CN116072142B - 高功率射频传输线监测方法、装置及电子设备 - Google Patents

Abstract

本发明提供了一种高功率射频传输线监测方法、装置及电子设备，先获取拾音器采集到的高功率射频传输线中的声音信号，再对获取的每个声音信号进行特征参数提取以得到每个声音信号的特征参数向量，之后通过预先训练的神经网络模型对每个声音信号的特征参数向量进行分类以得到每个声音信号的分类结果，最终基于全部声音信号的分类结果，确定高功率射频传输线的工作状态。采用本发明可以实现高功率射频传输线的工作状态监测，确保高功率射频传输线的安全稳定运行。

Description

高功率射频传输线监测方法、装置及电子设备

技术领域

本发明涉及高功率射频技术领域，尤其是涉及一种高功率射频传输线监测方法、装置及电子设备。

背景技术

随着对核物质科学基础问题的深入研究，针对具体的物理问题，如核天体物理、高能量密度物理、原子核物理以及核子物理等方面，均对粒子加速器提出了向更高流强、更高功率方向发展的要求。高功率传输线作为高频功率源到负载（如超导腔）之间的纽带，其需要承载的功率等级越来越高，运行模式也越来越多，其工作状况及安全直接影响着全系统的正常运行。因此，高功率传输线系统的工作状态监测对整个加速器系统的正常运行维护显得尤为重要。

目前，各类加速器系统的传输线状态监测主要采用驻波比监测的方式来实现，当反射功率过大时系统将切断功率源输出以保护整个加速器的安全。然而，在加速器建设的初期，谐振腔需要长时间处于锻炼状态，此时谐振腔基本处于全反射，加速器系统传输线出现故障时，故障点引发的反射功率变化将“湮没”于全反射信号中，通过驻波比的监测将无法得到传输线的真实工作状态，此时的传输线实际上是处于监测盲区。同时，建设和调试中的加速器系统各项参数和指标也会随着设计的优化不断改变，传输线的设计和布局也会不断改变，这就导致了在实际工作中需要反复拆卸和安装馈线系统进而更容易引起人为疏忽和失误而导致的馈线系统故障，这样的例子并不鲜见。此外，粒子加速器在加载束流前的“空载”期和加速器束流不匹配等情况下，传输线也同样处于较大程度的反射下，往往无法通过对驻波比的监测判断传输线是否处于正常的工作状态。

发明内容

有鉴于此，本发明的目的在于提供一种高功率射频传输线监测方法、装置及电子设备，以实现高功率射频传输线的工作状态监测，确保高功率射频传输线的安全稳定运行。

第一方面，本发明实施例提供了一种高功率射频传输线监测方法，其所述方法包括：获取拾音器采集到的高功率射频传输线中的声音信号；其中，所述拾音器紧密贴在所述高功率射频传输线的外壁上；对获取的每个声音信号进行特征参数提取，得到每个声音信号的特征参数向量；通过预先训练的神经网络模型对每个声音信号的特征参数向量进行分类，得到每个声音信号的分类结果；基于全部声音信号的分类结果，确定所述高功率射频传输线的工作状态。

第二方面，本发明实施例还提供一种高功率射频传输线监测装置，所述装置包括：获取模块，用于获取拾音器采集到的高功率射频传输线中的声音信号；其中，所述拾音器紧密贴在所述高功率射频传输线的外壁上；提取模块，用于对获取的每个声音信号进行特征参数提取，得到每个声音信号的特征参数向量；分类模块，用于通过预先训练的神经网络模型对每个声音信号的特征参数向量进行分类，得到每个声音信号的分类结果；确定模块，用于基于全部声音信号的分类结果，确定所述高功率射频传输线的工作状态。

第三方面，本发明实施例还提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现上述高功率射频传输线监测方法。

