机器学习在复合绝缘子缺陷超声检测中的应用与展望

孙洪宇, 彭丽莎, 屈凯峰, 王 珅, 赵 伟, 黄松岭

(1.清华大学 电力系统及发电设备控制和仿真国家重点实验室，北京 100084；2.北京云道智造科技有限公司，北京 100190)

作为一种重要的输电网电气绝缘设备，绝缘子在保证电力系统安全稳定运行方面发挥着重要作用。绝缘子在实现输电线路隔离的同时，也为输电线路提供了机械支撑，使其在相对恶劣的环境中仍能安全可靠地运行[1-3]。与传统的玻璃绝缘子和瓷绝缘子不同，复合绝缘子以橡胶等聚合物为主要材料，凭借其优异的防污闪性能得到了广泛应用。其兼具高机械强度、高便携度以及高环境耐受度等优点[4],但是，复合绝缘子在使用过程中由于环境的污染和服役时间的增加，将不可避免地出现故障，影响输电线路的绝缘性能[5]，因此，对复合绝缘子进行质量检测是保障其安全运行的必要前提。目前用于复合绝缘子缺陷检测的方法有：适用于端部金具的射线检测、磁粉检测和涡流检测;适用于芯棒压接的声发射检测;适用于复合绝缘子内部缺陷的超声检测。此外，其它检测手段如喷水法、观察法、红外成像法、电晕放电法等，在复合绝缘子检测领域也具有一定的应用价值[6]。

超声检测方法由于具有高灵敏度、高检测速度以及高缺陷识别率等优点，在复合绝缘子无损检测中得到了大量的应用[7]。超声检测可以对绝缘子内部的断层、脱粘、裂纹等缺陷进行有效检测。目前主要采用常规超声、相控阵超声和超声导波技术对复合绝缘子的内部缺陷进行识别和定位。目前工业领域大多采用人工方法对缺陷进行定性和定量分析，但该方法容易受到主观因素干扰而造成缺陷的漏判和误判。基于机器学习的缺陷自动化检测系统可以在实现高准确度缺陷检测的基础上避免人工检测存在的不足，并显著提高缺陷的检测速度。

随着计算机技术的不断发展，人工智能也逐渐走进了大众的视野。早期的浅层神经网络通过建立少量全连接层便可以自动学习特征识别方法，在一定程度上取代了人工方法。但是，浅层神经网络普遍存在诸如过拟合严重、难以训练、过分依赖先验知识等问题，难以在实际的超声检测领域得到广泛应用。因此，基于HINTON等[8]提出的深度学习理念，多层神经网络的叠加可以实现特征的自动化提取与分类，降低了模型训练难度，同时提高了特征识别的准确度，有效地解决了浅层神经网络存在的问题。绝缘子超声检测信号一般采用A扫描一维信号表示，也可以通过阵列超声信号进行二维图像表示。缺陷识别属于分类问题，而一维数据、二维图像分类问题正是深度神经网络的擅长项，因此，相对于复合绝缘子缺陷人工识别方法，深度学习在缺陷信号的深层次特征提取中具有无可比拟的优势。

文章首先介绍了目前复合绝缘子超声检测领域的发展现状，并针对不同的超声检测方法进行了详细阐述；随后总结了机器学习理论在超声无损检测方面的应用现状，并说明了深度学习方法的显著优势所在；最后，基于上述分析提出了基于深度学习的复合绝缘子超声检测中未解决的问题和存在的挑战，并给出了可行的解决策略，致力于为该领域的进一步发展提供新思路和新见解。

1 复合绝缘子超声检测方法

1.1 常规超声检测

常规超声一般采用单个压电晶片来激发具有特定发射方向的单声束，通过接收反射回波信号来检测缺陷是否存在[9-12]。常规超声的一般检测流程为换能器首先激发超声波，然后超声波遇到被检试样边界或缺陷发生反射，换能器接收超声回波并在示波器上显示，最后由专业人员判断是否存在缺陷。图1所示为常规超声的检测原理与基本过程。

