本申请涉及电弧检测技术领域，特别涉及一种电弧检测方法及装置。所述方法包括：采集电流信号，并对采集到的电流信号进行分帧加窗处理，得到若干帧电流信号；计算每一帧电流信号的梅尔频率倒谱系数，并根据每帧电流信号的梅尔频率倒谱系数构建梅尔频率倒谱系数矩阵；构建卷积神经网络模型，并对所述卷积神经网络模型进行训练，得到训练完成的卷积神经网络模型；采用预先训练完成的卷积神经网络模型，对所述梅尔频率倒谱系数矩阵进行识别分类，并根据识别分类结果判断电路中是否发生电弧。据识别分类结果判断电路中是否发生电弧。据识别分类结果判断电路中是否发生电弧。
【技术实现步骤摘要】
一种电弧检测方法及装置
[0001]本申请涉及电弧检测
，特别涉及一种电弧检测方法及装置。
技术介绍
[0002]电气火灾在当今社会中的火灾事故中占有很高的比例，而电弧故障是导致电气火灾的重要原因之一。故障电弧通常是由于线路、设备绝缘老化和破损，或不良的电气连接造成的，当发生故障电弧时，电弧的发生会释放高温，极其容易引起火灾。电弧产生的压力、辐射、弧根效应不仅对电气设备容易造成损害，甚至还会造成人身伤亡事故和重大的经济、电弧故障是电气火灾事故的最主要诱因。那么，电弧故障的在线准确快速识对减少电气火灾有重要的指导意义。
技术实现思路
[0003]本申请提供了一种电弧检测方法及装置，用以解决现有技术中存在的无法在线准确快速识别电弧故障的问题。
[0004]第一方面，本申请提供了一种电弧检测方法，所述方法包括：
[0005]采集电流信号，并对采集到的电流信号进行分帧加窗处理，得到若干帧电流信号；
[0006]计算每一帧电流信号的梅尔频率倒谱系数，并根据每帧电流信号的梅尔频率倒谱系数构建梅尔频率倒谱系数矩阵；
[0007]构建卷积神经网络模型，并对所述卷积神经网络模型进行训练，得到训练完成的卷积神经网络模型；
[0008]采用预先训练完成的卷积神经网络模型，对所述梅尔频率倒谱系数矩阵进行识别分类，并根据识别分类结果判断电路中是否发生电弧。
[0009]可选地，对采集到的电流信号进行分帧加窗处理之前，所述方法还包括：
[0010]采用高通滤波器对采集到的电流信号进行预加重处理，得到预加重处理后的电流信号；
[0011]对采集到的电流信号进行分帧加窗处理，得到若干帧电流信号的步骤包括：
[0012]对所述预加重处理后的电流信号进行分帧加窗处理，得到若干帧电流信号。
[0013]可选地，计算每一帧电流信号的梅尔频率倒谱系数的步骤包括：
[0014]针对每一帧电流信号分别进行快速傅里叶变换，并采用预设的三角带通滤波器对变换结果进行特征提取，以及对每个滤波器提取出的特征进行离散余弦变换，得到对应的梅尔频率倒谱系数。
[0015]可选地，构建二维卷积神经网络模型，并对所述二维卷积神经网络模型进行训练，得到训练完成的二维卷积神经网络模型的步骤包括：
[0016]构建卷积神经网络模型并初始化权值参数；
[0017]将样本数据输入卷积神经网络模型，样本数据经过卷积层、池化层、全连接层的前向传播得到输出值；
[0018]计算所述输出值与目标值之间的误差；
[0019]若误差大于期望值，则将误差传回卷积神经网络模型中，依次求得全连接层、池化层、卷积层的误差，并根据各层误差调整卷积神经网络模型各层权值，并执行将样本数据输入卷积神经网络模型，样本数据经过卷积层、池化层、全连接层的前向传播得到输出值的步骤；
[0020]若误差小于等于期望值，则确定卷积神经网络模型训练完成，得到训练完成的卷积神经网络模型。
[0021]可选地，
[0022]所述卷积神经网络总体结构包括：一层输入层，堆叠五层卷积层和池化层，一层全连接层。
[0023]第二方面，本申请提供了一种电弧检测装置，所述装置包括：
[0024]采集单元，用于采集电流信号，并对采集到的电流信号进行分帧加窗处理，得到若干帧电流信号；
[0025]计算单元，用于计算每一帧电流信号的梅尔频率倒谱系数，并根据每帧电流信号的梅尔频率倒谱系数构建梅尔频率倒谱系数矩阵；
[0026]构建单元，用于构建卷积神经网络模型，并对所述卷积神经网络模型进行训练，得到训练完成的卷积神经网络模型；
[0027]判断单元，用于采用预先训练完成的卷积神经网络模型，对所述梅尔频率倒谱系数矩阵进行识别分类，并根据识别分类结果判断电路中是否发生电弧。
[0028]可选地，对采集到的电流信号进行分帧加窗处理之前，所述装置还包括：
[0029]预处理单元，用于采用高通滤波器对采集到的电流信号进行预加重处理，得到预加重处理后的电流信号；
[0030]对采集到的电流信号进行分帧加窗处理，得到若干帧电流信号时，所述采集单元具体用于
[0031]对所述预加重处理后的电流信号进行分帧加窗处理，得到若干帧电流信号。
[0032]可选地，计算每一帧电流信号的梅尔频率倒谱系数时，所述计算单元具体用于：
[0033]针对每一帧电流信号分别进行快速傅里叶变换，并采用预设的三角带通滤波器对变换结果进行特征提取，以及对每个滤波器提取出的特征进行离散余弦变换，得到对应的梅尔频率倒谱系数。
