CN109031066A - 一种基于激光诱导击穿光谱技术的耐漏电起痕测量方法 - Google Patents

Abstract

一种基于激光诱导击穿光谱技术的耐漏电起痕测量方法，包括：S1、准备多个绝缘材料样品，并得到各样品的耐漏电起痕等级；S2、使用激光诱导击穿光谱方法，用脉冲激光光束照射各绝缘材料样品，获得对应的等离子体特征光谱数据；S3、建立等离子体特征光谱数据与耐漏电起痕等级的函数关系；S4、使用激光诱导击穿光谱方法，用相同能量的脉冲激光光束照射待测绝缘材料，获得待测绝缘材料的等离子体特征光谱数据；S5、根据待测绝缘材料表面产生的等离子体特征光谱数据，利用所述函数关系，确定待测绝缘材料的耐漏电起痕等级。利用本方法可以对绝缘材料进行远程、带电的现场测试，快速测量耐漏电起痕等级。

Description

一种基于激光诱导击穿光谱技术的耐漏电起痕测量方法

技术领域

本发明属于材料耐漏电起痕测量技术，具体涉及一种基于激光诱导击穿光谱技术的耐漏电起痕测量方法。

背景技术

目前测量硅橡胶材料耐漏电起痕性能的标准为GB/T 6553-2014(严酷环境条件下使用的电气绝缘材料评定耐电痕化和蚀损的试验方法)。在此标准下，需要制备标准大小的硅橡胶片，配制标准污秽夜，在某一特定测试等级下对同种硅橡胶材料进行5次斜面法试验。通常至少要经过两种测试等级才能确定硅橡胶的耐漏电起痕等级。这种方法过程繁杂，需要制样、配制溶剂、加电压、测量时间长(每次最长6小时)，不利用于快速确定硅橡胶耐漏电起痕等级，也无法应用于现场测量。

激光诱导击穿光谱技术(Laser-induce Breakdown Spectroscopy，简称LIBS)是通过将脉冲激光聚焦到待测样品表面进行烧蚀，从而产生等离子体，等离子体冷却时发出与元素含量有紧密联系的特征光谱，利用光谱仪采集特征光谱，可以实现对样品的成分分析。

发明内容

本发明主要是针对用传统方法测量绝缘材料耐漏电起痕性能时，过程繁杂，需要制样、配制污染液、加电压操作、测量时间长，也无法应用于现场测量等不足之处，提出一种基于激光诱导击穿光谱技术的耐漏电起痕测量方法，可以进行远程、带电的现场测试，快速而精确地测量绝缘材料耐漏电起痕性能。

为实现上述目的，本发明采用以下技术方案：

一种基于激光诱导击穿光谱技术的耐漏电起痕测量方法，包括以下步骤：

S1、准备耐漏电起痕等级不同的多个绝缘材料样品，并得到各样品的耐漏电起痕等级；

S2、使用激光诱导击穿光谱方法，用脉冲激光光束照射各绝缘材料样品，获得不同耐漏电起痕等级对应的等离子体特征光谱数据；

S3、建立激光诱导击穿光谱方法对不同耐漏电起痕等级的绝缘材料产生的等离子体特征光谱数据与耐漏电起痕等级的函数关系；

S4、使用激光诱导击穿光谱方法，用相同能量的脉冲激光光束照射待测绝缘材料，获得待测绝缘材料的等离子体特征光谱数据；

S5、根据待测绝缘材料表面产生的等离子体特征光谱数据，利用步骤S3得到的等离子体特征光谱数据与耐漏电起痕等级的函数关系，确定待测绝缘材料的耐漏电起痕等级。

进一步地：

所述绝缘材料为硅橡胶材料，所述硅橡胶材料是通过调整氢氧化铝与白炭黑填料的份数对耐漏电起痕性能进行调节。

步骤S1中，各样品的耐漏电起痕等级通过斜面法测量得到。

步骤S1中，所述斜面法判断样品无法通过测试的标准是检查泄漏电流是否大于60mA并持续2s以上。

步骤S2中，在各样品的表面选择3到5个测量点，每个点轰击50到100下，得到各样品的等离子体特征光谱数据集。

步骤S2中，等离子体特征光谱数据包括谱线强度，建立一个等离子体特征光谱数据集，每一列记录一次LIBS测试光谱在不同波段上的强度，建立另一个数据集记录每次LIBS测试对应的样品的耐漏电起痕等级。

