CN114970607A - 基于深度神经网络声发射信号分离的变压器局放检测方法 - Google Patents
基于深度神经网络声发射信号分离的变压器局放检测方法 Download PDFInfo
- Publication number
- CN114970607A CN114970607A CN202210488095.0A CN202210488095A CN114970607A CN 114970607 A CN114970607 A CN 114970607A CN 202210488095 A CN202210488095 A CN 202210488095A CN 114970607 A CN114970607 A CN 114970607A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- masking
- signal
- acoustic emission
- convolution
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 77
- 238000000926 separation method Methods 0.000 title claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 35
- 230000000873 masking effect Effects 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 44
- 230000004913 activation Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 102100032202 Cornulin Human genes 0.000 claims 3
- 101000920981 Homo sapiens Cornulin Proteins 0.000 claims 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 47
- 238000010586 diagram Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009172 bursting Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing 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
- G01R31/1209—Testing 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing 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
- G01R31/1227—Testing 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 of components, parts or materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Acoustics & Sound (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本申请公开了基于深度神经网络声发射信号分离的变压器局放检测方法，基于局放检测模块，对输入声发射信号进行分离和局放检测，局放检测模块包括编码器、解码器、掩蔽网络模型和检测分类器，编码器用于对变压器声发射信号进行编码和初步特征提取，得到初步信号；掩蔽网络模型用于对初步信号进行掩蔽或加权处理，得到掩蔽信号；解码器用于对掩蔽信号进行解码，得到直达波信号；检测分类器用于对掩蔽信号进行分类，得到检测结果。本申请通过深度学习的方法提取或分离出局放引起的声发射的直达波信号，为后续的局放检测提供更精确的特征，提高了局放信号分离精度。
Description
技术领域
本发明涉及电力设备检测技术领域，尤其是涉及基于深度神经网络声发射信号分离的变压器局放检测方法。
背景技术
局部放电(Partial discharges,PD)是电力变压器/换流变失效的最重要原因之一，严重可导致电网系统停机。PD在变压器内部发生可导致绝缘恶化，即可作为变压器绝缘状况的指示器。非常有必要通过定期巡检/长期值守准确地辨识以及避免PD的发生。
