基于RWSSA-OMP-DBN 的均壓電極結(jié)垢超聲檢測*

陳偉華萬 晨閆孝姮*金石煒管海楠

(1.遼寧工程技術(shù)大學電氣與控制工程學院，遼寧 葫蘆島 125105；2.國網(wǎng)遼寧省電力有限公司檢修分公司，遼寧 遼陽 111213；3.國網(wǎng)遼寧省電力有限公司鞍山供電公司，遼寧鞍山 114000)

安裝在換流閥閥冷系統(tǒng)中的均壓電極，因水路中的金屬離子運動至電極表面發(fā)生化學反應，導致均壓電極表面產(chǎn)生結(jié)垢[1-4]，垢質(zhì)的脫落造成堵塞水管和密封圈腐蝕等危害[5]。 目前檢測結(jié)垢的方法是依靠人工手段拆卸電極，來判斷均壓電極是否結(jié)垢。 但在頻繁拆卸電極的過程中，容易產(chǎn)生冷卻水噴濺，嚴重影響設(shè)備安全運行。 因此，均壓電極結(jié)垢的無拆卸檢測具有重要的研究意義和工程實用價值。

超聲反射法作為一種高效、安全的檢測方法，在污垢檢測中得到了越來越多的應用[6-8]。 該方法檢測信號會攜帶噪聲干擾，影響污垢信息辨別。 因此，快速有效的提取均壓電極超聲回波信號的特征信息，是檢測均壓電極結(jié)垢程度的關(guān)鍵點。

正交匹配追蹤(Orthogonal Matching Pursuit，OMP)作為一種信號稀疏表示的算法[9]可實現(xiàn)均壓電極超聲回波信號的降噪與特征提取，但OMP 算法在原子庫中遍歷尋優(yōu)時間過長，降低了其實用性。為了進一步提高稀疏分解算法的性能，許多智能優(yōu)化算法包括WOA 算法[10]、PSO 算法[11]、智能水滴算法[12]等被引入OMP 中，實現(xiàn)更高效的信號稀疏分解，但在構(gòu)建超完備原子庫和運算速度等方面依舊有待提高。 2020 年Xue J 等人提出了麻雀搜索算法(Sparrow Search Algorithm，SSA)，并對比了灰狼優(yōu)化算法、重力搜索算法、PSO 等算法，證明該算法在運算速度、搜索精度等方面具有一定的優(yōu)勢[13]，但SSA 算法的全局搜索能力仍需提高。

同時，為準確地區(qū)分均壓電極的結(jié)垢程度，需要對特征信號做分類識別處理。 與其他識別方法相比深度置信網(wǎng)絡(luò)(Deep Belief Networks，DBN)具有結(jié)構(gòu)簡單、高識別率和可深度提取信號特征等優(yōu)點[14]，可實現(xiàn)信號的高精度檢測識別。 國內(nèi)外學者運用DBN 網(wǎng)絡(luò)實現(xiàn)了閥門故障信號分類[15]、軸承故障診斷[16]、傳感器數(shù)據(jù)異常的識別[17]。

綜上所述，本文提出一種用于均壓電極超聲無拆卸結(jié)垢檢測的識別方法。 針對均壓電極超聲回波信號的降噪與特征信息提取問題，采用SSA 優(yōu)化OMP 以提高算法的運算速度，利用隨機游走算法(Random Walk，RW)優(yōu)化SSA，使得OMP 能夠獲取更加完備的原子庫。 使用RWSSA-OMP 對均壓電極超聲回波信號做降噪處理與特征提取。 同時選擇Hilbert 法獲取特征信號的包絡(luò)線并作為特征參數(shù)，利用優(yōu)化后的DBN 進行檢測識別，最終實現(xiàn)均壓電極結(jié)垢程度的智能檢測。