图1 常规超声的检测原理与基本过程

在常规超声检测方法的研究中，高英等[7]利用硅橡胶材料的声阻抗率与水近似这一特点，采用超声脉冲回波法对复合绝缘子中存在的缺陷进行了检测。梁曦东等[13]采用超声纵波斜入射方法对复合绝缘子芯棒上存在的裂纹进行了有效检测，避免了芯棒脆断造成恶性电力事故。谢从珍等[14-15]通过常规超声检测法验证了伞裙优化的必要性，并成功检测出复合绝缘子内部存在的缺陷。常规超声探头结构比较简单，功能也比较单一，无法控制声束方向，因此难以应用到其它复杂场合。目前采用常规超声对复合绝缘子进行的研究已经较为少见，取而代之的是性能更为优异的相控阵超声检测法。

1.2 相控阵超声检测

与常规超声检测的探头晶片相比，相控阵超声采用了单独可控的多压电晶片阵列，并通过计算机来精确地控制各晶片的激发相位，实现阵列超声的波束偏转、扫描与聚焦。图2所示为相控阵超声的检测原理与基本过程。相控阵超声的参数设置一般在配套软件上进行，包括开启通道数、激发规则、扫描类型、速度等。随后，需要采用耦合剂来实现探头和被测试件的耦合，避免声阻抗不匹配导致超声能量衰减。

图2 相控阵超声的检测原理与基本过程

谢从珍等[16-17]采用相控阵超声探伤仪对复合绝缘子内部存在的人工缺陷进行检测，为复合绝缘子的检测提供了新思路。李亮[18]针对复合绝缘子离线监测存在的诸多不足，提出了一种基于超声水囊耦合方法的相控阵超声带电扫查方法，证明了超声线扫的优越性，在有效检测缺陷的基础上，消除了停电作业对电力系统带来的影响。徐天勇等[19-21]采用了直接接触法对复合绝缘子的伞裙、芯棒和护套内部缺陷进行了相控阵超声检测，实现了缺陷的有效识别。陈海燕等[22]通过基于水囊柔性耦合法的相控阵超声对小管径复合绝缘子的内部缺陷进行了有效检测，并且得到了较高的检测精度。可以发现，基于相控阵超声的复合绝缘子检测技术正在蓬勃发展，并且检测方法也在不断地优化。

1.3 超声导波检测

超声导波是一种超声波在波导内经过复杂的反复反射、折射和透射形成的稳定波束，具有传播距离长且衰减小的特点，特别适用于长距离管道的内外缺陷快速检测。图3所示为复合绝缘子的超声导波检测原理与基本过程。在检测时，一般采用斜入射激励超声导波，并在接入压电晶片前应用功率放大器进行功率增幅。图3所示为一发一收型导波检测装置，当导波到达另一换能器位置时，压电晶片会将接收到的振动信号转换为电信号，而该信号中则包含了导波经过区域的全部缺陷信息。在进行信号可视化后，需要专业人员对采集到的信号进行分析，确定缺陷位置及其他信息。

图3 复合绝缘子的超声导波检测原理与基本过程

迄今，已有诸多学者采用超声导波对复合绝缘子的内部缺陷进行了检测。邓红雷等[23-24]采用低频L(0, 1)纵向模态导波对绝缘子玻璃芯棒存在的缺陷进行了有效检测，并通过公式推导、仿真分析与试验验证了超声导波检测复合绝缘子缺陷的可行性。鲁强[25]和陈力[26]均采用了L(0, 1)纵向模态和T(0, 1)扭转模态导波对复合绝缘子玻璃芯棒的轴向和周向缺陷进行了检测，并验证了这两种模态的导波均可以实现单层玻璃芯棒的检测。何战峰[27]、邓红雷等[28-29]则通过建立简化的双层复合绝缘子模型，基于匹配追踪方法对复合绝缘子芯棒和脱粘缺陷进行了检测研究。虽然超声导波可以实现复合绝缘子芯棒的高效检测，但是目前尚无理论对特殊的各向异性材料的导波传播特性进行解释和准确描述，因此还需要对其进行进一步的研究。