本发明实施例提供的一种高功率射频传输线监测方法、装置及电子设备，先获取拾音器采集到的高功率射频传输线中的声音信号，再对获取的每个声音信号进行特征参数提取以得到每个声音信号的特征参数向量，之后通过预先训练的神经网络模型对每个声音信号的特征参数向量进行分类以得到每个声音信号的分类结果，最终基于全部声音信号的分类结果，确定高功率射频传输线的工作状态。采用上述技术，通过拾音器在线采集声音信号，即采用非侵入式的监测方式，实现了高功率射频传输线工作状态的无损监测；上述技术中，由于声音信号不会受全反射的影响，因而可在线监测处于全反射下的高功率传输线的工作状态，且对于不同类型（波导型，同轴型等）的传输线在不同运行功率和频率下均具有普适性。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中一种高功率射频传输线监测方法的流程示意图；

图2为本发明实施例中特征参数提取流程图；

图3为本发明实施例中射频打火声、中央空调声、脚步声以及汽车喇叭声（各1000帧声音样本）的第1维Mel倒谱系数值分布情况图；

图4为本发明实施例中BP神经网络算法流程图；

图5为本发明实施例中BP神经网络对1000个待测样本的分类示意图；

图6为本发明实施例中BP神经网络对1000个待测样本的分类误差示意图；

图7为本发明实施例中一种高功率射频传输线监测方法的示例图；

图8为本发明实施例中一种高功率射频传输线监测装置的结构示意图；

图9为本发明实施例中一种电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

目前，各类加速器系统的传输线状态监测主要采用驻波比监测的方式来实现，当反射功率过大时系统将切断功率源输出以保护整个加速器的安全。然而，在加速器建设的初期，谐振腔需要长时间处于锻炼状态，此时谐振腔基本处于全反射，加速器系统传输线出现故障时，故障点引发的反射功率变化将“湮没”于全反射信号中，通过驻波比的监测将无法得到传输线的真实工作状态，此时的传输线实际上是处于监测盲区。同时，建设和调试中的加速器系统各项参数和指标也会随着设计的优化不断改变，传输线的设计和布局也会不断改变，这就导致了在实际工作中需要反复拆卸和安装馈线系统进而更容易引起人为疏忽和失误而导致的馈线系统故障，这样的例子并不鲜见。此外，粒子加速器在加载束流前的“空载”期和加速器束流不匹配等情况下，传输线也同样处于较大程度的反射下，往往无法通过对驻波比的监测判断传输线是否处于正常的工作状态。

基于此，本发明实施提供的一种高功率射频传输线监测方法、装置及电子设备，可以实现高功率射频传输线的工作状态监测，确保高功率射频传输线的安全稳定运行。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种高功率射频传输线监测方法进行详细介绍，参见图1所示的一种高功率射频传输线监测方法的流程示意图，该方法可以包括以下步骤：

步骤S102，获取拾音器采集到的高功率射频传输线中的声音信号；其中，拾音器紧密贴在高功率射频传输线的外壁上。

示例性地，可将拾音器紧密贴合安装在高功率射频传输线的外壁上，并将拾音器与相应的具有通讯功能的终端设备通讯连接，在通过高功率射频传输线进行高功率射频传输时，通过拾音器对高功率射频传输线中的声学信号（即声音信号）进行实时采集并将采集到的声学信号实时传输到终端设备。

步骤S104，对获取的每个声音信号进行特征参数提取，得到每个声音信号的特征参数向量。

接续前例，可通过上述终端设备对拾音器实时采集的声学信号（即待识别声音信号）进行预处理并用数学方法提取出相应的特征参数，之后通过上述终端设备将每个待识别声学信号的特征参数组成相应的特征参数向量。

步骤S106，通过预先训练的神经网络模型对每个声音信号的特征参数向量进行分类，得到每个声音信号的分类结果。

上述神经网络模型可采用BP（Back Propagation，反向传播）神经网络模型，具体可根据实际情况自行选择，对此不进行限定 。

接续前例，可先训练好神经网络模型并将神经网络模型存储至终端设备，这样终端设备在得到每个待识别声音信号的特征参数向量后便可直接将每个待识别声音信号的特征参数向量输入到神经网络模型中进行分类，并由神经网络模型输出得到每个待识别声音信号的预测类型（即分类结果）。