步骤S3中，利用等离子体特征光谱数据与对应的耐漏电起痕等级训练神经网络的权重，训练得到神经网络分类模型；步骤S5中，根据步骤S4中测量的等离子体特征光谱数据，利用训练好的神经网络分类模型进行预测分类，确定待测绝缘材料的耐漏电起痕等级。

步骤S3中，所述神经网络的输入为一次LIBS测试的光谱数据，输出为耐漏电起痕等级，用一个n×1矩阵表示，(1，0，…，0)，(0，1，…，0)，…，(0，0，…，1)分别表示n个不同的耐漏电起痕等级，所述神经网络包含了多个隐含层，从用于训练神经网络的数据集中随机划分预定比例的数据对作为训练集，另一预定比例的数据作为验证集，剩下的数据作为预测集。

步骤S4中，对同一样品进行多次LIBS测试，步骤S5中，并将多次LIBS测试的光谱数据输入到所述神经网络中得到相应的耐漏电起痕等级预测结果，将每个等级出现的次数进行归一化，得到当前样品属于特定等级的概率。

作为所述函数关系的自变量的等离子体特征光谱数据可为部分谱线数据或全谱线数据；光谱数据与耐漏电起痕等级的之间的数学模型使用偏最小二乘法拟合等其他机器学习算法模型。

本发明的有益效果：

本发明利用在激光能量不变的情况下，硅橡胶材料中不同份数的氢氧化铝与白炭黑填料会导致光谱信号发生改变，因此可以先通过传统方法如斜面法测定不同填料份数的高温胶的耐漏电起痕等级，并对每个样品进行LIBS测试，将高能脉冲聚焦到硅橡胶材料表面上进行烧蚀产生等离子体，利用光谱仪采集等离子体特征光谱数据，建立光谱数据与耐漏电起痕等级的函数关系，则可以通过测量未知样品的光谱数据，应用上述对应关系即可实现LIBS技术对耐漏电起痕等级的测量。

优选地，可利用光谱数据与对应的耐漏电起痕等级训练神经网络的权重，则可以通过测量未知样品的光谱数据，应用上述神经网络模型进行计算分类，从而实现LIBS技术对耐漏电起痕等级的测量。

本发明可应用于对现场的远程、带电的绝缘材料进行耐漏电起痕等级测量，快速地判断复合绝缘材料如绝缘子的硅橡胶材料的耐漏电起痕等级，获得其运行状态。

相比现有的测量方法，本发明的方法具有无需特别取样，操作方便，分析速度快的优点，可以在停电检修期间对杆塔的多个绝缘子串和单支绝缘子的多个伞裙进行表面耐漏电起痕等级测量。通过本发明的应用，可以快速判定输电线路器件的绝缘材料的耐漏电起痕等级，根据实际情况进行器件的更换或者维护，保证电力系统的安全运行。

附图说明

图1为本发明基于激光诱导击穿光谱技术的耐漏电起痕测量方法一种实施例的流程图。

图2为本发明一个具体实施例中建立的神经网络结构示意图。

图3为本发明一个具体实施例中的神经网络训练结果(1200组数据)。

具体实施方式

以下对本发明的实施方式作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

参阅图1，在一种实施例中，一种基于激光诱导击穿光谱技术的耐漏电起痕测量方法，包括以下步骤：

S1、准备耐漏电起痕等级不同的多个绝缘材料样品，并得到各样品的耐漏电起痕等级；

S2、使用激光诱导击穿光谱方法，用脉冲激光光束照射各绝缘材料样品，获得不同耐漏电起痕等级对应的等离子体特征光谱数据；

S3、建立激光诱导击穿光谱方法对不同耐漏电起痕等级的绝缘材料产生的等离子体特征光谱数据与耐漏电起痕等级的函数关系；

S4、使用激光诱导击穿光谱方法，用相同能量的脉冲激光光束照射待测绝缘材料，获得待测绝缘材料的等离子体特征光谱数据；

S5、根据待测绝缘材料表面产生的等离子体特征光谱数据，利用步骤S3得到的等离子体特征光谱数据与耐漏电起痕等级的函数关系，确定待测绝缘材料的耐漏电起痕等级。

在典型的实施例中，所述绝缘材料为硅橡胶材料，所述硅橡胶材料是通过调整氢氧化铝与白炭黑填料的份数对耐漏电起痕性能进行调节。

在典型的实施例中，步骤S1中，各样品的耐漏电起痕等级通过斜面法测量得到。

在优选的实施例中，步骤S1中，所述斜面法判断样品无法通过测试的标准是检查泄漏电流是否大于60mA并持续2s以上。

在优选的实施例中，步骤S2中，在各样品的表面选择3到5个测量点，每个点轰击50到100下，得到各样品的等离子体特征光谱数据集。

在优选的实施例中，步骤S2中，等离子体特征光谱数据包括谱线强度，建立一个等离子体特征光谱数据集，每一列记录一次LIBS测试光谱在不同波段上的强度，建立另一个数据集记录每次LIBS测试对应的样品的耐漏电起痕等级。

