羅宏建，張 杰，趙洲峰，焦敬品

（1.國(guó)網(wǎng)浙江省電力有限公司電力科學(xué)研究院，杭州 310014；2.北京工業(yè)大學(xué) 材料與制造學(xué)部，北京 100124）

0 引言

支柱瓷絕緣子在電網(wǎng)運(yùn)行中主要起電氣絕緣和機(jī)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(jī)械負(fù)荷、周期性溫度荷載和天氣環(huán)境等因素的影響，支柱瓷絕緣子的失效故障時(shí)有發(fā)生［2-5］。支柱瓷絕緣子的失效，輕則造成輸電線(xiàn)路短路，嚴(yán)重的可造成大面積停電事故，嚴(yán)重影響電網(wǎng)的安全穩(wěn)定運(yùn)行。因此亟需開(kāi)展支柱瓷絕緣子無(wú)損檢測(cè)技術(shù)研究。

針對(duì)支柱瓷絕緣子缺陷檢測(cè)問(wèn)題，國(guó)內(nèi)外學(xué)者開(kāi)展了大量研究［6-8］。如彭子健等［9］采用紅外熱成像方法對(duì)高壓支柱瓷絕緣子進(jìn)行檢測(cè)；艾建勇等［10］介紹了瓷絕緣子污穢狀態(tài)的紫外圖像檢測(cè)方法；李曉紅等［11］討論了支柱瓷絕緣子的超聲檢測(cè)有效性。但是，這些檢測(cè)手段均存在有檢測(cè)盲區(qū)、檢測(cè)設(shè)備復(fù)雜、檢測(cè)準(zhǔn)確率低等問(wèn)題。

振動(dòng)聲學(xué)檢測(cè)是一種通過(guò)分析被檢測(cè)工件的振動(dòng)特性來(lái)診斷其材料是否損傷［12］的技術(shù)。張廣興［13］通過(guò)理論與實(shí)驗(yàn)分析驗(yàn)證了振動(dòng)聲學(xué)檢測(cè)法的可行性。趙飛亞［14］分析了支柱瓷絕緣子振動(dòng)聲學(xué)檢測(cè)方法的原理并討論了檢測(cè)位置的影響。但是這些研究大多關(guān)注支柱瓷絕緣子振動(dòng)聲學(xué)檢測(cè)在實(shí)際應(yīng)用中的可行性，因檢測(cè)時(shí)干擾因素多，工程適用性差，難以適應(yīng)現(xiàn)場(chǎng)檢測(cè)需求，無(wú)法實(shí)現(xiàn)缺陷自動(dòng)識(shí)別。

針對(duì)目前瓷絕緣子無(wú)損檢測(cè)研究現(xiàn)狀，本文研究了一種基于變分模態(tài)分解算法和BP（反向傳播）神經(jīng)網(wǎng)絡(luò)的支柱瓷絕緣子損傷自動(dòng)識(shí)別方法，以期解決高壓支柱瓷絕緣子損傷檢測(cè)問(wèn)題。

1 聲信號(hào)的采集與分析

1.1 采集系統(tǒng)的搭建及信號(hào)的采集

為了采集瓷絕緣子的聲振動(dòng)信號(hào)，搭建了瓷絕緣子實(shí)驗(yàn)系統(tǒng)，如圖1所示。系統(tǒng)可完成激勵(lì)信號(hào)的產(chǎn)生，檢測(cè)信號(hào)的采集、顯示與分析處理。系統(tǒng)包括如下設(shè)備：

圖1 瓷絕緣子實(shí)驗(yàn)系統(tǒng)

1）力傳感器和模態(tài)力錘：模態(tài)力錘的型號(hào)為YC-2，測(cè)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(jié)構(gòu)產(chǎn)生的空氣中的聲壓信號(hào)，并將傳感器所接收到的信號(hào)轉(zhuǎn)換成為電信號(hào)。

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

實(shí)驗(yàn)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(pán)，上下水泥膠合劑和瓷絕緣子支柱，其中上、下法蘭盤(pán)有4個(gè)預(yù)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(cè)面，提離距離4～5 cm。用力錘敲擊下法蘭產(chǎn)生振動(dòng)，聲壓傳感器采集支柱瓷絕緣子產(chǎn)生的聲信號(hào)，通過(guò)數(shù)字信號(hào)采集軟件送至計(jì)算機(jī)進(jìn)行分析處理。

