图1 紫外老化平台示意图
Fig.1 Schematic diagram of ultraviolet aging platform
摘要 针对现有绝缘老化检测尚无一种便捷快速的方法，该文提出一种基于高光谱技术的复合绝缘子表面老化程度的非接触、快速无损检测评估方法。首先，通过对不同老化程度样品进行傅里叶红外测试，分析样品表面的基团变化以及对憎水性的影响；其次，利用高光谱成像仪（900～1 700nm）获取老化样本光谱信息，结合傅里叶中红外光谱，确定老化样本基团变化和光谱信息的对应关系，从而对老化程度进行定性分析；最后，基于深度极限学习机建立绝缘子老化程度评估模型，并对60组待测数据进行预测，实现对绝缘子老化程度精确分级，分类准确率达96.67%，与BP神经网络和支持向量机模型对比，表明该文所用模型可兼备快速性和准确性，为实现外绝缘表面老化程度的在线检测提供了新思路。
关键词：复合绝缘子 老化程度 高光谱技术 傅里叶红外测试 深度极限学习机
硅橡胶复合绝缘子因其优良的憎水性和防污闪性能，近几十年来在电力系统中得到大规模的应 用[1-4]。然而硅橡胶复合绝缘子在实际运行中面临各种严酷环境，使得其极易在环境恶劣地区产生材料的老化劣化，导致绝缘子性能降低。尤其高海拔环境下，空气稀薄，紫外线强度远远高于其他地区，紫外辐射成为绝缘子老化的重要影响因素[5-6]。紫外线因其较短的波长和较大的光子能量，能够使硅橡胶材料高分子聚合物的部分化学键断裂，改变材料的理化特性，直接表现为绝缘子表面憎水性降低，发生龟裂、粉化、表面粗糙度增加等，使得闪络电压降低，容易引发电网故障，造成极大的经济损失[7-9]。
目前对于高海拔强紫外线等严酷环境的外绝缘检测，主要分为直接法和间接法。直接法一般有绝缘电阻法、电场测量法、脉冲电流法等。绝缘电阻法是通过测量泄漏电流实现的，然而泄漏电流会受到天气、污秽程度等多种因素影响，测量准确性会受到一定影响；电场测量法通过测量绝缘子串简化电场模型的轴向电场分布，找出绝缘子的内绝缘通导性故障；脉冲电流法通过测量绝缘子电晕脉冲电流来判断其绝缘状况。直接法表现出来的明显不足是测量效率较低，常需要工作人员登杆操作，十分不便，安全系数也不高[10]。此时非接触式在线监测方法显示出明显优势。非接触式主要包括紫外成像法、红外成像法和X射线成像法等[11-12]，这些方法仍存在一些缺陷，如紫外成像和红外热像是通过测量电、热这种间接信号的特性来反映绝缘子状态，且紫外成像必须在夜间进行，不利于检测的开展[13]。因此，寻找一种更加便捷直接的非接触、快速无损伤检测硅橡胶材料老化的手段，对于维护电力系统安全稳定运行具有重要意义。
高光谱技术将成像技术和光谱技术有机结合，可以对紫外光、可见光、近红外光和中红外光区域的电磁波以多个连续细分波段进行成像，具有很高的波谱分辨率，且同时包含图像和光谱信息，对检测对象建立波谱库后，可对样本直接进行在线检测而无需制样，近年来不仅在遥感领域发挥了巨大作用，在工农业乃至更多行业领域也展现了巨大应用潜力[14-15]。王家云等运用高光谱成像技术实现了滩羊肉内部品质的无损检测[16]；邵瑰玮等利用高光谱技术采集复合绝缘子400～1 000nm波段的图谱信息，采用主成分分析法构建特征空间，并建立神经网络模型对几个不同粉化程度的绝缘子进行分 类[17]。本文运用高光谱技术对人工紫外老化的硅橡胶绝缘片进行检测，采集不同老化状态下原始图谱数据并进行处理，结合傅里叶红外光谱（Fourier Transform Infrared, FTIR）相关数据，分析不同老化程度对应于高光谱谱线的响应机制和特征变化，最后运用深度极限学习机（Deep Extreme Learning Machine, DELM）算法，建立复合绝缘子表面老化程度评估模型并对样本进行老化程度划分。研究结果给绝缘子表面老化状态的在线检测和评估提供了新方法和新依据。
本文针对高原环境紫外强度远高于普通环境的特点，参照国际电工委员会标准IEC 61109-2008[18]的试验方法及参数，搭建了人工紫外加速老化平台，并对紫外老化平台与高原环境的紫外辐射进行等效换算，对样品进行0～500h的人工紫外加速老化试验。
