一種修正超聲波局部放電檢測(cè)的方法和系統(tǒng)的制作方法
【專利摘要】本發(fā)明提供一種修正超聲波局部放電檢測(cè)的方法，包括從歷史數(shù)據(jù)中提取多個(gè)局部放電信號(hào)線性頻譜后處理，得到系數(shù)矩陣及每一局部放電信號(hào)的主成分特征，構(gòu)建出局部放電信號(hào)的分類模型及每一類的線性頻譜均值；獲取純?cè)肼曅盘?hào)的線性頻譜均值，根據(jù)系數(shù)矩陣，得到純?cè)肼暢暡ㄐ盘?hào)的分類模型；將局部放電信號(hào)每一類的線性頻譜均值與純?cè)肼曅盘?hào)的線性頻譜均值相加，修正局部放電信號(hào)的分類模型；獲取待檢信號(hào)，根據(jù)系數(shù)矩陣得到待檢信號(hào)的主成分特征并引入純?cè)肼暭熬植糠烹娦盘?hào)修正后的分類模型中，篩選出歐氏距離最小對(duì)應(yīng)分類模型中的信號(hào)輸出。實(shí)施本發(fā)明，避免人工因素干擾，引入特征維數(shù)低，訓(xùn)練數(shù)據(jù)少，從而達(dá)到省時(shí)省力且檢測(cè)結(jié)果客觀的目的。
【專利說(shuō)明】
一種修正超聲波局部放電檢測(cè)的方法和系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及局部放電信號(hào)檢測(cè)技術(shù)領(lǐng)域，尤其涉及一種修正超聲波局部放電檢測(cè) 的方法和系統(tǒng)。
【背景技術(shù)】
[0002] 為了保障設(shè)備的安全穩(wěn)定運(yùn)行，需進(jìn)行絕緣性能檢測(cè)與故障診斷，而局部放電是 導(dǎo)致設(shè)備絕緣事故發(fā)生的最主要原因，因此采用超聲波檢測(cè)方法對(duì)設(shè)備進(jìn)行局部放電實(shí)時(shí) 檢測(cè)，可以全面掌握設(shè)備實(shí)時(shí)運(yùn)行狀況，并可對(duì)之后一段時(shí)長(zhǎng)內(nèi)的絕緣狀態(tài)進(jìn)行預(yù)測(cè)，同時(shí) 根據(jù)其絕緣狀況采取合適的檢修和維護(hù)策略，這對(duì)保證供電系統(tǒng)的穩(wěn)定可靠運(yùn)行具有非常 積極的意義。
[0003] 目前，基于超聲波檢測(cè)局部放電技術(shù)的檢測(cè)設(shè)備已投入市場(chǎng)使用，常用的設(shè)備有 兩種:一種是通過(guò)壓電原理，將超聲波信號(hào)轉(zhuǎn)化為電流信號(hào)后，經(jīng)內(nèi)部處理器將其轉(zhuǎn)化為音 頻信號(hào)，從而局部放電信號(hào)的有無(wú)可通過(guò)高保真耳機(jī)來(lái)監(jiān)聽音頻信號(hào)的異常來(lái)判斷；另一 種是通過(guò)人工設(shè)定閾值及報(bào)警功能來(lái)實(shí)現(xiàn)檢測(cè)，通過(guò)dB值顯示局部放電超聲波信號(hào)的大 小。
[0004] 上述兩種設(shè)備在現(xiàn)場(chǎng)實(shí)際檢測(cè)中都會(huì)遇到下面的一些問(wèn)題:在第一種設(shè)備檢測(cè)過(guò) 程中，由于每個(gè)人的聽覺生理特性的不同，檢測(cè)人員對(duì)監(jiān)聽到的耳機(jī)中的音頻信號(hào)會(huì)有不 同的判斷，檢測(cè)結(jié)果與檢測(cè)人員的主觀能動(dòng)性息息相關(guān)，容易造成誤判;在第二種設(shè)備檢測(cè) 過(guò)程中，由于故障判斷依靠經(jīng)驗(yàn)居多，系統(tǒng)檢測(cè)可靠性不高。
[0005] 因此，為了更準(zhǔn)確地檢測(cè)超聲波局部放電信號(hào)，一些基于統(tǒng)計(jì)的模式識(shí)別技術(shù)被 應(yīng)用到實(shí)際系統(tǒng)中，但這些技術(shù)在應(yīng)用中也存在著以下不足：（1)特征維數(shù)較多，需要大量 的訓(xùn)練數(shù)據(jù)，而局部放電信號(hào)通常不易采集到；（2)當(dāng)訓(xùn)練環(huán)境與實(shí)際使用環(huán)境不匹配時(shí)， 性能會(huì)顯著下降。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明實(shí)施例所要解決的技術(shù)問(wèn)題在于，提供一種修正超聲波局部放電檢測(cè)的方 法和系統(tǒng)，能夠避免人工因素干擾，且引入特征維數(shù)低，訓(xùn)練數(shù)據(jù)少，從而達(dá)到省時(shí)省力且 檢測(cè)結(jié)果客觀的目的。
[0007] 為了解決上述技術(shù)問(wèn)題，本發(fā)明實(shí)施例提供了一種修正超聲波局部放電檢測(cè)的方 法，所述方法包括：
