一种具有缺识别功能的高压铁塔.pdf

本发明一种具有缺识别功能的高压铁塔，包括高压铁塔和与高压铁塔相连的无损检测装置，其特征是，所述的高压铁塔包括塔身、悬臂以及电热丝；其中，所述悬臂位于塔身的顶部并向塔身的两侧延伸；所述电热丝绕设在塔身和悬臂上。本发明通过设置电热丝，从而能将塔身和悬臂的冰雪进行快速融化，省时省力，避免高压铁塔发生倒塌。

1.一种具有缺识别功能的高压铁塔，包括高压铁塔和与高压铁塔相连的无损检测装
置，其特征是，所述的高压铁塔包括塔身、悬臂以及电热丝；其中，所述悬臂位于塔身的顶部
并向塔身的两侧延伸；所述电热丝绕设在塔身和悬臂上。
2.根据权利要求1所述的一种具有缺识别功能的高压铁塔，其特征是，所述塔身和悬臂
上设有若干斜撑。
3.根据权利要求2所述的一种具有缺识别功能的高压铁塔，其特征是，所述塔身和悬臂
呈T形结构。

一种具有缺识别功能的高压铁塔

技术领域

本发明涉及电力领域，具体涉及一种具有缺识别功能的高压铁塔。

背景技术

无损检测是以不破坏被测对象内部结构和实用性能为前提，对被测对象内部或表
面的物理性能、状态特性进行检测。电磁无损检测以材料电磁性能变化为判断依据，来对材
料及构件实施缺陷检测和性能测试。相关技术中，尽管脉冲涡流检测技术得到了深入的研
究和快速的发展，但是仍存在检测结果不够准确、信息挖掘不够深入、对检测结果未进行有
效分类等问题。

发明内容

针对上述问题，本发明提供一种具有缺识别功能的高压铁塔。

本发明的目的采用以下技术方案来实现：

一种具有缺识别功能的高压铁塔，包括高压铁塔和与高压铁塔相连的无损检测装
置，其特征是，所述的高压铁塔包括塔身、悬臂以及电热丝；其中，所述悬臂位于塔身的顶部
并向塔身的两侧延伸；所述电热丝绕设在塔身和悬臂上。

优选地，所述塔身和悬臂上设有若干斜撑。

优选地，所述塔身和悬臂呈T形结构。

本发明的有益效果为：通过设置电热丝，从而能将塔身和悬臂的冰雪进行快速融
化，省时省力，避免高压铁塔发生倒塌。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限
制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得
其它的附图。

图1是本发明高压铁塔的示意图。

图2是本发明无损检测装置的示意图。

附图标记：

基于时域特征检测模块1、基于频域特征检测模块2、综合检测模块3、时域特征提
取子模块11、基于时域的缺陷检测子模块12、预处理子模块21、归一化处理子模块22、频域
优化子模块23、频域特征提取子模块24、基于频域的缺陷检测子模块25。

具体实施方式

结合以下实施例对本发明作进一步描述。

应用场景1

参见图1，图2，本实施例的一种具有缺识别功能的高压铁塔，包括高压铁塔和与高
压铁塔相连的无损检测装置，其特征是，所述的高压铁塔包括塔身、悬臂以及电热丝；其中，
所述悬臂位于塔身的顶部并向塔身的两侧延伸；所述电热丝绕设在塔身和悬臂上。

优选地，所述塔身和悬臂上设有若干斜撑。

本优选实施例通过设置电热丝，从而能将塔身和悬臂的冰雪进行快速融化，省时
省力，避免高压铁塔发生倒塌。

优选地，所述塔身和悬臂呈T形结构。

本优选实施例与传统的高压铁塔相比，铁塔更加稳固。

优选地，无损检测装置包括基于时域特征检测模块1、基于频域特征检测模块2和
综合检测模块3，具体为：

(1)基于时域特征检测模块1，其包括时域特征提取子模块11、基于时域的缺陷检
测子模块12；所述时域特征提取子模块11用于采用改进的时域特征提取方法提取时域特征
值；所述基于时域的缺陷检测子模块12用于采用改进的自动分类识别方法对高压铁塔缺陷
进行检测识别，以得到基于时域的检测结果S₁；

(2)基于频域特征检测模块2，其包括预处理子模块21、归一化处理子模块22、频域
优化子模块23、频域特征提取子模块24和基于频域的缺陷检测子模块25；所述预处理子模
块21用于对缺陷区域时域响应和参考区域时域响应进行快速傅里叶变换，得到缺陷区域频
域响应和参考区域频域响应，并对缺陷区域频域响应和参考区域频域响应分别进行归一化
处理后再进行差分处理，计算出差分频域响应；所述归一化处理子模块22用于对差分频域
响应进行归一化处理，进而得到差分归一化频域响应；所述频域优化子模块23用于按照集
肤效应选取出适于对高压铁塔缺陷进行检测的频率，并基于选取的频率对差分归一化频域
响应进行优化处理；所述频域特征提取子模块24用于提取优化后的差分归一化频域响应的
差分峰值谱、特定频率差分幅值谱和差分过零频率作为可用于表征高压铁塔材料物理属性
的频域特征值；所述基于频域的缺陷检测子模块25用于采用改进的自动分类识别方法对高
压铁塔缺陷进行检测识别，以得到基于频域的检测结果S₂；

