System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及局部放电信号处理,具体为基于可分离卷积神经网络的局放信号去混叠系统及方法。
技术介绍
1、现代社会中,各个行业都开始向着自适应识别、自动化以及更加智能的方向发展,尤其是对于工业机械行业来说,它们的结构更加的完善,体系更加的智能,识别也更加的自适应。
2、变压器的正常运行总是在设备的运作流程中占据了重要的地位。很多时候,无论是长距离输电,抑或是短距离送电,只要是变压器正常有序的运行着,都依赖于设备流程的每个环节是正确的。一旦变压器的工作无法正常进行,有可能会很大程度上导致一些生产的巨大损失。变压器从设备设计的时候开始,影响设备的一些因素,例如:运输环境、设备器件的磨损以及电气强度等等方面。设备开始工作后,随着设备的不断运转,自身器件的磨损也会愈演愈烈。所以,保证变压器的顺利运行便是当机贵断。
3、电力变压器的绝缘缺陷主要特征表现为局部放电。每种微小的故障都不会在短期或是瞬时间对变压器造成整体的故障,而是随着时间的流动,局部放电的范围就会渐渐的发展及增大,最终导致更加严重的系统故障和巨大的损失。当变压器出现局部放电情况时,不同状态会表现出不同程度的劣化,及时准确的预估和判断分析局部放电信号,并且提取其中有效的特征信息为后续的局部放电状态识别。但提取出的局部放电信号都存在频域混叠与噪声干扰的问题。
4、然而,现有的混叠消除方法分离出的局部放电信号依然存在着分离不彻底、分离的信号存在缺失或者冗余以及分离时间过长的问题。
5、因此,提出基于可分离卷积神经网络的局放信号去混叠系统
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足,本专利技术提供了基于可分离卷积神经网络的局放信号去混叠方法,具备可以准确地分离出混叠在一起的局部放电信号等优点,解决了现有的混叠消除方法分离出的局部放电信号依然存在着分离不彻底、分离的信号存在缺失或者冗余以及分离时间过长的问题。
3、(二)技术方案
4、本专利技术解决上述技术问题的技术方案如下:基于可分离卷积神经网络的局放信号去混叠系统,包括:
5、采集模块:用于获取原始局部放电信号数据;
6、预处理模块:用于转换原始局部放电信号为有序局部放电信号;
7、局部放电信号频域混叠分离网络:用于处理有序局部放电信号获取所有解混叠的局部放电信号并进行重构为最终的局部放电信号。
8、在上述技术方案的基础上,本专利技术还可以做如下改进。
9、进一步,所述局部放电信号频域混叠分离网络包括经训练的可分离卷积神经网络模型及信号恢复网络模型;
10、所述可分离卷积神经网络模型包括:
11、编码器,用于获得局部放电信号的权重估计;
12、分离网络,用于得到每个局部放电源的掩码矩阵;
13、解码器,用于对掩码矩阵和混合源权重矩阵进行反卷积运算获得分离局放信号;
14、所述信号恢复网络模型包括:
15、深度卷积生成对抗网络(dcgan):用于生成仿真局放信号
16、全连接层:用于重构局部放电信号。
17、进一步,所述编码器由输入信号和一个一维卷积组成;
18、所述分离网络包括一维卷积块、高斯误差线性单元以及一个sigmoid函数组成;
19、所述解码器由一个一维反卷积组成。
20、进一步,所述深度卷积生成对抗网络包括:
21、生成器,用来生成假的局部放电信号;
22、鉴别器,用来鉴别局部放电信号的真假。
23、基于可分离卷积神经网络的局放信号去混叠方法:所述方法包括:
24、获取原始局部放电信号数据;
25、对原始局部放电信号进行预处理;
26、将预处理后的局部放电信号有序化获得一维有序局部放电信号;
27、将一维有序局部放电信号输入局部放电信号频域混叠分离网络中,先经处理获得所有解混叠的局部放电信号再经重构处理后输出最终的局部放电信号。
28、进一步,所述原始局部放电信号的预处理操作包括:对原始局部放电信号进行归一化处理;
29、对所述预处理后的局部放电信号进行有序化的操作包括:通过一个可逆矩阵μ将预处理后的局部放电信号有序化。
30、进一步,所述可分离卷积神经网络模型的具体过程如下:
31、1-1)、输入一维有序局部放电信号,对输入的一维有序局部放电信号进行一维门控卷积层来完成非负混合权重ni的估计;
32、1-2)、将i个混合权重向量ni=[n1,n2,…,ni]输入到lstm网络,模拟i段之间的时间依赖性,再输入带有softmax激活函数的全连接层处理生成掩码矩阵;
