機(jī)器學(xué)習(xí)在復(fù)合絕緣子缺陷超聲檢測(cè)中的應(yīng)用與展望

作為一種重要的輸電網(wǎng)電氣絕緣設(shè)備，絕緣子在保證電力系統(tǒng)安全穩(wěn)定運(yùn)行方面發(fā)揮著重要作用。絕緣子在實(shí)現(xiàn)輸電線路隔離的同時(shí)，也為輸電線路提供了機(jī)械支撐，使其在相對(duì)惡劣的環(huán)境中仍能安全可靠地運(yùn)行。與傳統(tǒng)的玻璃絕緣子和瓷絕緣子不同，復(fù)合絕緣子以橡膠等聚合物為主要材料，憑借其優(yōu)異的防污閃性能得到了廣泛應(yīng)用。其兼具高機(jī)械強(qiáng)度、高便攜度以及高環(huán)境耐受度等優(yōu)點(diǎn)，但是復(fù)合絕緣子在使用過程中由于環(huán)境的污染和服役時(shí)間的增加，將不可避免地出現(xiàn)故障，影響輸電線路的絕緣性能，因此，對(duì)復(fù)合絕緣子進(jìn)行質(zhì)量檢測(cè)是保障其安全運(yùn)行的必要前提。目前用于復(fù)合絕緣子缺陷檢測(cè)的方法有：適用于端部金具的射線檢測(cè)、磁粉檢測(cè)和渦流檢測(cè)；適用于芯棒壓接的聲發(fā)射檢測(cè)；適用于復(fù)合絕緣子內(nèi)部缺陷的超聲檢測(cè)。此外，其它檢測(cè)手段如噴水法、觀察法、紅外成像法、電暈放電法等，在復(fù)合絕緣子檢測(cè)領(lǐng)域也具有一定的應(yīng)用價(jià)值。超聲檢測(cè)方法由于具有高靈敏度、高檢測(cè)速度以及高缺陷識(shí)別率等優(yōu)點(diǎn)，在復(fù)合絕緣子無損檢測(cè)中得到了大量的應(yīng)用，可對(duì)絕緣子內(nèi)部的斷層、脫粘、裂紋等缺陷進(jìn)行有效檢測(cè)。目前主要采用常規(guī)超聲、相控陣超聲和超聲導(dǎo)波技術(shù)對(duì)復(fù)合絕緣子的內(nèi)部缺陷進(jìn)行識(shí)別和定位。工業(yè)領(lǐng)域目前大多采用人工方法對(duì)缺陷進(jìn)行定性和定量分析，但人工方法容易受到主觀因素干擾而造成缺陷的漏判和誤判?；跈C(jī)器學(xué)習(xí)的缺陷自動(dòng)化檢測(cè)系統(tǒng)可以在實(shí)現(xiàn)高準(zhǔn)確度缺陷檢測(cè)的基礎(chǔ)上避免人工檢測(cè)存在的不足，并顯著提高缺陷的檢測(cè)速度。隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，人工智能也逐漸走進(jìn)了大眾的視野。早期的淺層神經(jīng)網(wǎng)絡(luò)通過建立少量全連接層便可以自動(dòng)學(xué)習(xí)特征識(shí)別方法，在一定程度上取代了人工方法。但是，淺層神經(jīng)網(wǎng)絡(luò)普遍存在諸如過擬合嚴(yán)重、訓(xùn)練困難、過分依賴先驗(yàn)知識(shí)等問題，難以在實(shí)際超聲檢測(cè)領(lǐng)域得到廣泛應(yīng)用。因此，基于HINTON等提出的深度學(xué)習(xí)理念，多層神經(jīng)網(wǎng)絡(luò)的疊加可以實(shí)現(xiàn)特征的自動(dòng)化提取與分類，降低了模型訓(xùn)練難度，同時(shí)提高了特征識(shí)別的準(zhǔn)確度，有效地解決了淺層神經(jīng)網(wǎng)絡(luò)存在的問題。絕緣子超聲檢測(cè)信號(hào)一般采用A掃描一維信號(hào)表示，也可以通過陣列超聲信號(hào)進(jìn)行二維圖像表示。缺陷識(shí)別屬于分類問題，而一維數(shù)據(jù)、二維圖像分類問題正是深度神經(jīng)網(wǎng)絡(luò)的擅長(zhǎng)項(xiàng)，因此，相對(duì)于復(fù)合絕緣子缺陷人工識(shí)別方法，深度學(xué)習(xí)在缺陷信號(hào)的深層次特征提取中具有無可比擬的優(yōu)勢(shì)。01復(fù)合絕緣子超聲檢測(cè)方法1常規(guī)超聲檢測(cè)圖1