1.1.1 光源及滤光
在我国高原地区（青藏、云贵等地）紫外辐射占太阳到达大气上界总辐射的8%[19]，经大气层的散射和吸收后，达到地表的紫外线主要是长波紫外（UVA，320～400nm）部分，仅占太阳光谱辐射量的1%～2%[20-21]。由于目前市面可用作试验光源的氙灯，其波段范围较广，因而更适用于模拟太阳光照射[19, 22]，为了更好地模拟长波紫外光对样品老化特性的影响，本文选用紫外高压汞灯作为试验光源，灯管主波峰为365nm。此外，为了降低样品受光源外的光干扰以及更好地控制样品区的温度，在紫外老化试验箱载物台上方加上石英玻璃作为滤光片，其具有优良的透紫外光性能，并且还有一定的隔热作用，同时滤除部分红外光，使样品接受到充足紫外辐射的同时更利于保持工作区的正常温度。
1.1.2 试验平台结构
为避免紫外线直接照射人体发生一系列生理变化，需要用一箱体将紫外线密封，防止紫外线泄漏，对人员造成伤害。根据试验的要求，对箱体的结构进行了设计。本次试验所设计的箱体为矩形箱体，长500mm、宽300mm、高500mm。箱体采用抛光不锈钢材料制成，不仅有良好的机械强度和耐腐蚀能力，还能反射紫外光使其聚拢在箱内。人工紫外老化平台整体示意图如图1所示。
在箱体背面和灯管上部装设冷风机，采用风冷的方式，可以使工作室温度稳定在(35±5)℃的正常工作温度，保证试验效果。箱底安装手摇式升降载物台，通过控制载物台高度改变样本表面紫外辐射强度，并在箱内安装紫外功率密度计、温湿度计等检测仪器，便于随时记录试验过程中环境参数。
图1 紫外老化平台示意图
Fig.1 Schematic diagram of ultraviolet aging platform
对我国青藏地区，太阳辐射总量约6 500～6 700MJ/m2每年[23]，光照功率密度可用E表示，有
（1）式中，H为年太阳辐射的总量；d为天数；h为日照小时数；s为1h的秒钟数。此处d=365，h=8h，s= 3 600。
由于环境因素，紫外辐射约占太阳总辐射的3%[24]，由紫外功率密度计测得紫外功率密度约为45mW/cm2，因而可以将试验箱老化时间总辐射量与自然老化进行换算比较，老化箱125.9h的辐射量约为高原上运行1年的辐射量。
本次试验样品为从同一块原始高温硫化（High Temperature Vulcanized, HTV）硅橡胶裁剪而来的25mm×50mm×5mm的绝缘片，其表面呈红色。为保证试验的准确性，准备了两组完全相同的HTV硅橡胶样品，并同时进行试验，保证试验结果的准确性。每组样品分为1～6号，紫外光照射时间分别设置为0h、100h、200h、300h、400h、500h，即每间隔100h放入一号样品直至500h。老化结束后样品情况如图2所示，可以看出，随老化时间增加，表面粗糙度逐渐增大，颜色逐渐加深变黑，硬度增大并出现裂纹。
以紫外光波长计算光子能量，可得本试验用高压汞灯的光子能量最高的可达到500kJ/mol以上，而主链Si-O键能为446kJ/mol，侧链上Si-C键能为301kJ/mol，甲基中C-H键能为413kJ/mol[25]，根据紫外光子能量估计，在老化试验过程中，紫外能量可以使得硅橡胶材料发生裂解。
图2 老化结束后绝缘子表面图
Fig.2 Insulator surface after aging
为了解样品表面基团变化，洁净老化后样品表面，并置于清洁干燥环境中一段时间待其性质稳定，对其进行FTIR测试。以样品对角线的交点为中心点，中心点与各顶角连线的一半位置取出4个点，如此每个样品取出5个采样点，对其进行FTIR光谱采集，每个样品得到5组谱线，分别对谱线取平均值后不同老化时间样品的FTIR谱线如图3所示。
图3 不同老化时间样品的FTIR平均谱线
Fig.3 Samples FTIR average curves at different aging times
