陳偉華萬 晨閆孝姮*金石煒管海楠

(1.遼寧工程技術大學電氣與控制工程學院，遼寧 葫蘆島 125105；2.國網(wǎng)遼寧省電力有限公司檢修分公司，遼寧 遼陽 111213；3.國網(wǎng)遼寧省電力有限公司鞍山供電公司，遼寧鞍山 114000)

安裝在換流閥閥冷系統(tǒng)中的均壓電極，因水路中的金屬離子運動至電極表面發(fā)生化學反應，導致均壓電極表面產生結垢[1-4]，垢質的脫落造成堵塞水管和密封圈腐蝕等危害[5]。 目前檢測結垢的方法是依靠人工手段拆卸電極，來判斷均壓電極是否結垢。 但在頻繁拆卸電極的過程中，容易產生冷卻水噴濺，嚴重影響設備安全運行。 因此，均壓電極結垢的無拆卸檢測具有重要的研究意義和工程實用價值。

超聲反射法作為一種高效、安全的檢測方法，在污垢檢測中得到了越來越多的應用[6-8]。 該方法檢測信號會攜帶噪聲干擾，影響污垢信息辨別。 因此，快速有效的提取均壓電極超聲回波信號的特征信息，是檢測均壓電極結垢程度的關鍵點。

正交匹配追蹤(Orthogonal Matching Pursuit，OMP)作為一種信號稀疏表示的算法[9]可實現(xiàn)均壓電極超聲回波信號的降噪與特征提取，但OMP 算法在原子庫中遍歷尋優(yōu)時間過長，降低了其實用性。為了進一步提高稀疏分解算法的性能，許多智能優(yōu)化算法包括WOA 算法[10]、PSO 算法[11]、智能水滴算法[12]等被引入OMP 中，實現(xiàn)更高效的信號稀疏分解，但在構建超完備原子庫和運算速度等方面依舊有待提高。 2020 年Xue J 等人提出了麻雀搜索算法(Sparrow Search Algorithm，SSA)，并對比了灰狼優(yōu)化算法、重力搜索算法、PSO 等算法，證明該算法在運算速度、搜索精度等方面具有一定的優(yōu)勢[13]，但SSA 算法的全局搜索能力仍需提高。

同時，為準確地區(qū)分均壓電極的結垢程度，需要對特征信號做分類識別處理。 與其他識別方法相比深度置信網(wǎng)絡(Deep Belief Networks，DBN)具有結構簡單、高識別率和可深度提取信號特征等優(yōu)點[14]，可實現(xiàn)信號的高精度檢測識別。 國內外學者運用DBN 網(wǎng)絡實現(xiàn)了閥門故障信號分類[15]、軸承故障診斷[16]、傳感器數(shù)據(jù)異常的識別[17]。

綜上所述，本文提出一種用于均壓電極超聲無拆卸結垢檢測的識別方法。 針對均壓電極超聲回波信號的降噪與特征信息提取問題，采用SSA 優(yōu)化OMP 以提高算法的運算速度，利用隨機游走算法(Random Walk，RW)優(yōu)化SSA，使得OMP 能夠獲取更加完備的原子庫。 使用RWSSA-OMP 對均壓電極超聲回波信號做降噪處理與特征提取。 同時選擇Hilbert 法獲取特征信號的包絡線并作為特征參數(shù)，利用優(yōu)化后的DBN 進行檢測識別，最終實現(xiàn)均壓電極結垢程度的智能檢測。

1 RWSSA-OMP-DBN 算法

1.1 OMP 算法與Gabor 原子

OMP 算法是針對匹配追蹤算法改進的一種全局搜索迭代貪婪追蹤算法。 該算法利用迭代過程在超完備原子庫中尋找與殘差信號內積最大的原子。 采用Gram-Schmidt 正交化方法將當前最佳匹配原子與先前得到的原子正交，將每次迭代后的最佳匹配原子存儲在字典子集S中形成張成空間，每次迭代后的殘差信號更新見式(1)，信號的最終表示見式(2)。

式中:f為待分解的信號，gγ0∈D，Rf代表殘差信號，gγ0正交于Rf。gγ作為參數(shù)組γ的字典原子，且滿足標準化‖gγ‖＝1。m為總迭代次數(shù)。 利用上述OMP 算法過程，實現(xiàn)了待分析信號在超完備原子庫D＝{gγ(t)}γ∈Γ中的稀疏表示。

