2多頻超聲波信號(hào)與界面張力之間的相關(guān)性分析

2.1多頻超聲波信號(hào)的幅頻響應(yīng)分析

實(shí)驗(yàn)共選取175組不同界面張力的變壓器油進(jìn)行實(shí)驗(yàn)。圖4為超聲波接收器接收到的三相信號(hào)的幅頻響應(yīng)圖，所選取的5組變壓器油樣的界面張力值分別為27.8、32.3、36.1、41.1、55.9mN/m.

圖4多頻超聲波幅頻響應(yīng)圖

圖4（a）為超聲波接收器T1接收到的信號(hào)L1的幅頻響應(yīng)，可以觀察到在同一檢測(cè)頻率下，界面張力值越大的變壓器油樣對(duì)應(yīng)的超聲波幅值越大，即變壓器油樣的界面張力值與L1相信號(hào)幅值存在正相關(guān)關(guān)系。所選取的5組油樣的L1相信號(hào)幅值變化趨勢(shì)大致相同，即隨著超聲波檢測(cè)頻率的增加，L1相的幅值逐漸增大，且L1相幅值的增幅較為明顯的檢測(cè)頻率段為中頻段700——850kHz,低頻段590——700kHz和高頻段850——1000kHz的幅值增幅較為平穩(wěn)（不同界面張力值的變壓器油樣的L1相超聲波信號(hào)幅值差較大的頻率段為高頻段）。L1相信號(hào)為超聲波信號(hào)在待測(cè)介003質(zhì)變壓器油界面反射傳播被接收到的信號(hào)，可以作為分析變壓器油界面張力時(shí)的基準(zhǔn)信號(hào)。圖4（b）所示的L2相超聲波信號(hào)的幅值隨檢測(cè)頻率的變化趨勢(shì)與L1相一致，但變壓器油樣的界面張力值與L2相信號(hào)幅值存在負(fù)相關(guān)關(guān)系。圖4（c）所示的L3相超聲波信號(hào)的幅值變化趨勢(shì)和幅值、界面張力之間的關(guān)系都與L1相有所不同。通過觀察可以得到，L3相超聲波信號(hào)的幅值響應(yīng)曲線呈現(xiàn)出比較明顯的“凹”字形，即在中頻段呈現(xiàn)“凹槽”狀，低頻段和高頻段較為平緩，且在整個(gè)檢測(cè)頻率范圍內(nèi)，不同界面張力的變壓器油樣對(duì)應(yīng)的L3相超聲波信號(hào)幅值差值變化不明顯。

2.2多頻超聲波信號(hào)的相頻響應(yīng)分析

圖5為超聲波接收器T1和T2接收的5組不同界面張力的變壓器油樣的L1、L2和L3三相超聲波信號(hào)的相頻響應(yīng)圖。從圖5（a）中可以觀察到，由超聲波接收器T1接收的信號(hào)L1的相位變化趨勢(shì)大致相同，且均在707.9、843.4kHz和696.6、832.1kHz處相位分別出現(xiàn)2次的谷值和峰值。如圖5（b）所示，與基準(zhǔn)信號(hào)L1相信號(hào)相比，雖然不同界面張力的油樣對(duì)應(yīng)的L2信號(hào)的相位圖皆分別存在2個(gè)谷值和峰值，但各相位所對(duì)應(yīng)的頻率點(diǎn)分布由于界面張力的不同而各有不同。由圖5（c）可以觀察到L3相信號(hào)的相位變化趨勢(shì)，在檢測(cè)頻率范圍內(nèi)，不同界面張力的油樣在相位頻譜上出現(xiàn)峰值和谷值的次數(shù)也不盡相同。

這是由于2個(gè)超聲波接收器所接收到的三相超聲波信號(hào)傳播所經(jīng)過的路徑和周期不同，導(dǎo)致對(duì)應(yīng)的相角不同。L2和L3的相頻響應(yīng)圖變化趨勢(shì)無(wú)相對(duì)明顯的變化規(guī)律，但超聲波信號(hào)在傳播過程中由于發(fā)生超聲弛豫、吸收、散射等現(xiàn)象導(dǎo)致相角的不同，其信息包含在相位頻譜中，對(duì)于分析變壓器油界面張力具有重要作用。

綜合以上對(duì)幅頻響應(yīng)和相頻響應(yīng)所做的分析可知，在不同檢測(cè)頻率下，超聲波信號(hào)的幅值和相位信息都能夠體現(xiàn)超聲波信號(hào)在待測(cè)介質(zhì)變壓器油中傳播時(shí)的聲衰減情況，即通過分析超聲波信號(hào)在變壓器油中傳播的幅值、相位等信息可分析變壓器油的品質(zhì)信息。