由图3可以看出，在波数为600～4 000cm-1傅里叶红外光谱上，随着老化时间的增加，没有产生新的峰，且各个峰的位置在横向上没有发生偏移，但几个代表基团对应的吸收峰峰高和峰面积均发生变化，即其相对含量随老化时间增加而发生改变。其中，硅橡胶主链基团Si-O-Si、侧链基团Si-CH3、甲基中C-H键以及材料中的羟基都随老化时间增加而呈现下降趋势，其相对含量与老化程度呈负相关[25]；而C=O键则呈现上升趋势，其相对含量与老化程度呈正相关。硅橡胶复合绝缘子主要成分为聚二甲基硅氧烷，分子中甲基基团对称分布于主链两侧屏蔽了Si-O键的强极性，整个材料对外呈现良好的憎水性。而老化后化学键发生断裂，改变了原有的对称长链分子结构，材料表面物质结构改变，使得老化后样品憎水性降低，因此憎水性可作为表征老化程度的一个宏观参量。
对样品表面进行憎水性测试以及外观颜色、粗糙度等宏观量的统计。由于目前对于复合绝缘子老化程度尚无明确定量划分的标准，因此，研究中主要结合每个老化时段期间，FTIR图谱中基团相对含量变化情况，并依据测量的表面憎水性和外观形貌进行样品老化程度的标定。按此方法，各样品的老化程度划分见表1。可以看到，老化500h的样品喷水分级已为HC4，此时绝缘片已经是半亲水半憎水状态，老化继续加深将完全亲水，其性能已不再满足实际运行要求，因此研究中将老化程度做到HC4为最高等级。
表1 复合绝缘子样品老化程度
Tab.1 Aging degree of composite insulator samples
样品老化时间/h喷水分级外观形貌FTIR图谱结果老化程度 0HC1全新全新1 100HC1光泽度减小-OH下降快，其余也有大幅变化2 200HC2变硬、粗糙度增加主链断裂最多3 300HC2硬度增加、粗糙度增加、光泽变暗主链断裂最多，C-H也断裂较多4 400HC3同上，颜色加深变黑-OH下降最快5 500HC4硬、黑、裂纹多-OH下降最快6
不同老化等级的样品其基团含量和物质构成有所差异，而高光谱图谱能够反映物质成分和含量引起的微观差异。故使用高光谱采集不同类别样品的近红外光谱图像，结合FTIR图谱进行高光谱谱线响应机制分析。
高光谱是一种反射光谱，不同物质对不同频率光的吸收和反射不同，每种基团只吸收某种特定频率的光，因此在高光谱谱线上表现出“指纹效应”。而老化程度不同其物质成分和结构必然不同，导致其近红外光谱会产生差异，基于此利用高光谱技术对样品进行检测。通过高光谱试验平台对不同老化程度样品进行光谱信息采集，由于存在噪声干扰与光线散射影响，对数据进行校正处理，再对每个样本所有谱线取平均，期望得到最能表征样本表面状态的谱线进行分析。
通过高光谱试验平台对洁净后的老化样品进行图谱采集。采用高光谱试验平台如图4所示，主要包括高光谱成像仪、校正白板、补光灯、计算机及配套软件。高光谱成像仪内有光学机械扫描器，可对样品进行线性扫描成像，成像波长范围为900～1 700nm，波谱分辨率为3.6nm。标准校正白板对该波段的光全反射，本身反射率为1，可用于后续对样品图像做黑白校正。
图4 高光谱试验平台模型
Fig.4 Model diagram of hyperspectral testing platform
2.2.1 黑白校正
在使用高光谱成像仪对样品光谱图像进行采集完成后，得到原始数据是对光的绝对反射值，噪声影响大，同时相机内暗电流的存在也对结果有影响，应当对采集到的光谱信息进行区域矫正，因此扫描标准白板，得到反射率为1的全白定标图像，再盖上摄像头盖获得反射率为0的全黑定标图像，对其进行黑白校正。校正公式为
（2）式中，RC为校正后反射率；R0为原始图像数据；W为采集到的白板反射强度，即白校正数据；B为值接近0的全黑定标图像反射强度，即黑校正数据。
由于光线在物质表面发生反射的同时，会有部分发生散射，故除进行黑白校正外还需进行散射 校正。
2.2.2 多元散射校正
为了尽可能消除散射的影响，增大光谱信噪比，对图像进行黑白校正后，进一步提取样品谱线进行多元散射校正。在软件中选择每个老化样品的感兴趣区域，每个样品随机选择40个不同区域，即每个样品得到40条谱线，6个样品共240条谱线，如图5所示。
