基于RWSSA-OMP-DBN 的均压电极结垢超声检测*

陈伟华万 晨闫孝姮*金石炜管海楠

(1.辽宁工程技术大学电气与控制工程学院，辽宁 葫芦岛 125105；2.国网辽宁省电力有限公司检修分公司，辽宁 辽阳 111213；3.国网辽宁省电力有限公司鞍山供电公司，辽宁鞍山 114000)

安装在换流阀阀冷系统中的均压电极，因水路中的金属离子运动至电极表面发生化学反应，导致均压电极表面产生结垢[1-4]，垢质的脱落造成堵塞水管和密封圈腐蚀等危害[5]。 目前检测结垢的方法是依靠人工手段拆卸电极，来判断均压电极是否结垢。 但在频繁拆卸电极的过程中，容易产生冷却水喷溅，严重影响设备安全运行。 因此，均压电极结垢的无拆卸检测具有重要的研究意义和工程实用价值。

超声反射法作为一种高效、安全的检测方法，在污垢检测中得到了越来越多的应用[6-8]。 该方法检测信号会携带噪声干扰，影响污垢信息辨别。 因此，快速有效的提取均压电极超声回波信号的特征信息，是检测均压电极结垢程度的关键点。

正交匹配追踪(Orthogonal Matching Pursuit，OMP)作为一种信号稀疏表示的算法[9]可实现均压电极超声回波信号的降噪与特征提取，但OMP 算法在原子库中遍历寻优时间过长，降低了其实用性。为了进一步提高稀疏分解算法的性能，许多智能优化算法包括WOA 算法[10]、PSO 算法[11]、智能水滴算法[12]等被引入OMP 中，实现更高效的信号稀疏分解，但在构建超完备原子库和运算速度等方面依旧有待提高。 2020 年Xue J 等人提出了麻雀搜索算法(Sparrow Search Algorithm，SSA)，并对比了灰狼优化算法、重力搜索算法、PSO 等算法，证明该算法在运算速度、搜索精度等方面具有一定的优势[13]，但SSA 算法的全局搜索能力仍需提高。

同时，为准确地区分均压电极的结垢程度，需要对特征信号做分类识别处理。 与其他识别方法相比深度置信网络(Deep Belief Networks，DBN)具有结构简单、高识别率和可深度提取信号特征等优点[14]，可实现信号的高精度检测识别。 国内外学者运用DBN 网络实现了阀门故障信号分类[15]、轴承故障诊断[16]、传感器数据异常的识别[17]。

综上所述，本文提出一种用于均压电极超声无拆卸结垢检测的识别方法。 针对均压电极超声回波信号的降噪与特征信息提取问题，采用SSA 优化OMP 以提高算法的运算速度，利用随机游走算法(Random Walk，RW)优化SSA，使得OMP 能够获取更加完备的原子库。 使用RWSSA-OMP 对均压电极超声回波信号做降噪处理与特征提取。 同时选择Hilbert 法获取特征信号的包络线并作为特征参数，利用优化后的DBN 进行检测识别，最终实现均压电极结垢程度的智能检测。

1 RWSSA-OMP-DBN 算法

1.1 OMP 算法与Gabor 原子

OMP 算法是针对匹配追踪算法改进的一种全局搜索迭代贪婪追踪算法。 该算法利用迭代过程在超完备原子库中寻找与残差信号内积最大的原子。 采用Gram-Schmidt 正交化方法将当前最佳匹配原子与先前得到的原子正交，将每次迭代后的最佳匹配原子存储在字典子集S中形成张成空间，每次迭代后的残差信号更新见式(1)，信号的最终表示见式(2)。

式中:f为待分解的信号，gγ0∈D，Rf代表残差信号，gγ0正交于Rf。gγ作为参数组γ的字典原子，且满足标准化‖gγ‖＝1。m为总迭代次数。 利用上述OMP 算法过程，实现了待分析信号在超完备原子库D＝{gγ(t)}γ∈Γ中的稀疏表示。

OMP 算法的核心思想是要形成恰当的原子基函数，并尽可能与信号的内部结构相匹配，这样所构造的超完备原子库可以用更少的原子表示。 针对超声回波信号的特性，超完备原子库选择Gabor 原子的平移、伸缩、调制等变换来构造。 Gabor 原子表达式如式(3)所示。

式中:g(t)＝exp(-πt2)是高斯窗函数，s为尺度因子，u为位移因子，υ是频率，φ是相位。 在OMP 算法迭代中，如果定义了每个原子参数的范围，就可以通过式(4)得到与被分析信号相匹配的最优原子。在传统OMP 算法产生字典库时，产用的是普通遍历方法，会导致计算量过于庞大，运算时间过长。 因此，加快超完备原子库的构造，提高原子的匹配速度，是信号稀疏表示的主要优化方向。

