祁宏昌 張斌 黃嘉盛 劉遠(yuǎn) 吳倩 洪曉斌

摘要：瓷套式高壓電纜終端內(nèi)部液態(tài)介質(zhì)關(guān)乎高壓電纜的運(yùn)行安全，其內(nèi)液位定時(shí)檢測(cè)可以有效排除因介質(zhì)泄露引起的安全隱患。該文提出一種基于STFT和DBN的瓷套式高壓電纜終端液位智能檢測(cè)方法。首先，對(duì)超聲蘭姆波信號(hào)進(jìn)行信號(hào)分割，并通過短時(shí)傅里葉變換獲取分段信號(hào)的時(shí)頻表示;然后，提取分段時(shí)頻信號(hào)的有效值、峰峰值、峭度和波形因子等統(tǒng)計(jì)特征;最后將提取的特征作為深度置信網(wǎng)絡(luò)模型的輸入，并將液位分為15個(gè)區(qū)間作為網(wǎng)絡(luò)輸出。實(shí)驗(yàn)訓(xùn)練迭代5000次時(shí)，所提方法的液位識(shí)別準(zhǔn)確率為92%;當(dāng)訓(xùn)練迭代10000次時(shí)，測(cè)試正確率達(dá)到100%。實(shí)驗(yàn)結(jié)果表明，該方法可以準(zhǔn)確地識(shí)別液位的高度范圍，并提供一定的維護(hù)指導(dǎo)。

關(guān)鍵詞：Lamb波;高壓電纜;短時(shí)傅里葉變換;液位檢測(cè);深度置信網(wǎng)絡(luò)

中圖分類號(hào)：TM75文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1674-5124（2019）04-0047-06

0引言

作為城市電網(wǎng)中的重要設(shè)備，瓷套式（PBT）終端憑借較好穩(wěn)定性、強(qiáng)耐污性和長期抗老化性能，成為高壓電纜戶外終端的外部絕緣和支撐裝置。為加強(qiáng)冷卻和減震密閉，PBT終端常以硅油為介質(zhì)填充。如果發(fā)生硅油泄漏，PBT終端可能發(fā)生局部異常發(fā)熱甚至爆炸的問題。因此PBT終端的液位必須定期檢查以保持安全高度。目前PBT終端內(nèi)液位檢測(cè)的最常用方法是在斷電條件下打開PBT終端的上蓋進(jìn)行檢查，這種檢查方式可能導(dǎo)致瓷套管原有結(jié)構(gòu)的破壞。為了保證PBT終端可靠安全運(yùn)行，非破壞式的無損檢測(cè)技術(shù)成為了PBT終端內(nèi)液位檢測(cè)的迫切需要。程明等設(shè)計(jì)了基于瓷套管簡易模型的油位檢測(cè)設(shè)備，利用超聲波反射波的能量判定某一檢測(cè)高度是否存在油液。莫潤陽等研究了超聲在陶瓷與其他介質(zhì)接觸的復(fù)合層中的回波特性，并提出了通過界面回波衰減規(guī)律來判別瓷套管內(nèi)部是否為復(fù)合層。常規(guī)超聲需要通過層層檢測(cè)方式才有可能判斷瓷套管內(nèi)液位的高度范圍。

超聲蘭姆波具有衰減慢和大范圍檢測(cè)的優(yōu)越特性，已廣泛應(yīng)用于管道、平板等檢測(cè)對(duì)象中，并取得了良好的檢測(cè)效果。何存富等阿分析了負(fù)載液體時(shí)Lamb波衰減頻散特性，并以此作為特征對(duì)密閉容器的內(nèi)液位進(jìn)行檢測(cè)。徐鴻等研究了平板負(fù)載液體的導(dǎo)波模態(tài)的變化，利用導(dǎo)波某一模態(tài)在不同液位下的傳播時(shí)間來測(cè)量密閉容器的內(nèi)液位。由于頻散和多模態(tài)特性，Lamb波信號(hào)需要進(jìn)一步的信號(hào)處理才能獲得更直觀的檢測(cè)特征。艾春安等采用短時(shí)傅里葉變換，對(duì)比了不同缺陷對(duì)超聲信號(hào)時(shí)頻特性的影響，驗(yàn)證了時(shí)頻分析方法對(duì)缺陷識(shí)別的可行性。劉瑾等從母小波的選擇和小波系數(shù)非線性處理的角度對(duì)小波分析在超聲信號(hào)降噪處理中的應(yīng)用進(jìn)行了分析，給出了不同情況下母小波和小波分解層數(shù)選擇的參考。超聲Lamb波特征可以為瓷套管液位檢測(cè)提供趨勢(shì)判斷，而定量檢測(cè)則需要進(jìn)一步獲取特征與液位的映射關(guān)系。