OMP 算法的核心思想是要形成恰當?shù)脑踊瘮?shù)，并盡可能與信號的內部結構相匹配，這樣所構造的超完備原子庫可以用更少的原子表示。 針對超聲回波信號的特性，超完備原子庫選擇Gabor 原子的平移、伸縮、調制等變換來構造。 Gabor 原子表達式如式(3)所示。

式中:g(t)＝exp(-πt2)是高斯窗函數(shù)，s為尺度因子，u為位移因子，υ是頻率，φ是相位。 在OMP 算法迭代中，如果定義了每個原子參數(shù)的范圍，就可以通過式(4)得到與被分析信號相匹配的最優(yōu)原子。在傳統(tǒng)OMP 算法產生字典庫時，產用的是普通遍歷方法，會導致計算量過于龐大，運算時間過長。 因此，加快超完備原子庫的構造，提高原子的匹配速度，是信號稀疏表示的主要優(yōu)化方向。

1.2 改進的麻雀搜索算法(RWSSA)

SSA 算法是一種新的群體智能優(yōu)化算法。 與其他仿生智能優(yōu)化算法相比，SSA 算法具有較高的搜索精度，算法收斂速度快，強魯棒性等優(yōu)勢，可優(yōu)化OMP 算法構建超完備原子庫。 但SSA 算法的搜索范圍不夠廣泛，且隨著計算的循環(huán)迭代，算法依然存在容易陷入局部最優(yōu)等問題。 因此需要對該算法進行進一步的優(yōu)化。

針對OMP 算法需要快速高效的構建超完備原子庫用于匹配超聲回波信號的問題，本文采用RW算法改進SSA，即對麻雀種群的位置進行優(yōu)化選取。RW 算法具有搜索邊界更廣的特點，利用RW 算法將麻雀種群隨機擴散到整個區(qū)域，可以有效的提高麻雀種群的全局搜索能力，增加了Gabor 原子中4種參數(shù)取值組合，有效解決超完備原子庫的遍歷問題。 同時，隨著RW 算法的多次迭代，搜索邊界隨之減小，從而增強了SSA 算法局部尋優(yōu)能力，使得OMP 算法可以準確快速的匹配到最佳原子。 RW算法相關公式如下:

式中:X(c)表示隨機游走的步數(shù)集合；cumsum 表示累加和；c表示隨機游走步數(shù)；r(c)表示一個隨機的二值函數(shù)，當其中隨機數(shù)大于0.5 時r(c)＝1，當隨機數(shù)小于0.5 時r(c)＝0。

由于構建超完備原子庫有邊界條件的限定，為了保證麻雀種群分布在限定空間內，需要對其進行歸一化處理:

式中:aj表示j維隨機游走的最小值；bj表示j維隨機游走的最大值；表示j維第c次迭代的最小值；表示j維第c次迭代最大值。

1.3 DBN 網(wǎng)絡

均壓電極超聲回波信號的信號分類與識別采用優(yōu)化后的DBN 網(wǎng)絡實現(xiàn)。 DBN 可對信息的敏感特征做深度挖掘處理，獲取信號之間的細微差別，以供分類器做分類識別[18]。 DBN 作為一個擁有多個隱含層的神經網(wǎng)絡，其隱含層是由若干層受限玻爾茲曼機(RBM)堆疊構成，其中RBM 擁有兩層神經元，分別為顯層和隱層。 采用RBM 的DBN 可以大大提高訓練的效率，經過參數(shù)優(yōu)化后的RBM 可以很好地改善DBN 網(wǎng)絡在訓練過程中出現(xiàn)的局部最優(yōu)問題，并且輸出的信息對數(shù)據(jù)有一定表征作用。 因此DBN 具有良好的訓練特性，可以有效解決超聲回波信號的信號分類與識別問題。 圖1 所示為DBN 結構模型和單層RBM 框架結構。

圖1 DBN 結構模型

1.4 RWSSA-OMP-DBN 識別流程

采用RWSSA-OMP-DBN 算法對均壓電極超聲回波信號進行特征提取與分類識別。 具體流程為:①獲取均壓電極超聲回波信號；②利用RWSSAOMP 算法實現(xiàn)對超聲回波信號的降噪與特征提?。虎鄄捎肏ilbert 函數(shù)法提取信號的包絡線，作為DBN網(wǎng)絡輸入層的特征參數(shù)；④優(yōu)化DBN 網(wǎng)絡的層間參數(shù)，并利用數(shù)據(jù)集對網(wǎng)絡進行訓練；⑤利用訓練好的DBN 網(wǎng)絡實現(xiàn)均壓電極結垢的信號識別。