步骤S108，基于全部声音信号的分类结果，确定高功率射频传输线的工作状态。

接续前例，由于不同类型的声学信号会有不同的频谱特征，可用不同频谱特征表征高功率射频传输线的不同工作状态，这样终端设备在得到每个待识别声音信号的预测类型（即分类结果）后可根据全部待识别声音信号的预测类型确定出高功率射频传输线的工作状态（如正常状态或故障状态）。例如，终端设备在通过神经网络模型分析出拾音器采集的某个待识别声音信号的频谱中存在打火特征频谱时，可对每个声音信号的特征参数向量进行分类，得到每个声音信号的分类结果可直接判定高功率射频传输线出现故障。

本发明实施例提供的一种高功率射频传输线监测方法，先获取拾音器采集到的高功率射频传输线中的声音信号，再对获取的每个声音信号进行特征参数提取以得到每个声音信号的特征参数向量，之后通过预先训练的神经网络模型对每个声音信号的特征参数向量进行分类以得到每个声音信号的分类结果，最终基于全部声音信号的分类结果，确定高功率射频传输线的工作状态。采用上述技术，通过拾音器在线采集声音信号，即采用非侵入式的监测方式，实现了高功率射频传输线工作状态的无损监测；上述技术中，由于声音信号不会受全反射的影响，因而可在线监测处于全反射下的高功率传输线的工作状态，且对于不同类型（波导型，同轴型等）的传输线在不同运行功率和频率下均具有普适性。

作为一种可能的实施方式，上述分类结果可以为属于射频打火声或不属于射频打火声；上述步骤S108（即基于全部声音信号的分类结果，确定高功率射频传输线的工作状态）可以包括：若全部声音信号中存在属于射频打火声的声音信号，则将高功率射频传输线的工作状态确定为故障状态；若全部声音信号中不存在属于射频打火声的声音信号，则将高功率射频传输线的工作状态确定为正常状态。

作为一种可能的实施方式，上述特征参数可以包括Mel倒谱系数（Mel-scaleFrequency Cepstrum Coefficients，MFCC）、一阶Mel倒谱系数和二阶Mel倒谱系数；上述步骤S104（对获取的每个声音信号进行特征参数提取，得到每个声音信号的特征参数向量）可以包括：

（11）对每个声音信号进行预处理，得到相应的多个声音样本；其中，所述预处理包括依次进行的预加重、分帧和加窗；

（12）对每个声音样本进行快速傅里叶变换（FastFourier Transformation，FFT），得到相应的初始频谱；

（13）通过Mel滤波器组对每个初始频谱进行Mel滤波，得到相应的Mel频谱；

（14）对每个声音信号的Mel频谱进行倒谱分析，得到每个声音信号的Mel倒谱系数向量。

具体地，可对每个声音信号的Mel频谱依次进行取对数和离散余弦变换（DiscreteCosine Transform，DCT），得到每个声音信号的Mel倒谱系数；对每个声音信号的Mel倒谱系数分别进行一阶差分和二阶差分，得到每个声音信号的一阶Mel倒谱系数和二阶Mel倒谱系数；基于每个声音信号的Mel倒谱系数、一阶Mel倒谱系数和二阶Mel倒谱系数，构建出每个声音信号的Mel倒谱系数向量。

参见图2所示，特征参数提取流程主要包括：对于每个声音信号，对该声音信号进行预处理（包括依次进行的预加重、分帧和加窗）以得到相应的多个声音样本，对每个声音样本进行FFT以得到相应的初始频谱，通过Mel滤波器组对每个初始频谱进行Mel滤波以得到相应的Mel频谱，对该声音信号的Mel频谱依次进行取对数和DCT以得到该声音信号的Mel倒谱系数，对该声音信号的Mel倒谱系数分别进行一阶差分和二阶差分以得到每个声音信号的一阶Mel倒谱系数和二阶Mel倒谱系数，将该声音信号的Mel倒谱系数、一阶Mel倒谱系数和二阶Mel倒谱系数作为该声音信号的特征参数。

