重庆快乐十分

基于声纹识别模型的变压器工作状态识别方法与流程

文档序号:19069040发布日期:2019-11-06 02:50
基于声纹识别模型的变压器工作状态识别方法与流程

重庆快乐十分本申请涉及检测技术领域,特别是涉及一种基于声纹识别模型的变压器工作状态识别方法。



背景技术:

电力变压器承担着电压转换和电能传输的重要作用。电力系统中变压器使用量大,容量等级和规格繁多,运行时间长,导致其事故率也相应升高。一旦变压器出现故障,将可能对电网带来巨大的经济损失,并危及运维人员人身安全。因此,对变压器工作状态进行有效监测,及早发现潜在故障隐患,成为了电力行业研究人员重点关注的问题。

重庆快乐十分运行中的变压器振动主要包括绕组振动、铁芯振动和冷却系统振动等。振动产生的机械波通过变压器的固体结构件、绝缘油和空气等介质向外辐射形成声波信号。声波信号蕴含着大量的变压器工作状态信息。20Hz至20kHz是人耳可听到的声音频率范围。有经验的变电站工作人员可以直接凭借耳朵听正在运行的变压器的声音来判断其状态是否正常。对运行中的变压器来说,声信号中包含了丰富的设备状态信息。当变压器出现过载、铁芯松动、直流偏磁、铁磁谐振等异常工作状态时,变压器所发出的声信号特征也会产生相应变化。

时频分析法是声信号处理领域的一种常用手段。但运行中的变压器的声信号不可避免地会受到负载电流、噪声干扰等的影响,使得不同时间监测到的声波信号亦会随之改变且呈现宽带非平稳特征,其时频特性表现出一定复杂性,难以直接进行分析以区分变压器的不同工作状态。如何提高变压器工作状态识别的准确性是亟待解决的问题。



技术实现要素:

基于此,有必要针对怎样才能提高变压器工作状态识别的准确性的问题,提供一种基于声纹识别模型的变压器工作状态识别方法。

一种基于声纹识别模型的变压器工作状态识别方法包括:

S100,选取变压器多种工作状态下的多个声音灰度图像训练卷积神经网络,建立声纹识别模型,其中,将多个所述声音灰度图像作为所述卷积神经网络的输入参数,将多个与所述多个声音灰度图像一一对应的工作状态信息作为所述卷积神经网络的输出参数。

S200,将待识别变压器的待测声音灰度图像输入所述声纹识别模型,获取与所述待测声音灰度图像相对应的工作状态信息。

在一个实施例中,所述步骤S100包括:

重庆快乐十分S110,随机选取所述变压器多种工作状态下的所述多个声音灰度图像,将所述多个声音灰度图像划分为训练样本集和测试样本集,多种工作状态对应设置为多个与所述多个声音灰度图像一一对应的工作状态信息。

重庆快乐十分S120,将所述训练样本集中的所述多个声音灰度图像作为所述卷积神经网络的输入,将所述多个工作状态信息分别作为卷积神经网络的输出,对所述卷积神经网络进行训练。

重庆快乐十分在一个实施例中,在所述步骤S120后,所述识别方法还包括:

重庆快乐十分S130,将所述测试样本集中的所述多个声音灰度图像输入训练后的所述卷积神经网络。

重庆快乐十分S140,记录所述声纹识别模型输出的多个与所述多个声音灰度图像一一对应的测试工作状态信息,并根据所述多个测试工作状态信息计算训练后的所述卷积神经网络的识别率。

S150,如果所述卷积神经网络的识别率的变化率小于设定值,依据训练后的所述卷积神经网络建立所述声纹识别模型。

在一个实施例中,在所述步骤S140之后,所述识别方法还包括:

重庆快乐十分S141,如果所述卷积神经网络的识别率的变化率大于设定值,则执行所述S120至所述150。

重庆快乐十分在一个实施例中,在所述步骤S100之前,所述识别方法还包括:

重庆快乐十分S01,采集多个所述多种工作状态的第一声音信号,每种所述工作状态对应多个所述第一声音信号,并对所述多个第一声音信号进行处理,得到多个与所述多个第一声音信号一一对应的声音灰度图像。

在一个实施例中,在所述步骤S01中,对所述多个第一声音信号进行处理的步骤包括:

