鋼芯鋁絞線（ACSR）是輸電系統(tǒng)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(guān)重要[1]。然而，受大氣中水分、化學(xué)氣體和鹽類介質(zhì)等因素侵蝕的影響，ACSR在使用過程中容易發(fā)生腐蝕。腐蝕會導(dǎo)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(qū)，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(jīng)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(tǒng)方法無法準確區(qū)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(shè)備體積龐大，不適合現(xiàn)場操作，因此未對在役導(dǎo)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(jù)特定波長的反射光強度比率判斷輸電線鋼芯的腐蝕狀態(tài)，然后基于鐵銹（鋼芯腐蝕產(chǎn)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(jù)。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(chǎn)物的主要穩(wěn)定成分為纖鐵礦（γ-FeOOH），當腐蝕產(chǎn)物累積到一定程度時，部分γ-FeOOH會轉(zhuǎn)變?yōu)橄鄬Ψ€(wěn)定的α-FeOOH和Fe3O4[18]。X射線衍射、能譜儀等設(shè)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(shù)因檢測時間較長以及微波和毫米波成像技術(shù)感應(yīng)距離短，也不適合原位檢測。

相對上述技術(shù)，近紅外光譜技術(shù)具有檢測速度快、無需樣本預(yù)處理、檢測精度高、非接觸檢測和設(shè)備體積小等優(yōu)點，可以適用于現(xiàn)場原位檢測[19]，在化工領(lǐng)域的應(yīng)用也越來越廣泛[20]。因此，作者基于近紅外光譜技術(shù)，提出了ACSR鋼芯腐蝕的原位檢測方法。首先，對原始光譜數(shù)據(jù)預(yù)處理提高數(shù)據(jù)質(zhì)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(tài)與波長的主成分分析（PCA）進行數(shù)據(jù)降維；最后，將PCA降維得分數(shù)據(jù)作為輸入端，輸入經(jīng)鵜鶘優(yōu)化算法（POA）優(yōu)化參數(shù)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(shè)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(qū)服役不同時間后4類（a、b、c、d）腐蝕狀態(tài)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(chǎn)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(xiàn)暗銀色，其截面已經(jīng)完全失去金屬光澤，還出現(xiàn)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(nèi)部鋼芯基體也遭受到嚴重的腐蝕，內(nèi)層鋼芯腐蝕產(chǎn)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(xiàn)大量黃色的銹蝕斑點。

圖 2服役不同時間后4類腐蝕狀態(tài)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(chǎn)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(chǎn)物，因此需要通過近紅外檢測及時發(fā)現(xiàn)該問題，同時也提出了一種通過非主觀經(jīng)驗判斷ACSR腐蝕狀態(tài)的檢測方法。

1.3 近紅外光譜數(shù)據(jù)采集

ACSR腐蝕產(chǎn)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(shù)據(jù)，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(huán)境光造成的影響。

由于不同物質(zhì)對紅外光的吸收波段不同，所以在利用近紅外光譜技術(shù)對不同腐蝕狀態(tài)下ACSR表面附著腐蝕產(chǎn)物進行定性分析時，需要先通過標準正態(tài)變量處理將數(shù)據(jù)歸一化至相同的尺度，避免因測量數(shù)值大小不同對后續(xù)分析產(chǎn)生影響。

1.4 數(shù)據(jù)分析方法

圖3為近紅外光譜數(shù)據(jù)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(tài)變量處理將光譜數(shù)據(jù)歸一到相同尺度上；然后，對比分析獲得最佳光譜數(shù)據(jù)預(yù)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(shù)據(jù)作為輸入端輸入SVR模型，經(jīng)POA優(yōu)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(shù)據(jù)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(tǒng)計分析和降維技術(shù)，用于探索數(shù)據(jù)中的模式和結(jié)構(gòu)，可從光譜數(shù)據(jù)中提取重要信息[21]。PCA通過因子分析即對數(shù)據(jù)矩陣進行特征分析、旋轉(zhuǎn)變換等操作，獲得相關(guān)信息。本研究基于奇異值（SVD）分解協(xié)方差矩陣實現(xiàn)PCA算法。對一個給定的m行n列的數(shù)據(jù)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(shù)據(jù)在原始空間的投影，代表原始數(shù)據(jù)在奇異值分解中的旋轉(zhuǎn)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(shù)據(jù)方差，奇異值從大到小排列，較大的奇異值對應(yīng)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(shù)據(jù)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(quán)重系數(shù)，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(shù)據(jù)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(shù)據(jù)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(shù)據(jù)集，也可用于聚類分析。載荷數(shù)據(jù)可以反映各變量之間的關(guān)系。當載荷數(shù)據(jù)點與原點連線時，若兩變量連線夾角較小，則兩變量相關(guān)性（正相關(guān)）較強，當夾角接近180°時，兩變量呈現(xiàn)負相關(guān)。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(guān)系，載荷圖反映了變量之間的關(guān)系。結(jié)合得分圖和載荷圖，能夠探索樣本與變量之間的相關(guān)性，兩者結(jié)果越接近，則相關(guān)性越強。

1.4.2 光譜數(shù)據(jù)預(yù)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(jié)果產(chǎn)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(shù)據(jù)進行預(yù)處理以改善數(shù)據(jù)的質(zhì)量、可解釋性和可用性，從而提高數(shù)據(jù)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(dǎo)數(shù)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(xué)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(yù)處理方法[23]。