[0008] a、從設(shè)備高信噪比超聲波局部放電信號(hào)的歷史數(shù)據(jù)中，提取多個(gè)局部放電信號(hào)， 并將所述提取的多個(gè)局部放電信號(hào)均轉(zhuǎn)換為線性頻譜后通過(guò)主成分分析法處理，得到P維 主成分系數(shù)矩陣，且根據(jù)所述得到的P維主成分系數(shù)矩陣，得到每一局部放電信號(hào)的P維主 成分特征，進(jìn)一步將所述得到的每一局部放電信號(hào)的P維主成分特征進(jìn)行無(wú)監(jiān)督聚類，得到 局部放電信號(hào)的分類模型及其對(duì)應(yīng)每一類的線性頻譜均值;其中，P為自然數(shù)；
[0009] b、獲取純?cè)肼暢暡ㄐ盘?hào)，并將所述獲取到的純?cè)肼暢暡ㄐ盘?hào)轉(zhuǎn)換為線性頻譜 后，計(jì)算出純?cè)肼暢暡ㄐ盘?hào)的線性頻譜均值，且根據(jù)所述得到的P維主成分系數(shù)矩陣，將 所述純?cè)肼暢暡ㄐ盘?hào)的線性頻譜均值轉(zhuǎn)換為所述純?cè)肼暢暡ㄐ盘?hào)的P維主成分特征 后，得到純?cè)肼暢暡ㄐ盘?hào)的分類模型；
[0010] c、將所述局部放電信號(hào)分類模型中每一類的線性頻譜均值分別與所述純?cè)肼暢?聲波信號(hào)分類模型的線性頻譜均值進(jìn)行相加，得到相加后的每一類的線性頻譜均值，并根 據(jù)所述得到的P維主成分系數(shù)矩陣，將所述得到的相加后的每一類的線性頻譜均值轉(zhuǎn)換為 對(duì)應(yīng)的P維主成分特征后，得到的分類模型作為局部放電信號(hào)修正后的分類模型；
[0011] d、獲取待檢信號(hào)，并將所述獲取到的待檢信號(hào)轉(zhuǎn)換為線性頻譜，且根據(jù)所述得到 的P維主成分系數(shù)矩陣，將所述待檢信號(hào)的線性頻譜轉(zhuǎn)換為所述待檢信號(hào)的P維主成分特 征；
[0012] e、將所述待檢信號(hào)的P維主成分特征分別引入所述純?cè)肼暢暡ㄐ盘?hào)的分類模型 和所述局部放電信號(hào)修正后的分類模型中，計(jì)算出所述待檢信號(hào)分別到所述純?cè)肼暢暡?信號(hào)的分類模型和所述局部放電信號(hào)修正后的分類模型的歐氏距離，并根據(jù)所述得到的兩 個(gè)歐氏距離，篩選出所述兩個(gè)歐氏距離中最小值對(duì)應(yīng)的分類模型，進(jìn)一步將所篩選分類模 型中所對(duì)應(yīng)的信號(hào)作為所述待檢信號(hào)的檢測(cè)結(jié)果輸出。
[0013] 其中，所述步驟a具體包括：
[0014]從設(shè)備高信噪比超聲波局部放電信號(hào)的歷史數(shù)據(jù)中，提取多個(gè)局部放電信號(hào)，并 將所述提取的多個(gè)局部放電信號(hào)均以一定時(shí)長(zhǎng)為單位進(jìn)行分幀后，對(duì)所述分幀后的每一局 部放電信號(hào)均進(jìn)行傅里葉變換，得到每一局部放電信號(hào)的線性頻譜；
[0015] 通過(guò)主成分分析法對(duì)任一局部放電信號(hào)的線性頻譜進(jìn)行降維處理，得到P維主成 分系數(shù)矩陣，并根據(jù)所述得到的P維主成分系數(shù)矩陣，對(duì)所述提取的每一局部放電信號(hào)均進(jìn) 行線性變換，得到每一局部放電信號(hào)的P維主成分特征；
[0016] 采用k-mean算法同時(shí)對(duì)所述得到的每一局部放電信號(hào)的P維主成分特征進(jìn)行無(wú)監(jiān) 督聚類，計(jì)算出多個(gè)聚類中心并保存作為局部放電信號(hào)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(duì)所述局部放電信號(hào)的分類模型中 每一類所含的線性頻譜進(jìn)行計(jì)算，得到所述局部放電信號(hào)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(hào)之前，獲取實(shí)際環(huán)境一段時(shí)間范圍內(nèi)的純?cè)肼暢暡ㄐ盘?hào)， 并將所述獲取到的純?cè)肼暢暡ㄐ盘?hào)以一定時(shí)長(zhǎng)為單位進(jìn)行分幀后，對(duì)所述分幀后的純?cè)?聲超聲波信號(hào)均進(jìn)行傅里葉變換，得到所述純?cè)肼暢暡ㄐ盘?hào)的線性頻譜；
[0020] 將所述得到的純?cè)肼暢暡ㄐ盘?hào)的線性頻譜相加后求平均值，作為所述純?cè)肼暢?聲波信號(hào)的線性頻譜均值；