(3)综合检测模块3，用于根据基于时域的检测结果S₁和基于频域的检测结果S₂，采
用预定缺陷分类识别规则进行确定被测高压铁塔的缺陷类型。

本优选实施例通过时域特征检测和频域特征检测相结合的方式，有效抑制了提离
干扰，实现了高压铁塔缺陷的准确检测。

优选地，所述基于改进的时域特征提取方法提取时域特征值，包括：

(1)采用脉冲涡流传感器对高压铁塔缺陷进行检测，调整脉冲涡流传感器与被测
高压铁塔表面之间的提离距离，获得缺陷区域时域响应q(t)，选取被测高压铁塔无缺陷部
位的时域响应作为参考区域时域响应c(t)；

(2)对缺陷区域时域响应q(t)和参考区域时域响应c(t)进行差分和归一化处理，
得到差分归一化时域响应S(t)，定义处理公式为：

$S\left(t\right)=\frac{q\left(t\right)}{{\mathrm{\ξ}}_{1}max\left(q\right(t\left)\right)}-\frac{c\left(t\right)}{{\mathrm{\ξ}}_{2}max\left(c\right(t\left)\right)}$

式中，ξ₁、ξ₂为设定的系数调整因子，ξ₁、ξ₂的取值范围为[0.9,1.1]；

(3)提取差分归一化时域响应S(t)的差分峰值时间和差分过零时间作为可用于表
征高压铁塔材料物理属性的时域特征值。

所述改进的自动分类识别方法对高压铁塔缺陷进行检测识别，包括：

(1)选用高斯径向基核函数(RBF)作为Kernel函数，所述高斯径向基核函数的表达
式为K(x,y)＝exp{-γ‖x-y‖²}，采用粒子群优化算法对RBF函数的参数γ进行优化；

(2)执行训练算法，采用训练数据获得支持向量机分类模型；

(3)对训练数据进行测试，对未知的高压铁塔缺陷进行预测。

所述预定缺陷分类识别规则为：采用加权平均法对基于时域的检测结果S₁和基于
频域的检测结果S₂进行处理，获取最终检测结果，将最终检测结果与数据库中对应于不同
损伤情况的标定结果进行比较，选择与最终检测结果对应的标定结果，根据预先建立的损
伤情况与标定结果之间的映射关系，获取与所述标定结果对应的损伤情况，进而确定被测
高压铁塔的缺陷类型。

所述损伤情况包括当量尺寸、缺陷深度。

所述基于选取的频率对差分归一化频域响应进行优化处理，包括：

(1)根据多个高压铁塔缺陷的脉冲涡流响应信号数据构造数据矩阵D：

式中，d_ij表示第i个缺陷在第j个选取的频率处的脉冲涡流响应信号值，i＝1,
2,…,p，j＝1,2,…,q；

(2)对数据矩阵D中的各脉冲涡流响应信号值进行标准化处理，定义标准化后的脉
冲涡流响应信号值d_ij′的计算公式为：

${d_{ij}}^{\′}=\frac{2d_{ij}-\stackrel{\‾}{d_j}-\stackrel{\‾}{d_i}}{\sqrt{\frac{1}{p-1}{\Σ}_{i=1}^p{(d_{ij}-\stackrel{\‾}{d_j})}^2}+\sqrt{\frac{1}{q-1}{\Σ}_{j=1}^q{(d_{ij}-\stackrel{\‾}{d_i})}^2}},(i=1,2,\mathrm{...},p,j=1,2,\mathrm{...},q)$

式中，

则p个缺陷在第j个选取的频率处的脉冲涡流响应构成向量为：

d_j＝(d_1j′,d_2j′,…,d_pj′)^T

(3)计算各脉冲涡流响应构成向量d₁,d₂,…,d_q在选取的q个频率处的相关系数矩
阵C：

式中，c_mn(m＝1,2,…,q，n＝1,2,…,q)为d_m和d_n的相关系数；

(4)确定k个优化频率N_r来反映选取的q个频率的综合效果，r＝1,2,…,k，k＜q，优
化频率矩阵可表示为：

$\left\{\begin{array}{c}{N}_1=h_{11}{d}_1+h_{12}{d}_2+...h_{11}{d}_q\\ N_2=h_{21}{d}_1+h_{22}{d}_2+...h_{2q}{d}_q\\ \mathrm{.........}\\ N_k=h_{k1}{d}_1+h_{k2}{d}_2+...h_{kq}{d}_q\end{array}\right.$

式中，h_rj表示选取的q个频率在优化频率上的加权系数，加权系数矩阵H表示为：

加权系数h_rj的计算方式为：

1)对特征方程|λE-C|＝0进行求解，求取各特征值λ_j(j＝1,2,…,q)，将各特征值λ_j
(j＝1,2,…,q)按照从大到小顺序进行排列，λ₁＞λ₂＞…＞λ_q，并求取特征值λ_j(j＝1,2,…,
q)对应特征向量e_j，要求||e_j||＝1，即

2)定义第r个优化频率N_r对综合效果的贡献率G_r：

$G_r=\frac{{\mathrm{\λ}}_r}{{\Σ}_{j=1}^q{\mathrm{\λ}}_j},(r=1,2,...,k)$

3)计算k个优化频率N_r的累计贡献率L：

$L=\frac{{\Σ}_{r=1}^k{\mathrm{\λ}}_r}{{\Σ}_{j=1}^q{\mathrm{\λ}}_j}$

k为满足L-90％＞0的最小值；

4)计算加权系数：

本优选实施例对检测数据进行标准化处理，方便不同特征值进行线性组合，提高
计算速度；通过频域优化，提高检测效率；设置综合检测模块3，能够最大程度的减少检测误
差，并提高了对高压铁塔缺陷的分类识别率，便于后续研究和解决问题，提高产品质量。

