图1 分解气体检测实验
Fig.1 Decomposition gas detection experiments
摘要 中低压电缆过载运行严重、工作环境恶劣、过热故障频发，往往是电气火灾的高发源头所在，但目前仍缺乏经济可靠的过热故障诊断方法。火灾早期阶段气体挥发物一般先于烟雾颗粒出现，因此该文开展基于气体传感阵列的电缆过热故障诊断研究。首先，以中低压电缆常用的绝缘材料聚氯乙烯（PVC）为研究对象，探索电缆绝缘材料过热生成气体组分，指导用于检测电缆过热分解气体的半导体气体传感器选型；然后，基于分解气体类型，构建气体传感器阵列，采用真实电缆模拟过热故障，测试气体传感器阵列对电缆过热分解气体的响应；最后，对传感器阵列的响应信号提取4维时域特征、6维频域特征和10维曲线拟合特征，根据卡方检验选择前10个最高分数的特征组成特征矩阵，采用支持向量机进行分类，可以将过热程度分为正常、预警、报警三类温度区间，模型的准确率可达95%。整个实验过程中，烟雾报警器都没有发出报警蜂鸣。
关键词：电缆过热 分解气体 气体传感器阵列 模式识别
电缆作为电力系统中重要的电能传输设备，给人们生产和生活带来了极大的便利。但是，电缆工作环境复杂、运行条件各异，火灾事故时有发生。1999—2019年，国内60%的重特大火灾均由电气原因引发，其中电缆引起的电气火灾40多万起，在电气火灾中占比高达61.86%[1]。电缆火灾一般是由电缆过热引起，国网湖南省电力公司统计分析了1960年以来电缆火灾蔓延导致的发电厂、变电站和供电隧道等62起重大火灾事故，发现电缆过热是导致起火燃烧的主要原因，约占事故总数的75.8%[2-3]。与高压电缆相比，10 kV及以下中低压电缆过载运行严重、工作环境恶劣、过热故障频发，往往是电气火灾的高发源头所在。因此开展中低压电缆热故障诊断方法研究对电气火灾早期预警，保障电力系统安全运行具有重要意义。
电缆过热既处于温度检测研究的范畴，同时也被视为电缆火灾发展的早期阶段。对于电缆温度检测，常用的手段有线测温和点测温[4]两种。分布式光纤测温是最常用的线测温方法，光纤在长距离内具有高检测灵敏度和高空间分辨率的优势[5-6]。光纤的材料是石英玻璃，具有耐腐蚀、耐火及寿命长的特性，通常可以用到30年，维护成本低。综合考虑系统自身的成本和维修费用，使用光纤传感器可以极大地降低工程经营成本[7-9]。但是分布式光纤测温造价相对较高，成本为8万元/km电缆。若考虑可靠性及后期维护费用，一般使用分布式光纤测温[8,10]，若考虑初始造价，则可以使用成本较低的其他测温方式。也可采用平衡策略，对于110 kV及以上火灾风险等级高的部位使用分布式光纤测温，低压部分使用成本较低的其他测温方式。因此在10 kV及以下的中低压领域可以考虑更低成本的测温方式。点测温一般将热电偶或热电阻安装到电缆接头内部[11-12]，该方法测温精度高，但是只能实现电缆固定部位温度检测，且给电缆接头带来巨大的安全隐患。
对于电缆火灾预警，常用的手段有剩余电流检测和烟雾检测。剩余电流检测利用电流互感器分析线路相间电流差异，可以实现接地故障或漏电的检测[13]。该方法存在以下问题：①受原理所限，对线路过载、接触不良、线路老化等带来的火灾风险无法预警；②简单基于阈值判断带来误报漏报的危险。烟雾检测法通常利用光或电磁辐射感知环境中的烟雾，关键参数包括烟雾浓度、体积分数和粒径分布等[14]。该方法存在以下问题：①容易受到环境中灰尘颗粒、水滴或其他物质影响，误报率高；②受原理所限，触发警报往往错过了电缆火灾的早期阶段。
火灾早期阶段，气体挥发物一般先于烟雾颗粒出现，因此气体组分分析可以提供比传统烟雾探测法更快的火灾早期预警[15-17]。此外，气体对象具有流动性，不受视线遮挡，可以实现非侵入式测量。该方法已经应用于变压器（油中溶解气体检测法）[18-23]和SF6[24-25]及其替代气体[26]绝缘设备的过热和放电故障的诊断。
电力设备故障特征气体检测，常用的手段有色谱法、质谱法和光谱法，但检测设备结构复杂且成本高昂，无法在电缆过热故障气体检测领域大面积推广。半导体气体传感器具有成本低、制备工艺简单、易于微纳集成等优点[27]，近年来在电力设备故障气体在线检测领域备受关注[28-30]，适用于中低压电缆过热故障特征气体的大面积分布式检测。因此本文开展了基于半导体气体传感器阵列的电缆过热故障诊断方法研究。
图1展示了电缆聚氯乙烯（Polyvinyl Chloride, PVC）绝缘材料过热分解气体检测系统的示意图与实物图。本文采用安捷伦公司的气相色谱（Gas Chromatography, GC）-质谱（Mass Spectrum, MS）联用仪，型号为GC 7890B-MS 5977B，该设备对低浓度分析物具有出色的灵敏度、分析能力以及定量检测性能，有助于检测识别未知的电缆绝缘材料分解气体。同时，本文为GC 配备了顶空进样器（Headspace Sample, HS），型号为Agilent 7697A。将装有绝缘材料样品的顶空瓶被加热到特定温度，利用HS 采集顶空瓶中绝缘材料分解气体并送入GC-MS系统。
图1 分解气体检测实验
Fig.1 Decomposition gas detection experiments
实验样品取自型号为ZR-BV-450/750V的PVC绝缘阻燃电线硬线，PVC绝缘材料被切成均匀的尺寸约为1 mm×1 mm×1 mm小颗粒。均匀的小颗粒确保绝缘材料均匀受热，稳定生成气体。每次用于检测的样品质量为0.1 g 左右。通过该方法获得过热分解气体总离子流色谱图（Total Ion Chromatography, TIC）色谱图。
图2展示了电缆在90℃、160℃、200℃三个温度条件下，加热5 min后的分解气体TIC。色谱图中的每一个峰都代表一种绝缘材料生成的气体。很容易观察到电缆过热生成的气体种类和体积分数均随着过热温度的升高而明显增加，呈现出对温度的依赖性。
依据美国国家标准技术研究所（National Institute of Standards and Technology, NIST）发布的质谱数据库，对电缆绝缘材料分解气体组分的气相色谱图中峰对应的化合物进行了识别，三个过热温度下得到的主要气体组分在表1中详细给出，按照保留时间长短排序，序号与图中标记的序号一一对应。
图2 不同过热温度下（5 min），电缆分解气体的TIC色谱图
Fig.2 TIC chromatogram of cable decomposition gas at different superheat temperatures (5 min)
表1 电缆过热生成的气体组分
Tab.1 Gas components from overheating of cables
