機器學習在復合絕緣子缺陷超聲檢測中的應用與展望

孫洪宇, 彭麗莎, 屈凱峰, 王 珅, 趙 偉, 黃松嶺

(1.清華大學 電力系統及發電設備控制和仿真國家重點實驗室，北京 100084；2.北京云道智造科技有限公司，北京 100190)

作為一種重要的輸電網電氣絕緣設備，絕緣子在保證電力系統安全穩定運行方面發揮著重要作用。絕緣子在實現輸電線路隔離的同時，也為輸電線路提供了機械支撐，使其在相對惡劣的環境中仍能安全可靠地運行[1-3]。與傳統的玻璃絕緣子和瓷絕緣子不同，復合絕緣子以橡膠等聚合物為主要材料，憑借其優異的防污閃性能得到了廣泛應用。其兼具高機械強度、高便攜度以及高環境耐受度等優點[4],但是，復合絕緣子在使用過程中由于環境的污染和服役時間的增加，將不可避免地出現故障，影響輸電線路的絕緣性能[5]，因此，對復合絕緣子進行質量檢測是保障其安全運行的必要前提。目前用于復合絕緣子缺陷檢測的方法有：適用于端部金具的射線檢測、磁粉檢測和渦流檢測;適用于芯棒壓接的聲發射檢測;適用于復合絕緣子內部缺陷的超聲檢測。此外，其它檢測手段如噴水法、觀察法、紅外成像法、電暈放電法等，在復合絕緣子檢測領域也具有一定的應用價值[6]。

超聲檢測方法由于具有高靈敏度、高檢測速度以及高缺陷識別率等優點，在復合絕緣子無損檢測中得到了大量的應用[7]。超聲檢測可以對絕緣子內部的斷層、脫粘、裂紋等缺陷進行有效檢測。目前主要采用常規超聲、相控陣超聲和超聲導波技術對復合絕緣子的內部缺陷進行識別和定位。目前工業領域大多采用人工方法對缺陷進行定性和定量分析，但該方法容易受到主觀因素干擾而造成缺陷的漏判和誤判。基于機器學習的缺陷自動化檢測系統可以在實現高準確度缺陷檢測的基礎上避免人工檢測存在的不足，并顯著提高缺陷的檢測速度。

隨著計算機技術的不斷發展，人工智能也逐漸走進了大眾的視野。早期的淺層神經網絡通過建立少量全連接層便可以自動學習特征識別方法，在一定程度上取代了人工方法。但是，淺層神經網絡普遍存在諸如過擬合嚴重、難以訓練、過分依賴先驗知識等問題，難以在實際的超聲檢測領域得到廣泛應用。因此，基于HINTON等[8]提出的深度學習理念，多層神經網絡的疊加可以實現特征的自動化提取與分類，降低了模型訓練難度，同時提高了特征識別的準確度，有效地解決了淺層神經網絡存在的問題。絕緣子超聲檢測信號一般采用A掃描一維信號表示，也可以通過陣列超聲信號進行二維圖像表示。缺陷識別屬于分類問題，而一維數據、二維圖像分類問題正是深度神經網絡的擅長項，因此，相對于復合絕緣子缺陷人工識別方法，深度學習在缺陷信號的深層次特征提取中具有無可比擬的優勢。

文章首先介紹了目前復合絕緣子超聲檢測領域的發展現狀，并針對不同的超聲檢測方法進行了詳細闡述；隨后總結了機器學習理論在超聲無損檢測方面的應用現狀，并說明了深度學習方法的顯著優勢所在；最后，基于上述分析提出了基于深度學習的復合絕緣子超聲檢測中未解決的問題和存在的挑戰，并給出了可行的解決策略，致力于為該領域的進一步發展提供新思路和新見解。

1 復合絕緣子超聲檢測方法

1.1 常規超聲檢測

常規超聲一般采用單個壓電晶片來激發具有特定發射方向的單聲束，通過接收反射回波信號來檢測缺陷是否存在[9-12]。常規超聲的一般檢測流程為換能器首先激發超聲波，然后超聲波遇到被檢試樣邊界或缺陷發生反射，換能器接收超聲回波并在示波器上顯示，最后由專業人員判斷是否存在缺陷。圖1所示為常規超聲的檢測原理與基本過程。

