[發(fā)明專利]一種基于聲音信號分析的開關(guān)柜局部放電檢測方法

在審

• 申請?zhí)枺?/td>: 201810099032.X
• 申請日: 2018-01-31
• 公開（公告）號: CN108303624A
• 公開（公告）日: 2018-07-20
• 發(fā)明（設(shè)計）人: 舒天才
• 申請（專利權(quán)）人: 舒天才
• 主分類號: G01R31/12
• 分類號: G01R31/12
• 代理公司: 南京常青藤知識產(chǎn)權(quán)代理有限公司 32286
• 代理人: 金迪

1.一種基于聲音信號分析的開關(guān)柜局部放電檢測方法，包括如下步驟：

S1、采集高壓開關(guān)柜絕緣破壞放電聲音訓(xùn)練樣本；

S2、對訓(xùn)練樣本預(yù)處理，計算其語譜圖，并提取顯著性特征；

S3、構(gòu)建基于語譜圖的深度學(xué)習(xí)模型并進行訓(xùn)練；

S4、將待測放電聲音進行與步驟S2同樣的預(yù)處理，提取特征參數(shù)后送入步驟S3生成的分類器完成最終的檢測識別。

2.根據(jù)權(quán)利要求1所述的一種基于聲音信號分析的開關(guān)柜局部放電檢測方法，其特征在于，步驟S2中語譜圖的顯著性特征的計算步驟為：

S21、將語音信號通過快速傅里葉變換轉(zhuǎn)換為語譜圖；

S22、計算各通道的顯著度特征；

基于語譜圖通過中心-周邊差算子計算各特征的顯著度，得到不同通道和不同尺度下的顯著度特征，即表示強度I變化、方位O_θ特征、頻率F變化、時頻T特征和音調(diào)P變化的顯著圖。具體公式如下：

M(c,s)＝|M(c)ΘM(s)|，M∈{I,O_θ,F,T,P} (1)

其中，中心尺度c∈{2,3,4}，s＝c+δ，且δ∈{3,4}。中心尺度c和四周尺度s的差計算用符號Θ表示。

S23、提取特征矩陣；

將每幅特征圖分成s行t列，共s×t個子區(qū)域，用每個子區(qū)域的中位值替代該子區(qū)域，將圖像進一步歸一化為s×t的特征矩陣，從而以一個低分辨率的圖像特征矩陣來描述整個語譜。

S24、特征降維并重構(gòu)，得到主特征向量；

將每幅特征圖對應(yīng)的特征矩陣重塑為1×st的向量，并由這些向量構(gòu)成特征向量矩陣。計算類內(nèi)離散度矩陣為：

其中，i為類別編號，j為樣本編號，m_i為第i類樣本的均值，N_i為樣本個數(shù)。c個類別的總體類內(nèi)離散度矩陣為：

其中，P_i為第i類的先驗概率。類間離散度矩陣定義為：

其中，m為全體樣本的均值向量。

由此得到的變換矩陣，通過計算的u_i可將原始特征空間降維至低維空間中，得到主特征向量。

3.根據(jù)權(quán)利要求2所述的一種基于聲音信號分析的開關(guān)柜局部放電檢測方法，其特征在于，s取值為5，t取值為6。

4.根據(jù)權(quán)利要求1所述的一種基于聲音信號分析的開關(guān)柜局部放電檢測方法，其特征在于，步驟S3中語譜圖的深度學(xué)習(xí)模型的訓(xùn)練過程具體包括如下步驟：

S31、初始化深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，確定訓(xùn)練數(shù)據(jù)的樣本，訓(xùn)練次數(shù)L，可見層和隱層的神經(jīng)節(jié)點數(shù)m和n，學(xué)習(xí)率ε，初始化隱層和可視層的偏置項a_i和b_j以及兩層神經(jīng)元節(jié)點之間的權(quán)值W_ij，其中，i和j分別代表隱層和可視層的層數(shù)；

S32、求出似然函數(shù)對偏置項和權(quán)值的偏導(dǎo)數(shù)ΔW_ij，Δa_i，Δb_j，并對偏置項和權(quán)值進行更新；

Δb_j≈p_θ(h_j＝1|v⁰)-p_θ(h_j＝1|v^k) (8)

其中，p_θ代表參數(shù)θ的概率，h和v分別代表隱層和可視層，k代表迭代次數(shù)。

S33、重復(fù)步驟S31和步驟S32，直到達到訓(xùn)練次數(shù)L。