基于變分模態算法的支柱瓷絕緣子損傷識別方法

羅宏建，張 杰，趙洲峰，焦敬品

（1.國網浙江省電力有限公司電力科學研究院，杭州 310014；2.北京工業大學 材料與制造學部，北京 100124）

0 引言

支柱瓷絕緣子在電網運行中主要起電氣絕緣和機械支撐作用［1］，使用量巨大，安全可靠性要求高。隨著服役年限的增加，受機械負荷、周期性溫度荷載和天氣環境等因素的影響，支柱瓷絕緣子的失效故障時有發生［2-5］。支柱瓷絕緣子的失效，輕則造成輸電線路短路，嚴重的可造成大面積停電事故，嚴重影響電網的安全穩定運行。因此亟需開展支柱瓷絕緣子無損檢測技術研究。

針對支柱瓷絕緣子缺陷檢測問題，國內外學者開展了大量研究［6-8］。如彭子健等［9］采用紅外熱成像方法對高壓支柱瓷絕緣子進行檢測；艾建勇等［10］介紹了瓷絕緣子污穢狀態的紫外圖像檢測方法；李曉紅等［11］討論了支柱瓷絕緣子的超聲檢測有效性。但是，這些檢測手段均存在有檢測盲區、檢測設備復雜、檢測準確率低等問題。

振動聲學檢測是一種通過分析被檢測工件的振動特性來診斷其材料是否損傷［12］的技術。張廣興［13］通過理論與實驗分析驗證了振動聲學檢測法的可行性。趙飛亞［14］分析了支柱瓷絕緣子振動聲學檢測方法的原理并討論了檢測位置的影響。但是這些研究大多關注支柱瓷絕緣子振動聲學檢測在實際應用中的可行性，因檢測時干擾因素多，工程適用性差，難以適應現場檢測需求，無法實現缺陷自動識別。

針對目前瓷絕緣子無損檢測研究現狀，本文研究了一種基于變分模態分解算法和BP（反向傳播）神經網絡的支柱瓷絕緣子損傷自動識別方法，以期解決高壓支柱瓷絕緣子損傷檢測問題。

1 聲信號的采集與分析

1.1 采集系統的搭建及信號的采集

為了采集瓷絕緣子的聲振動信號，搭建了瓷絕緣子實驗系統，如圖1所示。系統可完成激勵信號的產生，檢測信號的采集、顯示與分析處理。系統包括如下設備：

圖1 瓷絕緣子實驗系統

1）力傳感器和模態力錘：模態力錘的型號為YC-2，測力范圍是0～50 kN，靈敏度為0.345 mV/N。

2）聲壓傳感器：聲壓傳感器用于記錄激振后結構產生的空氣中的聲壓信號，并將傳感器所接收到的信號轉換成為電信號。

3）數字信號采集設備：包括HS3采集板卡和LabView 信號采集軟件，HS3是雙通道的采集板卡，可分別接收力錘所產生的力信號和聲壓傳感器所接收的聲信號，采集軟件分別記錄兩通道的信號。

實驗試件是某220 kV 支柱瓷絕緣子，瓷絕緣子總高度為2 350 mm，由5部分組成，分別是上、下法蘭盤，上下水泥膠合劑和瓷絕緣子支柱，其中上、下法蘭盤有4個預留的螺栓孔，瓷體傘裙上傘面傾斜角19°，下傘面傾斜角為7°。試件包括完好試件和缺陷試件各4件，試件缺陷情況如表1所示。將瓷絕緣子豎直放置在地上，將聲壓傳感器固定在瓷絕緣子下法蘭的側面，提離距離4～5 cm。用力錘敲擊下法蘭產生振動，聲壓傳感器采集支柱瓷絕緣子產生的聲信號，通過數字信號采集軟件送至計算機進行分析處理。

表1 缺陷試件情況

1.2 信號分析

每個完整試件共測得100～120 組力錘敲擊的聲信號，圖2（a）、圖2（c）、圖2（e）是最具代表性的子信號，每個子信號為5 100個采樣點數，持續時間為0.3 s。時域信號均為脈沖信號，信號的形狀相似，但僅從時域信號不能發現完整瓷絕緣子試件聲響應的共同點。