1 RWSSA-OMP-DBN 算法

1.1 OMP 算法與Gabor 原子

OMP 算法是針對匹配追蹤算法改進的一種全局搜索迭代貪婪追蹤算法。 該算法利用迭代過程在超完備原子庫中尋找與殘差信號內(nèi)積最大的原子。 采用Gram-Schmidt 正交化方法將當前最佳匹配原子與先前得到的原子正交，將每次迭代后的最佳匹配原子存儲在字典子集S中形成張成空間，每次迭代后的殘差信號更新見式(1)，信號的最終表示見式(2)。

式中:f為待分解的信號，gγ0∈D，Rf代表殘差信號，gγ0正交于Rf。gγ作為參數(shù)組γ的字典原子，且滿足標準化‖gγ‖＝1。m為總迭代次數(shù)。 利用上述OMP 算法過程，實現(xiàn)了待分析信號在超完備原子庫D＝{gγ(t)}γ∈Γ中的稀疏表示。

OMP 算法的核心思想是要形成恰當?shù)脑踊瘮?shù)，并盡可能與信號的內(nèi)部結(jié)構(gòu)相匹配，這樣所構(gòu)造的超完備原子庫可以用更少的原子表示。 針對超聲回波信號的特性，超完備原子庫選擇Gabor 原子的平移、伸縮、調(diào)制等變換來構(gòu)造。 Gabor 原子表達式如式(3)所示。

式中:g(t)＝exp(-πt2)是高斯窗函數(shù)，s為尺度因子，u為位移因子，υ是頻率，φ是相位。 在OMP 算法迭代中，如果定義了每個原子參數(shù)的范圍，就可以通過式(4)得到與被分析信號相匹配的最優(yōu)原子。在傳統(tǒng)OMP 算法產(chǎn)生字典庫時，產(chǎn)用的是普通遍歷方法，會導致計算量過于龐大，運算時間過長。 因此，加快超完備原子庫的構(gòu)造，提高原子的匹配速度，是信號稀疏表示的主要優(yōu)化方向。

1.2 改進的麻雀搜索算法(RWSSA)

SSA 算法是一種新的群體智能優(yōu)化算法。 與其他仿生智能優(yōu)化算法相比，SSA 算法具有較高的搜索精度，算法收斂速度快，強魯棒性等優(yōu)勢，可優(yōu)化OMP 算法構(gòu)建超完備原子庫。 但SSA 算法的搜索范圍不夠廣泛，且隨著計算的循環(huán)迭代，算法依然存在容易陷入局部最優(yōu)等問題。 因此需要對該算法進行進一步的優(yōu)化。

針對OMP 算法需要快速高效的構(gòu)建超完備原子庫用于匹配超聲回波信號的問題，本文采用RW算法改進SSA，即對麻雀種群的位置進行優(yōu)化選取。RW 算法具有搜索邊界更廣的特點，利用RW 算法將麻雀種群隨機擴散到整個區(qū)域，可以有效的提高麻雀種群的全局搜索能力，增加了Gabor 原子中4種參數(shù)取值組合，有效解決超完備原子庫的遍歷問題。 同時，隨著RW 算法的多次迭代，搜索邊界隨之減小，從而增強了SSA 算法局部尋優(yōu)能力，使得OMP 算法可以準確快速的匹配到最佳原子。 RW算法相關(guān)公式如下:

式中:X(c)表示隨機游走的步數(shù)集合；cumsum 表示累加和；c表示隨機游走步數(shù)；r(c)表示一個隨機的二值函數(shù)，當其中隨機數(shù)大于0.5 時r(c)＝1，當隨機數(shù)小于0.5 時r(c)＝0。

由于構(gòu)建超完備原子庫有邊界條件的限定，為了保證麻雀種群分布在限定空間內(nèi)，需要對其進行歸一化處理:

式中:aj表示j維隨機游走的最小值；bj表示j維隨機游走的最大值；表示j維第c次迭代的最小值；表示j維第c次迭代最大值。

1.3 DBN 網(wǎng)絡(luò)

均壓電極超聲回波信號的信號分類與識別采用優(yōu)化后的DBN 網(wǎng)絡(luò)實現(xiàn)。 DBN 可對信息的敏感特征做深度挖掘處理，獲取信號之間的細微差別，以供分類器做分類識別[18]。 DBN 作為一個擁有多個隱含層的神經(jīng)網(wǎng)絡(luò)，其隱含層是由若干層受限玻爾茲曼機(RBM)堆疊構(gòu)成，其中RBM 擁有兩層神經(jīng)元，分別為顯層和隱層。 采用RBM 的DBN 可以大大提高訓練的效率，經(jīng)過參數(shù)優(yōu)化后的RBM 可以很好地改善DBN 網(wǎng)絡(luò)在訓練過程中出現(xiàn)的局部最優(yōu)問題，并且輸出的信息對數(shù)據(jù)有一定表征作用。 因此DBN 具有良好的訓練特性，可以有效解決超聲回波信號的信號分類與識別問題。 圖1 所示為DBN 結(jié)構(gòu)模型和單層RBM 框架結(jié)構(gòu)。

圖1 DBN 結(jié)構(gòu)模型

1.4 RWSSA-OMP-DBN 識別流程

采用RWSSA-OMP-DBN 算法對均壓電極超聲回波信號進行特征提取與分類識別。 具體流程為:①獲取均壓電極超聲回波信號；②利用RWSSAOMP 算法實現(xiàn)對超聲回波信號的降噪與特征提取；③采用Hilbert 函數(shù)法提取信號的包絡(luò)線，作為DBN網(wǎng)絡(luò)輸入層的特征參數(shù)；④優(yōu)化DBN 網(wǎng)絡(luò)的層間參數(shù)，并利用數(shù)據(jù)集對網(wǎng)絡(luò)進行訓練；⑤利用訓練好的DBN 網(wǎng)絡(luò)實現(xiàn)均壓電極結(jié)垢的信號識別。

2 算法仿真對比驗證

2.1 RWSSA 優(yōu)化驗證

為驗證RWSSA 算法與普通SSA 算法相比，具有快速高效的構(gòu)建超完備原子庫的特點，將兩種算法的種群個數(shù)及種群迭代次數(shù)均設(shè)置為2 000 和20。 同時對尺度因子、位移因子、頻率和相位這四種參數(shù)做尋優(yōu)取值，測試結(jié)果如圖2 所示。 對比兩種算法的數(shù)據(jù)測試可以看出，RWSSA 在初始值選取上具有更大的取值范圍，有效的提高了麻雀種群的全局搜索能力，為OMP 算法提供了更加完備的原子庫。 同時，對比經(jīng)過20 次迭代后的數(shù)據(jù)可以看出，RWSSA 算法的取值比SSA 算法更加的集中，證明RW 算法能夠更加有效的縮小邊界范圍，從而增強了SSA 算法局部尋優(yōu)能力，提高了算法的搜索精度。

圖2 RWSSA 和SSA 數(shù)據(jù)對比

2.2 RWSSA-OMP 優(yōu)化驗證

為驗證RWSSA-OMP 算法對均壓電極超聲回波信號的重構(gòu)和降噪能力優(yōu)于匹配追蹤及其相關(guān)的改進算法，將RWSSA-OMP 算法分別與MP 算法[19]、OMP 算 法[20]、 WOA-OMP 算 法[10]、 PSO-OMP 算法[11]、SSA-OMP 算法進行性能測試與比較。 其中PSO-OMP 算法、WOA-OMP 算法和SSA-OMP 算法三種算法的種群個數(shù)、種群迭代次數(shù)以及信號重構(gòu)迭代次數(shù)相同為2 000、20、10。 依照式(6)形成仿真測試信號，并在仿真測試信號的基礎(chǔ)上加入10 dB 的高斯白噪聲信號，對比結(jié)果見圖3。