2 算法仿真對比驗證

2.1 RWSSA 優(yōu)化驗證

為驗證RWSSA 算法與普通SSA 算法相比，具有快速高效的構建超完備原子庫的特點，將兩種算法的種群個數(shù)及種群迭代次數(shù)均設置為2 000 和20。 同時對尺度因子、位移因子、頻率和相位這四種參數(shù)做尋優(yōu)取值，測試結果如圖2 所示。 對比兩種算法的數(shù)據(jù)測試可以看出，RWSSA 在初始值選取上具有更大的取值范圍，有效的提高了麻雀種群的全局搜索能力，為OMP 算法提供了更加完備的原子庫。 同時，對比經過20 次迭代后的數(shù)據(jù)可以看出，RWSSA 算法的取值比SSA 算法更加的集中，證明RW 算法能夠更加有效的縮小邊界范圍，從而增強了SSA 算法局部尋優(yōu)能力，提高了算法的搜索精度。

圖2 RWSSA 和SSA 數(shù)據(jù)對比

2.2 RWSSA-OMP 優(yōu)化驗證

為驗證RWSSA-OMP 算法對均壓電極超聲回波信號的重構和降噪能力優(yōu)于匹配追蹤及其相關的改進算法，將RWSSA-OMP 算法分別與MP 算法[19]、OMP 算 法[20]、 WOA-OMP 算 法[10]、 PSO-OMP 算法[11]、SSA-OMP 算法進行性能測試與比較。 其中PSO-OMP 算法、WOA-OMP 算法和SSA-OMP 算法三種算法的種群個數(shù)、種群迭代次數(shù)以及信號重構迭代次數(shù)相同為2 000、20、10。 依照式(6)形成仿真測試信號，并在仿真測試信號的基礎上加入10 dB 的高斯白噪聲信號，對比結果見圖3。

圖3 6 種算法特征信息提取對比

通過圖3 的對比可以看出，相比較其他5 種算法，RWSSA-OMP 算法在幅值和局部特征等方面能夠更好地保留原始信號的信息。

同時，為直觀比較算法的降噪和特征提取能力，引入信噪比和平均運算時間作為算法的評價指標，信噪比計算為式(7)。 6 種方法的SNR 和平均運算時間對比結果見表1。

表1 6 種重構算法的SNR、運算時間對比

式中:N為信號的長度，I(q)表示原始信號，Io(q)表示去躁信號，q為采樣點數(shù)。

算法運算采用MATLAB 軟件實現(xiàn)，PC 機(Think-Pad T470p)為基于x64 的處理器，其型號為Intel(R)Core(TM)i7-7700HQ CPU＠2.80GHz，機帶RAM 為24GB。 通過表1 可以看出，RWSSA-OMP 降噪能力優(yōu)于其他算法，可提取到更為精確的信號特征值，因此重構能力優(yōu)于其他算法。 RWSSA-OMP 算法與SSA-OMP算法相比雖然增加了仿真時間，但時間相差較小，說明RWSSA-OMP 算法整體性能更強。

綜上所述，RWSSA-OMP 算法能夠較為準確快速地實現(xiàn)信號的降噪與信息提取。

3 實驗設計與信號采集

為獲取均壓電極的超聲回波信號，依據(jù)實際匯流管的內徑和壁厚的大小以及均壓電極所處位置，搭建均壓電極結垢超聲檢測實驗平臺。 其中冷卻水管道內徑為57 mm，壁厚為3 mm；均壓鉑電極的棒體長度為30 mm，直徑為2 mm。 選取結垢厚度為0～0.8 mm的均壓電極，并將電極按照實際要求垂直插入管道中心位置。 冷卻水采用去離子水。 超聲脈沖發(fā)射接收器選用美國JSR 公司的DPR300 脈沖發(fā)射接收器，該設備具有高性能的脈沖發(fā)射功能和低噪聲接收功能，設備實際REL.GAIN 增益設置為55 dB，脈沖幅度為187.5 V。 超聲探頭選用OLYMPUS 公司的D790-SM雙晶探頭，此探頭的中心頻率為5 MHz，阻尼為50 Ω；示波器選用KEYSIGHT 公司的DSOX1204A。

