Page 79 - 无损检测2024年第九期

蒋 鹏，等：

基于光纤声发射的局部放电信号识别方法分析

表6 信号的识别准确率
输入特征 识别率/%
去噪前时域图 68.5
去噪前频域图 73.0
去噪后时域图 91.5
去噪后频域图 98.0

域图作为输入特征的识别率最高，达到了98%；而
使用去噪前的时域图作为输入特征的识别率最低，
仅有68. 5%；使用频域图作为输入比仅使用时域图
时的识别准确率有一定提升。因此，使用小波去噪
后的频域图结合卷积神经网络可以很好地用于局部
放电声发射信号的识别。

5 结语

文章制作了4种典型的局部放电模型，搭建了
基于光纤声发射的局部放电声发射信号采集试验平
台，并采集了梯度施加电压下的局部放电AE信号，
并对其进行了参量分析。提出了使用去噪后信号的
图 4 气泡放电去噪前后信号对比
频域图作为卷积神经网络输入特征的识别方法，达
4 信号识别结果 到了较好的识别结果。表明本识别方法可用于识别
噪声干扰强并且局部放电信号较弱的信号，可以应
文章采用卷积神经网络对4类缺陷模型产生的
用于复杂的工业现场。
局部放电声发射信号进行训练和识别，并以识别准
确率来评价识别效果。 参考文献：
将试验获取的每一类放电类型和施加电压下采
集的信号随机挑选50个，共1 000个信号，在进行去 [1] 陈卓，刘念，薄丽雅. 电力设备状态监测与故障诊断[J].
高电压技术，2005（4）：48-50.
噪处理后将其转换为二维时频图像，形成信号识别
[2] 李莉苹. 气体组合电器绝缘状态评估与故障诊断技术
数据集。其中800个信号为训练集，剩余200个信号 研究[D]. 重庆：重庆大学，2015．
为测试集，去噪后气泡放电信号时频图如图5所示。 [3] 郑含博. 电力变压器状态评估及故障诊断方法研
信号的识别准确率如表6所示。分析识别结果 究[D]. 重庆：重庆大学，2012．
可知，对信号进行去噪后卷积神经网络的识别率相 [4] 李军浩，韩旭涛，刘泽辉. 电气设备部放电检测技术述
对于去噪前有了大幅度提升。其中使用去噪后的频 评[J]. 高电压技术，2015，41（8）：283-260．
[5] ILKHECHI H D，SAMIMI M H．Applications of
the acoustic method in partial discharge measurement：
a review[J]. IEEE Transactions on Dielectrics and
Electrical Insulation，2021，28（1）：42-51．
[6] ALGHAMDI A S，MUHAMAD N A，SULEIMAN A
A．DGA interpretation of oil filled transformer condition
diagnosis[J]. Transactions on Electrical and Electronic
Materials，2012，13（5）：229-232．
[7] MUHR M，SCHWARZ R．Experience with optical
partial discharge detection[J]. Materials Science- Poland，
2009，27（4）：1139-1146．
[8] 叶子，王超. 用于监测阀门泄漏的超高动态范围全光纤
超声传感系统[J]. 传感技术学报，2016，29（7）：957-961．
图 5 去噪后气泡放电信号时频图 (下转第56页)
45
2024 年 第 46 卷 第 9 期
无损检测