33、1-3)、通过每一个局放源的掩码矩阵和混合权重向量得到源权重矩阵,再对源权重矩阵进行线性反卷积计算恢复局部放电信号波形。
34、进一步,在所述可分离卷积神经网络模型对输入的一维有序局部放电信号进行处理过程中,还包括:
35、2-1)、将原始的一维有序局部放电信号转化为托普利兹矩阵;
36、其中,具体为:
37、
38、
39、其中,表示第行,第列元素x和y,nr表示原局放信号的列数;
40、2-2)、托普利兹矩阵中间行包含整个矩阵的信息最多,通过
41、
42、
43、得到一个二维不变卷积核。
44、其中,表示卷积核列数,表示卷积核行数;
45、2-3)、通过二维不变核得到一个一维可分离卷积核取特征值分解,可得:
46、
47、其中,λi为特征值,ui为特征向量。
48、进一步,所述深度卷积生成对抗网络(dcgan)的具体过程如下:
49、3-1)、生成器以一个随机数作为输入,生成一个假的局部放电信号;
50、3-2)、分别输入真的局部放电信号和假局部放电信号至鉴别器中进行处理,直到一个矢量的图像特征可以组装为输出;
51、3-3)、生成器调整权重和偏差,生成仿真局放信号。
52、进一步,所述全连接层的具体过程如下:
53、4-1)、获取所述深度卷积生成对抗网络输出的特征向量;
54、4-2)、将所述特征向量输入全连接层解码,重构局部放电信号;
55、4-3)、将所述重构局部放电信号反归一化。
56、本专利技术的有益效果是:
57、(1)本专利技术提供了一个能够修复分离信号的网络模型,通过可分离卷积神经网络模型(scnet)将输入的混叠信号进行编码、分离、解码,再通过信号恢复网络模型(signalrecovery)将分离后的混叠信号补全或者去冗余,使其恢复成一个相对完美的局部放电信号,为后续精确地局部放电信号识别本文档来自技高网...
【技术保护点】
1.基于可分离卷积神经网络的局放信号去混叠系统,其特征在于,包括:
2.根据权利要求1所述的基于可分离卷积神经网络的局放信号去混叠系统,其特征在于,所述局部放电信号频域混叠分离网络包括经训练的可分离卷积神经网络模型及信号恢复网络模型;
3.根据权利要求2所述的基于可分离卷积神经网络的局放信号去混叠系统,其特征在于,所述编码器由输入信号和一个一维卷积组成;
4.根据权利要求2所述的基于可分离卷积神经网络的局放信号去混叠系统,其特征在于,所述深度卷积生成对抗网络包括:
5.应用权利要求2-4中任一项所述的基于可分离卷积神经网络的局放信号去混叠系统的方法,其特征在于,所述方法包括:
6.根据权利要求5所述的基于可分离卷积神经网络的局放信号去混叠方法,其特征在于:所述原始局部放电信号的预处理操作包括:对原始局部放电信号进行归一化处理;
7.根据权利要求5所述的基于可分离卷积神经网络的局放信号去混叠方法,其特征在于:所述可分离卷积神经网络模型的具体过程如下:
8.根据权利要求7所述的基于可分离卷积神经网络的
9.根据权利要求5所述的基于可分离卷积神经网络的局放信号去混叠方法,其特征在于:所述深度卷积生成对抗网络(DCGAN)的具体过程如下:
10.根据权利要求9所述的基于可分离卷积神经网络的局放信号去混叠方法,其特征在于:所述全连接层的具体过程如下:
...【技术特征摘要】
1.基于可分离卷积神经网络的局放信号去混叠系统,其特征在于,包括:
2.根据权利要求1所述的基于可分离卷积神经网络的局放信号去混叠系统,其特征在于,所述局部放电信号频域混叠分离网络包括经训练的可分离卷积神经网络模型及信号恢复网络模型;
3.根据权利要求2所述的基于可分离卷积神经网络的局放信号去混叠系统,其特征在于,所述编码器由输入信号和一个一维卷积组成;
4.根据权利要求2所述的基于可分离卷积神经网络的局放信号去混叠系统,其特征在于,所述深度卷积生成对抗网络包括:
5.应用权利要求2-4中任一项所述的基于可分离卷积神经网络的局放信号去混叠系统的方法,其特征在于,所述方法包括:
6.根据权利要求5所述的基于可分离卷积神经网络...
【专利技术属性】
技术研发人员:邓奕,祝季楹,王磊,刘嘉政,谢铨,吴梓宜,朱奎虎,赵国瑾,朱文强,张国琴,余烈,
申请(专利权)人:武汉纺织大学,
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。