本应用场景调整脉冲涡流传感器与被测高压铁塔表面之间的提离距离为0.4mm，
设定系数调整因子ξ₁＝0.9、ξ₂＝0.9，对高压铁塔缺陷的分类识别率提高了5％。

应用场景2

参见图1，图2，本实施例的一种具有缺识别功能的高压铁塔，包括高压铁塔和与高
压铁塔相连的无损检测装置，其特征是，所述的高压铁塔包括塔身、悬臂以及电热丝；其中，
所述悬臂位于塔身的顶部并向塔身的两侧延伸；所述电热丝绕设在塔身和悬臂上。

优选地，所述塔身和悬臂上设有若干斜撑。

本优选实施例通过设置电热丝，从而能将塔身和悬臂的冰雪进行快速融化，省时
省力，避免高压铁塔发生倒塌。

优选地，所述塔身和悬臂呈T形结构。

本优选实施例与传统的高压铁塔相比，铁塔更加稳固。

优选地，无损检测装置包括基于时域特征检测模块1、基于频域特征检测模块2和
综合检测模块3，具体为：

(1)基于时域特征检测模块1，其包括时域特征提取子模块11、基于时域的缺陷检
测子模块12；所述时域特征提取子模块11用于采用改进的时域特征提取方法提取时域特征
值；所述基于时域的缺陷检测子模块12用于采用改进的自动分类识别方法对高压铁塔缺陷
进行检测识别，以得到基于时域的检测结果S₁；

(2)基于频域特征检测模块2，其包括预处理子模块21、归一化处理子模块22、频域
优化子模块23、频域特征提取子模块24和基于频域的缺陷检测子模块25；所述预处理子模
块21用于对缺陷区域时域响应和参考区域时域响应进行快速傅里叶变换，得到缺陷区域频
域响应和参考区域频域响应，并对缺陷区域频域响应和参考区域频域响应分别进行归一化
处理后再进行差分处理，计算出差分频域响应；所述归一化处理子模块22用于对差分频域
响应进行归一化处理，进而得到差分归一化频域响应；所述频域优化子模块23用于按照集
肤效应选取出适于对高压铁塔缺陷进行检测的频率，并基于选取的频率对差分归一化频域
响应进行优化处理；所述频域特征提取子模块24用于提取优化后的差分归一化频域响应的
差分峰值谱、特定频率差分幅值谱和差分过零频率作为可用于表征高压铁塔材料物理属性
的频域特征值；所述基于频域的缺陷检测子模块25用于采用改进的自动分类识别方法对高
压铁塔缺陷进行检测识别，以得到基于频域的检测结果S₂；

(3)综合检测模块3，用于根据基于时域的检测结果S₁和基于频域的检测结果S₂，采
用预定缺陷分类识别规则进行确定被测高压铁塔的缺陷类型。

本优选实施例通过时域特征检测和频域特征检测相结合的方式，有效抑制了提离
干扰，实现了高压铁塔缺陷的准确检测。

优选地，所述基于改进的时域特征提取方法提取时域特征值，包括：

(1)采用脉冲涡流传感器对高压铁塔缺陷进行检测，调整脉冲涡流传感器与被测
高压铁塔表面之间的提离距离，获得缺陷区域时域响应q(t)，选取被测高压铁塔无缺陷部
位的时域响应作为参考区域时域响应c(t)；

(2)对缺陷区域时域响应q(t)和参考区域时域响应c(t)进行差分和归一化处理，
得到差分归一化时域响应S(t)，定义处理公式为：

$S\left(t\right)=\frac{q\left(t\right)}{{\mathrm{\ξ}}_{1}max\left(q\right(t\left)\right)}-\frac{c\left(t\right)}{{\mathrm{\ξ}}_{2}max\left(c\right(t\left)\right)}$

式中，ξ₁、ξ₂为设定的系数调整因子，ξ₁、ξ₂的取值范围为[0.9,1.1]；

(3)提取差分归一化时域响应S(t)的差分峰值时间和差分过零时间作为可用于表
征高压铁塔材料物理属性的时域特征值。

所述改进的自动分类识别方法对高压铁塔缺陷进行检测识别，包括：

(1)选用高斯径向基核函数(RBF)作为Kernel函数，所述高斯径向基核函数的表达
式为K(x,y)＝exp{-γ‖x-y‖²}，采用粒子群优化算法对RBF函数的参数γ进行优化；

(2)执行训练算法，采用训练数据获得支持向量机分类模型；

(3)对训练数据进行测试，对未知的高压铁塔缺陷进行预测。

所述预定缺陷分类识别规则为：采用加权平均法对基于时域的检测结果S₁和基于
频域的检测结果S₂进行处理，获取最终检测结果，将最终检测结果与数据库中对应于不同
损伤情况的标定结果进行比较，选择与最终检测结果对应的标定结果，根据预先建立的损
伤情况与标定结果之间的映射关系，获取与所述标定结果对应的损伤情况，进而确定被测
高压铁塔的缺陷类型。

所述损伤情况包括当量尺寸、缺陷深度。

所述基于选取的频率对差分归一化频域响应进行优化处理，包括：

(1)根据多个高压铁塔缺陷的脉冲涡流响应信号数据构造数据矩阵D：

式中，d_ij表示第i个缺陷在第j个选取的频率处的脉冲涡流响应信号值，i＝1,
2,…,p，j＝1,2,…,q；

(2)对数据矩阵D中的各脉冲涡流响应信号值进行标准化处理，定义标准化后的脉
冲涡流响应信号值d_ij′的计算公式为：

${d_{ij}}^{\′}=\frac{2d_{ij}-\stackrel{\‾}{d_j}-\stackrel{\‾}{d_i}}{\sqrt{\frac{1}{p-1}{\Σ}_{i=1}^p{(d_{ij}-\stackrel{\‾}{d_j})}^2}+\sqrt{\frac{1}{q-1}{\Σ}_{j=1}^q{(d_{ij}-\stackrel{\‾}{d_i})}^2}},(i=1,2,\mathrm{...},p,j=1,2,\mathrm{...},q)$