圖1 常規超聲的檢測原理與基本過程

在常規超聲檢測方法的研究中，高英等[7]利用硅橡膠材料的聲阻抗率與水近似這一特點，采用超聲脈沖回波法對復合絕緣子中存在的缺陷進行了檢測。梁曦東等[13]采用超聲縱波斜入射方法對復合絕緣子芯棒上存在的裂紋進行了有效檢測，避免了芯棒脆斷造成惡性電力事故。謝從珍等[14-15]通過常規超聲檢測法驗證了傘裙優化的必要性，并成功檢測出復合絕緣子內部存在的缺陷。常規超聲探頭結構比較簡單，功能也比較單一，無法控制聲束方向，因此難以應用到其它復雜場合。目前采用常規超聲對復合絕緣子進行的研究已經較為少見，取而代之的是性能更為優異的相控陣超聲檢測法。

1.2 相控陣超聲檢測

與常規超聲檢測的探頭晶片相比，相控陣超聲采用了單獨可控的多壓電晶片陣列，并通過計算機來精確地控制各晶片的激發相位，實現陣列超聲的波束偏轉、掃描與聚焦。圖2所示為相控陣超聲的檢測原理與基本過程。相控陣超聲的參數設置一般在配套軟件上進行，包括開啟通道數、激發規則、掃描類型、速度等。隨后，需要采用耦合劑來實現探頭和被測試件的耦合，避免聲阻抗不匹配導致超聲能量衰減。

圖2 相控陣超聲的檢測原理與基本過程

謝從珍等[16-17]采用相控陣超聲探傷儀對復合絕緣子內部存在的人工缺陷進行檢測，為復合絕緣子的檢測提供了新思路。李亮[18]針對復合絕緣子離線監測存在的諸多不足，提出了一種基于超聲水囊耦合方法的相控陣超聲帶電掃查方法，證明了超聲線掃的優越性，在有效檢測缺陷的基礎上，消除了停電作業對電力系統帶來的影響。徐天勇等[19-21]采用了直接接觸法對復合絕緣子的傘裙、芯棒和護套內部缺陷進行了相控陣超聲檢測，實現了缺陷的有效識別。陳海燕等[22]通過基于水囊柔性耦合法的相控陣超聲對小管徑復合絕緣子的內部缺陷進行了有效檢測，并且得到了較高的檢測精度。可以發現，基于相控陣超聲的復合絕緣子檢測技術正在蓬勃發展，并且檢測方法也在不斷地優化。

1.3 超聲導波檢測

超聲導波是一種超聲波在波導內經過復雜的反復反射、折射和透射形成的穩定波束，具有傳播距離長且衰減小的特點，特別適用于長距離管道的內外缺陷快速檢測。圖3所示為復合絕緣子的超聲導波檢測原理與基本過程。在檢測時，一般采用斜入射激勵超聲導波，并在接入壓電晶片前應用功率放大器進行功率增幅。圖3所示為一發一收型導波檢測裝置，當導波到達另一換能器位置時，壓電晶片會將接收到的振動信號轉換為電信號，而該信號中則包含了導波經過區域的全部缺陷信息。在進行信號可視化后，需要專業人員對采集到的信號進行分析，確定缺陷位置及其他信息。

圖3 復合絕緣子的超聲導波檢測原理與基本過程

迄今，已有諸多學者采用超聲導波對復合絕緣子的內部缺陷進行了檢測。鄧紅雷等[23-24]采用低頻L(0, 1)縱向模態導波對絕緣子玻璃芯棒存在的缺陷進行了有效檢測，并通過公式推導、仿真分析與試驗驗證了超聲導波檢測復合絕緣子缺陷的可行性。魯強[25]和陳力[26]均采用了L(0, 1)縱向模態和T(0, 1)扭轉模態導波對復合絕緣子玻璃芯棒的軸向和周向缺陷進行了檢測，并驗證了這兩種模態的導波均可以實現單層玻璃芯棒的檢測。何戰峰[27]、鄧紅雷等[28-29]則通過建立簡化的雙層復合絕緣子模型，基于匹配追蹤方法對復合絕緣子芯棒和脫粘缺陷進行了檢測研究。雖然超聲導波可以實現復合絕緣子芯棒的高效檢測，但是目前尚無理論對特殊的各向異性材料的導波傳播特性進行解釋和準確描述，因此還需要對其進行進一步的研究。

