CN115144211A - 基于离散小波变换和门控循环单元的故障检测方法及装置 - Google Patents

基于离散小波变换和门控循环单元的故障检测方法及装置 Download PDF

Info

Publication number
CN115144211A
CN115144211A CN202210638838.8A CN202210638838A CN115144211A CN 115144211 A CN115144211 A CN 115144211A CN 202210638838 A CN202210638838 A CN 202210638838A CN 115144211 A CN115144211 A CN 115144211A
Authority
CN
China
Prior art keywords
fault
state monitoring
fault detection
frequency
monitoring signal
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
CN202210638838.8A
Other languages
English (en)
Inventor
张林宣
蒋正宜
刘重党
郑敬浩
张健翔
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202210638838.8A priority Critical patent/CN115144211A/zh
Publication of CN115144211A publication Critical patent/CN115144211A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • 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

Landscapes

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

Abstract

本申请公开了一种基于离散小波变换和门控循环单元的故障检测方法及装置，其中，方法包括：获取待检测目标的高频状态监测信号；将高频状态监测信号输入预先训练的故障检测模型，离散小波变换作为深度学习网络的嵌入层，将高频状态监测信号映射到低维小波域，得到高频故障分量，并对高频故障分量进行特征压缩，得到故障特征分量；再将其作为浅层特征训练一个带注意力机制的门控循环单元网络，最后经过全连接层得到待检测目标的故障结果，从而不仅提升了故障检测的准确率，还使得模型的故障检测结果具备一定的可解释性。由此，解决了相关技术中高频信号特征设计主观性较大以及泛化性较差等问题。

