基于STFT和DBN的高压电缆瓷套式终端液位智能检测

祁宏昌 张斌 黄嘉盛 刘远 吴倩 洪晓斌

摘要：瓷套式高压电缆终端内部液态介质关乎高压电缆的运行安全，其内液位定时检测可以有效排除因介质泄露引起的安全隐患。该文提出一种基于STFT和DBN的瓷套式高压电缆终端液位智能检测方法。首先，对超声兰姆波信号进行信号分割，并通过短时傅里叶变换获取分段信号的时频表示;然后，提取分段时频信号的有效值、峰峰值、峭度和波形因子等统计特征;最后将提取的特征作为深度置信网络模型的输入，并将液位分为15个区间作为网络输出。实验训练迭代5000次时，所提方法的液位识别准确率为92%;当训练迭代10000次时，测试正确率达到100%。实验结果表明，该方法可以准确地识别液位的高度范围，并提供一定的维护指导。

关键词：Lamb波;高压电缆;短时傅里叶变换;液位检测;深度置信網络

中图分类号：TM75文献标志码：A 文章编号：1674-5124（2019）04-0047-06

0引言

作为城市电网中的重要设备，瓷套式（PBT）终端凭借较好稳定性、强耐污性和长期抗老化性能，成为高压电缆户外终端的外部绝缘和支撑装置。为加强冷却和减震密闭，PBT终端常以硅油为介质填充。如果发生硅油泄漏，PBT终端可能发生局部异常发热甚至爆炸的问题。因此PBT终端的液位必须定期检查以保持安全高度。目前PBT终端内液位检测的最常用方法是在断电条件下打开PBT终端的上盖进行检查，这种检查方式可能导致瓷套管原有结构的破坏。为了保证PBT终端可靠安全运行，非破坏式的无损检测技术成为了PBT终端内液位检测的迫切需要。程明等设计了基于瓷套管简易模型的油位检测设备，利用超声波反射波的能量判定某一检测高度是否存在油液。莫润阳等研究了超声在陶瓷与其他介质接触的复合层中的回波特性，并提出了通过界面回波衰减规律来判别瓷套管内部是否为复合层。常规超声需要通过层层检测方式才有可能判断瓷套管内液位的高度范围。

超声兰姆波具有衰减慢和大范围检测的优越特性，已广泛应用于管道、平板等检测对象中，并取得了良好的检测效果。何存富等阿分析了负载液体时Lamb波衰减频散特性，并以此作为特征对密闭容器的内液位进行检测。徐鸿等研究了平板负载液体的导波模态的变化，利用导波某一模态在不同液位下的传播时间来测量密闭容器的内液位。由于频散和多模态特性，Lamb波信号需要进一步的信号处理才能获得更直观的检测特征。艾春安等采用短时傅里叶变换，对比了不同缺陷对超声信号时频特性的影响，验证了时频分析方法对缺陷识别的可行性。刘瑾等从母小波的选择和小波系数非线性处理的角度对小波分析在超声信号降噪处理中的应用进行了分析，给出了不同情况下母小波和小波分解层数选择的参考。超声Lamb波特征可以为瓷套管液位检测提供趋势判断，而定量检测则需要进一步获取特征与液位的映射关系。

不同的特征值（如时域特征、频域特征和时频域特征）可以从不同角度反映被测对象的状态，因此多特征综合评估方法的应用可以提高检测系统的鲁棒性和准确性。深度学习网络作为一种非线性多分类器，可以通过参数化模型获取特征输入和目标输出之间的映射关系。辜清用主成分分析和BP神经网络对油气管道内部缺陷进行了分类识别。任欢罔提取环境中土壤的腐蚀相关特征，利用BP网络对埋地管道的腐蚀状况进行评价，并通过遗传算法优化网络参数。吴坚等综合考虑影响光伏发电的多种因素，提出了一种基于深度置信网络的光伏发电功率预测模型。姚志强选取管网主要数据作为深度置信网络的输入进行了管道的泄露检测，其结果优于传统BP网络模型。超声Lamb波在无损检测得到广泛的研究，但是基于深度学习的超声Lamb波多特征融合技术的研究还比较少。