图5 6个样本共240条谱线
Fig.5 6 samples with a total of 240 lines
多元散射校正的基本原理是逐一求取不同样品所有采样点的平均光谱，并以此作为标准光谱，使每个样品的光谱与其各自标准光谱进行一元线性回归运算，获得所有样品相较于标准光谱的线性平移量和倾斜偏移量，并以此修正每条光谱的基线平移和偏移，提高光谱信噪比。以下为具体算法过程：
（1）计算平均光谱
（3）（2）一元线性回归
（4）
（3）多元散射校正
（5）式中，A为一个样本的n×p维光谱数据矩阵，n为一个样本的采样点数，p为光谱采集所用的波段数；
为此样本所有采样点的原始近红外光谱在各个波长点求平均值所得的平均光谱矢量；Ai,j为第i个样本第j个波段的光谱值；Ai为1×p维矩阵，代表第i个样本单个采样点的光谱矢量；mi和bi分别为各采样点原始红外光谱Ai与该样本平均光谱进行一元线性回归所得的倾斜偏移量和线性平移量。
图6为经过黑白校正和多元散射校正后的高光谱谱线。可以看到，相同老化时间的谱线被校正到同一基线附近，减小了散射影响，物质本身的光谱吸收信息在数据处理过程中未发生改变。但从图中可看出，同一老化时间的样品，其不同采样区域谱线仍然表现出不同，反映了同一老化样品的老化程度存在一定的不均匀性。
图6 校正后的高光谱谱线
Fig.6 Corrected hyperspectral spectrogram
2.2.3 高光谱检测结果分析
由于校正后谱线仍有部分重合区域，如图6中点画线框部分，不同老化时间的谱线簇出现交叠，为了便于观察各老化程度在谱线上的响应情况，对校正后的每个样品的40条谱线取平均，最后获得6条不同老化程度的平均谱线，如图7所示。
图7 不同老化时间下样本的平均谱线
Fig.7 Sample hyperspectral average curve at different aging times
从图7中可以看出，在整个波段范围内，反射率基本趋势是随着照射时间的增加而呈现逐渐下降的状态。结合傅里叶中红外光谱，依据基频与倍频的关系，高光谱整段谱线出现的几个波峰波谷可以解释为，1 150～1 250nm附近为C-H基团三倍频特征吸收带，1 400～1 500nm附近为-OH二倍频特征吸收带，通过对该波段范围内高光谱谱线吸收峰面积进行计算，获得C-H和-OH的吸收峰面积变化情况如图8所示。可以观测出，紫外老化后样本的C-H、-OH基团逐渐减少，结合FTIR光谱，样品部分化学键发生断裂，原高聚物分子链受到破坏，可以推断，HTV硅橡胶随着紫外照射时间的增加，其憎水性等性能受到影响，表面老化程度加深。为了能够更加快速准确地预测绝缘子表面老化程度，建立基于DELM的老化程度评估模型，实现对待测样本表面老化程度的评估。
图8 不同老化时间下各基团吸收峰面积
Fig.8 Absorption peak area of each group at different aging times
相较于单层感知机（single layer perceptron）和支持向量机（Support Vector Machine, SVM），极限学习机（Extreme Learning Machine, ELM）的提出，对反向传播算法（Backward Probagation, BP）进行了改进，在学习速率和泛化能力上具有明显优势。Huang Guangbin等提出利用ELM构建极限学习机-自动编码器（Extreme Learning Machine_Automatic Encoder, ELM_AE），并以一次最小二乘法替换AE中的梯度下降法，拥有极快的训练速度[26-27]。ELM_AE由输入层、隐含层、输出层构成，包括编码与解码，其输入等于输出。当隐含层节点数小于输入层节点数时，将会对输入数据维度起到一种“压缩”效果，从而实现无监督特征提取。
当隐含层激活函数为g，输入为X时，隐含层输出为
（6）其中
式中，W、b分别为输入层到隐含层的正交随机权重与正交随机偏置。则隐含层到输出层权重为
