意力机制的混合CNN–BiLSTM–SE架构，利用表面泄漏电流(Leakage Current)信号诊断三单元瓷绝缘子的健康、裂纹及断裂三种结构状态。架构中的SE模块按通道对CNN层输出的特征图进行动态重标定，从而在BiLSTM单元学习时序依赖关系之前突出对故障诊断占主导地位的信号特征。泄漏电流数据于60 kV实验装置下获取，涵盖健康、裂纹与断裂绝缘子单元所有组合共15种工况。原始信号采用Savitzky–Golay滤波器预处理，在抑制噪声的同时保留诊断波形形态。提取时域统计量、频域谱特征及小波域能量成分共24维特征作为模型输入。CNN–BiLSTM–SE架构分类准确率达93.83%，优于单独的CNN（88.89%）、BiLSTM（87.65%）及CNN–BiLSTM（91.36%）模型，亦优于经典机器学习基线（支持向量机SVM：87.65%；随机森林Random Forest：90.12%；提升树Boosted Trees：87.65%）。

论文解读：基于泄漏电流检测高压瓷绝缘子裂纹与断裂的SE-Attention增强混合CNN–BiLSTM模型

全球气候变化引起的极端温度波动对户外高压瓷绝缘子施加了日益严重的热应力，瓷绝缘子因耐热性低、易受表面开裂与断裂影响而引发闪络或电气击穿，电网中逾75%的故障源于绝缘子缺陷。现有检测方法如人工目视巡检效率低、误判率高；超声检测仅能发现机械损伤；紫外脉冲与红外成像设备昂贵且对环境敏感；传统图像处理与基于YOLO等的目标检测虽有效但依赖高分辨率图像、受复杂背景干扰，且无法直接反映绝缘子内部电介质劣化状态。相比之下，泄漏电流(Leakage Current, LC)直接表征绝缘子表面污秽、受潮及结构变形的介电状况，对环境变量具有较强抗干扰性并可实时监测。已有研究多采用浅网络或单独CNN/LSTM处理LC信号，标准CNN–BiLSTM中各特征通道被等权处理，关键诊断通道未获强化。为此，研究人员以三单元瓷绝缘子的LC信号为对象，提出嵌入压缩激励(Squeeze-and-Excitation, SE)通道注意力机制的CNN–BiLSTM–SE混合深度学习架构，并结合统计验证与特征归因分析，实现健康、裂纹(Cracked)、断裂(Broken)三类状态的精确判别，研究成果发表于《Biomimetics》。

研究人员主要关键技术方法如下：选用经TS EN 60383-1型式试验的U100 BL瓷绝缘子，通过热冲击法制作表面裂纹单元、机械冲击制作断裂单元，在60 kV高压实验平台上以NI USB-6009数据采集模块（采样间隔1.5 ms，约667 Hz）采集三单元串中所有健康/裂纹/断裂组合共15种工况的LC连续时间序列（每工况100,000样本）。原始LC信号用Savitzky–Golay滤波器（7阶多项式，窗长21点）去噪保形；滑动窗（5,000点，步长2,500点）分割后提取时域（均值、标准差、偏度、峭度等）、频域（基波与3rd、5th谐波幅值、频谱熵等）及三层db4小波分解的能量与熵特征共24维，经z-score归一化。构建含三层Conv2D（滤波器数32→64→128）+批归一化(Batch Normalization)+ReLU+全局平均池化(Global Average Pooling)+Dropout的CNN空间特征提取模块，其后接入SE模块（压缩比r=16，通过全连接层完成Squeeze与Excitation并对通道重加权），再经序列展开送入双层BiLSTM（隐藏单元192与128）进行双向时序建模，末段为全连接层与三分类Softmax输出。数据集按信号块层级分层划分为训练集80%、验证集10%、测试集10%，以Adam优化器训练，采用类别权重均衡与分段学习率衰减，并与单独CNN、BiLSTM、CNN–BiLSTM及经典机器学习模型对照，辅以Kruskal–Wallis检验、Fisher判别比(Fisher Discriminant Ratio, FDR)、置换重要性(Permutation Importance)与遮挡归因(Occlusion-based Attribution)做可解释性分析。