2 機器學習理論在超聲無損檢測中的應用

機器學習作為一種計算機決策方法，主要用于自動化大數據分析、自動模式識別、自動數據預測等領域，并具有隨訓練數據增長而獲得更加優異性能的特點。機器學習理論的發展與統計領域息息相關，其將統計理論以預測為目標進行了改進。一般來說，統計學側重于數據的理解與解釋，而機器學習和人工智能更側重于決策的結果，而非過程的可解釋性。在超聲無損檢測中需要有效地識別缺陷，而機器學習正擅長于解決此類問題并給出缺陷的預測結果，且無需關注中間過程。近幾年來有諸多學者對此展開了詳細的研究，其中大部分學者采用了特征提取與統計機器學習相結合的方法來識別超聲信號中包含的缺陷信息，并取得了良好的效果。目前最新的研究表明，隨著深度學習理論的不斷發展，采用深層次卷積神經網絡對缺陷進行分類有更加優異的表現，且深層神經網絡可以自動地提取分類特征，無需復雜的特征提取算法。該節將對目前的機器學習超聲無損檢測領域進行全面的綜述，并總結了數據集增強和提高模型泛化能力的已被證明有效的優化方法。

2.1 特征提取-統計機器學習法

通過提取超聲信號的特征后采用機器學習算法進行分類的方法已經被廣泛使用，其基本流程如圖4所示。從圖4可以看出，特征提取與統計機器學習缺陷分類是最重要的兩個環節，也是決定缺陷分類精度的重要因素。因此，筆者對這二者進行綜述，總結目前已成功用于超聲無損檢測領域的特征提取技術和統計機器學習分類預測技術。

圖4 機器學習算法處理超聲檢測信號流程

針對一維A掃描超聲信號，采用傳統的信號處理方法即可實現缺陷特征的有效提取。這些方法包括離散傅里葉變換(DFT)、離散小波變換(DWT)、主成分分析(PCA)、遺傳算法(GA)、經驗模態分解(EMD)、裂譜分析(SSP)等,而針對二維B掃描超聲圖像，上述方法并不適用，需要采用一系列新的二維統計描述符來提取圖像特征，如局部二進制模式(LBP)、方向梯度直方圖(HOG)、高階局部自相關(HLAC)、梯度局部自相關(GLAC)等。

根據上述研究內容，可以通過不同的算法提取出包含缺陷信息的低維緊湊特征向量，然后使用統計機器學習方法對提取出的特征向量進行分類。目前廣泛使用的統計機器學習方法包括奇異值分解(SVD)、支持向量機(SVM)、稀疏編碼(SC)、人工神經網絡ANN、隨機森林(RF)、主成分分析(PCA)、概率神經網絡(PNN)、費舍爾判別分析(FDA)、循環神經網絡(RNN)等。對于尺寸小于100 μm的缺陷一般直接采用K最近鄰(KNN)分類算法，該種方法要比卷積神經網絡、循環神經網絡等復雜算法更加有效。

2.2 深層神經網絡法

近年來，隨著深度學習的提出，具有深層次結構的神經網絡被廣泛應用于圖像識別與自然語言處理等領域。在無損檢測領域，針對超聲檢測缺陷信號難以識別的問題，YE等[30]提出了兩種深度卷積神經網絡用于識別二維超聲圖像：USseqNet和USresNet。二者的網絡結構如圖5所示。USseqNet采用深層次順序型卷積神經網絡對128像素×128像素的彩色超聲圖像進行缺陷識別，但是，隨著網絡層數的不斷加深，模型的表達能力并非是線性增強的，更深的網絡會使收斂速度變慢，分類準確度反而會變差。因此，深度殘差網絡(ResNet)被提出以解決此類問題，即通過恒等映射在不增加計算成本的前提下改變了信息的前向和后向傳遞的方式，促進了網絡的進一步優化。

圖5 USseqNet與USresNet的網絡結構

由圖5可以看出，USresNet網絡的結構層次較深，采用了7個卷積層、7個批歸一化層、7個ReLU(一種常用的激活函數)層、3個短接模塊、3個短接后組合ReLU層和1個全連接層。結果表明，采用殘差模塊的深度卷積神經網絡的分類效果更好，性能更高，且無需在分類前進行缺陷特征的預提取，在很大程度上降低了計算復雜度，提高了預測準確率。

目前，使用深度學習來研究超聲無損檢測信號分類問題的案例較為匱乏，僅在近幾年才引起無損檢測領域學者們的注意。MUNIR等[31]在研究中對特征工程-淺層神經網絡和深層神經網絡進行了對比，并得到了一致的結論，即淺層機器學習分類模型需要特征工程作為輔助預處理手段，而深層卷積神經網絡可以自動提取出高層信息，無需復雜的特征工程。