现有的变压器PD检测方法主要四种：(1)基于化学成分分析PD检测法，变压器中的油受到PD作用将产生碳氢化合物气体。通过色谱分析油中气体的成分来检测PD量。但早期的故障现象主要集中在低能量高频PD，油中溶解的气体变化极为缓慢，这使得基于色谱成分分析的PD检测方法难以检测及提前预警。(2)脉冲电流法，主要通过在变压器接地线、铁芯引线、套管等耦合方式测试。该方法能够对放电量进行标定，但由于需要停电进行外施电压，常常难以适应变压器在线监测需求。(3)超高频(Ultra-high frequency,UHF)PD检测法，通过天线/电容耦合传感检测变压器内部PD所产生的UHF电信号来评估PD量。由于UHF传感器与变压器的电气回路无任何联系，避免了电气方面的干扰。但由于变压器箱体的屏蔽及环境电测信号干扰，这使得该方法在变压器外部检测PD颇有难度。(4)基于声发射的PD检测方法，在放电过程中由于分子的撞击导致绝缘材料微小的断裂、油中气泡产生和爆裂，同时产生的相应的瞬间应力波，即声发射现象。该现象可通过部署在变压器外壳的声发射传感器获取到，因此该方法具有高灵敏度高、抗电气干扰和定位准确的优势，逐渐成为现场维护人员关注的焦点。
然而，由于变压器内部结构复杂，应力波在传播过程中会发生多次折反射和衰减，难以提取和分离直达波，直接影响后续的PD信号检测和延时估计性能。为有效提高PD信号检测性能，通常先对PD信号增强或盲源分离处理。现有的基于盲源分离的PD信号检测技术主要有：1)基于线性模型的PD信号检测方法，常采用独立分量分析(ICA)使其信号分解为相互独立的分量。该方法能够快速提取PD信号的独立分量特征，但不适用于非线性非高斯噪声模型的信号分离。2)基于模型分解的PD信号检测方法，首先对信号进行傅里叶变换、小波分解或经验模态分解(Empirical mode decomposition,EMD)，然后引入各分量权重因子进行PD信号分离，该方法针对非线性模型的信号能够精确地操控PD信号的特征分量，但特征模型的选取和不精确的各分量权重因子直接影响PD信号分离性能。3)基于机器学习的PD信号分离的检测方法，通过机器学习的方法，如神经网络、支持向量机等，学习特征分量权重因子/阈值，进一步提高了PD信号的提取性能，但该方法易受特征提取模型的影响。4)基于深度学习的PD信号分离的检测方法，将特征提取模型改为神经网络模型，例如卷积神经网络(Convolutional neural networks,CNNs)，通过获取的数据提高神经网络特征提取能力。针对应力多径传播问题，可通过循环神经网络(Recurrent neural networks,RNNs)获取时间上的关联关系进行PD信号增强，为进一步增强RNNs的学习能力及模型训练效率，采用了长短时记忆(Long short-term memory,LSTM)和更简单门控循环单元(Gaterecurrent unit,GRU)。然而，对于更小的编码核(更短的PD脉冲信号)LSTM的训练难以管理，以及对长时依赖性提取能力有限，进而影响PD信号的分离精度。
因此，如何提高PD信号的分离精度，并进行PD检测，是目前亟待解决的问题。
发明内容
本发明的目的是提供基于深度神经网络声发射信号分离的变压器局放检测方法，通过对盲源信号进行编码和特征初步提取，掩蔽网络对不同特征空间进行加权或掩蔽，得到掩蔽信号后，输入给分类器得到PD检测结果，输入给解码器得到直达波信号，为后续的局放检测提供更精确的特征，提高局放信号的分离精度。
第一方面，本发明的上述发明目的通过以下技术方案得以实现：
基于深度神经网络声发射信号分离的变压器局放检测模型，包括编码器、解码器、掩蔽网络模型和检测分类器，编码器用于对变压器声发射信号进行编码和初步特征提取，得到初步信号；掩蔽网络模型用于对初步信号进行掩蔽或加权处理，得到掩蔽信号；解码器用于对掩蔽信号进行解码，得到直达波信号；检测分类器用于对掩蔽信号进行分类，得到检测结果。
本发明进一步设置为：编码器包括M层第一卷积，在相邻两层第一卷积之间，设置有第一批标准化、第一激活函数，用于将输入信号转换为M维的特征信号空间；解码器与编码器的网络结构相同。
本发明进一步设置为：第一卷积的卷积参数为1×Gi×Ci，Gi表示1维卷积核的长度，Ci表示1维卷积核的通道数量，i＝1,2,…M。
本发明进一步设置为：掩蔽网络模型包括N层第二卷积、第一多层感知器，且最后一层感知器的输出掩蔽因子包含在[0,1]内。
本发明进一步设置为：包括二层第二卷积，最后一层多层感知器由Sigmoid函数激活，掩蔽参数wmask表示为：
wmask＝Sigmoid(fMLP(fCRNN(fCRNN(Yk)))) (1)；
其中，fMLP表示多层感知器函数，fCRNN表示第二卷积网络函数。
本发明进一步设置为：第二卷积层包括第二卷积、第二批标准化、第二激活函数、池化处理、门控循环单元。
本发明进一步设置为：门控循环单元的输入输出关系为：
rk＝σ(Wr·[hk-1,yk])＝σ(ykWyr+hk-1Whr+br) (2)；
zk＝σ(Wz·[hk-1,yk])＝σ(ykWyz+hk-1Whz+bz) (3)；
其中，Wyr，Whr，Wyz，Whz，Wyh和Whh均为网络参数,σ表示Sigmoid函数，tanh表示tanh函数，k表示时刻，rk表示重置门，zk表示更新门，