2.1. Experimental Setup（实验装置）

研究人员设计涵盖三单元瓷绝缘子串全部健康/裂纹/断裂组合的15种工况，对单盘绝缘子通过热冲击（骤冷后浸入热水并轻敲）制出无材料损失的表面裂纹，通过机械撞击制出瓷体碎片脱落的断裂。实验采用U100 BL瓷绝缘子，在0–100 kV高压测试台上对绝缘子串施加60 kV交流电压以使LC特征更明显，用NI USB-6009（14位分辨率，667 Hz）记录LC信号，每工况采100,000点连续非平稳序列，按块级切分防数据泄露。结论：构建了可区分不同缺陷状态的LC特性数据集，60 kV激励使故障相关的谐波失真更为显著。

2.2. Dataset Validation（数据集有效性验证）

研究人员对LC幅值与3rd、5th谐波分量做Lilliefors正态性检验（p < 0.001，非正态）、Levene方差齐性检验（p < 0.001，方差不齐）及Kruskal–Wallis组间差异检验。结果显示LC幅值在裂纹与健康组间无显著差异(p=0.6398)，而3rd与5th谐波分量在所有故障场景下均具极显著组间差异(p < 0.001)。效应量分析表明3rd谐波在裂纹(η²=0.1918)与断裂(η²=0.2032)均超大体效应阈值(η²≥0.14)，5th谐波在断裂达大体效应(η²=0.2550)、在裂纹为中效(η²=0.0890)，LC幅值效应量可忽略(η²≤0.0005)。结论：故障判别关键信息蕴含于谐波结构而非单纯幅值，3rd与5th谐波是LC信号中最具鉴别力的物理特征。

2.3. Training Process and Evaluation Metrics（训练过程与评估指标）

模型以True Positive、True Negative、False Positive、False Negative定义混淆矩阵基础，计算准确率(Accuracy)、灵敏度/召回率(Sensitivity/Recall)、特异度(Specificity)、精确率(Precision)及F1分数作为评价指标。硬件平台为Intel Core i7-14700HX + NVIDIA RTX PRO 2000 Blackwell + 32 GB RAM，MATLAB R2025a实现。结论：明确量化评价体系，确保各类性能可横向比对。

3.1. Signal Pre-Processing（信号预处理）

研究人员选用Savitzky–Golay滤波器（多项式阶数7，帧长21）对原始LC信号平滑去噪。该滤波器通过局部最小二乘多项式拟合保留信号尖峰与放电脉冲形态及50 Hz基波及3rd(150 Hz)、5th(250 Hz)谐波成分，优于普通低通滤波。结论：SG滤波在抑制测量噪声同时保全了与绝缘子缺陷密切相关的瞬态放电特征与低次谐波信息，提高后续特征可分性。

3.2. Feature Extraction（特征提取）

将滤波后信号分窗（5,000点，50%重叠）再细分为50等分子窗，逐子窗计算时域特征8项（含最大值、最小值、均值、标准差、偏度、峭度、平均绝对偏差MAD、四分位距IQR等）、频域特征6项（含基波幅值、3rd与5th谐波幅值、频谱宽度、频谱熵等）及小波域(db4，3层)能量与熵特征共10项（含近似系数A3能量、细节系数D1–D3能量、总能量、高频能量比、小波熵等），合计24维。经z-score标准化。Fisher判别比分析显示时域中MAD(f6)、IQR(f9)、Kurtosis(f8)，频域中Spectral Width(f12)、Spectral Entropy(f14)，小波域中HF Ratio(f23)、Wavelet Entropy(f24)具较高类间判别力。结论：多域融合的24维手工特征可有效编码LC信号中由绝缘子状态改变引发的时–频–时频局部化差异。

3.3. SE Attention-Augmented Hybrid CNN–BiLSTM Architecture（SE注意力增强混合CNN–BiLSTM架构）

输入为[24×1×1]特征序列，经序列折叠进入CNN模块（三级Conv2D核尺寸[3×1]，滤波器32→64→128，配Batch Normalization与ReLU），Global Average Pooling后将128通道特征图送入SE Block：Squeeze阶段对每个通道做全局平均池化得通道统计量z_c=1/H·W ΣΣ x_c(i,j)；Excitation阶段通过两个全连接层（先压缩至8单元再扩回128单元，ReLU+ Sigmoid激活）生成通道权重s，压缩比r=16；Channel-wise Scale将s与CNN特征图逐通道相乘实现重标定。重标定特征经Sequence Unfolding送入双层BiLSTM（首层192隐单元输出序列，次层128隐单元输出最终状态），各层后接Dropout(25%/20%)。分类头含两层全连接(256、128单元)配LayerNorm与ReLU，输出层为三类别Softmax(健康/裂纹/断裂)。超参数经验证集引导手动调优，训练用Adam(lr=3×10^?4，分段衰减)，最大250 epoch，batch size=128，按块分层采样防泄露并加类别权重。结论：SE模块使网络自适应强调对故障分类贡献最大的特征通道，克服普通CNN–BiLSTM等权处理的局限，从结构上提升混合模型对LC多域特征的选择性聚焦能力。