[0021] 根據(jù)所述得到的P維主成分系數(shù)矩陣，將所述純?cè)肼暢暡ㄐ盘?hào)的線性頻譜均值 轉(zhuǎn)換為所述純?cè)肼暢暡ㄐ盘?hào)的P維主成分特征后，得到只包含一個(gè)聚類中心的分類模型 并保存作為所述純?cè)肼暢暡ㄐ盘?hào)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(hào)分類模型中每一類的線性頻譜均值，并將所述純?cè)肼暢?波信號(hào)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(jù)所述得到的P維主成分系數(shù)矩陣，將所述得到的相加后的每一類的線性頻譜 均值轉(zhuǎn)換為對(duì)應(yīng)的P維主成分特征后，得到只包含一個(gè)聚類中心的分類模型并保存作為所 述局部放電信號(hào)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(hào)的P維主成分特征分別引入所述純?cè)肼暢暡ㄐ盘?hào)的分類模型和 所述局部放電信號(hào)修正后的分類模型中，計(jì)算出所述待檢信號(hào)分別到所述純?cè)肼暢暡ㄐ?號(hào)的分類模型和所述局部放電信號(hào)修正后的分類模型的歐氏距離；
[0027] 判斷所述待檢信號(hào)到所述純?cè)肼暢暡ㄐ盘?hào)的分類模型的歐氏距離是否小于所 述待檢信號(hào)到所述局部放電信號(hào)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?cè)肼暢暡ㄐ盘?hào)的分類模型，并將所述 待檢信號(hào)為純?cè)肼暢暡ㄐ盘?hào)作為檢測(cè)結(jié)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(hào)修正后的分類模型，并將所 述待檢信號(hào)為局部放電信號(hào)作為檢測(cè)結(jié)果輸出。
[0030] 本發(fā)明實(shí)施例還提供了一種修正超聲波局部放電檢測(cè)的系統(tǒng)，所述系統(tǒng)包括：
[0031] 局部放電信號(hào)分析模型獲取單元，用于從設(shè)備高信噪比超聲波局部放電信號(hào)的歷 史數(shù)據(jù)中，提取多個(gè)局部放電信號(hào)，并將所述提取的多個(gè)局部放電信號(hào)均轉(zhuǎn)換為線性頻譜 后通過(guò)主成分分析法處理，得到P維主成分系數(shù)矩陣，且根據(jù)所述得到的P維主成分系數(shù)矩 陣，得到每一局部放電信號(hào)的P維主成分特征，進(jìn)一步將所述得到的每一局部放電信號(hào)的P 維主成分特征進(jìn)行無(wú)監(jiān)督聚類，得到局部放電信號(hào)的分類模型及其對(duì)應(yīng)每一類的線性頻譜 均值;其中，P為自然數(shù)；
[0032] 純?cè)肼暢暡ㄐ盘?hào)分析模型獲取單元，用于獲取純?cè)肼暢暡ㄐ盘?hào)，并將所述獲 取到的純?cè)肼暢暡ㄐ盘?hào)轉(zhuǎn)換為線性頻譜后，計(jì)算出純?cè)肼暢暡ㄐ盘?hào)的線性頻譜均值， 且根據(jù)所述得到的P維主成分系數(shù)矩陣，將所述純?cè)肼暢暡ㄐ盘?hào)的線性頻譜均值轉(zhuǎn)換為 所述純?cè)肼暢暡ㄐ盘?hào)的P維主成分特征后，得到純?cè)肼暢暡ㄐ盘?hào)的分類模型；
[0033] 局部放電信號(hào)分析模型修正單元，用于將所述局部放電信號(hào)分類模型中每一類的 線性頻譜均值分別與所述純?cè)肼暢暡ㄐ盘?hào)分類模型的線性頻譜均值進(jìn)行相加，得到相加 后的每一類的線性頻譜均值，并根據(jù)所述得到的P維主成分系數(shù)矩陣，將所述得到的相加后 的每一類的線性頻譜均值轉(zhuǎn)換為對(duì)應(yīng)的P維主成分特征后，得到的分類模型作為局部放電 信號(hào)修正后的分類模型；
[0034] 待檢信號(hào)分析單元，用于獲取待檢信號(hào)，并將所述獲取到的待檢信號(hào)轉(zhuǎn)換為線性 頻譜，且根據(jù)所述得到的P維主成分系數(shù)矩陣，將所述待檢信號(hào)的線性頻譜轉(zhuǎn)換為所述待檢 信號(hào)的P維主成分特征；
[0035] 待檢信號(hào)識(shí)別單元，用于將所述待檢信號(hào)的P維主成分特征分別引入所述純?cè)肼?超聲波信號(hào)的分類模型和所述局部放電信號(hào)修正后的分類模型中，計(jì)算出所述待檢信號(hào)分 別到所述純?cè)肼暢暡ㄐ盘?hào)的分類模型和所述局部放電信號(hào)修正后的分類模型的歐氏距 離，并根據(jù)所述得到的兩個(gè)歐氏距離，篩選出所述兩個(gè)歐氏距離中最小值對(duì)應(yīng)的分類模型， 進(jìn)一步將所篩選分類模型中所對(duì)應(yīng)的信號(hào)作為所述待檢信號(hào)的檢測(cè)結(jié)果輸出。
[0036] 其中，所述局部放電信號(hào)分析模型獲取單元包括：