圖3 6 種算法特征信息提取對比

通過圖3 的對比可以看出，相比較其他5 種算法，RWSSA-OMP 算法在幅值和局部特征等方面能夠更好地保留原始信號的信息。

同時，為直觀比較算法的降噪和特征提取能力，引入信噪比和平均運算時間作為算法的評價指標，信噪比計算為式(7)。 6 種方法的SNR 和平均運算時間對比結(jié)果見表1。

表1 6 種重構(gòu)算法的SNR、運算時間對比

式中:N為信號的長度，I(q)表示原始信號，Io(q)表示去躁信號，q為采樣點數(shù)。

算法運算采用MATLAB 軟件實現(xiàn)，PC 機(Think-Pad T470p)為基于x64 的處理器，其型號為Intel(R)Core(TM)i7-7700HQ CPU＠2.80GHz，機帶RAM 為24GB。 通過表1 可以看出，RWSSA-OMP 降噪能力優(yōu)于其他算法，可提取到更為精確的信號特征值，因此重構(gòu)能力優(yōu)于其他算法。 RWSSA-OMP 算法與SSA-OMP算法相比雖然增加了仿真時間，但時間相差較小，說明RWSSA-OMP 算法整體性能更強。

綜上所述，RWSSA-OMP 算法能夠較為準確快速地實現(xiàn)信號的降噪與信息提取。

3 實驗設(shè)計與信號采集

為獲取均壓電極的超聲回波信號，依據(jù)實際匯流管的內(nèi)徑和壁厚的大小以及均壓電極所處位置，搭建均壓電極結(jié)垢超聲檢測實驗平臺。 其中冷卻水管道內(nèi)徑為57 mm，壁厚為3 mm；均壓鉑電極的棒體長度為30 mm，直徑為2 mm。 選取結(jié)垢厚度為0～0.8 mm的均壓電極，并將電極按照實際要求垂直插入管道中心位置。 冷卻水采用去離子水。 超聲脈沖發(fā)射接收器選用美國JSR 公司的DPR300 脈沖發(fā)射接收器，該設(shè)備具有高性能的脈沖發(fā)射功能和低噪聲接收功能，設(shè)備實際REL.GAIN 增益設(shè)置為55 dB，脈沖幅度為187.5 V。 超聲探頭選用OLYMPUS 公司的D790-SM雙晶探頭，此探頭的中心頻率為5 MHz，阻尼為50 Ω；示波器選用KEYSIGHT 公司的DSOX1204A。

該實驗臺利用DPR300 中的脈沖發(fā)生器產(chǎn)生一個高電壓電激勵脈沖，用于驅(qū)動雙晶探頭；雙晶探頭發(fā)射超聲信號的過程中，由于不同介質(zhì)聲阻抗不同，會產(chǎn)生超聲反射信號；探頭將接收到的回波信號傳輸至DPR300 中的接收器，DPR300 將回波信號發(fā)送到示波器和PC 機上，完成信號的采集過程。 此外，水槽內(nèi)部安裝水泵，使冷卻水形成循環(huán)水路。 結(jié)垢的均壓電極與實驗平臺的搭建如圖4 所示。

圖4 結(jié)垢的均壓電極與超聲檢測實驗平臺

利用上述實驗平臺分別對不同結(jié)垢程度的均壓電極做超聲回波信號采集，圖5 所示為結(jié)垢厚度0.4 mm 的均壓電極超聲回波信號。 信號共有4 個部分組成，即超聲探頭的激勵信號、前管壁部分回波信號、均壓電極部分回波信號以及后管壁回波信號。通過對系統(tǒng)采集到的原始信號波形觀察發(fā)現(xiàn)，均壓電極部分的回波信號與噪聲信號混合在一起，無法直接辨別出有效的特征信息。 因此，需要對均壓電極部分的回波信號做特征值提取。