式中，

则p个缺陷在第j个选取的频率处的脉冲涡流响应构成向量为：

d_j＝(d_1j′,d_2j′,…,d_pj′)^T

(3)计算各脉冲涡流响应构成向量d₁,d₂,…,d_q在选取的q个频率处的相关系数矩
阵C：

式中，c_mn（m＝1,2,…,q，n＝1,2,…,q)为d_m和d_n的相关系数；

(4)确定k个优化频率N_r来反映选取的q个频率的综合效果，r＝1,2,…,k，k＜q，优
化频率矩阵可表示为：

$\left\{\begin{array}{c}{N}_1=h_{11}{d}_1+h_{12}{d}_2+...h_{11}{d}_q\\ N_2=h_{21}{d}_1+h_{22}{d}_2+...h_{2q}{d}_q\\ \mathrm{.........}\\ N_k=h_{k1}{d}_1+h_{k2}{d}_2+...h_{kq}{d}_q\end{array}\right.$

式中，h_rj表示选取的q个频率在优化频率上的加权系数，加权系数矩阵H表示为：

加权系数h_rj的计算方式为：

1)对特征方程|λE-C|＝0进行求解，求取各特征值λ_j(j＝1,2,…,q)，将各特征值λ_j
(j＝1,2,…,q)按照从大到小顺序进行排列，λ₁＞λ₂＞…＞λ_q，并求取特征值λ_j(j＝1,2,…,
q)对应特征向量e_j，要求||e_j||＝1，即

2)定义第r个优化频率N_r对综合效果的贡献率G_r：

$G_r=\frac{{\mathrm{\λ}}_r}{{\Σ}_{j=1}^q{\mathrm{\λ}}_j},(r=1,2,...,k)$

3)计算k个优化频率N_r的累计贡献率L：

$L=\frac{{\Σ}_{r=1}^k{\mathrm{\λ}}_r}{{\Σ}_{j=1}^q{\mathrm{\λ}}_j}$

k为满足L-90％＞0的最小值；

4)计算加权系数：

本优选实施例对检测数据进行标准化处理，方便不同特征值进行线性组合，提高
计算速度；通过频域优化，提高检测效率；设置综合检测模块3，能够最大程度的减少检测误
差，并提高了对高压铁塔缺陷的分类识别率，便于后续研究和解决问题，提高产品质量。

本应用场景调整脉冲涡流传感器与被测高压铁塔表面之间的提离距离为0.6mm，
设定系数调整因子ξ₁＝1.1、ξ₂＝1.1，对高压铁塔缺陷的分类识别率提高了4％。

应用场景3

参见图1，图2，本实施例的一种具有缺识别功能的高压铁塔，包括高压铁塔和与高
压铁塔相连的无损检测装置，其特征是，所述的高压铁塔包括塔身、悬臂以及电热丝；其中，
所述悬臂位于塔身的顶部并向塔身的两侧延伸；所述电热丝绕设在塔身和悬臂上。

优选地，所述塔身和悬臂上设有若干斜撑。

本优选实施例通过设置电热丝，从而能将塔身和悬臂的冰雪进行快速融化，省时
省力，避免高压铁塔发生倒塌。

优选地，所述塔身和悬臂呈T形结构。

本优选实施例与传统的高压铁塔相比，铁塔更加稳固。

优选地，无损检测装置包括基于时域特征检测模块1、基于频域特征检测模块2和
综合检测模块3，具体为：

(1)基于时域特征检测模块1，其包括时域特征提取子模块11、基于时域的缺陷检
测子模块12；所述时域特征提取子模块11用于采用改进的时域特征提取方法提取时域特征
值；所述基于时域的缺陷检测子模块12用于采用改进的自动分类识别方法对高压铁塔缺陷
进行检测识别，以得到基于时域的检测结果S₁；

(2)基于频域特征检测模块2，其包括预处理子模块21、归一化处理子模块22、频域
优化子模块23、频域特征提取子模块24和基于频域的缺陷检测子模块25；所述预处理子模
块21用于对缺陷区域时域响应和参考区域时域响应进行快速傅里叶变换，得到缺陷区域频
域响应和参考区域频域响应，并对缺陷区域频域响应和参考区域频域响应分别进行归一化
处理后再进行差分处理，计算出差分频域响应；所述归一化处理子模块22用于对差分频域
响应进行归一化处理，进而得到差分归一化频域响应；所述频域优化子模块23用于按照集
肤效应选取出适于对高压铁塔缺陷进行检测的频率，并基于选取的频率对差分归一化频域
响应进行优化处理；所述频域特征提取子模块24用于提取优化后的差分归一化频域响应的
差分峰值谱、特定频率差分幅值谱和差分过零频率作为可用于表征高压铁塔材料物理属性
的频域特征值；所述基于频域的缺陷检测子模块25用于采用改进的自动分类识别方法对高
压铁塔缺陷进行检测识别，以得到基于频域的检测结果S₂；

(3)综合检测模块3，用于根据基于时域的检测结果S₁和基于频域的检测结果S₂，采
用预定缺陷分类识别规则进行确定被测高压铁塔的缺陷类型。

本优选实施例通过时域特征检测和频域特征检测相结合的方式，有效抑制了提离
干扰，实现了高压铁塔缺陷的准确检测。

优选地，所述基于改进的时域特征提取方法提取时域特征值，包括：

(1)采用脉冲涡流传感器对高压铁塔缺陷进行检测，调整脉冲涡流传感器与被测
高压铁塔表面之间的提离距离，获得缺陷区域时域响应q(t)，选取被测高压铁塔无缺陷部
位的时域响应作为参考区域时域响应c(t)；

