馬 鵬，姜偉基，杜 鑫，楊 勇，何予瑩，王 軍

（內(nèi)蒙古電力（集團）有限責(zé)任公司阿拉善供電分公司，內(nèi)蒙古 巴彥浩特 750306）

0 引言

瓷支柱絕緣子廣泛應(yīng)用于發(fā)電廠和變電站，起到支撐導(dǎo)線、斷路器和高壓開關(guān)的作用。瓷支柱絕緣子從上至下依次由上法蘭盤、瓷體和下法蘭盤組成，上、下法蘭盤通過水泥膠合劑與瓷體部分膠接。根據(jù)統(tǒng)計資料顯示，絕大多數(shù)的瓷支柱絕緣子裂紋發(fā)生在瓷體與上下法蘭盤膠接區(qū)域[1-8]。

為了及時發(fā)現(xiàn)瓷支柱絕緣子缺陷，近年來圍繞瓷支柱絕緣子缺陷形成機理及其檢測方法展開大量研究[9-14]。振動聲學(xué)檢測法是目前應(yīng)用較廣泛的瓷支柱絕緣子裂紋缺陷檢測方法[15-21]。雖然獲取瓷支柱絕緣子振動聲學(xué)檢測信號的技術(shù)和設(shè)備比較成熟，但是基于振動聲學(xué)檢測信號判斷瓷支柱絕緣子缺陷情況的算法還有待完善。鐘力強等提出一種基于聲紋識別的瓷支柱絕緣子振動聲學(xué)檢測信號識別技術(shù)，以LPC倒譜為特征建立聲紋特征庫，通過比對檢測信號和聲紋特征庫信號，判斷瓷支柱絕緣子缺陷情況[22]。鄭欣、張軒等采用經(jīng)典統(tǒng)計方法對瓷支柱絕緣子振動聲學(xué)檢測信號進行分析，確定瓷支柱絕緣子缺陷的頻域閾值，作為判定瓷支柱絕緣子存在缺陷的依據(jù)[23-24]。焦宗寒等將高斯混合模型中的權(quán)重系數(shù)α和標(biāo)準(zhǔn)差σ作為用于分類的有效特征值輸入PSO-ELM模型中進行狀態(tài)分類及識別，實現(xiàn)瓷支柱絕緣子缺陷特征的提取[25]。上述方法均以瓷支柱絕緣子振動聲學(xué)檢測信號功率譜作為分析對象，考察的維度較為單一，存在誤判的可能性。

本文提出一種基于XGBoost算法的瓷支柱絕緣子振動聲學(xué)檢測信號缺陷識別方法，提取瓷支柱絕緣子振動聲學(xué)檢測信號的時域、功率譜、小波域組合特征用于缺陷識別，旨在解決瓷支柱絕緣子振動聲學(xué)檢測設(shè)備不同的檢測角度、檢測位置等帶來的功率譜變化問題，以提高絕緣子振動聲學(xué)檢測的準(zhǔn)確度。

1 XGBoost算法原理

XGBoost 算法是陳天奇等人開發(fā)的一個通用Gradient Boosting 算法，能夠開展多線程并行計算，具有很高的精度和抗過擬合能力[26-29]。XGBoost 算法基本原理如圖1 所示。對于數(shù)據(jù)集D，首先由第一棵決策樹對數(shù)據(jù)集進行擬合，然后計算實際值和預(yù)測值之間的殘差，根據(jù)殘差情況引入下一棵決策樹對殘差進行擬合，多次迭代直至殘差達到允許值。將每一棵決策樹的擬合值進行累加可以得到XGBoost算法最終的擬合結(jié)果。

圖1 XGBoost算法原理圖Fig.1 A Schematic diagram of the XGBoost algorithm

XGBoost 算法本質(zhì)上是一種改進的Gradient Boosting算法，其采用的目標(biāo)函數(shù)可以表示為：

式中：Obj為目標(biāo)函數(shù)；l為損失函數(shù)；Ω為正則化懲罰函數(shù)；yi和y?i分別是數(shù)據(jù)集第i個樣本輸出的真實值和預(yù)測值；fj為第j個決策樹的輸出預(yù)測值；n為樣本數(shù)量。

公式（1）中右側(cè)第一項為損失函數(shù)項，偏向于訓(xùn)練復(fù)雜的模型，更好地擬合樣本數(shù)據(jù)；第二項為正則化懲罰項，偏向于訓(xùn)練簡單的模型，降低噪聲的擾動響應(yīng)。目標(biāo)函數(shù)需要在損失函數(shù)項和正則化懲罰項之間進行平衡，取得最優(yōu)效果。

對于Boosting 類算法，其每次迭代的模型都會被保留，每次迭代都會加入一個新的函數(shù)以提升模型的性能，減小目標(biāo)函數(shù)。將t 輪迭代后的擬合值帶入目標(biāo)函數(shù)，可以得到：