[0037] 局部放電信號(hào)線性頻譜變換模塊，用于從設(shè)備高信噪比超聲波局部放電信號(hào)的歷 史數(shù)據(jù)中，提取多個(gè)局部放電信號(hào)，并將所述提取的多個(gè)局部放電信號(hào)均以一定時(shí)長(zhǎng)為單 位進(jìn)行分幀后，對(duì)所述分幀后的每一局部放電信號(hào)均進(jìn)行傅里葉變換，得到每一局部放電 信號(hào)的線性頻譜；
[0038] 主成分分析模塊，用于通過(guò)主成分分析法對(duì)任一局部放電信號(hào)的線性頻譜進(jìn)行降 維處理，得到P維主成分系數(shù)矩陣，并根據(jù)所述得到的P維主成分系數(shù)矩陣，對(duì)所述提取的每 一局部放電信號(hào)均進(jìn)行線性變換，得到每一局部放電信號(hào)的P維主成分特征；
[0039] 局部放電信號(hào)聚類模型計(jì)算模塊，用于采用k-mean算法同時(shí)對(duì)所述得到的每一局 部放電信號(hào)的P維主成分特征進(jìn)行無(wú)監(jiān)督聚類，計(jì)算出多個(gè)聚類中心并保存作為局部放電 信號(hào)的分類模型；
[0040] 局部放電信號(hào)聚類模型類別均值計(jì)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(duì)所述局部放電信號(hào)的分類模型中每一類所含的線性頻譜進(jìn)行計(jì)算，得到所 述局部放電信號(hào)的分類模型中每一類的線性頻譜均值。
[0041 ]其中，所述純?cè)肼暢暡ㄐ盘?hào)分析模型獲取單元包括：
[0042] 純?cè)肼暢暡ㄐ盘?hào)線性頻譜變換模塊，用于在獲取所述待檢信號(hào)之前，獲取實(shí)際 環(huán)境一段時(shí)間范圍內(nèi)的純?cè)肼暢暡ㄐ盘?hào)，并將所述獲取到的純?cè)肼暢暡ㄐ盘?hào)以一定時(shí) 長(zhǎng)為單位進(jìn)行分幀后，對(duì)所述分幀后的純?cè)肼暢暡ㄐ盘?hào)均進(jìn)行傅里葉變換，得到所述純 噪聲超聲波信號(hào)的線性頻譜；
[0043] 線性頻譜均值計(jì)算模塊，用于將所述得到的純?cè)肼暢暡ㄐ盘?hào)的線性頻譜相加后 求平均值，作為所述純?cè)肼暢暡ㄐ盘?hào)的線性頻譜均值；
[0044] 純?cè)肼暢暡ㄐ盘?hào)聚類模型計(jì)算模塊，用于根據(jù)所述得到的P維主成分系數(shù)矩陣， 將所述純?cè)肼暢暡ㄐ盘?hào)的線性頻譜均值轉(zhuǎn)換為所述純?cè)肼暢暡ㄐ盘?hào)的P維主成分特征 后，得到只包含一個(gè)聚類中心的分類模型并保存作為所述純?cè)肼暢暡ㄐ盘?hào)的分類模型。
[0045] 其中，所述局部放電信號(hào)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(hào)分類模型中每一類的線性頻譜均 值，并將所述純?cè)肼暢暡ㄐ盘?hào)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(hào)聚類模型修正模塊，用于根據(jù)所述得到的P維主成分系數(shù)矩陣，將所 述得到的相加后的每一類的線性頻譜均值轉(zhuǎn)換為對(duì)應(yīng)的P維主成分特征后，得到只包含一 個(gè)聚類中心的分類模型并保存作為所述局部放電信號(hào)修正后的分類模型。
[0048] 其中，所述待檢信號(hào)識(shí)別單元包括：
[0049] 歐氏距離計(jì)算模塊，用于將所述待檢信號(hào)的P維主成分特征分別引入所述純?cè)肼?超聲波信號(hào)的分類模型和所述局部放電信號(hào)修正后的分類模型中，計(jì)算出所述待檢信號(hào)分 別到所述純?cè)肼暢暡ㄐ盘?hào)的分類模型和所述局部放電信號(hào)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(hào)到所述純?cè)肼暢暡ㄐ盘?hào)的分類模型的歐氏距 離是否小于所述待檢信號(hào)到所述局部放電信號(hào)修正后的分類模型的歐氏距離；
[0051] 第一結(jié)果輸出模塊，用于所述篩選的分類模型為所述純?cè)肼暢暡ㄐ盘?hào)的分類模 型，并將所述待檢信號(hào)為純?cè)肼暢暡ㄐ盘?hào)作為檢測(cè)結(jié)果輸出；
[0052]第二結(jié)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(hào)修正后的分類 模型，并將所述待檢信號(hào)為局部放電信號(hào)作為檢測(cè)結(jié)果輸出。
[0053]實(shí)施本發(fā)明實(shí)施例，具有如下有益效果：