(2)对缺陷区域时域响应q(t)和参考区域时域响应c(t)进行差分和归一化处理，
得到差分归一化时域响应S(t)，定义处理公式为：

$S\left(t\right)=\frac{q\left(t\right)}{{\mathrm{\ξ}}_{1}max\left(q\right(t\left)\right)}-\frac{c\left(t\right)}{{\mathrm{\ξ}}_{2}max\left(c\right(t\left)\right)}$

式中，ξ₁、ξ₂为设定的系数调整因子，ξ₁、ξ₂的取值范围为[0.9,1.1]；

(3)提取差分归一化时域响应S(t)的差分峰值时间和差分过零时间作为可用于表
征高压铁塔材料物理属性的时域特征值。

所述改进的自动分类识别方法对高压铁塔缺陷进行检测识别，包括：

(1)选用高斯径向基核函数(RBF)作为Kernel函数，所述高斯径向基核函数的表达
式为K(x,y)＝exp{-γ‖x-y‖²}，采用粒子群优化算法对RBF函数的参数γ进行优化；

(2)执行训练算法，采用训练数据获得支持向量机分类模型；

(3)对训练数据进行测试，对未知的高压铁塔缺陷进行预测。

所述预定缺陷分类识别规则为：采用加权平均法对基于时域的检测结果S₁和基于
频域的检测结果S₂进行处理，获取最终检测结果，将最终检测结果与数据库中对应于不同
损伤情况的标定结果进行比较，选择与最终检测结果对应的标定结果，根据预先建立的损
伤情况与标定结果之间的映射关系，获取与所述标定结果对应的损伤情况，进而确定被测
高压铁塔的缺陷类型。

所述损伤情况包括当量尺寸、缺陷深度。

所述基于选取的频率对差分归一化频域响应进行优化处理，包括：

(1)根据多个高压铁塔缺陷的脉冲涡流响应信号数据构造数据矩阵D：

式中，d_ij表示第i个缺陷在第j个选取的频率处的脉冲涡流响应信号值，i＝1,
2,…,p，j＝1,2,…,q；

(2)对数据矩阵D中的各脉冲涡流响应信号值进行标准化处理，定义标准化后的脉
冲涡流响应信号值d_ij′的计算公式为：

${d_{ij}}^{\′}=\frac{2d_{ij}-\stackrel{\‾}{d_j}-\stackrel{\‾}{d_i}}{\sqrt{\frac{1}{p-1}{\Σ}_{i=1}^p{(d_{ij}-\stackrel{\‾}{d_j})}^2}+\sqrt{\frac{1}{q-1}{\Σ}_{j=1}^q{(d_{ij}-\stackrel{\‾}{d_i})}^2}},(i=1,2,\mathrm{...},p,j=1,2,\mathrm{...},q)$

式中，

则p个缺陷在第j个选取的频率处的脉冲涡流响应构成向量为：

d_j＝(d_1j′,d_2j′,…,d_pj′)^T

(3)计算各脉冲涡流响应构成向量d₁,d₂,…,d_q在选取的q个频率处的相关系数矩
阵C：

式中，c_mn(m＝1,2,…,q，n＝1,2,…,q)为d_m和d_n的相关系数；

(4)确定k个优化频率N_r来反映选取的q个频率的综合效果，r＝1,2,…,k，k＜q，优
化频率矩阵可表示为：

$\left\{\begin{array}{c}{N}_1=h_{11}{d}_1+h_{12}{d}_2+...h_{11}{d}_q\\ N_2=h_{21}{d}_1+h_{22}{d}_2+...h_{2q}{d}_q\\ \mathrm{.........}\\ N_k=h_{k1}{d}_1+h_{k2}{d}_2+...h_{kq}{d}_q\end{array}\right.$

式中，h_rj表示选取的q个频率在优化频率上的加权系数，加权系数矩阵H表示为：

加权系数h_rj的计算方式为：

1)对特征方程|λE-C|＝0进行求解，求取各特征值λ_j(j＝1,2,…,q)，将各特征值λ_j
(j＝1,2,…,q)按照从大到小顺序进行排列，λ₁＞λ₂＞…＞λ_q，并求取特征值λ_j(j＝1,2,…,
q)对应特征向量e_j，要求||e_j||＝1，即

2)定义第r个优化频率N_r对综合效果的贡献率G_r：

$G_r=\frac{{\mathrm{\λ}}_r}{{\Σ}_{j=1}^q{\mathrm{\λ}}_j},(r=1,2,...,k)$

3)计算k个优化频率N_r的累计贡献率L：

$L=\frac{{\Σ}_{r=1}^k{\mathrm{\λ}}_r}{{\Σ}_{j=1}^q{\mathrm{\λ}}_j}$

k为满足L-90％＞0的最小值；

4)计算加权系数：

本优选实施例对检测数据进行标准化处理，方便不同特征值进行线性组合，提高
计算速度；通过频域优化，提高检测效率；设置综合检测模块3，能够最大程度的减少检测误
差，并提高了对高压铁塔缺陷的分类识别率，便于后续研究和解决问题，提高产品质量。

本应用场景调整脉冲涡流传感器与被测高压铁塔表面之间的提离距离为0.8mm，
设定系数调整因子ξ₁＝0.9、ξ₂＝1.1，对高压铁塔缺陷的分类识别率提高了4.5％。