將時域信號轉換成頻域信號進行分析。對比圖2（b）完好試件頻域信號和圖2（d）缺陷試件頻域信號，發現缺陷試件頻譜能量最強的頻率在3 900 Hz 左右，而完好試件能量最強的頻率在1 950 Hz處左右。可見瓷絕緣子的損傷使聲信號的頻譜能量分布發生了改變，因此通過聲振動方法來檢測瓷絕緣子的損傷是可行的。

圖2 試件聲響應實驗結果

但僅從頻譜能量分布來判斷瓷絕緣子是否損傷還存在兩個問題：一是部分信號頻譜能量的改變不是很明顯，如通過完好試件1的頻譜信號很難判斷其是否發生了偏移，容易造成誤判。分析其原因，有可能是由于每次力錘敲擊不穩定所致，也有可能是聲壓傳感器被環境噪聲干擾所致，所以應引入信號的去噪算法，使得聲振動信號性能獲得改善。二是僅依靠人工從頻譜中觀察瓷絕緣子的狀態，不能實現智能識別。

2 基于變分模態分解的信號去噪聲方法

變分模態分解是一種新的自適應信號處理方法［15］。該方法假設每階本征模態函數具有不同中心頻率的有限帶寬，為使每個本征模態函數的帶寬之和最小，通過轉換解決變分問題，將各本征模態函數解調到相應的基頻帶，最終提取各個本征模態函數及其相應的中心頻率。瓷絕緣子實驗信號變分模態分解流程如圖3所示，主要包括分解層數的確定、信號的重構及BP 神經網絡應用3個步驟。

圖3 變分模態分解算法流程

2.1 分解層數的確認

將瓷絕緣子信號進行變分模態分解，采用能量法求解分解層數K。分解結果中各分量是正交關系，因此，從能量的角度分析，各本征模態函數分量的能量之和與原始信號相等。若算法存在過分解，其剩余項的能量值會與均值較接近，就會出現分解的信號分量能量之和大于原始信號能量的總能量。由于不同的信號分解能量值大小不同，定義分解能量差值參數η，即：

式中：Ep和Ex分別為原始信號及分解信號的能量值。

對于一系列K值對應的能量參數η，當其值經過若干個較小的值之后出現突然增大時，則此轉折點所對應的分解層數即為最合適的分解層數。對于每個瓷絕緣子中的100組子信號，隨機抽取5組信號做以上的10 層分解操作，對分解出的每層本征模態分量做分解能量差值參數η的計算。以試件4 為例，它的5 組信號的η值變化趨勢如圖4 所示，η值在K=4處出現了明顯的極值點，在K=5以后迅速增大，表明處理試件4的子信號時，將分解層數設置為4較合適。

圖4 試件4分解能量差值

2.2 變分模態分解及信號重構

設置好分解層數后，對瓷絕緣子試件信號進行變分模態分解計算。如圖5所示，試件4為完整瓷絕緣子，從中選取一個信號對其做變分模態分解。試件4 的最佳分解層數為4 層，所以圖5 包括5 個分量，分別是瓷絕緣子原始信號和分解后的4階本征模態分量，從幅值上可看出，信號被分解成為了2個主要成分和2個次要成分，對本征模態分量分別做FFT（快速傅立葉變換）操作，得到圖5（b）所示結果。

圖5 試件4信號變分模態分解結果

分解之后所產生的本征模態分量會存在冗余項，需確定一個判別標準，將虛假分量剔除后，重構信號，并產生新的子信號組，達到去除噪聲的目的。相關系數是一種可以反映變量之間緊密程度的參數。通過獲取與原始信號相關系數更高的本征模態分量作為有效分量進行重構，以消除變分模態分解的兩大難題：分解層數K選取困難和虛假模態的剔除。由式（2）可得瓷絕緣子原始信號與各階本征模態函數分量的互相關系數，即：

式中：Rx為原始信號的自相關系數；Rj為本征模態信號的自相關系數。

互相關系數rj的大小代表了本征模態分量與原始信號的相關性，其值越大，則代表本征模態分量與瓷絕緣子接收的原始信號相關程度越高；反之，則相關程度越低。試件4信號的自相關系數計算結果如表2所示。