[0054] 在本發(fā)明實(shí)施例中，由于使用主成分分析方法可以有效地降低訓(xùn)練數(shù)據(jù)的維度降 低數(shù)據(jù)復(fù)雜度，同時(shí)使用環(huán)境噪聲均值的對(duì)分類模型進(jìn)行修正，可以有效提高檢測(cè)方法在 各類噪聲環(huán)境下的性能，從而能夠避免人工因素干擾，且引入特征維數(shù)低，訓(xùn)練數(shù)據(jù)少，從 而達(dá)到省時(shí)省力且檢測(cè)結(jié)果客觀的目的。
【附圖說(shuō)明】
[0055] 為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本 發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)性的前提下，根據(jù) 這些附圖獲得其他的附圖仍屬于本發(fā)明的范疇。
[0056] 圖1為本發(fā)明實(shí)施例提供的一種修正超聲波局部放電檢測(cè)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(fā)明實(shí)施例提供的一種修正超聲波局部放電檢測(cè)的系統(tǒng)的結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0062]為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖對(duì)本發(fā)明作進(jìn)一 步地詳細(xì)描述。
[0063] 如圖1所示，為本發(fā)明實(shí)施例中，提供的一種修正超聲波局部放電檢測(cè)的方法，所 述方法包括：
[0064] 步驟S1、從設(shè)備高信噪比超聲波局部放電信號(hào)的歷史數(shù)據(jù)中，提取多個(gè)局部放電 信號(hào)，并將所述提取的多個(gè)局部放電信號(hào)均轉(zhuǎn)換為線性頻譜后通過(guò)主成分分析法處理，得 到P維主成分系數(shù)矩陣，且根據(jù)所述得到的P維主成分系數(shù)矩陣，得到每一局部放電信號(hào)的P 維主成分特征，進(jìn)一步將所述得到的每一局部放電信號(hào)的P維主成分特征進(jìn)行無(wú)監(jiān)督聚類， 得到局部放電信號(hào)的分類模型及其對(duì)應(yīng)每一類的線性頻譜均值;其中，P為自然數(shù)；
[0065] 具體過(guò)程為，步驟S11、從設(shè)備高信噪比超聲波局部放電信號(hào)的歷史數(shù)據(jù)中，提取 多個(gè)局部放電信號(hào)，并將提取的多個(gè)局部放電信號(hào)均以一定時(shí)長(zhǎng)為單位進(jìn)行分幀后，對(duì)分 幀后的每一局部放電信號(hào)均進(jìn)行傅里葉變換，得到每一局部放電信號(hào)的線性頻譜；
[0066] 步驟S12、通過(guò)主成分分析法對(duì)任一局部放電信號(hào)的線性頻譜進(jìn)行降維處理，得到 P維主成分系數(shù)矩陣，并根據(jù)得到的P維主成分系數(shù)矩陣，對(duì)提取的每一局部放電信號(hào)均進(jìn) 行線性變換，得到每一局部放電信號(hào)的P維主成分特征；
[0067] 步驟S13、采用k-mean算法同時(shí)對(duì)得到的每一局部放電信號(hào)的P維主成分特征進(jìn)行 無(wú)監(jiān)督聚類，計(jì)算出多個(gè)聚類中心并保存作為局部放電信號(hào)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(duì)局部放電信號(hào)的分類模 型中每一類所含的線性頻譜進(jìn)行計(jì)算，得到局部放電信號(hào)的分類模型中每一類的線性頻譜 均值。
[0069] 在一個(gè)實(shí)施例中，第一步、提取信噪比超過(guò)20dB的超聲波局部放電信號(hào)，對(duì)提取的 多個(gè)局部放電信號(hào)均以Is為單位的幀長(zhǎng)劃分后，進(jìn)行快速傅里葉變換計(jì)算出信號(hào)的DFT，得 到多個(gè)局部放電信號(hào)的線性頻譜；
[0070] 第二步、對(duì)信號(hào)線性頻譜進(jìn)行主成分分析，將信號(hào)降成P維，得到P維主成分系數(shù)矩 陣。主成分分析中，對(duì)于一個(gè)樣本資料，觀測(cè)P個(gè)變量，η個(gè)樣品的數(shù)據(jù)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(shí)，主成分分析將ρ個(gè)觀測(cè)變量綜合成為ρ個(gè)新的綜合變量，可變化為公式(2)所 示：
[0074]
[0075] 式(2)中，F(xiàn)1-Fn新的綜合變量，即原來(lái)信號(hào)ρ個(gè)變量的主成分;F1的方差最大稱為第 一主成分用，F(xiàn) 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(jì)算出上述方程式(2)的系數(shù)，即：
