机器学习在复合绝缘子缺陷超声检测中的应用与展望
Application and prospect of machine learning in ultrasonic testing of composite insulator defects
摘 要
在综述不同无损检测方法的基础上，重点介绍了3种复合绝缘子缺陷的超声检测方法，分析了各自的优势和不足，并讨论了基于机器学习原理的超声检测缺陷识别方法，总结了深度学习在超声缺陷识别预测中的优势，探讨了基于深度学习的复合绝缘子超声检测中的3大难题，给出了可行的解决策略，可为该领域的进一步研究提供技术参考。
复合绝缘子
超声检测
机器学习
深度学习
insulating equipment
composite insulator
ultrasonic testing
machine learning
deep learning
Abstract
Based on a review of different nondestructive testing methods, we focused on three ultrasonic testing methods for composite insulator defects and analyzed their respective advantages and disadvantages. We also discussed the ultrasonic defect identification method based on the machine learning principle, summarized the advantages of deep learning in ultrasonic defect recognition and prediction, and discussed the three major problems in the ultrasonic testing of composite insulators based on deep learning. Finally, a feasible solution strategy is given, which can provide a technical reference for further research in this field.
中图分类号 O347 TG115.28 DOI 10.11973/wsjc202105013
所属栏目 综述
基金项目 国家自然科学基金项目（52077110）；国家自然科学基金青年项目（52007088）
收稿日期 2020/10/23
修改稿日期
网络出版日期
作者单位点击查看
备注孙洪宇(1993-),男,博士研究生,主要研究方向为超声无损检测、声学超材料、等离子体物理和深度学习
引用该论文: SUN Hongyu,PENG Lisha,QU Kaifeng,WANG Shen,ZHAO Wei,HUANG Songling. Application and prospect of machine learning in ultrasonic testing of composite insulator defects[J]. Nondestructive Testing, 2021, 43(5): 58～63
孙洪宇,彭丽莎,屈凯峰,王珅,赵伟,黄松岭. 机器学习在复合绝缘子缺陷超声检测中的应用与展望[J]. 无损检测, 2021, 43(5): 58～63
共有人对该论文发表了看法，其中：
人认为该论文很差
人认为该论文较差
人认为该论文一般
人认为该论文较好
人认为该论文很好
参考文献
【1】缪春辉, 王若民,陈国宏,等.运用振动声学原理实时在线检测瓷支柱绝缘子缺陷[J].无损检测,2015,37(4):37-40,82.
【2】叶伟文, 董屹彪. 高压电绝缘子压接工艺的声发射监测[J]. 无损检测, 2018, 40(6):1-5.
【3】钟飞, 张晓春,黄升平,等.GIS盆式绝缘子模拟缺陷的X-DR成像检测[J].无损检测,2018,40(1):45-49.
【4】刘泽洪. 复合绝缘子使用现状及其在特高压输电线路中的应用前景[J].电网技术,2006,30(12):1-7.
【5】张鸣, 陈勉.500kV罗北甲线合成绝缘子芯棒脆断原因分析[J].电网技术,2003,27(12):51-53.
【6】宋伟, 赵林杰,李成榕,等.复合绝缘子在线检测技术的发展[J].高电压技术,2005,31(5):28-30.
【7】高英, 梁曦东, 薛家麒, 等. 超声脉冲检测硅橡胶内部缺陷[J]. 高电压技术, 1997, 23(2):58-63.
【8】HINTON G E,OSINDERO S,TEH Y W.A fast learning algorithm for deep belief nets[J].Neural Computation,2006,18(7):1527-1554.
【9】李文涛, 周正干.激光增材制造钛合金构件的阵列超声检测方法研究[J].机械工程学报,2020,56(8):141-147.
【10】苑博, 税国双,汪越胜.非线性超声混频检测技术在无损检测中的研究进展[J].机械工程学报,2019,55(16):33-46.
【11】赵新玉, 齐天之,王中亚,等.超声检测三角矩阵聚焦成像算法[J].机械工程学报,2019,55(4):19-24.
【12】周正干, 孙广开.先进超声检测技术的研究应用进展[J].机械工程学报,2017,53(22):1-10.
【13】梁曦东, 戴建军,周远翔,等.超声法检测绝缘子用玻璃钢芯棒脆断裂纹的研究[J].中国电机工程学报,2005,25(3):110-114.
【14】谢从珍. 硅橡胶复合绝缘子伞裙优化研究[D]. 广州:华南理工大学, 2010.
【15】谢从珍, 张尧,郝艳捧,等.应用超声波探伤仪检测复合绝缘子的内部缺陷[J].高电压技术,2009,35(10):2464-2469.
【16】谢从珍, 何子兰,凌永兴,等.相控阵超声波检测复合绝缘子内部缺陷[J].中国电机工程学报,2012,32(S1):63-68.