（7）式中，C为正则化系数。
而深度极限学习机先采用ELM_AE进行逐层预训练，然后利用训练好的ELM_AE初始化DELM。与其他深度学习方法的不同之处在于，DELM没有反向调优的过程，其模型结构如图9所示。DELM前i-1层权值由ELM_AE输出层权重b构成，第i层为分类层，分类层权重为
（8）式中，Hi-1为第i-1层隐含层输出；Y为类别标签。
图9 DELM模型结构
Fig.9 DELM structural diagram
可以看出，前i-1层为无监督特征学习，第i层为ELM监督分类。
使用DELM进行样品表面老化状态分类，输入矩阵X即高光谱各波段反射率数据矩阵，就可以进行无监督特征学习，直接训练出分类模型，再用训练出的模型对测试数据进行测试，输出矩阵Y为6种不同老化程度的预测值。
此处原始光谱包含6类240组样本点和224个波段，即输入矩阵有224维，采用主成分分析（Principal Component Analysis, PCA）算法对数据进行预处理，使原始数据去相关性。在240组样本数据中每类选取30组数据共180组作为训练数据，建立DELM的分类模型，再将剩余的每类10组数据作为测试集，用以测试DELM模型的分类效果。
测试集的分类效果如图10所示，可以看出，共60个样本测试点中只有两个点分类错误，模型分类准确率达到96.67%，且整个模型的训练时间以及测试时间合计仅有3.62s，速度快、效果好，因此，DELM分类模型可以很好地实现绝缘子表面老化程度的分类识别。
图10 不同老化程度绝缘子预测结果
Fig.10 Prediction results of insulators with different aging degrees
对此全波段数据同时采用SVM和BP的分类模型进行紫外老化程度的划分，选取同样的训练集输入模型进行模型训练，再输入相同的测试集，检测模型的准确率并对模型训练和测试进行计时，观测对于此类数据不同算法的用时长短，并与深度极限学习机分类模型进行比较，结果见表2。
表2 算法效果比较
Tab.2 Algorithm effect comparison table
算法时间/s准确率(%) SVM7.76(52/60) 90.00 BP2.35(50/60) 83.33 DELM3.62(58/60) 96.67
SVM分类模型在计算过程中，耗时7.76s，准确率为90%；BP分类模型耗时2.35s，准确率为83.33%；本文所用DELM分类模型耗时3.62s，准确率为96.67%。结果表明，SVM处理数据量大的老化数据时速率较低，总体准确率较好但仍低于DELM。BP对于维度高的数据泛化性能不高，在数据处理时需强制减少算法中循环次数，耗时虽少，但误差较大，准确率降低。总体而言，DELM分类模型能够在较短时间里达到较高的准确率，在学习速率和泛化能力上具有优势，可以快速准确地对不同紫外老化程度的复合绝缘子进行分类，可对绝缘子老化程度的在线检测提供技术参考。
本文使用人工紫外加速老化试验箱对HTV硅橡胶样品进行加速老化试验，并用高光谱技术对加速老化后样品的老化状态进行检测，用DELM分类模型对老化样品进行评估，得到以下结论：
1）人工紫外加速老化试验箱可以较好地模拟高原环境长波紫外对样品的影响，老化后样品表面粗糙度增大、颜色逐渐加深以及变黑、硬度增大并出现裂纹。
2）样本老化程度的不同反映在高光谱谱线上有显著差异，最明显的波段是代表C-H基团三倍频特征吸收带的1 150～1 250nm和代表-OH二倍频特征吸收带的1 400～1 500nm，全波段反射率整体趋势为随老化时间增加而降低。
3）基于全波段数据的深度极限学习机分类模型可以实现对不同老化时长的复合绝缘子进行表面老化程度的分类，准确率可达96.67%，且训练速度快、泛化性好，为绝缘子老化状态在线检测提供了新思路。
参考文献
[1] 夏云峰, 宋新明, 何建宗, 等. 复合绝缘子用硅橡胶老化状态评估方法[J]. 电工技术学报, 2019, 34(增刊1): 440-448.