表示在时刻k时候选隐状态，hk-1表示上一次时刻k-1的隐状态，yk表示输入量测，br表示重置门偏移量，bz表示更新门偏移量，bh表示隐状态更新偏移量。
本发明进一步设置为：检测分类器包括P层第三卷积、第二多层感知器，第三卷积层包括第三卷积、第三批标准化层、第三激活层、Pooling层。
第二方面，本发明的上述发明目的通过以下技术方案得以实现：
基于深度神经网络声发射信号分离的变压器局放检测方法,其特征在于：将声发射信号分解为K个长度为L的重叠信号片段，
输入局放检测模型，经过编码后，得到
其中，wi表示第i层的卷积参数，H(·)表示激活函数，*表示卷积计算,i＝1,2,…M，M表示编码器的第一卷积网络层数，k＝1,2,…K，对运算结果采用跳跃连接，得到初步信号
对不同特征信号分量进行掩蔽或加权，得到掩蔽信号
其中掩蔽参数
对掩蔽信号解码，得到直达波信号；对掩蔽信号进行分类，经过Softmax激活函数估计局放信号检测概率pk为：
其中，fMLP表示多层感知器函数，fConv(·)表示第四卷积网络函数。
第三方面，本发明的上述发明目的通过以下技术方案得以实现：
基于深度神经网络声发射信号分离的变压器局放检测终端，包括存储器、处理器、以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请所述方法。
第四方面，本发明的上述发明目的通过以下技术方案得以实现：
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本申请所述方法。
与现有技术相比，本申请的有益技术效果为：
1.本申请通过将盲源信号分解为重叠信号片段，并进行编码，再经过掩蔽网络进行加权或掩蔽，提高局放直达波信号提取能力；
2.进一步地，本申请的掩蔽网络，采用批标准化、ReLU激活函数和池化处理，提高了网络训练效率；
3.进一步地，本申请的分类器，经过卷积网络处理，进一步压缩信号特征，为后续提供更有效的特征，提高了局放信号检测的性能；
4.进一步地，本申请编解码与掩蔽网络和分类后，实现了从复杂的接收信号中分离出高精度的局放直达波信号。
附图说明
图1是本申请的一个具体实施例的局放检测模型结构示意图；
图2是本申请的一个具体实施例的编解码器结构示意图；
图3是本申请的一个具体实施例的掩蔽网络结构示意图；
图4是本申请的一个具体实施例的掩蔽网络卷积网络结构示意图；
图5是本申请的一个具体实施例的门控循环单元结构示意图；
图6是本申请的一个具体实施例的分类器结构示意图；
图7是本申请的一个具体实施例的分类器的分类器卷积网络结构示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
具体实施例一
本申请的基于深度神经网络声发射信号分离的变压器局放检测模型，用于进行提取局放直达波信号和进行局放检测，如图1所示，局放检测模型包括编码器、掩蔽网络模型、检测分类器、解码器。
编码器用于对变压器声发射信号进行编码和初步特征提取，得到初步信号；掩蔽网络模型用于对初步信号进行掩蔽或加权处理，得到掩蔽信号；解码器用于对掩蔽信号进行解码，得到直达波信号；检测分类器用于对掩蔽信号进行分类，得到检测结果。
解码器是编码器的反向运算。
在本申请的一个具体实施例中，如图2所示，编码器包括3层第一卷积Conv，第一层Conv与第二层第一卷积Conv之间，设置有第一批标准化层(BatchNorm)、第一激活函数层，第二层第一卷积Conv与第三层第一卷积Conv之间，设置有第一批标准化层(BatchNorm)、第一激活函数层。通过层间批标准化处理，使得模型训练更加稳定。
第一卷积的卷积参数为1×Gi×Ci，Gi表示1维卷积核的长度，Ci表示1维卷积核的通道数量，i＝1,2,3。
第一激活函数层采用ReLU激活函数。
编码器将输入信号分解为C3维的特征信号空间，输出表示为Yk，其中，K表示输入信号的数量。
如图3所示，掩蔽网络模型包括二层第二卷积、第一多层感知器(Multi-layerperception，MLP)。
如图4所示，第二卷积循环神经网络(CRNN，Convolutional recurrent neuralnetwork)，包括1维第二卷积(1-D Conv)、第二批标准化层(BatchNorm)、第二激活函数层、第一池化处理(1-DPooling)、门控循环单元(gate recurrent unit，GRU)。前面的卷积层用于提取不同尺度的特征，最后的GRU用于提取时间序列特征。
第二激活函数层采用ReLU激活函数。
第一多层感知器的最后一层由Sigmoid函数激活，使输出掩蔽因子操控在[0,1]内。
掩蔽参数wmask表示为：
wmask＝Sigmoid(fMLP(fCRNN(fCRNN(Yk)))) (1)；
式中，fMLP表示多层感知器函数，fCRNN表示第二卷积网络函数。
如图5所示，门控循环单元的输入输出关系为：
重置门：
