基于改進(jìn)深度森林的采煤機(jī)拖拽電纜擠壓力識(shí)別方法

石港， 雷志鵬

（1. 太原理工大學(xué) 煤礦電氣設(shè)備與智能控制山西省重點(diǎn)實(shí)驗(yàn)室，山西 太原 030024；2. 太原理工大學(xué) 礦用智能電器技術(shù)國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室，山西 太原 030024）

0 引言

采煤機(jī)拖拽電纜運(yùn)行時(shí)會(huì)隨著采煤機(jī)在工作面來回移動(dòng)，易受到刮板輸送機(jī)中部槽的擠壓及落煤和矸石的沖擊，導(dǎo)致電纜絕緣層發(fā)生性能劣化甚至故障，影響采煤機(jī)的供電可靠性和工作面的安全。當(dāng)擠壓力不同時(shí)，采煤機(jī)拖拽電纜中出現(xiàn)的局部放電特征也不同。因此研究不同擠壓力下采煤機(jī)拖拽電纜局部放電統(tǒng)計(jì)特征量，對(duì)于識(shí)別采煤機(jī)拖拽電纜絕緣層所受擠壓的程度、避免采煤機(jī)拖拽電纜出現(xiàn)絕緣故障具有重要意義。

針對(duì)機(jī)械應(yīng)力下電氣設(shè)備絕緣性能及局部放電特性，國(guó)內(nèi)外學(xué)者已開展了較多研究。劉志華等[1]研究了熱、機(jī)械應(yīng)力共同作用對(duì)油浸紙板絕緣特性的影響，發(fā)現(xiàn)施加機(jī)械應(yīng)力的幅值和時(shí)間增大都會(huì)導(dǎo)致油浸紙板的絕緣性能下降。彭倩等[2]研究了機(jī)械應(yīng)力對(duì)聚丙烯薄膜局部放電特性的影響，發(fā)現(xiàn)機(jī)械應(yīng)力與薄膜的直流局部放電次數(shù)呈負(fù)相關(guān)，與平均放電量和最大放電量呈正相關(guān)，且機(jī)械應(yīng)力增大會(huì)導(dǎo)致薄膜的絕緣性能顯著降低。鄒林等[3]研究了壓強(qiáng)和表面粗糙度對(duì)聚乙烯和硅橡膠間接觸面局部放電特性的影響，發(fā)現(xiàn)局部放電起始放電電壓與界面壓強(qiáng)和表面粗糙度呈正相關(guān)，而壓強(qiáng)與局部放電量、放電次數(shù)呈負(fù)相關(guān)，即增大界面間的壓強(qiáng)可抑制放電的發(fā)展。路士杰[4]研究了溫度和機(jī)械應(yīng)力對(duì)環(huán)氧支柱沿面閃絡(luò)電壓與局部放電的影響，研究發(fā)現(xiàn)溫度和擠壓應(yīng)力均會(huì)導(dǎo)致環(huán)氧試樣的閃絡(luò)電壓下降。崔彥捷等[5]研究了機(jī)械應(yīng)力下油浸絕緣紙板的局部放電，結(jié)果表明當(dāng)機(jī)械應(yīng)力小于20 MPa時(shí)，機(jī)械應(yīng)力增大，絕緣性能有所提升；當(dāng)機(jī)械應(yīng)力大于20 MPa時(shí)，機(jī)械應(yīng)力增大則會(huì)導(dǎo)致紙板的絕緣性能降低。羅家成等[6]研究了機(jī)-電載荷對(duì)含裂紋介電材料局部放電的影響，發(fā)現(xiàn)機(jī)械應(yīng)力會(huì)抑制裂紋介電材料局部放電的發(fā)生。林晨等[7]研究了電、熱、擠壓力共同作用下乙丙橡膠電纜的老化狀態(tài)，發(fā)現(xiàn)隨著老化程度的加深，老化因子和低頻介質(zhì)損耗因數(shù)隨之增大，為評(píng)估乙丙橡膠所受應(yīng)力提供了依據(jù)。然而，現(xiàn)有研究側(cè)重于局部放電規(guī)律和嚴(yán)重程度的分析，無法評(píng)估乙丙橡膠電纜所承受應(yīng)力的大小，導(dǎo)致無法掌握礦用乙丙橡膠絕緣電纜的運(yùn)行狀態(tài)。