Xia Yunfeng, Song Xinming, He Jianzong, et al. Evaluation method of aging for silicone rubber of composite insulator[J]. Transactions of China Elec- trotechnical Society, 2019, 34(S1): 440-448.
[2] 邱彦, 张血琴, 郭裕钧, 等. 基于高光谱技术的绝缘子污秽等级检测方法[J]. 高电压技术, 2019, 45(11): 3587-3594.
Qiu Yan, Zhang Xueqin, Guo Yujun, et al. Detection method of insulator contamination grades based on hyperspectral technique[J]. High Voltage Engineering, 2019, 45(11): 3587-3594.
[3] 张志劲, 张翼, 蒋兴良, 等. 自然环境不同年限复合绝缘子硅橡胶材料老化特性表征方法研究[J]. 电工技术学报, 2020, 35(6): 1368-1376.
Zhang Zhijin, Zhang Yi, Jiang Xingliang, et al. Study on aging characterization methods of composite insulators aging in natural environment for different years[J]. Transactions of China Electrotechnical Society, 2020,35(6): 1368-1376.
[4] Samuel A, Frank S, Konstantin O P. Improved silicone rubbers for the use as housing material in composite insulators[J]. IEEE Transactions on Die- lectrics and Electrical Insulation, 2012, 19(1): 209- 211.
[5] 刘丁华. 高海拔环境紫外辐射对硅橡胶材料性能的影响[D]. 北京: 华北电力大学, 2015.
[6] 覃永雄, 虞澜, 傅佳, 等. 长波紫外照射下高温硫化硅橡胶的微观物性及憎水性研究[J]. 电工技术学报, 2014, 29(12): 242-250.
Qin Yongxiong, Yu Lan, Fu Jia, et al. Research on microscopic properties and hydrophobicity of high temperature vulcanization silicone rubber under long-wave ultraviolet radiation[J]. Transactions of China Electrotechnical Society, 2014, 29(12): 242- 250.
[7] 肖雄, 王建国, 吴照国, 等. 等离子体作用后硅橡胶憎水性恢复及憎水迁移特性研究[J]. 电工技术学报, 2019, 34(增刊1): 433-439.
Xiao Xiong, Wang Jianguo, Wu Zhaoguo, et al. Study on hydrophobicity recovery and hydrophobicity transfer of plasma treated silicone rubber[J]. Transa- ctions of China Electrotechnical Society, 2019, 34(S1): 433-439.
[8] 汪佛池, 律方成, 杨升杰, 等. 基于FTIR的110kV复合绝缘子硅橡胶伞裙老化性能分析[J]. 电工技术学报, 2015, 30(8): 297-303.
Wang Fochi, Lü Fangcheng, Yang Shengjie, et al. The aging characteristic of silicon rubber sheds of 110kV composite insulators based on FTIR test[J]. Transactions of China Electrotechnical Society, 2015, 30(8): 297-303.
[9] 左国玉, 马蕾, 徐长福, 等. 基于跨连接卷积神经网络的绝缘子检测方法[J]. 电力系统自动化, 2019, 43(4): 101-108.
Zuo Guoyu, Ma Lei, Xu Changfu, et al. Insulator detection method based on cross-connected con- volutional neural network[J]. Automation of Electric Power Systems, 2019, 43(4): 101-108.
