一種修正超聲波局部放電檢測的方法和系統的制作方法
【專利摘要】本發明提供一種修正超聲波局部放電檢測的方法，包括從歷史數據中提取多個局部放電信號線性頻譜后處理，得到系數矩陣及每一局部放電信號的主成分特征，構建出局部放電信號的分類模型及每一類的線性頻譜均值；獲取純噪聲信號的線性頻譜均值，根據系數矩陣，得到純噪聲超聲波信號的分類模型；將局部放電信號每一類的線性頻譜均值與純噪聲信號的線性頻譜均值相加，修正局部放電信號的分類模型；獲取待檢信號，根據系數矩陣得到待檢信號的主成分特征并引入純噪聲及局部放電信號修正后的分類模型中，篩選出歐氏距離最小對應分類模型中的信號輸出。實施本發明，避免人工因素干擾，引入特征維數低，訓練數據少，從而達到省時省力且檢測結果客觀的目的。
【專利說明】
一種修正超聲波局部放電檢測的方法和系統
技術領域
[0001] 本發明涉及局部放電信號檢測技術領域，尤其涉及一種修正超聲波局部放電檢測 的方法和系統。
【背景技術】
[0002] 為了保障設備的安全穩定運行，需進行絕緣性能檢測與故障診斷，而局部放電是 導致設備絕緣事故發生的最主要原因，因此采用超聲波檢測方法對設備進行局部放電實時 檢測，可以全面掌握設備實時運行狀況，并可對之后一段時長內的絕緣狀態進行預測，同時 根據其絕緣狀況采取合適的檢修和維護策略，這對保證供電系統的穩定可靠運行具有非常 積極的意義。
[0003] 目前，基于超聲波檢測局部放電技術的檢測設備已投入市場使用，常用的設備有 兩種:一種是通過壓電原理，將超聲波信號轉化為電流信號后，經內部處理器將其轉化為音 頻信號，從而局部放電信號的有無可通過高保真耳機來監聽音頻信號的異常來判斷；另一 種是通過人工設定閾值及報警功能來實現檢測，通過dB值顯示局部放電超聲波信號的大 小。
[0004] 上述兩種設備在現場實際檢測中都會遇到下面的一些問題:在第一種設備檢測過 程中，由于每個人的聽覺生理特性的不同，檢測人員對監聽到的耳機中的音頻信號會有不 同的判斷，檢測結果與檢測人員的主觀能動性息息相關，容易造成誤判;在第二種設備檢測 過程中，由于故障判斷依靠經驗居多，系統檢測可靠性不高。
[0005] 因此，為了更準確地檢測超聲波局部放電信號，一些基于統計的模式識別技術被 應用到實際系統中，但這些技術在應用中也存在著以下不足：（1)特征維數較多，需要大量 的訓練數據，而局部放電信號通常不易采集到；（2)當訓練環境與實際使用環境不匹配時， 性能會顯著下降。
【發明內容】
[0006] 本發明實施例所要解決的技術問題在于，提供一種修正超聲波局部放電檢測的方 法和系統，能夠避免人工因素干擾，且引入特征維數低，訓練數據少，從而達到省時省力且 檢測結果客觀的目的。
[0007] 為了解決上述技術問題，本發明實施例提供了一種修正超聲波局部放電檢測的方 法，所述方法包括：
[0008] a、從設備高信噪比超聲波局部放電信號的歷史數據中，提取多個局部放電信號， 并將所述提取的多個局部放電信號均轉換為線性頻譜后通過主成分分析法處理，得到P維 主成分系數矩陣，且根據所述得到的P維主成分系數矩陣，得到每一局部放電信號的P維主 成分特征，進一步將所述得到的每一局部放電信號的P維主成分特征進行無監督聚類，得到 局部放電信號的分類模型及其對應每一類的線性頻譜均值;其中，P為自然數；
[0009] b、獲取純噪聲超聲波信號，并將所述獲取到的純噪聲超聲波信號轉換為線性頻譜 后，計算出純噪聲超聲波信號的線性頻譜均值，且根據所述得到的P維主成分系數矩陣，將 所述純噪聲超聲波信號的線性頻譜均值轉換為所述純噪聲超聲波信號的P維主成分特征 后，得到純噪聲超聲波信號的分類模型；
[0010] c、將所述局部放電信號分類模型中每一類的線性頻譜均值分別與所述純噪聲超 聲波信號分類模型的線性頻譜均值進行相加，得到相加后的每一類的線性頻譜均值，并根 據所述得到的P維主成分系數矩陣，將所述得到的相加后的每一類的線性頻譜均值轉換為 對應的P維主成分特征后，得到的分類模型作為局部放電信號修正后的分類模型；
[0011] d、獲取待檢信號，并將所述獲取到的待檢信號轉換為線性頻譜，且根據所述得到 的P維主成分系數矩陣，將所述待檢信號的線性頻譜轉換為所述待檢信號的P維主成分特 征；
[0012] e、將所述待檢信號的P維主成分特征分別引入所述純噪聲超聲波信號的分類模型 和所述局部放電信號修正后的分類模型中，計算出所述待檢信號分別到所述純噪聲超聲波 信號的分類模型和所述局部放電信號修正后的分類模型的歐氏距離，并根據所述得到的兩 個歐氏距離，篩選出所述兩個歐氏距離中最小值對應的分類模型，進一步將所篩選分類模 型中所對應的信號作為所述待檢信號的檢測結果輸出。
[0013] 其中，所述步驟a具體包括：
[0014]從設備高信噪比超聲波局部放電信號的歷史數據中，提取多個局部放電信號，并 將所述提取的多個局部放電信號均以一定時長為單位進行分幀后，對所述分幀后的每一局 部放電信號均進行傅里葉變換，得到每一局部放電信號的線性頻譜；
[0015] 通過主成分分析法對任一局部放電信號的線性頻譜進行降維處理，得到P維主成 分系數矩陣，并根據所述得到的P維主成分系數矩陣，對所述提取的每一局部放電信號均進 行線性變換，得到每一局部放電信號的P維主成分特征；
[0016] 采用k-mean算法同時對所述得到的每一局部放電信號的P維主成分特征進行無監 督聚類，計算出多個聚類中心并保存作為局部放電信號的分類模型；
[0017] 按照同一類線性頻譜相加后求平均值的原則，對所述局部放電信號的分類模型中 每一類所含的線性頻譜進行計算，得到所述局部放電信號的分類模型中每一類的線性頻譜 均值。
[0018] 其中，所述步驟b具體包括：
[0019] 在獲取所述待檢信號之前，獲取實際環境一段時間范圍內的純噪聲超聲波信號， 并將所述獲取到的純噪聲超聲波信號以一定時長為單位進行分幀后，對所述分幀后的純噪 聲超聲波信號均進行傅里葉變換，得到所述純噪聲超聲波信號的線性頻譜；
[0020] 將所述得到的純噪聲超聲波信號的線性頻譜相加后求平均值，作為所述純噪聲超 聲波信號的線性頻譜均值；
[0021] 根據所述得到的P維主成分系數矩陣，將所述純噪聲超聲波信號的線性頻譜均值 轉換為所述純噪聲超聲波信號的P維主成分特征后，得到只包含一個聚類中心的分類模型 并保存作為所述純噪聲超聲波信號的分類模型。
[0022]其中，所述步驟c具體包括：
[0023]確定所述局部放電信號分類模型中每一類的線性頻譜均值，并將所述純噪聲超聲 波信號分類模型的線性頻譜均值分別與所述確定的每一類的線性頻譜均值相加，得到相加 后的每一類的線性頻譜均值；
[0024]根據所述得到的P維主成分系數矩陣，將所述得到的相加后的每一類的線性頻譜 均值轉換為對應的P維主成分特征后，得到只包含一個聚類中心的分類模型并保存作為所 述局部放電信號修正后的分類模型。
[0025]其中，所述步驟e具體包括：
[0026] 將所述待檢信號的P維主成分特征分別引入所述純噪聲超聲波信號的分類模型和 所述局部放電信號修正后的分類模型中，計算出所述待檢信號分別到所述純噪聲超聲波信 號的分類模型和所述局部放電信號修正后的分類模型的歐氏距離；
[0027] 判斷所述待檢信號到所述純噪聲超聲波信號的分類模型的歐氏距離是否小于所 述待檢信號到所述局部放電信號修正后的分類模型的歐氏距離；
[0028] 如果是，則所述篩選的分類模型為所述純噪聲超聲波信號的分類模型，并將所述 待檢信號為純噪聲超聲波信號作為檢測結果輸出；
[0029] 如果否，則所述篩選的分類模型為所述局部放電信號修正后的分類模型，并將所 述待檢信號為局部放電信號作為檢測結果輸出。
[0030] 本發明實施例還提供了一種修正超聲波局部放電檢測的系統，所述系統包括：
[0031] 局部放電信號分析模型獲取單元，用于從設備高信噪比超聲波局部放電信號的歷 史數據中，提取多個局部放電信號，并將所述提取的多個局部放電信號均轉換為線性頻譜 后通過主成分分析法處理，得到P維主成分系數矩陣，且根據所述得到的P維主成分系數矩 陣，得到每一局部放電信號的P維主成分特征，進一步將所述得到的每一局部放電信號的P 維主成分特征進行無監督聚類，得到局部放電信號的分類模型及其對應每一類的線性頻譜 均值;其中，P為自然數；
[0032] 純噪聲超聲波信號分析模型獲取單元，用于獲取純噪聲超聲波信號，并將所述獲 取到的純噪聲超聲波信號轉換為線性頻譜后，計算出純噪聲超聲波信號的線性頻譜均值， 且根據所述得到的P維主成分系數矩陣，將所述純噪聲超聲波信號的線性頻譜均值轉換為 所述純噪聲超聲波信號的P維主成分特征后，得到純噪聲超聲波信號的分類模型；
[0033] 局部放電信號分析模型修正單元，用于將所述局部放電信號分類模型中每一類的 線性頻譜均值分別與所述純噪聲超聲波信號分類模型的線性頻譜均值進行相加，得到相加 后的每一類的線性頻譜均值，并根據所述得到的P維主成分系數矩陣，將所述得到的相加后 的每一類的線性頻譜均值轉換為對應的P維主成分特征后，得到的分類模型作為局部放電 信號修正后的分類模型；
[0034] 待檢信號分析單元，用于獲取待檢信號，并將所述獲取到的待檢信號轉換為線性 頻譜，且根據所述得到的P維主成分系數矩陣，將所述待檢信號的線性頻譜轉換為所述待檢 信號的P維主成分特征；
[0035] 待檢信號識別單元，用于將所述待檢信號的P維主成分特征分別引入所述純噪聲 超聲波信號的分類模型和所述局部放電信號修正后的分類模型中，計算出所述待檢信號分 別到所述純噪聲超聲波信號的分類模型和所述局部放電信號修正后的分類模型的歐氏距 離，并根據所述得到的兩個歐氏距離，篩選出所述兩個歐氏距離中最小值對應的分類模型， 進一步將所篩選分類模型中所對應的信號作為所述待檢信號的檢測結果輸出。
[0036] 其中，所述局部放電信號分析模型獲取單元包括：
[0037] 局部放電信號線性頻譜變換模塊，用于從設備高信噪比超聲波局部放電信號的歷 史數據中，提取多個局部放電信號，并將所述提取的多個局部放電信號均以一定時長為單 位進行分幀后，對所述分幀后的每一局部放電信號均進行傅里葉變換，得到每一局部放電 信號的線性頻譜；
[0038] 主成分分析模塊，用于通過主成分分析法對任一局部放電信號的線性頻譜進行降 維處理，得到P維主成分系數矩陣，并根據所述得到的P維主成分系數矩陣，對所述提取的每 一局部放電信號均進行線性變換，得到每一局部放電信號的P維主成分特征；
[0039] 局部放電信號聚類模型計算模塊，用于采用k-mean算法同時對所述得到的每一局 部放電信號的P維主成分特征進行無監督聚類，計算出多個聚類中心并保存作為局部放電 信號的分類模型；
[0040] 局部放電信號聚類模型類別均值計算模塊，用于按照同一類線性頻譜相加后求平 均值的原則，對所述局部放電信號的分類模型中每一類所含的線性頻譜進行計算，得到所 述局部放電信號的分類模型中每一類的線性頻譜均值。
[0041 ]其中，所述純噪聲超聲波信號分析模型獲取單元包括：
[0042] 純噪聲超聲波信號線性頻譜變換模塊，用于在獲取所述待檢信號之前，獲取實際 環境一段時間范圍內的純噪聲超聲波信號，并將所述獲取到的純噪聲超聲波信號以一定時 長為單位進行分幀后，對所述分幀后的純噪聲超聲波信號均進行傅里葉變換，得到所述純 噪聲超聲波信號的線性頻譜；
[0043] 線性頻譜均值計算模塊，用于將所述得到的純噪聲超聲波信號的線性頻譜相加后 求平均值，作為所述純噪聲超聲波信號的線性頻譜均值；
[0044] 純噪聲超聲波信號聚類模型計算模塊，用于根據所述得到的P維主成分系數矩陣， 將所述純噪聲超聲波信號的線性頻譜均值轉換為所述純噪聲超聲波信號的P維主成分特征 后，得到只包含一個聚類中心的分類模型并保存作為所述純噪聲超聲波信號的分類模型。
[0045] 其中，所述局部放電信號分析模型修正單元包括：
[0046] 線性頻譜累加模塊，用于確定所述局部放電信號分類模型中每一類的線性頻譜均 值，并將所述純噪聲超聲波信號分類模型的線性頻譜均值分別與所述確定的每一類的線性 頻譜均值相加，得到相加后的每一類的線性頻譜均值；
[0047] 局部放電信號聚類模型修正模塊，用于根據所述得到的P維主成分系數矩陣，將所 述得到的相加后的每一類的線性頻譜均值轉換為對應的P維主成分特征后，得到只包含一 個聚類中心的分類模型并保存作為所述局部放電信號修正后的分類模型。
[0048] 其中，所述待檢信號識別單元包括：
[0049] 歐氏距離計算模塊，用于將所述待檢信號的P維主成分特征分別引入所述純噪聲 超聲波信號的分類模型和所述局部放電信號修正后的分類模型中，計算出所述待檢信號分 別到所述純噪聲超聲波信號的分類模型和所述局部放電信號修正后的分類模型的歐氏距 離；
[0050] 判斷模塊，用于判斷所述待檢信號到所述純噪聲超聲波信號的分類模型的歐氏距 離是否小于所述待檢信號到所述局部放電信號修正后的分類模型的歐氏距離；
[0051] 第一結果輸出模塊，用于所述篩選的分類模型為所述純噪聲超聲波信號的分類模 型，并將所述待檢信號為純噪聲超聲波信號作為檢測結果輸出；
[0052]第二結果輸出模塊，用于所述篩選的分類模型為所述局部放電信號修正后的分類 模型，并將所述待檢信號為局部放電信號作為檢測結果輸出。
[0053]實施本發明實施例，具有如下有益效果：
[0054] 在本發明實施例中，由于使用主成分分析方法可以有效地降低訓練數據的維度降 低數據復雜度，同時使用環境噪聲均值的對分類模型進行修正，可以有效提高檢測方法在 各類噪聲環境下的性能，從而能夠避免人工因素干擾，且引入特征維數低，訓練數據少，從 而達到省時省力且檢測結果客觀的目的。
【附圖說明】
[0055] 為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現 有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本 發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動性的前提下，根據 這些附圖獲得其他的附圖仍屬于本發明的范疇。
[0056] 圖1為本發明實施例提供的一種修正超聲波局部放電檢測的方法的流程圖；
[0057]圖2為圖1中步驟Sl的方法流程圖；
[0058]圖3為圖1中步驟S2的方法流程圖；
[0059]圖4為圖1中步驟S3的方法流程圖；
[0060]圖5為圖1中步驟S5的方法流程圖；
[0061 ]圖6為本發明實施例提供的一種修正超聲波局部放電檢測的系統的結構示意圖。
【具體實施方式】
[0062]為使本發明的目的、技術方案和優點更加清楚，下面將結合附圖對本發明作進一 步地詳細描述。
[0063] 如圖1所示，為本發明實施例中，提供的一種修正超聲波局部放電檢測的方法，所 述方法包括：