不同的特征值（如時(shí)域特征、頻域特征和時(shí)頻域特征）可以從不同角度反映被測(cè)對(duì)象的狀態(tài)，因此多特征綜合評(píng)估方法的應(yīng)用可以提高檢測(cè)系統(tǒng)的魯棒性和準(zhǔn)確性。深度學(xué)習(xí)網(wǎng)絡(luò)作為一種非線性多分類器，可以通過參數(shù)化模型獲取特征輸入和目標(biāo)輸出之間的映射關(guān)系。辜清用主成分分析和BP神經(jīng)網(wǎng)絡(luò)對(duì)油氣管道內(nèi)部缺陷進(jìn)行了分類識(shí)別。任歡罔提取環(huán)境中土壤的腐蝕相關(guān)特征，利用BP網(wǎng)絡(luò)對(duì)埋地管道的腐蝕狀況進(jìn)行評(píng)價(jià)，并通過遺傳算法優(yōu)化網(wǎng)絡(luò)參數(shù)。吳堅(jiān)等綜合考慮影響光伏發(fā)電的多種因素，提出了一種基于深度置信網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測(cè)模型。姚志強(qiáng)選取管網(wǎng)主要數(shù)據(jù)作為深度置信網(wǎng)絡(luò)的輸入進(jìn)行了管道的泄露檢測(cè)，其結(jié)果優(yōu)于傳統(tǒng)BP網(wǎng)絡(luò)模型。超聲Lamb波在無損檢測(cè)得到廣泛的研究，但是基于深度學(xué)習(xí)的超聲Lamb波多特征融合技術(shù)的研究還比較少。

課題組在前期研究中通過小波包分解和非線性超聲導(dǎo)波技術(shù)等提取了與瓷套管液位相關(guān)的超聲Lamb波特征。為了進(jìn)一步明確提取的特征量與液位檢測(cè)的映射關(guān)系，針對(duì)非穩(wěn)態(tài)超聲Lamb波在瓷套管液位智能檢測(cè)中的多特征綜合評(píng)估問題，本文引入深度置信網(wǎng)絡(luò)作為多特征融合模型，提出了一種基于STFT和DBN的瓷套管內(nèi)液位超聲Lamb波智能檢測(cè)方法，實(shí)現(xiàn)了瓷套式高壓電纜終端內(nèi)液位的檢測(cè)。

1瓷套管內(nèi)液位超聲Lamb波檢測(cè)方法

1.1STFT特征提取

超聲Lamb波在瓷套管中傳播時(shí)，經(jīng)過多層傘裙的反射和折射，產(chǎn)生大量的回波模態(tài)并且回波的波包可能存在重疊。此時(shí)，超聲Lamb波信號(hào)的各種模態(tài)難以區(qū)分，大量的模態(tài)也導(dǎo)致信號(hào)的頻譜變得復(fù)雜。短時(shí)傅里葉變換（short-time Fourier transform，STFT）是一種加窗的傅里葉變換，可以確定時(shí)變信號(hào)局部區(qū)域的時(shí)頻特性。

STFT變換基本原理是：假設(shè)在某固定的窗函數(shù)g（t）內(nèi)，用傅里葉變換對(duì)原信號(hào)進(jìn)行分析得到其局部信號(hào)的頻率成分，接著沿時(shí)間軸移動(dòng)窗函數(shù)，即可獲取信號(hào)頻率在不同時(shí)段的變化。與傳統(tǒng)傅里葉變換相比，短時(shí)傅里葉變換可以獲取信號(hào)的頻率隨時(shí)間變化的規(guī)律，其信號(hào)處理的過程如圖l所示。其主要步驟如下：1）用窗函數(shù)ω（n）截?cái)嘣夹盘?hào)。2）窗函數(shù)ω（n）與截?cái)嘈盘?hào)Xk作逐點(diǎn)相乘，獲取加窗變換信號(hào)Xk'。3）對(duì)Xk'進(jìn)行傅里葉變換。4）沿時(shí)間軸移動(dòng)窗函數(shù)，求取不同時(shí)段信號(hào)的傅里葉變換。