Description

基于离散小波变换和门控循环单元的故障检测方法及装置
技术领域
本申请涉及复杂设备早期故障检测技术领域，特别涉及一种基于离散小波变换和门控循环单元的故障检测方法及装置。
背景技术
得益于快速发展的物联网技术，大量与电力、机械设备健康相关的高频信号可以通过状态监测(Condition Monitoring，CM)系统高效采集并存储。模式识别技术可以从大量带有噪声的高频时序信号中识别出与早期故障相关的模式，有助于及时提示维修人员以避免重大事故的发生，具有重要的工业应用价值。这些高频信号的特点是存在海量稀疏特征，即一个采样周期内含有早期故障信息的特征频率高、密度低，给直接训练端到端的深度学习模型带来了很多困难。
现有的故障检测相关技术从总体上可分为定性和定量分析两大类。定性分析方法主要包括专家系统和图论方法，其知识获取较为困难，且对复杂设备存在匹配冲突、组合爆炸等问题。定量分析方法又可分为于解析模型和数据驱动的方法。在实际条件下通常难以建立复杂设备精确的数学模型，因此以状态监测数据为驱动，基于深度学习的设备智能故障检测研究已成为重要趋势。
针对高频条件下的故障检测问题，由于难以直接训练端到端的深度学习模型，现有的特征提取思路分为两类：一类是手动设计特征的方式，另一类是从大量统计量中进行特征选择。之后再用这些手动设计或人工选择的统计量作为浅层特征训练一个机器学习模型，实现对于早期故障的检测，然而上述技术还存在以下问题：
1.现有针对高频信号的特征学习方法需要根据具体任务的不同，经过人工精心设计或选择统计量作为特征，存在较大的主观性。
2.现有的高频信号特征泛化性较差。当数据来源改变时，先前人工设计或选择的特征便不再适用，需要重新进行设计或筛选，且难以在短时间内找到高效的特征，费时费力。
在图像领域，深度特征学习已经作为主流方法，超越了人工设计的方向梯度直方图(Histogram of Oriented Gradient，HOG)、尺度不变特征变换(Scale-InvariantFeature Transform，SIFT)等特征。这表明若是能设计适用于高频状态监测信号的深度特征学习方法代替现有方法，故障检测的性能将得到进一步提升。
发明内容
本申请提供一种基于离散小波变换和门控循环单元的故障检测方法及装置，以解决相关技术中高频信号特征设计主观性较大以及泛化性较差等问题。
本申请第一方面实施例提供一种基于离散小波变换和门控循环单元的故障检测方法，包括以下步骤：获取待检测目标的高频状态监测信号；将所述高频状态监测信号输入预先训练的故障检测模型，通过离散小波变换将所述高频状态监测信号映射到低维小波域，得到高频故障分量，并对所述高频故障分量进行特征压缩，得到故障特征分量；将所述故障特征分量作为浅层特征训练一个带注意力机制的门控循环单元网络，经过全连接层得到所述待检测目标的故障结果。
可选地，在本申请的一个实施例中，在将所述高频状态监测信号输入预先训练的故障检测模型之前，还包括：通过多分辨率分解得到所述高频状态监测信号中的初始相位；根据零相位点的位置平移所述高频状态监测信号，使得所述高频状态监测信号初始相位相同。
可选地，在本申请的一个实施例中，在将所述高频状态监测信号输入预先训练的故障检测模型之前，还包括：将离散小波变换嵌入带注意力机制的双向门控循环单元网络；对嵌入后的所述带注意力机制的双向门控循环单元网络进行训练，得到所述预先训练的故障检测模型。
可选地，在本申请的一个实施例中，所述对所述高频故障分量进行特征压缩，得到故障特征分量，包括：通过池化层对所述高频故障分量进行下采样得到所述故障特征分量。
可选地，在本申请的一个实施例中，所述根据所述故障特征分量识别所述待检测目标的故障，得到所述待检测目标的故障结果，包括：将所述池化层选取的细节系数作为浅层特征，利用所述预先训练的故障检测模型对所述浅层特征进行再训练，并利用再训练的故障检测模型识别所述故障特征分量，得到所述待检测目标的故障结果。
本申请第二方面实施例提供一种基于离散小波变换和门控循环单元的故障检测装置，包括：获取模块，用于获取待检测目标的高频状态监测信号；变换模块，用于将所述高频状态监测信号输入预先训练的故障检测模型，通过离散小波变换将所述高频状态监测信号映射到低维小波域，得到高频故障分量，并对所述高频故障分量进行特征压缩，得到故障特征分量；检测模块，用于将所述故障特征分量作为浅层特征训练一个带注意力机制的门控循环单元网络，经过全连接层得到所述待检测目标的故障结果。
可选地，在本申请的一个实施例中，还包括：分解模块，用于在将所述高频状态监测信号输入预先训练的故障检测模型之前通过多分辨率分解得到所述高频状态监测信号中的初始相位；平移模块，用于根据零相位点的位置平移所述高频状态监测信号，使得所述高频状态监测信号初始相位相同。
可选地，在本申请的一个实施例中，还包括：嵌入模块，用于在将所述高频状态监测信号输入预先训练的故障检测模型之前将离散小波变换嵌入带注意力机制的双向门控循环单元网络；训练模块，用于对嵌入后的所述带注意力机制的双向门控循环单元网络进行训练，得到所述预先训练的故障检测模型。
可选地，在本申请的一个实施例中，所述变换模块，包括：采样单元，用于通过池化层对所述高频故障分量进行下采样得到所述故障特征分量。
可选地，在本申请的一个实施例中，所述检测模块，具体用于，将所述池化层选取的细节系数作为浅层特征，利用所述预先训练的故障检测模型对所述浅层特征进行再训练，并利用再训练的故障检测模型识别所述故障特征分量，得到所述待检测目标的故障结果。
本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上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程序，以执行如上述实施例所述的基于离散小波变换和门控循环单元的故障检测方法。
本申请第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以执行如上述实施例所述的基于离散小波变换和门控循环单元的故障检测方法。
由此，本申请的实施例具有以下有益效果：
本申请的实施例通过获取待检测目标的高频状态监测信号；将高频状态监测信号输入预先训练的故障检测模型，离散小波变换作为深度学习网络的嵌入层，将高频状态监测信号映射到低维小波域，得到高频故障分量，并对高频故障分量进行特征压缩，得到故障特征分量；再将其作为浅层特征训练一个带注意力机制的门控循环单元网络，最后经过全连接层得到待检测目标的故障结果，从而不仅提升了故障检测的准确率，还使得模型的故障检测结果具备一定的可解释性。由此，解决了相关技术中高频信号特征设计主观性较大以及泛化性较差等问题。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例提供的一种基于离散小波变换和门控循环单元的故障检测方法的流程图；
图2为根据本申请的一个实施例提供的一种基于离散小波变换和门控循环单元的故障检测方法的执行逻辑架构图；
图3为根据本申请的一个实施例提供的一种相位对齐效果图；
图4为根据本申请的一个实施例提供的一种注意力层权重可视化和对应的原始信号示意图；
图5为根据本申请的一个实施例提供的一种局部放电故障检测效果对比箱线图；
图6为根据本申请实施例的基于离散小波变换和门控循环单元的故障检测装置的示例图；
图7为申请实施例提供的电子设备的结构示意图。
附图标记说明：获取模块-100、变换模块-200、检测模块-300、存储器-701、处理器-702、通信接口-703。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的基于离散小波变换和门控循环单元的故障检测方法及装置。针对上述背景技术中提到的问题，本申请提供了一种基于离散小波变换和门控循环单元的故障检测方法，在该方法中，获取待检测目标的高频状态监测信号；将高频状态监测信号输入预先训练的故障检测模型，离散小波变换作为深度学习网络的嵌入层，将高频状态监测信号映射到低维小波域，得到高频故障分量，并对高频故障分量进行特征压缩，得到故障特征分量；再将其作为浅层特征训练一个带注意力机制的门控循环单元网络，最后经过全连接层得到待检测目标的故障结果，从而不仅使得模型的故障检测准确率更高，还使结果具备一定的可解释性。此外，该方法基于传感器采集的高频状态监测信号检测早期故障，可应用于复杂设备的健康管理系统，实现智能维护，并适用于检测的早期故障有局部放电、机械轴承疲劳等场景。由此，解决了相关技术中高频信号特征设计主观性较大以及泛化性较差等问题。
具体而言，图1为本申请实施例所提供的一种基于离散小波变换和门控循环单元的故障检测方法的流程图。
如图1所示，该基于离散小波变换和门控循环单元的故障检测方法包括以下步骤：
在步骤S101中，获取待检测目标的高频状态监测信号。
在本申请的实施例中首先可以通过电磁式电压互感器或光学电压互感器等传感器设备采集待检测目标的高频状态监测信号，如中压架空绝缘导线电压信号等，以便进一步对信号进行处理，从而检测如局部放电、机械轴承疲劳等早期设备故障。
需要说明的是，本申请的实施例将以“中压架空绝缘导线局部放电(PartialDischarge，PD)的故障检测”为具体应用案例对上述基于离散小波变换和门控循环单元的故障检测方法进行描述，其执行逻辑如图2所示，具体检测过程如下所述。
在步骤S102中，将高频状态监测信号输入预先训练的故障检测模型，通过离散小波变换将高频状态监测信号映射到低维小波域，得到高频故障分量，并对高频故障分量进行特征压缩，得到故障特征分量。
在采集到中压架空绝缘导线电压信号后，本申请的实施例可将该信号输入到预先训练的故障检测模型进行检测，其中，故障检测模型的训练过程下述进行详细介绍。
可选地，在本申请的一个实施例中，在将高频状态监测信号输入预先训练的故障检测模型之前，还包括：通过多分辨率分解得到高频状态监测信号中的初始相位；根据零相位点的位置平移高频状态监测信号，使得高频状态监测信号初始相位相同。
由于上述所获取的中压架空绝缘导线电压信号可能含有噪声，信号毛刺较多，并不光滑，极大影响着故障检测的准确性。故而，本申请的实施例在将该信号输入预先训练的故障检测模型之前，还需对其进行数据预处理操作。
具体地，本申请的实施例可以利用Mallet多分辨率分解对齐上述中压架空绝缘导线电压信号的初始相位，相位对齐效果如图3所示。在实际执行过程中，本领域技术人员也可通过Daubechies小波的多分辨分解上述监测信号，于此不做具体限制。
进一步地，为了更准确地确定零相位点，本申请的实施例通过设定分解层数为10，使得分解后的低频信号尽可能平滑，并根据初始时刻电压的正负，低频信号穿越横轴的两个点分别被确定为零相位点和180°相位点，再通过零相位点的位置平移原始信号，使正弦电压信号的初始相位相同。在具体实现过程中，技术人员可以根据实际情况设置合适的分解层数，而并不一定为10，从而使得分解后的低频信号波形尽可能平滑。
可选地，在本申请的一个实施例中，在将高频状态监测信号输入预先训练的故障检测模型之前，还包括：将离散小波变换嵌入带注意力机制的双向门控循环单元网络；对嵌入后的带注意力机制的双向门控循环单元网络进行训练，得到预先训练的故障检测模型。
由于PD信号的频率可高达数兆赫兹，因此在一个0.02s的电网工频周期内，检测PD信号的采样点多达800000个。PD信号的特征频率高、密度低，无法直接用来训练端到端的深度学习模型。
因此，在本申请的实施例中，首先可以使用离散小波变换(Discrete WaveletTransform，DWT)，将其作为一个带注意力机制双向门控循环单元网络(BidirectionalGated RecurrentUnit Network with Attention Mechanism，AM-BiGRU)的嵌入层，以将原始信号映射到低维小波域，再通过硬阈值将一部分细节系数(Detail Coefficient，cD)置零，使其成为高频故障分量的稀疏表示。通用硬阈值Td的表达式为：
Figure BDA0003681622090000061
Figure BDA0003681622090000062
其中n代表信号的长度。噪声水平的一个鲁棒估计σ与小波细节系数绝对值的中位数相关，常数0.6745确保该估计是正态分布下的无偏估计。
可选地，在本申请的一个实施例中，对高频故障分量进行特征压缩，得到故障特征分量，包括：通过池化层对高频故障分量进行下采样得到故障特征分量。
由于高频故障分量经DWT特征嵌入后存在大量的零值，且得到的时间序列长度仍然过长，需要利用池化窗口进行下采样操作。传统的最大池化层将特征图划分为若干个固定大小的不重叠区域
Figure BDA0003681622090000063
再选取每个区域的最大值来进行下采样：
Figure BDA0003681622090000064
与图像中的像素值不同，由于小波系数存在负值，上述公式中的xi需要用其绝对值替代。此外，实验中发现保留最大的N个系数能取得更好的效果。因此，本申请的实施例实际使用的池化层计算公式如下所示：
Figure BDA0003681622090000065
从而将最大池化层改造为选取池化窗口中最大的N个细节系数，删除了稀疏表示的大量0值和冗余信息，实现了特征压缩。进一步地，本申请的实施例对嵌入后的带注意力机制的双向门控循环单元网络进行训练，得到故障检测模型。
在步骤S103中，将故障特征分量作为浅层特征训练一个带注意力机制的门控循环单元网络，经过全连接层得到待检测目标的故障结果。
通过上述数据预处理、基于DWT的特征嵌入以及基于池化的特征压缩等操作后，得到了故障检测模型。进一步地，为获取待检测目标的故障结果，提高检测性能，本申请的实施例还可对池化层选取的细节系数进行深度特征学习，具体过程如下所述。
可选地，在本申请的一个实施例中，根据故障特征分量识别待检测目标的故障，得到待检测目标的故障结果，包括：将池化层选取的细节系数作为浅层特征，利用预先训练的故障检测模型对浅层特征进行再训练，并利用再训练的故障检测模型识别故障特征分量，得到待检测目标的故障结果。
具体地，本申请的实施例将池化后的细节系数作为浅层特征，进一步训练时间序列深度学习模型。为了充分利用输入数据的信息，在GRU网络的基础上添加一个按时间倒序传输信息的层使之变为双向结构，再结合前向注意力机制增强其时序建模能力。前向注意力层通过计算隐藏状态的加权平均值得到一个上下文向量，其权重αt的计算公式如下：
et＝tanh(Waht+ba) (5)
Figure BDA0003681622090000071
其中T代表总时间步长，注意力打分函数由一个单层神经网络学习得到，如图4所示，注意力权重会自动聚焦于脉冲分量丰富的关键位置，而这些位置正是局部放电现象最可能发生的区域，注意力层在提升局部放电故障检测效果的同时，使得深度学习模型有了一定程度的可解释性。在前向注意力层中还引入了键值对形式，使输入信息能够被更灵活表示，训练收敛过程更快。上下文向量c可表示为：
Figure BDA0003681622090000072
V＝WVH (8)
其中WV是一个参数可学习的矩阵，H＝[h1，…，hT]。前向注意力层计算得到的上下文向量再经过全连接层输出一个取值为0-1之间的故障检测结果，结果大于0.5时表示模型检测到早期故障。
由此本申请的实施例根据所采集到的中压架空绝缘导线电压信号，对其进行处理后，结合上述基于AM-BiGRU的故障检测模型，从而输出最终的中压架空绝缘导线局部放电的故障检测结果。图5是局部放电故障检测效果对比箱线图，如图5所示，与使用统计量作为浅层特征的传统方法相比，本申请的实施例提取的特征能够显著提升各模型局部放电故障检测的准确率，且具有双向结构和注意力机制的AM-BiGRU模型的表现最好。
因此，可以理解的是，本申请的实施例通过数据预处理、基于DWT的特征嵌入、基于池化的特征压缩以及基于AM-BiGRU的故障检测四个步骤，从而能够实时有效的获取待检测设备的状态，实现复杂设备早期故障的高效检测，并适用于高频条件下的端到端深度特征学习框架，有助于实现智能维护，避免重大事故的发生。