在优选的实施例中，步骤S3中，利用等离子体特征光谱数据与对应的耐漏电起痕等级训练神经网络的权重，训练得到神经网络分类模型；步骤S5中，根据步骤S4中测量的等离子体特征光谱数据，利用训练好的神经网络分类模型进行预测分类，确定待测绝缘材料的耐漏电起痕等级。

在更优选的实施例中，步骤S3中，所述神经网络的输入为一次LIBS测试的光谱数据，输出为耐漏电起痕等级，用一个n×1矩阵表示，(1，0，…，0)，(0，1，…，0)，…，(0，0，…，1)分别表示n个不同的耐漏电起痕等级，n例如是3，所述神经网络包含了多个隐含层，从用于训练神经网络的数据集中随机划分预定比例的数据对作为训练集，另一预定比例的数据作为验证集，剩下的数据作为预测集。

在更优选的实施例中，步骤S4中，对同一样品进行多次LIBS测试，步骤S5中，并将多次LIBS测试的光谱数据输入到所述神经网络中得到相应的耐漏电起痕等级预测结果，将每个等级出现的次数进行归一化，得到当前样品属于特定等级的概率。

在不同的实施例中，作为所述函数关系的自变量的等离子体特征光谱数据可为部分谱线数据，也可以为全谱线数据。

在不同的实施例中，光谱数据与耐漏电起痕等级的之间的数学模型还可以使用如偏最小二乘法拟合等其他机器学习算法模型。

以下结合具体实施例进行描述本发明的原理、特征和优点。

一种基于激光诱导击穿光谱技术的耐漏电起痕测量方法，具体实现方案如下：

LIBS装置搭建

LIBS装置主要包括激光器、光谱仪、延时控制器、光学元件。选择合适的激光能量、光谱仪积分时间与采集延时，以获得信噪比、信背比较高的光谱信号。

数据获取过程

1、准备多种不同氢氧化铝、白炭黑填料份数的硅橡胶试片(氢氧化铝份数10份到150份)；

2、通过斜面法确定每一种硅橡胶材料的耐漏电起痕等级，其中斜面法判断样品无法通过测试的标准是检查泄漏电流是否大于60mA并持续2s以上；

3、LIBS测试条件固定不变的条件下，对上述每个硅橡胶样品依次进行LIBS测试，在材料表面选择3到5个测量点，每个点轰击50到100下，得到各样品的特征光谱数据集。

4、建立两个数据集，一个是光谱数据集，每一列记录的是一次LIBS测试光谱在不同波段上的强度。另一个数据集是每个LIBS测试对应的硅橡胶的耐漏电起痕等级。

基于LIBS技术的耐漏电起痕等级测量模型建立

假设每种硅橡胶样品采集的光谱个数为150，则这150个光谱数据对应的输出结果应该都是该硅橡胶样品的耐漏电起痕等级。利用matlab的神经网络工具包进行建模，神经网络的输入为一次LIBS测试的光谱数据，输出为耐漏电起痕等级，用一个3×1矩阵表示，(1,0,0)，(0,1,0)，(0,0,1)分别表示2.5，3.5，4.5三个耐漏电起痕等级。神经网络包含了10个隐含层，用于训练神经网络的数据集大小为1200，从中随机划分70％的数据对作为训练集，15％的数据作为验证集，剩下15％的数据作为预测集。流程如图1所示，神经网络结构如图2所示。

表1神经网络预测值与实际值情况(2400组数据)

图3示出了训练集、验证集和预测集的结果，从中可以看到，神经网络对光谱数据与耐漏电起痕等级的分类效果很好，训练完毕后的神经网络对1200个光谱数据的分类正确率为100％。再额外加入1200组数据，输入到上述训练后的神经网络中，将预测结果与斜面法对应的等级进行对比后，发现总的分类正确率为95.62％，错误率为4.38％，将实际为3.5级的样品预测成了4.5级。