表2 瓷絕緣子信號本征模態分量與原始信號相關系數

相關系數的值與圖5中本征模態函數分量的形狀相吻合，顯然第一階本征模態函數的相關系數最小。當計算好各階本征模態分量與原始信號的相關系數后，需要選取一個閾值來實現對虛假模態的判定，閾值的計算方法如式（3）所示：

式中：rmax為所有本征模態函數分量與原始信號的相關系數最大值，根據經驗設置系數m為10，修正量n為3。最終計算結果為ρ=0.153 5，所以將相關系數小于判定閾值ρ的本征模態函數分量剔除，即第一階本征模態函數分量。將余下的幾階本征模態分量相加，實現對信號的重構（如圖6 所示），可見該算法剔除了大部分噪聲及冗余分量。

圖6 原始信號與重構信號

3 基于BP神經網絡的損傷自動識別

BP神經網絡結構屬于多層神經網絡，其原理是利用誤差進行逆向傳播從而調整每個神經元之間的連接值進行學習。它可以對非線性的問題進行逼近求解和預測，適用范圍廣泛［16］。本文利用BP神經網絡分別對原始信號及變態分解重構后的信號進行損傷識別對比。

3.1 基于原始信號特征參數的識別

對前文所述8 個瓷絕緣子試件進行振動測試，獲得860個聲振動信號，其中含缺陷試件信號和完好試件信號各430個。將信號分為訓練樣本、測試樣本和驗證樣本，其中訓練和測試樣本共800 個，剩余60 個樣本為驗證樣本。每次從800 個信號中隨機抽取100個信號組成測試樣本，其余作為訓練樣本輸入BP神經網絡，設置網絡參數，將最大迭代次數提高到20 000 次，并且做10 次重復操作，取10 次識別率平均值作為評估BP 神經網絡算法的量度。10次識別率如表3所示。

表3 測試信號的BP神經網絡訓練結果

雖然10 次平均識別率達到了87.3%，但每次識別率波動較大，主要原因在于：一是每次測試信號為隨機抽取，所以神經網絡的訓練效果和識別效果差異較大；二是本組識別結果所選用的信號為聲壓傳感器直接接收的信號，由于傳感器較為敏感，所以環境中的噪聲也被傳感器接收到，降低了信號的特征提取效果，進而影響識別率。

將驗證信號組中的60 個采集信號通入表3 中與識別率均值最接近的第4 組BP 神經網絡模型中，得到結果如圖7所示。

圖7 原始信號識別結果

完整和損傷的瓷絕緣子信號都有一部分識別錯誤，其中，4 個無缺陷信號被歸類為含缺陷信號，6個含缺陷信號被歸類為無缺陷信號，總體識別率為83.3%。為進一步提高神經網絡模型的識別率，下面將研究采用去噪算法后重構信號的BP神經網絡識別效果。

3.2 基于變分模態分解法的瓷絕緣子BP神經網絡識別

把860 個信號變分模態分解重構，通入BP 神經網絡中，設定的參數以及訓練、測試、驗證信號個數與上文相同。對提取的特征值進行10次BP神經網絡訓練，得到訓練結果如表4所示。

表4 實驗信號的BP神經網絡訓練結果

變分模態分解算法對神經網絡的識別效果提升較為顯著，使10 次平均識別率提升到94.1%，并且進一步使得10 次識別率的波動性減小，選擇第10 組BP 神經網絡模型進行驗證，得到驗證結果如圖8所示。

圖8 重構信號識別結果

變分模態分解處理后的重構信號驗證組識別率提升到90%，可見變分模態分解算法對于瓷絕緣子實驗信號的識別有有益的影響。

4 結論

使用變分模態法對采集的聲振動信號進行分解及重構，并將重構后的聲信號輸入BP神經網絡進行智能識別，結果表明：

1）瓷絕緣子的損傷使聲信號的頻譜能量分布發生了改變，因此通過聲振動方法來檢測瓷絕緣子的損傷是可行的。

2）將變分模態分解算法應用于瓷絕緣子信號的提取，使用能量系數法確定了分解層數K，并使用相關系數法對所有信號進行重構，去噪效果較好。

3）基于變分模態分解算法的BP神經網絡可以實現瓷絕緣子信號的智能識別，具有損傷識別正確率高、受干擾噪聲影響小的特點。相對于原始信號，變分模態分解算法將平均識別率從83.3%提升到94.1%。