對(duì)于給定信號(hào)Xm，選定窗長K，截?cái)嘈盘?hào)的STFT變換為：其中，w（u）表示窗函數(shù)在對(duì)應(yīng)點(diǎn)的值。不同時(shí)段信號(hào)傅里葉變換的集合就是STFT的結(jié)果。窗函數(shù)直接影響STFT變換的時(shí)間分辨率和頻率分辨率，常用矩形窗、漢寧窗、海明窗、指數(shù)窗、高斯窗作為STFT的窗函數(shù)。窗函數(shù)的應(yīng)用不僅可以將信號(hào)的時(shí)間與頻譜聯(lián)系起來，還可以減少區(qū)域內(nèi)信號(hào)的模態(tài)數(shù)量。局部信號(hào)的STFT變換可以近似看作穩(wěn)態(tài)，提取其有效值（RMS）、峰峰值、峭度、波形因子作為瓷套管內(nèi)液位判別的特征值：

1.2DBN液位判別模型

瓷套管中傳播的超聲Lamb波信號(hào)通過STFT變換之后，可以獲得信號(hào)的一系列局部時(shí)頻特征。通過構(gòu)建多特征融合評(píng)價(jià)模型，可以建立特征向量與目標(biāo)檢測(cè)值之間的映射關(guān)系。深度置信網(wǎng)絡(luò)（deep beliefnetwork，DBN）是一種典型的深度學(xué)習(xí)（deep learning）網(wǎng)絡(luò)，由Hinton等在2006年提出。DBN通過逐層貪婪學(xué)習(xí)低層信號(hào)形成更加抽象的高層表示，其無監(jiān)督自學(xué)習(xí)過程可以避免傳統(tǒng)特征融合所需的專家經(jīng)驗(yàn)，實(shí)現(xiàn)檢測(cè)的智能化。DBN在訓(xùn)練過程中可以通過多層非線性映射建立超聲Lamb波信號(hào)的特征輸入和瓷套管液位之間的參數(shù)化模型。

1.2.1受限波爾茲曼機(jī)模型

DBN是由一系列RBM堆疊而成的多層感知器神經(jīng)網(wǎng)絡(luò)，每個(gè)RBM由可視層（V）和隱藏層（h）組成，不同層的節(jié)點(diǎn)通過權(quán)值w連接，同層節(jié)點(diǎn)無連接。

1.2.2DBN網(wǎng)絡(luò)結(jié)構(gòu)

在訓(xùn)練階段，DBN通過從可視層抽取相關(guān)信息映射到隱藏層，在隱藏層再次抽取信息映射到可視層，在可視層重構(gòu)輸人數(shù)據(jù)，反復(fù)執(zhí)行可視層與隱藏層之間映射與重構(gòu)過程。由3個(gè)RBM堆疊而成的DBN模型如圖3所示?？梢晫觱可為特征輸入層，STFT變化之后的局部時(shí)頻特征向量經(jīng)低層的RBM學(xué)習(xí)后，其輸出結(jié)果作為高一層RBM的輸入，經(jīng)過多層貪婪學(xué)習(xí)后形成更直觀的特征表示。

DBN學(xué)習(xí)過程包含兩部分，即前向堆疊RBM學(xué)習(xí)和后向微調(diào)學(xué)習(xí)。前向堆疊過程為無監(jiān)督學(xué)習(xí)過程，無需標(biāo)簽數(shù)據(jù)參與。后向微調(diào)則是利用帶標(biāo)簽數(shù)據(jù)對(duì)網(wǎng)絡(luò)模型參數(shù)進(jìn)行微調(diào)。其中前向堆疊RBM學(xué)習(xí)的過程如下：

在實(shí)驗(yàn)進(jìn)行前，通過掃頻確定最佳響應(yīng)頻率為218kHz。因此，采用218kHz中心頻率的10峰正弦信號(hào)作為激勵(lì)信號(hào)。從0到1400mm的不同高度，每隔100-mm時(shí)采集10次信號(hào)，共計(jì)獲得150個(gè)信號(hào)樣本。實(shí)驗(yàn)采樣頻率為2UHz，采樣時(shí)間為1s。

2瓷套管內(nèi)液位檢測(cè)實(shí)驗(yàn)

2.1液位檢測(cè)實(shí)驗(yàn)平臺(tái)

瓷套管內(nèi)液位檢測(cè)平臺(tái)由信號(hào)發(fā)生器、信號(hào)放大器、數(shù)據(jù)采集卡和高性能PC組成，檢測(cè)平臺(tái)如圖4所示。首先，信號(hào)發(fā)生器產(chǎn)生的數(shù)字驅(qū)動(dòng)信號(hào)由放大器放大，產(chǎn)生足夠大的信號(hào)。在PBT終端下部安裝的接收傳感器用于接收信號(hào)，并通過數(shù)據(jù)采集（DAQ）卡采集到PC上。PBT終端高1410mm，驅(qū)動(dòng)器傳感器安裝在距頂部表面10mm的位置，接收傳感器安裝在距底端10mm的位置。所有傳感器均為PZT壓電傳感器，直徑為10mm，中心頻率為2UHz。