圖5多頻超聲波相頻響應(yīng)圖

3基于神經(jīng)網(wǎng)絡(luò)的變壓器油界面張力預(yù)測(cè)模型的建立

3.1多頻超聲波數(shù)據(jù)的降維預(yù)處理

多頻超聲平臺(tái)檢測(cè)175組油樣后得到的超聲波信號(hào)數(shù)據(jù)為包含超聲波信號(hào)的幅值、相位、聲速和飛行時(shí)間在內(nèi)的242維數(shù)據(jù)，為避免在回歸預(yù)測(cè)時(shí)由于高維度數(shù)據(jù)造成的“維度災(zāi)難”等問題，在建立變壓器油的界面張力預(yù)測(cè)模型前，采取KPCA對(duì)采集到的242維數(shù)據(jù)進(jìn)行降維處理。

不同特征值個(gè)數(shù)對(duì)應(yīng)的累計(jì)方差貢獻(xiàn)率如圖6所示，在能夠保留原始多維數(shù)據(jù)的最大信息的基礎(chǔ)上，得到累計(jì)方差貢獻(xiàn)率為99%的103維數(shù)據(jù)，作103姚遠(yuǎn)，等：基于KPCASSAENN的變壓器油界面張力預(yù)測(cè)為回歸預(yù)測(cè)模型的輸入。

3.2人工神經(jīng)網(wǎng)絡(luò)和參數(shù)優(yōu)化算法

3.2.1ENN

通過分析采集到的多頻超聲數(shù)據(jù)可知變壓器油樣的界面張力值同超聲波信號(hào)幅值、相位等存在非線性關(guān)系。ElmanJL提出的動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò)——ENN,包括輸入層、隱含層、承接層和輸出層。承接層可作短期存儲(chǔ)，作為延時(shí)算子，進(jìn)行內(nèi)部反饋和存儲(chǔ)歷史數(shù)據(jù)，使得ENN具有記憶功能。ENN中連接權(quán)重的隨機(jī)設(shè)置對(duì)于回歸預(yù)測(cè)的結(jié)果造成誤差，使神經(jīng)網(wǎng)絡(luò)在訓(xùn)練的過程中難以達(dá)到全局最優(yōu)。圖7展示了神經(jīng)網(wǎng)絡(luò)的均方誤差隨隱含層神經(jīng)元數(shù)量增加的變化情況，可得當(dāng)神經(jīng)元數(shù)量為15時(shí)，ENN的均方誤差最小，為0.08,所以隱含層和承接層的神經(jīng)元的數(shù)量為15.

3.2.2SSASSA是模擬麻雀群體覓食和反捕食行為提出的群智能優(yōu)化算法。圖8展示了SSA優(yōu)化ENN連接權(quán)重的流程。

圖8SSA優(yōu)化ENN連接權(quán)重的流程

其步驟如下：

1）對(duì)實(shí)驗(yàn)的175組油樣數(shù)據(jù)集進(jìn)行訓(xùn)練集和測(cè)試集的劃分。對(duì)175組變壓器油樣的超聲波數(shù)據(jù)集進(jìn)行劃分，隨機(jī)劃分為140組的訓(xùn)練集和35組的測(cè)試集。

2）確定輸入數(shù)據(jù)和輸出數(shù)據(jù)并對(duì)數(shù)據(jù)進(jìn)行歸一化處理。其中，將經(jīng)過KPCA降維得到的103維數(shù)據(jù)作為ENN預(yù)測(cè)模型和SSAENN預(yù)測(cè)模型的輸入，輸出為145組變壓器油樣的界面張力值。

歸一化方法用于消除幅值、相位、聲速等不同指標(biāo)數(shù)據(jù)之間的量綱影響，將其量化在[0,1]的區(qū)間內(nèi)。歸一化方法的公式為：

x′=a+x-xmin

xmax-xmin

×（b-a）（6）

式中：x′代表在[0,1]區(qū)間內(nèi)量化后的數(shù)據(jù)，x、xmin、xmax分別代表樣本的原始數(shù)據(jù)及原始數(shù)據(jù)的最小值和最大值，a和b分別代表歸一化后的最大值和最小值；

3）確定ENN的拓?fù)浣Y(jié)構(gòu)并對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行初始化；

4）根據(jù)ENN的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，計(jì)算出需要優(yōu)化的變量元素個(gè)數(shù)；

5）SSA參數(shù)的初始化。具體參數(shù)分別為初始麻雀數(shù)，麻雀初始位置，發(fā)現(xiàn)者和加入者的占比情況，迭代次數(shù)上限值，上、下邊界值，種群警戒值和安全值等參數(shù)；

6）SSA優(yōu)化ENN的權(quán)值和閾值，適應(yīng)度函數(shù)設(shè)置為ENN預(yù)測(cè)的均方誤差，循環(huán)SSA優(yōu)化過程，不斷更新麻雀群中發(fā)現(xiàn)者、加入者和警戒者的位置等參數(shù)直至最大迭代次數(shù)，終止SSA;

7）將SSA優(yōu)化后得到的最優(yōu)權(quán)值和閾值參數(shù)輸出傳遞至ENN,以最優(yōu)的SSAENN模型訓(xùn)練和預(yù)測(cè)數(shù)據(jù)。

3.3預(yù)測(cè)模型的預(yù)測(cè)效果分析

圖9給出了以140組樣本為訓(xùn)練集對(duì)ENN和SSAENN預(yù)測(cè)模型進(jìn)行訓(xùn)練后，其余未參加訓(xùn)練的35組樣本的界面張力預(yù)測(cè)值。與測(cè)試集的界面張力實(shí)測(cè)值相比，ENN預(yù)測(cè)模型的預(yù)測(cè)值整體差值較大，預(yù)測(cè)差值最大為14.58mN/m,最小為1.38mN/m;SSAENN預(yù)測(cè)模型的整體預(yù)測(cè)差值較小，個(gè)別變壓器油測(cè)試樣本的預(yù)測(cè)差值較大，預(yù)測(cè)差值最大為6.08mN/m.