表1 缺陷試件情況

1.2 信號(hào)分析

每個(gè)完整試件共測(cè)得100～120 組力錘敲擊的聲信號(hào)，圖2（a）、圖2（c）、圖2（e）是最具代表性的子信號(hào)，每個(gè)子信號(hào)為5 100個(gè)采樣點(diǎn)數(shù)，持續(xù)時(shí)間為0.3 s。時(shí)域信號(hào)均為脈沖信號(hào)，信號(hào)的形狀相似，但僅從時(shí)域信號(hào)不能發(fā)現(xiàn)完整瓷絕緣子試件聲響應(yīng)的共同點(diǎn)。

將時(shí)域信號(hào)轉(zhuǎn)換成頻域信號(hào)進(jìn)行分析。對(duì)比圖2（b）完好試件頻域信號(hào)和圖2（d）缺陷試件頻域信號(hào)，發(fā)現(xiàn)缺陷試件頻譜能量最強(qiáng)的頻率在3 900 Hz 左右，而完好試件能量最強(qiáng)的頻率在1 950 Hz處左右?？梢?jiàn)瓷絕緣子的損傷使聲信號(hào)的頻譜能量分布發(fā)生了改變，因此通過(guò)聲振動(dòng)方法來(lái)檢測(cè)瓷絕緣子的損傷是可行的。

圖2 試件聲響應(yīng)實(shí)驗(yàn)結(jié)果

但僅從頻譜能量分布來(lái)判斷瓷絕緣子是否損傷還存在兩個(gè)問(wèn)題：一是部分信號(hào)頻譜能量的改變不是很明顯，如通過(guò)完好試件1的頻譜信號(hào)很難判斷其是否發(fā)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(wěn)定所致，也有可能是聲壓傳感器被環(huán)境噪聲干擾所致，所以應(yīng)引入信號(hào)的去噪算法，使得聲振動(dòng)信號(hào)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(tài)，不能實(shí)現(xiàn)智能識(shí)別。

2 基于變分模態(tài)分解的信號(hào)去噪聲方法

變分模態(tài)分解是一種新的自適應(yīng)信號(hào)處理方法［15］。該方法假設(shè)每階本征模態(tài)函數(shù)具有不同中心頻率的有限帶寬，為使每個(gè)本征模態(tài)函數(shù)的帶寬之和最小，通過(guò)轉(zhuǎn)換解決變分問(wèn)題，將各本征模態(tài)函數(shù)解調(diào)到相應(yīng)的基頻帶，最終提取各個(gè)本征模態(tài)函數(shù)及其相應(yīng)的中心頻率。瓷絕緣子實(shí)驗(yàn)信號(hào)變分模態(tài)分解流程如圖3所示，主要包括分解層數(shù)的確定、信號(hào)的重構(gòu)及BP 神經(jīng)網(wǎng)絡(luò)應(yīng)用3個(gè)步驟。

圖3 變分模態(tài)分解算法流程

2.1 分解層數(shù)的確認(rèn)

將瓷絕緣子信號(hào)進(jìn)行變分模態(tài)分解，采用能量法求解分解層數(shù)K。分解結(jié)果中各分量是正交關(guān)系，因此，從能量的角度分析，各本征模態(tài)函數(shù)分量的能量之和與原始信號(hào)相等。若算法存在過(guò)分解，其剩余項(xiàng)的能量值會(huì)與均值較接近，就會(huì)出現(xiàn)分解的信號(hào)分量能量之和大于原始信號(hào)能量的總能量。由于不同的信號(hào)分解能量值大小不同，定義分解能量差值參數(shù)η，即：

式中：Ep和Ex分別為原始信號(hào)及分解信號(hào)的能量值。

對(duì)于一系列K值對(duì)應(yīng)的能量參數(shù)η，當(dāng)其值經(jīng)過(guò)若干個(gè)較小的值之后出現(xiàn)突然增大時(shí)，則此轉(zhuǎn)折點(diǎn)所對(duì)應(yīng)的分解層數(shù)即為最合適的分解層數(shù)。對(duì)于每個(gè)瓷絕緣子中的100組子信號(hào)，隨機(jī)抽取5組信號(hào)做以上的10 層分解操作，對(duì)分解出的每層本征模態(tài)分量做分解能量差值參數(shù)η的計(jì)算。以試件4 為例，它的5 組信號(hào)的η值變化趨勢(shì)如圖4 所示，η值在K=4處出現(xiàn)了明顯的極值點(diǎn)，在K=5以后迅速增大，表明處理試件4的子信號(hào)時(shí)，將分解層數(shù)設(shè)置為4較合適。

圖4 試件4分解能量差值

2.2 變分模態(tài)分解及信號(hào)重構(gòu)

