CN110646714A - 一种超声波局放信号的特征提取方法及相关设备 - Google Patents

Abstract

本申请公开了一种超声波局放信号的特征提取方法、装置、电子设备及计算机可读存储介质，该特征提取方法包括：调用预设寻优算法确定变分模态分解的惩罚参数与模态分量个数；根据所述惩罚参数与所述模态分量个数，对所述超声波局放信号进行变分模态分解；对变分模态分解生成的各个模态分量进行希尔伯特变换以生成瞬时频率；将各个所述瞬时频率构成所述超声波局放信号的特征向量。本申请通过对超声波局放信号进行变分模态分解，将其分解成具有一定中心频率的若干个模态分量以进行特征提取，不仅有效减少了残余噪声和冗余模态的影响，克服了模态混叠问题，而且通过预先进行参数寻优，可进一步有效提高信号分析的精确度。

Description

一种超声波局放信号的特征提取方法及相关设备

技术领域

本申请涉及超声波检测技术领域，特别涉及一种超声波局放信号的特征提取方法、装置、电子设备及计算机可读存储介质。

背景技术

近年来，超声波检测技术的发展越来越成熟，已经被广泛应用于变压器、高压开关柜等电气设备的局放(即局部放电)信号检测。

通常，局放信号主要由电气设备的电晕放电、沿面放电或电弧放电等现象产生。超声波局放信号检测首先需要采集现场的超声信号，然后再通过信号分析等过程进行特征提取，用于判断局放类型乃至定位局放源。

局放信号中含有大量的信息，特征提取是有效获取信号中关键信息的重要途径。但是，现有技术中对超声波局放信号的特征提取方法都具有一定的局限性，导致信号分析结果的精确度不高。

