一种高压支柱瓷绝缘子声信号自动识别方法

摘要

本发明公开了一种高压支柱瓷绝缘子声信号自动识别方法。本发明将传声器采集到的一维声信号进行时频分析，得到时频分布；将无损伤和不同损伤状态下的声信号的时频分布作为训练样本，作为卷积神经网络的输入；根据训练样本确定卷积神经网络的结构；以无监督的方式逐层训练，在最后一层采样层后添分类器；根据样本的损伤状况类型确定输出层，并根据误差反向传播算法微调网络参数，完成卷积神经网络的训练；将测试样本的时频分布作为输入，利用训练好的卷积神经网络进行损伤状态识别。本发明避免了振动噪声对缺陷识别的影响，实现了高压支柱绝缘子损伤状态的自动识别。

说明书

技术领域

本发明属于高压支柱瓷绝缘子无损检测领域，涉及高压支柱瓷绝缘子声信号分析方法，特别是一种基于时频分析和卷积神经网络的支柱瓷绝缘子声信号自动识别方法。

背景技术

瓷绝缘子是电网系统的重要组成设备，其主要类型为支柱瓷绝缘子，对带电部件起绝缘和支持的作用。瓷绝缘子可用于隔离开关、接地开关、母线及阻波器等电器设备。由于瓷绝缘子是一种混合的材质，主要由分布在玻璃态基体里的石英粒子组成，由于基体与石英粒子线膨胀系数不同，导致瓷件内部容易出现微裂纹缺陷。而由于陶瓷材料是典型的脆性材料，裂纹非常容易扩展从而导致支柱瓷绝缘子断裂事故，直接威胁电网的安全运行。因此，有必要开展高压支柱瓷绝缘子检测方法研究。

目前常用的高压支柱瓷绝缘子检测方法包括：超声爬波、超声相控阵、紫外成像、红外成像及振动等，这些方法均可以用于高压支柱绝缘子检测，但普遍存在工程适用性差、难以适应现场检测需求，且均不具备缺陷自动识别功能。

发明内容

针对目前高压支柱瓷绝缘子无损检测研究现状，本发明提供一种基于时频分析和卷积神经网络的支柱瓷绝缘子声信号自动识别方法，以解决高压支柱瓷绝缘子损伤的自动识别问题。

为此，本发明采用如下的技术方案：一种高压支柱瓷绝缘子声信号自动识别方法，其包括：

步骤一，高压支柱瓷绝缘子声信号采集；

步骤二，对声信号进行时频分析

将采集到的声信号进行时频分析，得到其时频分布；

步骤三，卷积神经网络的创建及训练

1)将声信号的时频分布作为输入，并根据输入时频分布的维数确定输入层维数，确定卷积神经网络的卷积层层数、下采样层层数和卷积核维数；

2)以无监督的方式逐层训练，在下采样层的最后一层之后添加分类器；

3)根据样本的损伤状态确定输出层，并根据误差反向传播算法更新网络参数，完成卷积神经网络的训练；

步骤四，测试样本缺陷分类识别

将采集的测试样本重复步骤二，并将得到的测试样本的时频分布作为输入，输入到步骤三训练好的卷积神经网络中，进行损伤状态识别。

本发明利用高压支柱绝缘子声信号的时频分布作为特征参数，采用卷积神经网络网络对高压支柱绝缘子的损伤状态进行识别。

进一步地，步骤一中，利用力锤对无损伤和不同损伤状态的高压支柱瓷绝缘子进行敲击，利用传声器采集声信号。

进一步地，步骤一中，声信号的采集系统包括计算机、力锤、传声器和数据采集卡，将计算机与信号采集板卡相连，用于产生激励信号和检测信号的采集、显示与分析处理，力锤的输出端口和传声器的输出端口与数据采集卡的输入端口相连，力锤用于向待测试件施加激励，传声器用于声信号的拾取。

进一步地，根据输入层维数、卷积层层数、下采样层层数和卷积核维数确定卷积神经网络的架构，同时卷积神经网络的架构需满足卷积与下采样的计算要求。

本发明具有以下有益效果：1)以声信号的时频分布作为神经网络的输入，包含了信号的时域和频域特征，有效保证了损伤识别的准确性；2)基于卷积神经网络对高压支柱绝缘子声信号进行分析，避免了振动噪声对缺陷识别的影响，实现了高压支柱绝缘子损伤状态的自动识别。

