基于卷积神经网络的气体绝缘组合开关盆式绝缘子螺栓松动检测方法∗

2023-07-13梁基重宋建成徐玉东钟黎明刘奇峰

应用声学 2023年3期

关键词：盆式压电绝缘子

梁基重葛健宋建成徐玉东刘宏钟黎明刘奇峰

(1 国网山西省电力公司电力科学研究院太原 030001)

(2 国网吕梁供电公司吕梁 033000)

(3 太原理工大学矿用智能电器技术国家地方联合工程实验室太原 030024)

0 引言

随着国民经济的不断发展，气体绝缘组合开关(Gas insulated switchgear,GIS)在高压输电系统中起到越来越重要的作用[1−3]。盆式绝缘子与两侧GIS 气室通过螺栓进行紧固连接，是GIS 中最薄弱的环节，其性能优劣直接影响着GIS 运行的安全性和可靠性[4−6]。据国家电网公司统计，近10 年来，GIS 故障共发生183 起，其中252 kV 电压等级GIS故障发生率最高，达到56.3%[7−9]。在所有故障类型中，由盆式绝缘子导致的GIS 故障占比11%。螺栓松动引起盆式绝缘子受力不均而产生故障是主要原因之一。而绝缘子受力不均主要是断路器正常和故障状态分合闸振动及检修安装时螺栓预紧不到位所致[10−11]。这些因素会造成盆式绝缘子法兰部分应力集中，进而使环氧盆体受力不均造成变形开裂，最终导致GIS 漏气、局部放电甚至绝缘子沿面闪络等故障，发生大面积停电[12−13]。因此，检测盆式绝缘子螺栓的松动状态对发现绝缘子应力异常具有重要的现实意义。

对于螺栓松动的检测，国内外学者进行了一些研究，常用的检测方法有扭矩扳手法、振动响应法、应力应变法等。扭矩扳手法由于实际工程中螺栓数量巨大且存在隐蔽部位螺栓预紧力无法检测的情况[14]，故仅适用于螺栓的抽检试验当中；振动响应法基于不同螺栓预紧力下螺栓阻尼、刚度和固有频率会发生变化的原理对螺栓松动进行检测，但这种方法仅适用于螺栓松动极其严重导致结构模态参数发生明显变化的工况[15]；应力应变法通过电阻应变片测量螺栓轴向应力进而判断螺栓预紧力的变化，但应变片的粘贴比较复杂且容易受到螺栓外部结构的影响[10]。超声法较以上方法具有无损伤、高灵敏等优点，被广泛应用于无损检测[16]，但是需要相关人员具有一定的专业技能水平，并且信号处理过程主要依赖于人工操作，导致检测结果很容易由于人为因素的干扰而不稳定。

近年来，已有不少学者将深度学习理论与超声无损检测技术相结合，从而降低了人工信号处理对检测结果的影响。高子洋等[17]提出基于卷积神经网络(Convolutional neural networks,CNN)对超声相控阵缺陷信号进行识别，实验证明，通过选取合适的CNN 模型可以提高缺陷识别的准确率；詹湘琳等[18]提出基于一维CNN，实现分层、气孔、无缺陷3种类型自动区分，准确率为99.5%；张重远等[19]提出基于CNN 对4 种类型的局部放电超声检测信号进行识别，准确率达到90%。但是深度学习理论在螺栓松动检测方面还鲜有报道。

针对目前盆式绝缘子螺栓检测方法检测精度低的问题，本文提出一种基于CNN模型的GIS盆式绝缘子螺栓松动状态识别方法，对其检测系统、检测原理、特征提取、数据处理以及实验验证进行了深入研究，实现了对盆式绝缘子螺栓松动的检测和诊断。

1 CNN基本原理

CNN是一种深度学习分类方法，通过卷积和池化操作对时间序列数据和图像数据等具有类似网格结构的数据进行处理，通过训练学习实现对输入数据的正确分类[20]。为了准确区分盆式绝缘子不同螺栓松动工况，本研究选择CNN 建立盆式绝缘子螺栓松动状态判别模型，总体研究框架如图1 所示。首先通过超声检测系统得到不同螺栓松动状态下的超声数据，在数据输入层对原始数据进行预处理。然后对处理后的超声数据进行特征提取，包括以下3个步骤：卷积层通过设置卷积核的尺寸、数量和步长自动提取信号特征，从而达到分类的效果；池化层对第一步提取出的所有特征量进行最大池化操作后，提取出真正能够反映螺栓松动的特征量；通过去除冗余成分，进一步降维达到特征提取的目的，能够有效抑制过拟合。最后通过Softmax 分类器对不同螺栓松动状态进行分类。

