基于卷積神經(jīng)網(wǎng)絡(luò)的氣體絕緣組合開關(guān)盆式絕緣子螺栓松動(dòng)檢測(cè)方法?

梁基重 葛 健 宋建成 徐玉東 劉 宏 鐘黎明 劉奇峰

(1 國(guó)網(wǎng)山西省電力公司電力科學(xué)研究院 太原 030001)

(2 國(guó)網(wǎng)呂梁供電公司 呂梁 033000)

(3 太原理工大學(xué) 礦用智能電器技術(shù)國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室 太原 030024)

0 引言

隨著國(guó)民經(jīng)濟(jì)的不斷發(fā)展，氣體絕緣組合開關(guān)(Gas insulated switchgear,GIS)在高壓輸電系統(tǒng)中起到越來越重要的作用[1?3]。盆式絕緣子與兩側(cè)GIS 氣室通過螺栓進(jìn)行緊固連接，是GIS 中最薄弱的環(huán)節(jié)，其性能優(yōu)劣直接影響著GIS 運(yùn)行的安全性和可靠性[4?6]。據(jù)國(guó)家電網(wǎng)公司統(tǒng)計(jì)，近10 年來，GIS 故障共發(fā)生183 起，其中252 kV 電壓等級(jí)GIS故障發(fā)生率最高，達(dá)到56.3%[7?9]。在所有故障類型中，由盆式絕緣子導(dǎo)致的GIS 故障占比11%。螺栓松動(dòng)引起盆式絕緣子受力不均而產(chǎn)生故障是主要原因之一。而絕緣子受力不均主要是斷路器正常和故障狀態(tài)分合閘振動(dòng)及檢修安裝時(shí)螺栓預(yù)緊不到位所致[10?11]。這些因素會(huì)造成盆式絕緣子法蘭部分應(yīng)力集中，進(jìn)而使環(huán)氧盆體受力不均造成變形開裂，最終導(dǎo)致GIS 漏氣、局部放電甚至絕緣子沿面閃絡(luò)等故障，發(fā)生大面積停電[12?13]。因此，檢測(cè)盆式絕緣子螺栓的松動(dòng)狀態(tài)對(duì)發(fā)現(xiàn)絕緣子應(yīng)力異常具有重要的現(xiàn)實(shí)意義。

對(duì)于螺栓松動(dòng)的檢測(cè)，國(guó)內(nèi)外學(xué)者進(jìn)行了一些研究，常用的檢測(cè)方法有扭矩扳手法、振動(dòng)響應(yīng)法、應(yīng)力應(yīng)變法等。扭矩扳手法由于實(shí)際工程中螺栓數(shù)量巨大且存在隱蔽部位螺栓預(yù)緊力無法檢測(cè)的情況[14]，故僅適用于螺栓的抽檢試驗(yàn)當(dāng)中；振動(dòng)響應(yīng)法基于不同螺栓預(yù)緊力下螺栓阻尼、剛度和固有頻率會(huì)發(fā)生變化的原理對(duì)螺栓松動(dòng)進(jìn)行檢測(cè)，但這種方法僅適用于螺栓松動(dòng)極其嚴(yán)重導(dǎo)致結(jié)構(gòu)模態(tài)參數(shù)發(fā)生明顯變化的工況[15]；應(yīng)力應(yīng)變法通過電阻應(yīng)變片測(cè)量螺栓軸向應(yīng)力進(jìn)而判斷螺栓預(yù)緊力的變化，但應(yīng)變片的粘貼比較復(fù)雜且容易受到螺栓外部結(jié)構(gòu)的影響[10]。超聲法較以上方法具有無損傷、高靈敏等優(yōu)點(diǎn)，被廣泛應(yīng)用于無損檢測(cè)[16]，但是需要相關(guān)人員具有一定的專業(yè)技能水平，并且信號(hào)處理過程主要依賴于人工操作，導(dǎo)致檢測(cè)結(jié)果很容易由于人為因素的干擾而不穩(wěn)定。