2 机器学习理论在超声无损检测中的应用

机器学习作为一种计算机决策方法，主要用于自动化大数据分析、自动模式识别、自动数据预测等领域，并具有随训练数据增长而获得更加优异性能的特点。机器学习理论的发展与统计领域息息相关，其将统计理论以预测为目标进行了改进。一般来说，统计学侧重于数据的理解与解释，而机器学习和人工智能更侧重于决策的结果，而非过程的可解释性。在超声无损检测中需要有效地识别缺陷，而机器学习正擅长于解决此类问题并给出缺陷的预测结果，且无需关注中间过程。近几年来有诸多学者对此展开了详细的研究，其中大部分学者采用了特征提取与统计机器学习相结合的方法来识别超声信号中包含的缺陷信息，并取得了良好的效果。目前最新的研究表明，随着深度学习理论的不断发展，采用深层次卷积神经网络对缺陷进行分类有更加优异的表现，且深层神经网络可以自动地提取分类特征，无需复杂的特征提取算法。该节将对目前的机器学习超声无损检测领域进行全面的综述，并总结了数据集增强和提高模型泛化能力的已被证明有效的优化方法。

2.1 特征提取-统计机器学习法

通过提取超声信号的特征后采用机器学习算法进行分类的方法已经被广泛使用，其基本流程如图4所示。从图4可以看出，特征提取与统计机器学习缺陷分类是最重要的两个环节，也是决定缺陷分类精度的重要因素。因此，笔者对这二者进行综述，总结目前已成功用于超声无损检测领域的特征提取技术和统计机器学习分类预测技术。

图4 机器学习算法处理超声检测信号流程

针对一维A扫描超声信号，采用传统的信号处理方法即可实现缺陷特征的有效提取。这些方法包括离散傅里叶变换(DFT)、离散小波变换(DWT)、主成分分析(PCA)、遗传算法(GA)、经验模态分解(EMD)、裂谱分析(SSP)等,而针对二维B扫描超声图像，上述方法并不适用，需要采用一系列新的二维统计描述符来提取图像特征，如局部二进制模式(LBP)、方向梯度直方图(HOG)、高阶局部自相关(HLAC)、梯度局部自相关(GLAC)等。

根据上述研究内容，可以通过不同的算法提取出包含缺陷信息的低维紧凑特征向量，然后使用统计机器学习方法对提取出的特征向量进行分类。目前广泛使用的统计机器学习方法包括奇异值分解(SVD)、支持向量机(SVM)、稀疏编码(SC)、人工神经网络ANN、随机森林(RF)、主成分分析(PCA)、概率神经网络(PNN)、费舍尔判别分析(FDA)、循环神经网络(RNN)等。对于尺寸小于100 μm的缺陷一般直接采用K最近邻(KNN)分类算法，该种方法要比卷积神经网络、循环神经网络等复杂算法更加有效。

2.2 深层神经网络法

近年来，随着深度学习的提出，具有深层次结构的神经网络被广泛应用于图像识别与自然语言处理等领域。在无损检测领域，针对超声检测缺陷信号难以识别的问题，YE等[30]提出了两种深度卷积神经网络用于识别二维超声图像：USseqNet和USresNet。二者的网络结构如图5所示。USseqNet采用深层次顺序型卷积神经网络对128像素×128像素的彩色超声图像进行缺陷识别，但是，随着网络层数的不断加深，模型的表达能力并非是线性增强的，更深的网络会使收敛速度变慢，分类准确度反而会变差。因此，深度残差网络(ResNet)被提出以解决此类问题，即通过恒等映射在不增加计算成本的前提下改变了信息的前向和后向传递的方式，促进了网络的进一步优化。

图5 USseqNet与USresNet的网络结构

由图5可以看出，USresNet网络的结构层次较深，采用了7个卷积层、7个批归一化层、7个ReLU(一种常用的激活函数)层、3个短接模块、3个短接后组合ReLU层和1个全连接层。结果表明，采用残差模块的深度卷积神经网络的分类效果更好，性能更高，且无需在分类前进行缺陷特征的预提取，在很大程度上降低了计算复杂度，提高了预测准确率。

目前，使用深度学习来研究超声无损检测信号分类问题的案例较为匮乏，仅在近几年才引起无损检测领域学者们的注意。MUNIR等[31]在研究中对特征工程-浅层神经网络和深层神经网络进行了对比，并得到了一致的结论，即浅层机器学习分类模型需要特征工程作为辅助预处理手段，而深层卷积神经网络可以自动提取出高层信息，无需复杂的特征工程。