rk＝σ(Wr·[hk-1,yk])＝σ(ykWyr+hk-1Whr+br) (2)；
更新门：
zk＝σ(Wz·[hk-1,yk])＝σ(ykWyz+hk-1Whz+bz) (3)；
候选隐状态：
更新隐状态：
其中，Wyr，Whr，Wyz，Whz，Wyh和Whh均为网络参数。
σ表示Sigmoid函数，tanh表示tanh函数，k表示时刻，rk表示重置门，zk表示更新门，
表示在时刻k时候选隐状态，hk-1表示上一次时刻k-1的隐状态，yk表示输入量测，br表示重置门偏移量，bz表示更新门偏移量，bh表示隐状态更新偏移量。
如图6所示，检测分类器包括二层1维卷积网络(1-D Conv Block)和一个多层感知器，二层1维卷积网络用于对已掩蔽信号的特征进行提取，多层感知器用于进行分类，进一步提高检测性能。
如图7所示，第三卷积层包括第三卷积(1-D Conv)、第三批标准层(BatchNorm)、第三激活函数层、第二池化层(1-D Pooling)。
第三激活函数层采用ReLU激活函数。
具体实施例二
本申请的基于深度神经网络声发射信号分离的变压器局放检测方法，基于局放检测模型进行。
声发射信号为混合信号，包括噪声、变压器箱体路径传播的波、直达波和反射波，其中，直达波信号为局放信号。
对声发射信号进行编码和初步特征提取，得到初步信号；掩蔽网络模块对初步信号不同特征空间进行加权和掩蔽，得到掩蔽信号，对掩蔽信号进行检测，得到局放检测结果，对掩蔽信号进行解码，得到直达波信号。
单通道的声发射信号可表示为由N个信号组成的混合信号，包括局放(PD)信号直达波和多径PD信号，即
其中s1(t)设为直达波。
因此局放检测模型接收的信号x(t)表示为：
si(t)＝hi(t)*s1(t),i＝2,…,N (7)；
其中，hi(t)表示变压器内多径冲击响应函数。
将混合信号分解为K个长度为L的重叠信号片段，即
将重叠信号片段输入编码器进行编码，得到输出信号：
式中，wi表示第i层的卷积参数，H(·)表示激活函数，*表示卷积计算,i＝1,2,3，3表示编码器的第一卷积网络层数，k＝1,2,…K。
为了增加模型的训练效率，对输出信号采用跳跃连接，则输出初步信号为：
经过掩蔽网络模型后，得到掩蔽后的特征空间掩蔽信号为：
加权因子
掩蔽参数wmask表示为：
wmask＝Sigmoid(fMLP(fCRNN(fCRNN(Yk)))) (1)；
经过检测分类器后，得到局放检测概率pk为：
具体实施例三
本发明一实施例提供的基于深度神经网络声发射信号分离的变压器局放检测终端设备，该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如信号分解程序，所述处理器执行所述计算机程序时实现实施例2中方法。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述基于深度神经网络声发射信号分离的变压器局放检测终端设备中的执行过程。
所述基于深度神经网络声发射信号分离的变压器局放检测终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于深度神经网络声发射信号分离的变压器局放检测终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述上述示例仅仅是所述基于深度神经网络声发射信号分离的变压器局放检测终端设备的示例，并不构成对所述基于深度神经网络声发射信号分离的变压器局放检测终端设备的限定，可以包括比图示更多或更少的部件，或组合某些部件，或不同的部件，例如所述基于深度神经网络声发射信号分离的变压器局放检测终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(Central Processing Unit，CPU),还可以是其他通用处理器、数据信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于深度神经网络声发射信号分离的变压器局放检测终端设备的控制中心，利用各种接口和线路连接整个所述基于深度神经网络声发射信号分离的变压器局放检测终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于深度神经网络声发射信号分离的变压器局放检测终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart MediaCard,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
具体实施例四
所述基于深度神经网络声发射信号分离的变压器局放检测终端设备集成的模块/单元，如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
本具体实施方式的实施例均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。