课题组在前期研究中通过小波包分解和非线性超声导波技术等提取了与瓷套管液位相关的超声Lamb波特征。为了进一步明确提取的特征量与液位检测的映射关系，针对非稳态超声Lamb波在瓷套管液位智能检测中的多特征综合评估问题，本文引入深度置信网络作为多特征融合模型，提出了一种基于STFT和DBN的瓷套管内液位超声Lamb波智能检测方法，实现了瓷套式高压电缆终端内液位的检测。

1瓷套管内液位超声Lamb波检测方法

1.1STFT特征提取

超声Lamb波在瓷套管中传播时，经过多层伞裙的反射和折射，产生大量的回波模态并且回波的波包可能存在重叠。此时，超声Lamb波信号的各种模态难以区分，大量的模态也导致信号的频谱变得复杂。短时傅里叶变换（short-time Fourier transform，STFT）是一种加窗的傅里叶变换，可以确定时变信号局部区域的时频特性。

STFT变换基本原理是：假设在某固定的窗函数g（t）内，用傅里叶变换对原信号进行分析得到其局部信号的频率成分，接着沿时间轴移动窗函数，即可获取信号频率在不同时段的变化。与传统傅里叶变换相比，短时傅里叶变换可以获取信号的频率随时间变化的规律，其信号处理的过程如图l所示。其主要步骤如下：1）用窗函数ω（n）截断原始信号。2）窗函数ω（n）与截断信号Xk作逐点相乘，获取加窗变换信号Xk'。3）对Xk'进行傅里叶变换。4）沿时间轴移动窗函数，求取不同时段信号的傅里叶变换。

对于给定信号Xm，选定窗长K，截断信号的STFT变换为：其中，w（u）表示窗函数在对应点的值。不同时段信号傅里叶变换的集合就是STFT的结果。窗函数直接影响STFT变换的时间分辨率和频率分辨率，常用矩形窗、汉宁窗、海明窗、指数窗、高斯窗作为STFT的窗函数。窗函数的应用不仅可以将信号的时间与频谱联系起来，还可以减少区域内信号的模态数量。局部信号的STFT变换可以近似看作稳态，提取其有效值（RMS）、峰峰值、峭度、波形因子作为瓷套管内液位判别的特征值：

1.2DBN液位判别模型

瓷套管中传播的超声Lamb波信号通过STFT变换之后，可以获得信号的一系列局部时频特征。通过构建多特征融合评价模型，可以建立特征向量与目标检测值之间的映射关系。深度置信网络（deep beliefnetwork，DBN）是一种典型的深度学习（deep learning）网络，由Hinton等在2006年提出。DBN通过逐层贪婪学习低层信号形成更加抽象的高层表示，其无监督自学习过程可以避免传统特征融合所需的专家经验，实现检测的智能化。DBN在训练过程中可以通过多层非线性映射建立超声Lamb波信号的特征输入和瓷套管液位之间的参数化模型。

1.2.1受限波尔兹曼机模型

DBN是由一系列RBM堆叠而成的多层感知器神经网络，每个RBM由可视层（V）和隐藏层（h）组成，不同层的节点通过权值w连接，同层节点无连接。

1.2.2DBN网络结构

在训练阶段，DBN通过从可视层抽取相关信息映射到隐藏层，在隐藏层再次抽取信息映射到可视层，在可视层重构输人数据，反复执行可视层与隐藏层之间映射与重构过程。由3个RBM堆叠而成的DBN模型如图3所示。可视层v可为特征输入层，STFT变化之后的局部时频特征向量经低层的RBM学习后，其输出结果作为高一层RBM的输入，经过多层贪婪学习后形成更直观的特征表示。