鉴于此，提供一种解决上述技术问题的方案，已经是本领域技术人员所亟需关注的。

发明内容

本申请的目的在于提供一种超声波局放信号的特征提取方法、装置、电子设备及计算机可读存储介质，以便有效提高信号分析结果的精确度。

为解决上述技术问题，第一方面，本申请公开了一种超声波局放信号的特征提取方法，包括：

调用预设寻优算法确定变分模态分解的惩罚参数与模态分量个数；

根据所述惩罚参数与所述模态分量个数，对所述超声波局放信号进行变分模态分解；

对变分模态分解生成的各个模态分量进行希尔伯特变换以生成瞬时频率；

将各个所述瞬时频率构成所述超声波局放信号的特征向量。

可选地，所述根据所述惩罚参数与所述模态分量个数，对所述超声波局放信号进行变分模态分解，包括：

将{u_k ¹}、{ω_k ¹}、λ¹均初始化为0；

根据预设分解公式和预设频率公式，更新计算第k个模态分量及其对应的中心频率，直至k＝K；所述预设分解公式和所述预设频率公式分别为：

根据预设更新公式，更新所述

所述预设更新公式为：

其中，

为第k个模态分量；ωⁿ _k为

的功率谱的中心频率；λ为拉格朗日乘子；^表示傅里叶变换；||表示傅里叶逆变换；τ为更新参数；

判断收敛条件是否满足；

若收敛条件满足，则输出各个模态分量；

若收敛条件不满足，则继续执行所述根据预设分解公式和预设频率公式，更新所述惩罚参数与所述模态分量个数直至k＝K的步骤。

可选地，所述判断收敛条件是否满足，包括：

判断

是否成立；其中，ε为预设阈值；

若成立，则判定所述收敛条件满足；

若不成立，则判定所述收敛条件不满足。

可选地，所述调用预设寻优算法确定变分模态分解的惩罚参数与模态分量个数，包括：

调用预设狼群寻优算法确定所述惩罚参数与所述模态分量个数。

第二方面，本申请还公开了一种超声波局放信号的特征提取装置，包括：

参数寻优模块，用于调用预设寻优算法确定变分模态分解的惩罚参数与模态分量个数；

模态分解模块，用于根据所述惩罚参数与所述模态分量个数，对所述超声波局放信号进行变分模态分解；

特征提取模块，用于对变分模态分解生成的各个模态分量进行希尔伯特变换以生成瞬时频率；将各个所述瞬时频率构成所述超声波局放信号的特征向量。

可选地，所述模态分解模块具体用于：

将{u_k ¹}、{ω_k ¹}、λ¹均初始化为0；

根据预设分解公式和预设频率公式，更新计算第k个模态分量及其对应的中心频率，直至k＝K；所述预设分解公式和所述预设频率公式分别为：

根据预设更新公式，更新所述

所述预设更新公式为：

其中，

为第k个模态分量；ωⁿ _k为

的功率谱的中心频率；λ为拉格朗日乘子；^表示傅里叶变换；||表示傅里叶逆变换；τ为更新参数；

判断收敛条件是否满足；

若收敛条件满足，则输出各个模态分量；

若收敛条件不满足，则继续用于所述根据预设分解公式和预设频率公式，更新所述惩罚参数与所述模态分量个数直至k＝K。

可选地，所述模态分解模块具体用于：

判断

是否成立；其中，ε为预设阈值；

若成立，则判定所述收敛条件满足；

若不成立，则判定所述收敛条件不满足。

可选地，所述参数寻优模块具体用于：

调用预设狼群寻优算法确定所述惩罚参数与所述模态分量个数。

第三方面，本申请还公开了一种电子设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序以实现如上所述的任一种超声波局放信号的特征提取方法的步骤。

第四方面，本申请还公开了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用以实现如上所述的任一种超声波局放信号的特征提取方法的步骤。

本申请所提供的超声波局放信号的特征提取方法包括：调用预设寻优算法确定变分模态分解的惩罚参数与模态分量个数；根据所述惩罚参数与所述模态分量个数，对所述超声波局放信号进行变分模态分解；对变分模态分解生成的各个模态分量进行希尔伯特变换以生成瞬时频率；将各个所述瞬时频率构成所述超声波局放信号的特征向量。

可见，本申请通过对超声波局放信号进行变分模态分解，将其分解成具有一定中心频率的若干个模态分量以进行特征提取，不仅有效减少了残余噪声和冗余模态的影响，克服了模态混叠问题，而且通过预先进行参数寻优，可进一步有效提高信号分析的精确度。本申请所提供的超声波局放信号的特征提取装置、电子设备及计算机可读存储介质同样具有上述有益效果。

附图说明

为了更清楚地说明现有技术和本申请实施例中的技术方案，下面将对现有技术和本申请实施例描述中需要使用的附图作简要的介绍。当然，下面有关本申请实施例的附图描述的仅仅是本申请中的一部分实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图，所获得的其他附图也属于本申请的保护范围。

图1为本申请实施例公开的一种超声波局放信号的特征提取方法的流程图；

图2为本申请实施例公开的一种对超声波局放信号进行变分模态分解的方法流程图；

图3为本申请实施例公开的一种参数寻优的方法流程图；

图4为本申请实施例公开的一种超声波局放信号的特征提取装置的结构框图；

图5为本申请实施例公开的一种电子设备的结构框图。

具体实施方式

本申请的核心在于提供一种超声波局放信号的特征提取方法、装置、电子设备及计算机可读存储介质，以便有效提高信号分析结果的精确度。

为了对本申请实施例中的技术方案进行更加清楚、完整地描述，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行介绍。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

局放信号主要由电气设备的电晕放电、沿面放电或电弧放电等现象产生。超声波局放信号检测首先需要采集现场的超声信号，然后再通过信号分析等过程进行特征提取，用于判断局放类型乃至定位局放源。局放信号中含有大量的信息，特征提取是有效获取信号中关键信息的重要途径。但是，现有技术中对超声波局放信号的特征提取方法都具有一定的局限性，导致信号分析结果的精确度不高。鉴于此，本申请提供了一种超声波局放信号的特征提取方法，可有效解决上述问题。

