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(fù)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(huì)降低其機(jī)械強(qiáng)度，還可能引發(fā)嚴(yán)重的安全事故。現(xiàn)有的檢測(cè)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(cè)結(jié)果受光線、角度等因素的影響較大，檢測(cè)結(jié)果準(zhǔn)確性不高。

因此，在該研究背景下，不少研究學(xué)者針對(duì)輸電線路檢測(cè)技術(shù)展開研究，分別采用不同方法進(jìn)行輸電線路缺陷檢測(cè)，但存在檢測(cè)時(shí)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(luò)的輸電線路球頭掛環(huán)超聲檢測(cè)技術(shù)。所提方法可以提高輸電線路球頭掛環(huán)的檢測(cè)精度和效率，降低漏檢和誤檢的風(fēng)險(xiǎn)，為輸電線路的安全運(yùn)行提供有力保障。

1. 球頭掛環(huán)超聲檢測(cè)技術(shù)

1.1 球頭掛環(huán)超聲回波信號(hào)平滑處理

文章利用超聲檢測(cè)儀對(duì)輸電線路球頭掛環(huán)進(jìn)行檢測(cè)，并獲取大量超聲回波信號(hào)，計(jì)算超聲對(duì)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(hào)[7-8]。其具體計(jì)算過程如下

式中：Rs為超聲檢測(cè)儀對(duì)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(biāo)準(zhǔn)阻抗值；ρz為球頭掛環(huán)材料的密度；Ck為設(shè)定的超聲檢測(cè)儀聲速；Hb為獲取的球頭掛環(huán)超聲回波信號(hào)；rz為超聲檢測(cè)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(duì)球頭掛環(huán)超聲回波信號(hào)進(jìn)行平滑處理[9]，去除回波信號(hào)中的干擾因素，提高回波信號(hào)的質(zhì)量，為后續(xù)構(gòu)建球頭掛環(huán)檢測(cè)模型奠定基礎(chǔ)。其具體處理過程為

式中：sign表示符號(hào)函數(shù)：Mh為門限函數(shù)；θz為回波信號(hào)的門限參數(shù)；γ為信號(hào)振蕩參數(shù)；ku為回波信號(hào)恒定偏差值；u為回波信號(hào)的門限值；${\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">?</span>}}_{\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">?</span>}}^{\text{<span style="font-size: 16px; color: rgb(0, 0, 0);">*</span>}}$為平滑處理后的回波信號(hào)；ph為平滑系數(shù)。

1.2 基于ResNet50網(wǎng)絡(luò)的檢測(cè)模型構(gòu)建

根據(jù)超聲回波信號(hào)，利用ResNet50網(wǎng)絡(luò)，構(gòu)建球頭掛環(huán)檢測(cè)模型。ResNet50網(wǎng)絡(luò)作為一種深度殘差網(wǎng)絡(luò)，引入殘差塊結(jié)構(gòu)，通過跳躍連接提高了信息在網(wǎng)絡(luò)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(yīng)用到球頭掛環(huán)檢測(cè)模型中，能夠提取出豐富的回波信號(hào)特征，并對(duì)提取的特征進(jìn)行深入分析。

球頭掛環(huán)檢測(cè)模型如圖1所示，將處理過的回波信號(hào)作為輸入數(shù)據(jù)，輸入到檢測(cè)模型中。利用起始卷積層a1~a50先對(duì)其進(jìn)行卷積處理，提取出回波信號(hào)中的低級(jí)特征[12]，再利用池化層和殘差模塊對(duì)回波信號(hào)的維度進(jìn)行壓縮和恢復(fù)，并在全連接層b1~b50中生成相應(yīng)的特征向量，再將其映射到對(duì)應(yīng)的類別數(shù)，生成最終的檢測(cè)模型。

圖 1球頭掛環(huán)檢測(cè)模型示意

先對(duì)輸入的球頭掛環(huán)回波信號(hào)進(jìn)行特征提取[13]。在提取時(shí)，需要多個(gè)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(gè)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(shè)定損失函數(shù)[14]，構(gòu)建相應(yīng)的球頭掛環(huán)檢測(cè)模型，即

式中：Ls為設(shè)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(cè)模型；Wk為全連接層的權(quán)重矩陣；bm為全連接層的偏置項(xiàng)。

計(jì)算球頭掛環(huán)異常處的缺陷參數(shù)，檢測(cè)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(cè)模型的求解函數(shù)；pm，pn分別表示檢測(cè)模型中不同類別與缺陷的實(shí)際相似度；mk為檢測(cè)系數(shù)；hc為缺陷與檢測(cè)模型中各個(gè)類別的匹配系數(shù)。

