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

一种超声波局放信号的特征提取方法及相关设备 Download PDF

Info

Publication number
CN110646714A
CN110646714A CN201910919145.4A CN201910919145A CN110646714A CN 110646714 A CN110646714 A CN 110646714A CN 201910919145 A CN201910919145 A CN 201910919145A CN 110646714 A CN110646714 A CN 110646714A
Authority
CN
China
Prior art keywords
modal
preset
decomposition
partial discharge
formula
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910919145.4A
Other languages
English (en)
Inventor
陈�峰
陈向民
王辉东
徐凯
唐立华
姜伊欣
钟海
郑中庭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Power Equipment Manufacturing Co Ltd
Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Hangzhou Power Equipment Manufacturing Co Ltd
Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Power Equipment Manufacturing Co Ltd, Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Hangzhou Power Equipment Manufacturing Co Ltd
Priority to CN201910919145.4A priority Critical patent/CN110646714A/zh
Publication of CN110646714A publication Critical patent/CN110646714A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1209Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using acoustic measurements
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Acoustics & Sound (AREA)
  • Testing Relating To Insulation (AREA)

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{uk 1}、{ωk 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:
Figure BDA0002217005010000022
根据预设更新公式,更新所述
Figure BDA0002217005010000023
所述预设更新公式为:
Figure BDA0002217005010000024
其中,
Figure BDA0002217005010000025
为第k个模态分量;ωn k
Figure BDA0002217005010000026
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
Figure BDA0002217005010000027
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{uk 1}、{ωk 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:
Figure BDA0002217005010000032
根据预设更新公式,更新所述
Figure BDA0002217005010000033
所述预设更新公式为:
Figure BDA0002217005010000034
其中,
Figure BDA0002217005010000035
为第k个模态分量;ωn k
Figure BDA0002217005010000036
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
Figure BDA0002217005010000037
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{uk 1}、{ωk 1}、λ1均初始化为0。
其中,为第k个模态分量;ωn k
Figure BDA0002217005010000062
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:
Figure BDA0002217005010000071
预设频率公式为:
Figure BDA0002217005010000072
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:
Figure BDA0002217005010000073
其中,
Figure BDA0002217005010000074
为第k个模态分量;ωn k的功率谱的中心频率;
Figure BDA0002217005010000076
Figure BDA0002217005010000077
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:
Figure BDA0002217005010000078
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
Figure BDA0002217005010000079
预设更新公式为:
Figure BDA00022170050100000710
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
Figure BDA0002217005010000081
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:
Figure BDA0002217005010000082
其中,pj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
Figure BDA0002217005010000096
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:
Figure BDA0002217005010000091
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,
Figure BDA0002217005010000092
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:
Figure BDA0002217005010000093
其中,
Figure BDA0002217005010000094
为第k代狼群中的头狼在第d维空间中的位置;
Figure BDA0002217005010000095
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:
Figure BDA0002217005010000101
其中,ω为判定因子;|maxd-mind|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;
Figure BDA0002217005010000103
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{uk 1}、{ωk 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:
Figure BDA0002217005010000111
Figure BDA0002217005010000112
根据预设更新公式,更新
Figure BDA0002217005010000113
预设更新公式为:
其中,为第k个模态分量;ωn k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
Figure BDA0002217005010000117
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{uk 1}、{ωk 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:
Figure FDA0002217003000000011
Figure FDA0002217003000000012
根据预设更新公式,更新所述
Figure FDA0002217003000000013
所述预设更新公式为:
Figure FDA0002217003000000014
其中,
Figure FDA0002217003000000015
为第k个模态分量;ωn k
Figure FDA0002217003000000016
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
Figure FDA0002217003000000017
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{uk 1}、{ωk 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:
Figure FDA0002217003000000021
根据预设更新公式,更新所述
Figure FDA0002217003000000023
所述预设更新公式为:
Figure FDA0002217003000000024
其中,
Figure FDA0002217003000000025
为第k个模态分量;ωn k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。
CN201910919145.4A 2019-09-26 2019-09-26 一种超声波局放信号的特征提取方法及相关设备 Pending CN110646714A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910919145.4A CN110646714A (zh) 2019-09-26 2019-09-26 一种超声波局放信号的特征提取方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910919145.4A CN110646714A (zh) 2019-09-26 2019-09-26 一种超声波局放信号的特征提取方法及相关设备

Publications (1)

Publication Number Publication Date
CN110646714A true CN110646714A (zh) 2020-01-03

Family

ID=69011631

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910919145.4A Pending CN110646714A (zh) 2019-09-26 2019-09-26 一种超声波局放信号的特征提取方法及相关设备

Country Status (1)