1.2 改进的麻雀搜索算法(RWSSA)

SSA 算法是一种新的群体智能优化算法。 与其他仿生智能优化算法相比，SSA 算法具有较高的搜索精度，算法收敛速度快，强鲁棒性等优势，可优化OMP 算法构建超完备原子库。 但SSA 算法的搜索范围不够广泛，且随着计算的循环迭代，算法依然存在容易陷入局部最优等问题。 因此需要对该算法进行进一步的优化。

针对OMP 算法需要快速高效的构建超完备原子库用于匹配超声回波信号的问题，本文采用RW算法改进SSA，即对麻雀种群的位置进行优化选取。RW 算法具有搜索边界更广的特点，利用RW 算法将麻雀种群随机扩散到整个区域，可以有效的提高麻雀种群的全局搜索能力，增加了Gabor 原子中4种参数取值组合，有效解决超完备原子库的遍历问题。 同时，随着RW 算法的多次迭代，搜索边界随之减小，从而增强了SSA 算法局部寻优能力，使得OMP 算法可以准确快速的匹配到最佳原子。 RW算法相关公式如下:

式中:X(c)表示随机游走的步数集合；cumsum 表示累加和；c表示随机游走步数；r(c)表示一个随机的二值函数，当其中随机数大于0.5 时r(c)＝1，当随机数小于0.5 时r(c)＝0。

由于构建超完备原子库有边界条件的限定，为了保证麻雀种群分布在限定空间内，需要对其进行归一化处理:

式中:aj表示j维随机游走的最小值；bj表示j维随机游走的最大值；表示j维第c次迭代的最小值；表示j维第c次迭代最大值。

1.3 DBN 网络

均压电极超声回波信号的信号分类与识别采用优化后的DBN 网络实现。 DBN 可对信息的敏感特征做深度挖掘处理，获取信号之间的细微差别，以供分类器做分类识别[18]。 DBN 作为一个拥有多个隐含层的神经网络，其隐含层是由若干层受限玻尔兹曼机(RBM)堆叠构成，其中RBM 拥有两层神经元，分别为显层和隐层。 采用RBM 的DBN 可以大大提高训练的效率，经过参数优化后的RBM 可以很好地改善DBN 网络在训练过程中出现的局部最优问题，并且输出的信息对数据有一定表征作用。 因此DBN 具有良好的训练特性，可以有效解决超声回波信号的信号分类与识别问题。 图1 所示为DBN 结构模型和单层RBM 框架结构。

图1 DBN 结构模型

1.4 RWSSA-OMP-DBN 识别流程

采用RWSSA-OMP-DBN 算法对均压电极超声回波信号进行特征提取与分类识别。 具体流程为:①获取均压电极超声回波信号；②利用RWSSAOMP 算法实现对超声回波信号的降噪与特征提取；③采用Hilbert 函数法提取信号的包络线，作为DBN网络输入层的特征参数；④优化DBN 网络的层间参数，并利用数据集对网络进行训练；⑤利用训练好的DBN 网络实现均压电极结垢的信号识别。

2 算法仿真对比验证

2.1 RWSSA 优化验证

为验证RWSSA 算法与普通SSA 算法相比，具有快速高效的构建超完备原子库的特点，将两种算法的种群个数及种群迭代次数均设置为2 000 和20。 同时对尺度因子、位移因子、频率和相位这四种参数做寻优取值，测试结果如图2 所示。 对比两种算法的数据测试可以看出，RWSSA 在初始值选取上具有更大的取值范围，有效的提高了麻雀种群的全局搜索能力，为OMP 算法提供了更加完备的原子库。 同时，对比经过20 次迭代后的数据可以看出，RWSSA 算法的取值比SSA 算法更加的集中，证明RW 算法能够更加有效的缩小边界范围，从而增强了SSA 算法局部寻优能力，提高了算法的搜索精度。

图2 RWSSA 和SSA 数据对比

2.2 RWSSA-OMP 优化验证

为验证RWSSA-OMP 算法对均压电极超声回波信号的重构和降噪能力优于匹配追踪及其相关的改进算法，将RWSSA-OMP 算法分别与MP 算法[19]、OMP 算 法[20]、 WOA-OMP 算 法[10]、 PSO-OMP 算法[11]、SSA-OMP 算法进行性能测试与比较。 其中PSO-OMP 算法、WOA-OMP 算法和SSA-OMP 算法三种算法的种群个数、种群迭代次数以及信号重构迭代次数相同为2 000、20、10。 依照式(6)形成仿真测试信号，并在仿真测试信号的基础上加入10 dB 的高斯白噪声信号，对比结果见图3。