常規(guī)超聲的檢測(cè)原理與基本過程常規(guī)超聲的檢測(cè)原理與基本過程如圖1所示。在常規(guī)超聲檢測(cè)方法的研究中，清華大學(xué)的研究人員利用硅橡膠材料的聲阻抗率與水近似這一特點(diǎn)，采用超聲脈沖回波法對(duì)復(fù)合絕緣子中存在的缺陷進(jìn)行了檢測(cè)；其后他們又采用超聲縱波斜入射方法對(duì)復(fù)合絕緣子芯棒上存在的裂紋進(jìn)行了有效檢測(cè)，避免了芯棒脆斷造成惡性電力事故。華南理工大學(xué)的研究人員通過常規(guī)超聲檢測(cè)法驗(yàn)證了傘裙優(yōu)化的必要性，并成功檢測(cè)出復(fù)合絕緣子內(nèi)部存在的缺陷。常規(guī)超聲探頭結(jié)構(gòu)比較簡(jiǎn)單，功能也比較單一，無法控制聲束方向，因此難以應(yīng)用到其它復(fù)雜場(chǎng)合。目前采用常規(guī)超聲對(duì)復(fù)合絕緣子進(jìn)行的研究已經(jīng)較為少見，取而代之的是性能更為優(yōu)異的相控陣超聲檢測(cè)法。2相控陣超聲檢測(cè)圖2

相控陣超聲的檢測(cè)原理與基本過程圖2所示為相控陣超聲的檢測(cè)原理與基本過程。相控陣超聲的參數(shù)設(shè)置一般在配套軟件上進(jìn)行，包括開啟通道數(shù)、激發(fā)規(guī)則、掃描類型、速度等。隨后，需要采用耦合劑來實(shí)現(xiàn)探頭和被測(cè)試件的耦合，避免聲阻抗不匹配導(dǎo)致超聲能量衰減。華南理工大學(xué)的研究人員采用相控陣超聲探傷儀對(duì)復(fù)合絕緣子內(nèi)部存在的人工缺陷進(jìn)行檢測(cè)，為復(fù)合絕緣子的檢測(cè)提供了新思路。河北工業(yè)大學(xué)的研究人員針對(duì)復(fù)合絕緣子離線監(jiān)測(cè)存在的諸多不足，提出了一種基于超聲水囊耦合方法的相控陣超聲帶電掃查方法，證明了超聲線掃的優(yōu)越性，在有效檢測(cè)缺陷的基礎(chǔ)上，消除了停電作業(yè)對(duì)電力系統(tǒng)帶來的影響。國(guó)網(wǎng)湖北省電力有限公司檢修公司的研究人員采用了直接接觸法對(duì)復(fù)合絕緣子的傘裙、芯棒和護(hù)套內(nèi)部缺陷進(jìn)行了相控陣超聲檢測(cè)，實(shí)現(xiàn)了缺陷的有效識(shí)別。河北工業(yè)大學(xué)的研究人員通過基于水囊柔性耦合法的相控陣超聲對(duì)小管徑復(fù)合絕緣子的內(nèi)部缺陷進(jìn)行了有效檢測(cè)，并且得到了較高的檢測(cè)精度。可以發(fā)現(xiàn)，基于相控陣超聲的復(fù)合絕緣子檢測(cè)技術(shù)正在蓬勃發(fā)展，并且檢測(cè)方法也在不斷地優(yōu)化。3超聲導(dǎo)波檢測(cè)圖3

超聲導(dǎo)波的檢測(cè)原理與基本過程超聲導(dǎo)波是一種超聲波在波導(dǎo)內(nèi)經(jīng)過復(fù)雜的反復(fù)反射、折射和透射形成的穩(wěn)定波束，具有傳播距離長(zhǎng)且衰減小的特點(diǎn)，特別適用于長(zhǎng)距離管道的內(nèi)外缺陷快速檢測(cè)。圖3所示為復(fù)合絕緣子的超聲導(dǎo)波檢測(cè)原理與基本過程。在檢測(cè)時(shí)，一般采用斜入射激勵(lì)超聲導(dǎo)波，并在接入壓電晶片前應(yīng)用功率放大器進(jìn)行功率增幅。