圖 1球頭掛環(huán)檢測模型示意
在輸電線路中，球頭掛環(huán)作為一種關(guān)鍵連接部件，其性能狀態(tài)直接影響輸電線路的整體穩(wěn)定性和安全性。然而，由于長期暴露在復雜多變的自然環(huán)境中，球頭掛環(huán)容易出現(xiàn)各種缺陷（如裂紋、腐蝕和磨損等），這些缺陷不僅會降低其機械強度，還可能引發(fā)嚴重的安全事故?，F(xiàn)有的檢測技術(shù)受到主觀因素的影響，難以發(fā)現(xiàn)微小缺陷，且檢測結(jié)果受光線、角度等因素的影響較大，檢測結(jié)果準確性不高。
因此，在該研究背景下，不少研究學者針對輸電線路檢測技術(shù)展開研究，分別采用不同方法進行輸電線路缺陷檢測，但存在檢測時間長、受環(huán)境影響大或依賴高質(zhì)量數(shù)據(jù)集等問題[1-4]。在以往研究成果[5-6]的基礎(chǔ)上，筆者提出了基于ResNet50網(wǎng)絡的輸電線路球頭掛環(huán)超聲檢測技術(shù)。所提方法可以提高輸電線路球頭掛環(huán)的檢測精度和效率，降低漏檢和誤檢的風險，為輸電線路的安全運行提供有力保障。
1. 球頭掛環(huán)超聲檢測技術(shù)
1.1 球頭掛環(huán)超聲回波信號平滑處理
文章利用超聲檢測儀對輸電線路球頭掛環(huán)進行檢測，并獲取大量超聲回波信號，計算超聲對于球頭掛環(huán)的反射系數(shù)，從而獲取大量的超聲回波信號[7-8]。其具體計算過程如下
式中：Rs為超聲檢測儀對于球頭掛環(huán)的反射系數(shù)；Q1為球頭掛環(huán)的阻抗值；Q2為球頭掛環(huán)所用材料的標準阻抗值；ρz為球頭掛環(huán)材料的密度；Ck為設定的超聲檢測儀聲速；Hb為獲取的球頭掛環(huán)超聲回波信號；rz為超聲檢測儀與球頭掛環(huán)的接觸面積；Fr為球頭掛環(huán)的能量反射率。
然后，對球頭掛環(huán)超聲回波信號進行平滑處理[9]，去除回波信號中的干擾因素，提高回波信號的質(zhì)量，為后續(xù)構(gòu)建球頭掛環(huán)檢測模型奠定基礎(chǔ)。其具體處理過程為
式中：sign表示符號函數(shù)：Mh為門限函數(shù)；θz為回波信號的門限參數(shù)；γ為信號振蕩參數(shù)；ku為回波信號恒定偏差值；u為回波信號的門限值；
1.2 基于ResNet50網(wǎng)絡的檢測模型構(gòu)建
根據(jù)超聲回波信號，利用ResNet50網(wǎng)絡，構(gòu)建球頭掛環(huán)檢測模型。ResNet50網(wǎng)絡作為一種深度殘差網(wǎng)絡，引入殘差塊結(jié)構(gòu)，通過跳躍連接提高了信息在網(wǎng)絡中的傳遞速度，利于更加深層次地分析輸入數(shù)據(jù)[10-11]。將其應用到球頭掛環(huán)檢測模型中，能夠提取出豐富的回波信號特征，并對提取的特征進行深入分析。
球頭掛環(huán)檢測模型如圖1所示，將處理過的回波信號作為輸入數(shù)據(jù)，輸入到檢測模型中。利用起始卷積層a1~a50先對其進行卷積處理，提取出回波信號中的低級特征[12]，再利用池化層和殘差模塊對回波信號的維度進行壓縮和恢復，并在全連接層b1~b50中生成相應的特征向量，再將其映射到對應的類別數(shù)，生成最終的檢測模型。
先對輸入的球頭掛環(huán)回波信號進行特征提取[13]。在提取時，需要多個卷積層和殘差塊共同作用，即
式中：Jc為多卷積層函數(shù)；F1，F2等為多個卷積層；Tz為殘差塊函數(shù)；g（x）為非線性映射函數(shù)，Ws（x）為非線性映射權(quán)重矩陣；x為輸入數(shù)據(jù)的格式轉(zhuǎn)換結(jié)果。
在此基礎(chǔ)上，通過設定損失函數(shù)[14]，構(gòu)建相應的球頭掛環(huán)檢測模型，即
式中：Ls為設定的損失函數(shù)；yi為球頭掛環(huán)第i種缺陷類別出現(xiàn)的概率；pi為球頭掛環(huán)缺陷出現(xiàn)的概率；Cm為構(gòu)建的球頭掛環(huán)檢測模型；Wk為全連接層的權(quán)重矩陣；bm為全連接層的偏置項。
計算球頭掛環(huán)異常處的缺陷參數(shù)，檢測出其缺陷類別，即