作为一种可能的实施方式，上述步骤S106（即通过预先训练的神经网络模型对每个声音信号的特征参数向量进行分类，得到每个声音信号的分类结果）可以包括：通过上述神经网络模型基于预设的多个分类对每个声音信号的特征参数向量进行分类，得到每个声音信号的分类结果；其中，多个分类包括表征射频打火声的第一分类和表征环境声的第二分类。

上述环境声可以包括中央空调声、水流声、脚步声、汽车喇叭声、雷电天气雷声、大风呼啸声等，对此不进行限定。相应地，第一分类和第二分类均可包含相应的一个或多个子分类，对此不进行限定。

作为一种可能的实施方式，上述神经网络模型的训练可以包括：

（21）按照预设比例从预先构建的声音库中分别获取训练样本集、测试样本集和验证样本集；其中，训练样本集、测试样本集和验证样本集均包含上述多个分类中每个分类的声音样本。

（22）通过训练样本集、测试样本集和验证样本集分别对初始神经网络模型进行训练、测试和验证，得到上述神经网络模型。

作为一种可能的实施方式，上述特征参数向量可以包括多个维度的Mel倒谱系数；通过上述神经网络模型基于预设的多个分类对每个声音信号的特征参数向量进行分类，得到每个声音信号的分类结果的步骤可以包括：对于每个声音信号，通过上述神经网络模型根据该声音信号的目标维度的Mel倒谱系数值分布情况从第一分类和第二分类中确定出该声音信号的分类结果。

示例性地，可采用MATLAB软件基于图2中的特征参数提取流程对待识别的每个声音信号进行特征参数提取，每帧声音样本可用一个36维的特征参数向量来表征（包括12维的MFCC、12维的一阶MFCC、12维的二阶MFCC）。以待识别的声音信号包括射频打火声、中央空调声、脚步声和汽车喇叭声为例，目标维度的Mel倒谱系数值为第1维Mel倒谱系值，参见图3所示的射频打火声、中央空调声、脚步声以及汽车喇叭声（各1000帧声音样本）的第1维Mel倒谱系数值分布情况图，从图3中可以看出不同类型声音信号的第1维Mel倒谱系数值分布情况各有特点，特别是射频打火声的第1维Mel倒谱系数值基本在0到-6之间，而其它3种声音信号的第1维Mel倒谱系数值基本在0以上。由此可见，仅根据第1维Mel倒谱系数值的分布情况即可将射频打火声与其它三种声音信号基本区分开来，而每帧声音样本都具有各自的36维特征参数，通过特征参数的综合判断可进一步提高待识别声音信号识别的精度。

作为一种可能的实施方式，上述神经网络可以包括输入层、隐藏层和输出层；其中，输入层包含节点的数量与特征参数向量的维度数量相等，输出层包含节点的数量与上述神经网络的分类数量相等。

接续前例，如果定义特征参数向量有36维且定义待分类的声音信号一共有7类，则可设置上述神经网络的输入层包含36个节点，并设置上述神经网络的输出层包含7个节点，以及根据实际需要设置上述神经网络的隐藏层包含节点的数量。

为了进一步验证上述高功率射频传输线监测方法的可行性，在此以实际仿真案例对声音识别在射频传输线打火监测中的可行性进行验证：

1)根据实际工况环境，仿真中通过拾音器收集的声音信号包括7种：射频打火声、中央空调声、水流声、脚步声、汽车喇叭声、雷电天气雷声和大风呼啸声。

2)MFCC参数的提取：采用MATLAB软件基于图2中的特征参数提取流程对这7种声音信号进行特征参数提取，得到每帧声音样本对应的36维特征参数向量（包括12维的MFCC、12维的一阶MFCC、12维的二阶MFCC）。

3)基于BP神经网络的机器训练及分类识别：参见图4所示的BP神经网络算法流程图，仿真中所采用的BP神经网络算法流程主要分为以下三步：

a)BP神经网络的构建：通过数学建模的方式构建一个包含输入层、隐藏层和输出层的BP神经网络。

由于特征参数向量有36维且待分类的声音信号一共有7类，所以设置该BP神经网络的结构为36-37-7，即输入层为36个节点，隐藏层为37个节点，输出层为7个节点。

b)BP神经网络对声音库的训练和学习：从7种声音信号中选取样本构建一个声音库，在BP神经网络初始化完成后，用该声音库对BP神经网络进行若干次的训练和学习，直至训练结束后得到训练好的BP神经网络。

