Page 130 - 《应用声学》2023年第3期

568 2023 年 5 月

ᡔܦೝ฾ηՂ 1.3 池化层和全连接层
卷积操作对输入数据进行初步特征提取以后，
஝૶ᮕܫေ
不同区域的特征还有相似的地方，因此要通过池化
஝ 层进行二次特征提取。通过将这些相似的特征进行
஝
प ૶ ૶ ஝ 合并以后，去除冗余成分，能够有效抑制过拟合。经
࣢ Ͱ ᬷ ᬷ ಖ ૶
ϙ ᤰ ᬤ ॆ ኤ ᬷ 过多层卷积和池化操作之后，可得到能够真正反映
᣿ ໚ ఻ ʷ ᝺ ѭ
໚ ฉ ੪ ӑ Ꮆ Ѭ 螺栓松动的特征量，通过铺平层将多维输入一维化，
ܫ
˽ ေ
输入到全连接层进行综合以得到全部特征。

ྲढ़ଢԩ 2 实验与分析
Ԅሥ ෉ӑ ፬Ռ
2.1 螺栓松动超声检测系统

根据超声检测原理，本文搭建了盆式绝缘子
螺栓松动检测实验平台如图 2 所示。实验平台由
252 kV GIS、超声波发射接收仪、空气压缩机、扭矩
஝૶ᮕܫေፇ౧ Ԅሥፇ౧ ෉ӑፇ౧ ᤞӑྲढ़
扳手、上位机和压电片组成。其中，选用CTS-04UT
四通道超声发射接收仪实现超声信号的输出，设
4PGUNBYѬዝ٨
置超声信号仪的激励电压为 −250 V，激励频率为
2.5 MHz；通过空气压缩机向两侧气室充气，气室内
ᄜरፐᎆߕᛃಟ౛үዝیѼѿ
气压为0.45 MPa；使用扭矩扳手对盆式绝缘子法兰
图 1 螺栓松动状态判别模型
和气室法兰进行紧固；使用上位机软件控制发射信
Fig. 1 Discrimination model of bolt loosening state
号脉冲宽度、增益、电压和重复频率等参数；在法兰
1.1 卷积层
上下两侧采用压电片作为传感器，发射端压电片通
卷积层能够自动从训练数据中提取出相关的
过超声信号仪激励产生超声信号，接收端压电片的
特征量，从而达到分类的效果。将用于训练的超声
超声信号通过超声信号仪进行采集。压电片的位置
数据输入到 CNN 模型中进行卷积操作，其计算过
如图 3 所示。采用 1 个压电片进行超声信号的发射，
程如公式(1)所示：
采用 3 个压电片进行超声信号的接收，压电片 2 位
l
l
x l hm = W ∗ x l−1 + b , (1) 于发射端压电片的正对面，压电片 1 和压电片 3 位
g(m:m+k−1)
l
式 (1) 中，W 表示一维卷积核；l 表示特征信号的长 于压电片 2 的两侧，每个压电片均通过耦合剂粘贴
度；x l−1 表示长度为 k 的特征信号，通过卷 于两个螺栓正中间的法兰区域。
g(m:m+k−1)
l
积计算得到x l ；b 表示偏置。
hm
1.2 激活函数
ԍႃྟ ᡔܦηՂ́
卷积是一种线性操作，但有时对于复杂的数据
样本来说，仅仅依赖线性计算无法实现特征提取。
为了解决这个问题，需要在模型中添加激活函数，加
入非线性因素，使数据分类更加理想。目前 ReLU ඡࠉขР
函数在 CNN 模型中应用最为广泛，其表达式如公
ᄜरፐᎆߕขР
式 (2) 所示。当输入为非负时，它的输出等于输入；
ቇඡԍ᎖఻
当输入为负数时输出是0。
 ੵᅾ੹੤
x, x > 0,

f(x) = max(x, 0) = (2) 图 2 超声检测系统
 0, x < 0. Fig. 2 Bolt loose ultrasonic detection system