Country Link
CN (1) CN110646714A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113049684A (zh) * 2021-03-23 2021-06-29 大连海洋大学 基于变分模态分解的超声兰姆波缺陷信号识别方法
CN113673471A (zh) * 2021-08-31 2021-11-19 国网山东省电力公司滨州供电公司 一种变压器绕组振动信号特征提取方法
CN118376691A (zh) * 2024-06-26 2024-07-23 山东聚合管业有限公司 一种预制直埋保温管的密封性高效检测方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202794437U (zh) * 2012-07-06 2013-03-13 桂林电子科技大学 电力电容器在线检测装置
CN105067966A (zh) * 2015-07-08 2015-11-18 上海交通大学 基于特征模态分量能量分析的低压交流故障电弧检测方法
CN105717422A (zh) * 2015-12-04 2016-06-29 国家电网公司 一种高压电力设备局部放电特征提取方法和装置
FR3053191A1 (fr) * 2016-06-24 2017-12-29 Orange Mesure et diagnostic de bruit externe pour systeme de transmission sur ligne electrique bifilaire
CN110059437A (zh) * 2019-04-28 2019-07-26 国网四川省电力公司南充供电公司 一种基于变分模态分解的gis振动信号特征量提取方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202794437U (zh) * 2012-07-06 2013-03-13 桂林电子科技大学 电力电容器在线检测装置
CN105067966A (zh) * 2015-07-08 2015-11-18 上海交通大学 基于特征模态分量能量分析的低压交流故障电弧检测方法
CN105717422A (zh) * 2015-12-04 2016-06-29 国家电网公司 一种高压电力设备局部放电特征提取方法和装置
FR3053191A1 (fr) * 2016-06-24 2017-12-29 Orange Mesure et diagnostic de bruit externe pour systeme de transmission sur ligne electrique bifilaire
CN110059437A (zh) * 2019-04-28 2019-07-26 国网四川省电力公司南充供电公司 一种基于变分模态分解的gis振动信号特征量提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘永兰 等: "基于狼群算法的无人机航迹规划", 《系统仿真学报》 *
应怀樵: "《现代振动与噪声技术》", 30 April 2017 *
贾亚飞: "变压器放电信号的变分模态分解和VPMCD识别方法的研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113049684A (zh) * 2021-03-23 2021-06-29 大连海洋大学 基于变分模态分解的超声兰姆波缺陷信号识别方法
CN113049684B (zh) * 2021-03-23 2023-07-28 大连海洋大学 基于变分模态分解的超声兰姆波缺陷信号识别方法
CN113673471A (zh) * 2021-08-31 2021-11-19 国网山东省电力公司滨州供电公司 一种变压器绕组振动信号特征提取方法
CN113673471B (zh) * 2021-08-31 2024-04-09 国网山东省电力公司滨州供电公司 一种变压器绕组振动信号特征提取方法
CN118376691A (zh) * 2024-06-26 2024-07-23 山东聚合管业有限公司 一种预制直埋保温管的密封性高效检测方法及装置

Similar Documents

Publication Publication Date Title
Wang et al. A MobileNets convolutional neural network for GIS partial discharge pattern recognition in the ubiquitous power internet of things context: optimization, comparison, and application
CN110646714A (zh) 一种超声波局放信号的特征提取方法及相关设备
CN106899440B (zh) 一种面向云计算的网络入侵检测方法及系统
Chakravorti et al. Multiclass power quality events classification using variational mode decomposition with fast reduced kernel extreme learning machine‐based feature selection
CN113420880B (zh) 网络模型训练方法、装置、电子设备及可读存储介质
CN113434750B (zh) 神经网络搜索方法、装置、设备及存储介质
KR102319145B1 (ko) 고해상도 해양 데이터를 생성하기 위한 방법 및 이를 이용한 장치
WO2019010656A1 (zh) 性能指标评估方法及装置
CN110688150B (zh) 一种基于张量运算的二进制文件代码搜索检测方法及系统
CN109542949B (zh) 一种基于形式向量的决策信息系统知识获取方法
CN116863959B (zh) 一种基于生成对抗网络的海豚叫声生成方法
CN116299219B (zh) 一种干扰深度特征距离度量联合检测与抑制方法
CN113094490B (zh) 一种会话交互方法、装置、电子设备及存储介质
CN116011412A (zh) 一种gis设备绝缘缺陷评价方法、系统、设备及介质
Kefeng et al. CNN Based No‐Reference HDR Image Quality Assessment
CN117409194A (zh) 图像语义分割模型优化方法、装置、电子设备及存储介质
Maity et al. Machine learning based KNN classifier: towards robust, efficient DTMF tone detection for a Noisy environment
CN110097893B (zh) 音频信号的转换方法及装置
CN113408702A (zh) 音乐神经网络模型预训练方法及电子设备和存储介质
CN113763922A (zh) 音频合成方法和装置、存储介质及电子设备
Li et al. 5G network traffic prediction based on EEMD-GAN
CN115294997B (zh) 语音处理方法、装置、电子设备及存储介质
CN114819000B (zh) 反馈信息预估模型训练方法、装置以及电子设备
CN113140222B (zh) 一种声纹向量提取方法、装置、设备及存储介质
CN116303839B (zh) 用于地球空间数据的索引计算方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200103

RJ01 Rejection of invention patent application after publication