近年來，已有不少學(xué)者將深度學(xué)習(xí)理論與超聲無損檢測(cè)技術(shù)相結(jié)合，從而降低了人工信號(hào)處理對(duì)檢測(cè)結(jié)果的影響。高子洋等[17]提出基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural networks,CNN)對(duì)超聲相控陣缺陷信號(hào)進(jìn)行識(shí)別，實(shí)驗(yàn)證明，通過選取合適的CNN 模型可以提高缺陷識(shí)別的準(zhǔn)確率；詹湘琳等[18]提出基于一維CNN，實(shí)現(xiàn)分層、氣孔、無缺陷3種類型自動(dòng)區(qū)分，準(zhǔn)確率為99.5%；張重遠(yuǎn)等[19]提出基于CNN 對(duì)4 種類型的局部放電超聲檢測(cè)信號(hào)進(jìn)行識(shí)別，準(zhǔn)確率達(dá)到90%。但是深度學(xué)習(xí)理論在螺栓松動(dòng)檢測(cè)方面還鮮有報(bào)道。

針對(duì)目前盆式絕緣子螺栓檢測(cè)方法檢測(cè)精度低的問題，本文提出一種基于CNN模型的GIS盆式絕緣子螺栓松動(dòng)狀態(tài)識(shí)別方法，對(duì)其檢測(cè)系統(tǒng)、檢測(cè)原理、特征提取、數(shù)據(jù)處理以及實(shí)驗(yàn)驗(yàn)證進(jìn)行了深入研究，實(shí)現(xiàn)了對(duì)盆式絕緣子螺栓松動(dòng)的檢測(cè)和診斷。

1 CNN基本原理

CNN是一種深度學(xué)習(xí)分類方法，通過卷積和池化操作對(duì)時(shí)間序列數(shù)據(jù)和圖像數(shù)據(jù)等具有類似網(wǎng)格結(jié)構(gòu)的數(shù)據(jù)進(jìn)行處理，通過訓(xùn)練學(xué)習(xí)實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)的正確分類[20]。為了準(zhǔn)確區(qū)分盆式絕緣子不同螺栓松動(dòng)工況，本研究選擇CNN 建立盆式絕緣子螺栓松動(dòng)狀態(tài)判別模型，總體研究框架如圖1 所示。首先通過超聲檢測(cè)系統(tǒng)得到不同螺栓松動(dòng)狀態(tài)下的超聲數(shù)據(jù)，在數(shù)據(jù)輸入層對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理。然后對(duì)處理后的超聲數(shù)據(jù)進(jìn)行特征提取，包括以下3個(gè)步驟：卷積層通過設(shè)置卷積核的尺寸、數(shù)量和步長(zhǎng)自動(dòng)提取信號(hào)特征，從而達(dá)到分類的效果；池化層對(duì)第一步提取出的所有特征量進(jìn)行最大池化操作后，提取出真正能夠反映螺栓松動(dòng)的特征量；通過去除冗余成分，進(jìn)一步降維達(dá)到特征提取的目的，能夠有效抑制過擬合。最后通過Softmax 分類器對(duì)不同螺栓松動(dòng)狀態(tài)進(jìn)行分類。

圖1 螺栓松動(dòng)狀態(tài)判別模型Fig.1 Discrimination model of bolt loosening state

1.1 卷積層

卷積層能夠自動(dòng)從訓(xùn)練數(shù)據(jù)中提取出相關(guān)的特征量，從而達(dá)到分類的效果。將用于訓(xùn)練的超聲數(shù)據(jù)輸入到CNN 模型中進(jìn)行卷積操作，其計(jì)算過程如公式(1)所示：

1.2 激活函數(shù)