图3 6 种算法特征信息提取对比

通过图3 的对比可以看出，相比较其他5 种算法，RWSSA-OMP 算法在幅值和局部特征等方面能够更好地保留原始信号的信息。

同时，为直观比较算法的降噪和特征提取能力，引入信噪比和平均运算时间作为算法的评价指标，信噪比计算为式(7)。 6 种方法的SNR 和平均运算时间对比结果见表1。

表1 6 种重构算法的SNR、运算时间对比

式中:N为信号的长度，I(q)表示原始信号，Io(q)表示去躁信号，q为采样点数。

算法运算采用MATLAB 软件实现，PC 机(Think-Pad T470p)为基于x64 的处理器，其型号为Intel(R)Core(TM)i7-7700HQ CPU＠2.80GHz，机带RAM 为24GB。 通过表1 可以看出，RWSSA-OMP 降噪能力优于其他算法，可提取到更为精确的信号特征值，因此重构能力优于其他算法。 RWSSA-OMP 算法与SSA-OMP算法相比虽然增加了仿真时间，但时间相差较小，说明RWSSA-OMP 算法整体性能更强。

综上所述，RWSSA-OMP 算法能够较为准确快速地实现信号的降噪与信息提取。

3 实验设计与信号采集

为获取均压电极的超声回波信号，依据实际汇流管的内径和壁厚的大小以及均压电极所处位置，搭建均压电极结垢超声检测实验平台。 其中冷却水管道内径为57 mm，壁厚为3 mm；均压铂电极的棒体长度为30 mm，直径为2 mm。 选取结垢厚度为0～0.8 mm的均压电极，并将电极按照实际要求垂直插入管道中心位置。 冷却水采用去离子水。 超声脉冲发射接收器选用美国JSR 公司的DPR300 脉冲发射接收器，该设备具有高性能的脉冲发射功能和低噪声接收功能，设备实际REL.GAIN 增益设置为55 dB，脉冲幅度为187.5 V。 超声探头选用OLYMPUS 公司的D790-SM双晶探头，此探头的中心频率为5 MHz，阻尼为50 Ω；示波器选用KEYSIGHT 公司的DSOX1204A。

该实验台利用DPR300 中的脉冲发生器产生一个高电压电激励脉冲，用于驱动双晶探头；双晶探头发射超声信号的过程中，由于不同介质声阻抗不同，会产生超声反射信号；探头将接收到的回波信号传输至DPR300 中的接收器，DPR300 将回波信号发送到示波器和PC 机上，完成信号的采集过程。 此外，水槽内部安装水泵，使冷却水形成循环水路。 结垢的均压电极与实验平台的搭建如图4 所示。

图4 结垢的均压电极与超声检测实验平台

利用上述实验平台分别对不同结垢程度的均压电极做超声回波信号采集，图5 所示为结垢厚度0.4 mm 的均压电极超声回波信号。 信号共有4 个部分组成，即超声探头的激励信号、前管壁部分回波信号、均压电极部分回波信号以及后管壁回波信号。通过对系统采集到的原始信号波形观察发现，均压电极部分的回波信号与噪声信号混合在一起，无法直接辨别出有效的特征信息。 因此，需要对均压电极部分的回波信号做特征值提取。

图5 实验数据采集的均压电极超声回波信号波形图

4 实验验证与分析

4.1 信号处理

从上述实验平台中采集到的超声回波信号可以看出，信号包括多个回波信息以及因多种介质的转换、液体流动冲击等多方面因素而携带大量的噪声干扰。 因此需要通过RWSSA-OMP 算法对均压电极部分的超声回波信号进行重构，做到对回波信号的特征值提取以及消除系统带来的噪声干扰。

RWSSA-OMP 算法中相关参数设定为:麻雀种群数量N＝600；发现者数量PD ＝4200；加入者数量ET＝1 800；感知危险者数量SD ＝600；预警值ST ＝0.6；种群更新迭代次数M＝20；尺度因子取值范围s＝[20，100]；平移因子取值范围u＝[700，1500]；频率取值范围υ＝[0，2π]；相位取值范围φ＝[0，2π]；RWSSA-OMP 算法最大迭代次数iterative＿number ＝30。 图6 所示为RWSSA-OMP 算法对均压电极部分的超声回波信号重构结果。 对重构后的信号分析发现，此算法可以有效的提取出厚度在0.3 mm ～0.8 mm 范围内的结垢部分超声回波特征信号，但由于0.1 mm 和0.2 mm 的结垢厚度过小导致算法无法对结垢部分的超声回波特征信号进行有效提取。