根据本申请实施例提出的基于离散小波变换和门控循环单元的故障检测方法，通过获取待检测目标的高频状态监测信号；将高频状态监测信号输入预先训练的故障检测模型，离散小波变换作为深度学习网络的嵌入层，将高频状态监测信号映射到低维小波域，得到高频故障分量，并对高频故障分量进行特征压缩，得到故障特征分量；根据故障特征分量识别待检测目标的故障，得到待检测目标的故障结果，由此，本申请的实施例在高频状态监测信号的基础上，通过一定先验知识将DWT作为深度学习网络的嵌入层，从而实现了对早期故障相关信号分量的深度特征学习，且能够及时对架空绝缘导线、机械轴承等关键部件的早期故障进行检测，为维修人员提供有价值的信息，降低了维护成本，减少了因严重故障造成的经济损失，具有实际应用价值。
其次参照附图描述根据本申请实施例提出的基于离散小波变换和门控循环单元的故障检测装置。
图6是本申请实施例的基于离散小波变换和门控循环单元的故障检测装置的方框示意图。
如图6所示，该基于离散小波变换和门控循环单元的故障检测装置10包括：获取模块100、变换模块200以及检测模块300。
其中，获取模块100，用于获取待检测目标的高频状态监测信号；变换模块200，用于将高频状态监测信号输入预先训练的故障检测模型，通过离散小波变换将高频状态监测信号映射到低维小波域，得到高频故障分量，并对高频故障分量进行特征压缩，得到故障特征分量；检测模块300，用于将故障特征分量作为浅层特征训练一个带注意力机制的门控循环单元网络，经过全连接层得到待检测目标的故障结果。
可选地，在本申请的一个实施例中，还包括：分解模块，用于在将高频状态监测信号输入预先训练的故障检测模型之前通过多分辨率分解得到高频状态监测信号中的初始相位；平移模块，用于根据零相位点的位置平移高频状态监测信号，使得高频状态监测信号初始相位相同。
可选地，在本申请的一个实施例中，还包括：嵌入模块，用于在将高频状态监测信号输入预先训练的故障检测模型之前将离散小波变换嵌入带注意力机制的双向门控循环单元网络；训练模块，用于对嵌入后的带注意力机制的双向门控循环单元网络进行训练，得到预先训练的故障检测模型。
可选地，在本申请的一个实施例中，变换模块200包括：采样单元，用于通过池化层对高频故障分量进行下采样得到故障特征分量。
可选地，在本申请的一个实施例中，检测模块300具体用于，将池化层选取的细节系数作为浅层特征，利用预先训练的故障检测模型对浅层特征进行再训练，并利用再训练的故障检测模型识别故障特征分量，得到待检测目标的故障结果。
需要说明的是，前述对基于离散小波变换和门控循环单元的故障检测方法实施例的解释说明也适用于该实施例的基于离散小波变换和门控循环单元的故障检测装置，此处不再赘述。
根据本申请实施例提出的基于离散小波变换和门控循环单元的故障检测装置，通过获取待检测目标的高频状态监测信号，并对该信号进行预处理，继而利用DWT嵌入层将原始信号嵌入到低维小波域，其细节系数是原高频信号的稀疏表示；将最大池化层改造为选取池化窗口中最大的N个细节系数，删除了稀疏表示的大量0值和冗余信息，实现了特征压缩；训练一个AM-BiGRU网络对池化层选取的细节系数进行深度特征学习，再通过全连接层输出最终的故障检测结果，从而将DWT作为一个带注意力机制双向门控循环单元网络的嵌入层，由此，通过端到端的学习，实现了复杂设备早期故障的高效检测，有助于实现智能维护，避免重大事故的发生。此外，本申请的实施例无需手动设计特征或人工筛选统计量，通过检查注意力权重的分布能够较为准确地定位故障分量的位置，模型的故障检测结果也具备一定的可解释性。
图7为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：
存储器701、处理器702及存储在存储器701上并可在处理器702上运行的计算机程序。
处理器702执行程序时实现上述实施例中提供的基于离散小波变换和门控循环单元的故障检测方法。
进一步地，电子设备还包括：
通信接口703，用于存储器701和处理器702之间的通信。
存储器701，用于存放可在处理器702上运行的计算机程序。
存储器701可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
如果存储器701、处理器702和通信接口703独立实现，则通信接口703、存储器701和处理器702可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器701、处理器702及通信接口703，集成在一块芯片上实现，则存储器701、处理器702及通信接口703可以通过内部接口完成相互间的通信。
处理器702可能是一个中央处理器(Central Processing Unit，CPU)，或者是特定集成电路(Application Specific Integrated Circuit，ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如上的基于离散小波变换和门控循环单元的故障检测方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