式中：ql為球頭掛環(huán)缺陷參數(shù)值；f為檢測模型的求解函數(shù)；pm，pn分別表示檢測模型中不同類別與缺陷的實際相似度；mk為檢測系數(shù)；hc為缺陷與檢測模型中各個類別的匹配系數(shù)。
根據(jù)計算的缺陷參數(shù)，劃分出不同的缺陷類別，由此輸出相應的檢測結(jié)果。
2. 試驗測試
2.1 試驗環(huán)境及參數(shù)設置
試驗環(huán)境配置如下：選用Ubuntu 20.04 LTS作為操作系統(tǒng)，學習框架為PyTorch，數(shù)據(jù)處理工具為Pandas，編程模型為CUDA。
試驗中，為采集輸電線路球頭掛環(huán)的回波信號，選用TH-CS150型超聲檢測儀。該超聲檢測儀的具體參數(shù)如表1所示。
Table 1.超聲檢測儀的具體參數(shù)
2.2 算例分析
以某輸電線路為例，其長度為10 km，截面積為150 mm2，電阻率為18.8 Ω·mm2·km−1，電抗為31.4 Ω·km−1，電容為4.33 μF·km−1。在該輸電線路中，關(guān)鍵位置的連接件均為Q-12M型號的球頭掛環(huán)。該球頭掛環(huán)具體位置如圖2所示。該球頭掛環(huán)的直徑為20 mm，連接桿長度為140 mm，螺紋孔直徑為18 mm，質(zhì)量為1.5 kg，破壞荷載為120 kN。
圖 2球頭掛環(huán)位置示意
使用超聲檢測儀采集100 s的球頭掛環(huán)回波信號（見圖2），將其作為試驗原始數(shù)據(jù)，再對采集的信號進行平滑處理，處理后的球頭掛環(huán)回波信號如圖3所示。
圖 3球頭掛環(huán)回波信號
基于該回波信號，利用ResNet50網(wǎng)絡對其進行處理，提取出回波信號的特征，由此構(gòu)建相應的檢測模型。設定的ResNet50網(wǎng)絡參數(shù)如表2所示。在該網(wǎng)絡層參數(shù)的基礎(chǔ)上，還要設定多個參數(shù)，如該ResNet50網(wǎng)絡的學習率為0.028，批處理大小為32，迭代次數(shù)為500。
Table 2.ResNet50網(wǎng)絡參數(shù)
利用該網(wǎng)絡，提取出回波信號的特征，以便更好地檢測出相應的輸電線路球頭掛環(huán)。此外，在此次試驗中，設置了對比試驗，其中，設所提技術(shù)為技術(shù)1，改進Res2Net-YOLACT模型的輸電線路檢測方法為技術(shù)2，基于YOLO目標檢測算法的輸電線路檢測方法為技術(shù)3。通過對比3項技術(shù)在實際應用中的效果，驗證所提技術(shù)的性能。
2.3 檢測結(jié)果對比分析
利用3種檢測技術(shù)對該輸電線路中的球頭掛環(huán)進行檢測，統(tǒng)計3種技術(shù)的檢測結(jié)果。其具體檢測結(jié)果如圖4所示。
圖 43種技術(shù)的球頭掛環(huán)檢測結(jié)果
如圖4所示，在該輸電線路球頭掛環(huán)出現(xiàn)磨損時，技術(shù)1能夠準確檢測到該掛環(huán)的磨損回波信號。技術(shù)2和技術(shù)3檢測到的磨損信號卻不明顯，其檢測精度遠低于技術(shù)1精度。這是因為所提方法對回波信號進行了平滑處理，提高了回波信號的質(zhì)量。
2.4 誤檢率對比分析
利用3種檢測技術(shù)對該輸電線路進行多次檢測，統(tǒng)計其檢測結(jié)果的誤檢率，對比3種技術(shù)的檢測性能。3種技術(shù)的誤檢率對比如圖5所示。
圖 53種技術(shù)的球頭掛環(huán)誤檢率對比
如圖5所示，技術(shù)1的平均誤檢率為6.22%，技術(shù)2的平均誤檢率為25.64%，技術(shù)3的平均誤檢率為24.78%。可見，技術(shù)1的誤檢率最低，其檢測結(jié)果的準確性較高。
3. 結(jié)語
該研究使用超聲檢測技術(shù)，發(fā)射并接收來自球頭掛環(huán)的回波信號，結(jié)合使用ResNet50深度神經(jīng)網(wǎng)絡模型，憑借其強大的特征提取與分類能力，準確識別出了球頭掛環(huán)中的缺陷（如裂紋、磨損等）。試驗結(jié)果表明，該方法誤檢率僅為6.22%，具有較高的檢測精度。該技術(shù)為輸電線路維護提供了可靠的數(shù)據(jù)支持，可有效提高運行安全性并降低巡檢成本。
文章來源——材料與測試網(wǎng)