一种基于声振信号深度学习的制造技术

本发明专利技术公开了一种基于声振信号深度学习的

【技术实现步骤摘要】
一种基于声振信号深度学习的GIS缺陷确定方法和系统


[0001]本专利技术涉及气体绝缘开关设备
GIS
缺陷识别领域，具体涉及一种基于声振信号深度学习的
GIS
缺陷确定方法和系统
。

技术介绍

[0002]常规的
GIS
缺陷预警主要采用基于信号分析的缺陷诊断方法，利用信号分析理论获得系统时域和频域中较深层次的多种特征向量，利用这些特征向量与系统缺陷之间的关系来预警缺陷，但建立特征量和缺陷的解析模型非常困难
。

技术实现思路

[0003]针对上述技术问题，本专利技术提供一种基于声振信号深度学习的
GIS
缺陷确定方法和系统，以解决现有技术中存在的基于信号分析的缺陷诊断方法需要获得多种特征向量，但建立特征量和缺陷的解析模型非常困难的技术问题
。
[0004]本专利技术提供的一种基于声振信号深度学习的
GIS
缺陷确定方法，包括：
[0005]获取气体绝缘开关设备
GIS
的原始声音信号和原始振动信号；
[0006]滤除所述原始声音信号和原始振动信号中的干扰信号，获取估计声音源信号和估计振动源信号；
[0007]计算所述估计声音源信号和所述估计振动源信号的倒谱系数；
[0008]基于预先构建的基于简单循环单元
SRU
的神经网络模型，根据输入的所述估计声音源信号和所述估计振动源信号的倒谱系数，输出所述倒谱系数对应的气体绝缘开关设备
GIS
缺陷
。
[0009]进一步的，滤除所述原始声音信号和原始振动信号中的干扰信号，获取估计声音源信号和估计振动源信号，包括：
[0010]利用小波包分别对所述原始声音信号和原始振动信号进行分解，获取声音子带信号和振动子带信号；
[0011]计算所述声音子带信号和振动子带信号的互信息值；
[0012]选取所述互信息值中的子空间信号，通过重构所述子空间信号，获得重构空间子信号；
[0013]将所述重构空间子信号进行
fastICA
分解，求得分离矩阵；
[0014]根据所述分离矩阵对所述原始声音信号和所述原始振动信号进行盲源分离，获得估计声音源信号和估计振动源信号
。
[0015]进一步的，计算所述估计声音源信号和所述估计振动源信号的倒谱系数，包括：
[0016]对所述估计声音源信号和所述估计振动源信号进行分帧处理，获得分帧数据；
[0017]对所述分帧数据中的每帧数据应用汉明窗进行加窗处理，确定加窗后的每帧数据；
[0018]对加窗后的每帧数据进行快速傅里叶变换获得每帧数据的频谱，并对每帧数据的
频谱取模求平方得到功率谱；
[0019]通过三角带通滤波器对所述功率谱进行平滑，滤除谐波，输出滤波后的功率谱；
[0020]对三角带通滤波器输出的功率谱求取对数，并进行离散余弦变换，得到每帧数据的倒谱系数
。
[0021]进一步的，所述预先构建的基于简单循环单元
SRU
的神经网络模型，将训练集和测试集中的估计声音源信号和估计振动源信号的倒谱系数作为输入，气体绝缘开关设备
GIS
缺陷作为输出，对所述基于简单循环单元
SRU
的神经网络模型进行训练和测试，当所述基于简单循环单元
SRU
的神经网络模型识别
GIS
缺陷的准确率达到预设值时，完成所述基于简单循环单元
SRU
的模型神经网络的训练和测试
。
[0022]基于同一专利技术构思，本专利技术还提供了一种基于声振信号深度学习的
GIS
缺陷确定系统，其特征在于，包括：
[0023]原始信号获取模块，用于获取气体绝缘开关设备
GIS
的原始声音信号和原始振动信号；
[0024]干扰信号滤除模块，用于滤除所述原始声音信号和原始振动信号中的干扰信号，获取估计声音源信号和估计振动源信号；
[0025]倒谱系数计算模块，用于计算所述估计声音源信号和所述估计振动源信号的倒谱系数；
[0026]GIS
缺陷确定模块，用于基于预先构建的基于简单循环单元
SRU
的神经网络模型，根据输入的所述估计声音源信号和所述估计振动源信号的倒谱系数，输出所述倒谱系数对应的气体绝缘开关设备
GIS
缺陷
。
[0027]进一步的，干扰信号滤除模块，包括：
[0028]分解子模块，用于利用小波包分别对所述原始声音信号和原始振动信号进行分解，获取声音子带信号和振动子带信号；
[0029]互信息值计算子模块，用于计算所述声音子带信号和振动子带信号的互信息值；
[0030]重构子模块，用于选取所述互信息值中的子空间信号，通过重构所述子空间信号，获得重构空间子信号；
[0031]分离矩阵获取模块，用于将所述重构空间子信号进行
fastICA
分解，求得分离矩阵；