當(dāng)導(dǎo)波到達(dá)另一換能器位置時(shí)，壓電晶片會(huì)將接收到的振動(dòng)信號(hào)轉(zhuǎn)換為電信號(hào)，而該信號(hào)中則包含了導(dǎo)波經(jīng)過區(qū)域的全部缺陷信息。在進(jìn)行信號(hào)可視化后，需要專業(yè)人員對(duì)采集到的信號(hào)進(jìn)行分析，確定缺陷位置及其他信息。迄今已有諸多學(xué)者采用超聲導(dǎo)波對(duì)復(fù)合絕緣子的內(nèi)部缺陷進(jìn)行了檢測(cè)。華南理工大學(xué)的研究人員采用低頻L(0,1)縱向模態(tài)導(dǎo)波對(duì)絕緣子玻璃芯棒存在的缺陷進(jìn)行了有效檢測(cè)，并通過公式推導(dǎo)、仿真分析與試驗(yàn)驗(yàn)證了超聲導(dǎo)波檢測(cè)復(fù)合絕緣子缺陷的可行性；他們還采用了L(0,1)縱向模態(tài)和T(0,1)扭轉(zhuǎn)模態(tài)導(dǎo)波對(duì)復(fù)合絕緣子玻璃芯棒的軸向和周向缺陷進(jìn)行了檢測(cè)，并驗(yàn)證了這兩種模態(tài)的導(dǎo)波均可以實(shí)現(xiàn)單層玻璃芯棒的檢測(cè)；此外還通過建立簡(jiǎn)化的雙層復(fù)合絕緣子模型，基于匹配追蹤方法對(duì)復(fù)合絕緣子芯棒和脫粘缺陷進(jìn)行了檢測(cè)研究。雖然超聲導(dǎo)波可以實(shí)現(xiàn)復(fù)合絕緣子芯棒的高效檢測(cè)，但是目前尚無理論對(duì)特殊的各向異性材料的導(dǎo)波傳播特性進(jìn)行解釋和準(zhǔn)確描述，因此還需要對(duì)其進(jìn)行進(jìn)一步的研究。02機(jī)器學(xué)習(xí)理論在超聲無損檢測(cè)中的應(yīng)用機(jī)器學(xué)習(xí)作為一種計(jì)算機(jī)決策方法，主要用于自動(dòng)化大數(shù)據(jù)分析、自動(dòng)模式識(shí)別、自動(dòng)數(shù)據(jù)預(yù)測(cè)等領(lǐng)域，并具有隨訓(xùn)練數(shù)據(jù)增長(zhǎng)而獲得更加優(yōu)異性能的特點(diǎn)。機(jī)器學(xué)習(xí)理論的發(fā)展與統(tǒng)計(jì)領(lǐng)域息息相關(guān)，其將統(tǒng)計(jì)理論以預(yù)測(cè)為目標(biāo)進(jìn)行了改進(jìn)。一般來說，統(tǒng)計(jì)學(xué)側(cè)重于數(shù)據(jù)的理解與解釋，而機(jī)器學(xué)習(xí)和人工智能更側(cè)重于決策的結(jié)果，而非過程的可解釋性。在超聲無損檢測(cè)中需要有效地識(shí)別缺陷，而機(jī)器學(xué)習(xí)正擅長(zhǎng)于解決此類問題并給出缺陷的預(yù)測(cè)結(jié)果，且無需關(guān)注中間過程。近幾年來有諸多學(xué)者對(duì)此展開了詳細(xì)的研究，其中大部分學(xué)者采用了特征提取與統(tǒng)計(jì)機(jī)器學(xué)習(xí)相結(jié)合的方法來識(shí)別超聲信號(hào)中包含的缺陷信息，并取得了良好的效果。目前最新的研究表明，隨著深度學(xué)習(xí)理論的不斷發(fā)展，采用深層次卷積神經(jīng)網(wǎng)絡(luò)對(duì)缺陷進(jìn)行分類有更加優(yōu)異的表現(xiàn)，且深層神經(jīng)網(wǎng)絡(luò)可以自動(dòng)地提取分類特征，無需復(fù)雜的特征提取算法。下面將對(duì)目前的機(jī)器學(xué)習(xí)超聲無損檢測(cè)領(lǐng)域進(jìn)行較為全面的綜述，并總結(jié)數(shù)據(jù)集增強(qiáng)和提高模型泛化能力的已被證明有效的優(yōu)化方法。