应用场景4

参见图1，图2，本实施例的一种具有缺识别功能的高压铁塔，包括高压铁塔和与高
压铁塔相连的无损检测装置，其特征是，所述的高压铁塔包括塔身、悬臂以及电热丝；其中，
所述悬臂位于塔身的顶部并向塔身的两侧延伸；所述电热丝绕设在塔身和悬臂上。

优选地，所述塔身和悬臂上设有若干斜撑。

本优选实施例通过设置电热丝，从而能将塔身和悬臂的冰雪进行快速融化，省时
省力，避免高压铁塔发生倒塌。

优选地，所述塔身和悬臂呈T形结构。

本优选实施例与传统的高压铁塔相比，铁塔更加稳固。

优选地，无损检测装置包括基于时域特征检测模块1、基于频域特征检测模块2和
综合检测模块3，具体为：

(1)基于时域特征检测模块1，其包括时域特征提取子模块11、基于时域的缺陷检
测子模块12；所述时域特征提取子模块11用于采用改进的时域特征提取方法提取时域特征
值；所述基于时域的缺陷检测子模块12用于采用改进的自动分类识别方法对高压铁塔缺陷
进行检测识别，以得到基于时域的检测结果S₁；

(2)基于频域特征检测模块2，其包括预处理子模块21、归一化处理子模块22、频域
优化子模块23、频域特征提取子模块24和基于频域的缺陷检测子模块25；所述预处理子模
块21用于对缺陷区域时域响应和参考区域时域响应进行快速傅里叶变换，得到缺陷区域频
域响应和参考区域频域响应，并对缺陷区域频域响应和参考区域频域响应分别进行归一化
处理后再进行差分处理，计算出差分频域响应；所述归一化处理子模块22用于对差分频域
响应进行归一化处理，进而得到差分归一化频域响应；所述频域优化子模块23用于按照集
肤效应选取出适于对高压铁塔缺陷进行检测的频率，并基于选取的频率对差分归一化频域
响应进行优化处理；所述频域特征提取子模块24用于提取优化后的差分归一化频域响应的
差分峰值谱、特定频率差分幅值谱和差分过零频率作为可用于表征高压铁塔材料物理属性
的频域特征值；所述基于频域的缺陷检测子模块25用于采用改进的自动分类识别方法对高
压铁塔缺陷进行检测识别，以得到基于频域的检测结果S₂；

(3)综合检测模块3，用于根据基于时域的检测结果S₁和基于频域的检测结果S₂，采
用预定缺陷分类识别规则进行确定被测高压铁塔的缺陷类型。

本优选实施例通过时域特征检测和频域特征检测相结合的方式，有效抑制了提离
干扰，实现了高压铁塔缺陷的准确检测。

优选地，所述基于改进的时域特征提取方法提取时域特征值，包括：

(1)采用脉冲涡流传感器对高压铁塔缺陷进行检测，调整脉冲涡流传感器与被测
高压铁塔表面之间的提离距离，获得缺陷区域时域响应q(t)，选取被测高压铁塔无缺陷部
位的时域响应作为参考区域时域响应c(t)；

(2)对缺陷区域时域响应q(t)和参考区域时域响应c(t)进行差分和归一化处理，
得到差分归一化时域响应S(t)，定义处理公式为：

$S\left(t\right)=\frac{q\left(t\right)}{{\mathrm{\ξ}}_{1}max\left(q\right(t\left)\right)}-\frac{c\left(t\right)}{{\mathrm{\ξ}}_{2}max\left(c\right(t\left)\right)}$

式中，ξ₁、ξ₂为设定的系数调整因子，ξ₁、ξ₂的取值范围为[0.9,1.1]；

(3)提取差分归一化时域响应S(t)的差分峰值时间和差分过零时间作为可用于表
征高压铁塔材料物理属性的时域特征值。

所述改进的自动分类识别方法对高压铁塔缺陷进行检测识别，包括：

(1)选用高斯径向基核函数(RBF)作为Kernel函数，所述高斯径向基核函数的表达
式为K(x,y)＝exp{-γ‖x-y‖²}，采用粒子群优化算法对RBF函数的参数γ进行优化；

(2)执行训练算法，采用训练数据获得支持向量机分类模型；

(3)对训练数据进行测试，对未知的高压铁塔缺陷进行预测。

所述预定缺陷分类识别规则为：采用加权平均法对基于时域的检测结果S₁和基于
频域的检测结果S₂进行处理，获取最终检测结果，将最终检测结果与数据库中对应于不同
损伤情况的标定结果进行比较，选择与最终检测结果对应的标定结果，根据预先建立的损
伤情况与标定结果之间的映射关系，获取与所述标定结果对应的损伤情况，进而确定被测
高压铁塔的缺陷类型。

所述损伤情况包括当量尺寸、缺陷深度。

所述基于选取的频率对差分归一化频域响应进行优化处理，包括：

(1)根据多个高压铁塔缺陷的脉冲涡流响应信号数据构造数据矩阵D：

式中，d_ij表示第i个缺陷在第j个选取的频率处的脉冲涡流响应信号值，i＝1,
2,…,p，j＝1,2,…,q；

(2)对数据矩阵D中的各脉冲涡流响应信号值进行标准化处理，定义标准化后的脉
冲涡流响应信号值d_ij′的计算公式为：

${d_{ij}}^{\′}=\frac{2d_{ij}-\stackrel{\‾}{d_j}-\stackrel{\‾}{d_i}}{\sqrt{\frac{1}{p-1}{\Σ}_{i=1}^p{(d_{ij}-\stackrel{\‾}{d_j})}^2}+\sqrt{\frac{1}{q-1}{\Σ}_{j=1}^q{(d_{ij}-\stackrel{\‾}{d_i})}^2}},(i=1,2,\mathrm{...},p,j=1,2,\mathrm{...},q)$

