基于变分模态算法的支柱瓷绝缘子损伤识别方法

罗宏建，张 杰，赵洲峰，焦敬品

（1.国网浙江省电力有限公司电力科学研究院，杭州 310014；2.北京工业大学 材料与制造学部，北京 100124）

0 引言

支柱瓷绝缘子在电网运行中主要起电气绝缘和机械支撑作用［1］，使用量巨大，安全可靠性要求高。随着服役年限的增加，受机械负荷、周期性温度荷载和天气环境等因素的影响，支柱瓷绝缘子的失效故障时有发生［2-5］。支柱瓷绝缘子的失效，轻则造成输电线路短路，严重的可造成大面积停电事故，严重影响电网的安全稳定运行。因此亟需开展支柱瓷绝缘子无损检测技术研究。

针对支柱瓷绝缘子缺陷检测问题，国内外学者开展了大量研究［6-8］。如彭子健等［9］采用红外热成像方法对高压支柱瓷绝缘子进行检测；艾建勇等［10］介绍了瓷绝缘子污秽状态的紫外图像检测方法；李晓红等［11］讨论了支柱瓷绝缘子的超声检测有效性。但是，这些检测手段均存在有检测盲区、检测设备复杂、检测准确率低等问题。

振动声学检测是一种通过分析被检测工件的振动特性来诊断其材料是否损伤［12］的技术。张广兴［13］通过理论与实验分析验证了振动声学检测法的可行性。赵飞亚［14］分析了支柱瓷绝缘子振动声学检测方法的原理并讨论了检测位置的影响。但是这些研究大多关注支柱瓷绝缘子振动声学检测在实际应用中的可行性，因检测时干扰因素多，工程适用性差，难以适应现场检测需求，无法实现缺陷自动识别。

针对目前瓷绝缘子无损检测研究现状，本文研究了一种基于变分模态分解算法和BP（反向传播）神经网络的支柱瓷绝缘子损伤自动识别方法，以期解决高压支柱瓷绝缘子损伤检测问题。

1 声信号的采集与分析

1.1 采集系统的搭建及信号的采集

为了采集瓷绝缘子的声振动信号，搭建了瓷绝缘子实验系统，如图1所示。系统可完成激励信号的产生，检测信号的采集、显示与分析处理。系统包括如下设备：

图1 瓷绝缘子实验系统

1）力传感器和模态力锤：模态力锤的型号为YC-2，测力范围是0～50 kN，灵敏度为0.345 mV/N。

2）声压传感器：声压传感器用于记录激振后结构产生的空气中的声压信号，并将传感器所接收到的信号转换成为电信号。

3）数字信号采集设备：包括HS3采集板卡和LabView 信号采集软件，HS3是双通道的采集板卡，可分别接收力锤所产生的力信号和声压传感器所接收的声信号，采集软件分别记录两通道的信号。

实验试件是某220 kV 支柱瓷绝缘子，瓷绝缘子总高度为2 350 mm，由5部分组成，分别是上、下法兰盘，上下水泥胶合剂和瓷绝缘子支柱，其中上、下法兰盘有4个预留的螺栓孔，瓷体伞裙上伞面倾斜角19°，下伞面倾斜角为7°。试件包括完好试件和缺陷试件各4件，试件缺陷情况如表1所示。将瓷绝缘子竖直放置在地上，将声压传感器固定在瓷绝缘子下法兰的侧面，提离距离4～5 cm。用力锤敲击下法兰产生振动，声压传感器采集支柱瓷绝缘子产生的声信号，通过数字信号采集软件送至计算机进行分析处理。

表1 缺陷试件情况

1.2 信号分析

每个完整试件共测得100～120 组力锤敲击的声信号，图2（a）、图2（c）、图2（e）是最具代表性的子信号，每个子信号为5 100个采样点数，持续时间为0.3 s。时域信号均为脉冲信号，信号的形状相似，但仅从时域信号不能发现完整瓷绝缘子试件声响应的共同点。