4.1. Statistical Validation and Feature Discriminability Analysis of the Leakage Current Dataset（LC数据集统计验证与特征判别性分析）

Kruskal–Wallis与效应量前述已证3rd、5th谐波的大判别力。FDR排序确认各域高判别特征与物理意义吻合。置换重要性显示CNN–BiLSTM–SE的总重要性（时域0.284、频域0.199、小波0.135）高于对照模型；遮挡归因表明模型对不同类别依赖不同特征组——裂纹类主要靠时域特征(53.6%)，断裂类主要靠小波域特征(88.2%)，健康类均衡依赖小波(45.2%)与频域(31.5%)。两独立归因方法结果一致。结论：所提模型决策基于具物理意义的LC信号特征组合而非伪相关，具备可解释性。

4.2. Classification Results and Performance Comparison of Deep Learning Architectures（分类结果与各架构性能比较）

测试集混淆矩阵显示健康类召回率100%(27/27)，裂纹类92.6%(25/27，各误分1例至健康与断裂)，断裂类88.9%(24/27，3例误分为裂纹)。CNN–BiLSTM–SE综合性能最优：准确率93.83%，灵敏度93.83%，特异度96.91%，精确率93.90%，F1分数93.80%。较CNN–BiLSTM(91.36%)提升2.47%，较单独CNN(88.89%)提升4.94%，较BiLSTM(87.65%)提升6.18%。经典机器学习中随机森林最高(90.12%)，仍低于所提模型。五折分层交叉验证平均准确率89.50%±2.02%，说明结果稳定。模型参数量约118万，单样本推理耗时12.78 ms，批处理模式0.77 ms/段（约1,300段/秒），远低于采集时长。结论：引入SE注意力机制显著提升LC信号故障分类性能，模型满足在线实时监测的运算效率要求。

4.3. Discussion and Limitations（讨论与局限性）

研究人员指出，与基于可见光/红外图像的YOLO、R-CNN类方法相比，LC法可直接反映电介质劣化且不受光照遮挡限制；与普通CNN–BiLSTM漏流分类研究相比，本文创新点为集成SE通道注意力及配套统计–归因可解释框架。局限性在于数据全部取自受控实验室单一平台，真实运行中污秽、湿度、盐沉积及温变循环会改变LC行为，模型在现场条件下的泛化能力有待实地数据验证；该方法最适用于易产生脆裂与断裂的瓷绝缘子，玻璃绝缘子常整体粉碎、复合硅橡胶绝缘子劣化机理不同，方案不直接迁移。

Conclusions（结论部分翻译）

本研究提出一种基于泄漏电流信号、面向全球气候突变温度下易损瓷绝缘子结构损伤检测的可解释混合深度学习架构。主要发现如下：设计了涵盖三单元瓷绝缘子健康/裂纹/断裂所有组合共15种工况的综合数据集，原始60 kV LC信号经Savitzky–Golay滤波降噪保形。Lilliefors、Levene与Kruskal–Wallis检验证实3rd与5th谐波分量在绝缘子损伤检测中起关键作用——3rd谐波在两缺陷类型中均超过大体效应阈值(η²>0.14)，5th谐波在断裂情形下达大体效应(η²=0.2550)。提出的CNN–BiLSTM–SE架构通过SE通道注意力机制强化CNN空间特征提取与BiLSTM双向时序依赖建模，SE模块使分类准确率较CNN–BiLSTM基线提升2.47%；整体准确率达93.83%，分别超越单独CNN(4.94%)与BiLSTM(6.18%)，亦优于经典机器学习基线(SVM 87.65%，Random Forest 90.12%，Boosted Trees 87.65%)，证明性能增益源自SE增强的混合架构本身而非仅依赖手工特征。五折分层交叉验证平均准确率89.50%±2.02%，模型稳定性得以验证；FDR分析与置换–遮挡归因表明网络决策依托具物理意义的信号特征组而非伪相关。模型参数量约1.18×10⁶，单段推理时间0.77 ms，适于实时在线绝缘子状态监测。由于本研究数据来源于受控实验室条件，未来工作需在现场多环境应力（污秽、湿度、温度循环）下采集实地数据以验证模型泛化能力。