参见图1所示，本申请实施例公开了一种超声波局放信号的特征提取方法，主要包括：

S101：调用预设寻优算法确定变分模态分解的惩罚参数与模态分量个数。

需要指出的是，本申请实施例具体采用了变分模态分解来对超声波局放信号进行特征提取。其中，变分模态分解是指信号分解成具有一定中心频率的模态分量，通过这些分量来重构原始信号。这种分解方式可以降低各个模态中的残余噪声，同时进一步减少冗余的模态，很好的克服了模态混叠问题。

并且，由于在变分模态分解过程中，一些重要参数对分解的结果具有较为显著的影响，而实际应用中信号复杂多变，因此，本申请实施例中还进一步预先调用预设寻优算法进行参数寻优。参与寻优的参数包括变分模态分解的惩罚参数α以及模态分量个数K。通过运用预设寻优算法对这些参数进行优化，可使分解结果更加准确。

S102：根据惩罚参数与模态分量个数，对超声波局放信号进行变分模态分解。

变分模态分解作为一种非递归式信号分解方法，摆脱了传统经验模态算法递归式筛选分量的过程，信号的分解过程完全在变分框架内进行，通过约束变分模型的构造及求解，将超声波局放信号分解为数个有限带宽固有模态分量，根据信号的频域特性实现局放信号的自适应分解。

S103：对变分模态分解生成的各个模态分量进行希尔伯特变换以生成瞬时频率。

利用希尔伯特变换即Hilbert变换，可将各个模态分量变换生成对应的瞬时频率。

S104：将各个瞬时频率构成超声波局放信号的特征向量。

在将分解结果进行Hilbert变换获取瞬时频率后，可组成特征向量，完成对超声波局放信号的特征提取。利用该特征向量，可进一步对局放类型等进行分析判断，具体可利用神经网络等进行类型识别。

本申请实施例所提供的超声波局放信号的特征提取方法包括：调用预设寻优算法确定变分模态分解的惩罚参数与模态分量个数；根据惩罚参数与模态分量个数，对超声波局放信号进行变分模态分解；对变分模态分解生成的各个模态分量进行希尔伯特变换以生成瞬时频率；将各个瞬时频率构成超声波局放信号的特征向量。

可见，本申请通过对超声波局放信号进行变分模态分解，将其分解成具有一定中心频率的若干个模态分量以进行特征提取，不仅有效减少了残余噪声和冗余模态的影响，克服了模态混叠问题，而且通过预先进行参数寻优，可进一步有效提高信号分析的精确度。

参见图2所示，本申请实施例公开了一种对超声波局放信号进行变分模态分解的方法，主要包括以下步骤：

S201：将{u_k ¹}、{ω_k ¹}、λ¹均初始化为0。

其中，为第k个模态分量；ωⁿ _k为

的功率谱的中心频率；λ为拉格朗日乘子。

S202：根据预设分解公式和预设频率公式，更新计算第k个模态分量及其对应的中心频率，直至k＝K。

预设分解公式为：

预设频率公式为：

其中，^表示傅里叶变换；||表示傅里叶逆变换。

下面将具体介绍上述预设分解公式以及预设频率公式的推导过程。具体地，变分模态分解通过约束变分模型的构造及求解，来将超声波局放信号分解为数个有限带宽固有模态分量。而约束变分模型包含等式约束和不等式约束，其中，不等式约束为各模态分量的估计带宽之和最小，等式约束为各模态分量之和等于待分解信号。假设将信号x(t)分解成K个模态分量，则约束变分问题构造模型如下：