7种声音信号各取1000个样本构建一个声音库，从该声音库中随机抽取6000个样本用于BP神经网络的训练和学习，将该声音库中剩余的1000个样本作为待测样本对训练后BP神经网络的分类能力进行测试和验证。

c)BP神经网络对待测样本的分类：采用上一步中训练好的BP神经网络对待测样本进行分类。

参见图5所示的BP神经网络对1000个待测样本的分类示意图，图5中，纵坐标值1~7分别表示射频打火声、雷声、水流声、汽车喇叭声、大风呼啸声、中央空调声和脚步声。从图5中可以看出，基于构建的BP神经网络对7种实际工况中的声音信号都具有良好的分类效果，这7种声音的识别准确率（程序的每次运行结果会有所偏差，但平均准确率基本都在90%以上）分别为：1.0000、1.0000、0.9859、0.9000、1.0000、1.0000和0.9658。

参见图6所示的BP神经网络对1000个待测样本的分类误差示意图，图6中，0代表正确分类，非0代表错误分类。从图6中可以看出，1000个样本中只有21个样本分类错误，平均分类准确率为97.9%，说明构建的BP神经网络具有非常良好的分类准确性。

基于上述实验验证，很好的证明了声音识别在射频传输线打火监测中的可行性，上述高功率射频传输线监测方法的可行性得到了验证。

为了便于理解，在此以某一具体应用对上述高功率射频传输线监测方法进行示例性描述如下：

参见图7所示的高功率射频传输线监测方法的示例图，图7中，拾音器紧密贴在高功率射频传输线的外壁上，拾音器与终端通讯连接，终端上有声学信号频谱分析与甄别系统，该系统中有预先训练好的BP神经网络；在高功率传输线的前端有高功率射频输入且高功率传输线的后端有高功率射频输出时，采用拾音器对高功率射频传输线中的声学信号进行实时采集并将采集到的声学信号实时传输到终端的声学信号频谱分析与甄别系统，随后由终端的声学信号频谱分析与甄别系统对拾音器采集到的声学信号进行实时频谱分析（即BP神经网络的实时分类），当拾音器采集到的声学信号频谱中存在射频打火特征频谱（即拾音器采集到的声学信号中存在作为故障声学信号的射频打火声）时，可判定高功率射频传输线出现故障，即高功率射频传输线上有故障打火点，此时高功率传输线前端的高功率射频输入需要进行紧急停机切断。

基于上述高功率射频传输线监测方法，本发明实施例还提供一种高功率射频传输线监测装置，参见图8所示，该装置可以包括以下模块：

获取模块802，用于获取拾音器采集到的高功率射频传输线中的声音信号；其中，所述拾音器紧密贴在所述高功率射频传输线的外壁上。

提取模块804，用于对获取的每个声音信号进行特征参数提取，得到每个声音信号的特征参数向量。

分类模块806，用于通过预先训练的神经网络模型对每个声音信号的特征参数向量进行分类，得到每个声音信号的分类结果。

确定模块808，用于基于全部声音信号的分类结果，确定所述高功率射频传输线的工作状态。

本发明实施例提供的一种高功率射频传输线监测装置，先获取拾音器采集到的高功率射频传输线中的声音信号，再对获取的每个声音信号进行特征参数提取以得到每个声音信号的特征参数向量，之后通过预先训练的神经网络模型对每个声音信号的特征参数向量进行分类以得到每个声音信号的分类结果，最终基于全部声音信号的分类结果，确定高功率射频传输线的工作状态。采用上述技术，通过拾音器在线采集声音信号，即采用非侵入式的监测方式，实现了高功率射频传输线工作状态的无损监测；上述技术中，由于声音信号不会受全反射的影响，因而可在线监测处于全反射下的高功率传输线的工作状态，且对于不同类型（波导型，同轴型等）的传输线在不同运行功率和频率下均具有普适性。