每次近紅外檢測都會得到449組數(shù)據(jù)（不同波長及其對應(yīng)的反射率），其中有些波長可能與測試物質(zhì)的性質(zhì)密切相關(guān)，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(shù)據(jù)中提取最佳波長建立模型。LPG是化學(xué)因子分析中一種用于分析連接性數(shù)據(jù)的技術(shù)[24]。首先通過PCA獲得數(shù)據(jù)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(shù)據(jù)矩陣的性質(zhì)，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(gòu)成的簡化變量空間中的樣本關(guān)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(shù)據(jù)矩陣執(zhí)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(jiān)督學(xué)習(xí)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(yōu)勢[25]。首先，利用PCA降維的數(shù)據(jù)作為輸入端，對不同腐蝕狀態(tài)進行數(shù)值編號并將其作為目標值，然后建立導(dǎo)線腐蝕狀態(tài)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(jù)鵜鶘在捕獵時的行為和策略提出的一種智能優(yōu)化算法[26]。通過POA優(yōu)化SVR的懲罰參數(shù)C與核參數(shù)g，進一步提升分類模型的性能，其方法流程如圖4所示。

圖 4POA尋優(yōu)SVR參數(shù)流程圖

Figure 4.Flowchart of POA optimizing SVR parameters

2. 結(jié)果與討論

2.1 近紅外光譜數(shù)據(jù)采集及預(yù)處理

在1 000~1 800 nm光譜波長范圍內(nèi)，對140根導(dǎo)線試樣（a、b、c、d類腐蝕狀態(tài)試樣的數(shù)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(shù)據(jù)。每根試樣同一處掃描5次，以去除異常光譜數(shù)據(jù)后的平均值作為該樣品的近紅外反射光譜數(shù)據(jù)，并對光譜數(shù)據(jù)進行了標準正態(tài)變量（SNV）處理，其結(jié)果如圖5所示。

圖 5經(jīng)標準正態(tài)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(dǎo)線在不同腐蝕狀態(tài)下的腐蝕產(chǎn)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(qū)分。為了解決這一問題，需要采用合適的光譜預(yù)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(jié)合不同預(yù)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(jié)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(yù)處理方法，這表明不同腐蝕狀態(tài)試樣的化學(xué)性質(zhì)因其腐蝕產(chǎn)物成分不同而不同。其中，預(yù)處理③的方差解釋率最高，達到了99.16%，即采用該預(yù)處理方法時前兩個主成分可以代替原光譜數(shù)據(jù)中最多99.16%的信息。

2.2 近紅外波長選擇

近紅外光譜數(shù)據(jù)存在著冗余性，對數(shù)據(jù)進行SNV處理和Savitzky-Golay平滑預(yù)處理即預(yù)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(jīng)SNV處理和Savitzky-Golay平滑預(yù)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(jīng)SNV處理和Savitzky-Golay平滑預(yù)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(yīng)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(guān)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(gòu)建模型。

2.3 試樣腐蝕狀態(tài)的主成分分析

將SNV處理和Savitzky-Golay平滑預(yù)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(shù)據(jù)和4類樣本可視化聚類結(jié)果，結(jié)果如圖7所示。

圖 7PCA得分圖（SNV處理和Savitzky-Golay平滑預(yù)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(jié)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(shù)據(jù)信息的99%。從圖7中可以看出，a類和d類腐蝕狀態(tài)聚類明顯，而b類與c類腐蝕狀態(tài)出現(xiàn)了部分交集，即無法從PCA得分結(jié)果完全區(qū)分b類與c類試樣的腐蝕狀態(tài)。

2.4 支持向量機回歸分類建模

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

圖 8默認參數(shù)下SVR模型的識別結(jié)果

Figure 8.Recognition results of SVR model with default parameters

若腐蝕狀態(tài)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(jié)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(chǎn)生了影響。因此，需要對參數(shù)進行優(yōu)化以減小這種影響，從而提高模型的判別率。

經(jīng)POA尋優(yōu)后，SVR模型的懲罰參數(shù)C=2.12，核參數(shù)g=0.57，最后結(jié)果如表3所示。結(jié)果表明，POA優(yōu)化后模型識別b類和c類腐蝕狀態(tài)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(tài)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(tài)試樣表面進行化學(xué)元素分析，結(jié)果如表4所示。EDS分析結(jié)果表明，d類腐蝕狀態(tài)試樣表面含有較多的Fe元素，c類腐蝕狀態(tài)試樣表面僅有極少量的Fe元素，這表明d類腐蝕狀態(tài)試樣的鋼基體已經(jīng)遭受嚴重的破壞，c類腐蝕狀態(tài)試樣的鋼芯腐蝕產(chǎn)物已經(jīng)開始往表面滲透。但b類和c類腐蝕狀態(tài)試樣的表面特征幾乎一致，難以通過觀察區(qū)分，通過上述近紅外來光譜技術(shù)結(jié)合分類模型可以實現(xiàn)對b類和c類腐蝕狀態(tài)的分類識別。

因此，將表面附著少量鋼芯腐蝕產(chǎn)物的c類腐蝕狀態(tài)作為導(dǎo)線鋼芯腐蝕的臨界狀態(tài)，此時該腐蝕狀態(tài)導(dǎo)線的鋼芯已經(jīng)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(tài)時，應(yīng)及時采取相關(guān)處理或更換導(dǎo)線，以避免發(fā)生斷線及嚴重安全事故。

3. 結(jié)論

（1）采用標準正態(tài)變量處理和Savitzky-Golay平滑預(yù)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(jié)合最佳的預(yù)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(jié)果，同時獲取經(jīng)降維后的二維得分數(shù)據(jù)。

（2）利用主成分降維數(shù)據(jù)結(jié)合支持向量機建立了分類模型，并用鵜鶘算法優(yōu)化支持向量機回歸分類模型的參數(shù)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(wǎng)