該實驗臺利用DPR300 中的脈沖發(fā)生器產生一個高電壓電激勵脈沖，用于驅動雙晶探頭；雙晶探頭發(fā)射超聲信號的過程中，由于不同介質聲阻抗不同，會產生超聲反射信號；探頭將接收到的回波信號傳輸至DPR300 中的接收器，DPR300 將回波信號發(fā)送到示波器和PC 機上，完成信號的采集過程。 此外，水槽內部安裝水泵，使冷卻水形成循環(huán)水路。 結垢的均壓電極與實驗平臺的搭建如圖4 所示。

圖4 結垢的均壓電極與超聲檢測實驗平臺

利用上述實驗平臺分別對不同結垢程度的均壓電極做超聲回波信號采集，圖5 所示為結垢厚度0.4 mm 的均壓電極超聲回波信號。 信號共有4 個部分組成，即超聲探頭的激勵信號、前管壁部分回波信號、均壓電極部分回波信號以及后管壁回波信號。通過對系統(tǒng)采集到的原始信號波形觀察發(fā)現(xiàn)，均壓電極部分的回波信號與噪聲信號混合在一起，無法直接辨別出有效的特征信息。 因此，需要對均壓電極部分的回波信號做特征值提取。

圖5 實驗數(shù)據(jù)采集的均壓電極超聲回波信號波形圖

4 實驗驗證與分析

4.1 信號處理

從上述實驗平臺中采集到的超聲回波信號可以看出，信號包括多個回波信息以及因多種介質的轉換、液體流動沖擊等多方面因素而攜帶大量的噪聲干擾。 因此需要通過RWSSA-OMP 算法對均壓電極部分的超聲回波信號進行重構，做到對回波信號的特征值提取以及消除系統(tǒng)帶來的噪聲干擾。

RWSSA-OMP 算法中相關參數(shù)設定為:麻雀種群數(shù)量N＝600；發(fā)現(xiàn)者數(shù)量PD ＝4200；加入者數(shù)量ET＝1 800；感知危險者數(shù)量SD ＝600；預警值ST ＝0.6；種群更新迭代次數(shù)M＝20；尺度因子取值范圍s＝[20，100]；平移因子取值范圍u＝[700，1500]；頻率取值范圍υ＝[0，2π]；相位取值范圍φ＝[0，2π]；RWSSA-OMP 算法最大迭代次數(shù)iterative＿number ＝30。 圖6 所示為RWSSA-OMP 算法對均壓電極部分的超聲回波信號重構結果。 對重構后的信號分析發(fā)現(xiàn)，此算法可以有效的提取出厚度在0.3 mm ～0.8 mm 范圍內的結垢部分超聲回波特征信號，但由于0.1 mm 和0.2 mm 的結垢厚度過小導致算法無法對結垢部分的超聲回波特征信號進行有效提取。

圖6 RWSSA-OMP 算法對均壓電極部分的超聲回波信號重構結果

4.2 信號分類識別

對于圖1 所示的DBN 網(wǎng)絡結構，其包含4 個隱層，因此在構建網(wǎng)絡的過程中需要確定DBN 中各個RBM 層的相關參數(shù)，優(yōu)化后的DBN 相關參數(shù)取值如表2 所示。

表2 DBN 相關參數(shù)的取值

為實現(xiàn)信號的分類與識別，需要對經過特征提取后的均壓電極超聲回波信號做信號包絡線處理，即采用Hilbert 函數(shù)法提取信號的包絡線，并作為DBN 網(wǎng)絡輸入層的特征參數(shù)。 圖7 顯示不同結垢厚度的均壓電極超聲回波信號的包絡線提取結果。對比9 種信號包絡線發(fā)現(xiàn)，結垢厚度為0.1 mm 和0.2 mm 與未結垢的均壓電極三者之間的包絡線比較相似，這是由于結垢的厚度相對較小，同時結垢物和均壓電極均為金屬材質，兩者的聲阻抗比較相近，導致超聲回波信號相似，最終提取到了較為相近的信號包絡線。

