Page 104 - 无损检测2021年第五期
P. 104

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


            确定 仿 真 参 数。 KAHROBAEE 等         [ 34 ] 采 用 了 多 源   试困难, 可能会丧失其相对于人工缺陷识别的速度
            数据融合方法对有限数据集进行增强, 该方法可以                            优势; 最后, 深度学习存在黑箱问题, 使得模型的解
            利用来自多源的数据并有利于缺陷种类的区分。此                             释性较差, 很难通过物理方程来定量解释。
            外, 还有其他对数据集进行直接操作的 方法, 如镜                              针对数据集过小的问题, 一个可行的方案是采
            像、 旋转、 缩放、 平移、 裁剪等, 这些方法均有助于深                      用迁移学习技术, 即采用在其他类似任务中训练完
            度神经网络的训练和抑制过拟合现象。                                  成的模型参数作为本任务的训练参数, 从而将复杂
            2.4  泛化能力增强                                        的模型分解化和简单化, 无需满足庞大的数据集需
               采用数据增强的深度学习技术可以在已有的训                            求; 其次, 针对卷积神经网络训练耗时长的问题, 可
            练数据集上有良好的表现, 但是对全新的超声数据                            以采用构件数据管道和批训练的方式, 并采用高性
            进行有效识别仍是对网络的一大考验。在超声无损                             能 GPU ( 图形处理器) 进行网络训练, 以提高训练效
            检测领域, 诸多学者提出了多种提高深度学习泛化                            率; 最后, 针对神经网络的黑箱问题, 为了获得复合
            能力的技术, 包括采用波长池化以消除谱影响; 添加                          绝缘子缺陷的网络内部特征识别策略, 可以采用基
            随机 Dro p out函数正则化层抑制过拟合             [ 35 ] ; 将信号   于物理知识的机器学习方法, 以获得网络的可解释
            放缩为归一化幅值避免激活函数饱和; 采用自编码                            性, 但值得强调的是, 该种知识导向的机器学习方法
            器去噪以提高分类精度; 采用双正则支持向量机算                            尚未成熟, 还需要进一步的研究才能得到实际应用。
            法取代最后一层 Softmax 函数来完成分类任务                   [ 36 ]  参考文献:
            等。上述方法可以在一定程度上提高深度神经网络
                                                                [ 1 ]   缪春辉, 王若民, 陈国宏, 等 . 运用振动声学原 理 实 时
            的泛化能力, 但也会相应地增加计算复杂度。
            2.5  超声导波与深度学习                                          在线检测瓷支柱绝缘子缺陷[ J ] . 无 损 检 测, 2015 , 37
                                                                    ( 4 ): 37-40 , 82.
               目前, 基于机器学习的超声导波缺陷检测的相
                                                                [ 2 ]   叶伟文,董屹彪 . 高压电绝缘子压接工艺的声发射监
            关研究较少, 如采用人工神经网络 - 概率椭圆法进行
                                                                    测[ J ] . 无损检测, 2018 , 40 ( 6 ): 1-5.
            兰姆波的缺陷识别         [ 37 ] ; 采用独立成分分析法( ICA )
                                                                [ 3 ]   钟飞, 张晓春, 黄升平, 等 .GIS 盆式绝缘子模拟缺 陷
            进行管道缺陷检测          [ 38 ] 等。由于导波信号属于一维                   的 X-DR 成像检测[ J ] . 无损检测, 2018 , 40 ( 1 ): 45-49.
            信号, 且检测波形会受到环境变化的影响, 所以有研                           [ 4 ]   刘泽洪 . 复合绝缘子使用现状及其在特高压输电线路
            究采用了梅林变换来模拟环境的变化, 实现了数据                                 中的应用前景[ J ] . 电网技术, 2006 , 30 ( 12 ): 1-7.
            集增强。此外, 作者还采用了多信号组成的二维图                             [ 5 ]   张鸣, 陈勉 .500kV 罗北甲线合成绝缘子芯棒脆断原
            像来作为网络的输入, 进一步提高了网络的缺陷识                                 因分析[ J ] . 电网技术, 2003 , 27 ( 12 ): 51-53.
                                                                [ 6 ]   宋伟, 赵林杰, 李成榕, 等 . 复合绝缘子在线检测技术
            别能力。
                                                                    的发展[ J ] . 高电压技术, 2005 , 31 ( 5 ): 28-30.
            3  结语                                               [ 7 ]   高英,梁曦东,薛家麒,等 . 超声脉冲检测硅橡胶内





                                                                    部缺陷[ J ] . 高电压技术, 1997 , 23 ( 2 ): 58-63.
               采用深层卷积神经网络对常规超声、 相控阵超
                                                                [ 8 ]  HINTON G E , OSINDERO S , TEH Y W.A fast
            声和超声导波的缺陷信号识别均有较高的精确度,
                                                                    learnin gal g orithm fordee p beliefnets [ J ] .Neural
            有望解决目前人工检测带来的漏检、 误检、 检测效率                               Com p utation , 2006 , 18 ( 7 ): 1527-1554.
            低等问题, 实现复合绝缘子超声无损检测的智能化                             [ 9 ]   李文涛, 周正干 . 激光增材制造钛合金构件的阵列超
            和自动化。                                                   声检测 方 法 研 究 [ J ] . 机 械 工 程 学 报, 2020 , 56 ( 8 ):
                 采用深度学习模型进行缺陷检测仍然存在一些                               141-147.
                                                               [ 10 ]   苑博, 税国双, 汪越胜 . 非线性超声混频检测技术在无
            不足。首先是数据集过小的问题, 尽管目前已经存
            在多种数据增强手段, 但是这些方法仍然依赖于原                                 损检测 中 的 研 究 进 展 [ J ] . 机 械 工 程 学 报, 2019 , 55
                                                                    ( 16 ): 33-46.
            始数据集的规模, 而复合绝缘子的超声检测数据难
                                                               [ 11 ]   赵新玉, 齐天之, 王中亚, 等 . 超声检测三角矩 阵 聚 焦
            以获得, 对缺陷的标注也可能不合理, 从根本上影响
                                                                    成像算法[ J ] . 机械工程学报, 2019 , 55 ( 4 ): 19-24.
            了深度学习的预测准确度; 其次, 卷积神经网络的实                          [ 12 ]   周正干, 孙广开 . 先进超声检测技术的研究应用进展
            现较为复杂, 限制了其在高速检测实时分析缺陷信                                 [ J ] . 机械工程学报, 2017 , 53 ( 22 ): 1-10.
            息的应用, 并且其过慢的训练速度也会导致模型调                            [ 13 ]   梁曦东, 戴建军, 周远翔, 等 . 超声法检测绝缘 子 用 玻
              6
               2

                   2021 年 第 43 卷 第 5 期

                   无损检测
   99   100   101   102   103   104   105   106   107   108   109