針對(duì)以上問題，本文搭建了局部放電實(shí)驗(yàn)平臺(tái)，測(cè)量了不同擠壓力下礦用乙丙橡膠絕緣高壓電纜的局部放電譜圖，分析了放電特征量隨擠壓力的變化規(guī)律，設(shè)計(jì)了基于改進(jìn)深度森林（Stacking-Deep Forest，S-DF）的擠壓力識(shí)別模型，將局部放電譜圖特征量作為模型輸入特征，實(shí)現(xiàn)對(duì)采煤機(jī)拖拽電纜絕緣層所受擠壓力的識(shí)別。

1 實(shí)驗(yàn)設(shè)置

1.1 試樣制作

將礦用乙丙橡膠絕緣移動(dòng)屏蔽軟電纜作為試樣，電纜導(dǎo)體截面積為50 mm2，絕緣層厚度為5 mm。首先將電纜內(nèi)、外護(hù)套及絕緣屏蔽層剝開，取出一相動(dòng)力線作為試樣，保留電纜的線芯和絕緣層。然后將試樣兩端的絕緣層剝除，露出約50 mm長(zhǎng)的線芯導(dǎo)體作為高壓導(dǎo)線使用。最后用無水乙醇將試樣絕緣層表面擦拭干凈以去除雜質(zhì)，在絕緣層外緊密纏繞金屬箔構(gòu)成接地極[8]。

1.2 局部放電測(cè)量裝置及實(shí)驗(yàn)設(shè)置

局部放電測(cè)量裝置原理如圖1所示。其中，Us為0～380 V交流調(diào)壓器；交直流試驗(yàn)變壓器T的容量為100 MVA，輸出電壓為0～100 kV；C為耦合電容器，型號(hào)為HIPOTRON-ICS PSF 100/1/DDX，容值為1 nF；R1為保護(hù)電阻，其阻值約為20 kΩ；R2為檢測(cè)阻抗。擠壓力通過2塊鋼板擠壓試樣實(shí)現(xiàn)。在2塊鋼板中間設(shè)置壓力傳感器，量程為0～3 000 N，精度為0.1%。為保證受力均勻，鋼板始終保持平行，且電纜試樣與傳感器的中心處于同一水平線上。待所施加擠壓力達(dá)到預(yù)設(shè)值后，通過螺絲和螺母將鋼板固定，保證擠壓力不會(huì)發(fā)生變化。參照GB/T 12972.1—2008《礦用橡套軟電纜 第1部分：一般規(guī)定》對(duì)電纜設(shè)置外部擠壓力，將擠壓力等級(jí)設(shè)定為0，500，1 000，1 500，2 000，2 500 N。

圖1 局部放電測(cè)量裝置原理Fig. 1 Principle of partial discharge measurement device

局部放電實(shí)驗(yàn)采用逐級(jí)升壓法和恒壓法相結(jié)合的方式升壓，先勻速地升高電壓至礦用乙丙橡膠絕緣電纜發(fā)生放電，標(biāo)記此刻的電壓為起始放電電壓Ui（即正弦電壓波形的正負(fù)半周重復(fù)出現(xiàn)放電脈沖大于10 pC時(shí)的最小外加電壓有效值），然后電壓以2 kV為間隔逐級(jí)升高，每一電壓等級(jí)下持續(xù)5 min，升至2Ui為止。

1.3 擊穿場(chǎng)強(qiáng)測(cè)量方法

采煤機(jī)拖拽電纜的介電強(qiáng)度實(shí)驗(yàn)電路如圖2所示，所用設(shè)備主要為調(diào)壓臺(tái)、試驗(yàn)變壓器、保護(hù)電阻、千伏表、電極與加力裝置。材料的介電強(qiáng)度用均勻電場(chǎng)下的擊穿場(chǎng)強(qiáng)來表示，而電極的邊緣會(huì)形成極不均勻電場(chǎng)。為此，實(shí)驗(yàn)所用的電極為倒角同軸電極，以避免電極邊緣因尖端效應(yīng)而發(fā)生局部放電。同時(shí)，為減小空氣中的沿面放電對(duì)實(shí)驗(yàn)結(jié)果造成的影響，實(shí)驗(yàn)中將整個(gè)電極系統(tǒng)置于硅油中。