图1 螺栓松动状态判别模型Fig.1 Discrimination model of bolt loosening state

1.1 卷积层

卷积层能够自动从训练数据中提取出相关的特征量，从而达到分类的效果。将用于训练的超声数据输入到CNN 模型中进行卷积操作，其计算过程如公式(1)所示：

1.2 激活函数

卷积是一种线性操作，但有时对于复杂的数据样本来说，仅仅依赖线性计算无法实现特征提取。为了解决这个问题，需要在模型中添加激活函数，加入非线性因素，使数据分类更加理想。目前ReLU函数在CNN 模型中应用最为广泛，其表达式如公式(2)所示。当输入为非负时，它的输出等于输入；当输入为负数时输出是0。

1.3 池化层和全连接层

卷积操作对输入数据进行初步特征提取以后，不同区域的特征还有相似的地方，因此要通过池化层进行二次特征提取。通过将这些相似的特征进行合并以后，去除冗余成分，能够有效抑制过拟合。经过多层卷积和池化操作之后，可得到能够真正反映螺栓松动的特征量，通过铺平层将多维输入一维化，输入到全连接层进行综合以得到全部特征。

2 实验与分析

2.1 螺栓松动超声检测系统

根据超声检测原理，本文搭建了盆式绝缘子螺栓松动检测实验平台如图2 所示。实验平台由252 kV GIS、超声波发射接收仪、空气压缩机、扭矩扳手、上位机和压电片组成。其中，选用CTS-04UT四通道超声发射接收仪实现超声信号的输出，设置超声信号仪的激励电压为−250 V，激励频率为2.5 MHz；通过空气压缩机向两侧气室充气，气室内气压为0.45 MPa；使用扭矩扳手对盆式绝缘子法兰和气室法兰进行紧固；使用上位机软件控制发射信号脉冲宽度、增益、电压和重复频率等参数；在法兰上下两侧采用压电片作为传感器，发射端压电片通过超声信号仪激励产生超声信号，接收端压电片的超声信号通过超声信号仪进行采集。压电片的位置如图3 所示。采用1 个压电片进行超声信号的发射，采用3 个压电片进行超声信号的接收，压电片2 位于发射端压电片的正对面，压电片1 和压电片3 位于压电片2 的两侧，每个压电片均通过耦合剂粘贴于两个螺栓正中间的法兰区域。

图2 超声检测系统Fig.2 Bolt loose ultrasonic detection system

图3 压电片位置示意图Fig.3 Schematic diagram of the location of the piezoelectric sheet

2.2 实验结果分析

根据252 kV GIS 盆式绝缘子螺栓紧固力矩的要求，设置110 N·m作为标准扭矩，当螺栓扭矩低于标准扭矩的90%时视为螺栓松动，因此本研究分别设置螺栓松动扭矩为99 N·m、88 N·m和77 N·m，螺栓松动个数分别为一个螺栓松动、两个螺栓松动和3 个螺栓松动，共计10种工况，每种工况下对应3 个压电片的接收信号。

工况0：所有螺栓均处于标准预紧力110 N·m；

工况1∼工况3：螺栓2 松动，螺栓预紧力分别为99 N·m、70 N·m和50 N·m；

工况4∼工况6：螺栓1、螺栓2 同时松动，螺栓预紧力分别为99 N·m、70 N·m和50 N·m；

工况7∼工况9：螺栓1、螺栓2、螺栓3 同时松动，螺栓预紧力分别为99 N·m、70 N·m和50 N·m。

不同工况下检测到的超声信号如图4 所示。由图4(a)和图4(b)可知，压电片1 的接收信号幅值远远小于压电片2的接收信号幅值，这是因为压电片1距离发射端压电片更远，说明接收端压电片距离发射端压电片越远，超声信号衰减越厉害，接收到的超声信号幅值越小；由图4(b)、图4(c)和图4(d)可知，当螺栓松动数量增加时，超声信号幅值呈现下降的趋势，特别是3 个螺栓同时松动时，能量下降度超过标准工况时的一半；当松动螺栓数目相同时，随着螺栓松动程度的增加，压电片的接收信号幅值下降越多。但是对于单个螺栓松动的工况，螺栓预紧力为99 N·m 时和标准预紧力时的超声信号基本没有变化，接收信号的幅值基本持平。

图4 接收信号Fig.4 Response signals

以上实验结果说明根据超声波在盆式绝缘子法兰中能量的衰减情况可以判断出螺栓松动状态，但是在实际检测过程中，当单个螺栓松动时，超声透射信号能量变化较小，难以直接从超声信号中得到所包含的螺栓松动程度信息。并且上述方法对实验人员的操作水平要求较高，采集到数据以后需要人工进行特征提取，检测结果很容易受到实验人员的误判。因此提出使用CNN 对不同螺栓松动工况进行分类。