序号气体组分中文名称化学式保留时间/ min 12-Ethylhexanol2-乙基己醇C8H18O15.128 22-Ethylhexyl-butyrat2-乙基己基丁酸酯C12H24O230.386 3Tetradecane正十四烷C14H3031.927 4Hexadecane十六烷C16H3434.898 52-Ethylhexyl Benzoate苯甲酸2-乙基己酯C15H22O236.298 6Hexadecane十六烷C16H3437.233 7Bis(2-ethylhexyl) hexanedioate己二酸二（2-乙基己基）酯C22H42O442.815 8Di(2-ethylhexyl) terephthalate对苯二甲酸二辛酯C24H38O445.515
电缆过热生成的这些气体中，部分气体对应的化合物是在电缆绝缘材料本身固有的添加剂等物质，这些气体在色谱图中对应的峰值远高于其他气体化合物；某些气体是电缆绝缘材料非固有物质，这也就暗示电缆过热生成气体的过程可能涉及物理扩散与化学反应这两个基本机制。例如，对苯二甲酸二辛酯（Di(2-ethylhexyl)terephthalate, DOTP）、己二酸二（2-乙基己基）酯（Bis(2-ethylhexyl) hexanedioate, DEHA）、苯甲酸2-乙基己酯（2-Ethylhexyl Benzoate, 2-EBe）是PVC塑料制品中经常添加的塑化剂，尤其是DOTP广泛用于电缆的生产制造，2-乙基己醇（2-Ethylhexanol，2-EH）则是用于合成DOTP及DEHA等常用塑化剂的主要原材料之一；苯和含有苯环的有机化合物则被认为是PVC分子链断裂交联成环形成，虽然其具体的化学反应路径还存在很大争议，但是许多研究均检测到苯等芳香族化合物经常存在于塑料燃烧或热解废气中[31-33]。
不同过热温度下的电缆分解气体组分的数量变化如图3所示，可以发现，在90℃，可检测到的分解气体数量接近0，即使长时间运行，也未见到分解气体种类明显增加；但是随着温度上升，分解气体数量急剧增加，当温度到达200℃时，可检测到的分解气体的种类数量在20多种。对于120℃及其以上的温度，过热持续的延长，也会使得分解气体的种类数量略微增加，但并不会显著改变分解气体的种类数量。
图3 电缆过热分析气体组分的数量对过热温度的变化规律
Fig.3 The change law of the quantity of the gas components in the cable superheat analysis to the superheat temperature
图4展示了过热持续时间为60 min后，电缆各分解气体组分在不同过热温度下的浓度关系。可以发现，在所有的电缆分解气体组分中，苯、2-EH、DOTP、DEHA毋庸置疑是气体浓度最高的四种气体组分，这四种气体组分存在的过热温度范围具有明显的差异性。2-EH存在于90～200℃整个温度区间，其浓度变化区间大，在电缆规定的最高正常运行温度90℃时，其体积分数非常接近0，在200℃，其体积分数最高可到达0.03%；气体组分DOTP仅存在于电缆承受140℃及以上温度的过热状态，最高体积分数可达到约0.035%，经过5 min后其体积分数将到达0.004%；气体组分苯主要存在于高温严重过热状态，其体积分数和体积分数增长率与温度存在相关性，最高体积分数可达到约0.06%。
图4 不同过热温度下电缆各分解气体组分关系
Fig.4 The relationship between the concentration of each decomposed gas component of the cable at different superheating temperatures
半导体气体传感器是利用气体在半导体表面的氧化还原反应导致敏感元件电阻值发生变化而制成的。纳米尺度效应带来的极高比表面积，有助于气敏材料和气体分子充分接触并产生电荷转移，导致材料电学参数（电阻、电导、电容等）发生改变，表现出对气体的响应[34-35]。本文选用金属氧化物半导体气体传感器，传感器电阻的大小反映了气体体积分数的高低[36-37]。
将若干气体传感器组成传感器阵列对气体进行复合检测和识别，阵列中每一个传感器对某些特定种类的气体成分敏感，使得整个气体传感器阵列能够对气体中不同的成分进行识别并给出总体评价。由表1可知，电缆过热分解气体包含芳香族化合物、酯类、醛、酮、饱和烃、不饱和烃等多种挥发性有机化合物（Volatile Organic Compounds, VOCs），这些分解气体都不是常见气体，没有专门为之开发的商业气体传感器。因此，本文尽可能地选择了多种面向VOCs检测的商业传感器，最终选用的8款商业传感器型号见表2，主要来自知名传感器制造企业日本费加罗技研株式会社和中国炜盛电子科技有限公司。
表2 气体传感器特性
Tab.2 Sensitivity of gas sensors
型号类型敏感气体 TGS2611MOS甲烷，天然气等 TGS2610MOS甲烷、乙烷、丙烷等 TGS2620MOS有机溶剂、可溶性气体、甲烷、一氧化碳、异丁烷、氢气、乙醇等 TGS2600MOS空气污染物、甲烷、一氧化碳、异丁烷、乙醇、氢气等 TGS822MOS有机可溶性气体、甲烷、一氧化碳、异丁烷、正己烷、苯、乙醇、丙酮等 MP503MOS气体酒精、烟雾、异丁烷、甲醛等 GM502BMOS乙醇、甲醛、甲苯等 MQ135MOS一氧化碳、对氨气、硫化物、苯系蒸汽、丙酮、烟雾等
实验使用自行设计开发的实验装置，如图5所示，主要由检测腔室、传感器阵列、滤波降噪电路、数据采集卡和上位机等组成。气体传感器的响应信号经传感器信号调理电路滤波放大以后，由32路、16位精度的数据采集卡 USB-6218（美国国家仪器有限公司）采样并保存到计算机中。
图5 真实电缆过热模拟测试
Fig.5 Real cable overheating simulation test
密封罩内部放置电缆过热发生装置、传感器阵列、烟雾报警器。实验中采用的烟雾报警器型号为岡祈（Gangqi）YJ-107烟雾报警器独立烟感探测器。报警的体积分数阈值为2.0%obs/ft。电缆过热产气发生装置为一微型加热管，直径为3 mm，长度为 10 mm。加热管穿过一段去除导体的电缆样品，电缆样品长度约为0.5 cm，型号为ZR-BV-450/750V的PVC绝缘阻燃电线硬线。该型号电缆耐热105℃，大部分PVC电缆绝缘材料长期允许工作温度为70℃，电缆短路时（最长持续时间不超过5 s）最高温度为160℃[38-39]，经过交联或添加了耐热共交联物质的电缆绝缘材料使用温度可以提高很多，90℃下也能运行。