[0077] Α、對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，如公式(3)所示；
[0078]
[0079]
[0080] B、計(jì)算樣本相關(guān)系數(shù)矩陣R，如公式(4)所示；
[0081]
[0082] 為方便，假定原始數(shù)據(jù)標(biāo)準(zhǔn)化后仍用X表示，則經(jīng)標(biāo)準(zhǔn)化處理后的數(shù)據(jù)的相關(guān)系數(shù) 為
[0083] C、用雅克比方法求相關(guān)系數(shù)矩陣R的特征值(A1^dp)和相應(yīng)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(hào)的主成分系數(shù)矩陣，即 如公式(5)所示：
[0084]
[0085] 第三步、用主成分系數(shù)矩陣A對(duì)所有信號(hào)進(jìn)行線性變換得到P維主成分特征，以所 有信號(hào)的P為主成分特征為輸入無(wú)監(jiān)督聚類，保存其聚類中心得到M類超聲波局部放電信號(hào) 的分類模型。將所有音頻信號(hào)用主成分系數(shù)矩陣進(jìn)行變換，得到P維主成分特征，例如某段 超聲波放電信號(hào)的線性頻譜為X= {X1X2X3. . .X4Xp}，降維即乘于主成分系數(shù)矩陣Xp=Ax，得 到該段信號(hào)的P維主成分特征Xp。將所有信號(hào)的P維特征作為輸入流無(wú)監(jiān)督聚類，采用k-mean算法將超聲波局部放電信號(hào)聚類為M類。其中，M=IO;
[0086] 第四步、分別計(jì)算每一類的線性頻譜均值。即對(duì)局部放電信號(hào)的分類模型中每一 個(gè)類所包含的線性頻譜求和并做平均，得到該類信號(hào)的線性頻譜均值。
[0087] 步驟S2、獲取純?cè)肼暢暡ㄐ盘?hào)，并將所述獲取到的純?cè)肼暢暡ㄐ盘?hào)轉(zhuǎn)換為線 性頻譜后，計(jì)算出純?cè)肼暢暡ㄐ盘?hào)的線性頻譜均值，且根據(jù)所述得到的P維主成分系數(shù)矩 陣，將所述純?cè)肼暢暡ㄐ盘?hào)的線性頻譜均值轉(zhuǎn)換為所述純?cè)肼暢暡ㄐ盘?hào)的P維主成分 特征后，得到純?cè)肼暢暡ㄐ盘?hào)的分類模型；
[0088] 具體過(guò)程為，步驟S21、在獲取待檢信號(hào)之前，獲取實(shí)際環(huán)境一段時(shí)間范圍內(nèi)的純 噪聲超聲波信號(hào)，并將獲取到的純?cè)肼暢暡ㄐ盘?hào)以一定時(shí)長(zhǎng)為單位進(jìn)行分幀后，對(duì)分幀 后的純?cè)肼暢暡ㄐ盘?hào)均進(jìn)行傅里葉變換，得到純?cè)肼暢暡ㄐ盘?hào)的線性頻譜；
[0089] 步驟S22、將得到的純?cè)肼暢暡ㄐ盘?hào)的線性頻譜相加后求平均值，作為純?cè)肼暢?聲波信號(hào)的線性頻譜均值；
[0090] 步驟S23、根據(jù)得到的P維主成分系數(shù)矩陣，將純?cè)肼暢暡ㄐ盘?hào)的線性頻譜均值 轉(zhuǎn)換為純?cè)肼暢暡ㄐ盘?hào)的P維主成分特征后，得到只包含一個(gè)聚類中心的分類模型并保 存作為純?cè)肼暢暡ㄐ盘?hào)的分類模型。
[0091] 在一個(gè)實(shí)施例中，在實(shí)際檢測(cè)前，錄取一段現(xiàn)場(chǎng)純?cè)肼暤某暡ㄐ盘?hào)，將該段超聲 波信號(hào)以Is為幀長(zhǎng)進(jìn)行分幀，對(duì)所有幀求線性頻譜并做平均，得到純?cè)肼曅盘?hào)的線性頻譜 均值。用得到的P維主成分系數(shù)矩陣將純?cè)肼曅盘?hào)的線性頻譜均值轉(zhuǎn)換為P維主成分特征， 由于純?cè)肼曅盘?hào)的線性頻譜均值只有一個(gè)，轉(zhuǎn)換后的P維主成分特征就相當(dāng)于一個(gè)聚類中 心，從而得到只包含一個(gè)聚類中心的純?cè)肼暢暡ㄐ盘?hào)的分類模型。設(shè)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(hào)分類模型中每一類的線性頻譜均值分別與所述純?cè)?聲超聲波信號(hào)分類模型的線性頻譜均值進(jìn)行相加，得到相加后的每一類的線性頻譜均值， 并根據(jù)所述得到的P維主成分系數(shù)矩陣，將所述得到的相加后的每一類的線性頻譜均值轉(zhuǎn) 換為對(duì)應(yīng)的P維主成分特征后，得到的分類模型作為局部放電信號(hào)修正后的分類模型；
[0093] 具體過(guò)程為，步驟S31、確定局部放電信號(hào)分類模型中每一類的線性頻譜均值，并 將純?cè)肼暢暡ㄐ盘?hào)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(jù)得到的P維主成分系數(shù)矩陣，將得到的相加后的每一類的線性頻譜 均值轉(zhuǎn)換為對(duì)應(yīng)的P維主成分特征后，得到只包含一個(gè)聚類中心的分類模型并保存作為所 述局部放電信號(hào)修正后的分類模型。