Claims (11)
1.基于深度神经网络声发射信号分离的变压器局放检测模型，其特征在于：包括编码器、解码器、掩蔽网络模型和检测分类器，编码器用于对变压器声发射信号进行编码和初步特征提取，得到初步信号；掩蔽网络模型用于对初步信号进行掩蔽或加权处理，得到掩蔽信号；解码器用于对掩蔽信号进行解码，得到直达波信号；检测分类器用于对掩蔽信号进行分类，得到检测结果。
2.根据权利要求1所述基于深度神经网络声发射信号分离的变压器局放检测模型,其特征在于：编码器包括M层第一卷积，在相邻两层第一卷积之间，设置有第一批标准化、第一激活函数，用于将输入信号转换为M维的特征信号空间；解码器与编码器的网络结构相同。
3.根据权利要求2所述基于深度神经网络声发射信号分离的变压器局放检测模型,其特征在于：第一卷积的卷积参数为1×Gi×Ci，Gi表示1维卷积核的长度，Ci表示1维卷积核的通道数量，i＝1,2,…M。
4.根据权利要求1所述基于深度神经网络声发射信号分离的变压器局放检测模型,其特征在于：掩蔽网络模型包括N层第二卷积、第一多层感知器，且最后一层感知器的输出掩蔽因子包含在[0,1]内。
5.根据权利要求4所述基于深度神经网络声发射信号分离的变压器局放检测模型,其特征在于：包括二层第二卷积，最后一层多层感知器由Sigmoid函数激活，掩蔽参数wmask表示为：
wmask＝Sigmoid(fMLP(fCRNN(fCRNN(Yk)))) (1)；
其中，fMLP表示多层感知器函数，fCRNN表示第二卷积网络函数。
6.根据权利要求4所述基于深度神经网络声发射信号分离的变压器局放检测模型，其特征在于：第二卷积层包括第二卷积、第二批标准化、第二激活函数、池化处理、门控循环单元。
7.根据权利要求6所述基于深度神经网络声发射信号分离的变压器局放检测模型，其特征在于：门控循环单元的输入输出关系为：
rk＝σ(Wr·[hk-1，yk])＝σ(ykWyr+hk-1Whr+bt) (2)；
zk＝σ(Wz·[hk-1，yk])＝σ(ykWyz+hk-1Whz+bz) (3)；
其中，Wyr，Whr，Wyz，Whz，Wyh和Whh均为网络参数，σ表示Sigmoid函数，tanh表示tanh函数，k表示时刻，rk表示重置门，zk表示更新门，
表示在时刻k时候选隐状态，hk-1表示上一次时刻k-1的隐状态，yk表示输入量测，br表示重置门偏移量，bz表示更新门偏移量，bh表示隐状态更新偏移量。
8.根据权利要求1所述基于深度神经网络声发射信号分离的变压器局放检测模型，其特征在于：检测分类器包括P层第三卷积、第二多层感知器，第三卷积层包括第三卷积、第三批标准化层、第三激活层、Pooling层。
9.基于深度神经网络声发射信号分离的变压器局放检测方法，其特征在于：将声发射信号分解为K个长度为L的重叠信号片段，
输入局放检测模型，经过编码后，得到
其中，wi表示第i层的卷积参数，H(·)表示激活函数，*表示卷积计算，i＝1，2，...M，M表示编码器的第一卷积网络层数，k＝1，2，...K，对运算结果采用跳跃连接，得到初步信号
对不同特征信号分量进行掩蔽或加权，得到掩蔽信号
其中掩蔽参数
对掩蔽信号解码，得到直达波信号；对掩蔽信号进行分类，经过Softmax激活函数估计局放信号检测概率pk为：
其中，fMLP表示多层感知器函数，fConv(·)表示第四卷积网络函数。
10.基于深度神经网络声发射信号分离的变压器局放检测终端，包括存储器、处理器、以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求9所述方法。
11.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求9所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210488095.0A CN114970607B (zh) | 2022-05-06 | 2022-05-06 | 基于深度神经网络声发射信号分离的变压器局放检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210488095.0A CN114970607B (zh) | 2022-05-06 | 2022-05-06 | 基于深度神经网络声发射信号分离的变压器局放检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114970607A true CN114970607A (zh) | 2022-08-30 |
| CN114970607B CN114970607B (zh) | 2024-03-29 |
Family
ID=82981204