附图说明

图1为本发明具体实施方式中卷积神经网络的基本结构图；

图2为本发明具体实施方式中采集系统的结构框图；

图3为本发明具体实施方式中不同状态高压支柱绝缘子上采集到典型声信号的时频分布图(图3a)为有损伤试件的声信号的时频分布图；图3b)为无损伤试件的声信号的时频分布图)；

图4为本发明具体实施方式中卷积神经网络模型的结构图；

图5为本发明具体实施方式中卷积神经网络均方根误差的变化趋势图；

图6为本发明高压支柱瓷绝缘子声信号自动识别方法的流程图。

具体实施方式

下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本实施例提供一种高压支柱瓷绝缘子声信号自动识别方法，如图6所示，其包括：

步骤一，高压支柱瓷绝缘子声信号采集；

步骤二，对声信号进行时频分析

将采集到的声信号进行时频分析，得到其时频分布；

步骤三，卷积神经网络的创建及训练

1)将声信号的时频分布作为输入，并根据输入时频分布的维数确定输入层，确定卷积神经网络的卷积层层数、下采样层层数和卷积核维数，如图1所示；

2)以无监督的方式逐层训练，在下采样层的最后一层之后添加分类器；

3)根据样本的损伤状态确定输出层，并根据误差反向传播算法更新网络参数，完成卷积神经网络的训练；

步骤四，测试样本缺陷分类识别

将采集的测试样本重复步骤二，并将得到的测试样本的时频分布作为输入，输入到步骤三训练好的卷积神经网络中，进行损伤状态识别。

本发明利用高压支柱绝缘子声信号的时频分布作为特征参数，采用卷积神经网络网络对高压支柱绝缘子的损伤状态进行识别。

步骤一中，利用力锤对无损伤和不同损伤状态的高压支柱瓷绝缘子进行敲击，利用传声器采集声信号。

步骤一中，声信号的采集系统包括计算机、力锤、传声器和数据采集卡，将计算机与信号采集板卡相连，用于产生激励信号和检测信号的采集、显示与分析处理，力锤的输出端口和传声器的输出端口与数据采集卡的输入端口相连，力锤用于向待测试件施加激励，传声器用于声信号的拾取，如图2所示。

根据输入层维数、卷积层层数、下采样层层数和卷积核维数确定卷积神经网络的架构，同时卷积神经网络的架构需满足卷积与下采样的计算要求。

本发明采用的基本原理如下：

对采集到的声信号进行时频分析，得到其二维时频分布，并将其作为卷积神经网络的输入。

卷积神经网络是一种多层网络，它由多个二维平面构成，每个二维平面由多个神经元组成，如图1所示。典型的卷积网络结构由输入层I、卷积层C、下采样层(池化层)S、全连接层F和输出层O构成。输入层为经过预处理后的时频分布像，紧随输入层之后的是一系列交替排列的卷积层和采样层，最后是模型的单输出层或是全连接层与输出层的组合。

在卷积层，上一层的特征图由一个可学习的卷积核进行卷积，再通过一个激活函数即可得到输出特征图。每个输出特征图可以组合卷积多个特征图的值。

式中，

f(·)——激活函数；

“*”——卷积符号。

下采样层将每个输入特征图通过采样再输出。

式中，

down(·)——下采样函数。

下采样函数通过对输入特征图滑动窗口的方法划分为多个不重叠的n×n图像块，然后对每个图像块内的像素求和、求均值或最大值，将输出图像在两个维度上均缩小n倍。在全连接网络中，将全部二维图像的特征图拼接为一维特征，作为全连接网络的输入。全连接层的输出可通过对输入加权求和，并通过激活函数的响应得到。

x

式中，u

w

b

x

对于卷积神经网络而言，主要优化卷积核参数k、下采样层网络权重β、全连接层网络权重w和各层的偏置参数b。反向传播算法的本质在于对每个网络层计算有效误差，并由此推导出网络参数的学习规则，使得实际网络输出更加接近目标值。多分类问题的训练总误差定义为输出端的期望输出值和实际输出值的差的平方

式中t

y

对于多分类问题，输出类别标签常用一维向量表示，即输入样本对应的类别标签维度为正数，输出类别标签的其他维为0或负数(当激活函数选为sigmoid时输出标签为0，激活函数为tansig时输出标签为-1)。

