瓷套高压电缆终端内的液体介质与高压电缆的运行安全有关，液位同步的检测可有效消除由此引起的安全隐患。体泄漏。文提出了一种基于STFT和DBN的高压瓷套管电缆液位智能检测方法。先，将信号由超声信号兰姆，然后时间频率分割信号表示由傅立叶获得分段在时间短，则有效值，峰 - 峰值，和峰度变换提取时频分段信号的波形因子。计特征：最后，提取的特征用作深度置信网络模型的输入，并且液体水平被划分为15个间隔作为网络输出。
实验训练迭代5000次时，所提方法的准确度为液位识别的92％，当训练重复次数为10，000次时，测试的准确率达到100％。验结果表明，该方法可以准确识别液位高度范围，并提供一些维护指导。羊的波浪;高压电缆;短期傅立叶变换;液位检测;深信任网络分类号：TM75文献代码：A文章编号：1674-5124（2019）04-0047-06介绍作为城市电网的重要设备，瓷套管终端（PBT） ，是高压电缆室外终端的外绝缘和支撑装置，具有良好的稳定性，高抗污性和长期抗老化性能。了改善冷却和减震，PBT端子通常填充有硅油。果硅油泄漏，PBT终端可能会出现局部异常发热问题，甚至爆炸。此，必须定期检查PBT终端的液位以保持安全高度。前，检测在PBT端子液面的最常见的方法是打开PBT终端的上盖当检查被关断，这可能损坏瓷壳体的原始结构。了确保PBT终端的安全可靠运行，非破坏性无损检测技术已成为PBT终端液位检测的迫切需求。明和他的合作者设计了一个基于简单瓷壳模型的油位传感装置，并使用超声波反射波能量来确定感应高度中油的存在。出。润扬及其合作者研究了陶瓷与其他支撑物接触的复合层中的超声回波特性，并提出根据法律确定瓷壳内部是否为复合层界面回声衰减。统的超声波需要逐层检查方法来确定瓷壳中液位的高度范围。声兰姆波在慢衰减和大面积检测方面具有优越的特性。们已被广泛用于管道，平板显示器等，并且具有良好的检测结果。存富及其合作者分析了液体充电时兰姆波的衰减和色散特性，并用它来检测密闭容器的内部液位。洪和他的合作者研究了板载液体的导模变化，并利用一定模式的导波在不同液位下的传播时间来测量封闭容器的内部液位。于色散和多模态，兰姆波信号需要额外的处理才能实现更直观的检测功能。春安和他的合作者使用短期傅里叶变换来比较不同缺陷对超声信号时频特性的影响，并验证了时频分析方法在故障识别中的可行性。伟及其同事从小波选择和非线性小波系数处理的角度分析了小波分析在超声降噪中的应用，并给出了参考在不同条件下选择小波和小波分解母层。声兰姆波的特征可以为瓷包的液位检测提供趋势判断，而定量检测则需要进一步获取特征与液位之间的映射关系。同的特征值（例如时域特性，频域特性和时频域特性）可以反映从不同角度测量的物体的状态，从而应用一种方法全面的多特征评估可以提高检测系统的鲁棒性和准确性。为非线性多分类器，深度学习网络可以通过参数模型获得函数输入与目标输出之间的对应关系。清使用BP的主成分分析和神经网络对石油和天然气管道的内部缺陷进行分类和识别。焕琦提取了环境中土壤腐蚀的特征，并利用BP网络评估埋地管道的腐蚀状态，并通过遗传算法优化网络参数。健及其合作者研究了影响光伏发电的各种因素，并提出了基于深度信任网络的光伏发电预测模型。志强选择管网的主要数据作为深度信任网络的输入，在管道中进行泄漏检测。
果优于传统的BP网络模型。声兰姆波已经在非破坏性测试中得到了广泛的研究，但是很少有基于深度学习的多特征融合技术的研究。以往的研究中，研究小组通过小波包分解和非线性超声波波导技术，从瓷壳中提取了液体束缚超声兰姆波的特征。了阐明提取函数的提取量与液位检测之间的关系，本文将深度函数网络作为多功能完全评估不稳定超声兰姆波的多功能融合模型。能检测瓷器的液位。种用于智能检测在瓷壳体，基于STFT和DBN液面的超声波兰姆波的方法，进行和在高电压电缆端子瓷液面检测。
壳体瓷萃取STFT特性的超声波兰姆波通过裙多层伞的壳体porcelaine.Après反射和折射传播超声波羔羊波检测方法中，许多模式生成回声并且回波波包可以重叠。时，难以区分超声兰姆波信号的不同模式，并且大量模式也使信号频谱复杂化。期傅立叶变换（STFT）是加窗傅里叶变换，其确定时变信号的局部区域的时频特性。STFT处理的基本原理如下：在固定的窗口克（t）的一个函数，由分析傅立叶原始信号变换，以获得所述本地信号和窗函数的频率分量被移动沿时间轴获得信号频率。同时间的变化。