[0032]盲源分离子模块，用于根据所述分离矩阵对所述原始声音信号和所述原始振动信号进行盲源分离，获得估计声音源信号和估计振动源信号
。
[0033]进一步的，倒谱系数计算模块，包括：
[0034]分帧处理子模块，用于对所述估计声音源信号和所述估计振动源信号进行分帧处理，获得分帧数据；
[0035]加窗处理子模块，用于对所述分帧数据中的每帧数据应用汉明窗进行加窗处理，确定加窗后的每帧数据；
[0036]功率谱获取子模块，用于对加窗后的每帧数据进行快速傅里叶变换获得每帧数据的频谱，并对每帧数据的频谱取模求平方得到功率谱；
[0037]滤波子模块，用于通过三角带通滤波器对所述功率谱进行平滑，滤除谐波，输出滤波后的功率谱；
[0038]倒谱系数获取子模块，用于对三角带通滤波器输出的功率谱求取对数，并进行离散余弦变换，得到每帧数据的倒谱系数
。
[0039]进一步的，所述预先构建的基于简单循环单元
SRU
的神经网络模型，将训练集和测试集中的估计声音源信号和估计振动源信号的倒谱系数作为输入，气体绝缘开关设备
GIS
缺陷作为输出，对所述基于简单循环单元
SRU
的神经网络模型进行训练和测试，当所述基于简单循环单元
SRU
的神经网络模型识别
GIS
缺陷的准确率达到预设值时，完成所述基于简单循环单元
SRU
的神经网络模型的训练和测试
。
[0040]本专利技术同时还提供了一种电子设备，包括存储器
、
处理器及存储在存储器上并可在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上述权利要求中任一项所述方法的步骤
。
[0041本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于声振信号深度学习的
GIS
缺陷确定方法，其特征在于，包括：获取气体绝缘开关设备
GIS
的原始声音信号和原始振动信号；滤除所述原始声音信号和原始振动信号中的干扰信号，获取估计声音源信号和估计振动源信号；计算所述估计声音源信号和所述估计振动源信号的倒谱系数；基于预先构建的基于简单循环单元
SRU
的神经网络模型，根据输入的所述估计声音源信号和所述估计振动源信号的倒谱系数，输出所述倒谱系数对应的气体绝缘开关设备
GIS
缺陷
。2.
根据权利要求1所述的方法，其特征在于，滤除所述原始声音信号和原始振动信号中的干扰信号，获取估计声音源信号和估计振动源信号，包括：利用小波包分别对所述原始声音信号和原始振动信号进行分解，获取声音子带信号和振动子带信号；计算所述声音子带信号和振动子带信号的互信息值；选取所述互信息值中的子空间信号，通过重构所述子空间信号，获得重构空间子信号；将所述重构空间子信号进行
fastICA
分解，求得分离矩阵；根据所述分离矩阵对所述原始声音信号和所述原始振动信号进行盲源分离，获得估计声音源信号和估计振动源信号
。3.
根据权利要求1所述的方法，其特征在于，计算所述估计声音源信号和所述估计振动源信号的倒谱系数，包括：对所述估计声音源信号和所述估计振动源信号进行分帧处理，获得分帧数据；对所述分帧数据中的每帧数据应用汉明窗进行加窗处理，确定加窗后的每帧数据；对加窗后的每帧数据进行快速傅里叶变换获得每帧数据的频谱，并对每帧数据的频谱取模求平方得到功率谱；通过三角带通滤波器对所述功率谱进行平滑，滤除谐波，输出滤波后的功率谱；对三角带通滤波器输出的功率谱求取对数，并进行离散余弦变换，得到每帧数据的倒谱系数
。4.
根据权利要求1所述的方法，其特征在于，所述预先构建的基于简单循环单元
SRU
的神经网络模型，将训练集和测试集中的估计声音源信号和估计振动源信号的倒谱系数作为输入，气体绝缘开关设备
GIS
缺陷作为输出，对所述基于简单循环单元
SRU
的神经网络模型进行训练和测试，当所述基于简单循环单元
SRU
的神经网络模型识别
GIS
缺陷的准确率达到预设值时，完成所述基于简单循环单元
SRU
的模型神经网络的训练和测试
。5.
一种基于声振信号深度学习的
GIS
缺陷确定系统，其特征在于，包括：原始信号获取模块，用于获取气体绝缘开关设备
GIS
的原始声音信号和原始振动信号；干扰信号滤除模块，用于滤除所述原始声音信号和原始振动信号中的干扰信号，获取估计声音源信号和估计振...

【专利技术属性】
技术研发人员：何宁辉，朱家运，周秀，陈巳阳，尚文同，何楷，刘博，马飞越，高飞，杨宁，贾鹏飞，张博文，韩帅，李丽华，杨洋，陈没，廖思卓，孙仿，
申请(专利权)人：中国电力科学研究院有限公司国家电网有限公司国网宁夏电力有限公司，
类型：发明
国别省市：