1特征提取-統(tǒng)計(jì)機(jī)器學(xué)習(xí)法通過提取超聲信號(hào)的特征后采用機(jī)器學(xué)習(xí)算法進(jìn)行分類的方法已經(jīng)被廣泛使用，其基本流程如圖4所示?？梢钥闯鎏卣魈崛∨c統(tǒng)計(jì)機(jī)器學(xué)習(xí)缺陷分類是最重要的兩個(gè)環(huán)節(jié)，也是決定缺陷分類精度的重要因素。因此下面對(duì)這二者進(jìn)行綜述，總結(jié)目前已成功用于超聲無損檢測(cè)領(lǐng)域的特征提取技術(shù)和統(tǒng)計(jì)機(jī)器學(xué)習(xí)分類預(yù)測(cè)技術(shù)。圖4

機(jī)器學(xué)習(xí)算法處理超聲檢測(cè)信號(hào)流程針對(duì)一維A掃描超聲信號(hào)，采用傳統(tǒng)的信號(hào)處理方法即可實(shí)現(xiàn)缺陷特征的有效提取。這些方法包括離散傅里葉變換(DFT)、離散小波變換(DWT)、主成分分析(PCA)、遺傳算法(GA)、經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)、裂譜分析(SSP)等，而針對(duì)二維B掃描超聲圖像，上述方法并不適用，需要采用一系列新的二維統(tǒng)計(jì)描述符來提取圖像特征，如局部二進(jìn)制模式(LBP)、方向梯度直方圖(HOG)、高階局部自相關(guān)(HLAC)、梯度局部自相關(guān)(GLAC)等。根據(jù)上述研究?jī)?nèi)容，可以通過不同的算法提取出包含缺陷信息的低維緊湊特征向量，然后使用統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法對(duì)提取出的特征向量進(jìn)行分類。目前廣泛使用的統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法包括奇異值分解(SVD)、支持向量機(jī)(SVM)、稀疏編碼(SC)、人工神經(jīng)網(wǎng)絡(luò)(ANN)、隨機(jī)森林(RF)、主成分分析(PCA)、概率神經(jīng)網(wǎng)絡(luò)(PNN)、費(fèi)舍爾判別分析(FDA)、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)等。對(duì)于尺寸小于100μm的缺陷一般直接采用K最近鄰(KNN)分類算法，該種方法要比卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等復(fù)雜算法更加有效。2深層神經(jīng)網(wǎng)絡(luò)法近年來，隨著深度學(xué)習(xí)的提出，具有深層次結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于圖像識(shí)別與自然語(yǔ)言處理等領(lǐng)域。在無損檢測(cè)領(lǐng)域，針對(duì)超聲檢測(cè)缺陷信號(hào)難以識(shí)別的問題，日本國(guó)家計(jì)量研究所（NMIJ）的研究人員提出了兩種深度卷積神經(jīng)網(wǎng)絡(luò)用于識(shí)別二維超聲圖像：USseqNet和USresNet。二者的網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。USseqNet采用深層次順序型卷積神經(jīng)網(wǎng)絡(luò)對(duì)128像素×128像素的彩色超聲圖像進(jìn)行缺陷識(shí)別，但是隨著網(wǎng)絡(luò)層數(shù)的不斷加深，模型的表達(dá)能力并非是線性增強(qiáng)的，更深的網(wǎng)絡(luò)會(huì)使收斂速度變慢，分類準(zhǔn)確度反而會(huì)變差。因此，深度殘差網(wǎng)絡(luò)(ResNet)被提出以解決此類問題，即通過恒等映射在不增加計(jì)算成本的前提下改變了信息的前向和后向傳遞的方式，促進(jìn)了網(wǎng)絡(luò)的進(jìn)一步優(yōu)化。圖5