圖5 實驗數(shù)據(jù)采集的均壓電極超聲回波信號波形圖

4 實驗驗證與分析

4.1 信號處理

從上述實驗平臺中采集到的超聲回波信號可以看出，信號包括多個回波信息以及因多種介質(zhì)的轉(zhuǎn)換、液體流動沖擊等多方面因素而攜帶大量的噪聲干擾。 因此需要通過RWSSA-OMP 算法對均壓電極部分的超聲回波信號進行重構(gòu)，做到對回波信號的特征值提取以及消除系統(tǒng)帶來的噪聲干擾。

RWSSA-OMP 算法中相關(guān)參數(shù)設(shè)定為:麻雀種群數(shù)量N＝600；發(fā)現(xiàn)者數(shù)量PD ＝4200；加入者數(shù)量ET＝1 800；感知危險者數(shù)量SD ＝600；預警值ST ＝0.6；種群更新迭代次數(shù)M＝20；尺度因子取值范圍s＝[20，100]；平移因子取值范圍u＝[700，1500]；頻率取值范圍υ＝[0，2π]；相位取值范圍φ＝[0，2π]；RWSSA-OMP 算法最大迭代次數(shù)iterative＿number ＝30。 圖6 所示為RWSSA-OMP 算法對均壓電極部分的超聲回波信號重構(gòu)結(jié)果。 對重構(gòu)后的信號分析發(fā)現(xiàn)，此算法可以有效的提取出厚度在0.3 mm ～0.8 mm 范圍內(nèi)的結(jié)垢部分超聲回波特征信號，但由于0.1 mm 和0.2 mm 的結(jié)垢厚度過小導致算法無法對結(jié)垢部分的超聲回波特征信號進行有效提取。

圖6 RWSSA-OMP 算法對均壓電極部分的超聲回波信號重構(gòu)結(jié)果

4.2 信號分類識別

對于圖1 所示的DBN 網(wǎng)絡(luò)結(jié)構(gòu)，其包含4 個隱層，因此在構(gòu)建網(wǎng)絡(luò)的過程中需要確定DBN 中各個RBM 層的相關(guān)參數(shù)，優(yōu)化后的DBN 相關(guān)參數(shù)取值如表2 所示。

表2 DBN 相關(guān)參數(shù)的取值

為實現(xiàn)信號的分類與識別，需要對經(jīng)過特征提取后的均壓電極超聲回波信號做信號包絡(luò)線處理，即采用Hilbert 函數(shù)法提取信號的包絡(luò)線，并作為DBN 網(wǎng)絡(luò)輸入層的特征參數(shù)。 圖7 顯示不同結(jié)垢厚度的均壓電極超聲回波信號的包絡(luò)線提取結(jié)果。對比9 種信號包絡(luò)線發(fā)現(xiàn)，結(jié)垢厚度為0.1 mm 和0.2 mm 與未結(jié)垢的均壓電極三者之間的包絡(luò)線比較相似，這是由于結(jié)垢的厚度相對較小，同時結(jié)垢物和均壓電極均為金屬材質(zhì)，兩者的聲阻抗比較相近，導致超聲回波信號相似，最終提取到了較為相近的信號包絡(luò)線。

圖7 Hilbert 函數(shù)提取包絡(luò)線

為驗證本文的分類器，選取BP 神經(jīng)網(wǎng)絡(luò)、SVM、DBN 和RWSSA-DBN 4 種分類器進行對比，并對本文的數(shù)據(jù)集做分類與識別。 表3 為測試后的結(jié)果，其中每種分類器均進行10 次數(shù)據(jù)的隨機試驗，并求取平均值。

表3 分類器對比分析

由表3 可見，RWSSA-DBN 分類器的訓練集準確率達到了98.31%，測試集準確率達到了95.33%。而傳統(tǒng)的分類器雖然訓練速度較快，但無論是訓練集還是測試集的準確率都比較低。 對比測試時間可以看出，4 種分類器基本沒有差別，說明運用已經(jīng)訓練好的分類器進行測試，可以忽略計算時間的影響。因此從分類器的整體對比看出，優(yōu)化后的DBN 網(wǎng)絡(luò)具有良好的網(wǎng)絡(luò)結(jié)構(gòu)，能夠有效地提高對均壓電極結(jié)垢程度的檢測。