卷積是一種線性操作，但有時(shí)對(duì)于復(fù)雜的數(shù)據(jù)樣本來說，僅僅依賴線性計(jì)算無法實(shí)現(xiàn)特征提取。為了解決這個(gè)問題，需要在模型中添加激活函數(shù)，加入非線性因素，使數(shù)據(jù)分類更加理想。目前ReLU函數(shù)在CNN 模型中應(yīng)用最為廣泛，其表達(dá)式如公式(2)所示。當(dāng)輸入為非負(fù)時(shí)，它的輸出等于輸入；當(dāng)輸入為負(fù)數(shù)時(shí)輸出是0。

1.3 池化層和全連接層

卷積操作對(duì)輸入數(shù)據(jù)進(jìn)行初步特征提取以后，不同區(qū)域的特征還有相似的地方，因此要通過池化層進(jìn)行二次特征提取。通過將這些相似的特征進(jìn)行合并以后，去除冗余成分，能夠有效抑制過擬合。經(jīng)過多層卷積和池化操作之后，可得到能夠真正反映螺栓松動(dòng)的特征量，通過鋪平層將多維輸入一維化，輸入到全連接層進(jìn)行綜合以得到全部特征。

2 實(shí)驗(yàn)與分析

2.1 螺栓松動(dòng)超聲檢測(cè)系統(tǒng)

根據(jù)超聲檢測(cè)原理，本文搭建了盆式絕緣子螺栓松動(dòng)檢測(cè)實(shí)驗(yàn)平臺(tái)如圖2 所示。實(shí)驗(yàn)平臺(tái)由252 kV GIS、超聲波發(fā)射接收儀、空氣壓縮機(jī)、扭矩扳手、上位機(jī)和壓電片組成。其中，選用CTS-04UT四通道超聲發(fā)射接收儀實(shí)現(xiàn)超聲信號(hào)的輸出，設(shè)置超聲信號(hào)儀的激勵(lì)電壓為?250 V，激勵(lì)頻率為2.5 MHz；通過空氣壓縮機(jī)向兩側(cè)氣室充氣，氣室內(nèi)氣壓為0.45 MPa；使用扭矩扳手對(duì)盆式絕緣子法蘭和氣室法蘭進(jìn)行緊固；使用上位機(jī)軟件控制發(fā)射信號(hào)脈沖寬度、增益、電壓和重復(fù)頻率等參數(shù)；在法蘭上下兩側(cè)采用壓電片作為傳感器，發(fā)射端壓電片通過超聲信號(hào)儀激勵(lì)產(chǎn)生超聲信號(hào)，接收端壓電片的超聲信號(hào)通過超聲信號(hào)儀進(jìn)行采集。壓電片的位置如圖3 所示。采用1 個(gè)壓電片進(jìn)行超聲信號(hào)的發(fā)射，采用3 個(gè)壓電片進(jìn)行超聲信號(hào)的接收，壓電片2 位于發(fā)射端壓電片的正對(duì)面，壓電片1 和壓電片3 位于壓電片2 的兩側(cè)，每個(gè)壓電片均通過耦合劑粘貼于兩個(gè)螺栓正中間的法蘭區(qū)域。

圖2 超聲檢測(cè)系統(tǒng)Fig.2 Bolt loose ultrasonic detection system

圖3 壓電片位置示意圖Fig.3 Schematic diagram of the location of the piezoelectric sheet

2.2 實(shí)驗(yàn)結(jié)果分析

根據(jù)252 kV GIS 盆式絕緣子螺栓緊固力矩的要求，設(shè)置110 N·m作為標(biāo)準(zhǔn)扭矩，當(dāng)螺栓扭矩低于標(biāo)準(zhǔn)扭矩的90%時(shí)視為螺栓松動(dòng)，因此本研究分別設(shè)置螺栓松動(dòng)扭矩為99 N·m、88 N·m和77 N·m，螺栓松動(dòng)個(gè)數(shù)分別為一個(gè)螺栓松動(dòng)、兩個(gè)螺栓松動(dòng)和3 個(gè)螺栓松動(dòng)，共計(jì)10種工況，每種工況下對(duì)應(yīng)3 個(gè)壓電片的接收信號(hào)。