2.2STFT特征分析

在對(duì)數(shù)據(jù)進(jìn)行STFT時(shí)，為減小數(shù)據(jù)處理量，設(shè)置窗函數(shù)為矩形窗，時(shí)間窗長為2000個(gè)采樣點(diǎn)，重疊率為0。對(duì)經(jīng)過FFT變換后的信號(hào)，求取其有效值（RMS）、峰峰值、峭度、波形因子等4個(gè)統(tǒng)計(jì)特征。將150個(gè)不同液位下的樣本根據(jù)液位從低到高依次進(jìn)行處理，提取各個(gè)樣本的特征值。不分段時(shí)，所提取的有效值特征如圖5（a）所示，該特征值在低液位時(shí)與液位成反比關(guān)系，在高液位時(shí)成正比例關(guān)系，單一值對(duì)應(yīng)高低不同的兩個(gè)液位，不利于對(duì)液位進(jìn)行有效識(shí)別。對(duì)信號(hào)分段處理進(jìn)行STFT的RMS特征如圖5（b）～圖5（d）所示，在1-2000段RMS值與液位成負(fù)相關(guān);在5000-7000段，RMS大體成正相關(guān)趨勢(shì)，但是存在波動(dòng);在10000-12000段RMS值與液位成正相關(guān)。因此單一特征值一般只適用于檢測(cè)對(duì)象狀態(tài)的趨勢(shì)分析，難以進(jìn)行定量分析。同時(shí)，單一特征的不穩(wěn)定嚴(yán)重影響檢測(cè)的有效性和魯棒性。

2.3DBN液位檢測(cè)分析

將所采集的150個(gè)數(shù)據(jù)樣本分成訓(xùn)練集和測(cè)試集，其中訓(xùn)練集樣本占80%，測(cè)試集樣本占20%。將STFT變換后提取的特征值作為網(wǎng)絡(luò)輸入，將樣本按液位高度劃分成15個(gè)類別，網(wǎng)絡(luò)輸出為15個(gè)類別的one-hot編碼。設(shè)置網(wǎng)絡(luò)迭代次數(shù)為5000次，網(wǎng)絡(luò)訓(xùn)練的訓(xùn)練準(zhǔn)確率、測(cè)試準(zhǔn)確率以及損失函數(shù)隨迭代次數(shù)的變化如圖6所示。隨著迭代次數(shù)的增加，網(wǎng)絡(luò)損失函數(shù)的損失值逐漸減小，訓(xùn)練正確率逐漸增加。尤其在算法早期迭代過程中，損失函數(shù)值迅速下降，訓(xùn)練正確率迅速提高，這表明所提取的各類特征值與檢測(cè)液位有較好的映射關(guān)系。最后，訓(xùn)練正確率和測(cè)試正確率都超過90%。同時(shí)注意到損失函數(shù)值仍處于下降狀態(tài)，誤差可以繼續(xù)減小。

迭代5000次之后的測(cè)試結(jié)果如圖7（a）所示。當(dāng)前迭代次數(shù)下，訓(xùn)練正確率為92.8%。在液位為半滿時(shí)，出現(xiàn)了鄰近類別的錯(cuò)分。進(jìn)一步觀察圖5中的特征值，可以發(fā)現(xiàn)在此液位下鄰近液位特征差異較小。增加迭代次數(shù)至10000次，所有類別均得到正確識(shí)別，如圖7（b）所示。

3結(jié)束語

針對(duì)瓷套式高壓電纜終端內(nèi)液位在線檢測(cè)問題，提出了一種基于DBN的超聲Lamb波檢測(cè)方法。首先通過STFT算法獲取信號(hào)的分段時(shí)頻表示，從而提取出超聲Lamb信號(hào)的局部時(shí)頻特征，隨后將提取的特征作為DBN的輸出。實(shí)驗(yàn)結(jié)果表明：當(dāng)?shù)螖?shù)為5000次時(shí)，所提方法已經(jīng)可以基本識(shí)別出液位高度，只有少數(shù)狀態(tài)出現(xiàn)鄰近的誤判;當(dāng)?shù)螖?shù)為10000次時(shí)，液位高度的識(shí)別正確率達(dá)到100%。針對(duì)液位檢測(cè)的精度問題，下一步將圍繞深度學(xué)習(xí)網(wǎng)絡(luò)的回歸應(yīng)用進(jìn)行研究。