圖2 介電強(qiáng)度實(shí)驗(yàn)電路Fig. 2 Dielectric strength experimental circuit

考慮到采煤機(jī)拖拽電纜試樣所受的擠壓力太小會(huì)導(dǎo)致作用不明顯，太大會(huì)導(dǎo)致電纜試樣出現(xiàn)部分割裂，絕緣失效，所以選擇0 ，500，1 000，1 500，2 000，2 500 N作為擊穿實(shí)驗(yàn)的擠壓力。實(shí)驗(yàn)時(shí)，將采煤機(jī)拖拽電纜放置于2個(gè)圓柱形黃銅電極之間。為保證實(shí)驗(yàn)結(jié)果的準(zhǔn)確性與可靠性，實(shí)驗(yàn)采用逐級(jí)升壓法，直至電纜試樣發(fā)生擊穿。

2 實(shí)驗(yàn)結(jié)果

2.1 PRPD圖

以電壓為14 kV時(shí)的情況為例說明擠壓力對(duì)局部放電的影響。電壓為14 kV時(shí)，礦用乙丙橡膠絕緣電纜在不同擠壓力下的局部放電相角解析（Phase Resolved Partial Discharge，PRPD）圖如圖3所示?？煽闯鑫幢粩D壓的電纜PRPD圖中的放電量最大，局部放電最大值出現(xiàn)在負(fù)半周，約為14.1 nC；當(dāng)擠壓力增大至500 N時(shí)，PRPD圖中的放電量明顯減小，最大放電量出現(xiàn)在負(fù)半周，約為6.8 nC；當(dāng)擠壓力為1 000 N時(shí)，PRPD圖中的放電量增大，最大放電量在負(fù)半周，約為10.1 nC；當(dāng)擠壓力為1 500 N時(shí)，PRPD圖中的放電量減小，最大放電量約為7.4 nC，在正半周；當(dāng)擠壓力繼續(xù)升至2 000 N和2 500 N時(shí)，PRPD圖中的最大放電量隨之減小，分別為6.4，4.3 nC。隨著擠壓力的增大，放電相位無變化，放電集中在0～100°和180～300°。

圖3 不同擠壓力下乙丙橡膠絕緣電纜的PRPD圖Fig. 3 PRPD diagram of ethylene propylene rubber cable under different extrusion pressures

2.2 電纜擊穿場(chǎng)強(qiáng)變化規(guī)律

擊穿場(chǎng)強(qiáng)與擠壓力的關(guān)系如圖4所示?？煽闯鰺o擠壓力時(shí)，電纜擊穿場(chǎng)強(qiáng)為35.2 kV/mm；當(dāng)擠壓力小于1 500 N時(shí)，擊穿場(chǎng)強(qiáng)隨擠壓力的增大而增大，擠壓力為1 500 N時(shí)擊穿場(chǎng)強(qiáng)最大，為39.0 kV/mm；擠壓力大于2 000 N時(shí)的擊穿場(chǎng)強(qiáng)小于無擠壓力時(shí)的擊穿場(chǎng)強(qiáng)；擠壓力為2 500 N時(shí)擊穿場(chǎng)強(qiáng)最小，為31.8 kV/mm。結(jié)合局部放電變化規(guī)律可知，雖然受到擠壓力作用電纜的局部放電最大放電量會(huì)減小，但并不代表絕緣性能變好。因?yàn)楫?dāng)擠壓力較大時(shí)，擊穿場(chǎng)強(qiáng)明顯減小，所以評(píng)估擠壓力大小是分析電纜絕緣狀態(tài)過程中十分必要的一環(huán)。