工況0：所有螺栓均處于標(biāo)準(zhǔn)預(yù)緊力110 N·m；

工況1～工況3：螺栓2 松動(dòng)，螺栓預(yù)緊力分別為99 N·m、70 N·m和50 N·m；

工況4～工況6：螺栓1、螺栓2 同時(shí)松動(dòng)，螺栓預(yù)緊力分別為99 N·m、70 N·m和50 N·m；

工況7～工況9：螺栓1、螺栓2、螺栓3 同時(shí)松動(dòng)，螺栓預(yù)緊力分別為99 N·m、70 N·m和50 N·m。

不同工況下檢測(cè)到的超聲信號(hào)如圖4 所示。由圖4(a)和圖4(b)可知，壓電片1 的接收信號(hào)幅值遠(yuǎn)遠(yuǎn)小于壓電片2的接收信號(hào)幅值，這是因?yàn)閴弘娖?距離發(fā)射端壓電片更遠(yuǎn)，說明接收端壓電片距離發(fā)射端壓電片越遠(yuǎn)，超聲信號(hào)衰減越厲害，接收到的超聲信號(hào)幅值越??；由圖4(b)、圖4(c)和圖4(d)可知，當(dāng)螺栓松動(dòng)數(shù)量增加時(shí)，超聲信號(hào)幅值呈現(xiàn)下降的趨勢(shì)，特別是3 個(gè)螺栓同時(shí)松動(dòng)時(shí)，能量下降度超過標(biāo)準(zhǔn)工況時(shí)的一半；當(dāng)松動(dòng)螺栓數(shù)目相同時(shí)，隨著螺栓松動(dòng)程度的增加，壓電片的接收信號(hào)幅值下降越多。但是對(duì)于單個(gè)螺栓松動(dòng)的工況，螺栓預(yù)緊力為99 N·m 時(shí)和標(biāo)準(zhǔn)預(yù)緊力時(shí)的超聲信號(hào)基本沒有變化，接收信號(hào)的幅值基本持平。

圖4 接收信號(hào)Fig.4 Response signals

以上實(shí)驗(yàn)結(jié)果說明根據(jù)超聲波在盆式絕緣子法蘭中能量的衰減情況可以判斷出螺栓松動(dòng)狀態(tài)，但是在實(shí)際檢測(cè)過程中，當(dāng)單個(gè)螺栓松動(dòng)時(shí)，超聲透射信號(hào)能量變化較小，難以直接從超聲信號(hào)中得到所包含的螺栓松動(dòng)程度信息。并且上述方法對(duì)實(shí)驗(yàn)人員的操作水平要求較高，采集到數(shù)據(jù)以后需要人工進(jìn)行特征提取，檢測(cè)結(jié)果很容易受到實(shí)驗(yàn)人員的誤判。因此提出使用CNN 對(duì)不同螺栓松動(dòng)工況進(jìn)行分類。

3 基于CNN 的盆式絕緣子螺栓松動(dòng)檢測(cè)模型

3.1 數(shù)據(jù)預(yù)處理

實(shí)驗(yàn)過程中上位機(jī)數(shù)據(jù)加載等因素導(dǎo)致接收到的數(shù)據(jù)會(huì)出現(xiàn)異常值，而異常值具有隨機(jī)分布特征，對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果會(huì)造成嚴(yán)重的影響，因此在模型訓(xùn)練之前首先需要對(duì)超聲數(shù)據(jù)的奇異值進(jìn)行過濾。本研究采用分位數(shù)異常檢測(cè)法對(duì)異常值進(jìn)行過濾，對(duì)于超出中位數(shù)3 倍標(biāo)準(zhǔn)差的數(shù)據(jù)判定為異常數(shù)據(jù)；另一方面，由于周圍環(huán)境噪聲影響以及超聲檢測(cè)過程中壓電片與實(shí)驗(yàn)裝置之間耦合效果的影響，導(dǎo)致超聲信號(hào)存在噪聲，因此采用數(shù)字濾波器進(jìn)行去噪處理。處理結(jié)果如圖5 所示，可以看出基本消除了異常值和噪聲信號(hào)的影響。