测试箱有效容积为12 L，每次实验取用的电缆长度为5 mm，表面积约为40 mm2，两者比例为
cm-1，低于大部分正常运行电缆与所在空间的比值。因此，若在该实验条件下，电缆过热时气体传感器阵列能得到较好的效果，那么在现实条件下气体传感器阵列也会有明显的响应。
实验前先得到电压与加热温度的对应关系，见表3。实验加热电缆时施加对应的电压，使得电缆处于设定的过热温度。
表3 电热管加热电压与温度对应关系
Tab.3 Corresponding relationship between heating voltage and temperature of electric heating tube
温度/℃电压/V 706.6 907.7 1209.5 14010.66 16011.82 18012.98 20013.5 22013.22 24014.26 26015.3 28016.34 30018.6
实验流程如图6所示，实验在洁净的室内空气环境中进行，传感器使用前通电预热1天。实验时将电缆加热到指定温度，持续加热30 min，同时采集传感器响应信号，采集频率为 2 Hz。停止加热电缆，同时记录加热过程中烟雾报警器是否报警。打开密闭罩，静置至传感器恢复到响应前的阻值，再进行下一组实验。按照此方法共进行12组实验，电缆加热温度为70℃、90℃、120℃、140℃、160℃、180℃、200℃、220℃、240℃、260℃、280℃、300℃。每个温度条件得到8条传感器响应曲线，一共有96个样本。需要指出的是在70～300℃情况下，烟雾报警器一直未发出报警信息，因此难以用于电缆过热阶段提前实现火灾早期预警。
图6 实验流程
Fig.6 Experimental flow chart
烟雾报警器报警阈值测试实验如图7所示，在气室中增加烟雾颗粒体积分数检测单元，电缆过热温度设置为300℃，PVC材料增加为两倍（1 cm），这种实验条件下，烟雾报警器在5 min会发出报警信号，此时气室内烟雾颗粒的体积分数为0.024%，为该型号烟雾报警器报警的最低烟雾体积分数。原实验条件下0.5 mm PVC过热产生烟雾体积分数最高为0.005 5%，因此烟雾报警器一直没有报警。由此可以体现在过热区域较小，导致环境中烟雾体积分数不高的情况下，气体传感器阵列相较于烟雾报警器会有优势，在没有达到烟雾报警器报警阈值的时候，气体传感器阵列能够提供过热信息。
图7 烟雾报警器报警阈值测试实验
Fig.7 Smoke alarm alarm threshold test experiment
上位机采集到的原始数据是气体传感器对于电缆过热分解气体的阻值变化，图中箭头代表开始加热电缆的时刻。以70℃、160℃、200℃、300℃四个温度条件为例，八种传感器对不同温度条件下电缆分解气体的阻值变化如图8a～图8d所示。传感器阵列响应曲线如图8e～图8h所示。图8中，箭头表示开始加热电缆的时间，横坐标为响应时间，纵坐标为响应强度，响应和阻值的关系为
（1）
式中，Si 为传感阵列中每一传感器的响应信号；Ri为传感器的动态响应电阻，Ω；Ri0为传感器的基值电阻，Ω。
可以看出，八个传感器对电缆过热分解气体均有明显的响应。前100 s基线阶段曲线基本保持平稳，说明系统对纯净空气没有响应，从第100 s开始加热电缆后，分解气体与传感器发生相互作用，响应输出开始上升。70℃是电缆的正常运行温度，八个传感器响应均无明显变化；160℃时，除MQ135之外，所有传感器响应均有明显上升，直到加热结束，传感器响应仍维持上升趋势，说明电缆绝缘材料仍在持续分解释放气体；200℃时，MQ135开始有响应，其他传感器的响应上升越发明显，上升速度也变快，说明电缆绝缘材料的过热分解速度变快，产生气体总量、气体体积分数上升速度也变快。加热结束前，传感器响应已经停止上升，TGS822传感器响应已经开始回升，说明在该温度下，30 min前罩内分解气体浓度已经不再增加；300℃时，MQ135也有明显的响应上升现象，大部分传感器在加热开始后的70 s时响应快速上升，再经过大约130 s，响应基本不再上升，趋于平稳，传感器的行为呈现出一定的一致性。
图8 气体传感器阻值变化曲线与响应变化曲线
Fig.8 Gas sensor resistance change curve and response change curves
以上变化趋势与金属氧化物半导体传感器的典型响应曲线一致，主要由初始、变化、静止三个阶段组成，尽管不同温度下传感器的响应曲线的趋势是一致的，但响应速率以及最大响应值等不同。随着加热温度的上升，响应上升的幅度变大，上升速度变快，传感器达到饱和状态的时间也逐渐缩短，这是可以区分不同温度电缆分解气体的依据。
通过电缆过热故障模拟测试，采集了传感阵列检测在对处于不同温度电缆的动态电阻和响应信号。在70～300℃的电缆温度区间内，包括70℃、90℃、120℃、140℃、160℃、180℃、200℃、220℃、240℃、260℃、280℃、300℃共12个温度类别，在每个温度类别下，传感阵列中每个传感器采集到的原始数据（动态电阻和响应信号）为一个样本。传感阵列原始数据为时间序列信号，数据量较大，维数较高。采用若干个样本特征量表征原始数据，能够降低数据维数和数据处理工作量，同时能够减弱原始信号中噪声的影响。
现有的特征提取方法大致分为三类：在时域提取特征、在频域提取特征和基于曲线拟合提取特征[40]。时域信息是传感器信号相对于时间的分析，反映了原始响应曲线的特征。频域信息是信号相对于频率的分析，利用不同时频变换算子计算出的频谱作为频域特征来表示传感器信号。基于曲线拟合的特征提取方法利用连续光滑的解析函数逼近离散和有噪声传感器的响应，将曲线拟合函数的系数作为表征传感器信号的特征[41]。
由第2节的实验结果，温度稳定后5 min之内，大部分传感器响应变化明显，之后变化较小。所以取温度稳定后5 min这段响应数据，提取时域信息的最大值（max）、平均值（mean）、最大变化率（kmax）、积分值（integ），频域信息的傅里叶变换直流分量和1～4阶谐波分量系数（fft0、fft1、fft2、fft3、fft4）、小波变换系数均值（wav），曲线拟合参数的指数函数拟合系数（exp1、exp2、exp3、exp4）、正弦函数拟合系数（sin1、sin2、sin3、sin4、sin5、sin6）用于电缆过热分解气体的分类。
传感阵列中每个样本的原始数据可以用以上提到的20个特征量来描述。这些特征量形成的矩阵称为样本特征矩阵M，表示为
M=[max mean kamx integ fft0 fft1 fft2
fft3 fft4 wav exp1 exp2 exp3 exp4 sin1