[0095]步驟S4、獲取待檢信號(hào)，并將所述獲取到的待檢信號(hào)轉(zhuǎn)換為線性頻譜，且根據(jù)所述 得到的P維主成分系數(shù)矩陣，將所述待檢信號(hào)的線性頻譜轉(zhuǎn)換為所述待檢信號(hào)的P維主成分 特征；
[0096] 步驟S5、將所述待檢信號(hào)的P維主成分特征分別引入所述純?cè)肼暢暡ㄐ盘?hào)的分 類模型和所述局部放電信號(hào)修正后的分類模型中，計(jì)算出所述待檢信號(hào)分別到所述純?cè)肼?超聲波信號(hào)的分類模型和所述局部放電信號(hào)修正后的分類模型的歐氏距離，并根據(jù)所述得 到的兩個(gè)歐氏距離，篩選出所述兩個(gè)歐氏距離中最小值對(duì)應(yīng)的分類模型，進(jìn)一步將所篩選 分類模型中所對(duì)應(yīng)的信號(hào)作為所述待檢信號(hào)的檢測(cè)結(jié)果輸出。
[0097] 具體過(guò)程為，步驟S51、將待檢信號(hào)的P維主成分特征分別引入純?cè)肼暢暡ㄐ盘?hào) 的分類模型和局部放電信號(hào)修正后的分類模型中，計(jì)算出待檢信號(hào)分別到所述純?cè)肼暢?波信號(hào)的分類模型和局部放電信號(hào)修正后的分類模型的歐氏距離；
[0098]步驟S52、判斷待檢信號(hào)到純?cè)肼暢暡ㄐ盘?hào)的分類模型的歐氏距離是否小于待 檢信號(hào)到局部放電信號(hào)修正后的分類模型的歐氏距離;如果是，則執(zhí)行下一步驟S53;如果 否，則跳轉(zhuǎn)執(zhí)行步驟S54;
[0099]步驟S53、篩選的分類模型為純?cè)肼暢暡ㄐ盘?hào)的分類模型，并將待檢信號(hào)為純?cè)?聲超聲波信號(hào)作為檢測(cè)結(jié)果輸出；
[0100]步驟S54、篩選的分類模型為局部放電信號(hào)修正后的分類模型，并將待檢信號(hào)為局 部放電信號(hào)作為檢測(cè)結(jié)果輸出。
[0101]應(yīng)當(dāng)說(shuō)明的是，k-mean聚類算法及歐氏距離算法屬于本領(lǐng)域技術(shù)的常用算法，在 此不做贅述。
[0102] 如圖6所示，為本發(fā)明實(shí)施例中，提供的一種修正超聲波局部放電檢測(cè)的系統(tǒng)，所 述系統(tǒng)包括：
[0103] 局部放電信號(hào)分析模型獲取單元610,用于從設(shè)備高信噪比超聲波局部放電信號(hào) 的歷史數(shù)據(jù)中，提取多個(gè)局部放電信號(hào)，并將所述提取的多個(gè)局部放電信號(hào)均轉(zhuǎn)換為線性 頻譜后通過(guò)主成分分析法處理，得到P維主成分系數(shù)矩陣，且根據(jù)所述得到的P維主成分系 數(shù)矩陣，得到每一局部放電信號(hào)的P維主成分特征，進(jìn)一步將所述得到的每一局部放電信號(hào) 的P維主成分特征進(jìn)行無(wú)監(jiān)督聚類，得到局部放電信號(hào)的分類模型及其對(duì)應(yīng)每一類的線性 頻譜均值;其中，P為自然數(shù)；
[0104] 純?cè)肼暢暡ㄐ盘?hào)分析模型獲取單元620，用于獲取純?cè)肼暢暡ㄐ盘?hào)，并將所述 獲取到的純?cè)肼暢暡ㄐ盘?hào)轉(zhuǎn)換為線性頻譜后，計(jì)算出純?cè)肼暢暡ㄐ盘?hào)的線性頻譜均 值，且根據(jù)所述得到的P維主成分系數(shù)矩陣，將所述純?cè)肼暢暡ㄐ盘?hào)的線性頻譜均值轉(zhuǎn)換 為所述純?cè)肼暢暡ㄐ盘?hào)的P維主成分特征后，得到純?cè)肼暢暡ㄐ盘?hào)的分類模型；
[0105] 局部放電信號(hào)分析模型修正單元630,用于將所述局部放電信號(hào)分類模型中每一 類的線性頻譜均值分別與所述純?cè)肼暢暡ㄐ盘?hào)分類模型的線性頻譜均值進(jìn)行相加，得到 相加后的每一類的線性頻譜均值，并根據(jù)所述得到的P維主成分系數(shù)矩陣，將所述得到的相 加后的每一類的線性頻譜均值轉(zhuǎn)換為對(duì)應(yīng)的P維主成分特征后，得到的分類模型作為局部 放電信號(hào)修正后的分類模型；
[0106] 待檢信號(hào)分析單元640,用于獲取待檢信號(hào)，并將所述獲取到的待檢信號(hào)轉(zhuǎn)換為線 性頻譜，且根據(jù)所述得到的P維主成分系數(shù)矩陣，將所述待檢信號(hào)的線性頻譜轉(zhuǎn)換為所述待 檢信號(hào)的P維主成分特征；