圖5 數(shù)據(jù)去噪處理Fig.5 Data denoising processing

接下來進(jìn)行標(biāo)簽設(shè)置，每一種螺栓松動(dòng)狀態(tài)由3 個(gè)接收壓電片的超聲信號(hào)共同反映，將每一種螺栓松動(dòng)工況下3 個(gè)壓電片的信號(hào)設(shè)置為同一個(gè)標(biāo)簽，代表同一種工況，例如工況0 所對(duì)應(yīng)3 個(gè)壓電片的標(biāo)簽均為0，以此類推工況9 所對(duì)應(yīng)3 個(gè)壓電片的標(biāo)簽均為9。最后進(jìn)行數(shù)據(jù)集的切分，選擇全部數(shù)據(jù)量的90%作為訓(xùn)練集，剩余數(shù)據(jù)作為測(cè)試集用來驗(yàn)證模型的有效性。

3.2 數(shù)據(jù)集劃分

數(shù)據(jù)集的切分情況見表1。本次實(shí)驗(yàn)得到10種工況下的超聲傳播數(shù)據(jù)，每種工況包含500 組超聲信號(hào)，每組信號(hào)由448 個(gè)數(shù)據(jù)點(diǎn)組成。每種工況選擇450 組超聲信號(hào)作為訓(xùn)練集，剩余50 組超聲信號(hào)作為測(cè)試集用來驗(yàn)證模型的有效性。

表1 數(shù)據(jù)集的切分情況Table 1 Segmentation of the dataset

3.3 螺栓松動(dòng)檢測(cè)模型

本文的CNN 在一臺(tái)處理器為AMD Ryzen5 4000H、運(yùn)行內(nèi)存大小為3 G 的上位機(jī)搭建，基于Python 在Tensorflow 運(yùn)行環(huán)境下進(jìn)行訓(xùn)練和測(cè)試。搭建的CNN結(jié)構(gòu)參數(shù)如表2 所示。該模型包括4 個(gè)卷積層、2 個(gè)池化層、3 個(gè)全連接層和1 個(gè)Softmax層。其中前兩個(gè)卷積層用來對(duì)數(shù)據(jù)集進(jìn)行粗略特征提取，因此卷積核尺寸稍大一些，設(shè)置卷積核大小為1×5，卷積核深度依次為16 和32；后兩個(gè)卷積層用來對(duì)數(shù)據(jù)集進(jìn)行細(xì)致特征提取，因此卷積核尺寸略小一些，設(shè)置卷積核大小為1×3，卷積核深度依次為128和256；池化層對(duì)卷積層提取出的所有特征量進(jìn)一步降維達(dá)到特征提取的目的，池化核大小設(shè)置為1×2，選擇MaxPooling 作為池化方式；選擇ReLU 函數(shù)作為激活函數(shù)；最后由Softmax 層輸出最終的螺栓松動(dòng)類別。模型輸出節(jié)點(diǎn)數(shù)為10，用來表示10種螺栓松動(dòng)工況。

表2 CNN 結(jié)構(gòu)參數(shù)Table 2 CNN structure parameters

4 實(shí)驗(yàn)結(jié)果分析

為了評(píng)估CNN 網(wǎng)絡(luò)的分類性能，本研究采用訓(xùn)練集準(zhǔn)確率acc、測(cè)試集準(zhǔn)確率val_acc、訓(xùn)練集損失值loss 和測(cè)試集損失值val_loss四個(gè)評(píng)價(jià)指標(biāo)。準(zhǔn)確率表示模型分類結(jié)果與實(shí)際結(jié)果是否一致，訓(xùn)練集準(zhǔn)確率和測(cè)試集準(zhǔn)確率的表達(dá)式為