sin2 sin3 sin4 sin5 sin6] （2）
样本特征矩阵的数据维度较高，导致无法在二维或三维空间中直观地展示出样本数据之间是否存在关联，较难直观地得出原始数据与电缆过热状态之间的关联性。在实际应用中，t-SNE（t-distributed stochastic neighbor embedding）往往被用于将高维数据降维与可视化到二维或三维空间，从而非常直观地验证高维数据集的可区分性[42]。
使用t-SNE算法对传感阵列原始数据进行降维与可视化，直观地验证传感阵列信号与电缆过热状态的相关性，为后续电缆过热故障检测提供依据。传感阵列特征数据降维映射至二维平面的可视化结果如图9所示。观察发现，传感阵列获取的样本数据根据温度的高低清晰地分为三部分，具体是温度低于90℃的集合、120～160℃集合、温度高于180℃的集合。样本数据集具有明显的可分性，与电缆过热状态具有显著相关性，只有少量数据点未处在正确的区域内，表示降维后的局部特征能够有效代表传感阵列原始数据。
图9 t SNE降维可视化效果
Fig.9 t SNE dimensionality reduction visualization
由2.2节可知，PVC电缆绝缘材料长期允许工作温度为70℃，电缆短路时（最长持续时间不超过5 s）最高温度为160℃，经过交联或添加了耐热共交联物质的电缆绝缘材料使用温度可以提高很多，90℃下也能运行[38-39]。因此将电缆温度划分为正常（70℃、90℃）、预警（120℃、140℃、160℃）、报警（180℃以上）三个区间是合理的。按照三个电缆温度区间，分别赋予传感阵列样本不同的标签0、1、2。各个标签对应的电缆状态、温度区间，以及数据样本数在表4中详细列出。
表4 样本数据标签及对应状态
Tab.4 Sample data labels and corresponding states
标签电缆状态温度区间样本数 0正常70℃、90℃16 1预警120℃、140℃、160℃24 2报警180℃、200℃、220℃、240℃、260℃、280℃、300℃56
算法流程如图10所示，对以上构建的20维特征降维，训练分类器进行过热程度的区分，通过比较分类准确率及运算时间，选择最好的降维与分类方法的组合。
图10 算法流程
Fig.10 Algorithm flow chart
将样本数据随机分为训练集和测试集，每次随机打乱训练集数据投入模式识别模型，进行电缆过热故障类型的分类实验。为了得到可靠稳定的模型，减少训练集数据选取的随机性对模型分类效果的影响本文采用K折交叉验证（K-fold Cross-Validation, K-CV）的方法，这种方法将训练数据分为K组，每次取出其中一组作为验证集，其余组用于训练，最终的分类准确率标准为每次训练结果的平均值，本文取K的值为5。每种模型进行5次实验，最终识别准确率取5次实验的平均值。
在实际应用中，特征向量往往包含冗余信息，特征之间可能存在相关性且有些特征可能与分类问题无关。当特征个数增加到某一个临界点后，继续增加反而会导致分类器的性能变差，即“维度灾难”。因此对以上20维特征采用三种不同降维方式：主成分分析（Principal Component Analysis, PCA）[43]；以卡方检验（chi2）的方式，选择最优的k个特征（Select K Best, SKB）；基于树（tree）的估计器计算特征重要性，根据重要性权重选择特征（Select From Model, SFM）。三种特征选择方法都将20维特征向量降至10维。
电缆过热故障识别模型由表5中模型1～4结果可知，降维方法中SKB+chi2的效果最好。对传感器响应信号，三种降维方法都能提升准确率，其中PCA降维能提高1%左右的准确率，SKB+chi2和SFM+tree识别准确率提升约13%。将特征选择与模式识别的时间加起来作为总的计算时间，可见在运算时间上，SKB+chi2更有优势，提高准确率的同时能减少计算时间，因此选择SKB+chi2的特征选择方法实现特征降维。
表5 电缆过热故障识别模型
Tab.5 Cable overheating fault identification model
模型编号特征提取和降维分类器识别准确率（%）运算时间/s 120维SVM84.30.26 220维+PCASVM85.60.29 320维+SKB+chi2SVM97.40.24 420维+SFM+treeSVM97.40.38 520维+SKB+chi2Extra Trees88.20.75 620维+SKB+chi2Random Forest94.80.91 720维+SKB+chi2Decision Trees97.50.12 820维+SKB+chi2KNN89.60.15 920维+SKB+chi2Logistic Regression88.30.17 1020维+SKB+chi2Naive Bayes90.80.12 1120维+SKB+chi2AdaBoost97.50.40
本文采用的八种机器学习算法包括支持向量机（Support Vector Machine, SVM）、极限树（Extra Trees）、随机森林[44]（Random Forest）、决策树（Decision Tree）、K近邻（K Near Neighbor, KNN）[44]、逻辑回归（Logistic Regression）、朴素贝叶斯（Naive Bayes）、自适应增强（Adaptive Boosting, AdaBoost）。这些机器学习方法被证明适合处理不同场景和数据特征中的分类任务，考虑到本文的原始数据集为小型数据集，所采用的这些算法都对有限数据量较为友好与适用，计算成本低。对比识别模型5～11，在同样SKB+chi2降维的方法下，分类器中SVM的效果最好。
由表5中模型5～11的结果可知，Decision Trees、AdaBoost、SVM三种分类器的识别准确率较高，其中AdaBoost在运算时间上不占优势，因此比较Decision Trees和SVM在测试集上的效果。SVM在测试集上有95%的准确率，而Decision Tree 仅有35%准确率，说明Decision Tree出现了过拟合的现象。因此从训练平均准确率、测试集准确率以及运算时间来看，效果最好的分类模型是SVM，这符合支持向量机小样本情况下分类效果较好的优点[45-46]。
图11为模型3五折交叉验证的准确率，可以看出，模型的识别准确率稳定地保持在较高水平，说明模型的准确率与泛化性能都较好。
图11 SVM五折交叉验证准确率
Fig.11 SVM five-fold cross-validation accuracy