USseqNet與USresNet的網(wǎng)絡(luò)結(jié)構(gòu)由圖5可以看出，USresNet網(wǎng)絡(luò)的結(jié)構(gòu)層次較深，采用了7個(gè)卷積層、7個(gè)批歸一化層、7個(gè)ReLU(一種常用的激活函數(shù))層、3個(gè)短接模塊、3個(gè)短接后組合ReLU層和1個(gè)全連接層。結(jié)果表明，采用殘差模塊的深度卷積神經(jīng)網(wǎng)絡(luò)的分類效果更好，性能更高，且無需在分類前進(jìn)行缺陷特征的預(yù)提取，在很大程度上降低了計(jì)算復(fù)雜度，提高了預(yù)測(cè)準(zhǔn)確率。目前，使用深度學(xué)習(xí)來研究超聲無損檢測(cè)信號(hào)分類問題的案例較為匱乏，僅在近幾年才引起無損檢測(cè)領(lǐng)域?qū)W者們的注意。韓國(guó)成均館大學(xué)(SungkyunkwanUniversity)的研究人員對(duì)特征工程-淺層神經(jīng)網(wǎng)絡(luò)和深層神經(jīng)網(wǎng)絡(luò)進(jìn)行了對(duì)比，并得到了一致的結(jié)論，即淺層機(jī)器學(xué)習(xí)分類模型需要特征工程作為輔助預(yù)處理手段，而深層卷積神經(jīng)網(wǎng)絡(luò)可以自動(dòng)提取出高層信息，無需復(fù)雜的特征工程。3數(shù)據(jù)集增強(qiáng)雖然研究人員已經(jīng)提出了表達(dá)能力較好的適用于超聲無損檢測(cè)領(lǐng)域的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與算法，但是網(wǎng)絡(luò)層次的不斷加深會(huì)導(dǎo)致其更加依賴于具有足夠樣本的數(shù)據(jù)集，這在目前的無損檢測(cè)領(lǐng)域是很難實(shí)現(xiàn)的。由于超聲檢測(cè)的方法眾多，儀器的型號(hào)多種多樣，標(biāo)準(zhǔn)缺陷的制作也會(huì)耗費(fèi)大量的人力、物力和財(cái)力，很難找到適用于特定檢測(cè)環(huán)境的數(shù)據(jù)集來對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，所以針對(duì)超聲無損檢測(cè)數(shù)據(jù)集稀缺的問題，研究人員提出了多種數(shù)據(jù)增強(qiáng)方法來對(duì)已有的少量檢測(cè)數(shù)據(jù)進(jìn)行有效擴(kuò)充。虛擬缺陷法可用于從有限的模型和缺陷集中生成具有足夠代表性的超聲數(shù)據(jù)。這種方法通過在原始信號(hào)中逐點(diǎn)插入幅值可變的虛擬缺陷來模擬真實(shí)缺陷的位置和大小。臺(tái)灣逢甲大學(xué)（FengChiaUniversity,FCU）的研究人員采用仿真信號(hào)來對(duì)數(shù)據(jù)集進(jìn)行增強(qiáng)，但是相對(duì)于真實(shí)信號(hào)難以準(zhǔn)確確定仿真參數(shù)。伊朗薩達(dá)德科技大學(xué)（SadjadUniversityofTechnology）的研究人員采用了多源數(shù)據(jù)融合方法對(duì)有限數(shù)據(jù)集進(jìn)行增強(qiáng)，該方法可以利用來自多源的數(shù)據(jù)并有利于缺陷種類的區(qū)分。