圖4 擊穿場(chǎng)強(qiáng)與擠壓力的關(guān)系Fig. 4 Relationship between puncture core field intensity and extrusion pressure

2.3 局部放電典型特征量變化規(guī)律

最大放電量和平均放電電流與擠壓力的關(guān)系如圖5所示。最大放電量定義為在放電時(shí)間1 s內(nèi)重復(fù)出現(xiàn)10次以上的放電脈沖對(duì)應(yīng)的最大放電量。平均放電電流為放電量的絕對(duì)值在1 s內(nèi)的積分。由圖5可知，在相同擠壓力下，隨著電壓的升高，最大放電量和平均放電電流均不斷增大。當(dāng)擠壓力為500 N時(shí)，最大放電量隨著電壓的升高，從12 kV時(shí)的5.68 nC增大至20 kV時(shí)的11.07 nC；平均放電電流從12 kV時(shí)的0.48 mA增大至20 kV時(shí)的1.16 mA。

圖5 最大放電量和平均放電電流與擠壓力的關(guān)系Fig. 5 Relationship between maximum discharge, average discharge current and extrusion pressure

在相同電壓下，隨著擠壓力的增大，最大放電量表現(xiàn)為逐漸減小的規(guī)律。當(dāng)施加電壓為14 kV時(shí)，未受擠壓力作用的電纜的最大放電量最大，約為14.05 nC；當(dāng)擠壓力增大至500 N時(shí)，最大放電量減小至約8.13 nC；隨著擠壓力繼續(xù)增大，最大放電量在擠壓力為2 500 N時(shí)降為最小值，約為4.32 nC。平均放電電流的變化規(guī)律與最大放電量的變化規(guī)律一致，在施加電壓為14 kV時(shí)，未受擠壓力作用的電纜的平均放電電流最大，約為1.16 mA，其后隨著擠壓力的增大，在擠壓力為2 500 N時(shí)降到最小，約為0.32 mA。此外，隨著擠壓力的增大，最大放電量和平均放電電流的下降速率均逐漸減小。

2.4 局部放電統(tǒng)計(jì)特征量提取及其變化規(guī)律

為了更好地說明局部放電與擠壓力的關(guān)系，采用統(tǒng)計(jì)特征對(duì)PRPD圖進(jìn)行分析，并將統(tǒng)計(jì)特征參量作為放電指紋用于擠壓力評(píng)估。本文使用的統(tǒng)計(jì)特征參量見表1，包括最大放電量相位分布Hqmax（φ）（φ為相位）、平均放電量相位分布Hqn（φ）、放電次數(shù)相位分布Hn（φ）和放電幅值分布Hn（q）（q為幅值）4個(gè)二維分布譜圖的偏度Sk、峰度Ku、峰值個(gè)數(shù)Peak、不對(duì)稱度Assy和相關(guān)系數(shù)Cc，其中“+”表示工頻信號(hào)的正半周，“-”表示工頻信號(hào)的負(fù)半周[9-12]。

表1 PRPD圖統(tǒng)計(jì)特征參量Table 1 Statistical characteristic parameters of PRPD diagram

電壓為14 kV時(shí)，根據(jù)表1得到不同擠壓力下描述局部放電的統(tǒng)計(jì)特征參量，如圖6所示。由圖6（a）可知，隨著擠壓力的增大，由Hqmax（φ）圖得到的統(tǒng)計(jì)特征參量中正負(fù)半周的偏度Sk與峰度Ku均逐漸減小，即圖像逐漸向右傾斜且變得平緩；正負(fù)半周的峰值數(shù)Peak均先增大后減??；相關(guān)系數(shù)Cc與不對(duì)稱度Assy無變化。由圖6（b）可知，隨著擠壓力的增大，由Hqn（φ） 圖得到的統(tǒng)計(jì)特征參量中負(fù)半周的峰度先減小后增大，正半周的峰值數(shù)先增大后減小，負(fù)半周的峰值數(shù)先減小后增大；相關(guān)系數(shù)Cc與不對(duì)稱度Assy無變化。由圖6（c）可知，隨著擠壓力的增大，由Hn（φ）圖得到的統(tǒng)計(jì)特征參量中正半周的偏度先增大后減小，負(fù)半周的偏度先減小后增大；正半周的峰值數(shù)先增大后減小，負(fù)半周的峰值數(shù)先減小后增大；相關(guān)系數(shù)Cc、不對(duì)稱度Assy無變化。由圖6（d）可知，隨著擠壓力的增大，由Hn（q）圖得到的統(tǒng)計(jì)特征參量中峰度Ku逐漸增大，與圖5相對(duì)應(yīng)，而峰值數(shù)Peak逐漸減??；偏度Sk不隨擠壓力的增大而變化。