【17】谢从珍, 袁超,何子兰,等.复合绝缘子典型内部缺陷的相控阵检测[J].高电压技术,2014,40(3):837-842.
【18】李亮. 基于超声相控阵复合绝缘子带电检测系统研究[D].天津:河北工业大学,2017.
【19】徐天勇, 董晓虎,李荣超,等.复合绝缘子内部缺陷的超声相控阵检测研究[J].电力工程技术,2018,37(6):75-79,114.
【20】徐天勇, 董晓虎,李荣超,等.基于超声相控阵复合绝缘子检测方法研究[J].电工技术,2018(12):113-116.
【21】徐天勇, 雷成华,董晓虎,等.复合绝缘子内部缺陷的超声相控阵检测的仿真研究[J].电工电气,2017(7):25-28,32.
【22】陈海燕, 李亮,夏正武,等.复合绝缘子内部缺陷超声相控阵柔性耦合检测[J].高电压技术,2019,45(4):1274-1280.
【23】邓红雷, 鲁强,陈力,等.基于超声导波的复合绝缘子检测[J].高电压技术,2016,42(4):1236-1244.
【24】邓红雷, 陈力,鲁强,等.超声导波检测绝缘子用玻璃钢芯棒缺陷[J].电工技术学报,2017,32(12):268-276.
【25】鲁强. 基于超声导波的复合绝缘子检测技术的研究[D].广州:华南理工大学, 2016.
【26】陈力. 超声导波在复合绝缘子中的传播特性研究[D].广州:华南理工大学,2017.
【27】何战峰. 基于超声导波的复合绝缘子芯棒和脱粘缺陷检测研究[D].广州:华南理工大学, 2018.
【28】邓红雷, 何战峰,陈力.复合绝缘子脱粘缺陷的超声导波检测[J].高电压技术,2019,45(1):196-202.
【29】邓红雷, 何战峰,陈力,等.基于匹配追踪的L模态超声导波检测复合绝缘子芯棒缺陷研究[J].电瓷避雷器,2019(2):168-174.
【30】YE J, ITO S, TOYAMA N. Computerized ultrasonic imaging inspection:from shallow to deep learning[J]. Sensors, 2018, 18(11):3820.
【31】MUNIR N,KIM H J,SONG S J,et al.Investigation of deep neural network with drop out for ultrasonic flaw classification in weldments[J].Journal of Mechanical Science and Technology,2018,32(7):3073-3080.
【32】KOSKINEN T, VIRKKUNEN I, PAPULA S, et al.Producing a pod curve with emulated signal response data[J]. Insight, 2018, 60(1):42-48.
【33】LIU S, HUANG J H, SUNG J,et al. Detection of cracks using neural network and computational mechanics[J]. Computer Methods in Applied Mechanics and Engineering, 2002, 191:2831-2845.
【34】KAHROBAEE S, HAGHIGHI M S, AKHLAGHI I A. Improving nondestructive characterization of dual phase steels using data fusion[J]. Journal of Magnetism & Magnetic Materials, 2018,458:317-326.
【35】ZHU P, CHENG Y, BANERJEE P,et al.A novel machine learning model for eddy current testing with uncertainty[J].NDT&E International, 2019, 101:104-112.
【36】MENG M, CHUA Y, WOUTERSON E,et al.Ultrasonic signal classification and imaging system for composite materials via deep convolutional neural networks[J]. Neurocomputing,2017, 257:128-135.
【37】FENZA D A, SORRENTINO A, VITIELLO P. Application of artificial neural networks and probability ellipse methods for damage detection using Lamb waves[J]. Composite Structures, 2015,133:390-403.
【2】叶伟文, 董屹彪. 高压电绝缘子压接工艺的声发射监测[J]. 无损检测, 2018, 40(6):1-5.
【3】钟飞, 张晓春,黄升平,等.GIS盆式绝缘子模拟缺陷的X-DR成像检测[J].无损检测,2018,40(1):45-49.
【4】刘泽洪. 复合绝缘子使用现状及其在特高压输电线路中的应用前景[J].电网技术,2006,30(12):1-7.
【5】张鸣, 陈勉.500kV罗北甲线合成绝缘子芯棒脆断原因分析[J].电网技术,2003,27(12):51-53.
【6】宋伟, 赵林杰,李成榕,等.复合绝缘子在线检测技术的发展[J].高电压技术,2005,31(5):28-30.
【7】高英, 梁曦东, 薛家麒, 等. 超声脉冲检测硅橡胶内部缺陷[J]. 高电压技术, 1997, 23(2):58-63.
【8】HINTON G E,OSINDERO S,TEH Y W.A fast learning algorithm for deep belief nets[J].Neural Computation,2006,18(7):1527-1554.
【9】李文涛, 周正干.激光增材制造钛合金构件的阵列超声检测方法研究[J].机械工程学报,2020,56(8):141-147.