此外，還有其他對(duì)數(shù)據(jù)集進(jìn)行直接操作的方法，如鏡像、旋轉(zhuǎn)、縮放、平移、裁剪等，這些方法均有助于深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和抑制過擬合現(xiàn)象。4泛化能力增強(qiáng)采用數(shù)據(jù)增強(qiáng)的深度學(xué)習(xí)技術(shù)可以在已有的訓(xùn)練數(shù)據(jù)集上有良好的表現(xiàn)，但是對(duì)全新的超聲數(shù)據(jù)進(jìn)行有效識(shí)別仍是對(duì)網(wǎng)絡(luò)的一大考驗(yàn)。在超聲無損檢測(cè)領(lǐng)域，諸多學(xué)者提出了多種提高深度學(xué)習(xí)泛化能力的技術(shù)，包括采用波長(zhǎng)池化以消除譜影響；添加隨機(jī)Dropout函數(shù)正則化層抑制過擬合；將信號(hào)放縮為歸一化幅值避免激活函數(shù)飽和；采用自編碼器去噪以提高分類精度；采用雙正則支持向量機(jī)算法取代最后一層Softmax函數(shù)來完成分類任務(wù)等。上述方法可以在一定程度上提高深度神經(jīng)網(wǎng)絡(luò)的泛化能力，但也會(huì)相應(yīng)地增加計(jì)算復(fù)雜度。5超聲導(dǎo)波與深度學(xué)習(xí)目前，基于機(jī)器學(xué)習(xí)的超聲導(dǎo)波缺陷檢測(cè)的相關(guān)研究較少，如采用人工神經(jīng)網(wǎng)絡(luò)-概率橢圓法進(jìn)行蘭姆波的缺陷識(shí)別；采用獨(dú)立成分分析法(ICA)進(jìn)行管道缺陷檢測(cè)等。由于導(dǎo)波信號(hào)屬于一維信號(hào)，且檢測(cè)波形會(huì)受到環(huán)境變化的影響，所以有研究采用了梅林變換來模擬環(huán)境的變化，實(shí)現(xiàn)了數(shù)據(jù)集增強(qiáng)；此外還有采用多信號(hào)組成的二維圖像來作為網(wǎng)絡(luò)的輸入，進(jìn)一步提高了網(wǎng)絡(luò)的缺陷識(shí)別能力?！锝Y(jié)語(yǔ)★采用深層卷積神經(jīng)網(wǎng)絡(luò)對(duì)常規(guī)超聲、相控陣超聲和超聲導(dǎo)波的缺陷信號(hào)識(shí)別均有較高的精確度，有望解決目前人工檢測(cè)帶來的漏檢、誤檢、檢測(cè)效率低等問題，實(shí)現(xiàn)復(fù)合絕緣子超聲無損檢測(cè)的智能化和自動(dòng)化。采用深度學(xué)習(xí)模型進(jìn)行缺陷檢測(cè)仍然存在一些不足。首先是數(shù)據(jù)集過小的問題，盡管目前已經(jīng)存在多種數(shù)據(jù)增強(qiáng)手段，但是這些方法仍然依賴于原始數(shù)據(jù)集的規(guī)模，而復(fù)合絕緣子的超聲檢測(cè)數(shù)據(jù)難以獲得，對(duì)缺陷的標(biāo)注也可能不合理，從根本上影響了深度學(xué)習(xí)的預(yù)測(cè)準(zhǔn)確度；其次，卷積神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)較為復(fù)雜，限制了其在高速檢測(cè)實(shí)時(shí)分析缺陷信息的應(yīng)用，并且其過慢的訓(xùn)練速度也會(huì)導(dǎo)致模型調(diào)試?yán)щy，可能會(huì)喪失其相對(duì)于人工缺陷識(shí)別的速度優(yōu)勢(shì)；最后，深度學(xué)習(xí)存在黑箱問題，使得模型的解釋性較