[0064] 步驟S1、從設備高信噪比超聲波局部放電信號的歷史數據中，提取多個局部放電 信號，并將所述提取的多個局部放電信號均轉換為線性頻譜后通過主成分分析法處理，得 到P維主成分系數矩陣，且根據所述得到的P維主成分系數矩陣，得到每一局部放電信號的P 維主成分特征，進一步將所述得到的每一局部放電信號的P維主成分特征進行無監督聚類， 得到局部放電信號的分類模型及其對應每一類的線性頻譜均值;其中，P為自然數；
[0065] 具體過程為，步驟S11、從設備高信噪比超聲波局部放電信號的歷史數據中，提取 多個局部放電信號，并將提取的多個局部放電信號均以一定時長為單位進行分幀后，對分 幀后的每一局部放電信號均進行傅里葉變換，得到每一局部放電信號的線性頻譜；
[0066] 步驟S12、通過主成分分析法對任一局部放電信號的線性頻譜進行降維處理，得到 P維主成分系數矩陣，并根據得到的P維主成分系數矩陣，對提取的每一局部放電信號均進 行線性變換，得到每一局部放電信號的P維主成分特征；
[0067] 步驟S13、采用k-mean算法同時對得到的每一局部放電信號的P維主成分特征進行 無監督聚類，計算出多個聚類中心并保存作為局部放電信號的分類模型；
[0068] 步驟S14、按照同一類線性頻譜相加后求平均值的原則，對局部放電信號的分類模 型中每一類所含的線性頻譜進行計算，得到局部放電信號的分類模型中每一類的線性頻譜 均值。
[0069] 在一個實施例中，第一步、提取信噪比超過20dB的超聲波局部放電信號，對提取的 多個局部放電信號均以Is為單位的幀長劃分后，進行快速傅里葉變換計算出信號的DFT，得 到多個局部放電信號的線性頻譜；
[0070] 第二步、對信號線性頻譜進行主成分分析，將信號降成P維，得到P維主成分系數矩 陣。主成分分析中，對于一個樣本資料，觀測P個變量，η個樣品的數據資料陣，具體如公式 (1)所示·
[0071]
[0072]式(1)中的變量即為音頻片段的線性頻譜。
[0073] 此時，主成分分析將ρ個觀測變量綜合成為ρ個新的綜合變量，可變化為公式(2)所 示：
[0074]
[0075] 式(2)中，F1-Fn新的綜合變量，即原來信號ρ個變量的主成分;F1的方差最大稱為第 一主成分用，F 2的方差次大稱為第二主成分，以此類推。
[0076] 用主成分分析(PCA)方法計算出上述方程式(2)的系數，即：
[0077] Α、對原始數據進行標準化處理，如公式(3)所示；
[0078]
[0079]
[0080] B、計算樣本相關系數矩陣R，如公式(4)所示；
[0081]
[0082] 為方便，假定原始數據標準化后仍用X表示，則經標準化處理后的數據的相關系數 為
[0083] C、用雅克比方法求相關系數矩陣R的特征值(A1^dp)和相應的特征向量ai = (au，al2，…&1[))，1 = 1，2-？;從而得到高信噪比超聲波局部放電信號的主成分系數矩陣，即 如公式(5)所示：
[0084]
[0085] 第三步、用主成分系數矩陣A對所有信號進行線性變換得到P維主成分特征，以所 有信號的P為主成分特征為輸入無監督聚類，保存其聚類中心得到M類超聲波局部放電信號 的分類模型。將所有音頻信號用主成分系數矩陣進行變換，得到P維主成分特征，例如某段 超聲波放電信號的線性頻譜為X= {X1X2X3. . .X4Xp}，降維即乘于主成分系數矩陣Xp=Ax，得 到該段信號的P維主成分特征Xp。將所有信號的P維特征作為輸入流無監督聚類，采用k-mean算法將超聲波局部放電信號聚類為M類。其中，M=IO;
[0086] 第四步、分別計算每一類的線性頻譜均值。即對局部放電信號的分類模型中每一 個類所包含的線性頻譜求和并做平均，得到該類信號的線性頻譜均值。
[0087] 步驟S2、獲取純噪聲超聲波信號，并將所述獲取到的純噪聲超聲波信號轉換為線 性頻譜后，計算出純噪聲超聲波信號的線性頻譜均值，且根據所述得到的P維主成分系數矩 陣，將所述純噪聲超聲波信號的線性頻譜均值轉換為所述純噪聲超聲波信號的P維主成分 特征后，得到純噪聲超聲波信號的分類模型；
[0088] 具體過程為，步驟S21、在獲取待檢信號之前，獲取實際環境一段時間范圍內的純 噪聲超聲波信號，并將獲取到的純噪聲超聲波信號以一定時長為單位進行分幀后，對分幀 后的純噪聲超聲波信號均進行傅里葉變換，得到純噪聲超聲波信號的線性頻譜；
[0089] 步驟S22、將得到的純噪聲超聲波信號的線性頻譜相加后求平均值，作為純噪聲超 聲波信號的線性頻譜均值；
[0090] 步驟S23、根據得到的P維主成分系數矩陣，將純噪聲超聲波信號的線性頻譜均值 轉換為純噪聲超聲波信號的P維主成分特征后，得到只包含一個聚類中心的分類模型并保 存作為純噪聲超聲波信號的分類模型。
[0091] 在一個實施例中，在實際檢測前，錄取一段現場純噪聲的超聲波信號，將該段超聲 波信號以Is為幀長進行分幀，對所有幀求線性頻譜并做平均，得到純噪聲信號的線性頻譜 均值。用得到的P維主成分系數矩陣將純噪聲信號的線性頻譜均值轉換為P維主成分特征， 由于純噪聲信號的線性頻譜均值只有一個，轉換后的P維主成分特征就相當于一個聚類中 心，從而得到只包含一個聚類中心的純噪聲超聲波信號的分類模型。設線性頻譜均值為N， 貝丨JP維主成分為N P=AN。
[0092] 步驟S3、將所述局部放電信號分類模型中每一類的線性頻譜均值分別與所述純噪 聲超聲波信號分類模型的線性頻譜均值進行相加，得到相加后的每一類的線性頻譜均值， 并根據所述得到的P維主成分系數矩陣，將所述得到的相加后的每一類的線性頻譜均值轉 換為對應的P維主成分特征后，得到的分類模型作為局部放電信號修正后的分類模型；
[0093] 具體過程為，步驟S31、確定局部放電信號分類模型中每一類的線性頻譜均值，并 將純噪聲超聲波信號分類模型的線性頻譜均值分別與確定的每一類的線性頻譜均值相加， 得到相加后的每一類的線性頻譜均值；
[0094] 步驟S32、根據得到的P維主成分系數矩陣，將得到的相加后的每一類的線性頻譜 均值轉換為對應的P維主成分特征后，得到只包含一個聚類中心的分類模型并保存作為所 述局部放電信號修正后的分類模型。
[0095]步驟S4、獲取待檢信號，并將所述獲取到的待檢信號轉換為線性頻譜，且根據所述 得到的P維主成分系數矩陣，將所述待檢信號的線性頻譜轉換為所述待檢信號的P維主成分 特征；
[0096] 步驟S5、將所述待檢信號的P維主成分特征分別引入所述純噪聲超聲波信號的分 類模型和所述局部放電信號修正后的分類模型中，計算出所述待檢信號分別到所述純噪聲 超聲波信號的分類模型和所述局部放電信號修正后的分類模型的歐氏距離，并根據所述得 到的兩個歐氏距離，篩選出所述兩個歐氏距離中最小值對應的分類模型，進一步將所篩選 分類模型中所對應的信號作為所述待檢信號的檢測結果輸出。
[0097] 具體過程為，步驟S51、將待檢信號的P維主成分特征分別引入純噪聲超聲波信號 的分類模型和局部放電信號修正后的分類模型中，計算出待檢信號分別到所述純噪聲超聲 波信號的分類模型和局部放電信號修正后的分類模型的歐氏距離；
[0098]步驟S52、判斷待檢信號到純噪聲超聲波信號的分類模型的歐氏距離是否小于待 檢信號到局部放電信號修正后的分類模型的歐氏距離;如果是，則執行下一步驟S53;如果 否，則跳轉執行步驟S54;
[0099]步驟S53、篩選的分類模型為純噪聲超聲波信號的分類模型，并將待檢信號為純噪 聲超聲波信號作為檢測結果輸出；
[0100]步驟S54、篩選的分類模型為局部放電信號修正后的分類模型，并將待檢信號為局 部放電信號作為檢測結果輸出。
[0101]應當說明的是，k-mean聚類算法及歐氏距離算法屬于本領域技術的常用算法，在 此不做贅述。
[0102] 如圖6所示，為本發明實施例中，提供的一種修正超聲波局部放電檢測的系統，所 述系統包括：
[0103] 局部放電信號分析模型獲取單元610,用于從設備高信噪比超聲波局部放電信號 的歷史數據中，提取多個局部放電信號，并將所述提取的多個局部放電信號均轉換為線性 頻譜后通過主成分分析法處理，得到P維主成分系數矩陣，且根據所述得到的P維主成分系 數矩陣，得到每一局部放電信號的P維主成分特征，進一步將所述得到的每一局部放電信號 的P維主成分特征進行無監督聚類，得到局部放電信號的分類模型及其對應每一類的線性 頻譜均值;其中，P為自然數；
[0104] 純噪聲超聲波信號分析模型獲取單元620，用于獲取純噪聲超聲波信號，并將所述 獲取到的純噪聲超聲波信號轉換為線性頻譜后，計算出純噪聲超聲波信號的線性頻譜均 值，且根據所述得到的P維主成分系數矩陣，將所述純噪聲超聲波信號的線性頻譜均值轉換 為所述純噪聲超聲波信號的P維主成分特征后，得到純噪聲超聲波信號的分類模型；
[0105] 局部放電信號分析模型修正單元630,用于將所述局部放電信號分類模型中每一 類的線性頻譜均值分別與所述純噪聲超聲波信號分類模型的線性頻譜均值進行相加，得到 相加后的每一類的線性頻譜均值，并根據所述得到的P維主成分系數矩陣，將所述得到的相 加后的每一類的線性頻譜均值轉換為對應的P維主成分特征后，得到的分類模型作為局部 放電信號修正后的分類模型；
[0106] 待檢信號分析單元640,用于獲取待檢信號，并將所述獲取到的待檢信號轉換為線 性頻譜，且根據所述得到的P維主成分系數矩陣，將所述待檢信號的線性頻譜轉換為所述待 檢信號的P維主成分特征；
[0107] 待檢信號識別單元650,用于將所述待檢信號的P維主成分特征分別引入所述純噪 聲超聲波信號的分類模型和所述局部放電信號修正后的分類模型中，計算出所述待檢信號 分別到所述純噪聲超聲波信號的分類模型和所述局部放電信號修正后的分類模型的歐氏 距離，并根據所述得到的兩個歐氏距離，篩選出所述兩個歐氏距離中最小值對應的分類模 型，進一步將所篩選分類模型中所對應的信號作為所述待檢信號的檢測結果輸出。
[0108] 其中，所述局部放電信號分析模型獲取單元610包括：
[0109]局部放電信號線性頻譜變換模塊6101，用于從設備高信噪比超聲波局部放電信號 的歷史數據中，提取多個局部放電信號，并將所述提取的多個局部放電信號均以一定時長 為單位進行分幀后，對所述分幀后的每一局部放電信號均進行傅里葉變換，得到每一局部 放電信號的線性頻譜；
[0110]主成分分析模塊6102,用于通過主成分分析法對任一局部放電信號的線性頻譜進 行降維處理，得到P維主成分系數矩陣，并根據所述得到的P維主成分系數矩陣，對所述提取 的每一局部放電信號均進行線性變換，得到每一局部放電信號的P維主成分特征；
[0111] 局部放電信號聚類模型計算模塊6103,用于采用k-mean算法同時對所述得到的每 一局部放電信號的P維主成分特征進行無監督聚類，計算出多個聚類中心并保存作為局部 放電信號的分類模型；
[0112] 局部放電信號聚類模型類別均值計算模塊6104,用于按照同一類線性頻譜相加后 求平均值的原則，對所述局部放電信號的分類模型中每一類所含的線性頻譜進行計算，得 到所述局部放電信號的分類模型中每一類的線性頻譜均值。
[0113]其中，所述純噪聲超聲波信號分析模型獲取單元620包括：
[0114]純噪聲超聲波信號線性頻譜變換模塊6201，用于在獲取所述待檢信號之前，獲取 實際環境一段時間范圍內的純噪聲超聲波信號，并將所述獲取到的純噪聲超聲波信號以一 定時長為單位進行分幀后，對所述分幀后的純噪聲超聲波信號均進行傅里葉變換，得到所 述純噪聲超聲波信號的線性頻譜；
[0115]線性頻譜均值計算模塊6202,用于將所述得到的純噪聲超聲波信號的線性頻譜相 加后求平均值，作為所述純噪聲超聲波信號的線性頻譜均值；
[0116]純噪聲超聲波信號聚類模型計算模塊6203,用于根據所述得到的P維主成分系數 矩陣，將所述純噪聲超聲波信號的線性頻譜均值轉換為所述純噪聲超聲波信號的P維主成 分特征后，得到只包含一個聚類中心的分類模型并保存作為所述純噪聲超聲波信號的分類 模型。
[0117]其中，所述局部放電信號分析模型修正單元630包括：
[0118]線性頻譜累加模塊6301，用于確定所述局部放電信號分類模型中每一類的線性頻 譜均值，并將所述純噪聲超聲波信號分類模型的線性頻譜均值分別與所述確定的每一類的 線性頻譜均值相加，得到相加后的每一類的線性頻譜均值；
[0119]局部放電信號聚類模型修正模塊6302,用于根據所述得到的P維主成分系數矩陣， 將所述得到的相加后的每一類的線性頻譜均值轉換為對應的P維主成分特征后，得到只包 含一個聚類中心的分類模型并保存作為所述局部放電信號修正后的分類模型。
[0120]其中，所述待檢信號識別單元650包括：
[0121]歐氏距離計算模塊6501，用于將所述待檢信號的P維主成分特征分別引入所述純 噪聲超聲波信號的分類模型和所述局部放電信號修正后的分類模型中，計算出所述待檢信 號分別到所述純噪聲超聲波信號的分類模型和所述局部放電信號修正后的分類模型的歐 氏距離；
[0122]判斷模塊6502,用于判斷所述待檢信號到所述純噪聲超聲波信號的分類模型的歐 氏距離是否小于所述待檢信號到所述局部放電信號修正后的分類模型的歐氏距離；
[0123]第一結果輸出模塊6503,用于所述篩選的分類模型為所述純噪聲超聲波信號的分 類模型，并將所述待檢信號為純噪聲超聲波信號作為檢測結果輸出；
[0124]第二結果輸出模塊6504,用于所述篩選的分類模型為所述局部放電信號修正后的 分類模型，并將所述待檢信號為局部放電信號作為檢測結果輸出。
[0125] 實施本發明實施例，具有如下有益效果：
[0126] 在本發明實施例中，由于使用主成分分析方法可以有效地降低訓練數據的維度降 低數據復雜度，同時使用環境噪聲均值的對分類模型進行修正，可以有效提高檢測方法在 各類噪聲環境下的性能，從而能夠避免人工因素干擾，且引入特征維數低，訓練數據少，從 而達到省時省力且檢測結果客觀的目的。
[0127] 值得注意的是，上述系統實施例中，所包括的各個系統單元只是按照功能邏輯進 行劃分的，但并不局限于上述的劃分，只要能夠實現相應的功能即可；另外，各功能單元的 具體名稱也只是為了便于相互區分，并不用于限制本發明的保護范圍。
[0128] 本領域普通技術人員可以理解實現上述實施例方法中的全部或部分步驟是可以 通過程序來指令相關的硬件來完成，所述的程序可以存儲于一計算機可讀取存儲介質中， 所述的存儲介質，如ROM/RAM、磁盤、光盤等。
[0129]以上所揭露的僅為本發明較佳實施例而已，當然不能以此來限定本發明之權利范 圍，因此依本發明權利要求所作的等同變化，仍屬本發明所涵蓋的范圍。
【主權項】
1. 一種修正超聲波局部放電檢測的方法，其特征在于，所述方法包括： a、 從設備高信噪比超聲波局部放電信號的歷史數據中，提取多個局部放電信號，并將 所述提取的多個局部放電信號均轉換為線性頻譜后通過主成分分析法處理，得到P維主成 分系數矩陣，且根據所述得到的P維主成分系數矩陣，得到每一局部放電信號的P維主成分 特征，進一步將所述得到的每一局部放電信號的P維主成分特征進行無監督聚類，得到局部 放電信號的分類模型及其對應每一類的線性頻譜均值;其中，P為自然數； b、 獲取純噪聲超聲波信號，并將所述獲取到的純噪聲超聲波信號轉換為線性頻譜后， 計算出純噪聲超聲波信號的線性頻譜均值，且根據所述得到的P維主成分系數矩陣，將所述 純噪聲超聲波信號的線性頻譜均值轉換為所述純噪聲超聲波信號的P維主成分特征后，得 到純噪聲超聲波信號的分類模型； c、 將所述局部放電信號分類模型中每一類的線性頻譜均值分別與所述純噪聲超聲波 信號分類模型的線性頻譜均值進行相加，得到相加后的每一類的線性頻譜均值，并根據所 述得到的P維主成分系數矩陣，將所述得到的相加后的每一類的線性頻譜均值轉換為對應 的P維主成分特征后，得到的分類模型作為局部放電信號修正后的分類模型； d、 獲取待檢信號，并將所述獲取到的待檢信號轉換為線性頻譜，且根據所述得到的P維 主成分系數矩陣，將所述待檢信號的線性頻譜轉換為所述待檢信號的P維主成分特征； e、 將所述待檢信號的P維主成分特征分別引入所述純噪聲超聲波信號的分類模型和所 述局部放電信號修正后的分類模型中，計算出所述待檢信號分別到所述純噪聲超聲波信號 的分類模型和所述局部放電信號修正后的分類模型的歐氏距離，并根據所述得到的兩個歐 氏距離，篩選出所述兩個歐氏距離中最小值對應的分類模型，進一步將所篩選分類模型中 所對應的信號作為所述待檢信號的檢測結果輸出。2. 如權利要求1所述的方法，其特征在于，所述步驟a具體包括： 從設備高信噪比超聲波局部放電信號的歷史數據中，提取多個局部放電信號，并將所 述提取的多個局部放電信號均以一定時長為單位進行分幀后，對所述分幀后的每一局部放 電信號均進行傅里葉變換，得到每一局部放電信號的線性頻譜； 通過主成分分析法對任一局部放電信號的線性頻譜進行降維處理，得到P維主成分系 數矩陣，并根據所述得到的P維主成分系數矩陣，對所述提取的每一局部放電信號均進行線 性變換，得到每一局部放電信號的P維主成分特征； 采用k-mean算法同時對所述得到的每一局部放電信號的P維主成分特征進行無監督聚 類，計算出多個聚類中心并保存作為局部放電信號的分類模型； 按照同一類線性頻譜相加后求平均值的原則，對所述局部放電信號的分類模型中每一 類所含的線性頻譜進行計算，得到所述局部放電信號的分類模型中每一類的線性頻譜均 值。3. 如權利要求1所述的方法，其特征在于，所述步驟b具體包括： 在獲取所述待檢信號之前，獲取實際環境一段時間范圍內的純噪聲超聲波信號，并將 所述獲取到的純噪聲超聲波信號以一定時長為單位進行分幀后，對所述分幀后的純噪聲超 聲波信號均進行傅里葉變換，得到所述純噪聲超聲波信號的線性頻譜； 將所述得到的純噪聲超聲波信號的線性頻譜相加后求平均值，作為所述純噪聲超聲波 信號的線性頻譜均值； 根據所述得到的P維主成分系數矩陣，將所述純噪聲超聲波信號的線性頻譜均值轉換 為所述純噪聲超聲波信號的P維主成分特征后，得到只包含一個聚類中心的分類模型并保 存作為所述純噪聲超聲波信號的分類模型。4. 如權利要求1所述的方法，其特征在于，所述步驟c具體包括： 確定所述局部放電信號分類模型中每一類的線性頻譜均值，并將所述純噪聲超聲波信 號分類模型的線性頻譜均值分別與所述確定的每一類的線性頻譜均值相加，得到相加后的 每一類的線性頻譜均值； 根據所述得到的P維主成分系數矩陣，將所述得到的相加后的每一類的線性頻譜均值 轉換為對應的P維主成分特征后，得到只包含一個聚類中心的分類模型并保存作為所述局 部放電信號修正后的分類模型。5. 如權利要求1所述的方法，其特征在于，所述步驟e具體包括： 將所述待檢信號的P維主成分特征分別引入所述純噪聲超聲波信號的分類模型和所述 局部放電信號修正后的分類模型中，計算出所述待檢信號分別到所述純噪聲超聲波信號的 分類模型和所述局部放電信號修正后的分類模型的歐氏距離； 判斷所述待檢信號到所述純噪聲超聲波信號的分類模型的歐氏距離是否小于所述待 檢信號到所述局部放電信號修正后的分類模型的歐氏距離； 如果是，則所述篩選的分類模型為所述純噪聲超聲波信號的分類模型，并將所述待檢 信號為純噪聲超聲波信號作為檢測結果輸出； 如果否，則所述篩選的分類模型為所述局部放電信號修正后的分類模型，并將所述待 檢信號為局部放電信號作為檢測結果輸出。