[0034]可选地，构建二维卷积神经网络模型，并对所述二维卷积神经网络模型进行训练，得到训练完成的二维卷积神经网络模型时，所述构建单元具体用于：
[0035]构建卷积神经网络模型并初始化权值参数；
[0036]将样本数据输入卷积神经网络模型，样本数据经过卷积层、池化层、全连接层的前向传播得到输出值；
[0037]计算所述输出值与目标值之间的误差；
[0038]若误差大于期望值，则将误差传回卷积神经网络模型中，依次求得全连接层、池化层、卷积层的误差，并根据各层误差调整卷积神经网络模型各层权值，并执行将样本数据输入卷积神经网络模型，样本数据经过卷积层、池化层、全连接层的前向传播得到输出值的步骤；
[0039]若误差小于等于期望值，则确定卷积神经网络模型训练完成，得到训练完成的卷积神经网络模型。
[0040]可选地，
[0041]所述卷积神经网络总体结构包括：一层输入层，堆叠五层卷积层和池化层，一层全连接层。
[0042]第三方面，本申请实施例提供一种电弧检测装置，该装置包括：
[0043]存储器，用于存储程序指令；
[0044]处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行如上述第一方面中任一项所述的方法的步骤。
[0045]第四方面，本申请实施例还提供了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可执行指令，所述计算机可执行指令用于使所述计算机执行如上述第一方面中任一项所述方法的步骤。
[0046]综上可知，本申请实施例提供的电弧检测方法，采集电流信号，并对采集到的电流信号进行分帧加窗处理，得到若干帧电流信号；计算每一帧电流信号的梅尔频率倒谱系数，并根据每帧电流信号的梅尔频率倒谱系数构建梅尔频率倒谱系数矩阵；构建卷积神经网络模型，并对所述卷积神经网络模型进行训练，得到训练完成的卷积神经网络模型；采用预先训练完成的卷积神经网络模型，对所述梅尔频率倒谱系数矩阵进行识别分类，并根据识别分类结果判断电路中是否发生电弧。
[0047]采用本申请实施例提供的电弧检测方法，采集并提取电流信号的梅尔频率倒谱系数矩阵特征，并基于卷积神经网络对电弧故障进行在线识别，这样，就能够在线，快速且准确的检测出电路中是否产生电弧。从而能够减少电本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种电弧检测方法，其特征在于，所述方法包括：采集电流信号，并对采集到的电流信号进行分帧加窗处理，得到若干帧电流信号；计算每一帧电流信号的梅尔频率倒谱系数，并根据每帧电流信号的梅尔频率倒谱系数构建梅尔频率倒谱系数矩阵；构建卷积神经网络模型，并对所述卷积神经网络模型进行训练，得到训练完成的卷积神经网络模型；采用预先训练完成的卷积神经网络模型，对所述梅尔频率倒谱系数矩阵进行识别分类，并根据识别分类结果判断电路中是否发生电弧。2.如权利要求1所述的方法，其特征在于，对采集到的电流信号进行分帧加窗处理之前，所述方法还包括：采用高通滤波器对采集到的电流信号进行预加重处理，得到预加重处理后的电流信号；对采集到的电流信号进行分帧加窗处理，得到若干帧电流信号的步骤包括：对所述预加重处理后的电流信号进行分帧加窗处理，得到若干帧电流信号。3.如权利要求1或2所述的方法，其特征在于，计算每一帧电流信号的梅尔频率倒谱系数的步骤包括：针对每一帧电流信号分别进行快速傅里叶变换，并采用预设的三角带通滤波器对变换结果进行特征提取，以及对每个滤波器提取出的特征进行离散余弦变换，得到对应的梅尔频率倒谱系数。4.如权利要求1或2所述的方法，其特征在于，构建二维卷积神经网络模型，并对所述二维卷积神经网络模型进行训练，得到训练完成的二维卷积神经网络模型的步骤包括：构建卷积神经网络模型并初始化权值参数；将样本数据输入卷积神经网络模型，样本数据经过卷积层、池化层、全连接层的前向传播得到输出值；计算所述输出值与目标值之间的误差；若误差大于期望值，则将误差传回卷积神经网络模型中，依次求得全连接层、池化层、卷积层的误差，并根据各层误差调整卷积神经网络模型各层权值，并执行将样本数据输入卷积神经网络模型，样本数据经过卷积层、池化层、全连接层的前向传播得到输出值的步骤；若误差小于等于期望值，则确定卷积神经网络模型训练完成，得到训练完成的卷积神经网络模型。5.如权利要求4所述的方法，其特征在于，所述卷积神经网络总体结构包括：一层输入层，堆叠五层卷积层和池化层，一层全连接层。6.一种电弧检测装置，其特征在于，所述装置包括：采集单元，用于采集电流...
【专利技术属性】
技术研发人员：段骁晗，线策，蒋磊，潘颖超，
申请(专利权)人：线策潘颖超，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。