設(shè)置好分解層數(shù)后，對(duì)瓷絕緣子試件信號(hào)進(jìn)行變分模態(tài)分解計(jì)算。如圖5所示，試件4為完整瓷絕緣子，從中選取一個(gè)信號(hào)對(duì)其做變分模態(tài)分解。試件4 的最佳分解層數(shù)為4 層，所以圖5 包括5 個(gè)分量，分別是瓷絕緣子原始信號(hào)和分解后的4階本征模態(tài)分量，從幅值上可看出，信號(hào)被分解成為了2個(gè)主要成分和2個(gè)次要成分，對(duì)本征模態(tài)分量分別做FFT（快速傅立葉變換）操作，得到圖5（b）所示結(jié)果。

圖5 試件4信號(hào)變分模態(tài)分解結(jié)果

分解之后所產(chǎn)生的本征模態(tài)分量會(huì)存在冗余項(xiàng)，需確定一個(gè)判別標(biāo)準(zhǔn)，將虛假分量剔除后，重構(gòu)信號(hào)，并產(chǎn)生新的子信號(hào)組，達(dá)到去除噪聲的目的。相關(guān)系數(shù)是一種可以反映變量之間緊密程度的參數(shù)。通過(guò)獲取與原始信號(hào)相關(guān)系數(shù)更高的本征模態(tài)分量作為有效分量進(jìn)行重構(gòu)，以消除變分模態(tài)分解的兩大難題：分解層數(shù)K選取困難和虛假模態(tài)的剔除。由式（2）可得瓷絕緣子原始信號(hào)與各階本征模態(tài)函數(shù)分量的互相關(guān)系數(shù)，即：

式中：Rx為原始信號(hào)的自相關(guān)系數(shù)；Rj為本征模態(tài)信號(hào)的自相關(guān)系數(shù)。

互相關(guān)系數(shù)rj的大小代表了本征模態(tài)分量與原始信號(hào)的相關(guān)性，其值越大，則代表本征模態(tài)分量與瓷絕緣子接收的原始信號(hào)相關(guān)程度越高；反之，則相關(guān)程度越低。試件4信號(hào)的自相關(guān)系數(shù)計(jì)算結(jié)果如表2所示。

表2 瓷絕緣子信號(hào)本征模態(tài)分量與原始信號(hào)相關(guān)系數(shù)

相關(guān)系數(shù)的值與圖5中本征模態(tài)函數(shù)分量的形狀相吻合，顯然第一階本征模態(tài)函數(shù)的相關(guān)系數(shù)最小。當(dāng)計(jì)算好各階本征模態(tài)分量與原始信號(hào)的相關(guān)系數(shù)后，需要選取一個(gè)閾值來(lái)實(shí)現(xiàn)對(duì)虛假模態(tài)的判定，閾值的計(jì)算方法如式（3）所示：

式中：rmax為所有本征模態(tài)函數(shù)分量與原始信號(hào)的相關(guān)系數(shù)最大值，根據(jù)經(jīng)驗(yàn)設(shè)置系數(shù)m為10，修正量n為3。最終計(jì)算結(jié)果為ρ=0.153 5，所以將相關(guān)系數(shù)小于判定閾值ρ的本征模態(tài)函數(shù)分量剔除，即第一階本征模態(tài)函數(shù)分量。將余下的幾階本征模態(tài)分量相加，實(shí)現(xiàn)對(duì)信號(hào)的重構(gòu)（如圖6 所示），可見(jiàn)該算法剔除了大部分噪聲及冗余分量。

圖6 原始信號(hào)與重構(gòu)信號(hào)

3 基于BP神經(jīng)網(wǎng)絡(luò)的損傷自動(dòng)識(shí)別

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)屬于多層神經(jīng)網(wǎng)絡(luò)，其原理是利用誤差進(jìn)行逆向傳播從而調(diào)整每個(gè)神經(jīng)元之間的連接值進(jìn)行學(xué)習(xí)。它可以對(duì)非線(xiàn)性的問(wèn)題進(jìn)行逼近求解和預(yù)測(cè)，適用范圍廣泛［16］。本文利用BP神經(jīng)網(wǎng)絡(luò)分別對(duì)原始信號(hào)及變態(tài)分解重構(gòu)后的信號(hào)進(jìn)行損傷識(shí)別對(duì)比。

