Page 102 - 无损检测2021年第五期
P. 102
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
在配套软件上进行, 包括开启通道数、 激发规则、 扫 迄今, 已有诸多学者采用超声导波对复合绝缘
描类型、 速度等。随后, 需要采用耦合剂来实现探头 子的内部 缺陷进行了检测。邓红雷 等 [ 23-24 ] 采 用 低
和被测试件的耦合, 避免声阻抗不匹配导致超声能 频 L ( 0 , 1 ) 纵向模态导波对绝缘子玻璃芯棒存在的
量衰减。 缺陷进行了有效检测, 并通过公式推导、 仿真分析与
谢从珍等 [ 16-17 ] 采用相控阵 超 声 探 伤 仪 对 复 合 试验验证了超声导波检测复合绝缘子缺陷的可行
绝缘子内部存在的人工缺陷进行检测, 为复合绝缘 性。鲁强 [ 25 ] 和陈力 [ 26 ] 均采用了 L ( 0 , 1 ) 纵向模态
子的检测提供了新思路。李亮 [ 18 ] 针对复合绝缘子 和 T ( 0 , 1 ) 扭转模态导波对复合绝缘子玻璃芯棒的
离线监测存在的诸多不足, 提出了一种基于超声水 轴向和周向缺陷进行了检测, 并验证了这两种模态
囊耦合方法的相控阵超声带电扫查方法, 证明了超 的导波 均 可 以 实 现 单 层 玻 璃 芯 棒 的 检 测。 何 战
声线扫的优越性, 在有效检测缺陷的基础上, 消除了 峰 [ 27 ] 、 邓红雷等 [ 28-29 ] 则通过建立简化的双层复合绝
停电作业对电力系统带来的影响。徐天 勇 等 [ 19-21 ] 缘子模型, 基于匹配追踪方法对复合绝缘子芯棒和
采用了直接接触法对复合绝缘子的伞裙、 芯棒和护 脱粘缺陷进行了检测研究。虽然超声导波可以实现
套内部缺陷进行了相控阵超声检测, 实现了缺陷的 复合绝缘子芯棒的高效检测, 但是目前尚无理论对
有效识别。陈海燕等 [ 22 ] 通过基于水囊柔性耦合法 特殊的各向异性材料的导波传播特性进行解释和准
的相控阵超声对小管径复合绝缘子的内部缺陷进行 确描述, 因此还需要对其进行进一步的研究。
了有效检测, 并且得到了较高的检测精度。可以发
2 机器学习理论在超声无损检测中的应用
现, 基于相控阵超声的复合绝缘子检测技术正在蓬
勃发展, 并且检测方法也在不断地优化。 机器学习作为一种计算机决策方法, 主要用于
1.3 超声导波检测 自动化大数据分析、 自动模式识别、 自动数据预测等
超声导波是一种超声波在波导内经过复杂的反 领域, 并具有随训练数据增长而获得更加优异性能
复反射、 折射和透射形成的稳定波束, 具有传播距离 的特点。机器学习理论的发展与统计领域息息相
长且衰减小的特点, 特别适用于长距离管道的内外 关, 其将统计理论以预测为目标进行了改进。一般
缺陷快速检测。图 3 所示为复合绝缘子的超声导波 来说, 统计学侧重于数据的理解与解释, 而机器学习
检测原理与基本过程。在检测时, 一般采用斜入射 和人工智能更侧重于决策的结果, 而非过程的可解
激励超声导波, 并在接入压电晶片前应用功率放大 释性。在超声无损检测中需要有效地识别缺陷, 而
器进行功率增幅。图 3 所示为一发一收型导波检测 机器学习正擅长于解决此类问题并给出缺陷的预测
装置, 当导波到达另一换能器位置时, 压电晶片会将 结果, 且无需关注中间过程。近几年来有诸多学者
接收到的振动信号转换为电信号, 而该信号中则包 对此展开了详细的研究, 其中大部分学者采用了特
含了导波经过区域的全部缺陷信息。在进行信号可 征提取与统计机器学习相结合的方法来识别超声信
视化后, 需要专业人员对采集到的信号进行分析, 确 号中包含的缺陷信息, 并取得了良好的效果。目前
定缺陷位置及其他信息。 最新的研究表明, 随着深度学习理论的不断发展, 采
用深层次卷积神经网络对缺陷进行分类有更加优异
的表现, 且深层神经网络可以自动地提取分类特征,
无需复杂的特征提取算法。该节将对目前的机器学
习超声无损检测领域进行全面的综述, 并总结了数
据集增强和提高模型泛化能力的已被证明有效的优
化方法。
2.1 特征提取 - 统计机器学习法
通过提取超声信号的特征后采用机器学习算法
进行分类的方法已经被广泛使用, 其基本流程如图
4 所示。从图 4 可以看出, 特征提取与统计机器学
习缺陷分类是最重要的两个环节, 也是决定缺陷分
图 3 复合绝缘子的超声导波检测原理与基本过程
类精度的重要因素。因此, 笔者对这二者进行综述,
0
6
2021 年 第 43 卷 第 5 期
无损检测