其中，Trp表示訓(xùn)練集正確分類的數(shù)量；Trt表示訓(xùn)練集的總數(shù)量；Tep表示測(cè)試集正確分類數(shù)量；Tet表示測(cè)試集的總數(shù)量。

損失值表示預(yù)測(cè)數(shù)據(jù)與實(shí)際數(shù)據(jù)的偏離程度，值越小說明模型的預(yù)測(cè)精度越高，魯棒性能越好。其表達(dá)式為

式(5)中，p(x)表示目標(biāo)分布；q(x)表示估計(jì)分布。

在神經(jīng)網(wǎng)絡(luò)開始訓(xùn)練之前，首先要設(shè)置網(wǎng)絡(luò)的超參數(shù)，這些參數(shù)在訓(xùn)練過程中是固定不變的。通過調(diào)整超參數(shù)，能夠大大提升模型的訓(xùn)練精度。最佳超參數(shù)組合通常都是結(jié)合訓(xùn)練完成后的指標(biāo)曲線變化和擬合效果圖進(jìn)行判斷，比如迭代次數(shù)，先配置為50次，觀察收斂過程的指標(biāo)曲線變化和擬合效果，如果擬合曲線在50 次后仍處于下降，則可以繼續(xù)增大訓(xùn)練次數(shù)，直至擬合指標(biāo)曲線基本平穩(wěn)甚至上翹為止；其他參數(shù)也類似，比如學(xué)習(xí)率(Learning rate,lr)，先設(shè)置為0.05，如果收斂很慢，則增大為0.05。本節(jié)通過調(diào)整這些超參數(shù)，研究超參數(shù)對(duì)模型的影響，逐步優(yōu)化網(wǎng)絡(luò)性能。

4.1 迭代次數(shù)對(duì)模型的影響

迭代次數(shù)對(duì)模型的訓(xùn)練精度具有重要的意義，當(dāng)訓(xùn)練集與測(cè)試集指標(biāo)誤差最小時(shí)，說明當(dāng)前的迭代次數(shù)是合適的，否則需要繼續(xù)增大迭代次數(shù)。迭代次數(shù)越多，數(shù)據(jù)擬合程度越好，但是迭代次數(shù)過多，訓(xùn)練時(shí)間又會(huì)增加。針對(duì)原始數(shù)據(jù)集，通過迭代不同次數(shù)，對(duì)比準(zhǔn)確率與損失值。訓(xùn)練結(jié)果曲線如圖6所示。

表3 為迭代不同次數(shù)時(shí)模型準(zhǔn)確率、損失值和訓(xùn)練時(shí)間。當(dāng)?shù)螖?shù)分別為100、150、200 和250次時(shí)，acc 分別為82.75%、93.72%和100%和100%，val_acc 分別為79.46%、91.24%和98.93%和100%。當(dāng)?shù)螖?shù)為320 時(shí)，損失值降到最低，此時(shí)模型的魯棒性能達(dá)到最好。當(dāng)繼續(xù)增加迭代次數(shù)時(shí)，準(zhǔn)確率開始出現(xiàn)下降，并且測(cè)試集損失值發(fā)生偏移，說明迭代次數(shù)過多的時(shí)候，網(wǎng)絡(luò)會(huì)出現(xiàn)過擬合，此時(shí)模型會(huì)偏向于學(xué)習(xí)訓(xùn)練集的細(xì)枝末節(jié)，爭(zhēng)取在訓(xùn)練集上效果更好，但是在測(cè)試集上的精度卻在逐漸偏移。