3 基于CNN 的盆式绝缘子螺栓松动检测模型

3.1 数据预处理

实验过程中上位机数据加载等因素导致接收到的数据会出现异常值，而异常值具有随机分布特征，对神经网络的训练结果会造成严重的影响，因此在模型训练之前首先需要对超声数据的奇异值进行过滤。本研究采用分位数异常检测法对异常值进行过滤，对于超出中位数3 倍标准差的数据判定为异常数据；另一方面，由于周围环境噪声影响以及超声检测过程中压电片与实验装置之间耦合效果的影响，导致超声信号存在噪声，因此采用数字滤波器进行去噪处理。处理结果如图5 所示，可以看出基本消除了异常值和噪声信号的影响。

图5 数据去噪处理Fig.5 Data denoising processing

接下来进行标签设置，每一种螺栓松动状态由3 个接收压电片的超声信号共同反映，将每一种螺栓松动工况下3 个压电片的信号设置为同一个标签，代表同一种工况，例如工况0 所对应3 个压电片的标签均为0，以此类推工况9 所对应3 个压电片的标签均为9。最后进行数据集的切分，选择全部数据量的90%作为训练集，剩余数据作为测试集用来验证模型的有效性。

3.2 数据集划分

数据集的切分情况见表1。本次实验得到10种工况下的超声传播数据，每种工况包含500 组超声信号，每组信号由448 个数据点组成。每种工况选择450 组超声信号作为训练集，剩余50 组超声信号作为测试集用来验证模型的有效性。

表1 数据集的切分情况Table 1 Segmentation of the dataset

3.3 螺栓松动检测模型

本文的CNN 在一台处理器为AMD Ryzen5 4000H、运行内存大小为3 G 的上位机搭建，基于Python 在Tensorflow 运行环境下进行训练和测试。搭建的CNN结构参数如表2 所示。该模型包括4 个卷积层、2 个池化层、3 个全连接层和1 个Softmax层。其中前两个卷积层用来对数据集进行粗略特征提取，因此卷积核尺寸稍大一些，设置卷积核大小为1×5，卷积核深度依次为16 和32；后两个卷积层用来对数据集进行细致特征提取，因此卷积核尺寸略小一些，设置卷积核大小为1×3，卷积核深度依次为128和256；池化层对卷积层提取出的所有特征量进一步降维达到特征提取的目的，池化核大小设置为1×2，选择MaxPooling 作为池化方式；选择ReLU 函数作为激活函数；最后由Softmax 层输出最终的螺栓松动类别。模型输出节点数为10，用来表示10种螺栓松动工况。

表2 CNN 结构参数Table 2 CNN structure parameters

4 实验结果分析

为了评估CNN 网络的分类性能，本研究采用训练集准确率acc、测试集准确率val_acc、训练集损失值loss 和测试集损失值val_loss四个评价指标。准确率表示模型分类结果与实际结果是否一致，训练集准确率和测试集准确率的表达式为

其中，Trp表示训练集正确分类的数量；Trt表示训练集的总数量；Tep表示测试集正确分类数量；Tet表示测试集的总数量。

损失值表示预测数据与实际数据的偏离程度，值越小说明模型的预测精度越高，鲁棒性能越好。其表达式为

式(5)中，p(x)表示目标分布；q(x)表示估计分布。

在神经网络开始训练之前，首先要设置网络的超参数，这些参数在训练过程中是固定不变的。通过调整超参数，能够大大提升模型的训练精度。最佳超参数组合通常都是结合训练完成后的指标曲线变化和拟合效果图进行判断，比如迭代次数，先配置为50次，观察收敛过程的指标曲线变化和拟合效果，如果拟合曲线在50 次后仍处于下降，则可以继续增大训练次数，直至拟合指标曲线基本平稳甚至上翘为止；其他参数也类似，比如学习率(Learning rate,lr)，先设置为0.05，如果收敛很慢，则增大为0.05。本节通过调整这些超参数，研究超参数对模型的影响，逐步优化网络性能。

4.1 迭代次数对模型的影响

迭代次数对模型的训练精度具有重要的意义，当训练集与测试集指标误差最小时，说明当前的迭代次数是合适的，否则需要继续增大迭代次数。迭代次数越多，数据拟合程度越好，但是迭代次数过多，训练时间又会增加。针对原始数据集，通过迭代不同次数，对比准确率与损失值。训练结果曲线如图6所示。