圖6 不同擠壓力下的統(tǒng)計(jì)特征參量柱狀圖Fig. 6 Histograms of statistical characteristic parameters under different extrusion pressures

3 基于S-DF的電纜擠壓力識(shí)別

為實(shí)現(xiàn)通過統(tǒng)計(jì)特征參量組成的放電指紋來識(shí)別礦用電纜所受的擠壓力大小，本文使用S-DF模型進(jìn)行識(shí)別。

3.1 Stacking集成算法

Stacking集成算法通過將不同學(xué)習(xí)器進(jìn)行結(jié)合堆疊，實(shí)現(xiàn)分類器準(zhǔn)確性的提升[13-18]。假設(shè)Stacking集成算法含有4個(gè)初級(jí)分類學(xué)習(xí)器E1—E4，組成矩陣E：

具體實(shí)現(xiàn)步驟：

1） 將統(tǒng)計(jì)特征參量按4∶1的比例分為訓(xùn)練集和驗(yàn)證集，再將訓(xùn)練集分成4份訓(xùn)練樣本，即X1—X4。

2） 將訓(xùn)練樣本X1-X3作為初級(jí)分類學(xué)習(xí)器E1的訓(xùn)練數(shù)據(jù)，X4作為測(cè)試數(shù)據(jù)，并記錄預(yù)測(cè)結(jié)果為A11；使用驗(yàn)證集測(cè)試訓(xùn)練好的初級(jí)分類學(xué)習(xí)器E1，記錄預(yù)測(cè)結(jié)果為B11；再分別將X1—X3作為測(cè)試數(shù)據(jù)，重復(fù)上述步驟，記錄預(yù)測(cè)結(jié)果為A12—A14和B12—B14。

3） 將4組訓(xùn)練數(shù)據(jù)拼接得到新的預(yù)測(cè)結(jié)果，記為A1，將4組測(cè)試數(shù)據(jù)的預(yù)測(cè)結(jié)果取平均，得到新的預(yù)測(cè)結(jié)果B1；利用剩余的3個(gè)初級(jí)分類學(xué)習(xí)器，重復(fù)上述步驟，得到新的訓(xùn)練集A和驗(yàn)證集B。

4） 利用新的訓(xùn)練集A對(duì)次級(jí)分類學(xué)習(xí)器進(jìn)行訓(xùn)練，再用新的驗(yàn)證集B進(jìn)行測(cè)試，得到最終的預(yù)測(cè)結(jié)果。

Stacking集成算法的學(xué)習(xí)過程如圖7所示。

圖7 Stacking集成算法學(xué)習(xí)過程Fig. 7 Learning process of Stacking ensemble algorithm

3.2 深度森林模型

深度森林（Deep Forest，DF）算法是一種由多粒度掃描結(jié)構(gòu)和級(jí)聯(lián)森林結(jié)構(gòu)組成的新型分類算法，以決策樹為基本單位實(shí)現(xiàn)樣本的分類和預(yù)測(cè)。DF相比于深度神經(jīng)網(wǎng)絡(luò)，具有超參數(shù)較少、容易訓(xùn)練、計(jì)算內(nèi)存需求低、可適應(yīng)不同大小的數(shù)據(jù)集等優(yōu)點(diǎn)[19-21]。

