[發明專利]一種基于GRU網絡的輸電桿塔螺栓緊固檢測方法及系統

在審

• 申請號: 202010712021.1
• 申請日: 2020-07-22
• 公開（公告）號: CN111879394A
• 公開（公告）日: 2020-11-03
• 發明（設計）人: 魯煒;駱昊駿;榮吉良;朱煒;卓亞光
• 申請（專利權）人: 上海電力高壓實業有限公司
• 主分類號: G01H9/00
• 分類號: G01H9/00;G01D5/48;G01D5/353;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京酷愛智慧知識產權代理有限公司 11514
• 代理人: 向霞

本發明實施例公開了一種基于GRU網絡的輸電桿塔螺栓緊固檢測方法及系統，方法包括：獲取原始聲波數據；對原始聲波數據進行預處理，以得到處理數據；將處理數據劃分為訓練樣本和測試樣本；提取每一所述訓練樣本的12階LPCC特征，并構建特征向量；根據特征向量訓練GRU網絡分類模型；將測試樣本輸入GRU網絡分類模型進行預測，以得到預測結果，并輸出預測結果。實施本發明實施例，構建了一套采集輸電鐵塔聲波數據的作業流程，并利用機器學習的相關算法實現對輸電鐵塔螺栓緊固狀態的檢測，解決了傳統上對輸電鐵塔螺栓緊固檢測時所需要的大量人力和傳統方法所存在的性能。

技術領域

本發明涉及音頻處理技術領域，具體涉及一種基于GRU網絡的輸電桿塔螺栓緊固檢測方法及系統。

背景技術

目前的輸電系統例如輸電桿塔由于長期處于動態風載荷中，所以容易誘發桿塔組件間的螺栓松動問題，威脅桿塔結構安全。螺栓是輸電系統中的重要組成部件，一旦出現故障隱患，將直接威脅高壓電網安全，甚至造成難以估量的損失。所以，定期針對于輸電桿塔上螺栓的檢測尤為重要。傳統的一些檢測方法比如人工方法在高壓、高危的環境下進行排查檢測通常伴隨著一定程度的風險；而現有的一些檢測方法，例如無人機巡檢技術由于采集的圖片背景較為復雜，檢測成本高，檢測精度低及效率低等問題，難以獲得比較滿意的結果。因此，利用螺栓被敲擊時產生的聲波信息進行螺栓緊固檢測成為一種新的思路。

發明內容

本發明實施例的目的在于提供一種基于GRU網絡的輸電桿塔螺栓緊固檢測方法及系統，以解決傳統方法中在檢測輸電塔螺栓緊固問題上存在的人力問題和性能問題。

為實現上述目的，第一方面，本發明實施例提供了一種基于GRU網絡的輸電桿塔螺栓緊固檢測方法，包括：

獲取原始聲波數據，所述原始聲波數據由光纖傳感器分析儀在輸電鐵塔塔基處采集所得；

對所述原始聲波數據進行預處理，以得到處理數據；

將所述處理數據劃分為訓練樣本和測試樣本；

提取每一所述訓練樣本的12階LPCC特征，并基于所述12階LPCC特征構建特征向量；

根據所述特征向量訓練門控循環單元網絡分類模型；

將所述測試樣本輸入所述門控循環單元網絡分類模型進行預測，以得到預測結果，并輸出所述預測結果。

作為本申請一種具體的實施方式，對所述原始聲波數據進行預處理具體包括：

對所述原始聲波數據進行濾除處理、聲波預加重處理、分幀處理、加窗處理及端點檢測處理。

作為本申請的一種具體實施方式，根據所述特征向量訓練門控循環單元網絡分類模型具體包括：

初始化GRU網絡結構：設置GRU隱藏單元的數量numHiddemUnits＝30，類別數量numClass＝2，特征維數D＝24，最大迭代輪數maxEpoch＝40，批大小miniBatchSize＝512，以及選擇使用隨機梯度下降算法作為優化算法，選擇交叉熵損失作為損失函數；

將所述訓練樣本中提取的特征向量和訓練樣本對應的分類真值作為GRU網絡的輸入，開始訓練門控循環單元網絡分類模型，其中訓練過程為迭代過程，每一次迭代通過前向傳播計算交叉熵損失，最小化目標函數，并反向傳播更新模型參數，最后得到訓練好的模型。

作為本申請的一種具體實施方式，將所述測試樣本輸入所述門控循環單元網絡分類模型進行預測具體包括：

對所述測試樣本進行特征提取，以得到預測特征向量；

將所述預測特征向量輸入所述門控循環單元網絡分類模型進行預測，以得到預測結果。

進一步地，將所述處理數據劃分為訓練樣本和測試樣本之后，所述檢測方法還包括：