S010,设定所述变压器的声音信号的采样频率和采样时长,并采集多个所述多种工作状态下的所述第一声音信号。

S020,分别对每个所述第一声音信号进行分段加窗处理,得到多个第二声音信号。

S030,分别对多个所述第二声音信号进行傅里叶变换,得到多个所述第二声音信号的频谱分布。

S040,根据所述第二声音信号频谱分布对所述第二声音信号进行小波变换,得到多个与所述多个第二声音信号一一对应的小波系数矩阵。

重庆快乐十分S050,分别对所述多个小波系数矩阵进行灰度变换,得到多种工作状态下的多个所述声音灰度图像。

重庆快乐十分在一个实施例中,所述步骤S040包括:

S041,分别选取多个与多个所述第二声音信号一一对应的小波基函数。

重庆快乐十分S042,对多个所述第二声音信号的频带宽度进行等间隔划分,得到多个频带子区间,并根据所述多个频带子区间构建多个与所述多个第二声音信号一一对应的二维网络。

S043,根据多个所述小波基函数和多个所述二维网络,对所述第二声音信号进行小波变换,并得到多个与所述多个第二声音信号一一对应的所述小波系数矩阵。

在一个实施例中,所述步骤S043之后,所述识别方法还包括:

S044,分别计算所述多个小波系数矩阵的香农熵,并依据多个所述香农熵确定多个最优小波基函数。

重庆快乐十分S045,依据所述多个最优小波基函数分别对多个与所述多个最优小波基函数一一对应的所述第二声音信号进行小波变换,并得到多个优化的所述小波系数矩阵。

在一个实施例中,所述步骤S050包括:

S051,分别对所述多个小波系数矩阵按列进行归一化处理,得到多个归一化的所述小波系数矩阵。

S052,分别对多个归一化的所述小波系数矩阵进行灰度变换,得到多个初始灰度图像。

重庆快乐十分S053,分别对所述多个初始灰度图像进行平滑滤波处理,得到多个平滑处理后的所述初始灰度图像。

重庆快乐十分S054,分别对多个平滑处理后的所述初始灰度图像进行锐化处理和灰度修正,得到多个所述声音灰度图像。

在一个实施例中,所述步骤S053中采用高斯模糊算子分别对所述多个初始灰度图像进行平滑滤波处理。

在一个实施例中,所述步骤S200之前,所述识别方法还包括:

S02,采集所述待识别变压器的待测声音信号,并对所述待测声音信号进行处理,得到与所述待测声音信号对应的所述待测声音灰度图像。

在一个实施例中,所述步骤S02包括:

S021,按照设定所述采样频率和所述采样时长,采集所述待识别变压器的待测声音信号。

S022,对所述待测声音信号进行分段加窗处理,得到多个分段待测声音信号。

S023,对多个所述分段待测声音信号进行傅里叶变换,得到多个与多个所述分段待测声音信号一一对应的分段待测声音信号的频谱分布。

S024,根据所述分段待测声音信号的频谱分布对所述分段待测声音信号进行小波变换,得到多个与所述多个分段待测声音信号一一对应的待测小波系数矩阵。

S025,分别对所述多个待测小波系数矩阵进行灰度变换,得到多种工作状态下的多个所述待测声音灰度图像。

本申请提供的所述基于声纹识别模型的变压器工作状态识别方法,通过将多个所述声音灰度图像作为所述卷积神经网络的输入参数,将多个与所述多个声音灰度图像一一对应的工作状态信息作为所述卷积神经网络的输出参数,对卷积神经网络进行训练,建立声纹识别模型。相比于现有技术,所述声音灰度图像能够放大所述变压器声音信号的时频特性,能够提高所述待测声音的辨识度。当将待识别变压器的待测声音灰度图像作为所述声纹识别模型的输入参数,所述声纹识别模型能够准确识别所述变压器的工作状态。所述变压器工作状态识别方法能够有效提取变压器声音信号时频特征,进而提高了变压器工作状态识别的准确性。

附图说明

重庆快乐十分图1为本申请一个实施例中提供的所述基于声纹识别模型的变压器工作状态识别方法的流程示意图;

图2为本申请另一个实施例中提供的所述基于声纹识别模型的变压器工作状态识别方法的流程示意图;

图3为本申请另一个实施例中提供的所述基于声纹识别模型的变压器工作状态识别方法的流程示意图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似改进,因此本申请不受下面公开的具体实施的限制。

重庆快乐十分本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。在本申请的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。

重庆快乐十分在本申请中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。

重庆快乐十分请参见图1,本申请实施例提供一种基于声纹识别模型的变压器工作状态识别方法包括:

S100,选取变压器多种工作状态下的多个声音灰度图像训练卷积神经网络,建立声纹识别模型,其中,将多个所述声音灰度图像作为所述卷积神经网络的输入参数,将多个与所述多个声音灰度图像一一对应的工作状态信息作为所述卷积神经网络的输出参数。

重庆快乐十分S200,将所述待识别变压器的待测声音灰度图像输入所述声纹识别模型,获取与所述待测声音灰度图像相对应的所述工作状态信息。

重庆快乐十分本申请实施例提供的所述基于声纹识别模型的变压器工作状态识别方法。所述识别方法通过将多个所述声音灰度图像作为所述卷积神经网络的输入参数,将多个与所述多个声音灰度图像一一对应的工作状态信息作为所述卷积神经网络的输出参数,对所述卷积神经网络进行训练,建立所述声纹识别模型。相比于现有技术,所述声音灰度图像能够放大所述变压器声音信号的时频特性,能够提高所述待测声音的辨识度。当将待识别变压器的待测声音灰度图像作为所述声纹识别模型的输入参数,所述声纹识别模型能够准确识别所述变压器的工作状态。所述变压器工作状态识别方法能够有效提取变压器声音信号时频特征,进而提高了变压器工作状态识别的准确性。

重庆快乐十分所述步骤S100用于训练所述卷积神经网络,并建立所述声纹识别模型。所述步骤S200用于识别所述变压器的工作状态。

请一并参见图2,在一个实施例中,所述步骤S100包括:

重庆快乐十分S110,随机选取所述变压器多种工作状态下的所述多个声音灰度图像,将所述多个声音灰度图像划分为训练样本集和测试样本集,多种工作状态对应设置为多个与所述多个声音灰度图像一一对应的工作状态信息。

重庆快乐十分在一个实施例中,随机选取变压器M种工作状态下的灰度图像为卷积神经网络的输入,分别组成卷积神经网络的训练样本集I和测试样本集I'。所述待识别变压器的工作状态为M种,构成卷积神经网络的期望输出Y。其所述训练样本集I和所述测试样本集I'分别为:

重庆快乐十分其中,Nx和Ny为变压器某种状态下声音信号灰度图像数目,且有Nx+Ny=N。Nx为变压器某种状态下声音信号灰度图像的训练样本集数目,Ny为变压器某种状态下声音信号灰度图像的测试样本集数目,通常有Ny<Nx,为所述训练样本集I。

重庆快乐十分所述卷积神经网络用于图像识别。所述卷积神经网络包含输入层、卷积层、激励层、池化层、全连接层和输出层等。所述输入层用于接收输入图像。所述卷积层用于提取图像的局部信息。所述激励层用于对所述卷积层输出进行规整处理,以方便网络的训练。所述池化层用于简化图像信息,提取图像主要信息,以降低数据量,提高神经网络运算性能。所述全连接层充分利用图像信息,通过网络训练,达到需要的输出特性。所述输出层用于输出所述待识别变压器的工作状态。

重庆快乐十分S120,将所述训练样本集中的所述多个声音灰度图像作为卷积神经网络的输入,将所述多个工作状态信息分别作为卷积神经网络的输出,对所述卷积神经网络进行训练。

所述卷积神经网络训练过程包括:

重庆快乐十分S121,所述训练样本的所述多个声音灰度图像输入所述输入层。

重庆快乐十分S122,在所述卷积神经网络的卷积层中,分别采用c个大小为h×h的卷积核,以步长s对所述输入层输出的所述训练样本的所述多个声音灰度图像进行卷积运算,并将计算结果输入至所述激励层。

S123,在所述激励层中,采用激活函数σ对所述卷积层的输出结果进行变换,并将计算结果输入至所述池化层。

S124,在所述池化层中,对所述激励层的输出结果进行重新采样,以降低激励层输出结果的数据维数,并将所述重新采样结果输出至所述全连层。

重庆快乐十分S125,所述全连接层包括连接层和softmax分类层。其中,所述连接层为包含l层神经元的前向神经网络。其中,所述池化层的输出为所述前向神经网络的第一层。所述前向神经网络相邻两层的输入输出均通过某一权值进行连接。所述前向神经网络的输出所述softmax分类层的输入。通过softmax函数进行数据处理,得到所述softmax分类层的输出。将所述softmax分类层的输出与所述期望输出Y进行比较,以更新所述前向神经网络的连接权值。所述softmax函数的表达式为:

其中,Qm为连接层输出数组Q的第m个元素。

重庆快乐十分在一个实施例中,所述步骤S120之后,所述识别方法还包括:

S130,将所述测试样本集中的所述多个声音灰度图像输入训练后的所述卷积神经网络。

S140,记录所述声纹识别模型输出的多个与所述多个声音灰度图像一一对应的测试工作状态信息,并根据所述多个测试工作状态信息计算训练后的所述卷积神经网络的识别率。

S150,如果所述卷积神经网络的识别率的变化率小于设定值,依据训练后的所述卷积神经网络建立所述声纹识别模型。

重庆快乐十分在一个实施例中,所述步骤S140之后,所述识别方法还包括:

重庆快乐十分S141,如果所述卷积神经网络的识别率的变化率大于设定值,则执行所述S120至所述S150。

重庆快乐十分在所述步骤S141和所述步骤S150中,所述卷积神经网络的识别率的变化率指前后两次将同一组所述测试样本输入同一个所述卷积神经网络的识别率的差值。

在一个实施例中,所述识别率的变化率的获得步骤为:

S1,将所述训练样本集中的所述多个声音灰度图像作为卷积神经网络的输入,将所述多个工作状态信息分别作为卷积神经网络的输出,对所述卷积神经网络进行训练。

S2,将所述测试样本集中的所述多个声音灰度图像输入训练后的所述卷积神经网络。

S3,记录所述声纹识别模型输出的多个与所述多个声音灰度图像一一对应的测试工作状态信息,并根据所述多个测试工作状态信息计算训练后的所述卷积神经网络的第一识别率。

S4,将所述训练样本集(与所述步骤S1中的所述训练样本集为同一个)中的所述多个声音灰度图像作为卷积神经网络的输入,将所述多个工作状态信息分别作为卷积神经网络的输出,对所述卷积神经网络进行训练。

S5,将所述测试样本集(与所述步骤S2中的所述训练样本集为同一个)中的所述多个声音灰度图像输入训练后的所述卷积神经网络。

重庆快乐十分S6,记录所述声纹识别模型输出的多个与所述多个声音灰度图像一一对应的测试工作状态信息,并根据所述多个测试工作状态信息计算训练后的所述卷积神经网络的第二识别率。

S7,计算所述第一识别率与所述第二识别率的差值,得到所述识别率的变化率。

请一并参见图3,在一个实施例中,所述步骤S100之前,所述识别方法还包括:

S01,采集多个所述变压器多种工作状态下的第一声音信号,每种所述变压器的工作状态对应多个所述第一声音信号,并对所述多个第一声音信号进行处理,得到多个与所述多个第一声音信号一一对应的声音灰度图像。

在一个实施例中,所述步骤S01包括:

S010,设定所述变压器的声音信号的采样频率和采样时长,并采集多个所述变压器多种工作状态下的所述第一声音信号。

重庆快乐十分S020,分别对每个所述第一声音信号进行分段加窗处理,得到多个第二声音信号。

重庆快乐十分S030,分别对多个所述第二声音信号进行傅里叶变换,得到多个与多个所述第二声音信号一一对应的第二声音信号的频谱分布。

S040,根据所述第二声音信号频谱分布对所述第二声音信号进行小波变换,得到多个与所述多个第二声音信号一一对应的小波系数矩阵。

重庆快乐十分S050,分别对所述多个小波系数矩阵进行灰度变换,得到多种工作状态下的多个所述声音灰度图像。

重庆快乐十分在一个实施例中,所述步骤S040包括:

S041,分别选取多个与多个所述第二声音信号一一对应的小波基函数。所述小波基函数为:

重庆快乐十分其中,xi(t)为第i段所述第二声音信号,ψi(t)为第i段声音信号的小波基函数,fbi为所述小波基函数的带宽,fci为中心频率。

重庆快乐十分所述小波基函数选取决定了小波变换的合理性。所述小波基函数具有带宽和中心频率两个重要参数。所述带宽影响频率分析的范围大小。一般将待分析的目标频率作为所述中心频率。本申请中将指数衰减性质的余弦函数作为小波基函数。所述余弦函数带宽的宽度适中,不会使待分析频率产生重叠。同时所述余弦函数具有收敛性,将所述指数衰减性质的余弦函数作为小波基函数能得到准确的频率响应。

