Page 129 - 《应用声学》2023年第3期

第 42 卷 第 3 期 梁基重等： 基于卷积神经网络的气体绝缘组合开关盆式绝缘子螺栓松动检测方法 567

the convolutional neural network (CNN). The experimental results show that the CNN can automatically
extract the bolt loosening feature of the basin insulator. When the number of iterations is 320 and the learning
rate is 0.001, the recognition accuracy of ten bolt loosening conditions reaches 100%. The detection method
can realize the detection of the looseness of the flange bolts of the basin-type insulator, judge the looseness of
the bolts, and has certain practical engineering value.
Keywords: Gas insulated switchgear; Basin insulator; Ultrasonic; Convolutional neural network; Loose bolt
detection; Piezo

近年来，已有不少学者将深度学习理论与超声
0 引言
无损检测技术相结合，从而降低了人工信号处理对

随着国民经济的不断发展，气体绝缘组合开关 检测结果的影响。高子洋等 [17] 提出基于卷积神经
(Gas insulated switchgear, GIS)在高压输电系统中 网络 (Convolutional neural networks, CNN) 对超
起到越来越重要的作用 [1−3] 。盆式绝缘子与两侧 声相控阵缺陷信号进行识别，实验证明，通过选取合
GIS 气室通过螺栓进行紧固连接，是 GIS 中最薄弱 适的 CNN 模型可以提高缺陷识别的准确率；詹湘
的环节，其性能优劣直接影响着 GIS 运行的安全性 琳等 [18] 提出基于一维 CNN，实现分层、气孔、无缺
和可靠性 [4−6] 。据国家电网公司统计，近 10 年来， 陷3种类型自动区分，准确率为99.5%；张重远等 [19]
GIS 故障共发生 183 起，其中 252 kV 电压等级 GIS 提出基于 CNN 对 4 种类型的局部放电超声检测信
故障发生率最高，达到 56.3% [7−9] 。在所有故障类 号进行识别，准确率达到 90%。但是深度学习理论
型中，由盆式绝缘子导致的 GIS 故障占比 11%。螺 在螺栓松动检测方面还鲜有报道。
栓松动引起盆式绝缘子受力不均而产生故障是主 针对目前盆式绝缘子螺栓检测方法检测精度
要原因之一。而绝缘子受力不均主要是断路器正常 低的问题，本文提出一种基于CNN模型的GIS盆式
和故障状态分合闸振动及检修安装时螺栓预紧不 绝缘子螺栓松动状态识别方法，对其检测系统、检
到位所致 [10−11] 。这些因素会造成盆式绝缘子法兰 测原理、特征提取、数据处理以及实验验证进行了
部分应力集中，进而使环氧盆体受力不均造成变形 深入研究，实现了对盆式绝缘子螺栓松动的检测和
开裂，最终导致 GIS 漏气、局部放电甚至绝缘子沿 诊断。
面闪络等故障，发生大面积停电 [12−13] 。因此，检测
盆式绝缘子螺栓的松动状态对发现绝缘子应力异 1 CNN基本原理
常具有重要的现实意义。
对于螺栓松动的检测，国内外学者进行了一些 CNN是一种深度学习分类方法，通过卷积和池
研究，常用的检测方法有扭矩扳手法、振动响应法、 化操作对时间序列数据和图像数据等具有类似网
应力应变法等。扭矩扳手法由于实际工程中螺栓数 格结构的数据进行处理，通过训练学习实现对输入
量巨大且存在隐蔽部位螺栓预紧力无法检测的情 数据的正确分类 [20] 。为了准确区分盆式绝缘子不
况 [14] ，故仅适用于螺栓的抽检试验当中；振动响应 同螺栓松动工况，本研究选择 CNN 建立盆式绝缘
法基于不同螺栓预紧力下螺栓阻尼、刚度和固有频 子螺栓松动状态判别模型，总体研究框架如图 1 所
率会发生变化的原理对螺栓松动进行检测，但这种 示。首先通过超声检测系统得到不同螺栓松动状态
方法仅适用于螺栓松动极其严重导致结构模态参 下的超声数据，在数据输入层对原始数据进行预处
数发生明显变化的工况 [15] ；应力应变法通过电阻应 理。然后对处理后的超声数据进行特征提取，包括
变片测量螺栓轴向应力进而判断螺栓预紧力的变 以下 3个步骤：卷积层通过设置卷积核的尺寸、数量
化，但应变片的粘贴比较复杂且容易受到螺栓外部 和步长自动提取信号特征，从而达到分类的效果；池
结构的影响 [10] 。超声法较以上方法具有无损伤、高 化层对第一步提取出的所有特征量进行最大池化
灵敏等优点，被广泛应用于无损检测 [16] ，但是需要 操作后，提取出真正能够反映螺栓松动的特征量；通
相关人员具有一定的专业技能水平，并且信号处理 过去除冗余成分，进一步降维达到特征提取的目的，
过程主要依赖于人工操作，导致检测结果很容易由 能够有效抑制过拟合。最后通过 Softmax 分类器对
于人为因素的干扰而不稳定。 不同螺栓松动状态进行分类。