其中，

为第k个模态分量；ωⁿ _k为的功率谱的中心频率；

为

通过Hilbert变换得到的解析信号；δ(t)为冲击函数。

将上述约束变分问题构造模型转换成非约束变分，引入如下形式的增广Lagrange函数：

式中，α为惩罚参数；λ为Lagrange乘子。

采用交替方向乘子算法求取上述增广Lagrange函数的鞍点，由此可得到上述模态分量及中心频率ωⁿ _k的计算公式。

S203：根据预设更新公式，更新

预设更新公式为：

其中，τ为更新参数；

S204：判断收敛条件是否满足；若是，则进入S205；若否，则返回S202。

其中，进一步地，作为一个具体实施例，步骤S204可具体包括：

判断

是否成立；其中，ε为预设阈值；

若成立，则判定收敛条件满足；

若不成立，则判定收敛条件不满足。

S205：输出各个模态分量。

若收敛条件满足，则迭代停止，可输出各个模态分量；否则，则继续重复迭代计算。

在上述内容的基础上，本申请实施例所提供的超声波局放信号的特征提取方法中，作为一种具体实施例，步骤S101中在进行的参数寻优时，具体可采用预设狼群寻优算法来确定惩罚参数α与模态分量个数K。

参见图3所示，本申请实施例公开了一种基于狼群寻优算法的参数寻优方法，主要包括以下步骤：

S301：参数初始化。

以待寻优参数组合[α,K]作为人工狼的位置，随机生成一定数量的人工狼的初始位置X_i＝[α_i,K_i]。此时待寻优的变量维数D＝2，即，解空间为二维。

其他需要初始化的参数包括：人工狼的数目N，最大迭代次数k_max，最大游走次数T_max，步长因子step，群体更新比例因子β，人工狼的适应度函数。

适应度函数为用于衡量每一个人工狼的初始位置是否接近寻优目标的函数。在一个具体实施例中，可采用包络熵函数。具体地，Shannon熵是一种评价信号稀疏特性的标准，熵值的大小反映了概率分布的均匀性，最不确定的概率分布(等概率分布)具有最大的熵值。将信号解调运算后得到的包络信号处理成一个概率分布序列p_j，由它计算得到的熵值就反映了原始信号的稀疏特性，称为包络熵。零均值信号x(j)(j＝1,2,…,N)的包络熵E_p可表示成：

其中，p_j为a(j)的归一化形式；a(j)为信号x(j)经Hilbert解调后得到的包络信号。

第i匹人工狼处于某一位置X_i时，计算此位置条件下变分模态分解处理得到的所有模态分量的包络熵值，将包络熵值中的最小值作为局部极小熵值，用

表示，作为寻优过程中的适应度值，以局部极小熵值最小化作为最终的寻优目标。

S302：探狼随机游走以进行位置更新。

在不同人工狼位置条件下对信号做变分模态运算，计算每个人工狼位置相应的适应度值，把具有局部最小熵值的人工狼作为当前“头狼”，头狼以外的S₁人工狼为“探狼”，其余的人工狼均为“猛狼”，猛狼的个数为S₂。

对探狼位置进行更新，即令探狼开始“游走行为”。探狼位置更新公式可具体为：

其中，p∈{1,2,…,h}，h表示探狼在D维空间中的当前位置的h个方向上搜寻最优值，d表示D维解空间，

为游走步长。

S303：判断探狼适应度是否小于头狼适应度；若否，则进入S304；若是，则进入S305。

S304：头狼与探狼替换；进入S305。

S305：判断是否达到最大游走次数；若是，则进入S306；若否，则进入S302。

若第i只探狼的适应度值Y_i大于头狼的适应度值Y_lead，则进入S304进行头狼的替换；否则，探狼继续游走，直到达到最大的游走次数T_max，进入步骤S306。