这里提到的正确率与错误率是单次LIBS测试的数据进行预测的结果，优选地，可以对同一硅橡胶样品进行多次轰击，并将所有光谱数据输入到神经网络中得到相应的耐漏电起痕等级预测结果，这时将每个等级出现的次数进行归一化，即可得到当前样品属于特定等级的概率。由于LIBS测量速度非常快，多次轰击(100-300次)增加的实验时间并不多，因此这种判断方法在不显著降低测量速度的前提下可以获得更为可靠的预测结果。如表1的结果所示，对于3.5级的样品，神经网络的输出结果表示该样品有88.32％(33.13/(33.13+4.38))的概率是3.5级，而有11.68％的概率是4.5级。

以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，其还可以对这些已描述的实施方式做出若干替代或变型，而这些替代或变型方式都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于激光诱导击穿光谱技术的耐漏电起痕测量方法，其特征在于，包括以下步骤：

S1、准备耐漏电起痕等级不同的多个绝缘材料样品，并得到各样品的耐漏电起痕等级；

S2、使用激光诱导击穿光谱方法，用脉冲激光光束照射各绝缘材料样品，获得不同耐漏电起痕等级对应的等离子体特征光谱数据；

S3、建立激光诱导击穿光谱方法对不同耐漏电起痕等级的绝缘材料产生的等离子体特征光谱数据与耐漏电起痕等级的函数关系；

S4、使用激光诱导击穿光谱方法，用相同能量的脉冲激光光束照射待测绝缘材料，获得待测绝缘材料的等离子体特征光谱数据；

S5、根据待测绝缘材料表面产生的等离子体特征光谱数据，利用步骤S3得到的等离子体特征光谱数据与耐漏电起痕等级的函数关系，确定待测绝缘材料的耐漏电起痕等级。

2.如权利要求1所述的耐漏电起痕测量方法，其特征在于，所述绝缘材料为硅橡胶材料，所述硅橡胶材料是通过调整氢氧化铝与白炭黑填料的份数对耐漏电起痕性能进行调节。

3.如权利要求1或2所述的耐漏电起痕测量方法，其特征在于，步骤S1中，各样品的耐漏电起痕等级通过斜面法测量得到。

4.如权利要求3所述的耐漏电起痕测量方法，其特征在于，步骤S1中，所述斜面法判断样品无法通过测试的标准是检查泄漏电流是否大于60mA并持续2s以上。

5.如权利要求1至4任一项所述的耐漏电起痕测量方法，其特征在于，步骤S2中，在各样品的表面选择3到5个测量点，每个点轰击50到100下，得到各样品的等离子体特征光谱数据集。

6.如权利要求1至5任一项所述的耐漏电起痕测量方法，其特征在于，步骤S2中，等离子体特征光谱数据包括谱线强度，建立一个等离子体特征光谱数据集，每一列记录一次LIBS测试光谱在不同波段上的强度，建立另一个数据集记录每次LIBS测试对应的样品的耐漏电起痕等级。

7.如权利要求1至6任一项所述的耐漏电起痕测量方法，其特征在于，步骤S3中，利用等离子体特征光谱数据与对应的耐漏电起痕等级训练神经网络的权重，训练得到神经网络分类模型；步骤S5中，根据步骤S4中测量的等离子体特征光谱数据，利用训练好的神经网络分类模型进行预测分类，确定待测绝缘材料的耐漏电起痕等级。

8.如权利要求7所述的耐漏电起痕测量方法，其特征在于，步骤S3中，所述神经网络的输入为一次LIBS测试的光谱数据，输出为耐漏电起痕等级，用一个n×1矩阵表示，(1，0，…，0)，(0，1，…，0)，…，(0，0，…，1)分别表示n个不同的耐漏电起痕等级，所述神经网络包含了多个隐含层，从用于训练神经网络的数据集中随机划分预定比例的数据对作为训练集，另一预定比例的数据作为验证集，剩下的数据作为预测集。

9.如权利要求7或8所述的耐漏电起痕测量方法，其特征在于，步骤S4中，对同一样品进行多次LIBS测试，步骤S5中，并将多次LIBS测试的光谱数据输入到所述神经网络中得到相应的耐漏电起痕等级预测结果，将每个等级出现的次数进行归一化，得到当前样品属于特定等级的概率。

10.如权利要求1至9任一项所述的耐漏电起痕测量方法，其特征在于，作为所述函数关系的自变量的等离子体特征光谱数据可为部分谱线数据或全谱线数据；光谱数据与耐漏电起痕等级的之间的数学模型使用偏最小二乘法拟合等其他机器学习算法模型。