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210488095.0A Active CN114970607B (zh) | 2022-05-06 | 2022-05-06 | 基于深度神经网络声发射信号分离的变压器局放检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114970607B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116975656A (zh) * | 2023-09-22 | 2023-10-31 | 唐山师范学院 | 基于声发射信号的智能损伤检测识别方法及系统 |
| CN117630758A (zh) * | 2024-01-24 | 2024-03-01 | 国能大渡河检修安装有限公司 | 发电站变压器健康状态监测方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1264507A (zh) * | 1997-06-18 | 2000-08-23 | 克拉里蒂有限责任公司 | 用于盲目信号分离的方法与装置 |
| CN103236264A (zh) * | 2013-05-03 | 2013-08-07 | 湖北文理学院 | 一种用于声源分离的编解码方法 |
| CN110490817A (zh) * | 2019-07-22 | 2019-11-22 | 武汉大学 | 一种基于掩模学习的图像噪声抑制方法 |
| CN111724806A (zh) * | 2020-06-05 | 2020-09-29 | 太原理工大学 | 一种基于深度神经网络的双视角单通道语音分离方法 |
| CN112712819A (zh) * | 2020-12-23 | 2021-04-27 | 电子科技大学 | 视觉辅助跨模态音频信号分离方法 |
| CN113903023A (zh) * | 2021-09-28 | 2022-01-07 | 南京信息工程大学 | 基于改进MaskRCNN与SEED框架的自然场景文字检测识别方法 |
| CN114114166A (zh) * | 2021-11-26 | 2022-03-01 | 南京大学 | 一种基于dtm算法的雷达脉冲去交错方法 |
-
2022
- 2022-05-06 CN CN202210488095.0A patent/CN114970607B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1264507A (zh) * | 1997-06-18 | 2000-08-23 | 克拉里蒂有限责任公司 | 用于盲目信号分离的方法与装置 |
| CN103236264A (zh) * | 2013-05-03 | 2013-08-07 | 湖北文理学院 | 一种用于声源分离的编解码方法 |
| CN110490817A (zh) * | 2019-07-22 | 2019-11-22 | 武汉大学 | 一种基于掩模学习的图像噪声抑制方法 |
| CN111724806A (zh) * | 2020-06-05 | 2020-09-29 | 太原理工大学 | 一种基于深度神经网络的双视角单通道语音分离方法 |
| CN112712819A (zh) * | 2020-12-23 | 2021-04-27 | 电子科技大学 | 视觉辅助跨模态音频信号分离方法 |
| CN113903023A (zh) * | 2021-09-28 | 2022-01-07 | 南京信息工程大学 | 基于改进MaskRCNN与SEED框架的自然场景文字检测识别方法 |
| CN114114166A (zh) * | 2021-11-26 | 2022-03-01 | 南京大学 | 一种基于dtm算法的雷达脉冲去交错方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116975656A (zh) * | 2023-09-22 | 2023-10-31 | 唐山师范学院 | 基于声发射信号的智能损伤检测识别方法及系统 |
| CN116975656B (zh) * | 2023-09-22 | 2023-12-12 | 唐山师范学院 | 基于声发射信号的智能损伤检测识别方法及系统 |
| CN117630758A (zh) * | 2024-01-24 | 2024-03-01 | 国能大渡河检修安装有限公司 | 发电站变压器健康状态监测方法及系统 |
| CN117630758B (zh) * | 2024-01-24 | 2024-05-03 | 国能大渡河检修安装有限公司 | 发电站变压器健康状态监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114970607B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114970607B (zh) | 基于深度神经网络声发射信号分离的变压器局放检测方法 | |