6. -種修正超聲波局部放電檢測的系統，其特征在于，所述系統包括： 局部放電信號分析模型獲取單元，用于從設備高信噪比超聲波局部放電信號的歷史數 據中，提取多個局部放電信號，并將所述提取的多個局部放電信號均轉換為線性頻譜后通 過主成分分析法處理，得到P維主成分系數矩陣，且根據所述得到的P維主成分系數矩陣，得 到每一局部放電信號的P維主成分特征，進一步將所述得到的每一局部放電信號的P維主成 分特征進行無監督聚類，得到局部放電信號的分類模型及其對應每一類的線性頻譜均值； 其中，P為自然數； 純噪聲超聲波信號分析模型獲取單元，用于獲取純噪聲超聲波信號，并將所述獲取到 的純噪聲超聲波信號轉換為線性頻譜后，計算出純噪聲超聲波信號的線性頻譜均值，且根 據所述得到的P維主成分系數矩陣，將所述純噪聲超聲波信號的線性頻譜均值轉換為所述 純噪聲超聲波信號的P維主成分特征后，得到純噪聲超聲波信號的分類模型； 局部放電信號分析模型修正單元，用于將所述局部放電信號分類模型中每一類的線性 頻譜均值分別與所述純噪聲超聲波信號分類模型的線性頻譜均值進行相加，得到相加后的 每一類的線性頻譜均值，并根據所述得到的P維主成分系數矩陣，將所述得到的相加后的每 一類的線性頻譜均值轉換為對應的P維主成分特征后，得到的分類模型作為局部放電信號 修正后的分類模型； 待檢信號分析單元，用于獲取待檢信號，并將所述獲取到的待檢信號轉換為線性頻譜， 且根據所述得到的P維主成分系數矩陣，將所述待檢信號的線性頻譜轉換為所述待檢信號 的P維主成分特征； 待檢信號識別單元，用于將所述待檢信號的P維主成分特征分別引入所述純噪聲超聲 波信號的分類模型和所述局部放電信號修正后的分類模型中，計算出所述待檢信號分別到 所述純噪聲超聲波信號的分類模型和所述局部放電信號修正后的分類模型的歐氏距離，并 根據所述得到的兩個歐氏距離，篩選出所述兩個歐氏距離中最小值對應的分類模型，進一 步將所篩選分類模型中所對應的信號作為所述待檢信號的檢測結果輸出。7. 如權利要求6所述的系統，其特征在于，所述局部放電信號分析模型獲取單元包括： 局部放電信號線性頻譜變換模塊，用于從設備高信噪比超聲波局部放電信號的歷史數 據中，提取多個局部放電信號，并將所述提取的多個局部放電信號均以一定時長為單位進 行分幀后，對所述分幀后的每一局部放電信號均進行傅里葉變換，得到每一局部放電信號 的線性頻譜； 主成分分析模塊，用于通過主成分分析法對任一局部放電信號的線性頻譜進行降維處 理，得到P維主成分系數矩陣，并根據所述得到的P維主成分系數矩陣，對所述提取的每一局 部放電信號均進行線性變換，得到每一局部放電信號的P維主成分特征； 局部放電信號聚類模型計算模塊，用于采用k-mean算法同時對所述得到的每一局部放 電信號的P維主成分特征進行無監督聚類，計算出多個聚類中心并保存作為局部放電信號 的分類模型； 局部放電信號聚類模型類別均值計算模塊，用于按照同一類線性頻譜相加后求平均值 的原則，對所述局部放電信號的分類模型中每一類所含的線性頻譜進行計算，得到所述局 部放電信號的分類模型中每一類的線性頻譜均值。8. 如權利要求6所述的系統，其特征在于，所述純噪聲超聲波信號分析模型獲取單元包 括： 純噪聲超聲波信號線性頻譜變換模塊，用于在獲取所述待檢信號之前，獲取實際環境 一段時間范圍內的純噪聲超聲波信號，并將所述獲取到的純噪聲超聲波信號以一定時長為 單位進行分幀后，對所述分幀后的純噪聲超聲波信號均進行傅里葉變換，得到所述純噪聲 超聲波信號的線性頻譜； 線性頻譜均值計算模塊，用于將所述得到的純噪聲超聲波信號的線性頻譜相加后求平 均值，作為所述純噪聲超聲波信號的線性頻譜均值； 純噪聲超聲波信號聚類模型計算模塊，用于根據所述得到的P維主成分系數矩陣，將所 述純噪聲超聲波信號的線性頻譜均值轉換為所述純噪聲超聲波信號的P維主成分特征后， 得到只包含一個聚類中心的分類模型并保存作為所述純噪聲超聲波信號的分類模型。9. 如權利要求6所述的系統，其特征在于，所述局部放電信號分析模型修正單元包括： 線性頻譜累加模塊，用于確定所述局部放電信號分類模型中每一類的線性頻譜均值， 并將所述純噪聲超聲波信號分類模型的線性頻譜均值分別與所述確定的每一類的線性頻 譜均值相加，得到相加后的每一類的線性頻譜均值； 局部放電信號聚類模型修正模塊，用于根據所述得到的P維主成分系數矩陣，將所述得 到的相加后的每一類的線性頻譜均值轉換為對應的P維主成分特征后，得到只包含一個聚 類中心的分類模型并保存作為所述局部放電信號修正后的分類模型。10. 如權利要求6所述的系統，其特征在于，所述待檢信號識別單元包括： 歐氏距離計算模塊，用于將所述待檢信號的P維主成分特征分別引入所述純噪聲超聲 波信號的分類模型和所述局部放電信號修正后的分類模型中，計算出所述待檢信號分別到 所述純噪聲超聲波信號的分類模型和所述局部放電信號修正后的分類模型的歐氏距離； 判斷模塊，用于判斷所述待檢信號到所述純噪聲超聲波信號的分類模型的歐氏距離是 否小于所述待檢信號到所述局部放電信號修正后的分類模型的歐氏距離； 第一結果輸出模塊，用于所述篩選的分類模型為所述純噪聲超聲波信號的分類模型， 并將所述待檢信號為純噪聲超聲波信號作為檢測結果輸出； 第二結果輸出模塊，用于所述篩選的分類模型為所述局部放電信號修正后的分類模 型，并將所述待檢信號為局部放電信號作為檢測結果輸出。
【文檔編號】G01R31/12GK105842588SQ201610156063
【公開日】2016年8月10日
【申請日】2016年3月18日
【發明人】朱正國, 何斌斌, 余英, 楊開, 龔鵬
【申請人】深圳供電局有限公司, 珠海市伊特高科技有限公司