式中，

则p个缺陷在第j个选取的频率处的脉冲涡流响应构成向量为：

d_j＝(d_1j′,d_2j′,…,d_pj′)^T

(3)计算各脉冲涡流响应构成向量d₁,d₂,…,d_q在选取的q个频率处的相关系数矩
阵C：

式中，c_mn(m＝1,2,…,q，n＝1,2,…,q)为d_m和d_n的相关系数；

(4)确定k个优化频率N_r来反映选取的q个频率的综合效果，r＝1,2,…,k，k＜q，优
化频率矩阵可表示为：

$\left\{\begin{array}{c}{N}_1=h_{11}{d}_1+h_{12}{d}_2+...h_{11}{d}_q\\ N_2=h_{21}{d}_1+h_{22}{d}_2+...h_{2q}{d}_q\\ \mathrm{.........}\\ N_k=h_{k1}{d}_1+h_{k2}{d}_2+...h_{kq}{d}_q\end{array}\right.$

式中，h_rj表示选取的q个频率在优化频率上的加权系数，加权系数矩阵H表示为：

加权系数h_rj的计算方式为：

1)对特征方程|λE-C|＝0进行求解，求取各特征值λ_j(j＝1,2,…,q)，将各特征值λ_j
(j＝1,2,…,q)按照从大到小顺序进行排列，λ₁＞λ₂＞…＞λ_q，并求取特征值λ_j(j＝1,2,…,
q)对应特征向量e_j，要求||e_j||＝1，即

2)定义第r个优化频率N_r对综合效果的贡献率G_r：

$G_r=\frac{{\mathrm{\λ}}_r}{{\Σ}_{j=1}^q{\mathrm{\λ}}_j},(r=1,2,...,k)$

3)计算k个优化频率N_r的累计贡献率L：

$L=\frac{{\Σ}_{r=1}^k{\mathrm{\λ}}_r}{{\Σ}_{j=1}^q{\mathrm{\λ}}_j}$

k为满足L-90％＞0的最小值；

4)计算加权系数：

本优选实施例对检测数据进行标准化处理，方便不同特征值进行线性组合，提高
计算速度；通过频域优化，提高检测效率；设置综合检测模块3，能够最大程度的减少检测误
差，并提高了对高压铁塔缺陷的分类识别率，便于后续研究和解决问题，提高产品质量。

本应用场景调整脉冲涡流传感器与被测高压铁塔表面之间的提离距离为1.0mm，
设定系数调整因子ξ₁＝1.1、ξ₂＝0.9，对高压铁塔缺陷的分类识别率提高了5.6％。

应用场景5

参见图1，图2，本实施例的一种具有缺识别功能的高压铁塔，包括高压铁塔和与高
压铁塔相连的无损检测装置，其特征是，所述的高压铁塔包括塔身、悬臂以及电热丝；其中，
所述悬臂位于塔身的顶部并向塔身的两侧延伸；所述电热丝绕设在塔身和悬臂上。

优选地，所述塔身和悬臂上设有若干斜撑。

本优选实施例通过设置电热丝，从而能将塔身和悬臂的冰雪进行快速融化，省时
省力，避免高压铁塔发生倒塌。

优选地，所述塔身和悬臂呈T形结构。

本优选实施例与传统的高压铁塔相比，铁塔更加稳固。

优选地，无损检测装置包括基于时域特征检测模块1、基于频域特征检测模块2和
综合检测模块3，具体为：

(1)基于时域特征检测模块1，其包括时域特征提取子模块11、基于时域的缺陷检
测子模块12；所述时域特征提取子模块11用于采用改进的时域特征提取方法提取时域特征
值；所述基于时域的缺陷检测子模块12用于采用改进的自动分类识别方法对高压铁塔缺陷
进行检测识别，以得到基于时域的检测结果S₁；

(2)基于频域特征检测模块2，其包括预处理子模块21、归一化处理子模块22、频域
优化子模块23、频域特征提取子模块24和基于频域的缺陷检测子模块25；所述预处理子模
块21用于对缺陷区域时域响应和参考区域时域响应进行快速傅里叶变换，得到缺陷区域频
域响应和参考区域频域响应，并对缺陷区域频域响应和参考区域频域响应分别进行归一化
处理后再进行差分处理，计算出差分频域响应；所述归一化处理子模块22用于对差分频域
响应进行归一化处理，进而得到差分归一化频域响应；所述频域优化子模块23用于按照集
肤效应选取出适于对高压铁塔缺陷进行检测的频率，并基于选取的频率对差分归一化频域
响应进行优化处理；所述频域特征提取子模块24用于提取优化后的差分归一化频域响应的
差分峰值谱、特定频率差分幅值谱和差分过零频率作为可用于表征高压铁塔材料物理属性
的频域特征值；所述基于频域的缺陷检测子模块25用于采用改进的自动分类识别方法对高
压铁塔缺陷进行检测识别，以得到基于频域的检测结果S₂；

(3)综合检测模块3，用于根据基于时域的检测结果S₁和基于频域的检测结果S₂，采
用预定缺陷分类识别规则进行确定被测高压铁塔的缺陷类型。

本优选实施例通过时域特征检测和频域特征检测相结合的方式，有效抑制了提离
干扰，实现了高压铁塔缺陷的准确检测。

优选地，所述基于改进的时域特征提取方法提取时域特征值，包括：

(1)采用脉冲涡流传感器对高压铁塔缺陷进行检测，调整脉冲涡流传感器与被测
高压铁塔表面之间的提离距离，获得缺陷区域时域响应q(t)，选取被测高压铁塔无缺陷部
位的时域响应作为参考区域时域响应c(t)；