2.3 数据集增强

虽然研究人员已经提出了表达能力较好的适用于超声无损检测领域的神经网络结构与算法，但是网络层次的不断加深会导致其更加依赖于具有足够样本的数据集，这在目前的无损检测领域是很难实现的。由于超声检测的方法众多，仪器的型号多种多样，标准缺陷的制作也会耗费大量的人力、物力和财力，很难找到适用于特定检测环境的数据集来对网络进行训练，所以针对超声无损检测数据集稀缺的问题，研究人员提出了多种数据增强方法来对已有的少量检测数据进行有效扩充。

虚拟缺陷法可用于从有限的模型和缺陷集中生成具有足够代表性的超声数据。这种方法通过在原始信号中逐点插入幅值可变的虚拟缺陷来模拟真实缺陷的位置和大小[32]。LIU等[33]采用仿真信号来对数据集进行增强，但是相对于真实信号难以准确确定仿真参数。KAHROBAEE等[34]采用了多源数据融合方法对有限数据集进行增强，该方法可以利用来自多源的数据并有利于缺陷种类的区分。此外，还有其他对数据集进行直接操作的方法，如镜像、旋转、缩放、平移、裁剪等，这些方法均有助于深度神经网络的训练和抑制过拟合现象。

2.4 泛化能力增强

采用数据增强的深度学习技术可以在已有的训练数据集上有良好的表现，但是对全新的超声数据进行有效识别仍是对网络的一大考验。在超声无损检测领域，诸多学者提出了多种提高深度学习泛化能力的技术，包括采用波长池化以消除谱影响;添加随机Dropout函数正则化层抑制过拟合[35]；将信号放缩为归一化幅值避免激活函数饱和；采用自编码器去噪以提高分类精度；采用双正则支持向量机算法取代最后一层Softmax函数来完成分类任务[36]等。上述方法可以在一定程度上提高深度神经网络的泛化能力，但也会相应地增加计算复杂度。

2.5 超声导波与深度学习

目前，基于机器学习的超声导波缺陷检测的相关研究较少，如采用人工神经网络-概率椭圆法进行兰姆波的缺陷识别[37];采用独立成分分析法(ICA)进行管道缺陷检测[38]等。由于导波信号属于一维信号，且检测波形会受到环境变化的影响，所以有研究采用了梅林变换来模拟环境的变化，实现了数据集增强。此外，作者还采用了多信号组成的二维图像来作为网络的输入，进一步提高了网络的缺陷识别能力。

3 结语

采用深层卷积神经网络对常规超声、相控阵超声和超声导波的缺陷信号识别均有较高的精确度，有望解决目前人工检测带来的漏检、误检、检测效率低等问题，实现复合绝缘子超声无损检测的智能化和自动化。

采用深度学习模型进行缺陷检测仍然存在一些不足。首先是数据集过小的问题，尽管目前已经存在多种数据增强手段，但是这些方法仍然依赖于原始数据集的规模，而复合绝缘子的超声检测数据难以获得，对缺陷的标注也可能不合理，从根本上影响了深度学习的预测准确度；其次，卷积神经网络的实现较为复杂，限制了其在高速检测实时分析缺陷信息的应用，并且其过慢的训练速度也会导致模型调试困难，可能会丧失其相对于人工缺陷识别的速度优势；最后，深度学习存在黑箱问题，使得模型的解释性较差，很难通过物理方程来定量解释。

针对数据集过小的问题，一个可行的方案是采用迁移学习技术，即采用在其他类似任务中训练完成的模型参数作为本任务的训练参数，从而将复杂的模型分解化和简单化，无需满足庞大的数据集需求；其次，针对卷积神经网络训练耗时长的问题，可以采用构件数据管道和批训练的方式，并采用高性能GPU(图形处理器)进行网络训练，以提高训练效率；最后，针对神经网络的黑箱问题，为了获得复合绝缘子缺陷的网络内部特征识别策略，可以采用基于物理知识的机器学习方法，以获得网络的可解释性，但值得强调的是，该种知识导向的机器学习方法尚未成熟，还需要进一步的研究才能得到实际应用。