[10] 朱虎, 李卫国, 林冶. 绝缘子检测方法的现状与发展[J]. 电瓷避雷器, 2006(6): 13-17.
Zhu Hu, Li Weiguo, Lin Ye. Present and future development of detection methods for composite insulator[J]. Insulators and Surge Arresters, 2006(6): 13-17.
[11] 张冠军, 赵林, 周润东, 等. 硅橡胶复合绝缘子老化表征评估研究的现状与进展[J]. 高压电器, 2016, 52(4): 1-15.
Zhang Guanjun, Zhao Lin, Zhou Rundong, et al. Review on aging characterization and evaluation of silicon rubber composite insulator[J]. High Voltage Apparatus, 2016, 52(4): 1-15.
[12] 谭宇翔, 任海燕. 基于傅立叶红外光谱法的复合绝缘子老化程度诊断研究[J]. 电气自动化, 2013, 35(1): 91-94.
Tan Yuxiang, Ren Haiyan. Study on diagnosis of composite insulators' degree of aging based on Fourier transform infrared spectroscopy test method[J]. Electrical Automation, 2013, 35(1): 91-94.
[13] 张血琴, 高润明, 郭裕钧, 等. 基于高光谱的复合绝缘子电晕老化状态评估[J]. 西南交通大学学报, 2020, 55(2): 442-449.
Zhang Xueqin, Gao Runming, Guo Yujun, et al. Composite insulator corona aging status evaluation based on hyperspectral[J]. Journal of Southwest Jiaotong University, 2020, 55(2): 442-449.
[14] 童庆禧, 张兵, 郑兰芬, 等. 高光谱遥感—原理、技术与应用[M]. 北京: 高等教育出版社, 2006.
[15] 孙俊, 金夏明, 毛罕平, 等. 高光谱图像技术在掺假大米检测中国的应用[J]. 农业工程学报, 2014, 30(21): 301-307.
Sun Jun, Jin Xiaming, Mao Hanping, et al. Application of hyperspectral image technology in detection of adulterated rice[J]. Journal of Agricu- ltural Engineering, 2014, 30(21): 301-307.
[16] 王家云, 王松磊, 贺晓光, 等. 基于NIR高光谱成像技术的滩羊肉内部品质无损检测[J]. 现代食品科技, 2014, 30(6): 257-262, 249.
Wang Jiayun, Wang Songlei, He Xiaoguang, et al. Nondestructive detection for internal qualities of tan-sheep meat using NIR hyperspectral imaging technique[J]. Modern Food Technology, 2014, 30(6): 257-262, 249.
[17] 邵瑰玮, 付晶, 陈怡, 等. 基于图谱特征的复合绝缘子老化神经网络评估方法[J]. 高电压技术, 2014, 40(3): 861-867.
Shao Guiwei, Fu Jing, Chen Yi, et al. Aging assessment method of composite insulator using neural network based on image and spectra characteristic[J]. High Voltage Engineering, 2014, 40(3): 861-867.
[18] International Electrotechnical Commission. IEC- 61109-2008. Insulators for overhead lines-composite suspension and tension insulators for a.c. systems with a nominal voltage greater than 1000V— definitons, test methods and acceptance criteria[S]. IEC, 2008.
[19] 胡行俊. 紫外光与合成材料的光老化[J]. 装备环境工程, 2006, 3(2): 38-41.
Hu Xingjun. UV-irradiation and photoaging of syntheticm aterials[J]. Equipment Environmental Engineering, 2006, 3(2): 38-41.
[20] 王晶, 候红英. 青岛地区太阳紫外线辐射研究[J]. 中国海洋大学学报, 2006, 36(4): 671-676.
Wang Jing, Hou Hongying. Research of solar ultraviolet radiation in the Qingdao region[J]. Periodi- cal of Ocean University of China, 2006, 36(4): 671- 676.
[21] 吴兑. 太阳紫外线辐射及其生物效应[J]. 气象, 2001, 26(4): 54-55.
Wu Dui. Surface sunny ultraviolet radiation and biology effect[J]. Meteorological, 2001, 26(4): 54-55.