式中：xi為樣本值。

用泰勒展開式逼近上述目標(biāo)函數(shù)中的損失函數(shù)，可以得到：

式中：gi和hi分別是損失函數(shù)的一階導(dǎo)數(shù)和二階導(dǎo)數(shù)，。

顯然上述目標(biāo)函數(shù)的訓(xùn)練誤差只取決于損失函數(shù)的一階導(dǎo)數(shù)和二階導(dǎo)數(shù)。

隨著模型的迭代，模型在損失函數(shù)項和正則化懲罰項之間進行優(yōu)化，確保模型精度和抗過擬合性能的平衡。

2 振動聲學(xué)檢測信號組合特征

振動聲學(xué)檢測信號特征包括時域特征、功率密度譜特征和小波域特征。時域特征是最直觀的信號響應(yīng)特征，提取時域信號統(tǒng)計特征以及波形特征，是瓷支柱絕緣子振動聲學(xué)檢測缺陷分析最簡便的方式，但是時域特征容易受到噪聲影響；功率譜特征能反映系統(tǒng)的固有頻率，通過功率譜峰值的變化能夠判斷出絕緣子損傷情況，但振動聲學(xué)檢測儀激振桿和接收桿與瓷支柱絕緣子軸線形成一定夾角時，縱向振動與橫向振動存在耦合關(guān)系，此情況下功率譜峰值高度不能反映真實功率幅值，容易對檢測結(jié)果造成誤判；小波域特征能夠?qū)⒄駝勇晫W(xué)檢測信號分解在各頻帶上，其分解系數(shù)能夠反映各頻帶的能量值，相比于功率譜峰值特征，能夠更好地描述振動聲學(xué)檢測信號能量分布的頻帶，適合表征缺陷信號特征。

本文研究涉及的振動聲學(xué)檢測信號時域特征、功率譜特征和小波域特征如表1所示。表1中的28個特征在XGBoost算法中，每個特征的重要性不同，為此需要遴選出在XGBoost算法中起到重要作用的時域特征、功率譜特征和小波域特征。

表1 振動聲學(xué)檢測信號特征組成Tab.1 Composition table of vibration acoustic detection signal charcteristics

本文選取50個無缺陷樣本，50個上端缺陷樣本和50 個下端缺陷樣本的振動聲學(xué)檢測信號，按表1提取特征訓(xùn)練XGBoost 模型，訓(xùn)練過程中各個特征對于XGBoost模型的重要性系數(shù)如圖2所示。

圖2 振動聲學(xué)檢測信號特征重要性評估圖Fig.2 Evaluation of the importance of vibration acoustic detection signal features

根據(jù)圖2 中各個振動聲學(xué)檢測信號特征，選取14個特征用于XGBoost模型，包括時域信號最小值，時域信號均值，功率譜最大峰值頻率，次高峰幅值，1.5～3 kHz 頻段能量比，6～7.5 kHz 頻段能量比，7.5～9 kHz 頻段能量比，10.5～12 kHz 頻段能量比，15～16.5 kHz頻段能量比，16.5～18 kHz頻段能量比，18～19.5 kHz頻段能量比，19.5～21 kHz頻段能量比，21～22.5 kHz頻段能量比，22.5～24 kHz頻段能量比。

3 振動聲學(xué)檢測信號樣本

本文以ZS-35/400 瓷支柱絕緣子為實驗對象，首先在無缺陷狀態(tài)下采集振動聲學(xué)檢測信號作為無缺陷樣本。然后在靠近上端法蘭和靠近下端法蘭的位置分別設(shè)置裂紋缺陷并采集振動聲學(xué)檢測信號，分別作為上端缺陷樣本和下端缺陷樣本。

參考瓷支柱絕緣子實際損傷形式，本文設(shè)置槽狀缺陷以模擬表面裂紋形式的缺陷，用不同長度的缺陷表征不同程度的裂紋缺陷。由于裂紋一般為細(xì)長的表面裂紋，因此將缺陷長度分別設(shè)置為10 mm、20 mm、30 mm、40 mm、50 mm和60 mm，缺陷寬度設(shè)置約為2 mm。瓷支柱絕緣子上端缺陷和下端缺陷設(shè)置如圖3和圖4所示。

圖3 瓷支柱絕緣子上端缺陷設(shè)置Fig.3 Defect setting of the upper end of the porcelain pillar insulator

圖4 瓷支柱絕緣子下端缺陷設(shè)置Fig.4 Defect setting of the lower end of the porcelain pillar insulator