上述分类结果可以为属于射频打火声或不属于射频打火声；上述确定模块808还可以用于：若全部声音信号中存在属于射频打火声的声音信号，则将所述高功率射频传输线的工作状态确定为故障状态；若全部声音信号中不存在属于射频打火声的声音信号，则将所述高功率射频传输线的工作状态确定为正常状态。

上述特征参数可以包括Mel倒谱系数、一阶Mel倒谱系数和二阶Mel倒谱系数；上述提取模块804还可以用于：对每个声音信号进行预处理，得到相应的多个声音样本；其中，所述预处理包括依次进行的预加重、分帧和加窗；对每个声音样本进行快速傅里叶变换，得到相应的初始频谱；通过Mel滤波器组对每个初始频谱进行Mel滤波，得到相应的Mel频谱；对每个声音信号的Mel频谱进行倒谱分析，得到每个声音信号的Mel倒谱系数向量。

上述提取模块804还可以用于：对每个声音信号的Mel频谱依次进行取对数和离散余弦变换，得到每个声音信号的Mel倒谱系数；对每个声音信号的Mel倒谱系数分别进行一阶差分和二阶差分，得到每个声音信号的一阶Mel倒谱系数和二阶Mel倒谱系数；基于每个声音信号的Mel倒谱系数、一阶Mel倒谱系数和二阶Mel倒谱系数，构建出每个声音信号的Mel倒谱系数向量。

上述分类模块806还可以用于：通过所述神经网络模型基于预设的多个分类对每个声音信号的特征参数向量进行分类，得到每个声音信号的分类结果；其中，所述多个分类包括表征射频打火声的第一分类和表征环境声的第二分类。

上述神经网络模型的训练可以包括：按照预设比例从预先构建的声音库中分别获取训练样本集、测试样本集和验证样本集；其中，所述训练样本集、所述测试样本集和所述验证样本集均包含所述多个分类中每个分类的声音样本；通过所述训练样本集、所述测试样本集和所述验证样本集分别对初始神经网络模型进行训练、测试和验证，得到所述神经网络模型。

上述特征参数向量可以包括多个维度的Mel倒谱系数；上述分类模块806还可以用于：对于每个声音信号，通过所述神经网络模型根据该声音信号的目标维度的Mel倒谱系数值分布情况从所述第一分类和所述第二分类中确定出该声音信号的分类结果。

上述神经网络可以包括输入层、隐藏层和输出层；其中，所述输入层包含节点的数量与所述特征参数向量的维度数量相等，所述输出层包含节点的数量与所述神经网络的分类数量相等。

本发明实施例所提供的高功率射频传输线监测装置，其实现原理及产生的技术效果和前述高功率射频传输线监测方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述高功率射频传输线监测方法实施例中相应内容。

本发明实施例还提供了一种电子设备，如图9所示，为该电子设备的结构示意图，其中，该电子设备包括处理器91和存储器90，该存储器90存储有能够被该处理器91执行的计算机可执行指令，该处理器91执行该计算机可执行指令以实现上述高功率射频传输线监测方法。

在图9示出的实施方式中，该电子设备还包括总线92和通信接口93，其中，处理器91、通信接口93和存储器90通过总线92连接。

其中，存储器90可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口93（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线92可以是ISA（IndustryStandard Architecture，工业标准体系结构）总线、PCI（Peripheral ComponentInterconnect，外设部件互连标准）总线或EISA（Extended Industry StandardArchitecture，扩展工业标准结构）总线等。所述总线92可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

处理器91可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器91中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器91可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称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。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。结合本发明实施例所公开的高功率射频传输线监测方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器91读取存储器中的信息，结合其硬件完成前述实施例的高功率射频传输线监测方法的步骤。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。

所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种高功率射频传输线监测方法，其特征在于，所述方法包括：