根據(jù)計(jì)算的缺陷參數(shù)，劃分出不同的缺陷類別，由此輸出相應(yīng)的檢測(cè)結(jié)果。

2. 試驗(yàn)測(cè)試

2.1 試驗(yàn)環(huán)境及參數(shù)設(shè)置

試驗(yàn)環(huán)境配置如下：選用Ubuntu 20.04 LTS作為操作系統(tǒng)，學(xué)習(xí)框架為PyTorch，數(shù)據(jù)處理工具為Pandas，編程模型為CUDA。

試驗(yàn)中，為采集輸電線路球頭掛環(huán)的回波信號(hào)，選用TH-CS150型超聲檢測(cè)儀。該超聲檢測(cè)儀的具體參數(shù)如表1所示。

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(hào)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(cè)儀采集100 s的球頭掛環(huán)回波信號(hào)（見圖2），將其作為試驗(yàn)原始數(shù)據(jù)，再對(duì)采集的信號(hào)進(jìn)行平滑處理，處理后的球頭掛環(huán)回波信號(hào)如圖3所示。

圖 3球頭掛環(huán)回波信號(hào)

基于該回波信號(hào)，利用ResNet50網(wǎng)絡(luò)對(duì)其進(jìn)行處理，提取出回波信號(hào)的特征，由此構(gòu)建相應(yīng)的檢測(cè)模型。設(shè)定的ResNet50網(wǎng)絡(luò)參數(shù)如表2所示。在該網(wǎng)絡(luò)層參數(shù)的基礎(chǔ)上，還要設(shè)定多個(gè)參數(shù)，如該ResNet50網(wǎng)絡(luò)的學(xué)習(xí)率為0.028，批處理大小為32，迭代次數(shù)為500。

利用該網(wǎng)絡(luò)，提取出回波信號(hào)的特征，以便更好地檢測(cè)出相應(yīng)的輸電線路球頭掛環(huán)。此外，在此次試驗(yàn)中，設(shè)置了對(duì)比試驗(yàn)，其中，設(shè)所提技術(shù)為技術(shù)1，改進(jìn)Res2Net-YOLACT模型的輸電線路檢測(cè)方法為技術(shù)2，基于YOLO目標(biāo)檢測(cè)算法的輸電線路檢測(cè)方法為技術(shù)3。通過對(duì)比3項(xiàng)技術(shù)在實(shí)際應(yīng)用中的效果，驗(yàn)證所提技術(shù)的性能。

2.3 檢測(cè)結(jié)果對(duì)比分析

利用3種檢測(cè)技術(shù)對(duì)該輸電線路中的球頭掛環(huán)進(jìn)行檢測(cè)，統(tǒng)計(jì)3種技術(shù)的檢測(cè)結(jié)果。其具體檢測(cè)結(jié)果如圖4所示。

圖 43種技術(shù)的球頭掛環(huán)檢測(cè)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(shí)，技術(shù)1能夠準(zhǔn)確檢測(cè)到該掛環(huán)的磨損回波信號(hào)。技術(shù)2和技術(shù)3檢測(cè)到的磨損信號(hào)卻不明顯，其檢測(cè)精度遠(yuǎn)低于技術(shù)1精度。這是因?yàn)樗岱椒▽?duì)回波信號(hào)進(jìn)行了平滑處理，提高了回波信號(hào)的質(zhì)量。

2.4 誤檢率對(duì)比分析

利用3種檢測(cè)技術(shù)對(duì)該輸電線路進(jìn)行多次檢測(cè)，統(tǒng)計(jì)其檢測(cè)結(jié)果的誤檢率，對(duì)比3種技術(shù)的檢測(cè)性能。3種技術(shù)的誤檢率對(duì)比如圖5所示。

圖 53種技術(shù)的球頭掛環(huán)誤檢率對(duì)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(cè)結(jié)果的準(zhǔn)確性較高。

3. 結(jié)語

該研究使用超聲檢測(cè)技術(shù)，發(fā)射并接收來自球頭掛環(huán)的回波信號(hào)，結(jié)合使用ResNet50深度神經(jīng)網(wǎng)絡(luò)模型，憑借其強(qiáng)大的特征提取與分類能力，準(zhǔn)確識(shí)別出了球頭掛環(huán)中的缺陷（如裂紋、磨損等）。試驗(yàn)結(jié)果表明，該方法誤檢率僅為6.22%，具有較高的檢測(cè)精度。該技術(shù)為輸電線路維護(hù)提供了可靠的數(shù)據(jù)支持，可有效提高運(yùn)行安全性并降低巡檢成本。

文章來源——材料與測(cè)試網(wǎng)