3.2.1 多粒度掃描階段

多粒度掃描結(jié)構(gòu)在DF模型中的作用是挖掘樣本的特征，最大限度地提取樣本的特征參量。多粒度掃描模型定義為

式中：XN×M為原始輸入維度為N×M的樣本；v，m分別為掃描窗口的長(zhǎng)和寬；b為掃描步長(zhǎng)；l為窗口數(shù)量。

最終經(jīng)掃描之后的窗口數(shù)量l為

多粒度掃描原理如圖8所示。具體過程是先將3 000組不同擠壓力下PRPD譜圖的27個(gè)統(tǒng)計(jì)特征參量作為輸入樣本，構(gòu)建N為3 000、M為27的樣本輸入模型，作為輸入層；掃描窗口的大小v×m取50×10，形成一個(gè)50×10的掃描窗口，對(duì)輸入樣本進(jìn)行滑動(dòng)取樣，掃描步長(zhǎng)b取1，得到掃描窗口的數(shù)量l為53 118；采用普通隨機(jī)森林和完全隨機(jī)森林對(duì)每個(gè)窗口采樣的樣本進(jìn)行訓(xùn)練，并且每次訓(xùn)練都得到一個(gè)長(zhǎng)度S為6的擠壓力識(shí)別分類向量；最終訓(xùn)練完成后，得到53 118×6的分類向量。2組森林訓(xùn)練產(chǎn)生的分類向量拼接成長(zhǎng)度為106 236的分類向量，作為多粒度掃描的輸出。

圖8 多粒度掃描原理Fig. 8 Principle of multi granularity scanning

3.2.2 級(jí)聯(lián)森林識(shí)別階段

級(jí)聯(lián)森林結(jié)構(gòu)的作用是利用每層的森林模型對(duì)樣本特征進(jìn)行處理，增強(qiáng)模型的特征挖掘能力，提升模式識(shí)別的準(zhǔn)確率[22-25]。

級(jí)聯(lián)森林結(jié)構(gòu)原理如圖9所示。識(shí)別的具體過程：先將多粒度掃描輸出的106 236×6擠壓力識(shí)別分類向量作為第1層結(jié)構(gòu)的輸入；經(jīng)過第1層的2個(gè)普通隨機(jī)森林和2個(gè)完全隨機(jī)森林訓(xùn)練生成4個(gè)6維分類向量，將這4個(gè)分類向量與多粒度掃描輸出的長(zhǎng)度為106 236的分類向量拼接成一個(gè)長(zhǎng)度為106 240的向量，作為第2層結(jié)構(gòu)的輸入；按照此方法類推，第Y-1層結(jié)構(gòu)輸出的4個(gè)分類向量與多粒度掃描輸出的分類向量拼接，作為第Y層的輸入；最后對(duì)第Y層輸出的4個(gè)分類向量求平均值，選擇其中的最大值所對(duì)應(yīng)的類別作為礦用乙丙橡膠絕緣電纜擠壓力識(shí)別的最終結(jié)果。

圖9 級(jí)聯(lián)森林結(jié)構(gòu)原理Fig. 9 Principle of cascading forest structure

3.3 基于S-DF模型的擠壓力識(shí)別

S-DF模型在DF中引入Stacking集成算法，以提升識(shí)別準(zhǔn)確率?；赟-DF的采煤機(jī)拖拽電纜擠壓力識(shí)別步驟如下：

1） 多粒度掃描。將提取的統(tǒng)計(jì)特征參量輸入多粒度掃描環(huán)節(jié)中，利用滑動(dòng)窗口截取數(shù)據(jù)，然后將截取的數(shù)據(jù)輸入普通隨機(jī)森林與完全隨機(jī)森林中，得到處理后的概率向量并拼接成高維度特征向量。

2） Stacking集成算法學(xué)習(xí)。利用k-交叉驗(yàn)證的方法將輸入的統(tǒng)計(jì)特征參量分為驗(yàn)證集、測(cè)試集和訓(xùn)練集。通過初級(jí)分類學(xué)習(xí)器對(duì)數(shù)據(jù)進(jìn)行處理并將結(jié)果拼接在一起，得到低維度且表征能力強(qiáng)的特征數(shù)據(jù)。