Claims (12)

1.一种基于离散小波变换的故障检测方法，其特征在于，包括以下步骤：
获取待检测目标的高频状态监测信号；
将所述高频状态监测信号输入预先训练的故障检测模型，通过离散小波变换将所述高频状态监测信号映射到低维小波域，得到高频故障分量，并对所述高频故障分量进行特征压缩，得到故障特征分量；
将所述故障特征分量作为浅层特征训练一个带注意力机制的门控循环单元网络，经过全连接层得到所述待检测目标的故障结果。
2.根据权利要求1所述的方法，其特征在于，在将所述高频状态监测信号输入预先训练的故障检测模型之前，还包括：
通过多分辨率分解得到所述高频状态监测信号中的初始相位；
根据零相位点的位置平移所述高频状态监测信号，使得所述高频状态监测信号初始相位相同。
3.根据权利要求1所述的方法，其特征在于，在将所述高频状态监测信号输入预先训练的故障检测模型之前，还包括：
将离散小波变换嵌入带注意力机制的双向门控循环单元网络；
对嵌入后的所述带注意力机制的双向门控循环单元网络进行训练，得到所述预先训练的故障检测模型。
4.根据权利要求3所述的方法，其特征在于，所述对所述高频故障分量进行特征压缩，得到故障特征分量，包括：
通过池化层对所述高频故障分量进行下采样得到所述故障特征分量。
5.根据权利要求4所述的方法，其特征在于，所述根据所述故障特征分量识别所述待检测目标的故障，得到所述待检测目标的故障结果，包括：
将所述池化层选取的细节系数作为浅层特征，利用所述预先训练的故障检测模型对所述浅层特征进行再训练，并利用再训练的故障检测模型识别所述故障特征分量，得到所述待检测目标的故障结果。
6.一种基于离散小波变换的故障检测装置，其特征在于，包括：
获取模块，用于获取待检测目标的高频状态监测信号；
变换模块，用于将所述高频状态监测信号输入预先训练的故障检测模型，通过离散小波变换将所述高频状态监测信号映射到低维小波域，得到高频故障分量，并对所述高频故障分量进行特征压缩，得到故障特征分量；
检测模块，用于将所述故障特征分量作为浅层特征训练一个带注意力机制的门控循环单元网络，经过全连接层得到所述待检测目标的故障结果。
7.根据权利要求6所述的装置，其特征在于，还包括：
分解模块，用于在将所述高频状态监测信号输入预先训练的故障检测模型之前通过多分辨率分解得到所述高频状态监测信号中的初始相位；
平移模块，用于根据零相位点的位置平移所述高频状态监测信号，使得所述高频状态监测信号初始相位相同。
8.根据权利要求6所述的装置，其特征在于，还包括：
嵌入模块，用于在将所述高频状态监测信号输入预先训练的故障检测模型之前将离散小波变换嵌入带注意力机制的双向门控循环单元网络；
训练模块，用于对嵌入后的所述带注意力机制的双向门控循环单元网络进行训练，得到所述预先训练的故障检测模型。
9.根据权利要求8所述的装置，其特征在于，所述变换模块，包括：
采样单元，用于通过池化层对所述高频故障分量进行下采样得到所述故障特征分量。
10.根据权利要求9所述的装置，其特征在于，所述检测模块，具体用于，
将所述池化层选取的细节系数作为浅层特征，利用所述预先训练的故障检测模型对所述浅层特征进行再训练，并利用再训练的故障检测模型识别所述故障特征分量，得到所述待检测目标的故障结果。
11.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上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程序，以实现如权利要求1-5任一项所述的基于离散小波变换和门控循环单元的故障检测方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-5任一项所述的基于离散小波变换和门控循环单元的故障检测方法。
CN202210638838.8A 2022-06-07 2022-06-07 基于离散小波变换和门控循环单元的故障检测方法及装置 Pending CN115144211A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210638838.8A CN115144211A (zh) 2022-06-07 2022-06-07 基于离散小波变换和门控循环单元的故障检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210638838.8A CN115144211A (zh) 2022-06-07 2022-06-07 基于离散小波变换和门控循环单元的故障检测方法及装置