S306：猛狼向头狼奔袭以进行位置更新。

猛狼的位置更新公式可具体为：

其中，

为第k代狼群中的头狼在第d维空间中的位置；

为奔袭步长。

S307：判断猛狼适应度是否小于头狼适应度；若否，则进入S308；若是，则进入S309。

S308：头狼与猛狼替换；进入S309。

S309：判断与猎物的距离是否大于判定距离；若是，则返回S306；若否，则进入S310。

当某只猛狼的适应度值Y_i大于头狼的适应度值Y_lead时，进行头狼的替换；若否，猛狼继续奔袭，直到与猎物的距离小于判定距离d_near，进入步骤S310。

判定距离d_near的具体计算公式可为：

其中，ω为判定因子；|max_d-min_d|为第d维变量的取值范围。

S310：猛狼与探狼对猎物围攻以进行位置更新，更新头狼位置。

围攻行为的位置更新计算公式可具体为：

其中，λ是[-1,1]之间的随机数；

是围攻步长。

S311：狼群进行淘汰更新。

每次迭代过程中都淘汰R只弱狼，此处R取[N/2β,N/β]之间的随机数，β为更新比例因子。

S312：判断是否达到最大的迭代次数或优化精度要求；若是，则进入S313；若否，则返回S302。

S313：输出头狼位置。

参见图4所示，本申请实施例公开了一种超声波局放信号的特征提取装置，主要包括：

参数寻优模块401，用于调用预设寻优算法确定变分模态分解的惩罚参数与模态分量个数；

模态分解模块402，用于根据惩罚参数与模态分量个数，对超声波局放信号进行变分模态分解；

特征提取模块403，用于对变分模态分解生成的各个模态分量进行希尔伯特变换以生成瞬时频率；将各个瞬时频率构成超声波局放信号的特征向量。

可见，本申请实施例所公开的超声波局放信号的特征提取装置，通过对超声波局放信号进行变分模态分解，将其分解成具有一定中心频率的若干个模态分量以进行特征提取，不仅有效减少了残余噪声和冗余模态的影响，克服了模态混叠问题，而且通过预先进行参数寻优，可进一步有效提高信号分析的精确度。

关于上述超声波局放信号的特征提取装置的具体内容，可参考前述关于超声波局放信号的特征提取方法的详细介绍，这里就不再赘述。

进一步地，在上述内容的基础上，本申请实施例所公开的超声波局放信号的特征提取装置，在一种具体实施方式中，模态分解模块402具体用于：

将{u_k ¹}、{ω_k ¹}、λ¹均初始化为0；

根据预设分解公式和预设频率公式，更新计算第k个模态分量及其对应的中心频率，直至k＝K；预设分解公式和预设频率公式分别为：

根据预设更新公式，更新

预设更新公式为：

其中，为第k个模态分量；ωⁿ _k为的功率谱的中心频率；λ为拉格朗日乘子；^表示傅里叶变换；||表示傅里叶逆变换；τ为更新参数；

判断收敛条件是否满足；

若收敛条件满足，则输出各个模态分量；

若收敛条件不满足，则继续用于根据预设分解公式和预设频率公式，更新惩罚参数与模态分量个数直至k＝K。

进一步地，在上述内容的基础上，本申请实施例所公开的超声波局放信号的特征提取装置，在一种具体实施方式中，模态分解模块402具体用于：

判断

是否成立；其中，ε为预设阈值；若成立，则判定收敛条件满足；若不成立，则判定收敛条件不满足。

进一步地，在上述内容的基础上，本申请实施例所公开的超声波局放信号的特征提取装置，在一种具体实施方式中，参数寻优模块401具体用于：

调用预设狼群寻优算法确定惩罚参数与模态分量个数。

参见图5所示，本申请实施例公开了一种电子设备，包括：

存储器501，用于存储计算机程序；

处理器502，用于执行所述计算机程序以实现如上所述的任一种超声波局放信号的特征提取方法的步骤。

进一步地，本申请实施例还公开了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用以实现如上所述的任一种超声波局放信号的特征提取方法的步骤。

关于上述电子设备和计算机可读存储介质的具体内容，可参考前述关于超声波局放信号的特征提取方法的详细介绍，这里就不再赘述。

本申请中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的设备而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

还需说明的是，在本申请文件中，诸如“第一”和“第二”之类的关系术语，仅仅用来将一个实体或者操作与另一个实体或者操作区分开来，而不一定要求或者暗示这些实体或者操作之间存在任何这种实际的关系或者顺序。此外，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本申请所提供的技术方案进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请的保护范围内。