表6为模型3在测试集上的分类情况，如表所示，模型对电缆正常状态（标签0，温度不超过90℃）和报警状态（标签2，温度高于180℃）有着极高的识别准确率（100%），对预警状态（标签1，温度120～160℃）识别准确率较高（80%）。对预警状态无法做到完全正确识别，这与电缆过热气体生成特点相符合。气体组分在整个温度范围内缓慢连续变化，在不同温度区间交界处不具有彻底的突变性，使得传感阵列响应信号在电缆不同状态转换时的差异性有限，导致最终识别准确率下降。
表6 模型3识别结果
Tab.6 Recognition results of model 3
电缆过热类型分类结果识别准确率(%) 正常预警报警 正常300100 预警14080 报警0012100
综上所述，对从温度稳定到稳定后5 min的响应曲线，综合提取时域、频域、曲线拟合共20维特征，经过卡方检验选择最优的10个特征，再由SVM分类的效果最好，在测试集上的准确率达到95%。结果基本符合实际应用的要求，考虑到数据样本过小，在得到更大的样本数据之后，可以进一步提高分类准确率。
根据识别结果及1.3节实验结果可以建立电缆过热温度到电缆分解气体以及电缆过热温度与气体传感器阵列响应这两个对应关系，将三者对应起来的流程如下：将传感器阵列的响应信号输入训练好的模型，得到电缆过热温度区间，进而得到在该温度区间电缆过热气体组分。例如，阵列预测的温度处于预警区间（120～160℃），此时，根据GC-MS分析结果，气体成分为2-EH、DOTP、DEHA、少量的苯和2-Ebu，这几种成分的体积分数都在0.01%以内，其中2-EH和DOTP的浓度相对较高。如果阵列预测温度超过180℃，处于报警区间。此时，根据GC-MS分析结果，气体成分为2-EH、苯、2-EBe、DOTP、DEHA、2-EBu。其中苯的体积分数最高，在0.03%以上，2-EH、DOTP、DEHA的体积分数在0.03%以上，2-EBe和 2-EBu的体积分数相对较低，在0.005%以内。
本文开展了基于半导体气体传感器阵列的中低压电缆过热故障诊断方法研究，分析了电缆PVC绝缘材料过热产气情况，搭建了电缆过热故障模拟测试系统，研究了传感器阵列对不同过热温度电缆分解气体的响应特性，构建了传感阵列原始信号样本特征矩阵，对比分析了不同算法对实际电缆过热故障的识别性能，所得结论如下：
1）电缆过热生成的气体种类和浓度均随着过热温度的升高而明显增加，分解气体包含芳香族化合物、酯类、醛、酮、饱和烃、不饱和烃等多种挥发性有机化合物（VOCs），因此本文尽可能地选择了多种面向VOCs检测的商业传感器构成传感器阵列。
2）随着电缆过热温度的提高，气体传感器响应曲线有明显区别，且大多数气体传感器在加热温度稳定后5 min之内响应达到饱和。在70～300℃的温度范围内，烟雾报警器始终没有报警。
3）将响应信号的每个样本用20个特征值表征，根据卡方检验选择前10个最高分数的特征组成特征矩阵，并采用SVM分类，此时识别准确率最高，可将电缆运行温度划分为正常（温度不超过90℃）、预警（温度120～160℃）和报警（温度高于180℃）等不同状态，模型的准确率达95%。本文建立的基于半导体气体传感器的中低压电缆过热故障诊断方法在报警时效性以及温度区间识别准确率相较于烟雾报警器均有明显优势。
附 录
将2.1节传感器选型中传感器对气体的检测灵敏度补充如下[47-48]。电缆过热分解气体包含芳香族化合物、酯类、醛、酮、饱和烃、不饱和烃等多种挥发性有机化合物（VOCs），因此本文尽可能地选择了多种面向VOCs检测的商业传感器构成传感器阵列。
附图1 TGS2611灵敏度特性
App.Fig.1 TGS2611 sensitivity characteristics
附图2 TGS2610灵敏度特性
App.Fig.2 TGS2610 sensitivity characteristics
附图3 TGS2620灵敏度特性
App.Fig.3 TGS2620 sensitivity characteristics
附图4 TGS2600灵敏度特性
App.Fig.4 TGS2600 sensitivity characteristics
附图5 TGS822灵敏度特性
App.Fig.5 TGS822 sensitivity characteristics
附图6 GM502B灵敏度特性
App.Fig.6 GM502B sensitivity characteristics
附图7 MP503灵敏度特性
App.Fig.7 MP503 sensitivity characteristics
附图8 MQ135灵敏度特性
App.Fig.8 MQ135 sensitivity characteristics
参考文献
[1] 王志. 线缆绝缘材料热解特性与线缆燃烧及火蔓延行为研究[D]. 合肥: 中国科学技术大学, 2020.
[2] Liu Sanwei, Huang Fuyong, Gong Liang, et al. Research summary of cable channel fire extinguishing technology[J]. E3S Web of Conferences, 2021, 233: 04022.
[3] 单秉亮, 李舒宁, 杨霄, 等. XLPE配电电缆缺陷诊断与定位技术面临的关键问题[J]. 电工技术学报, 2021, 36(22): 4809-4819. Shan Bingliang, Li Shuning, Yang Xiao, et al. Key problems faced by defect diagnosis and location technologies for XLPE distribution cables[J]. Transactions of China Electrotechnical Society, 2021, 36(22): 4809-4819.
[4] 杜林, 余辉宗, 严涵. 基于构建温度场分析的非侵入式高压电缆缆芯温度测量方法[J]. 电工技术学报, 2021, 36(7): 1338-1346. Du Lin, Yu Huizong, Yan Han. A non-invasive temperature measurement method for high-voltage cable core based on temperature field construction and analysis[J]. Transactions of China Electrotechnical Society, 2021, 36(7): 1338-1346.