Publications (1)

Publication Number Publication Date
CN115144211A true CN115144211A (zh) 2022-10-04

Family

ID=83406822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210638838.8A Pending CN115144211A (zh) 2022-06-07 2022-06-07 基于离散小波变换和门控循环单元的故障检测方法及装置

Country Status (1)

Country Link
CN (1) CN115144211A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117074628A (zh) * 2023-10-17 2023-11-17 山东鑫建检测技术有限公司 一种多传感器空气质量检测设备故障定位方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117074628A (zh) * 2023-10-17 2023-11-17 山东鑫建检测技术有限公司 一种多传感器空气质量检测设备故障定位方法
CN117074628B (zh) * 2023-10-17 2024-01-09 山东鑫建检测技术有限公司 一种多传感器空气质量检测设备故障定位方法

Similar Documents

Publication Publication Date Title
CN106971152B (zh) 一种基于航拍图像的检测输电线路中鸟巢的方法
CN111650453A (zh) 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统
CN111044570A (zh) 电力设备的缺陷识别及预警方法、装置及计算机设备
CN109858352A (zh) 一种基于压缩感知与改进多尺度网络的故障诊断方法
CN114998695B (zh) 一种提高图像识别速度的方法及系统
CN115841447A (zh) 一种磁瓦表面缺陷的检测方法
CN117315380B (zh) 一种基于深度学习的肺炎ct图像分类方法及系统
Kanjalkar et al. Detection and classification of plant leaf diseases using ANN
CN111160392A (zh) 一种基于小波宽度学习系统的高光谱分类方法
CN117113180A (zh) 基于vmd与卷积神经网络的直流配网高阻故障识别方法
CN115144211A (zh) 基于离散小波变换和门控循环单元的故障检测方法及装置
CN117784710A (zh) 数控机床远程状态监控系统及其方法
CN116758336A (zh) 一种基于人工智能的医学图像智能分析系统
Cui et al. Edge detection algorithm optimization and simulation based on machine learning method and image depth information
CN114140437A (zh) 一种基于深度学习的眼底硬渗出物分割方法
CN114295967A (zh) 一种基于迁移神经网络的模拟电路故障诊断方法
Sinthura et al. Bone Fracture Detection System using CNN Algorithm
Cui et al. Double-branch local context feature extraction network for hyperspectral image classification
CN117079005A (zh) 一种光缆故障监测方法、系统、装置及可读存储介质
CN115205308A (zh) 一种基于线状滤波和深度学习的眼底图像血管分割方法
CN113177499A (zh) 基于计算机视觉的舌裂纹形状识别方法及识别系统
CN113780308A (zh) 基于核主元分析与神经网络的gis局部放电模式识别方法及系统
CN113239790A (zh) 舌裂纹的特征识别及长度度量方法及系统
CN112241954A (zh) 基于肿块差异化分类的全视野自适应分割网络配置方法
Ahmad Effendi et al. Image Processing for Paddy Disease Detection Using K-Means Clustering and GLCM Algorithm.

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