基于深度学习的局部放电超声音频识别方法及系统技术方案

本发明专利技术提供了一种基于深度学习的局部放电超声音频识别方法及系统，包括：通过检测电力设备的局部放电超声信号，获得局部放电超声音频数据；将局部放电超声音频数据转换为声谱图；建立深度卷积神经网络模型，使用样本训练网络；将待诊断的局部放电超声音频数据输入训练好的网络，输出得到局部放电缺陷类型。本发明专利技术通过将局部放电超声音频数据转换为声谱图，使用深度卷积神经网络识别声谱图，能准确有效地识别局部放电各类缺陷的超声信号，为电力设备的绝缘状态评估提供了方便而可靠的诊断方法。

【技术实现步骤摘要】

本专利技术涉及电力设备故障诊断领域，具体地，涉及基于深度学习的局部放电超声音频识别方法及系统。
技术介绍
局部放电会在电力设备内部产生声信号，超声波法通过在设备腔体外壁上安装超声传感器来测量局部放电信号。该方法的特点是不受电气干扰，定位准确度高。通过对声信号进行采集、分析和判断，记录各类局部放电的超声数据，分析各类局部放电的超声信号特征差异，判断局部放电类型，可以识别和定位电力设备局部放电故障，为维护电力设备安全稳定运行提供保障。目前常用的超声诊断方法存在局限，如超声幅值阈值判方法的判断规则简单、不能识别缺陷类型，如相位图谱方法特征参数有限、准确率较低，如传统语音识别方法训练复杂度高、解码时延高等。通过深度学习(DeepLearning)技术构造网络模型识别超声信号，为超声诊断方法提供了新的解决途径。
技术实现思路
针对现有技术中的缺陷，本专利技术的目的是提供一种基于深度学习的局部放电超声音频识别方法及系统。根据本专利技术提供的基于深度学习的局部放电超声音频识别方法，包括如下步骤：步骤1：检测电力设备的局部放电超声信号，获得局部放电超声音频数据；步骤2：将局部放电超声音频数据转换为声谱图；步骤3：建立深度卷积神经网络模型，使用样本训练深度卷积神经网络；步骤4：将待诊断的局部放电超声音频数据输入训练好的深度卷积神经网络模型中，输出得到局部放电缺陷类型。优选地，所述步骤1包括：通过局部放电检测仪器采集电力设备的超声信号，获得局部放电超声音频数据；具体地，超声信号通过空声传感器或表贴式超声传感器采集后，经过放大、传感器选择、带通滤波和检波电路后从耳机输出，并记录下超声音频数据；其中，超声音频数据的类型包括：电晕放电、悬浮电位放电、微粒放电、内部放电、沿面放电、机械振动和背景噪声。优选地，所述步骤2包括：步骤2.1：从原始音频数据中截取指定长度，指定长度的超声音频数据又称为标准长度的超声音频数据；步骤2.2：将标准长度的超声音频数据分割为短时帧，每帧之间按照指定步长有重叠，并将每帧数据做离散短时傅立叶变换，然后将频谱连接为声谱图；其中，短时傅立叶变换，即ShortTimeFourierTransform，简写为STFT，表示为STFT{x[n]本文档来自技高网...

【技术保护点】
一种基于深度学习的局部放电超声音频识别方法，其特征在于，包括如下步骤：步骤1：检测电力设备的局部放电超声信号，获得局部放电超声音频数据；步骤2：将局部放电超声音频数据转换为声谱图；步骤3：建立深度卷积神经网络模型，使用样本训练深度卷积神经网络；步骤4：将待诊断的局部放电超声音频数据输入训练好的深度卷积神经网络模型中，输出得到局部放电缺陷类型。

【技术特征摘要】
1.一种基于深度学习的局部放电超声音频识别方法，其特征在于，包括如下步骤：步骤1：检测电力设备的局部放电超声信号，获得局部放电超声音频数据；步骤2：将局部放电超声音频数据转换为声谱图；步骤3：建立深度卷积神经网络模型，使用样本训练深度卷积神经网络；步骤4：将待诊断的局部放电超声音频数据输入训练好的深度卷积神经网络模型中，输出得到局部放电缺陷类型。2.根据权利要求1所述的基于深度学习的局部放电超声音频识别方法，其特征在于，所述步骤1包括：通过局部放电检测仪器采集电力设备的超声信号，获得局部放电超声音频数据；具体地，超声信号通过空声传感器或表贴式超声传感器采集后，经过放大、传感器选择、带通...

【专利技术属性】
技术研发人员：黄成军，郭灿新，欧阳三元，宋方，张克勤，
申请(专利权)人：华乘电气科技上海股份有限公司，
类型：发明
国别省市：上海;31