對經(jīng)過處理的不同類型超聲回波信號進行等級分類。 根據(jù)均壓電極結(jié)垢程度的不同，將其從0 mm～0.8 mm 跨度為0.1 mm 由低到高分成9 個等級。 實驗共采集了1 800 個數(shù)據(jù)樣本，每個等級的訓練集樣本數(shù)為150 個，測試集樣本數(shù)為50 個。 經(jīng)過DBN 訓練分類識別后，不同結(jié)垢程度的均壓電極超聲回波信號識別分布圖如圖8 所示。 經(jīng)過改進的DBN 算法訓練分類識別后，總體測試結(jié)果的準確率為87.56%。 從分布圖中可以看出，出現(xiàn)識別率較低的原因是分類器無法有效的區(qū)分結(jié)垢厚度為0.1 mm 和0.2 mm 與未結(jié)垢的均壓電極三者之間的等級差別，即由于結(jié)垢厚度過小導致無法有效的提取出特征值，最終導致整體的識別準確率受到影響，這一結(jié)果符合上述的原因分析。 針對這一現(xiàn)象，在滿足工況的情況下，將結(jié)垢厚度為0.1 mm 和0.2 mm 與未結(jié)垢的均壓電極作為一類，即分成7類，并再次做分類測試，相關(guān)識別分布如圖9 所示。此分類下的總體測試結(jié)果的準確率為95.33%，識別準確率有了很大的提高。 從識別結(jié)果可以看出，系統(tǒng)對結(jié)垢程度越高的均壓電極，識別準確率越高。

圖8 9 種均壓電極結(jié)垢等級的識別分布圖

圖9 7 種均壓電極結(jié)垢等級的識別分布圖

上述結(jié)果表明，優(yōu)化后的DBN 分類器可以實現(xiàn)對結(jié)垢程度較大的均壓電極超聲回波信號有效分類及識別，為換流閥冷水系統(tǒng)的均壓電極結(jié)垢檢測提供了理論基礎(chǔ)。

5 結(jié)論

本文針對特高壓直流換流閥冷水系統(tǒng)的均壓電極結(jié)垢在線檢測問題，采用超聲回波法對不同結(jié)垢程度的均壓電極進行檢測，利用RWSSA-OMP 算法對均壓電極部分的超聲回波信號做特征提取與降噪處理；以信號包絡(luò)線作為分類基準，采用優(yōu)化后的4層DBN 網(wǎng)絡(luò)進行超聲回波信號的分類與識別。 測試結(jié)果表明，文中方法能夠有效的識別出結(jié)垢程度較厚的均壓電極，具有一定的實際應用價值。 主要結(jié)論如下:

①對比實驗平臺超聲回波信號的數(shù)據(jù)發(fā)現(xiàn)，在5MHz 頻率下，不同結(jié)垢程度的均壓電極所產(chǎn)生的超聲回波信號存在差別，證明利用超聲技術(shù)可以有效的檢測均壓電極的結(jié)垢狀況。

②在對均壓電極超聲回波信號的分析中，與其他算法相比，基于隨機游走的改進麻雀搜索算法優(yōu)化正交匹配追蹤能夠快速重構(gòu)信號，同時能夠有效的提取出結(jié)垢厚度在0.3 mm 及以上均壓電極的電極前表面超聲回波信號。 計算RWSSA-OMP 算法的SNR 達到12.889 8 dB，證明此算法有較高的稀疏表示能力與運算精度。

③利用優(yōu)化后的深度置信網(wǎng)絡(luò)對超聲回波信號進行識別，可有效的區(qū)分出結(jié)垢程度較厚的均壓電極，識別準確率為95.33%。 識別結(jié)果的準確率表明，RWSSA-OMP-DBN 可用于均壓電極結(jié)垢的超聲智能檢測，達到均壓電極結(jié)垢程度的檢測需求。