Page 136 - 《应用声学》2023年第3期

574 2023 年 5 月

表 5 训练数据类型对 CNN 的影响 进行可视化表示，结果如图 8 所示。从图 8(a) 可以
Table 5 The impact of training data types 看出，直接通过原始测试集样本很难对不同螺栓
on CNN 松动工况进行分类，10 种螺栓松动工况完全混淆；
图 8(b) 显示当测试样本经过前两层卷积层之后，模
数据类型 准确率/% 损失值 训练时间/s
型提取到的特征表现出可分性，但是仍有大部分螺
幅度 96.05 0.0754 97
栓松动工况难以区分；从图8(c)可以看出，当测试样
正半波 94.86 0.1963 85
本经过第 4 个卷积网络层后，模型提取到的特征表
副半波 92.71 0.7319 78
全部特征 100 0.0008 160 现出更强的可分性，大部分螺栓松动工况已经可以
完全分离出来，但仍有部分测试样本混淆；从图8(d)
4.4 可视化分析 中可以明显看出，经过 Softmax 分类器后同一类螺
为了更直观地理解 CNN 模型逐层提取不同螺 栓松动工况被集中地聚集到一起，各种螺栓松动工
栓松动工况特征的能力，在训练过程中加入了聚 况被完全分开。这说明本研究搭建的 CNN 模型具
类结果可视化 (t-SNE) 对测试集样本、网络第 2 个 有良好的分类性能，可以有效地诊断出盆式绝缘子
卷积层、第 4 个卷积层和 Softmax 层提取到的特征 不同螺栓松动工况。

100 50
ࢺц ࢺц
80 0 40 0
1 1
60 2 30 2
40 3 20 3
4 4
20 5 6 10 5 6
ኄ̄ጸѬ -20 0 7 8 ኄ̄ጸѬ 0 7 8

-40 9 -10 9
-20
-60
-30
-80
-40
-100
-50
-60 -40 -20 0 20 40 60 80 100 -30 -20 -10 0 10 20 30 40 50
ኄʷጸѬ ኄʷጸѬ
(a) Ԕݽ฾តᬷನవ (b) ኄ2ࡏԄሥ
ࢺц ࢺц
15 0 200 0
1 150 1
10 2 2
3 3
4 5 100 4 5
ኄ̄ጸѬ 0 6 7 ኄ̄ጸѬ 50 6 7
5
9 8 0 8 9
-5 -50
-100
-10
-150
-15
-20 -10 0 10 20 30 40 50 -200 -100 0 100 200 300 400 500
ኄʷጸѬ ኄʷጸѬ
(c) ኄ4ࡏԄሥ (d) Softmaxࡏ

图 8 模型的 t-SNE 特征可视化
Fig. 8 Visualization of model features based on t-SNE

4.5 实物平台验证 果表明，该神经网络可以对单一螺栓松动工况的超
为了验证搭建模型的分类效果，在 GIS 平台上 声数据进行准确分类，其中，工况 4(两个螺栓松动、
随机采集了 10种螺栓松动工况下的超声信号，共计 松动扭矩为 99 N·m) 的分类准确率最低，但是也达
150个数据样本。表6为测试样本的分类准确率。结 到了 97.2%，其余工况被准确分类的准确率均达到