获取拾音器采集到的高功率射频传输线中的声音信号；其中，所述拾音器紧密贴在所述高功率射频传输线的外壁上；

对获取的每个声音信号进行特征参数提取，得到每个声音信号的特征参数向量；

通过预先训练的神经网络模型对每个声音信号的特征参数向量进行分类，得到每个声音信号的分类结果；

基于全部声音信号的分类结果，确定所述高功率射频传输线的工作状态。

2.根据权利要求1所述的方法，其特征在于，所述分类结果为属于射频打火声或不属于射频打火声；基于全部声音信号的分类结果，确定所述高功率射频传输线的工作状态包括：

若全部声音信号中存在属于射频打火声的声音信号，则将所述高功率射频传输线的工作状态确定为故障状态；

若全部声音信号中不存在属于射频打火声的声音信号，则将所述高功率射频传输线的工作状态确定为正常状态。

3.根据权利要求1所述的方法，其特征在于，所述特征参数包括Mel倒谱系数、一阶Mel倒谱系数和二阶Mel倒谱系数；对获取的每个声音信号进行特征参数提取，得到每个声音信号的特征参数向量包括：

对每个声音信号进行预处理，得到相应的多个声音样本；其中，所述预处理包括依次进行的预加重、分帧和加窗；

对每个声音样本进行快速傅里叶变换，得到相应的初始频谱；

通过Mel滤波器组对每个初始频谱进行Mel滤波，得到相应的Mel频谱；

对每个声音信号的Mel频谱进行倒谱分析，得到每个声音信号的Mel倒谱系数向量。

4.根据权利要求3所述的方法，其特征在于，对每个声音信号的Mel频谱进行倒谱分析，得到每个声音信号的Mel倒谱系数向量包括：

对每个声音信号的Mel频谱依次进行取对数和离散余弦变换，得到每个声音信号的Mel倒谱系数；

对每个声音信号的Mel倒谱系数分别进行一阶差分和二阶差分，得到每个声音信号的一阶Mel倒谱系数和二阶Mel倒谱系数；

基于每个声音信号的Mel倒谱系数、一阶Mel倒谱系数和二阶Mel倒谱系数，构建出每个声音信号的Mel倒谱系数向量。

5.根据权利要求1所述的方法，其特征在于，通过预先训练的神经网络模型对每个声音信号的特征参数向量进行分类，得到每个声音信号的分类结果包括：

通过所述神经网络模型基于预设的多个分类对每个声音信号的特征参数向量进行分类，得到每个声音信号的分类结果；其中，所述多个分类包括表征射频打火声的第一分类和表征环境声的第二分类。

6.根据权利要求5所述的方法，其特征在于，所述神经网络模型的训练包括：

按照预设比例从预先构建的声音库中分别获取训练样本集、测试样本集和验证样本集；其中，所述训练样本集、所述测试样本集和所述验证样本集均包含所述多个分类中每个分类的声音样本；

通过所述训练样本集、所述测试样本集和所述验证样本集分别对初始神经网络模型进行训练、测试和验证，得到所述神经网络模型。

7.根据权利要求5所述的方法，其特征在于，所述特征参数向量包括多个维度的Mel倒谱系数；通过所述神经网络模型基于预设的多个分类对每个声音信号的特征参数向量进行分类，得到每个声音信号的分类结果包括：

对于每个声音信号，通过所述神经网络模型根据该声音信号的目标维度的Mel倒谱系数值分布情况从所述第一分类和所述第二分类中确定出该声音信号的分类结果。

8.根据权利要求1所述的方法，其特征在于，所述神经网络包括输入层、隐藏层和输出层；其中，所述输入层包含节点的数量与所述特征参数向量的维度数量相等，所述输出层包含节点的数量与所述神经网络的分类数量相等。

9.一种高功率射频传输线监测装置，其特征在于，所述装置包括：

获取模块，用于获取拾音器采集到的高功率射频传输线中的声音信号；其中，所述拾音器紧密贴在所述高功率射频传输线的外壁上；

提取模块，用于对获取的每个声音信号进行特征参数提取，得到每个声音信号的特征参数向量；

分类模块，用于通过预先训练的神经网络模型对每个声音信号的特征参数向量进行分类，得到每个声音信号的分类结果；

确定模块，用于基于全部声音信号的分类结果，确定所述高功率射频传输线的工作状态。

10.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至8任一项所述的方法。

Images