Page 133 - 《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 571

3.2 数据集划分 大小为 1×5，卷积核深度依次为 16 和 32；后两个卷
数据集的切分情况见表 1。本次实验得到 10种 积层用来对数据集进行细致特征提取，因此卷积核
工况下的超声传播数据，每种工况包含 500 组超声 尺寸略小一些，设置卷积核大小为1×3，卷积核深度
信号，每组信号由 448 个数据点组成。每种工况选 依次为128和256；池化层对卷积层提取出的所有特
择 450 组超声信号作为训练集，剩余 50 组超声信号 征量进一步降维达到特征提取的目的，池化核大小
作为测试集用来验证模型的有效性。 设置为 1×2，选择 MaxPooling 作为池化方式；选择
ReLU 函数作为激活函数；最后由 Softmax 层输出
表 1 数据集的切分情况 最终的螺栓松动类别。模型输出节点数为 10，用来
Table 1 Segmentation of the dataset 表示10种螺栓松动工况。

标签 螺栓松动工况 训练集 测试集
4 实验结果分析
0 无螺栓松动 450 50
1 一个螺栓松动 (99 N·m) 450 50 为了评估 CNN 网络的分类性能，本研究采用
2 一个螺栓松动 (88 N·m) 450 50
训练集准确率 acc、测试集准确率 val_acc、训练
3 一个螺栓松动 (77 N·m) 450 50
集损失值 loss 和测试集损失值 val_loss四个评价指
4 两个螺栓松动 (99 N·m) 450 50
标。准确率表示模型分类结果与实际结果是否一致，
5 两个螺栓松动 (88 N·m) 450 50
训练集准确率和测试集准确率的表达式为
6 两个螺栓松动 (77 N·m) 450 50
7 三个螺栓松动 (99 N·m) 450 50 acc = T rp /T rt , (3)
8 三个螺栓松动 (88 N·m) 450 50 val_acc = T ep /T et , (4)
9 三个螺栓松动 (77 N·m) 450 50
其中，T rp 表示训练集正确分类的数量；T rt 表示训练
3.3 螺栓松动检测模型 集的总数量；T ep 表示测试集正确分类数量；T et 表示
本文的 CNN 在一台处理器为 AMD Ryzen5 测试集的总数量。
4000H、运行内存大小为 3 G 的上位机搭建，基 损失值表示预测数据与实际数据的偏离程度，
于 Python 在 Tensorflow 运行环境下进行训练和测 值越小说明模型的预测精度越高，鲁棒性能越好。
试。搭建的CNN结构参数如表2 所示。该模型包括 其表达式为
4 个卷积层、2 个池化层、3 个全连接层和 1 个 Soft- ∑
loss = − p (x) log q (x), (5)
max层。其中前两个卷积层用来对数据集进行粗略 x
特征提取，因此卷积核尺寸稍大一些，设置卷积核 式(5)中，p(x)表示目标分布；q(x)表示估计分布。

表 2 CNN 结构参数
Table 2 CNN structure parameters

序号 网络层 卷积核大小/数目 步长 输出特征 激活函数
1 Conv1D_1 1×5/16 1 1×96×16 ReLU
2 Conv1D_2 1×5/32 1 1×92×32 ReLU
3 Conv1D_3 1×3/128 1 1×90×128 ReLU
4 MaxPooling1D_1 1×2/128 2 1×45×128 None
5 Conv1D_4 1×3/256 1 1×43×256 ReLU
6 MaxPooling1D_2 1×2/256 2 1×21×256 None
7 Dense_1 120 120 ReLU
8 Dense_2 84 84 ReLU
9 Dense_3 10 10 ReLU
10 Output 10 10 Softmax