[5] 陈志强, 王楠. 感温光纤检测装置的设计与实现[J]. 电工技术, 2021(14): 45-47.Chen Zhiqiang, Wang Nan. Design and implementation of temperature-sensing fiber inspecting device[J]. Electric Engineering, 2021(14): 45-47.
[6] 董雄鹰. 基于分布式光纤测温的微电网电缆故障定位研究[D]. 北京: 华北电力大学(北京), 2021.
[7] 江军, 马国明, 宋宏图, 等. 基于侧边抛磨光纤布拉格光栅的变压器油中溶解氢气传感器[J]. 电工技术学报, 2017, 32(13): 264-270. Jiang Jun, Ma Guoming, Song Hongtu, et al. Dissolved hydrogen sensor in power transformer oil based on side polishing fiber Bragg grating[J]. Transactions of China Electrotechnical Society, 2017, 32(13): 264-270.
[8] 王鹏, 蔡贤卿. 测温技术在城市地下综合管廊中的研究与应用[J]. 城市建设理论研究(电子版), 2016(26): 98-99. Wang Peng, Cai Xianqing. Research and application of temperature measurement technology in urban underground utility tunnel[J]. Urban Construction Theory Research, 2016(26): 98-99.
[9] 王秋翠, 魏立明. 城市地下管廊的火灾危险识别与预警系统研究[J]. 吉林建筑大学学报, 2019, 36(1): 82-86. Wang Qiucui, Wei Liming. Research on fire hazard identification and early warning system of urban underground pipe gallery[J]. Journal of Jilin Jianzhu University, 2019, 36(1): 82-86.
[10] 吴科, 熊刚, 邓旭东, 等. 城市高压电缆分布式光纤测温技术应用现状[J]. 电工技术, 2020(1): 140-143. Wu Ke, Xiong Gang, Deng Xudong, et al. Application status of distributed temperature sensing technology for urban high voltage cables[J]. Electric Engineering, 2020(1): 140-143.
[11] 常叶枫, 尚文迪, 张强. 基于LoRa的电缆无线测温装置设计与实现[J]. 电工技术, 2021(8): 66-68. Chang Yefeng, Shang Wendi, Zhang Qiang. Design and implementation of wireless temperature measurement device for power cable based on LoRa[J]. Electric Engineering, 2021(8): 66-68.
[12] 林晨炯, 林珍, 吴雅琳. 电缆接头温度在线监测方法研究综述[J]. 电气技术, 2019, 20(5): 1-4, 9. Lin Chenjiong, Lin Zhen, Wu Yalin. Summary of research on online monitoring method of cable joint temperature[J]. Electrical Engineering, 2019, 20(5): 1-4, 9.
[13] 王守相, 李皓哲, 刘琪, 等. 基于激磁电流单周期内负半波持续时间特征的直流剩余电流检测新型相位差法[J]. 电力系统保护与控制, 2021, 49(11): 45-53. Wang Shouxiang, Li Haozhe, Liu Qi, et al. A new phase difference method for DC residual current detection based on the characteristic of the duration of the exciting current negative half wave in a period[J]. Power System Protection and Control, 2021, 49(11): 45-53.
[14] 张思祥, 甘凯, 周围. 提高火灾烟雾传感器检测精度的方法[J]. 传感器与微系统, 2021, 40(1): 151-153. Zhang Sixiang, Gan Kai, Zhou Wei. Method for detection precision improving of fire smog sensor[J]. Transducer and Microsystem Technologies, 2021, 40(1): 151-153.
[15] Fonollosa J, Solórzano A, Marco S. Chemical sensor systems and associated algorithms for fire detection: a review[J]. Sensors (Basel, Switzerland), 2018, 18(2): 553.
[16] Pannek C. Highly sensitive reflection based colorimetric gas sensor to detect CO in realistic fire scenarios[J]. Sensors and Actuators B: Chemical, 2020, 306: 127572.
[17] Schmitt K, Tarantik K, Pannek C, et al. Colorimetric materials for fire gas detection—a review[J]. Chemosensors, 2018, 6(2): 14.
[18] 杨天荷, 陈伟根, 李志军. 基于悬臂梁光纤F-P声传感器的光声光谱检测法及其对微量乙炔气体的检测[J]. 高电压技术, 2020, 46(6): 1922-1928. Yang Tianhe, Chen Weigen, Li Zhijun. Detection of trace ethyne by photoacoustic spectroscopy based on fiber-optic cantilever acoustic sensor[J]. High Voltage Engineering, 2020, 46(6): 1922-1928.
[19] 张冬至, 姜传星, 殷乃良, 等. 纳米修饰石墨烯薄膜传感器的变压器油中乙炔气体敏感特性[J]. 高电压技术, 2017, 43(11): 3712-3717. Zhang Dongzhi, Jiang Chuanxing, Yin Nailiang, et al. Sensing characteristics of acetylene gas in transformer oil of nano-modified graphene-based film sensor[J]. High Voltage Engineering, 2017, 43(11): 3712-3717.
[20] 张晓星, 刘恒, 张英, 等. 基于光声光谱峰面积的微量乙炔气体定量检测[J]. 高电压技术, 2015, 41(3): 857-863. Zhang Xiaoxing, Liu Heng, Zhang Ying, et al. Quantum detection of trace acetylene gas based on the peak area of photoacoustic spectroscopy[J]. High Voltage Engineering, 2015, 41(3): 857-863.
[21] 王婧璇, 周渠, 桂银刚, 等. 掺杂硫化钼对油中特征气体C2H2的吸附性能[J]. 高电压技术, 2020, 46(6): 1962-1969. Wang Jingxuan, Zhou Qu, Gui Yingang, et al. Adsorption properties of the C2H2 characteristic gas in oil by doped MoS2[J]. High Voltage Engineering, 2020, 46(6): 1962-1969.
[22] 陈图南, 马凤翔, 王刘芳, 等. 高分子渗透膜在变压器油中溶解气体分析中的应用[J]. 电工技术学报, 2022, 37(3): 750-766. Chen Tunan, Ma Fengxiang, Wang Liufang, et al. Application of polymers membrane in dissolved gas analysis: a review[J]. Transactions of China Electrotechnical Society, 2022, 37(3): 750-766.