2.3 數據集增強

雖然研究人員已經提出了表達能力較好的適用于超聲無損檢測領域的神經網絡結構與算法，但是網絡層次的不斷加深會導致其更加依賴于具有足夠樣本的數據集，這在目前的無損檢測領域是很難實現的。由于超聲檢測的方法眾多，儀器的型號多種多樣，標準缺陷的制作也會耗費大量的人力、物力和財力，很難找到適用于特定檢測環境的數據集來對網絡進行訓練，所以針對超聲無損檢測數據集稀缺的問題，研究人員提出了多種數據增強方法來對已有的少量檢測數據進行有效擴充。

虛擬缺陷法可用于從有限的模型和缺陷集中生成具有足夠代表性的超聲數據。這種方法通過在原始信號中逐點插入幅值可變的虛擬缺陷來模擬真實缺陷的位置和大小[32]。LIU等[33]采用仿真信號來對數據集進行增強，但是相對于真實信號難以準確確定仿真參數。KAHROBAEE等[34]采用了多源數據融合方法對有限數據集進行增強，該方法可以利用來自多源的數據并有利于缺陷種類的區分。此外，還有其他對數據集進行直接操作的方法，如鏡像、旋轉、縮放、平移、裁剪等，這些方法均有助于深度神經網絡的訓練和抑制過擬合現象。

2.4 泛化能力增強

采用數據增強的深度學習技術可以在已有的訓練數據集上有良好的表現，但是對全新的超聲數據進行有效識別仍是對網絡的一大考驗。在超聲無損檢測領域，諸多學者提出了多種提高深度學習泛化能力的技術，包括采用波長池化以消除譜影響;添加隨機Dropout函數正則化層抑制過擬合[35]；將信號放縮為歸一化幅值避免激活函數飽和；采用自編碼器去噪以提高分類精度；采用雙正則支持向量機算法取代最后一層Softmax函數來完成分類任務[36]等。上述方法可以在一定程度上提高深度神經網絡的泛化能力，但也會相應地增加計算復雜度。

2.5 超聲導波與深度學習

目前，基于機器學習的超聲導波缺陷檢測的相關研究較少，如采用人工神經網絡-概率橢圓法進行蘭姆波的缺陷識別[37];采用獨立成分分析法(ICA)進行管道缺陷檢測[38]等。由于導波信號屬于一維信號，且檢測波形會受到環境變化的影響，所以有研究采用了梅林變換來模擬環境的變化，實現了數據集增強。此外，作者還采用了多信號組成的二維圖像來作為網絡的輸入，進一步提高了網絡的缺陷識別能力。

3 結語

采用深層卷積神經網絡對常規超聲、相控陣超聲和超聲導波的缺陷信號識別均有較高的精確度，有望解決目前人工檢測帶來的漏檢、誤檢、檢測效率低等問題，實現復合絕緣子超聲無損檢測的智能化和自動化。

采用深度學習模型進行缺陷檢測仍然存在一些不足。首先是數據集過小的問題，盡管目前已經存在多種數據增強手段，但是這些方法仍然依賴于原始數據集的規模，而復合絕緣子的超聲檢測數據難以獲得，對缺陷的標注也可能不合理，從根本上影響了深度學習的預測準確度；其次，卷積神經網絡的實現較為復雜，限制了其在高速檢測實時分析缺陷信息的應用，并且其過慢的訓練速度也會導致模型調試困難，可能會喪失其相對于人工缺陷識別的速度優勢；最后，深度學習存在黑箱問題，使得模型的解釋性較差，很難通過物理方程來定量解釋。

針對數據集過小的問題，一個可行的方案是采用遷移學習技術，即采用在其他類似任務中訓練完成的模型參數作為本任務的訓練參數，從而將復雜的模型分解化和簡單化，無需滿足龐大的數據集需求；其次，針對卷積神經網絡訓練耗時長的問題，可以采用構件數據管道和批訓練的方式，并采用高性能GPU(圖形處理器)進行網絡訓練，以提高訓練效率；最后，針對神經網絡的黑箱問題，為了獲得復合絕緣子缺陷的網絡內部特征識別策略，可以采用基于物理知識的機器學習方法，以獲得網絡的可解釋性，但值得強調的是，該種知識導向的機器學習方法尚未成熟，還需要進一步的研究才能得到實際應用。