CN106546892A - 基于深度学习的局部放电超声音频识别方法及系统 - Google Patents

Abstract

本发明提供了一种基于深度学习的局部放电超声音频识别方法及系统，包括：通过检测电力设备的局部放电超声信号，获得局部放电超声音频数据；将局部放电超声音频数据转换为声谱图；建立深度卷积神经网络模型，使用样本训练网络；将待诊断的局部放电超声音频数据输入训练好的网络，输出得到局部放电缺陷类型。本发明通过将局部放电超声音频数据转换为声谱图，使用深度卷积神经网络识别声谱图，能准确有效地识别局部放电各类缺陷的超声信号，为电力设备的绝缘状态评估提供了方便而可靠的诊断方法。

Description

基于深度学习的局部放电超声音频识别方法及系统

技术领域

本发明涉及电力设备故障诊断领域，具体地，涉及基于深度学习的局部放电超声音频识别方法及系统。

背景技术

局部放电会在电力设备内部产生声信号，超声波法通过在设备腔体外壁上安装超声传感器来测量局部放电信号。该方法的特点是不受电气干扰，定位准确度高。通过对声信号进行采集、分析和判断，记录各类局部放电的超声数据，分析各类局部放电的超声信号特征差异，判断局部放电类型，可以识别和定位电力设备局部放电故障，为维护电力设备安全稳定运行提供保障。

目前常用的超声诊断方法存在局限，如超声幅值阈值判方法的判断规则简单、不能识别缺陷类型，如相位图谱方法特征参数有限、准确率较低，如传统语音识别方法训练复杂度高、解码时延高等。通过深度学习(Deep Learning)技术构造网络模型识别超声信号，为超声诊断方法提供了新的解决途径。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于深度学习的局部放电超声音频识别方法及系统。

根据本发明提供的基于深度学习的局部放电超声音频识别方法，包括如下步骤：

步骤1：检测电力设备的局部放电超声信号，获得局部放电超声音频数据；

步骤2：将局部放电超声音频数据转换为声谱图；

步骤3：建立深度卷积神经网络模型，使用样本训练深度卷积神经网络；

步骤4：将待诊断的局部放电超声音频数据输入训练好的深度卷积神经网络模型中，输出得到局部放电缺陷类型。

优选地，所述步骤1包括：通过局部放电检测仪器采集电力设备的超声信号，获得局部放电超声音频数据；

具体地，超声信号通过空声传感器或表贴式超声传感器采集后，经过放大、传感器选择、带通滤波和检波电路后从耳机输出，并记录下超声音频数据；其中，超声音频数据的类型包括：电晕放电、悬浮电位放电、微粒放电、内部放电、沿面放电、机械振动和背景噪声。

优选地，所述步骤2包括：

步骤2.1：从原始音频数据中截取指定长度，指定长度的超声音频数据又称为标准长度的超声音频数据；

步骤2.2：将标准长度的超声音频数据分割为短时帧，每帧之间按照指定步长有重叠，并将每帧数据做离散短时傅立叶变换，然后将频谱连接为声谱图；

其中，短时傅立叶变换，即Short Time Fourier Transform，简写为STFT，表示为STFT{x[n]}(m,ω)，具体定义如下：

式中：x[n]表示离散信号序列，w[n-m]表示窗函数，ω表示角频率，n表示序号，n-m表示窗口滑动；

所述声谱图反映了时间、频率范围内声音强度的分布和变化情况，不同的局部放电类型的声谱图存在特征差异。

优选地，所述步骤3包括：

步骤3.1：建立深度卷积神经网络模型；

步骤3.2：使用样本逐层训练和优化网络，通过深度学习得到网络模型的连接权值和偏置参数。

优选地，所述步骤4包括：将超声音频数据截取指定长度，并经过声谱图转换以后，将声谱图输入声谱图识别网络模型，提取输出层的结果，得到该超声音频数据的局部放电缺陷类型。

根据本发明提供的基于深度学习的局部放电超声音频识别系统，包括如下模块：

放电超声信号集模块：用于检测电力设备的局部放电超声信号，获得局部放电超声音频数据；

音频数据转换模块：用于将局部放电超声音频数据转换为声谱图；

检测模型建立模块：用于建立深度卷积神经网络模型，并使用样本训练深度卷积神经网络；

局部放电缺陷判别模块：用于将待诊断的局部放电超声音频数据输入训练好的深度卷积神经网络模型中，输出得到局部放电缺陷类型。

与现有技术相比，本发明具有如下的有益效果：

1、本发明提供的基于深度学习的局部放电超声音频识别方法通过对局部放电超声声谱图做分类诊断，利用深度学习理论的学习算法完成局部放电超声声谱图的特征提取任务，不依赖于手工提取特征参数，能有效地识别各类局部放电超声声谱图的缺陷类型，为电力设备的绝缘状态诊断提供了新的解决途径。

2、本发明提供的基于深度学习的局部放电超声音频识别方法可以有效提高电力设备的绝缘状态诊断的准确性。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明提供的基于深度学习的局部放电超声音频识别方法的总体流程图；

图2为本发明实施例中超声检测的示意图；

图3为本发明实施例中的超声音频数据的声谱图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

根据本发明提供的基于深度学习的局部放电超声音频识别方法，包括如下步骤：

步骤1：检测电力设备的局部放电超声信号，获得局部放电超声音频数据；

步骤2：将局部放电超声音频数据转换为声谱图；

步骤3：建立深度卷积神经网络模型，使用样本训练网络；

步骤4：将待诊断的局部放电超声音频数据输入训练好的网络，输出得到局部放电缺陷类型。

所述步骤1包括：

通过局部放电检测仪器采集电力设备的超声信号，获得局部放电超声音频数据；

其中，超声信号通过空声传感器或表贴式超声传感器采集后，经过放大、传感器选择、带通滤波和检波电路，从耳机输出，并记录超声音频数据；

其中，超声音频数据的类型包括：电晕放电、悬浮电位放电、微粒放电、内部放电、沿面放电、机械振动和背景噪声。

所述步骤2包括：

步骤2.1：从原始音频数据中截取指定长度，得到标准长度的超声音频数据；

步骤2.2：将标准长度的超声音频数据分割为短时帧，帧之间按照指定步长有重叠，将帧数据做离散短时傅立叶变换，然后将频谱连接为声谱图；

其中，短时傅立叶变换STFT的定义为：

式中：x[n]为离散信号，w[n-m]为窗函数，ω为角频率；

其中，声谱图反映了时间-频率范围内声音强度的分布和变化情况，不同的局部放电类型的声谱图存在特征差异。

所述步骤3包括：

步骤3.1：建立深度卷积神经网络模型；

步骤3.2：使用样本逐层训练和优化网络，通过深度学习得到网络模型的连接权值和偏置参数。

所述步骤4包括：将待诊断的局部放电超声音频数据预处理后输入训练好的网络，输出得到局部放电缺陷类型。

具体的，将超声音频数据截取指定长度，并经过声谱图转换以后，将声谱图输入声谱图识别网络模型，提取输出层的结果，得到该超声音频数据的局部放电缺陷类型。

本发明还提供了基于深度学习的局部放电超声音频识别系统，包括如下模块：

放电超声信号集模块：用于检测电力设备的局部放电超声信号，获得局部放电超声音频数据；

音频数据转换模块：用于将局部放电超声音频数据转换为声谱图；

检测模型建立模块：用于建立深度卷积神经网络模型，并使用样本训练深度卷积神经网络；

局部放电缺陷判别模块：用于将待诊断的局部放电超声音频数据输入训练好的深度卷积神经网络模型中，输出得到局部放电缺陷类型。

本发明通过深度学习对局部放电超声声谱图做分类诊断，能有效识别各类局部放电缺陷类型，提供了局部放电模式识别的方便而有效的方法，有利于电力设备的绝缘状态评估诊断。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (6)

1.一种基于深度学习的局部放电超声音频识别方法，其特征在于，包括如下步骤：

步骤1：检测电力设备的局部放电超声信号，获得局部放电超声音频数据；

步骤2：将局部放电超声音频数据转换为声谱图；

步骤3：建立深度卷积神经网络模型，使用样本训练深度卷积神经网络；

步骤4：将待诊断的局部放电超声音频数据输入训练好的深度卷积神经网络模型中，输出得到局部放电缺陷类型。

2.根据权利要求1所述的基于深度学习的局部放电超声音频识别方法，其特征在于，所述步骤1包括：通过局部放电检测仪器采集电力设备的超声信号，获得局部放电超声音频数据；

具体地，超声信号通过空声传感器或表贴式超声传感器采集后，经过放大、传感器选择、带通滤波和检波电路后从耳机输出，并记录下超声音频数据；其中，超声音频数据的类型包括：电晕放电、悬浮电位放电、微粒放电、内部放电、沿面放电、机械振动和背景噪声。

3.根据权利要求1所述的基于深度学习的局部放电超声音频识别方法，其特征在于，所述步骤2包括：

步骤2.1：从原始音频数据中截取指定长度，指定长度的超声音频数据又称为标准长度的超声音频数据；

步骤2.2：将标准长度的超声音频数据分割为短时帧，每帧之间按照指定步长有重叠，并将每帧数据做离散短时傅立叶变换，然后将频谱连接为声谱图；

其中，短时傅立叶变换，即Short Time Fourier Transform，简写为STFT，表示为STFT{x[n]}(m,ω)，具体定义如下：

$STFT\{x\[n\]\}(m,\mathrm{\ω})=\underset{n=-\mathrm{\∞}}{\overset{\mathrm{\∞}}{\mathrm{\Σ}}}x\[n\]w\[n-m\]e^{-j\mathrm{\ω}n}$

式中：x[n]表示离散信号序列，w[n-m]表示窗函数，ω表示角频率，n表示序号，n-m表示窗口滑动；

所述声谱图反映了时间、频率范围内声音强度的分布和变化情况，不同的局部放电类型的声谱图存在特征差异。

4.根据权利要求1所述的基于深度学习的局部放电超声音频识别方法，其特征在于，所述步骤3包括：

步骤3.1：建立深度卷积神经网络模型；

步骤3.2：使用样本逐层训练和优化网络，通过深度学习得到网络模型的连接权值和偏置参数。

5.根据权利要求1所述的基于深度学习的局部放电超声音频识别方法，其特征在于，所述步骤4包括：将超声音频数据截取指定长度，并经过声谱图转换以后，将声谱图输入声谱图识别网络模型，提取输出层的结果，得到该超声音频数据的局部放电缺陷类型。

6.一种基于深度学习的局部放电超声音频识别系统，其特征在于，包括如下模块：

放电超声信号集模块：用于检测电力设备的局部放电超声信号，获得局部放电超声音频数据；

音频数据转换模块：用于将局部放电超声音频数据转换为声谱图；

检测模型建立模块：用于建立深度卷积神经网络模型，并使用样本训练深度卷积神经网络；

局部放电缺陷判别模块：用于将待诊断的局部放电超声音频数据输入训练好的深度卷积神经网络模型中，输出得到局部放电缺陷类型。