反向传播算法主要基于梯度下降方法，网络参数被初始为随机值，随后通过梯度下降法向训练误差减小的方向调整。本发明以多个“卷积层-采样层”后接全连接层的卷积神经网络为例介绍反向传播算法。反向传播算法是通过全部网络层的灵敏度，建立总误差对全部网络参数的偏导数，从而得到可以减小训练误差的方向信息。定义网络第l层的灵敏度为：

为计算卷积层l的灵敏度，通常使用下采样层l+1的灵敏度表示卷积层l的灵敏度，再计算总误差E对卷积层参数(卷积核参数k、偏置参数b)的偏导数。由于下采样层的灵敏度尺寸小于卷积层的灵敏度尺寸，因此需要将下采样层l+1的灵敏度上采样到卷积层l的灵敏度，再将第l层净激活的激活函数偏导与该灵敏度逐项相乘。分别由式(1)和(2)，通过链式求导可得第l层中第j个通道的灵敏度。

式中，up(·)——上采样操作；

若下采样因子为N，则上采样将每个像素在水平和垂直方向上复制N次，于是就可以从l+1层的灵敏度上采样为卷积层l的灵敏度值。函数up(·)可以用Kronecker乘积

式中，m,q分别为卷积层净输出特征图的维数。

对于总误差关于卷积核参数的偏导，由式(1)使用链式求导时，需要用所有与该卷积核相乘的特征图元素来求偏导。

式中，

为得到下采样层l的灵敏度，先用卷积层l+1的灵敏度表示下采样层l的灵敏度，再计算总误差E对下采样参数权重系数β、偏置参数b的偏导数。在确定当前层灵敏度与下一层灵敏度对应点的基础上，可实现对灵敏度δ的递推。此外，需要与输入特征图及输出特征图之间的连接权值相乘，该权值为卷积核的参数。分别由式(1)和(2)，通过链式求导可得第l层第j个通道的灵敏度。

式中，

对卷积核旋转180度可使用卷积函数计算互相关，同时对卷积边界进行补零处理。总误差对偏移量b的偏导与前面卷积层中的计算一样，即利用式(7)对灵敏度中所有元素的灵敏度求和。对于下采样权重β，先定义下采样算子

这里，假定下采样层的下一层为卷积层，如果下一层为全连接层，也可以做类似的推导。全连接层l的灵敏度可通过下式计算。

输出层的神经元灵敏度可由下式计算。

总误差对偏移项的偏导为

接下来可以对每个神经元运用灵敏度进行权值更新。对一个给定的全连接层l，权值更新方向可用该层的输入x

从而得到网络参数的更新公式

每个网络参数都有一个特定的学习率η。在实际问题中，如果总误差在学习过程中发散，需要降低学习率；反之，如果学习速度过慢，则需要提高学习率。

卷积神经网络引入了卷积计算和采样操作，基于稀疏连接(不同层间的单元采用局部连接的方式)、权值共享(处于同一张特征地图的单元共享同一组权值参数)和采样三个主要特点，网络可自动从输入图像中学习得到目标特征，且对不同的目标都有良好的识别效果，还对一定程度的扭曲形变等变化因素有着良好的鲁棒性。

应用例

实验选取有无损伤的高压支柱绝缘子试件各10件，在试件20个不同位置用FH-2型力锤施加激励，利用MP21传声器采集声信号。将其中20×16组信号作为训练样本。另外采集20×4组信号作为测试样本。

步骤一：时频分析

分别对测试样本和训练样本进行时频分析，将得到的时频分布作为卷积神经网络的输入(有无损伤高压支柱绝缘子上采集到典型信号的时频分布如图3所示)。

步骤二：卷积神经网络的创建及训练

(1)将训练样本输入到神经网络中，并设置神经网络的初始值参数，其中网络的初始学习率为1，批尺寸为10，训练次数为180，传递函数选择“sigmoid”，卷积层与下采样层各有3层，相应的卷积核维数分别为3×3和2×2，最后一层下采样层后连接分类器，网络的最终模型如图4所示。

(2)利用采集到的不同运行状态下高压支柱绝缘子的声信号的时频分布对架构的卷积神经网络对进行训练，其中训练库中包含320组信号(有损伤和无损伤状态下声信号各160组)，最终网络的训练时间为526s，训练好的网络均方根误差变化趋势如图5所示。

步骤三：损伤状态识别

将测试样本(80组，有损伤和无损伤状态下声信号各40组))的时频分布输入到步骤二训练好的卷积神经网络中，进行分类识别，网络的最终识别率稳定在95.5％。

以上是本发明的一个典型应用，本发明的应用不限于此。