3.1 基于原始信號(hào)特征參數(shù)的識(shí)別

對(duì)前文所述8 個(gè)瓷絕緣子試件進(jìn)行振動(dòng)測(cè)試，獲得860個(gè)聲振動(dòng)信號(hào)，其中含缺陷試件信號(hào)和完好試件信號(hào)各430個(gè)。將信號(hào)分為訓(xùn)練樣本、測(cè)試樣本和驗(yàn)證樣本，其中訓(xùn)練和測(cè)試樣本共800 個(gè)，剩余60 個(gè)樣本為驗(yàn)證樣本。每次從800 個(gè)信號(hào)中隨機(jī)抽取100個(gè)信號(hào)組成測(cè)試樣本，其余作為訓(xùn)練樣本輸入BP神經(jīng)網(wǎng)絡(luò)，設(shè)置網(wǎng)絡(luò)參數(shù)，將最大迭代次數(shù)提高到20 000 次，并且做10 次重復(fù)操作，取10 次識(shí)別率平均值作為評(píng)估BP 神經(jīng)網(wǎng)絡(luò)算法的量度。10次識(shí)別率如表3所示。

表3 測(cè)試信號(hào)的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

雖然10 次平均識(shí)別率達(dá)到了87.3%，但每次識(shí)別率波動(dòng)較大，主要原因在于：一是每次測(cè)試信號(hào)為隨機(jī)抽取，所以神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果和識(shí)別效果差異較大；二是本組識(shí)別結(jié)果所選用的信號(hào)為聲壓傳感器直接接收的信號(hào)，由于傳感器較為敏感，所以環(huán)境中的噪聲也被傳感器接收到，降低了信號(hào)的特征提取效果，進(jìn)而影響識(shí)別率。

將驗(yàn)證信號(hào)組中的60 個(gè)采集信號(hào)通入表3 中與識(shí)別率均值最接近的第4 組BP 神經(jīng)網(wǎng)絡(luò)模型中，得到結(jié)果如圖7所示。

圖7 原始信號(hào)識(shí)別結(jié)果

完整和損傷的瓷絕緣子信號(hào)都有一部分識(shí)別錯(cuò)誤，其中，4 個(gè)無(wú)缺陷信號(hào)被歸類(lèi)為含缺陷信號(hào)，6個(gè)含缺陷信號(hào)被歸類(lèi)為無(wú)缺陷信號(hào)，總體識(shí)別率為83.3%。為進(jìn)一步提高神經(jīng)網(wǎng)絡(luò)模型的識(shí)別率，下面將研究采用去噪算法后重構(gòu)信號(hào)的BP神經(jīng)網(wǎng)絡(luò)識(shí)別效果。

3.2 基于變分模態(tài)分解法的瓷絕緣子BP神經(jīng)網(wǎng)絡(luò)識(shí)別

把860 個(gè)信號(hào)變分模態(tài)分解重構(gòu)，通入BP 神經(jīng)網(wǎng)絡(luò)中，設(shè)定的參數(shù)以及訓(xùn)練、測(cè)試、驗(yàn)證信號(hào)個(gè)數(shù)與上文相同。對(duì)提取的特征值進(jìn)行10次BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，得到訓(xùn)練結(jié)果如表4所示。

表4 實(shí)驗(yàn)信號(hào)的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

變分模態(tài)分解算法對(duì)神經(jīng)網(wǎng)絡(luò)的識(shí)別效果提升較為顯著，使10 次平均識(shí)別率提升到94.1%，并且進(jìn)一步使得10 次識(shí)別率的波動(dòng)性減小，選擇第10 組BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行驗(yàn)證，得到驗(yàn)證結(jié)果如圖8所示。

圖8 重構(gòu)信號(hào)識(shí)別結(jié)果

變分模態(tài)分解處理后的重構(gòu)信號(hào)驗(yàn)證組識(shí)別率提升到90%，可見(jiàn)變分模態(tài)分解算法對(duì)于瓷絕緣子實(shí)驗(yàn)信號(hào)的識(shí)別有有益的影響。

4 結(jié)論

使用變分模態(tài)法對(duì)采集的聲振動(dòng)信號(hào)進(jìn)行分解及重構(gòu)，并將重構(gòu)后的聲信號(hào)輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行智能識(shí)別，結(jié)果表明：

1）瓷絕緣子的損傷使聲信號(hào)的頻譜能量分布發(fā)生了改變，因此通過(guò)聲振動(dòng)方法來(lái)檢測(cè)瓷絕緣子的損傷是可行的。

2）將變分模態(tài)分解算法應(yīng)用于瓷絕緣子信號(hào)的提取，使用能量系數(shù)法確定了分解層數(shù)K，并使用相關(guān)系數(shù)法對(duì)所有信號(hào)進(jìn)行重構(gòu)，去噪效果較好。

3）基于變分模態(tài)分解算法的BP神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)瓷絕緣子信號(hào)的智能識(shí)別，具有損傷識(shí)別正確率高、受干擾噪聲影響小的特點(diǎn)。相對(duì)于原始信號(hào)，變分模態(tài)分解算法將平均識(shí)別率從83.3%提升到94.1%。