[22] 庄海仁, 何文生, 林玛丽. 国内外实验室光源加速老化试验设备[J]. 合成材料老化与应用, 2007, 36(4): 48-50.
Zhuang Hairen, He Wensheng, Lin Mali. Domestic and foreign laboratories light source accelerated aging test equipment[J]. Synthetic Materials Aging and Application, 2007, 36(4): 48-50.
[23] 赵翮选, 赵书荣, 王联章, 等. 高海拔地区紫外辐射对硅橡胶复合绝缘子老化的影响[J]. 华北电力技术, 2009(3): 10-13.
Zhao Hexuan, Zhao Shurong, Wang Lianzhang, et al. Influence of UV-irradiation on degradation of siliconerubber composite insulators in high-altitude regions[J]. North China Power Technology, 2009(3): 10-13.
[24] 郑小波, 王学锋, 罗宇翔, 等. 1961—2005年云贵高原太阳辐射变化特征及其影响因子[J]. 气候与环境研究, 2011, 16(5): 657-664.
Zheng Xiaobo, Wang Xuefeng, Luo Yuxiang, et al. Variation characteristics of global radiation and the associated climatic factors over Yunnan-Guizhou plateau in the southwestern part of China for 1961-2005[J]. Climatic and Environmental Research, 2011, 16(5): 657-664.
[25] 高岩峰, 王家福, 梁曦东, 等. 交直流电晕对高温硫化硅橡胶性能的影响[J]. 中国电机工程学报, 2016, 36(1): 274-284.
Gao Yanfeng, Wang Jiafu, Liang Xidong, et al. Influence of AC and DC corona on high temperature vulcanized silicone rubber[J]. Proceedings of the CSEE, 2016, 36(1): 274-284.
[26] Huang Guangbin, Zhu Qinyu, Siew C. Extreme learning machine: a new learning scheme of feed- forward neural networks[C]//IEEE International Joint Conference on Neural Networks, 2004: 985-990.
[27] Tang Jiexiong, Deng Chenwei, Huang Guangbin. Extreme learning machine for multilayer percep- tron[J]. IEEE Transactions on Neural Networks and Learning Systems, 2015, 27(4): 809-821.
Aging Degree Evaluation of Composite Insulator Based on Hyperspectral Technology
Abstract There is no convenient and fast method for the insulation aging degree detection. In this paper, a non-contact and fast non-destructive testing method for surface aging of composite insulators based on hyperspectral technology is proposed. Firstly, Fourier-infrared tests were carried out on samples with different aging degrees, and the group changes on the surface of the samples and the influence on hydrophobicity were analyzed. Secondly, the hyperspectral imager (900～1 700nm) was used to obtain the spectral information of the aged samples. Combined with the Fourier mid-infrared spectroscopy, the relationship between the group content and the spectral information of the aged samples was determined, so as to qualitatively analyze the degree of aging. Finally, an aging degree evaluation model based on the deep extreme learning machine was established, and 60 groups of data to be tested were predicted to achieve accurate grading of the insulator aging degree. The classification accuracy rate was 96.67%. Compared with BP neural network model and support vector machine model, it is shown that the model used in this paper has both rapidity and accuracy, which provides a new idea for on-line detection of the aging degree of external insulation surface.
keywords：Composite insulator, aging degree, hyperspectral technology, Fourier transform infrared, deep extreme learning machine
中图分类号：TM216
DOI: 10.19595/j.cnki.1000-6753.tces.191654
国家自然科学基金项目（51907168）、四川省杰出青年科技人才项目（2020JDJQ0039）、中央高校基本科研业务费专项资金项目（2682017CX044，2682018CX19）和国家电网有限公司科技项目（521104190007）资助。
收稿日期2019-11-27
改稿日期 2020-01-20
张血琴 女，1979年生，博士，副教授，博士生导师，研究方向为高电压绝缘与防护技术。E-mail: xq_zhang@home.swjtu.edu.cn
刘 凯 男，1990年生，博士，助理研究员，研究方向为高电压绝缘技术和输电线路防灾减灾。E-mail: liukai@swjtu.edu.cn（通信作者）
（编辑 崔文静）