(2)对缺陷区域时域响应q(t)和参考区域时域响应c(t)进行差分和归一化处理，
得到差分归一化时域响应S(t)，定义处理公式为：

$S\left(t\right)=\frac{q\left(t\right)}{{\mathrm{\ξ}}_{1}max\left(q\right(t\left)\right)}-\frac{c\left(t\right)}{{\mathrm{\ξ}}_{2}max\left(c\right(t\left)\right)}$

式中，ξ₁、ξ₂为设定的系数调整因子，ξ₁、ξ₂的取值范围为[0.9,1.1]；

(3)提取差分归一化时域响应S(t)的差分峰值时间和差分过零时间作为可用于表
征高压铁塔材料物理属性的时域特征值。

所述改进的自动分类识别方法对高压铁塔缺陷进行检测识别，包括：

(1)选用高斯径向基核函数(RBF)作为Kernel函数，所述高斯径向基核函数的表达
式为K(x,y)＝exp{-γ‖x-y‖²}，采用粒子群优化算法对RBF函数的参数γ进行优化；

(2)执行训练算法，采用训练数据获得支持向量机分类模型；

(3)对训练数据进行测试，对未知的高压铁塔缺陷进行预测。

所述预定缺陷分类识别规则为：采用加权平均法对基于时域的检测结果S₁和基于
频域的检测结果S₂进行处理，获取最终检测结果，将最终检测结果与数据库中对应于不同
损伤情况的标定结果进行比较，选择与最终检测结果对应的标定结果，根据预先建立的损
伤情况与标定结果之间的映射关系，获取与所述标定结果对应的损伤情况，进而确定被测
高压铁塔的缺陷类型。

所述损伤情况包括当量尺寸、缺陷深度。

所述基于选取的频率对差分归一化频域响应进行优化处理，包括：

(1)根据多个高压铁塔缺陷的脉冲涡流响应信号数据构造数据矩阵D：

式中，d_ij表示第i个缺陷在第j个选取的频率处的脉冲涡流响应信号值，i＝1,
2,…,p，j＝1,2,…,q；

(2)对数据矩阵D中的各脉冲涡流响应信号值进行标准化处理，定义标准化后的脉
冲涡流响应信号值d_ij′的计算公式为：

${d_{ij}}^{\′}=\frac{2d_{ij}-\stackrel{\‾}{d_j}-\stackrel{\‾}{d_i}}{\sqrt{\frac{1}{p-1}{\Σ}_{i=1}^p{(d_{ij}-\stackrel{\‾}{d_j})}^2}+\sqrt{\frac{1}{q-1}{\Σ}_{j=1}^q{(d_{ij}-\stackrel{\‾}{d_i})}^2}},(i=1,2,\mathrm{...},p,j=1,2,\mathrm{...},q)$

式中，

则p个缺陷在第j个选取的频率处的脉冲涡流响应构成向量为：

d_j＝(d_1j′,d_2j′,…,d_pj′)^T

(3)计算各脉冲涡流响应构成向量d₁,d₂,…,d_q在选取的q个频率处的相关系数矩
阵C：

式中，c_mn(m＝1,2,…,q，n＝1,2,…,q)为d_m和d_n的相关系数；

(4)确定k个优化频率N_r来反映选取的q个频率的综合效果，r＝1,2,…,k，k＜q，优
化频率矩阵可表示为：

$\left\{\begin{array}{c}{N}_1=h_{11}{d}_1+h_{12}{d}_2+...h_{11}{d}_q\\ N_2=h_{21}{d}_1+h_{22}{d}_2+...h_{2q}{d}_q\\ \mathrm{.........}\\ N_k=h_{k1}{d}_1+h_{k2}{d}_2+...h_{kq}{d}_q\end{array}\right.$

式中，h_rj表示选取的q个频率在优化频率上的加权系数，加权系数矩阵H表示为：

加权系数h_rj的计算方式为：

1)对特征方程|λE-C|＝0进行求解，求取各特征值λ_j(j＝1,2,…,q)，将各特征值λ_j
(j＝1,2,…,q)按照从大到小顺序进行排列，λ₁＞λ₂＞…＞λ_q，并求取特征值λ_j(j＝1,2,…,
q)对应特征向量e_j，要求||e_j||＝1，即

2)定义第r个优化频率N_r对综合效果的贡献率G_r：

$G_r=\frac{{\mathrm{\λ}}_r}{{\Σ}_{j=1}^q{\mathrm{\λ}}_j},(r=1,2,...,k)$

3)计算k个优化频率N_r的累计贡献率L：

$L=\frac{{\Σ}_{r=1}^k{\mathrm{\λ}}_r}{{\Σ}_{j=1}^q{\mathrm{\λ}}_j}$

k为满足L-90％＞0的最小值；

4)计算加权系数：

本优选实施例对检测数据进行标准化处理，方便不同特征值进行线性组合，提高
计算速度；通过频域优化，提高检测效率；设置综合检测模块3，能够最大程度的减少检测误
差，并提高了对高压铁塔缺陷的分类识别率，便于后续研究和解决问题，提高产品质量。

本应用场景调整脉冲涡流传感器与被测高压铁塔表面之间的提离距离为1.2mm，
设定系数调整因子ξ₁＝1、ξ₂＝1，对高压铁塔缺陷的分类识别率提高了4％。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保
护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应
当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实
质和范围。