本文采用圖5所示的杭州浙達精益機電技術(shù)股份有限公司研發(fā)的瓷支柱絕緣子振動聲學(xué)檢測儀（見圖6），對ZS-35/400瓷支柱絕緣子進行檢測。振動聲學(xué)檢測儀工作時，嵌入式主機通過驅(qū)動電路向激振桿加載1～10 kHz白噪聲信號，激振桿產(chǎn)生的振動作用于瓷支柱絕緣子，瓷支柱絕緣子不同的缺陷情況會帶來不同的振動模態(tài)，拾振桿檢測振動后通過信號采集電路傳送到嵌入式主機，嵌入式主機處理信號后，通過無線方式傳輸?shù)缴衔粰C顯示。

圖5 瓷支柱絕緣子振動聲學(xué)檢測儀Fig.5 Vibration acoustic detector for porcelain pillar insulators

圖6 瓷支柱絕緣子振動聲學(xué)檢測儀工作原理Fig.6 Working principle of the vibration acoustic detector for porcelain pillar insulators

采集的無缺陷樣本、上端缺陷樣本和下端缺陷樣本振動聲學(xué)檢測信號數(shù)量如表2所示。

表2 振動聲學(xué)檢測樣本信息Tab.2 Sample table of vibration acoustic detection

4 XGBoost算法識別結(jié)果

根據(jù)選取的14 個特征重新處理表2 檢測樣本數(shù)據(jù)集，對數(shù)據(jù)集的1440組數(shù)據(jù)按照4：1的比例隨機劃分訓(xùn)練集和測試集，訓(xùn)練XGBoost模型，用測試集數(shù)據(jù)檢驗，結(jié)果如圖7的混淆矩陣所示。

圖7 瓷支柱絕緣子振動聲學(xué)檢測缺陷分類混淆矩陣Fig.7 Defect classification confusion matrix of vibration acoustic detection for porcelain pillar insulators

測試集中包括無缺陷樣本98個，上端缺陷樣本90 個，下端缺陷樣本100 個。其中7 個無缺陷樣本XGBoost 模型誤判為上端缺陷，5 個上端缺陷樣本XGBoost模型誤判為無缺陷，其余樣本XGBoost模型均分類正確，分類準(zhǔn)確率為95.83%，具有較高的分類精度。

從XGBoost 模型誤判情況分析，誤判產(chǎn)生在無缺陷樣本和上端缺陷樣本之間，且誤判的假陽性和假陰性數(shù)量基本相符。造成這種現(xiàn)象的原因在于檢測位置位于瓷支柱絕緣子下端，上端缺陷位置離檢測位置較遠(yuǎn)，有無缺陷時的振動模態(tài)在該檢測位置差異較小，缺陷較小時容易造成誤判[21-29]。

5 現(xiàn)場試驗

為了檢驗XGBoost算法對于在役瓷支柱絕緣子振動聲學(xué)檢測信號的識別效果，本文選取阿拉善盟額濟納旗某變電站瓷支柱絕緣子振動聲學(xué)檢測信號作為分析對象。該變電站瓷支柱絕緣子振動聲學(xué)檢測共采集60組信號，采用超聲波探傷儀對瓷支柱絕緣子進行檢測。經(jīng)XGBoost算法識別后的瓷支柱絕緣子振動聲學(xué)檢測和超聲檢測結(jié)果見圖8。

圖8 現(xiàn)場試驗結(jié)果Fig.8 Field test results

由于瓷支柱絕緣子超聲探傷采用抵近檢測方式，其結(jié)果具有較高的可信度，本文將其作為參考結(jié)果和振動聲學(xué)檢測結(jié)果進行對比。試驗結(jié)果顯示，XGBoost 算法可有效識別瓷支柱絕緣子存在的上端缺陷和下端缺陷，準(zhǔn)確率達到96.6%，但是有2個無缺陷的瓷支柱絕緣子分別被誤判為上端缺陷和下端缺陷?？傮w而言，瓷支柱絕緣子信號XGBoost 算法識別結(jié)果的正確率能夠滿足工程應(yīng)用的需要。

6 結(jié)束語

本文提出了瓷支柱絕緣子振動聲學(xué)檢測信號采用XGBoost 算法進行缺陷識別的方法，實現(xiàn)了瓷支柱絕緣子不同類型缺陷振動聲學(xué)檢測信號的分類。采用瓷支柱絕緣子振動聲學(xué)檢測儀對ZS-35/400 瓷支柱絕緣子中刻制的人工缺陷進行檢測，檢測信號經(jīng)XGBoost模型識別，其準(zhǔn)確率達到95.83%，說明XGBoost模型對實驗室條件下的瓷支柱絕緣子缺陷具有較好的辨識效果。在阿拉善盟額濟納旗某變電站進行現(xiàn)場試驗，XGBoost 算法識別準(zhǔn)確率達到96.6%，能夠滿足工程應(yīng)用的需要。

另外，對于振動聲學(xué)檢測未能準(zhǔn)確識別的信號，可以通過其他無損檢測方式復(fù)檢來確定瓷支柱絕緣子缺陷情況。