圖7 Hilbert 函數(shù)提取包絡線

為驗證本文的分類器，選取BP 神經網(wǎng)絡、SVM、DBN 和RWSSA-DBN 4 種分類器進行對比，并對本文的數(shù)據(jù)集做分類與識別。 表3 為測試后的結果，其中每種分類器均進行10 次數(shù)據(jù)的隨機試驗，并求取平均值。

表3 分類器對比分析

由表3 可見，RWSSA-DBN 分類器的訓練集準確率達到了98.31%，測試集準確率達到了95.33%。而傳統(tǒng)的分類器雖然訓練速度較快，但無論是訓練集還是測試集的準確率都比較低。 對比測試時間可以看出，4 種分類器基本沒有差別，說明運用已經訓練好的分類器進行測試，可以忽略計算時間的影響。因此從分類器的整體對比看出，優(yōu)化后的DBN 網(wǎng)絡具有良好的網(wǎng)絡結構，能夠有效地提高對均壓電極結垢程度的檢測。

對經過處理的不同類型超聲回波信號進行等級分類。 根據(jù)均壓電極結垢程度的不同，將其從0 mm～0.8 mm 跨度為0.1 mm 由低到高分成9 個等級。 實驗共采集了1 800 個數(shù)據(jù)樣本，每個等級的訓練集樣本數(shù)為150 個，測試集樣本數(shù)為50 個。 經過DBN 訓練分類識別后，不同結垢程度的均壓電極超聲回波信號識別分布圖如圖8 所示。 經過改進的DBN 算法訓練分類識別后，總體測試結果的準確率為87.56%。 從分布圖中可以看出，出現(xiàn)識別率較低的原因是分類器無法有效的區(qū)分結垢厚度為0.1 mm 和0.2 mm 與未結垢的均壓電極三者之間的等級差別，即由于結垢厚度過小導致無法有效的提取出特征值，最終導致整體的識別準確率受到影響，這一結果符合上述的原因分析。 針對這一現(xiàn)象，在滿足工況的情況下，將結垢厚度為0.1 mm 和0.2 mm 與未結垢的均壓電極作為一類，即分成7類，并再次做分類測試，相關識別分布如圖9 所示。此分類下的總體測試結果的準確率為95.33%，識別準確率有了很大的提高。 從識別結果可以看出，系統(tǒng)對結垢程度越高的均壓電極，識別準確率越高。

圖8 9 種均壓電極結垢等級的識別分布圖

圖9 7 種均壓電極結垢等級的識別分布圖

上述結果表明，優(yōu)化后的DBN 分類器可以實現(xiàn)對結垢程度較大的均壓電極超聲回波信號有效分類及識別，為換流閥冷水系統(tǒng)的均壓電極結垢檢測提供了理論基礎。

5 結論

本文針對特高壓直流換流閥冷水系統(tǒng)的均壓電極結垢在線檢測問題，采用超聲回波法對不同結垢程度的均壓電極進行檢測，利用RWSSA-OMP 算法對均壓電極部分的超聲回波信號做特征提取與降噪處理；以信號包絡線作為分類基準，采用優(yōu)化后的4層DBN 網(wǎng)絡進行超聲回波信號的分類與識別。 測試結果表明，文中方法能夠有效的識別出結垢程度較厚的均壓電極，具有一定的實際應用價值。 主要結論如下:

①對比實驗平臺超聲回波信號的數(shù)據(jù)發(fā)現(xiàn)，在5MHz 頻率下，不同結垢程度的均壓電極所產生的超聲回波信號存在差別，證明利用超聲技術可以有效的檢測均壓電極的結垢狀況。

②在對均壓電極超聲回波信號的分析中，與其他算法相比，基于隨機游走的改進麻雀搜索算法優(yōu)化正交匹配追蹤能夠快速重構信號，同時能夠有效的提取出結垢厚度在0.3 mm 及以上均壓電極的電極前表面超聲回波信號。 計算RWSSA-OMP 算法的SNR 達到12.889 8 dB，證明此算法有較高的稀疏表示能力與運算精度。

③利用優(yōu)化后的深度置信網(wǎng)絡對超聲回波信號進行識別，可有效的區(qū)分出結垢程度較厚的均壓電極，識別準確率為95.33%。 識別結果的準確率表明，RWSSA-OMP-DBN 可用于均壓電極結垢的超聲智能檢測，達到均壓電極結垢程度的檢測需求。