传统的傅里叶变换相比，短时傅里叶变换可以获得信号频率随时间变化的规律，信号处理过程如图1所示。要步骤如下： 1）原始信号被窗口函数ω（n）截断。2）将窗函数ω（n）与截断信号Xk逐点相乘，得到加窗变换信号Xk。3）对Xk执行傅立叶变换。4）沿时间轴移动窗函数，找到不同周期信号的傅立叶变换。于给定的信号XM，窗口K的长度被选择，并且截短的信号的STFT转化为：其中w（u）的表示的对应点的窗函数的值。同时段的信号的傅里叶变换集是STFT变换的结果。函数直接影响到时间分辨率和STFT处理频率的分辨率：矩形窗常用汉宁窗，汉明窗，指数窗和高斯窗被用作窗口函数STFT。函数的应用不仅将信号时间与频谱相关联，而且还减少了该区域中信号模态的数量。地信号的STFT变换可以在稳态下近似，并且其RMS，峰 - 峰，峰度和波形因子被提取作为包络中的液位鉴别的特征值。器：在瓷包络中传播的DBN液位判别模型一旦通过STFT转换了Lamb超声信号，就可以获得信号的一系列局部时频特性。过构建多特征合并评估模型，可以建立特征向量与目标检测值之间的映射关系。度定罪网络（DBN）是Hinton等人提出的典型深度学习网络。2006年由DBN层学习下级信号贪婪层以形成高级别表示的更abstraite.Le无监督自学习方法允许他避免专门知识合并传统功能和实现检测的智能。训练过程中，DBN可以通过多层非线性映射建立Lamb的超声信号的特征输入与瓷壳的液位之间的参数模型。
制波尔兹曼DBN模型是一系列RBM中，每个RBM包括可见层（V）和一个隐藏层（H）的组成的多层感知器神经网络。同层的节点给予重量。w连接，没有连接到同一层节点。络结构DBN在学习阶段中，DBN网络映射从层到层掩蔽可见的相关信息，提取在隐藏层中的可见层上的新的映射信息，重构所述输入数据中可见层并重复执行可见层和掩蔽。之间的制图和重建过程。图3中示出通过重叠3 RBM形成DBN图案可见v层可以是改性倍caractéristique.UneSTFT的输入层，所述RBM低学习特征矢量的时间 - 频率的本地和输出结果用作高级RBM的输入。几个贪婪的学习层之后，形成更直观的函数表示。DBN学习过程由两部分组成：从面向结果的堆栈前向管理和向后学习微调中学习。接堆叠过程是无监督的学习过程，不需要标签数据的参与。修剪包括使用标记数据来细化网络模型的参数。RBM堆栈前向功能的学习过程如下：在执行实验之前，最佳响应频率被扫描为218 kHz。此，中心频率为218kHz的10峰值正弦信号被用作激励信号。
0到1400mm的不同高度，每100mm获取10个信号，并获得总共150个信号样本。验采样频率为2 UHz，采样时间为1秒。于瓷壳液位检测的液位传感平台由信号发生器，信号放大器，数据采集卡和信号放大器组成。性能PC（见图4）。先，由信号发生器产生的数字控制信号由放大器放大，以产生足够大的信号。装在PBT终端下部的接收传感器用于接收信号，并通过数据采集卡（DAQ）在PC上收集。PBT终端的高度为1410 mm，控制传感器安装在离上表面10 mm处，
矿用电缆接收传感器安装在距离下端10 mm处。有传感器均为PZT压电传感器，直径为10 mm，中心频率为2 UHz。STFT功能分析当STFT运行在数据上时，为了减少数据处理量，窗口函数设置为矩形窗口，
矿用电缆时间窗口为2000个样本，恢复率为0对于FFT变换信号，获得四个统计特性，例如其均方根值，峰 - 峰值，峰度值和波形因子。
液面到低水平依次处理150种不同液位的样品，并提取每个样品的特征值。提取的RMS特性示于图5（a），当不分段：特征值成反比在低液位的液位和成比例的值élevé.La单液体电平对应于不同的高度。级液体不能有效识别液位。于信号分割处理的STFT的RMS特性如图5（b）至5（d）所示.RMS值与1-2000段中的液位负相关，而在5000段中-7000，它通常是正相关的。而，存在波动，RMS值与10，000至12，000范围内的液位正相关。
此，单个特征值通常仅适用于趋势分析。测到的物体的状态，难以进行定量分析。时，单个特征的不稳定性严重影响检测的效率和稳健性。DBN水平检测分析将收集的数据的150个样本划分为学习集和测试集，其中80％是学习集样本，20％是设置样本。验。STFT变换后提取的特征值用作网络输入，并根据液位的高度将样本分成15个类别。
络输出包括15个唯一代码类别。网络中的迭代次数设置为5，000次。练准确率，测试准确率和网络形成损失函数根据图3所示的迭代次数而变化。6.随着迭代次数的增加，网络损耗函数的损失值逐渐减小，驱动器的准确率逐渐增加。别是在算法的第一迭代过程，损失函数的值迅速减小和地层的准确率迅速增加，表明提取的特征的值具有与所述电平良好的映射关系检测液。后，训练的准确率和测试的准确率大于90％。
请注意，loss函数的值始终处于down状态，并且错误可能会继续减少。5，000次迭代后的测试结果如图7（a）所示。当前的迭代次数下，训练的准确率为92.8％。液位半满时，发生相邻类别的错误分类。后观察图5中的特征值表明，与该液面相邻的液面特性之间的差异很小。迭代次数增加到10，000，并正确识别所有类别，如图7（b）所示。论对于瓷质高压电缆终端液位的在线检测，提出了一种基于BPN的超声兰姆波检测方法。先，分段信号的时频表示由STFT算法获得，从而提取超声波羔羊信号的局部的时频特性和提取特征为DBN的输出。验结果表明，当迭代次数为5000时，所提出的方法原则上允许识别液位的高度，并且只有少数状态具有相邻的判断误差;当迭代次数为10，000时，识别液晶高度的精度达到100％。于液位检测的准确性，下一步将是研究深度学习网络的回归应用。
本文转载自
电缆价格 https://www.haoluoyi.com
猜您兴趣
首页
QQ