将时域信号转换成频域信号进行分析。对比图2（b）完好试件频域信号和图2（d）缺陷试件频域信号，发现缺陷试件频谱能量最强的频率在3 900 Hz 左右，而完好试件能量最强的频率在1 950 Hz处左右。可见瓷绝缘子的损伤使声信号的频谱能量分布发生了改变，因此通过声振动方法来检测瓷绝缘子的损伤是可行的。

图2 试件声响应实验结果

但仅从频谱能量分布来判断瓷绝缘子是否损伤还存在两个问题：一是部分信号频谱能量的改变不是很明显，如通过完好试件1的频谱信号很难判断其是否发生了偏移，容易造成误判。分析其原因，有可能是由于每次力锤敲击不稳定所致，也有可能是声压传感器被环境噪声干扰所致，所以应引入信号的去噪算法，使得声振动信号性能获得改善。二是仅依靠人工从频谱中观察瓷绝缘子的状态，不能实现智能识别。

2 基于变分模态分解的信号去噪声方法

变分模态分解是一种新的自适应信号处理方法［15］。该方法假设每阶本征模态函数具有不同中心频率的有限带宽，为使每个本征模态函数的带宽之和最小，通过转换解决变分问题，将各本征模态函数解调到相应的基频带，最终提取各个本征模态函数及其相应的中心频率。瓷绝缘子实验信号变分模态分解流程如图3所示，主要包括分解层数的确定、信号的重构及BP 神经网络应用3个步骤。

图3 变分模态分解算法流程

2.1 分解层数的确认

将瓷绝缘子信号进行变分模态分解，采用能量法求解分解层数K。分解结果中各分量是正交关系，因此，从能量的角度分析，各本征模态函数分量的能量之和与原始信号相等。若算法存在过分解，其剩余项的能量值会与均值较接近，就会出现分解的信号分量能量之和大于原始信号能量的总能量。由于不同的信号分解能量值大小不同，定义分解能量差值参数η，即：

式中：Ep和Ex分别为原始信号及分解信号的能量值。

对于一系列K值对应的能量参数η，当其值经过若干个较小的值之后出现突然增大时，则此转折点所对应的分解层数即为最合适的分解层数。对于每个瓷绝缘子中的100组子信号，随机抽取5组信号做以上的10 层分解操作，对分解出的每层本征模态分量做分解能量差值参数η的计算。以试件4 为例，它的5 组信号的η值变化趋势如图4 所示，η值在K=4处出现了明显的极值点，在K=5以后迅速增大，表明处理试件4的子信号时，将分解层数设置为4较合适。

图4 试件4分解能量差值

2.2 变分模态分解及信号重构

设置好分解层数后，对瓷绝缘子试件信号进行变分模态分解计算。如图5所示，试件4为完整瓷绝缘子，从中选取一个信号对其做变分模态分解。试件4 的最佳分解层数为4 层，所以图5 包括5 个分量，分别是瓷绝缘子原始信号和分解后的4阶本征模态分量，从幅值上可看出，信号被分解成为了2个主要成分和2个次要成分，对本征模态分量分别做FFT（快速傅立叶变换）操作，得到图5（b）所示结果。

图5 试件4信号变分模态分解结果

分解之后所产生的本征模态分量会存在冗余项，需确定一个判别标准，将虚假分量剔除后，重构信号，并产生新的子信号组，达到去除噪声的目的。相关系数是一种可以反映变量之间紧密程度的参数。通过获取与原始信号相关系数更高的本征模态分量作为有效分量进行重构，以消除变分模态分解的两大难题：分解层数K选取困难和虚假模态的剔除。由式（2）可得瓷绝缘子原始信号与各阶本征模态函数分量的互相关系数，即：

式中：Rx为原始信号的自相关系数；Rj为本征模态信号的自相关系数。

互相关系数rj的大小代表了本征模态分量与原始信号的相关性，其值越大，则代表本征模态分量与瓷绝缘子接收的原始信号相关程度越高；反之，则相关程度越低。试件4信号的自相关系数计算结果如表2所示。

