Page 101 - 无损检测2021年第五期

孙洪宇, 等:

机器学习在复合绝缘子缺陷超声检测中的应用与展望

部的断层、 脱粘、 裂纹等缺陷进行有效检测。目前主
要采用常规超声、 相控阵超声和超声导波技术对复
合绝缘子的内部缺陷进行识别和定位。目前工业领
域大多采用人工方法对缺陷进行定性和定量分析,
但该方法容易受到主观因素干扰而造成缺陷的漏判
和误判。基于机器学习的缺陷自动化检测系统可以
在实现高准确度缺陷检测的基础上避免人工检测存
在的不足, 并显著提高缺陷的检测速度。
随着计算机技术的不断发展, 人工智能也逐渐
走进了大众的视野。早期的浅层神经网络通过建立
少量全连接层便可以自动学习特征识别方法, 在一
图 1 常规超声的检测原理与基本过程
定程度上取代了人工方法。但是, 浅层神经网络普
硅橡胶材料的声阻抗率与水近似这一特点, 采用超
遍存在诸如过拟合严重、 难以训练、 过分依赖先验知
识等问题, 难以在实际的超声检测领域得到广泛应 声脉冲回波法对复合绝缘子中存在的缺陷进行了检
用。因此, 基于 HINTON 等 [ 8 ] 提出的深度 学习理 测。梁曦东等 [ 13 ] 采用超声纵波斜入射方法对复合
念, 多层神经网络的叠加可以实现特征的自动化提 绝缘子芯棒上存在的裂纹进行了有效检测, 避免了
取与分类, 降低了模型训练难度, 同时提高了特征识 芯棒脆断 造成恶性电力事故。谢从 珍等 [ 14-15 ] 通 过
别的准确度, 有效地解决了浅层神经网络存在的问 常规超声检测法验证了伞裙优化的必要性, 并成功
题。绝缘子超声检测信号一般采用 A 扫描一维信 检测出复合绝缘子内部存在的缺陷。常规超声探头
号表示, 也可以通过阵列超声信号进行二维图像表 结构比较简单, 功能也比较单一, 无法控制声束方
示。缺陷识别属于分类问题, 而一维数据、 二维图像 向, 因此难以应用到其它复杂场合。目前采用常规
分类问题正是深度神经网络的擅长项, 因此, 相对于 超声对复合绝缘子进行的研究已经较为少见, 取而
复合绝缘子缺陷人工识别方法, 深度学习在缺陷信 代之的是性能更为优异的相控阵超声检测法。

号的深层次特征提取中具有无可比拟的优势。 1.2 相控阵超声检测
文章首先介绍了目前复合绝缘子超声检测领域 与常规超声检测的探头晶片相比, 相控阵超声
的发展现状, 并针对不同的超声检测方法进行了详 采用了单独可控的多压电晶片阵列, 并通过计算机
细阐述; 随后总结了机器学习理论在超声无损检测 来精确地控制各晶片的激发相位, 实现阵列超声的
方面的应用现状, 并说明了深度学习方法的显著优 波束偏转、 扫描与聚焦。图 2 所示为相控阵超声的
势所在; 最后, 基于上述分析提出了基于深度学习的 检测原理与基本过程。相控阵超声的参数设置一般
复合绝缘子超声检测中未解决的问题和存 在的挑
战, 并给出了可行的解决策略, 致力于为该领域的进
一步发展提供新思路和新见解。

1 复合绝缘子超声检测方法

1.1 常规超声检测
常规超声一般采用单个压电晶片来激发具有特
定发射方向的单声束, 通过接收反射回波信号来检
测缺陷是否存在 [ 9-12 ] 。常规超声的一般检测流程为
换能器首先激发超声波, 然后超声波遇到被检试样
边界或缺陷发生反射, 换能器接收超声回波并在示
波器上显示, 最后由专业人员判 断是否存在缺陷。
图 1 所示为常规超声的检测原理与基本过程。
在常规超声检测方法的研究中, 高英等 [ 7 ] 利用 图 2 相控阵超声的检测原理与基本过程

9
5

2021 年 第 43 卷 第 5 期

无损检测