3） 級(jí)聯(lián)森林識(shí)別。將多粒度掃描得到的特征向量輸入第1層森林進(jìn)行訓(xùn)練，將第1層的輸出結(jié)果與Stacking集成算法學(xué)習(xí)層的特征數(shù)據(jù)拼接在一起，作為第2層的輸入；將第2層的輸出結(jié)果與多粒度掃描的特征向量拼接，作為第3層的輸入，依此類推。

4） 收斂性判斷。將級(jí)聯(lián)森林最后一層的輸出結(jié)果與上一層的輸出結(jié)果作對(duì)比，若識(shí)別結(jié)果相差很大，說明識(shí)別結(jié)果未收斂，需繼續(xù)進(jìn)行級(jí)聯(lián)森林識(shí)別；若識(shí)別結(jié)果相差不大，說明結(jié)果收斂，結(jié)束訓(xùn)練過程。對(duì)輸出結(jié)果進(jìn)行平均處理，取其中概率最大的類別作為最終的輸出結(jié)果。

S-DF結(jié)構(gòu)如圖10所示。

圖10 S-DF結(jié)構(gòu)Fig. 10 Structure of Stacking-deep forest

通過實(shí)驗(yàn)采集不同擠壓力下的電纜局部放電樣本各500組，按照比例0.8∶0.2，0.5∶0.5，0.2∶0.8從中隨機(jī)選擇劃分為訓(xùn)練集和驗(yàn)證集?；谏鲜鰳颖炯謩e采用S-DF模型和DF模型進(jìn)行采煤機(jī)拖拽電纜擠壓力識(shí)別，識(shí)別結(jié)果見表2，可見S-DF模型的識(shí)別準(zhǔn)確率高于DF模型。

3.4 識(shí)別結(jié)果及對(duì)比

為驗(yàn)證S-DF模型識(shí)別電纜擠壓力的準(zhǔn)確率，按0.8∶0.2的比例劃分樣本集與驗(yàn)證集，將S-DF模型與隨機(jī)森林算法和支持向量機(jī)（Support Vector Machine，SVM）的識(shí)別準(zhǔn)確率進(jìn)行對(duì)比，結(jié)果見表3?？煽闯鯯-DF模型的平均識(shí)別準(zhǔn)確率達(dá)到94.27%，高于其他2種方法的識(shí)別準(zhǔn)確率，能夠較為準(zhǔn)確地對(duì)礦用乙丙橡膠絕緣電纜所受的擠壓力大小進(jìn)行識(shí)別。

表3 S-DF模型與隨機(jī)森林、SVM識(shí)別準(zhǔn)確率對(duì)比Table 3 Comparison of recognition accuracy between S-DF model and random forest and SVM

訓(xùn)練次數(shù)對(duì)準(zhǔn)確率識(shí)別的影響如圖11所示?？煽闯鲭S著訓(xùn)練次數(shù)的增加，模型的識(shí)別率也不斷上升，當(dāng)訓(xùn)練次數(shù)大于8時(shí)，模型的準(zhǔn)確率趨于穩(wěn)定，達(dá)94%以上。

圖11 訓(xùn)練次數(shù)對(duì)準(zhǔn)確率的影響Fig. 11 The effect of training times on accuracy

4 結(jié)論

1） 隨著擠壓力的增大，礦用乙丙橡膠絕緣電纜的放電相位無明顯變化，PRPD圖中的最大放電量逐漸減??；最大放電量與平均放電量均隨著擠壓力的增大而減小。

2） 當(dāng)擠壓力小于1 500 N時(shí)，采煤機(jī)拖拽電纜的擊穿場(chǎng)強(qiáng)隨著擠壓力的增大而增大；當(dāng)擠壓力大于2 000 N時(shí)，擊穿場(chǎng)強(qiáng)明顯降低，且小于無擠壓力時(shí)的擊穿場(chǎng)強(qiáng)。

3） 基于PRPD圖提取的統(tǒng)計(jì)特征參量可作為放電指紋，S-DF模型可實(shí)現(xiàn)擠壓力大小識(shí)別，且識(shí)別準(zhǔn)確率高于DF模型。