表2 瓷绝缘子信号本征模态分量与原始信号相关系数

相关系数的值与图5中本征模态函数分量的形状相吻合，显然第一阶本征模态函数的相关系数最小。当计算好各阶本征模态分量与原始信号的相关系数后，需要选取一个阈值来实现对虚假模态的判定，阈值的计算方法如式（3）所示：

式中：rmax为所有本征模态函数分量与原始信号的相关系数最大值，根据经验设置系数m为10，修正量n为3。最终计算结果为ρ=0.153 5，所以将相关系数小于判定阈值ρ的本征模态函数分量剔除，即第一阶本征模态函数分量。将余下的几阶本征模态分量相加，实现对信号的重构（如图6 所示），可见该算法剔除了大部分噪声及冗余分量。

图6 原始信号与重构信号

3 基于BP神经网络的损伤自动识别

BP神经网络结构属于多层神经网络，其原理是利用误差进行逆向传播从而调整每个神经元之间的连接值进行学习。它可以对非线性的问题进行逼近求解和预测，适用范围广泛［16］。本文利用BP神经网络分别对原始信号及变态分解重构后的信号进行损伤识别对比。

3.1 基于原始信号特征参数的识别

对前文所述8 个瓷绝缘子试件进行振动测试，获得860个声振动信号，其中含缺陷试件信号和完好试件信号各430个。将信号分为训练样本、测试样本和验证样本，其中训练和测试样本共800 个，剩余60 个样本为验证样本。每次从800 个信号中随机抽取100个信号组成测试样本，其余作为训练样本输入BP神经网络，设置网络参数，将最大迭代次数提高到20 000 次，并且做10 次重复操作，取10 次识别率平均值作为评估BP 神经网络算法的量度。10次识别率如表3所示。

表3 测试信号的BP神经网络训练结果

虽然10 次平均识别率达到了87.3%，但每次识别率波动较大，主要原因在于：一是每次测试信号为随机抽取，所以神经网络的训练效果和识别效果差异较大；二是本组识别结果所选用的信号为声压传感器直接接收的信号，由于传感器较为敏感，所以环境中的噪声也被传感器接收到，降低了信号的特征提取效果，进而影响识别率。

将验证信号组中的60 个采集信号通入表3 中与识别率均值最接近的第4 组BP 神经网络模型中，得到结果如图7所示。

图7 原始信号识别结果

完整和损伤的瓷绝缘子信号都有一部分识别错误，其中，4 个无缺陷信号被归类为含缺陷信号，6个含缺陷信号被归类为无缺陷信号，总体识别率为83.3%。为进一步提高神经网络模型的识别率，下面将研究采用去噪算法后重构信号的BP神经网络识别效果。

3.2 基于变分模态分解法的瓷绝缘子BP神经网络识别

把860 个信号变分模态分解重构，通入BP 神经网络中，设定的参数以及训练、测试、验证信号个数与上文相同。对提取的特征值进行10次BP神经网络训练，得到训练结果如表4所示。

表4 实验信号的BP神经网络训练结果

变分模态分解算法对神经网络的识别效果提升较为显著，使10 次平均识别率提升到94.1%，并且进一步使得10 次识别率的波动性减小，选择第10 组BP 神经网络模型进行验证，得到验证结果如图8所示。

图8 重构信号识别结果

变分模态分解处理后的重构信号验证组识别率提升到90%，可见变分模态分解算法对于瓷绝缘子实验信号的识别有有益的影响。

4 结论

使用变分模态法对采集的声振动信号进行分解及重构，并将重构后的声信号输入BP神经网络进行智能识别，结果表明：

1）瓷绝缘子的损伤使声信号的频谱能量分布发生了改变，因此通过声振动方法来检测瓷绝缘子的损伤是可行的。

2）将变分模态分解算法应用于瓷绝缘子信号的提取，使用能量系数法确定了分解层数K，并使用相关系数法对所有信号进行重构，去噪效果较好。

3）基于变分模态分解算法的BP神经网络可以实现瓷绝缘子信号的智能识别，具有损伤识别正确率高、受干扰噪声影响小的特点。相对于原始信号，变分模态分解算法将平均识别率从83.3%提升到94.1%。