S042,对多个所述第二声音信号的频带宽度进行等间隔划分,得到多个频带子区间,并根据所述多个频带子区间构建多个与所述多个第二声音信号一一对应的二维网络。

第i段所述第二声音信号的频带范围为[fimin,fimax],此处,i=1,2,…,N;对第i段所述第二声音信号的频带范围[fimin,fimax]进行等间隔划分,得到长度为Δf的Bi个所述频带子区间,构建一个大小为Bi×Bi的二维网格,所述频带子区间Bi的计算公式为:

重庆快乐十分其中,“[]”表示取整。

重庆快乐十分所述步骤S042利用所述二维网格的网格法对所述带宽和所述中心频率进行寻优。

S043,根据多个所述小波基函数和多个所述二维网络,对所述第二声音信号进行小波变换,并得到多个与所述多个第二声音信号一一对应的所述小波系数矩阵。

按行遍历大小为Bi×Bi的所述二维网格的所有节点(g1,g2)。此处,g1=1,2,…,Bi+1,g2=1,2,…,Bi+1。令所述二维网格中每行的所有节点为第i段所述第二声音信号的小波基函数的带宽。其中,所述二维网格的第g1行和第g2列处节点处的所述小波基函数的带宽为fbi(g1,g2)=fimin+(g1-1)Δf。令所述二维网格中每列的所有节点为第i段所述第二声音信号的小波基函数的中心频率。其中,所述二维网格的第g1行和第g2列处节点的小波基函数的中心频率为fci(g1,g2)=fimin+(g2-1)Δf,计算第i段所述第二声音信号xi(t)的小波变换,所述的小波变换计算公式为:

j=1,…,H;k=1,…,L;g1=1,2,…,Bi+1;g2=1,2,…,Bi+1 (8)

重庆快乐十分其中,为第i段是第二声音信号的小波系数矩阵Wi中第j行第k列元素,为第i段所述第二声音信号的小波基函数,H为第i段所述第二声音信号的小波系数矩阵Wi的行数,L为第i段所述第二声音信号的小波系数矩阵Wi的列数。

aj为尺度因子,可表示为:

所述尺度因子的取值应确保所对应的实际频率faj能够涵盖声音信号的频带范围[fimin,fimax]。

通过利用二维网络的网格法对带宽参数和中心频率进行寻优。对构建的网格,网格的每一个点均作为一个带宽和中心频率的参数组合。采用这个组合进行连续小波变换,并根据下文设定的目标函数,选择最优的参数组。

重庆快乐十分在一个实施例中,所述步骤S043之后,所述识别方法还包括:

S044,分别计算所述多个小波系数矩阵的香农熵,并依据多个所述香农熵确定多个最优小波基函数。

重庆快乐十分计算所述小波系数矩阵的所述香农熵。选取所述香农熵为最小值时的二维网格节点(g1,g2)所对应的所述带宽和所述中心频率作为最优小波基函数的带宽和中心频率所述香农熵的计算公式为:

其中,Si(g1,g2)为香农熵,pj为小波系数矩阵第j行元素能量与小波系数矩阵总能量的比值。

S045,依据所述多个最优小波基函数分别对多个与所述多个最优小波基函数一一对应的所述第二声音信号进行小波变换,并得到多个优化的所述小波系数矩阵。

对所述变压器的所述第二声音信号进行小波变换能够更好的提取信号的时频特征。所述时频特征反映了信号频域特性随时间的变化情况。小波变换的分析效果取决于所述小波基函数和分析频带的合理选取。本申请采用优化的连续小波变换来提取声信号时频特征,能够兼顾时域和频域上的准确性,提高所述变压器工作状态识别的准确性。

在一个实施例中,所述步骤S050包括:

S051,分别对所述多个小波系数矩阵按列进行归一化处理,得到多个归一化的所述小波系数矩阵。

第i段所述第二声音信号的归一化处理计算公式为:

重庆快乐十分其中,Ui(:,k)为第i段所述第二声音信号的小波系数矩阵第k列的均值,δi(:,k)为第i段所述第二声音信号的小波系数矩阵第k列的方差,为所述小波系数矩阵。

S052,分别对多个归一化的所述小波系数矩阵进行灰度变换,得到多个初始灰度图像。

重庆快乐十分第i段所述第二声音信号的初始灰度图像G'的灰度变换公式为:

其中,G'i(j,k)为第i段所述第二声音信号的的初始灰度图像G'i中第j行第k列的元素灰度。ceil函数表示向上取整,p为灰度位深。为第i段所述第二声音信号的小波变换矩阵的第k列元素。

S053,分别对所述多个初始灰度图像进行平滑滤波处理,得到多个平滑处理后的所述初始灰度图像。

在一个实施例中,所述步骤S053中,采用高斯模糊算子分别对所述多个初始灰度图像进行平滑滤波处理。

第i段所述第二声音信号的所述初始灰度图像G'的平滑滤波处理为:

重庆快乐十分其中,G'1为对所述初始灰度图像G'进行平滑滤波后得到的所述灰度图像,F为高斯模糊算子,c1和c2为矩形区域的长与宽。

S054,分别对多个平滑处理后的所述初始灰度图像进行锐化处理和灰度修正,得到多个所述声音灰度图像。

重庆快乐十分第i段所述第二声音信号的灰度图像G'1i的锐化处理公式为:

重庆快乐十分其中,G'2为对灰度图像G'1进行锐化处理后得到的灰度图像。

重庆快乐十分第i段所述第二声音信号的灰度图像G'2的灰度修正公式为:

重庆快乐十分其中,γ为灰度修正系数,通常有γ<1。

在一个实施例中,所述步骤S200之前,所述识别方法还包括:

重庆快乐十分S02,采集所述待识别变压器的待测声音信号,并对所述待测声音信号进行处理,得到与所述待测声音信号对应的所述待测声音灰度图像。所述待测声音信号的处理方法参照所述步骤S01及其中包括的相关步骤。

在一个实施例中,所述步骤S02包括:

重庆快乐十分S021,按照设定所述采样频率和所述采样时长,采集所述待识别变压器的待测声音信号。

重庆快乐十分S022,对所述待测声音信号进行分段加窗处理,得到多个分段待测声音信号。

S023,对多个所述分段待测声音信号进行傅里叶变换,得到多个与多个所述分段待测声音信号一一对应的分段待测声音信号的频谱分布。

重庆快乐十分S024,根据所述分段待测声音信号的频谱分布对所述分段待测声音信号进行小波变换,得到多个与所述多个分段待测声音信号一一对应的待测小波系数矩阵。

S025,分别对所述多个待测小波系数矩阵进行灰度变换,得到多种工作状态下的多个所述待测声音灰度图像。

重庆快乐十分在一个实施例中,在所述步骤S010中,所述采样频率为fs,每种状态声信号的所述采集时间为T。所述不同工作状态的种类记为M,此处,fs=50kHz,T=10min,M=4,对应变压器4种工作状态分别为正常、绕组松动、铁心松动和电流过载。分别用数字表示所述工作状态。“正常”表示为“1”,“绕组松动”表示为“2”,“铁心松动”表示为“3”,“电流过载”表示为“4”。

重庆快乐十分在所述步骤S010中,将所述第一声音信号x(t)进行分段加窗处理,得到N段所述第二声音信号。其中,每段所述第二声音信号的长度为L,相邻两段所述第二声音信号的重叠长度为O,以长度为L的每段所述第二声音信号能看作平稳信号为宜。此处,N=800,L=51200,O=10240。

重庆快乐十分在所述步骤S053中,c1和c2为矩形区域的长与宽,c1=c2=3。

重庆快乐十分在所述步骤S054中,γ=0.5。

在所述步骤S122中,c=8,h=4,s=2。

在所述步骤S123中,所述激活函数选用Relu函数,所述Relu函数为:

重庆快乐十分在所述步骤S124中,所述的卷积神经网络的池化层对激励层的输出结果进行重采样处理,以降低激励层输出结果的数据维数,并将其作为池化层的输出。此处采用最大池化处理,以4×4区域内元素的最大值代替原区域。

在所述步骤S125中,连接层为包含l层神经元的前向神经网络,此处l=4。

在所述步骤S150中,所述设定值为δ=1%。

在所述步骤S200包括:

S210,将所述待识别变压器的待测声音灰度图像输入所述声纹识别模型,得到多个对所述工作状态对应的所述数字。

S220,选取多个所述数字中的最大值,并得到与所述最大值对应的所述工作状态,即为所述待识别变压器的工作状态。

以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。

重庆快乐十分以上所述实施例仅表达了本申请的几种实施方式,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。

再多了解一些
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1
我是后台设置的统计JS代码