圖9預(yù)測(cè)值與實(shí)測(cè)值

圖10為35組變壓器油測(cè)試集樣本相對(duì)預(yù)測(cè)誤差折線圖，觀察可得ENN預(yù)測(cè)模型的相對(duì)預(yù)測(cè)誤差起伏較大，最高達(dá)到39.52%,平均相對(duì)預(yù)測(cè)誤差為16.67%,而經(jīng)過SSA優(yōu)化后的SSAENN模型預(yù)測(cè)誤差起伏相對(duì)較小，大多分布在相對(duì)預(yù)測(cè)誤差為0的分界線的附近，平均相對(duì)預(yù)測(cè)誤差為6.53%.對(duì)比SSA優(yōu)化ENN前后對(duì)界面張力的預(yù)測(cè)效果，ENN預(yù)測(cè)模型的準(zhǔn)確率為83.33%,SSAENN神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的準(zhǔn)確率達(dá)到了9347%,達(dá)到了通過多頻超聲檢測(cè)對(duì)變壓器油界面張力的有效預(yù)測(cè)效果。

圖10測(cè)試集樣本的相對(duì)預(yù)測(cè)誤差

通過觀察SSAENN預(yù)測(cè)模型測(cè)試集各樣本的相對(duì)預(yù)測(cè)誤差，有5組樣本的預(yù)測(cè)誤差相對(duì)較大，超過15%,分別為17.35%、17.50%、15.91%、1602%和19.06%.為分析SSAENN預(yù)測(cè)模型中誤差異常高的5組樣本，對(duì)油樣進(jìn)行其他油務(wù)常規(guī)實(shí)驗(yàn)指標(biāo)的檢測(cè)，分別為微水含量、擊穿電壓、介質(zhì)損耗因數(shù)。表2為GB/T7595—2017對(duì)運(yùn)行中變壓器油的質(zhì)量要求。表3為預(yù)測(cè)誤差較大的油樣參數(shù)。由表2和表3可知，雖然5組變壓器油樣的界面張力和介質(zhì)損耗因數(shù)滿足國(guó)標(biāo)要求，但微水含量和擊穿電壓均不滿足國(guó)標(biāo)要求，其中5組油樣的微水含量分別超標(biāo)9.42、16.11、1283、10.94、42.83mg/L,擊穿電壓離達(dá)標(biāo)分別還差17.4、27.5、21.2、13.3、18.6kV,說(shuō)明預(yù)測(cè)相

對(duì)誤差較大的5組變壓器油樣都發(fā)生了劣化，導(dǎo)致預(yù)測(cè)誤差相對(duì)較大。

表2GB/T7595—2017規(guī)定的運(yùn)行中變壓器

表3預(yù)測(cè)誤差較大的油樣參數(shù)

4結(jié)論

基于多頻超聲波檢測(cè)技術(shù)和人工神經(jīng)網(wǎng)絡(luò)對(duì)變壓器油的界面張力進(jìn)行了分析和研究，對(duì)實(shí)驗(yàn)中選取的175組變壓器油樣進(jìn)行界面張力的測(cè)定和多頻超聲波檢測(cè)，通過對(duì)比5組不同界面張力的幅頻響應(yīng)和相頻響應(yīng)，分析了超聲波信號(hào)同界面張力之間的關(guān)系，對(duì)實(shí)驗(yàn)采集到的242維數(shù)據(jù)運(yùn)用KPCA降維至103維后，結(jié)合人工神經(jīng)網(wǎng)絡(luò)建立了基于ENN和SSAENN的2種界面張力預(yù)測(cè)模型。對(duì)比SSA優(yōu)化前后預(yù)測(cè)模型的準(zhǔn)確率，結(jié)果顯示SSA優(yōu)化后的SSAENN神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的準(zhǔn)確率達(dá)到93.47%,預(yù)測(cè)效果優(yōu)于ENN神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。與界面張力傳統(tǒng)檢測(cè)方法相比，多頻超聲波檢測(cè)方法檢測(cè)時(shí)間短，且檢測(cè)重復(fù)性好，因此基于多頻超聲波檢測(cè)技術(shù)和KPCASSAENN神經(jīng)網(wǎng)絡(luò)建立的預(yù)測(cè)模型對(duì)界面張力的識(shí)別具有可行性，為電力行業(yè)變壓器油的品質(zhì)檢測(cè)提供了新的思路。