(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111292224.0 (22)申请日 2021.11.03 (71)申请人 陕西省地方电力 （集团） 有限公司西 安供电分公司 地址 710054 陕西省西安市雁塔区南 二环 东段396 申请人 陕西能源研究院有限公司 　 西安交通大 学 (72)发明人 王格梓　毕宏伟　马媛　李文波　 谷森　李志锋　范旭泽　李润晨　 张军　郝晓军　郑野　刘娇健　 宋亚勤　 (74)专利代理 机构 西安合创非凡知识产权代理 事务所(普通 合伙) 61248 代理人 高志永(51)Int.Cl. G01N 29/44(2006.01) G01N 29/06(2006.01) G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 一种基于机器学习的绝缘设备缺陷识别及 成像方法 (57)摘要 本发明公开了一种基于深度学习的绝缘设 备缺陷识别及成像方法， 包括： 通过超声探伤仪 对绝缘设备进行探测获取回波数据， 将回波数据 通过无线传输回地面工作站， 地面工作站将回波 数据输入训练好的卷积神经网络模 型， 输出是否 有缺陷的判断结果， 有缺陷时输出缺陷类型， 并 输出缺陷处的B扫描图像； 其中卷积神经网络模 型的训练过程中， 对不同类型缺陷及对应回波数 据进行分类， 提取不同类型缺陷对应回波数据的 特征。 本发 明通过回波数据对绝缘设备进行缺陷 类型识别并输出图像， 提高了对内部缺陷的检测 效率。 权利要求书2页 说明书5页 附图4页 CN 113984909 A 2022.01.28 CN 113984909 A 1.一种基于 机器学习的绝 缘设备缺陷识别及成像方法， 其特 征在于， 包括以下步骤： 步骤1： 使用超声探伤仪在绝 缘设备表面探查， 获得回波信号数据； 步骤2： 将回波数据通过 无线传输方式传回到地 面工作站； 步骤3： 基于机器学习算法， 通过小波包法提取信号的能量特征作为特征数据， 并进行 学习获得缺陷判别模型； 步骤4： 输入 任意位置的检测信号， 判别是否存在缺陷、 缺陷类型； 步骤5： 按照检测轨 迹， 获取一组点 位的回波信号数据， 使用成像程序形成缺陷图像。 2.根据权利要求1所述的基于机器学习的绝缘设备缺陷识别及成像方法， 其特征在于， 所述步骤3中， 通过小 波包法提取信号的能量特 征作为特 征数据， 其步骤为： 步骤201 将信号经过3层小波包分解， 在最后一层上产生23共8个正交频带， 每个正交频 带的能量Ej为： (j=1,2,3, …,8) 式中： 表示第j个正交频带的重构信 号； 表示第j个频带上的信 号幅值；𝑘表示该 频带信号散点的个数； 步骤202 计算得到每 个频带的能量， 然后得到原 始信号的能量特 征序列T为: 。 3.根据权利要求1所述的基于机器学习的绝缘设备缺陷识别及成像方法， 其特征在于， 所述步骤3中， 缺陷判别模型 是通过支持向量机算法对能量特 征数据训练所 得， 其步骤为： 步骤301 对特征数据进行归一化处理并按照缺陷类型进行标定， 采用留出法构建训练 集和测试集； 步骤302 选用高斯核(RBF核)作为核函数， 并试算确定超参数的取值范围； 步骤303 选取不同超参数组合多次训练， 确定最优 超参数组合， 获得最高预测率模型。 4.根据权利要求3所述的基于机器学习的绝缘设备缺陷识别及成像方法， 其特征在于， 所述支持向量机算法是旨在寻找一个超平面将高维空间中的两类样本分开， 其可描述 为： 式中， 为超平面法向量空间， 决定其方向； b为偏置项， 决定超平面与 原点之间的距离； 为松弛变量； C为 惩罚系数； 属于超参数。 5.根据权利要求3所述的基于机器学习的绝缘设备缺陷识别及成像方法， 其特征在于， 所述步骤302所述高斯核(RBF核)函数为： 式中， 为核函数相关系数， 属于超参数。 6.根据权利要求1所述的基于机器学习的绝缘设备缺陷识别及成像方法， 其特征在于，权　利　要　求　书 1/2 页 2 CN 113984909 A 2所述步骤4中缺陷位置图像的建立过程如下： 步骤601： 在被测绝缘设备表面沿直线间隔固定距离获取回波信号， 并记录起始点到终 止点的长度； 步骤602： 将获取的回波数据转换为信号强度沿声程方向的二维图像， 根据信号强度确 定零点与反射 面的位置； 步骤603： 依照步骤602转化步骤601中获取的全部数据， 并按点位顺序与相邻测点距离 依次排列， 形成X方向为探测点位变化方向， Y方向为声程方向， Z方向为信号强度方向的三 维图像； 步骤604： 在步骤602确定的零点与反射面之间的范围中， 标记判定为缺 陷的点； 具体方 法是通过对步骤603所获得的三 维图像进行 处理， 可以获得X方向为探测点位变化方向， Y方 向为声程方向， 颜色深度 代表回波信号强度的二 维散点图； 在该散点图中， 颜色高亮的区域 代表有缺陷的点且其Y方向的坐标代 表着缺陷沿被测绝 缘设备表面的深度。 7.根据权利要求1所述的基于机器学习的绝缘设备缺陷识别及成像方法， 其特征在于， 所述步骤4的缺陷位置图像中采用相同颜色的点表示缺陷位置， 采用不同于表示缺陷位置 点的颜色表示无缺陷的部分。权　利　要　求　书 2/2 页 3 CN 113984909 A 3