DBN学习过程包含两部分，即前向堆叠RBM学习和后向微调学习。前向堆叠过程为无监督学习过程，无需标签数据参与。后向微调则是利用带标签数据对网络模型参数进行微调。其中前向堆叠RBM学习的过程如下：

在实验进行前，通过扫频确定最佳响应频率为218kHz。因此，采用218kHz中心频率的10峰正弦信号作为激励信号。从0到1400mm的不同高度，每隔100-mm时采集10次信号，共计获得150个信号样本。实验采样频率为2UHz，采样时间为1s。

2瓷套管内液位检测实验

2.1液位检测实验平台

瓷套管内液位检测平台由信号发生器、信号放大器、数据采集卡和高性能PC组成，检测平台如图4所示。首先，信号发生器产生的数字驱动信号由放大器放大，产生足够大的信号。在PBT终端下部安装的接收传感器用于接收信号，并通过数据采集（DAQ）卡采集到PC上。PBT终端高1410mm，驱动器传感器安装在距顶部表面10mm的位置，接收传感器安装在距底端10mm的位置。所有传感器均为PZT压电传感器，直径为10mm，中心频率为2UHz。

2.2STFT特征分析

在对数据进行STFT时，为减小数据处理量，设置窗函数为矩形窗，时间窗长为2000个采样点，重叠率为0。对经过FFT变换后的信号，求取其有效值（RMS）、峰峰值、峭度、波形因子等4个统计特征。将150个不同液位下的样本根据液位从低到高依次进行处理，提取各个样本的特征值。不分段时，所提取的有效值特征如图5（a）所示，该特征值在低液位时与液位成反比关系，在高液位时成正比例关系，单一值对应高低不同的两个液位，不利于对液位进行有效识别。对信号分段处理进行STFT的RMS特征如图5（b）～图5（d）所示，在1-2000段RMS值与液位成负相关;在5000-7000段，RMS大体成正相关趋势，但是存在波动;在10000-12000段RMS值与液位成正相关。因此单一特征值一般只适用于检测对象状态的趋势分析，难以进行定量分析。同时，单一特征的不稳定严重影响检测的有效性和鲁棒性。

2.3DBN液位检测分析

将所采集的150个数据样本分成训练集和测试集，其中训练集样本占80%，测试集样本占20%。将STFT变换后提取的特征值作为网络输入，将样本按液位高度划分成15个类别，网络输出为15个类别的one-hot编码。设置网络迭代次数为5000次，网络训练的训练准确率、测试准确率以及损失函数随迭代次数的变化如图6所示。随着迭代次数的增加，网络损失函数的损失值逐渐减小，训练正确率逐渐增加。尤其在算法早期迭代过程中，损失函数值迅速下降，训练正确率迅速提高，这表明所提取的各类特征值与检测液位有较好的映射关系。最后，训练正确率和测试正确率都超过90%。同时注意到损失函数值仍处于下降状态，误差可以继续减小。

迭代5000次之后的测试结果如图7（a）所示。当前迭代次数下，训练正确率为92.8%。在液位为半满时，出现了邻近类别的错分。进一步观察图5中的特征值，可以发现在此液位下邻近液位特征差异较小。增加迭代次数至10000次，所有类别均得到正确识别，如图7（b）所示。

3结束语

针对瓷套式高压电缆终端内液位在线检测问题，提出了一种基于DBN的超声Lamb波检测方法。首先通过STFT算法获取信号的分段时频表示，从而提取出超声Lamb信号的局部时频特征，随后将提取的特征作为DBN的输出。实验结果表明：当迭代次数为5000次时，所提方法已经可以基本识别出液位高度，只有少数状態出现邻近的误判;当迭代次数为10000次时，液位高度的识别正确率达到100%。针对液位检测的精度问题，下一步将围绕深度学习网络的回归应用进行研究。