4.2 lr對(duì)模型性能的影響

lr選擇不當(dāng)一方面會(huì)造成神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速度過慢，嚴(yán)重時(shí)會(huì)停止學(xué)習(xí)；另一方面，會(huì)使神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到錯(cuò)誤的特征量而陷入局部最優(yōu)解。lr選取過高，會(huì)使訓(xùn)練過程跳過有用的特征量，使準(zhǔn)確率無法達(dá)到最優(yōu)；lr 選取過低雖然有助于神經(jīng)網(wǎng)絡(luò)收斂到全局最優(yōu)解，但是訓(xùn)練速度會(huì)嚴(yán)重降低。因此，一般在訓(xùn)練前期，會(huì)設(shè)置一個(gè)較大的lr進(jìn)行訓(xùn)練，一方面能夠有效加快訓(xùn)練速度，另一方面使得模型更容易收斂。本節(jié)通過改變不同的lr，研究lr對(duì)訓(xùn)練準(zhǔn)確率和損失值的影響。訓(xùn)練結(jié)果曲線如圖7所示。

圖7 lr 對(duì)CNN 的影響Fig.7 The effect of lr on CNN

表4為不同lr對(duì)CNN的影響。由實(shí)驗(yàn)結(jié)果可以看到，當(dāng)lr 為0.05 時(shí)，模型出現(xiàn)無法擬合的情況，說明此時(shí)lr設(shè)置過大；當(dāng)把lr從0.01一直下降到0.001時(shí)，模型過擬合情況逐漸消失，并且在lr 為0.001 時(shí)，模型損失值幾乎降為0，說明此時(shí)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)效果達(dá)到最佳。當(dāng)繼續(xù)增大lr 時(shí)，發(fā)現(xiàn)模型繼續(xù)出現(xiàn)損失值上下浮動(dòng)的情況，當(dāng)lr 減小到0.00001 時(shí)，模型準(zhǔn)確率開始出現(xiàn)下降的情況，說明需要迭代更多次數(shù)來達(dá)到較高的準(zhǔn)確率。

表4 lr 對(duì)CNN 的影響Table 4 The impact of lr on CNN

4.3 訓(xùn)練數(shù)據(jù)類型對(duì)模型性能的影響

通過超聲信號(hào)儀測(cè)量到的數(shù)據(jù)包括聲程、幅度、正半波、副半波等指標(biāo)：聲程表示超聲波從發(fā)射端到接收端傳播的距離；幅度表示RF 射頻信號(hào)的幅值，是超聲信號(hào)經(jīng)過儀器放大器放大后進(jìn)行處理的波形；正半波表示高于閘門的超聲信號(hào)，負(fù)半波表示低于閘門的超聲信號(hào)。本節(jié)研究不同訓(xùn)練數(shù)據(jù)對(duì)模型的影響。迭代次數(shù)均設(shè)置為320 次，lr 設(shè)置為0.001，訓(xùn)練結(jié)果如表5所示。

表5 訓(xùn)練數(shù)據(jù)類型對(duì)CNN 的影響Table 5 The impact of training data types on CNN

由表5可以看出，當(dāng)輸入全部特征量時(shí)，訓(xùn)練準(zhǔn)確率達(dá)到100%，損失值降到最低，但是訓(xùn)練時(shí)間相對(duì)較長(zhǎng)，而輸入單一特征量時(shí)，訓(xùn)練準(zhǔn)確率有所下降，并且損失值相對(duì)較高，但是訓(xùn)練速度較快。當(dāng)僅輸入聲程時(shí)，模型無法訓(xùn)練，說明當(dāng)螺栓松動(dòng)情況發(fā)生變化時(shí)，并不會(huì)引起超聲傳播聲程的變化。