表3 为迭代不同次数时模型准确率、损失值和训练时间。当迭代次数分别为100、150、200 和250次时，acc 分别为82.75%、93.72%和100%和100%，val_acc 分别为79.46%、91.24%和98.93%和100%。当迭代次数为320 时，损失值降到最低，此时模型的鲁棒性能达到最好。当继续增加迭代次数时，准确率开始出现下降，并且测试集损失值发生偏移，说明迭代次数过多的时候，网络会出现过拟合，此时模型会偏向于学习训练集的细枝末节，争取在训练集上效果更好，但是在测试集上的精度却在逐渐偏移。

4.2 lr对模型性能的影响

lr选择不当一方面会造成神经网络学习速度过慢，严重时会停止学习；另一方面，会使神经网络学习到错误的特征量而陷入局部最优解。lr选取过高，会使训练过程跳过有用的特征量，使准确率无法达到最优；lr 选取过低虽然有助于神经网络收敛到全局最优解，但是训练速度会严重降低。因此，一般在训练前期，会设置一个较大的lr进行训练，一方面能够有效加快训练速度，另一方面使得模型更容易收敛。本节通过改变不同的lr，研究lr对训练准确率和损失值的影响。训练结果曲线如图7所示。

图7 lr 对CNN 的影响Fig.7 The effect of lr on CNN

表4为不同lr对CNN的影响。由实验结果可以看到，当lr 为0.05 时，模型出现无法拟合的情况，说明此时lr设置过大；当把lr从0.01一直下降到0.001时，模型过拟合情况逐渐消失，并且在lr 为0.001 时，模型损失值几乎降为0，说明此时神经网络预测效果达到最佳。当继续增大lr 时，发现模型继续出现损失值上下浮动的情况，当lr 减小到0.00001 时，模型准确率开始出现下降的情况，说明需要迭代更多次数来达到较高的准确率。

表4 lr 对CNN 的影响Table 4 The impact of lr on CNN

4.3 训练数据类型对模型性能的影响

通过超声信号仪测量到的数据包括声程、幅度、正半波、副半波等指标：声程表示超声波从发射端到接收端传播的距离；幅度表示RF 射频信号的幅值，是超声信号经过仪器放大器放大后进行处理的波形；正半波表示高于闸门的超声信号，负半波表示低于闸门的超声信号。本节研究不同训练数据对模型的影响。迭代次数均设置为320 次，lr 设置为0.001，训练结果如表5所示。

表5 训练数据类型对CNN 的影响Table 5 The impact of training data types on CNN

由表5可以看出，当输入全部特征量时，训练准确率达到100%，损失值降到最低，但是训练时间相对较长，而输入单一特征量时，训练准确率有所下降，并且损失值相对较高，但是训练速度较快。当仅输入声程时，模型无法训练，说明当螺栓松动情况发生变化时，并不会引起超声传播声程的变化。

4.4 可视化分析

为了更直观地理解CNN 模型逐层提取不同螺栓松动工况特征的能力，在训练过程中加入了聚类结果可视化(t-SNE)对测试集样本、网络第2 个卷积层、第4 个卷积层和Softmax 层提取到的特征进行可视化表示，结果如图8 所示。从图8(a)可以看出，直接通过原始测试集样本很难对不同螺栓松动工况进行分类，10 种螺栓松动工况完全混淆；图8(b)显示当测试样本经过前两层卷积层之后，模型提取到的特征表现出可分性，但是仍有大部分螺栓松动工况难以区分；从图8(c)可以看出，当测试样本经过第4 个卷积网络层后，模型提取到的特征表现出更强的可分性，大部分螺栓松动工况已经可以完全分离出来，但仍有部分测试样本混淆；从图8(d)中可以明显看出，经过Softmax 分类器后同一类螺栓松动工况被集中地聚集到一起，各种螺栓松动工况被完全分开。这说明本研究搭建的CNN 模型具有良好的分类性能，可以有效地诊断出盆式绝缘子不同螺栓松动工况。

4.5 实物平台验证

为了验证搭建模型的分类效果，在GIS 平台上随机采集了10种螺栓松动工况下的超声信号，共计150个数据样本。表6为测试样本的分类准确率。结果表明，该神经网络可以对单一螺栓松动工况的超声数据进行准确分类，其中，工况4(两个螺栓松动、松动扭矩为99 N·m)的分类准确率最低，但是也达到了97.2%，其余工况被准确分类的准确率均达到97.9%以上。该型号的盆式绝缘子共有12 个螺栓，每次可以对3 螺栓的松动状态进行检测，检测一个盆式绝缘子大约用时20 min，相比于传统的扭矩扳手法，在检测速度和检测精度上都得到了提高。