| 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 | |
| CN107220606B (zh) | 基于一维卷积神经网络的雷达辐射源信号的识别方法 | |
| Van et al. | Bearing‐fault diagnosis using non‐local means algorithm and empirical mode decomposition‐based feature extraction and two‐stage feature selection | |
| Wang et al. | Optimizing GIS partial discharge pattern recognition in the ubiquitous power internet of things context: A MixNet deep learning model | |
| Do et al. | Convolutional-neural-network-based partial discharge diagnosis for power transformer using UHF sensor | |
| CN116223962B (zh) | 线束电磁兼容性预测方法、装置、设备及介质 | |
| Dudani et al. | Partial discharge detection in transformer using adaptive grey wolf optimizer based acoustic emission technique | |
| CN115510795A (zh) | 一种数据处理方法以及相关装置 | |
| Ko et al. | Limiting numerical precision of neural networks to achieve real-time voice activity detection | |
| CN114167237A (zh) | 一种gis局部放电故障识别方法、系统、计算机设备、存储介质 | |
| CN115374822A (zh) | 基于多级特征融合的故障诊断方法及其系统 | |
| CN109557434A (zh) | 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法 | |
| Xi et al. | Fault detection and classification on insulated overhead conductors based on MCNN‐LSTM | |
| Zhou et al. | Feature parameters extraction of power transformer PD signal based on texture features in TF representation | |
| CN116858789A (zh) | 食品安全检测系统及其方法 | |
| CN110646714A (zh) | 一种超声波局放信号的特征提取方法及相关设备 | |
| Kim et al. | Efficient harmonic peak detection of vowel sounds for enhanced voice activity detection | |
| CN115932140A (zh) | 一种电子级六氟丁二烯的质检系统及其方法 | |
| CN112989106B (zh) | 音频分类方法、电子设备以及存储介质 | |
| CN114492543A (zh) | 一种基于时频域特征的局部放电分类识别方法 | |
| CN117693754A (zh) | 训练用于图像修复的经掩模的自动编码器 | |
| Pereira et al. | Evaluating Robustness to Noise and Compression of Deep Neural Networks for Keyword Spotting | |
| Mirzaei et al. | Two‐stage blind audio source counting and separation of stereo instantaneous mixtures using Bayesian tensor factorisation | |
| CN116092072B (zh) | 一种航天器目标检测方法、系统、存储介质和电子设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |