鋼芯鋁絞線（ACSR）是輸電系統中最常用的輸電線，其安全可靠運行對保障電力安全輸送至關重要[1]。然而，受大氣中水分、化學氣體和鹽類介質等因素侵蝕的影響，ACSR在使用過程中容易發生腐蝕。腐蝕會導致鋼芯強度降低，造成斷股或斷線等嚴重的安全隱患[2-6]。在近海地區，ACSR的腐蝕情況更為嚴重[7]。目前，對于ACSR腐蝕等級的判定，尚缺乏成熟的經驗和標準[8]，主要通過人為觀察在役輸ACSR外觀或圖片識別。然而，這些傳統方法無法準確區分介于未腐蝕與嚴重腐蝕之間的鋼芯腐蝕情況。因此，對ACSR腐蝕的原位檢測具有重要的實際意義。夏開全等[9-12]分析了在役ACSR的腐蝕情況及原因；張建堃等[13-14]通過人工鹽霧試驗提出了ACSR的初步腐蝕機理；安寧[15]研究了兩種人工模擬工況下ACSR的腐蝕因素。上述研究都對ACSR腐蝕原因進行了分析，但由于檢測設備體積龐大，不適合現場操作，因此未對在役導線進行原位檢測，也未對輸電線鋼芯腐蝕問題做出探究。MURRAY等[16]先通過ACSR表面檢測判別氧化鐵沉積物，根據特定波長的反射光強度比率判斷輸電線鋼芯的腐蝕狀態，然后基于鐵銹（鋼芯腐蝕產物）的反射特性，進行室外試驗驗證，但該研究僅以簡單的反射特性作為判別依據。FUSE等[17]使用X射線衍射和傅里葉變換紅外光譜確定鋼腐蝕產物的主要穩定成分為纖鐵礦（γ-FeOOH），當腐蝕產物累積到一定程度時，部分γ-FeOOH會轉變為相對穩定的α-FeOOH和Fe3O4[18]。X射線衍射、能譜儀等設備因體積龐大且試驗條件苛刻不適合原位檢測，拉曼光譜技術因檢測時間較長以及微波和毫米波成像技術感應距離短，也不適合原位檢測。 

相對上述技術，近紅外光譜技術具有檢測速度快、無需樣本預處理、檢測精度高、非接觸檢測和設備體積小等優點，可以適用于現場原位檢測[19]，在化工領域的應用也越來越廣泛[20]。因此，作者基于近紅外光譜技術，提出了ACSR鋼芯腐蝕的原位檢測方法。首先，對原始光譜數據預處理提高數據質量，并通過潛在投影圖（LPG）選擇最佳分析波長；然后，通過腐蝕狀態與波長的主成分分析（PCA）進行數據降維；最后，將PCA降維得分數據作為輸入端，輸入經鵜鶘優化算法（POA）優化參數后建立的支持向量機回歸（SVR）分類模型中，從而得到了一種ACSR鋼芯腐蝕的原位檢測方法。該研究也為ACSR原位腐蝕檢測提供了新思路。 

1.   試驗

1.1   試驗平臺

按圖1搭建近紅外光譜檢測試驗裝置，其主要設備及功能如表1所示。 

圖  1  近紅外檢測裝置示意圖

Figure  1.  Schematic diagram of near-infrared detection device

1.2   試樣選取

試驗選取云南地區服役不同時間后4類（a、b、c、d）腐蝕狀態的ACSR作為試樣，如圖2所示。其中，a類為未腐蝕試樣，外表光亮，無任何腐蝕產物和點蝕坑洞；b類和c類分別為服役18 a和29 a后試樣，表面呈現暗銀色，其截面已經完全失去金屬光澤，還出現了腐蝕“麻點”及腐蝕坑，無明顯的黃色銹蝕斑點，但縫隙有極少量的黃色銹蝕；d類為服役37 a后試樣，表面基本被黃色的銹蝕覆蓋，內部鋼芯基體也遭受到嚴重的腐蝕，內層鋼芯腐蝕產物FeOOH通過絞線縫隙和點蝕孔洞逐漸滲透至外層鋁線表面，進而出現大量黃色的銹蝕斑點。 

圖  2  服役不同時間后4類腐蝕狀態的ACSR試樣

Figure  2.  ACSR samples in four types of corrosion states after service for different periods of time: (a) uncorroded ACSR; (b,c,d) ACSRs in service for 18 a, 29 a, 37 a

在鋼芯腐蝕產物剛好溢出至表面這一時段，人眼或視覺識別無法分辨ACSR表面是否有鋼芯腐蝕產物，因此需要通過近紅外檢測及時發現該問題，同時也提出了一種通過非主觀經驗判斷ACSR腐蝕狀態的檢測方法。 

1.3   近紅外光譜數據采集

ACSR腐蝕產物屬于附著型固體，大部分近紅外光都會被吸收或者漫反射。因此，作者通過對ACSR進行腐蝕檢測獲得近紅外反射光譜數據，其反射率（R）為 

式中：I為實時光譜強度；I0為采集的參考光譜強度；Idark為采集的暗光譜強度。暗光譜是無光源情況下由電路、儀器等引起的信號。式（1）中已消除環境光造成的影響。 

由于不同物質對紅外光的吸收波段不同，所以在利用近紅外光譜技術對不同腐蝕狀態下ACSR表面附著腐蝕產物進行定性分析時，需要先通過標準正態變量處理將數據歸一化至相同的尺度，避免因測量數值大小不同對后續分析產生影響。 

1.4   數據分析方法

圖3為近紅外光譜數據處理流程圖。首先，通過近紅外光譜儀測量，得到試樣的原始光譜，再通過標準正態變量處理將光譜數據歸一到相同尺度上；然后，對比分析獲得最佳光譜數據預處理方法，并通過LPG選擇最佳建模波長；最后，利用PCA降維的得分數據作為輸入端輸入SVR模型，經POA優化后建立POA-SVR模型，達到分類識別的目的。 

圖  3  近紅外光譜數據處理流程圖

Figure  3.  Flowchart of data processing of near-infrared spectroscopy

1.4.1   主成分分析原理

PCA是一種常用的多元統計分析和降維技術，用于探索數據中的模式和結構，可從光譜數據中提取重要信息[21]。PCA通過因子分析即對數據矩陣進行特征分析、旋轉變換等操作，獲得相關信息。本研究基于奇異值（SVD）分解協方差矩陣實現PCA算法。對一個給定的m行n列的數據集D進行SVD分解，如式（2）所示。 

式中：U、S和V為SVD分解出的三個向量。其中，U為左奇異向量矩陣，表示數據在原始空間的投影，代表原始數據在奇異值分解中的旋轉部分；S為奇異值矩陣，包含矩陣的奇異值（矩陣特征值的平方根），反映了矩陣中的數據方差，奇異值從大到小排列，較大的奇異值對應主成分中貢獻較大的方向；V為右奇異向量矩陣，包含輸入數據的特征向量（載荷），載荷是近紅外光譜各波段反射值在主成分中的權重系數，反映了每個變量對主成分變化的貢獻程度，確定哪些波段對數據變異具有重要影響；R為投影向量（得分），表示每個樣本在主成分上的投影值，反映了原始數據點在由主成分組成的低維空間中的位置，并識別出樣本之間的差異或分組情況。 

R既可以用作降維數據集，也可用于聚類分析。載荷數據可以反映各變量之間的關系。當載荷數據點與原點連線時，若兩變量連線夾角較小，則兩變量相關性（正相關）較強，當夾角接近180°時，兩變量呈現負相關。在PCA過程中，通過繪制主成分圖，評估不同組試樣之間的聚類情況。得分圖反映了樣本之間的關系，載荷圖反映了變量之間的關系。結合得分圖和載荷圖，能夠探索樣本與變量之間的相關性，兩者結果越接近，則相關性越強。 

1.4.2   光譜數據預處理方法與潛在投影圖

在實際近紅外光譜檢測過程中，不可能保證測試條件完全一致，光漫反射會對檢測結果產生一定影響，同時樣品成分含量以及噪聲等因素也會影響光譜，使光譜之間的強度變化較明顯，光譜信息重疊情況嚴重，很難直觀鑒別各樣品的峰位、峰強等特征信息。因此，還需對近紅外光譜數據進行預處理以改善數據的質量、可解釋性和可用性，從而提高數據分析和建模的效率及精度[22]。采用Savitzky-Golay平滑處理可降低光譜的隨機噪聲和提高光譜信噪比；采用Savitzky-Golay一階導數可扣除光譜中的背景；采用趨勢校正（DT）可去除光譜中一些非譜學性的變化。利用主成分分析中主成分方差解釋率的最大值選擇最佳預處理方法[23]。 

每次近紅外檢測都會得到449組數據（不同波長及其對應的反射率），其中有些波長可能與測試物質的性質密切相關，但有些波長可能是無信息的。某些波長特征或信息可以通過其他特征或信息線性組合來表示。因此有必要從449組數據中提取最佳波長建立模型。LPG是化學因子分析中一種用于分析連接性數據的技術[24]。首先通過PCA獲得數據矩陣的潛變量（載荷）和對象在潛變量上的投影（得分），然后通過載荷圖分析數據矩陣的性質，潛變量是測量變量的線性組合，并且投影定義了由潛變量構成的簡化變量空間中的樣本關系。與其他變量選擇算法相比，LPG是一種簡單且高效的變量選擇方法[24]。該方法通過對近紅外光譜數據矩陣執行主成分計算LPG（載荷圖），然后從LPG中檢測非共線變量，以LPG拐點處的變量建立模型。 

1.4.3   支持向量機回歸

SVR是一種基于支持向量機的監督學習方法，在解決小樣本和非線性的回歸建模問題時具有很大的優勢[25]。首先，利用PCA降維的數據作為輸入端，對不同腐蝕狀態進行數值編號并將其作為目標值，然后建立導線腐蝕狀態判別的SVR分類模型。為了提高SVR分類模型的精度，引入POA，該算法是根據鵜鶘在捕獵時的行為和策略提出的一種智能優化算法[26]。通過POA優化SVR的懲罰參數C與核參數g，進一步提升分類模型的性能，其方法流程如圖4所示。 

圖  4  POA尋優SVR參數流程圖

Figure  4.  Flowchart of POA optimizing SVR parameters

2.   結果與討論

2.1   近紅外光譜數據采集及預處理

在1 000~1 800 nm光譜波長范圍內，對140根導線試樣（a、b、c、d類腐蝕狀態試樣的數量分別為20、50、50、20根）進行近紅外光譜測試，從距探頭約1 cm處垂直掃描最外層鋁線中心，光斑直徑約為1.5 mm，得到近紅外原始光譜數據。每根試樣同一處掃描5次，以去除異常光譜數據后的平均值作為該樣品的近紅外反射光譜數據，并對光譜數據進行了標準正態變量（SNV）處理，其結果如圖5所示。 

圖  5  經標準正態變量處理后的4類試樣光譜圖

Figure  5.  Spectrograms of four types of samples after treatment with standard normal variables

由圖5可見，雖然這些導線在不同腐蝕狀態下的腐蝕產物存在差異，但由于它們的主要元素仍是鋁，因此，其光譜的波峰、波谷處重合度極高，難以通過該光譜直接區分。為了解決這一問題，需要采用合適的光譜預處理方法，從光譜中提取有效特征信息即篩選出有代表性的波長。結合不同預處理方法，再通過前兩主成分（第一主成分PC1和第二主成分PC2）分析得到方差解釋率（對總方差的貢獻比例），結果如表2所示。 

表2中前兩主成分PC1+PC2方差解釋率超過98%（可以解釋原光譜98%以上信息）的有①、③、⑤共3種預處理方法，這表明不同腐蝕狀態試樣的化學性質因其腐蝕產物成分不同而不同。其中，預處理③的方差解釋率最高，達到了99.16%，即采用該預處理方法時前兩個主成分可以代替原光譜數據中最多99.16%的信息。 

2.2   近紅外波長選擇

近紅外光譜數據存在著冗余性，對數據進行SNV處理和Savitzky-Golay平滑預處理即預處理③后，通過LPG對近紅外波長進行篩選。主成分的載荷圖如圖6所示。 

圖  6  經SNV處理和Savitzky-Golay平滑預處理后主成分載荷圖

Figure  6.  Diagram of principal component loading plot after SNV processing and Savitzky-Golay smooth preprocessing

由前文分析可知，經SNV處理和Savitzky-Golay平滑預處理后，PC1和PC2的方差解釋率分別為71.00%和28.16%，累計方差解釋率達到99.16%。這表明這兩個主成分能夠表達99.16%的原始近紅外光譜信息。在載荷圖中，各載荷點反映了對應波長對主成分變化的貢獻大小。通過分析，可以識別具有顯著影響的關鍵波長。在圖6中，選擇的波長均位于載荷圖的拐點，分別為1 052.904、1 121.885、1 179.405、1 233.530、1 300.114、1 393.117、1 429.198、1 490.149、1 566.309、1 635.826 nm。這些拐點清晰地展示了各峰間相對強度的逐漸變化，以及左右直線變量的非共線性。這10個近紅外波長將作為最佳波長用來構建模型。 

2.3   試樣腐蝕狀態的主成分分析

將SNV處理和Savitzky-Golay平滑預處理后獲得的10個最佳波長進行PCA，獲得降維后的二維得分數據和4類樣本可視化聚類結果，結果如圖7所示。 

圖  7  PCA得分圖（SNV處理和Savitzky-Golay平滑預處理后10個最佳波長）

Figure  7.  PCA score plots (10 optimum wave lengths after SNV processing and Savitzky-Golay smooth preprocessing)

分析結果中PC1和PC2的方差解釋率之和為99%，即該兩個主成分表達了原始光譜數據信息的99%。從圖7中可以看出，a類和d類腐蝕狀態聚類明顯，而b類與c類腐蝕狀態出現了部分交集，即無法從PCA得分結果完全區分b類與c類試樣的腐蝕狀態。 

2.4   支持向量機回歸分類建模

圖7中的PCA結果并不能完全解決b類與c類腐蝕狀態的分類，因此先采用SVR模型進一步實現分類目的。利用上述主成分降維出的前兩主成分得分數據作為SVR模型的輸入集，并將4類腐蝕狀態標簽（分別設為0、1、2、3）作為目標值。通過SVR建立回歸模型，默認設置SVR模型懲罰參數C=1，核參數g=0.5，結果如圖8所示。 

圖  8  默認參數下SVR模型的識別結果

Figure  8.  Recognition results of SVR model with default parameters

若腐蝕狀態標簽實際值與目標值之間的差值小于0.5，則將模型分類結果視為正確。該SVR模型的整體分類準確率為92.14%，仍然存在一定的偏差，這表明一些不可靠特征對模型產生了影響。因此，需要對參數進行優化以減小這種影響，從而提高模型的判別率。 

經POA尋優后，SVR模型的懲罰參數C=2.12，核參數g=0.57，最后結果如表3所示。結果表明，POA優化后模型識別b類和c類腐蝕狀態的正確率分別提高了4%和8%，整體正確率提高了4.29%，最終腐蝕狀態識別率達到96.43%，其實際值與目標值的偏差較小，模型整體識別效果良好。 

2.5   試驗驗證

為了進一步驗證POA-SVR模型的可靠性，采用能譜分析儀（EDS）對4類腐蝕狀態試樣表面進行化學元素分析，結果如表4所示。EDS分析結果表明，d類腐蝕狀態試樣表面含有較多的Fe元素，c類腐蝕狀態試樣表面僅有極少量的Fe元素，這表明d類腐蝕狀態試樣的鋼基體已經遭受嚴重的破壞，c類腐蝕狀態試樣的鋼芯腐蝕產物已經開始往表面滲透。但b類和c類腐蝕狀態試樣的表面特征幾乎一致，難以通過觀察區分，通過上述近紅外來光譜技術結合分類模型可以實現對b類和c類腐蝕狀態的分類識別。 

因此，將表面附著少量鋼芯腐蝕產物的c類腐蝕狀態作為導線鋼芯腐蝕的臨界狀態，此時該腐蝕狀態導線的鋼芯已經失去鍍鋅層的保護，在隨后的腐蝕過程中將加劇腐蝕，直至鋼芯斷股。當檢測出輸電線屬于c類腐蝕狀態時，應及時采取相關處理或更換導線，以避免發生斷線及嚴重安全事故。 

3.   結論

（1）采用標準正態變量處理和Savitzky-Golay平滑預處理，可使最大方差解釋率達到99.16%。利用LPG篩選了10處最佳波長作為建模變量。結合最佳的預處理方法和最佳的波長，利用主成分分析得分圖得到樣本的可視化聚類結果，同時獲取經降維后的二維得分數據。 

（2）利用主成分降維數據結合支持向量機建立了分類模型，并用鵜鶘算法優化支持向量機回歸分類模型的參數以提高模型分類精度，最終模型的分類準確率達到96.43%。

文章來源——材料與測試網