4.4 可視化分析

為了更直觀地理解CNN 模型逐層提取不同螺栓松動(dòng)工況特征的能力，在訓(xùn)練過程中加入了聚類結(jié)果可視化(t-SNE)對(duì)測(cè)試集樣本、網(wǎng)絡(luò)第2 個(gè)卷積層、第4 個(gè)卷積層和Softmax 層提取到的特征進(jìn)行可視化表示，結(jié)果如圖8 所示。從圖8(a)可以看出，直接通過原始測(cè)試集樣本很難對(duì)不同螺栓松動(dòng)工況進(jìn)行分類，10 種螺栓松動(dòng)工況完全混淆；圖8(b)顯示當(dāng)測(cè)試樣本經(jīng)過前兩層卷積層之后，模型提取到的特征表現(xiàn)出可分性，但是仍有大部分螺栓松動(dòng)工況難以區(qū)分；從圖8(c)可以看出，當(dāng)測(cè)試樣本經(jīng)過第4 個(gè)卷積網(wǎng)絡(luò)層后，模型提取到的特征表現(xiàn)出更強(qiáng)的可分性，大部分螺栓松動(dòng)工況已經(jīng)可以完全分離出來，但仍有部分測(cè)試樣本混淆；從圖8(d)中可以明顯看出，經(jīng)過Softmax 分類器后同一類螺栓松動(dòng)工況被集中地聚集到一起，各種螺栓松動(dòng)工況被完全分開。這說明本研究搭建的CNN 模型具有良好的分類性能，可以有效地診斷出盆式絕緣子不同螺栓松動(dòng)工況。

4.5 實(shí)物平臺(tái)驗(yàn)證

為了驗(yàn)證搭建模型的分類效果，在GIS 平臺(tái)上隨機(jī)采集了10種螺栓松動(dòng)工況下的超聲信號(hào)，共計(jì)150個(gè)數(shù)據(jù)樣本。表6為測(cè)試樣本的分類準(zhǔn)確率。結(jié)果表明，該神經(jīng)網(wǎng)絡(luò)可以對(duì)單一螺栓松動(dòng)工況的超聲數(shù)據(jù)進(jìn)行準(zhǔn)確分類，其中，工況4(兩個(gè)螺栓松動(dòng)、松動(dòng)扭矩為99 N·m)的分類準(zhǔn)確率最低，但是也達(dá)到了97.2%，其余工況被準(zhǔn)確分類的準(zhǔn)確率均達(dá)到97.9%以上。該型號(hào)的盆式絕緣子共有12 個(gè)螺栓，每次可以對(duì)3 螺栓的松動(dòng)狀態(tài)進(jìn)行檢測(cè)，檢測(cè)一個(gè)盆式絕緣子大約用時(shí)20 min，相比于傳統(tǒng)的扭矩扳手法，在檢測(cè)速度和檢測(cè)精度上都得到了提高。

表6 測(cè)試樣本分類結(jié)果Table 6 Test sample classification results

5 結(jié)論

針對(duì)螺栓松動(dòng)導(dǎo)致GIS 盆式絕緣子受力不均甚至發(fā)生故障這一問題，本文提出一種基于CNN模型的GIS 盆式絕緣子螺栓松動(dòng)狀態(tài)識(shí)別方法。搭建螺栓松動(dòng)超聲檢測(cè)系統(tǒng)獲得了螺栓不同狀態(tài)下的超聲波傳輸數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練得到如下研究結(jié)論：

(1) 通過在GIS 盆式絕緣子法蘭兩側(cè)進(jìn)行超聲信號(hào)的發(fā)射與接收，根據(jù)接收信號(hào)的幅值衰減情況，可以判斷螺栓的工作狀態(tài)。當(dāng)螺栓松動(dòng)數(shù)量固定時(shí)，螺栓松動(dòng)程度越大，超聲能量衰減越多。當(dāng)螺栓松動(dòng)程度固定時(shí)，螺栓松動(dòng)數(shù)量越多，超聲能量衰減越多。

(2) 提出了基于CNN 的盆式絕緣子螺栓松動(dòng)甄別模型。神經(jīng)網(wǎng)絡(luò)可以自主從超聲數(shù)據(jù)中提取螺栓松動(dòng)特征，通過調(diào)整網(wǎng)絡(luò)參數(shù)，使神經(jīng)網(wǎng)絡(luò)性能得到了提升。

(3) 訓(xùn)練數(shù)據(jù)類型對(duì)模型準(zhǔn)確率有較大的影響。輸入特征量越多，模型訓(xùn)練準(zhǔn)確率越高，但是訓(xùn)練時(shí)間會(huì)增加。