[23] 张燕, 方瑞明. 基于油中溶解气体动态网络标志物模型的变压器缺陷预警与辨识[J]. 电工技术学报, 2020, 35(9): 2032-2041. Zhang Yan, Fang Ruiming. Fault detection and identification of transformer based on dynamical network marker model of dissolved gas in oil[J]. Transactions of China Electrotechnical Society, 2020, 35(9): 2032-2041.
[24] 马晨曦, 乔胜亚, 周文俊, 等. SF6变压器中悬浮电位放电分解气体的生成规律[J]. 高电压技术, 2020, 46(11): 4052-4060. Ma Chenxi, Qiao Shengya, Zhou Wenjun, et al. Decomposed gases generated by partial discharges at floating potential defects in SF6 gas transformers[J]. High Voltage Engineering, 2020, 46(11): 4052-4060.
[25] 张英, 张晓星, 李军卫, 等. 基于光声光谱法的SF6气体分解组分在线监测技术[J]. 高电压技术, 2016, 42(9): 2995-3002. Zhang Ying, Zhang Xiaoxing, Li Junwei, et al. On-line monitoring technology of SF6 gas decomposition components based on photoacoustic spectroscopy[J]. High Voltage Engineering, 2016, 42(9): 2995-3002.
[26] 周朕蕊, 韩冬, 赵明月, 等. 电晕放电下C5F10O混合气体的分解特性[J]. 电工技术学报, 2021, 36(2): 407-416. Zhou Zhenrui, Han Dong, Zhao Mingyue, et al. Decomposition characteristics of C5F10O mixtures under corona discharge[J]. Transactions of China Electrotechnical Society, 2021, 36(2): 407-416.
[27] Kumar R, Liu Xianghong, Zhang Jun, et al. Room-temperature gas sensors under photoactivation: from metal oxides to 2D materials[J]. Nano-Micro Letters, 2020, 12(1): 164.
[28] 张晓星, 方佳妮, 崔豪, 等. 碳纳米管传感器吸附机理及对SF6分解组分检测应用综述[J]. 中国电机工程学报, 2018, 38(16): 4926-4941, 4997. Zhang Xiaoxing, Fang Jiani, Cui Hao, et al. Review: adsorption principle and application of carbon nanotubes to SF6 decomposition components[J]. Proceedings of the CSEE, 2018, 38(16): 4926-4941, 4997.
[29] Chu Jifeng, Yang Xu, Yang Aijun, et al. Multivariate evaluation method for screening optimum gas-sensitive materials for detecting SF6 decomposition products[J]. ACS Sensors, 2020, 5(7): 2025-2035.
[30] Chu Jifeng, Li Weijuan, Yang Xu, et al. Identification of gas mixtures via sensor array combining with neural networks[J]. Sensors and Actuators B: Chemical, 2021, 329: 129090.
[31] Beneš M, Milanov N, Matuschek G, et al. Thermal degradation of PVC cable insulation studied by simultaneous TG-FTIR and TG-EGA methods[J]. Journal of Thermal Analysis and Calorimetry, 2004, 78(2): 621-630.
[32] Zhou Jingjing. TG-FTIR and Py-GC/MS study of the pyrolysis mechanism and composition of volatiles from flash pyrolysis of PVC[J]. Journal of the Energy Institute, 2020, 93(6): 2362-2370.
[33] 魏艳慧, 郑元浩, 龙海泳, 等. 绝缘层厚度对高压直流电缆电场和温度场分布的影响[J]. 电工技术学报, 2022, 37(15): 3932-3940. Wei Yanhui, Zheng Yuanhao, Long Haiyong, et al. Influence of insulation layer thickness on electric field and temperature field of HVDC cable[J]. Transactions of China Electrotechnical Society, 2022, 37(15): 3932-3940.
[34] Wang Xiaohua, Wang Dawei, Yang Aijun, et al. Effects of adatom and gas molecule adsorption on the physical properties of tellurene: a first principles investigation[J]. Physical Chemistry Chemical Physics: PCCP, 2018, 20(6): 4058-4066.
[35] 桂银刚, 许文龙, 张晓星, 等. TiO2掺杂石墨烯对SO2气体的气敏特性研究[J]. 电工技术学报, 2021, 36(21): 4590-4597. Gui Yingang, Xu Wenlong, Zhang Xiaoxing, et al. Adsorption property of SO2 gas on TiO2-doped graphene[J]. Transactions of China Electrotechnical Society, 2021, 36(21): 4590-4597.
[36] Zhang Hao, Feng Jianchao, Fei Teng, et al. SnO2nanoparticles-reduced graphene oxide nanocomposites for NO2 sensing at low operating temperature[J]. Sensors and Actuators B: Chemical, 2014, 190: 472-478.
[37] Yang Aijun, Wang Dawei, Lan Tiansong, et al. Single ultrathin WO3 nanowire as a superior gas sensor for SO2 and H2S: Selective adsorption and distinct I-V response[J]. Materials Chemistry and Physics, 2020, 240: 122165.
[38] 国家质量监督检验检疫总局, 中国国家标准化管理委员会. GB/T 5023.1—2008 额定电压450/750V及以下聚氯乙烯绝缘电缆第1部分：一般要求[S]. 北京: 中国标准出版社, 2009.
[39] 国家质量监督检验检疫总局、中国国家标准化管理委员会. GB/T 8815—2008 电线电缆用软聚氯乙烯塑料[S]. 北京: 中国标准出版社, 2009.
[40] Yan Jia, Guo Xiuzhen, Duan Shukai, et al. Electronic nose feature extraction methods: a review[J]. Sensors (Basel, Switzerland), 2015, 15(11): 27804-27831.
[41] 闫嘉. 基于电子鼻技术的人体伤口感染检测系统构建及算法研究[D]. 重庆: 重庆大学, 2012.
[42] Xu Sen, Hua Xiaopeng, Xu Jing,et al.Cluster ensemble approach based on T-distributed stochastic neighbor embedding[J]. Journal of Electronics & Information Technology, 2018, 40 (6): 1316-1322.
[43] 王昱皓, 武建文, 马速良, 等. 基于核主成分分析-SoftMax的高压断路器机械故障诊断技术研究[J]. 电工技术学报, 2020, 35(增刊1): 267-276. Wang Yuhao, Wu Jianwen, Ma Suliang, et al. Mechanical fault diagnosis research of high voltage circuit breaker based on kernel principal component analysis and SoftMax[J]. Transactions of China Electrotechnical Society, 2020, 35(S1): 267-276.