【10】苑博, 税国双,汪越胜.非线性超声混频检测技术在无损检测中的研究进展[J].机械工程学报,2019,55(16):33-46.
【11】赵新玉, 齐天之,王中亚,等.超声检测三角矩阵聚焦成像算法[J].机械工程学报,2019,55(4):19-24.
【12】周正干, 孙广开.先进超声检测技术的研究应用进展[J].机械工程学报,2017,53(22):1-10.
【13】梁曦东, 戴建军,周远翔,等.超声法检测绝缘子用玻璃钢芯棒脆断裂纹的研究[J].中国电机工程学报,2005,25(3):110-114.
【14】谢从珍. 硅橡胶复合绝缘子伞裙优化研究[D]. 广州:华南理工大学, 2010.
【15】谢从珍, 张尧,郝艳捧,等.应用超声波探伤仪检测复合绝缘子的内部缺陷[J].高电压技术,2009,35(10):2464-2469.
【16】谢从珍, 何子兰,凌永兴,等.相控阵超声波检测复合绝缘子内部缺陷[J].中国电机工程学报,2012,32(S1):63-68.
【17】谢从珍, 袁超,何子兰,等.复合绝缘子典型内部缺陷的相控阵检测[J].高电压技术,2014,40(3):837-842.
【18】李亮. 基于超声相控阵复合绝缘子带电检测系统研究[D].天津:河北工业大学,2017.
【19】徐天勇, 董晓虎,李荣超,等.复合绝缘子内部缺陷的超声相控阵检测研究[J].电力工程技术,2018,37(6):75-79,114.
【20】徐天勇, 董晓虎,李荣超,等.基于超声相控阵复合绝缘子检测方法研究[J].电工技术,2018(12):113-116.
【21】徐天勇, 雷成华,董晓虎,等.复合绝缘子内部缺陷的超声相控阵检测的仿真研究[J].电工电气,2017(7):25-28,32.
【22】陈海燕, 李亮,夏正武,等.复合绝缘子内部缺陷超声相控阵柔性耦合检测[J].高电压技术,2019,45(4):1274-1280.
【23】邓红雷, 鲁强,陈力,等.基于超声导波的复合绝缘子检测[J].高电压技术,2016,42(4):1236-1244.
【24】邓红雷, 陈力,鲁强,等.超声导波检测绝缘子用玻璃钢芯棒缺陷[J].电工技术学报,2017,32(12):268-276.
【25】鲁强. 基于超声导波的复合绝缘子检测技术的研究[D].广州:华南理工大学, 2016.
【26】陈力. 超声导波在复合绝缘子中的传播特性研究[D].广州:华南理工大学,2017.
【27】何战峰. 基于超声导波的复合绝缘子芯棒和脱粘缺陷检测研究[D].广州:华南理工大学, 2018.
【28】邓红雷, 何战峰,陈力.复合绝缘子脱粘缺陷的超声导波检测[J].高电压技术,2019,45(1):196-202.
【29】邓红雷, 何战峰,陈力,等.基于匹配追踪的L模态超声导波检测复合绝缘子芯棒缺陷研究[J].电瓷避雷器,2019(2):168-174.
【30】YE J, ITO S, TOYAMA N. Computerized ultrasonic imaging inspection:from shallow to deep learning[J]. Sensors, 2018, 18(11):3820.
【31】MUNIR N,KIM H J,SONG S J,et al.Investigation of deep neural network with drop out for ultrasonic flaw classification in weldments[J].Journal of Mechanical Science and Technology,2018,32(7):3073-3080.
【32】KOSKINEN T, VIRKKUNEN I, PAPULA S, et al.Producing a pod curve with emulated signal response data[J]. Insight, 2018, 60(1):42-48.
【33】LIU S, HUANG J H, SUNG J,et al. Detection of cracks using neural network and computational mechanics[J]. Computer Methods in Applied Mechanics and Engineering, 2002, 191:2831-2845.
【34】KAHROBAEE S, HAGHIGHI M S, AKHLAGHI I A. Improving nondestructive characterization of dual phase steels using data fusion[J]. Journal of Magnetism & Magnetic Materials, 2018,458:317-326.
【35】ZHU P, CHENG Y, BANERJEE P,et al.A novel machine learning model for eddy current testing with uncertainty[J].NDT&E International, 2019, 101:104-112.
【36】MENG M, CHUA Y, WOUTERSON E,et al.Ultrasonic signal classification and imaging system for composite materials via deep convolutional neural networks[J]. Neurocomputing,2017, 257:128-135.
【37】FENZA D A, SORRENTINO A, VITIELLO P. Application of artificial neural networks and probability ellipse methods for damage detection using Lamb waves[J]. Composite Structures, 2015,133:390-403.
相关信息