图6 RWSSA-OMP 算法对均压电极部分的超声回波信号重构结果

4.2 信号分类识别

对于图1 所示的DBN 网络结构，其包含4 个隐层，因此在构建网络的过程中需要确定DBN 中各个RBM 层的相关参数，优化后的DBN 相关参数取值如表2 所示。

表2 DBN 相关参数的取值

为实现信号的分类与识别，需要对经过特征提取后的均压电极超声回波信号做信号包络线处理，即采用Hilbert 函数法提取信号的包络线，并作为DBN 网络输入层的特征参数。 图7 显示不同结垢厚度的均压电极超声回波信号的包络线提取结果。对比9 种信号包络线发现，结垢厚度为0.1 mm 和0.2 mm 与未结垢的均压电极三者之间的包络线比较相似，这是由于结垢的厚度相对较小，同时结垢物和均压电极均为金属材质，两者的声阻抗比较相近，导致超声回波信号相似，最终提取到了较为相近的信号包络线。

图7 Hilbert 函数提取包络线

为验证本文的分类器，选取BP 神经网络、SVM、DBN 和RWSSA-DBN 4 种分类器进行对比，并对本文的数据集做分类与识别。 表3 为测试后的结果，其中每种分类器均进行10 次数据的随机试验，并求取平均值。

表3 分类器对比分析

由表3 可见，RWSSA-DBN 分类器的训练集准确率达到了98.31%，测试集准确率达到了95.33%。而传统的分类器虽然训练速度较快，但无论是训练集还是测试集的准确率都比较低。 对比测试时间可以看出，4 种分类器基本没有差别，说明运用已经训练好的分类器进行测试，可以忽略计算时间的影响。因此从分类器的整体对比看出，优化后的DBN 网络具有良好的网络结构，能够有效地提高对均压电极结垢程度的检测。

对经过处理的不同类型超声回波信号进行等级分类。 根据均压电极结垢程度的不同，将其从0 mm～0.8 mm 跨度为0.1 mm 由低到高分成9 个等级。 实验共采集了1 800 个数据样本，每个等级的训练集样本数为150 个，测试集样本数为50 个。 经过DBN 训练分类识别后，不同结垢程度的均压电极超声回波信号识别分布图如图8 所示。 经过改进的DBN 算法训练分类识别后，总体测试结果的准确率为87.56%。 从分布图中可以看出，出现识别率较低的原因是分类器无法有效的区分结垢厚度为0.1 mm 和0.2 mm 与未结垢的均压电极三者之间的等级差别，即由于结垢厚度过小导致无法有效的提取出特征值，最终导致整体的识别准确率受到影响，这一结果符合上述的原因分析。 针对这一现象，在满足工况的情况下，将结垢厚度为0.1 mm 和0.2 mm 与未结垢的均压电极作为一类，即分成7类，并再次做分类测试，相关识别分布如图9 所示。此分类下的总体测试结果的准确率为95.33%，识别准确率有了很大的提高。 从识别结果可以看出，系统对结垢程度越高的均压电极，识别准确率越高。

图8 9 种均压电极结垢等级的识别分布图

图9 7 种均压电极结垢等级的识别分布图

上述结果表明，优化后的DBN 分类器可以实现对结垢程度较大的均压电极超声回波信号有效分类及识别，为换流阀冷水系统的均压电极结垢检测提供了理论基础。

5 结论

本文针对特高压直流换流阀冷水系统的均压电极结垢在线检测问题，采用超声回波法对不同结垢程度的均压电极进行检测，利用RWSSA-OMP 算法对均压电极部分的超声回波信号做特征提取与降噪处理；以信号包络线作为分类基准，采用优化后的4层DBN 网络进行超声回波信号的分类与识别。 测试结果表明，文中方法能够有效的识别出结垢程度较厚的均压电极，具有一定的实际应用价值。 主要结论如下:

①对比实验平台超声回波信号的数据发现，在5MHz 频率下，不同结垢程度的均压电极所产生的超声回波信号存在差别，证明利用超声技术可以有效的检测均压电极的结垢状况。

②在对均压电极超声回波信号的分析中，与其他算法相比，基于随机游走的改进麻雀搜索算法优化正交匹配追踪能够快速重构信号，同时能够有效的提取出结垢厚度在0.3 mm 及以上均压电极的电极前表面超声回波信号。 计算RWSSA-OMP 算法的SNR 达到12.889 8 dB，证明此算法有较高的稀疏表示能力与运算精度。

③利用优化后的深度置信网络对超声回波信号进行识别，可有效的区分出结垢程度较厚的均压电极，识别准确率为95.33%。 识别结果的准确率表明，RWSSA-OMP-DBN 可用于均压电极结垢的超声智能检测，达到均压电极结垢程度的检测需求。