Claims (10)

1.一种超声波局放信号的特征提取方法，其特征在于，包括：

调用预设寻优算法确定变分模态分解的惩罚参数与模态分量个数；

根据所述惩罚参数与所述模态分量个数，对所述超声波局放信号进行变分模态分解；

对变分模态分解生成的各个模态分量进行希尔伯特变换以生成瞬时频率；

将各个所述瞬时频率构成所述超声波局放信号的特征向量。

2.根据权利要求1所述的特征提取方法，其特征在于，所述根据所述惩罚参数与所述模态分量个数，对所述超声波局放信号进行变分模态分解，包括：

将{u_k ¹}、{ω_k ¹}、λ¹均初始化为0；

根据预设分解公式和预设频率公式，更新计算第k个模态分量及其对应的中心频率，直至k＝K；所述预设分解公式和所述预设频率公式分别为：

根据预设更新公式，更新所述

所述预设更新公式为：

其中，

为第k个模态分量；ωⁿ _k为

的功率谱的中心频率；λ为拉格朗日乘子；^表示傅里叶变换；||表示傅里叶逆变换；τ为更新参数；

判断收敛条件是否满足；

若收敛条件满足，则输出各个模态分量；

若收敛条件不满足，则继续执行所述根据预设分解公式和预设频率公式，更新所述惩罚参数与所述模态分量个数直至k＝K的步骤。

3.根据权利要求2所述的特征提取方法，其特征在于，所述判断收敛条件是否满足，包括：

判断

是否成立；其中，ε为预设阈值；

若成立，则判定所述收敛条件满足；

若不成立，则判定所述收敛条件不满足。

4.根据权利要求1至3任一项所述的特征提取方法，其特征在于，所述调用预设寻优算法确定变分模态分解的惩罚参数与模态分量个数，包括：

调用预设狼群寻优算法确定所述惩罚参数与所述模态分量个数。

5.一种超声波局放信号的特征提取装置，其特征在于，包括：

参数寻优模块，用于调用预设寻优算法确定变分模态分解的惩罚参数与模态分量个数；

模态分解模块，用于根据所述惩罚参数与所述模态分量个数，对所述超声波局放信号进行变分模态分解；

特征提取模块，用于对变分模态分解生成的各个模态分量进行希尔伯特变换以生成瞬时频率；将各个所述瞬时频率构成所述超声波局放信号的特征向量。

6.根据权利要求5所述的特征提取装置，其特征在于，所述模态分解模块具体用于：

将{u_k ¹}、{ω_k ¹}、λ¹均初始化为0；

根据预设分解公式和预设频率公式，更新计算第k个模态分量及其对应的中心频率，直至k＝K；所述预设分解公式和所述预设频率公式分别为：

根据预设更新公式，更新所述

所述预设更新公式为：

其中，

为第k个模态分量；ωⁿ _k为的功率谱的中心频率；λ为拉格朗日乘子；^表示傅里叶变换；||表示傅里叶逆变换；τ为更新参数；

判断收敛条件是否满足；

若收敛条件满足，则输出各个模态分量；

若收敛条件不满足，则继续用于所述根据预设分解公式和预设频率公式，更新所述惩罚参数与所述模态分量个数直至k＝K。

7.根据权利要求6所述的特征提取装置，其特征在于，所述模态分解模块具体用于：

判断是否成立；其中，ε为预设阈值；

若成立，则判定所述收敛条件满足；

若不成立，则判定所述收敛条件不满足。

8.根据权利要求5至7任一项所述的特征提取装置，其特征在于，所述参数寻优模块具体用于：

调用预设狼群寻优算法确定所述惩罚参数与所述模态分量个数。

9.一种电子设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序以实现如权利要求1至4任一项所述的超声波局放信号的特征提取方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用以实现如权利要求1至4任一项所述的超声波局放信号的特征提取方法的步骤。

Images