[44] 马速良, 武建文, 袁洋, 等. 多振动信息下的高压断路器机械故障随机森林融合诊断方法[J]. 电工技术学报, 2020, 35(增刊2): 421-431. Ma Suliang, Wu Jianwen, Yuan Yang, et al. Mechanical fault fusion diagnosis of high voltage circuit breaker using multi-vibration information based on random forest[J]. Transactions of China Electrotechnical Society, 2020, 35(S2): 421-431.
[45] Liu Zhi, Wang Liyang, Zhang Yun, et al. A SVM controller for the stable walking of biped robots based on small sample sizes[J]. Applied Soft Computing, 2016, 38: 738-753.
[46] 赵书涛, 许文杰, 刘会兰, 等. 基于振动信号谱形状熵特征的高压断路器操动状态辨识方法[J]. 电工技术学报, 2022, 37(9): 2170-2178. Zhao Shutao, Xu Wenjie, Liu Huilan, et al. Identification method for operation state of high voltage circuit breakers based on spectral shape entropy characteristics of vibration signals[J]. Transactions of China Electrotechnical Society, 2022, 37(9): 2170-2178.
[47] 炜盛科技. 气体传感器[EB/OL]. [2023-03-02]. https://www.winsensor.com/product/.
[48] 费加罗传感科技. 气体传感器[EB/OL]. [2022-05-28]. http://www.figaro-china.com/product/sensor/.
Abstract Low- and medium-voltage cables with severe overload operation, harsh working environment and frequent overheating faults are often the source of high incidence of electrical fires, but there is a lack of economical and reliable overheating fault diagnosis methods in the early stages of fire. Gas component analysis has been applied to transformers (dissolved gas in oil detection method) and the diagnosis of overheating and discharge faults in SF6 and its alternative gas insulated equipment. In the early stage of fire, gas volatiles generally appear before smoke particles, and gas component analysis can provide faster early warning of fire than the traditional smoke detection method, so this paper carried out research on the cable overheating fault diagnosis method based on gas sensing array.
Firstly, GC-MS was used to analyze the gas components of cable overheating decomposition. The gas decomposition components at different temperatures was compared, the number of gas components and the change of main component had been discussed. The result of GC-MS showed that the decomposition products of superheated PVC contains aromatic compounds, esters, aldehydes, ketones, saturated hydrocarbons, unsaturated hydrocarbons and other volatile organic compounds VOCs. With the increase of superheat temperature, the types of cable decomposition gas increased significantly. Among the decomposition gas, benzene, 2-EH, DOTP and DEHA were the four components with the highest gas concentrations. 2-EH exists in the whole temperature range of 90～200℃, DOTP and DEHA exist only at 140℃ and above, and the concentration of these three substances varies widely. Benzene mainly exists in the high temperature and serious overheating state above 180℃, and its content increases sharply at 200℃.
Based on the above analysis results, a variety of commercial sensors for VOCs detectionwere selected to compose the gas sensor array. A cable overheating fault simulation experiment was conducted to record the response curves of the sensor array, and the cable was heated to different temperatures. As the cable superheat temperature increases, the gas sensor array response curve showed a trend of faster response rate and increased response amplitude. Most gas sensors reaching saturation in response within 5 min after the heating temperature stabilized.As a comparison, in the temperature range of 70～300℃, the smoke alarm never alarmed.The collected response data weretaken within 5 min after temperature stabilization, and 20 features wereextracted, including time domain features, frequency domain features, and curve fitting features.The effects of 4 feature dimensionality reduction methods such as principal component analysis,Select K Best, tree estimation, SelectFromModel, etc. werecompared and Select K Best worked best. The optimal feature dimensionality reduction method was selected and the features were redeuced from 20 dimensions to 10 dimensions. After this, the mapping relationship between cable overheating temperature and response features was established using machine learning algorithms. The classification accuracy of 8 machine learning algorithms such as Extra Tree, Random Forest, Decision Tree, K Near Neighbor, Logistic Regression, Naive Bayes, Adaptive Boosting, and AdaBoost were compared. SVM works best in the classifier on the test set, which can classify the cable operating temperature into 3 different states such as normal (temperature up to 90℃), warning (temperature 120～160℃) and alarm (temperature above 180℃), and the accuracy of the model reaches 95%.
The conclusions of the above studies are as follows: (1) Cable superheat decomposition gas contains aromatic compounds, esters, aldehydes, ketones, saturated hydrocarbons, unsaturated hydrocarbons and other volatile organic compounds VOCs, so this paper selected a variety of commercial sensors for VOCs detection to form a sensor array. (2) As the cable superheat temperature increases, the response speed of the gas sensor response curve becomes faster and the response amplitude increases, and most gas sensors reach saturation in response within 5 min after the heating temperature stabilizes. In the temperature range of 70～300℃, the smoke detectordidn’t alarm.(3) By extracting 20 features from the sensor array response signal within 5 minutes and filtering the first 10 optimal features according to the chi-square test and using SVM classification, the cable operating temperature can be classified into three states, such as normal (temperature up to 90℃), warning (temperature 120～160℃) and alarm (temperature higher than 180℃), and the accuracy of the model on test set reaches 95%. The cable overheating fault diagnosis method established in this paper has significant advantages over smoke alarms in terms of alarm timeliness as well as temperature interval identification accuracy.
keywords: Cable overheating, decomposition of gases, gas sensor arrays, pattern recognition
国家自然科学基金（U2166214, 52207170）、陕西省“三秦学者”创新团队项目（西安交通大学先进直流电力装备关键技术及其产业化示范创新团队）、中国博士后科学基金（2022M712510, 2022TQ0252）、陕西省自然科学基础研究计划（2023-JC-JQ-41）、陕西省重点研发计划（2022GXLH-01-11, N2022GY-273)和电气绝缘电力设备国家重点实验室项目（EIPE23314）资助。
收稿日期 2022-04-12
改稿日期 2022-05-12
DOI: 10.19595/j.cnki.1000-6753.tces.220585
中图分类号：TP212; TM854
雷芳菲 女，1997年生，博士研究生，研究方向为气体传感器在电缆故障诊断中的应用。E-mail：lff123456@stu.xjtu.edu.cn
杨爱军 男，1986年生，教授，博士生导师，研究方向人工智能技术、微纳传感器技术和电力设备故障诊断与寿命评估。E-mail：yangaijun@xjtu.edu.cn（通信作者）
（编辑 郭丽军）