[0107] 待檢信號(hào)識(shí)別單元650,用于將所述待檢信號(hào)的P維主成分特征分別引入所述純?cè)?聲超聲波信號(hào)的分類模型和所述局部放電信號(hào)修正后的分類模型中，計(jì)算出所述待檢信號(hào) 分別到所述純?cè)肼暢暡ㄐ盘?hào)的分類模型和所述局部放電信號(hào)修正后的分類模型的歐氏 距離，并根據(jù)所述得到的兩個(gè)歐氏距離，篩選出所述兩個(gè)歐氏距離中最小值對(duì)應(yīng)的分類模 型，進(jìn)一步將所篩選分類模型中所對(duì)應(yīng)的信號(hào)作為所述待檢信號(hào)的檢測(cè)結(jié)果輸出。
[0108] 其中，所述局部放電信號(hào)分析模型獲取單元610包括：
[0109]局部放電信號(hào)線性頻譜變換模塊6101，用于從設(shè)備高信噪比超聲波局部放電信號(hào) 的歷史數(shù)據(jù)中，提取多個(gè)局部放電信號(hào)，并將所述提取的多個(gè)局部放電信號(hào)均以一定時(shí)長(zhǎng) 為單位進(jìn)行分幀后，對(duì)所述分幀后的每一局部放電信號(hào)均進(jìn)行傅里葉變換，得到每一局部 放電信號(hào)的線性頻譜；
[0110]主成分分析模塊6102,用于通過(guò)主成分分析法對(duì)任一局部放電信號(hào)的線性頻譜進(jìn) 行降維處理，得到P維主成分系數(shù)矩陣，并根據(jù)所述得到的P維主成分系數(shù)矩陣，對(duì)所述提取 的每一局部放電信號(hào)均進(jìn)行線性變換，得到每一局部放電信號(hào)的P維主成分特征；
[0111] 局部放電信號(hào)聚類模型計(jì)算模塊6103,用于采用k-mean算法同時(shí)對(duì)所述得到的每 一局部放電信號(hào)的P維主成分特征進(jìn)行無(wú)監(jiān)督聚類，計(jì)算出多個(gè)聚類中心并保存作為局部 放電信號(hào)的分類模型；
[0112] 局部放電信號(hào)聚類模型類別均值計(jì)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(duì)所述局部放電信號(hào)的分類模型中每一類所含的線性頻譜進(jìn)行計(jì)算，得 到所述局部放電信號(hào)的分類模型中每一類的線性頻譜均值。
[0113]其中，所述純?cè)肼暢暡ㄐ盘?hào)分析模型獲取單元620包括：
[0114]純?cè)肼暢暡ㄐ盘?hào)線性頻譜變換模塊6201，用于在獲取所述待檢信號(hào)之前，獲取 實(shí)際環(huán)境一段時(shí)間范圍內(nèi)的純?cè)肼暢暡ㄐ盘?hào)，并將所述獲取到的純?cè)肼暢暡ㄐ盘?hào)以一 定時(shí)長(zhǎng)為單位進(jìn)行分幀后，對(duì)所述分幀后的純?cè)肼暢暡ㄐ盘?hào)均進(jìn)行傅里葉變換，得到所 述純?cè)肼暢暡ㄐ盘?hào)的線性頻譜；
[0115]線性頻譜均值計(jì)算模塊6202,用于將所述得到的純?cè)肼暢暡ㄐ盘?hào)的線性頻譜相 加后求平均值，作為所述純?cè)肼暢暡ㄐ盘?hào)的線性頻譜均值；
[0116]純?cè)肼暢暡ㄐ盘?hào)聚類模型計(jì)算模塊6203,用于根據(jù)所述得到的P維主成分系數(shù) 矩陣，將所述純?cè)肼暢暡ㄐ盘?hào)的線性頻譜均值轉(zhuǎn)換為所述純?cè)肼暢暡ㄐ盘?hào)的P維主成 分特征后，得到只包含一個(gè)聚類中心的分類模型并保存作為所述純?cè)肼暢暡ㄐ盘?hào)的分類 模型。
[0117]其中，所述局部放電信號(hào)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(hào)分類模型中每一類的線性頻 譜均值，并將所述純?cè)肼暢暡ㄐ盘?hào)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(hào)聚類模型修正模塊6302,用于根據(jù)所述得到的P維主成分系數(shù)矩陣， 將所述得到的相加后的每一類的線性頻譜均值轉(zhuǎn)換為對(duì)應(yīng)的P維主成分特征后，得到只包 含一個(gè)聚類中心的分類模型并保存作為所述局部放電信號(hào)修正后的分類模型。
[0120]其中，所述待檢信號(hào)識(shí)別單元650包括：
[0121]歐氏距離計(jì)算模塊6501，用于將所述待檢信號(hào)的P維主成分特征分別引入所述純 噪聲超聲波信號(hào)的分類模型和所述局部放電信號(hào)修正后的分類模型中，計(jì)算出所述待檢信 號(hào)分別到所述純?cè)肼暢暡ㄐ盘?hào)的分類模型和所述局部放電信號(hào)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(hào)到所述純?cè)肼暢暡ㄐ盘?hào)的分類模型的歐 氏距離是否小于所述待檢信號(hào)到所述局部放電信號(hào)修正后的分類模型的歐氏距離；
[0123]第一結(jié)果輸出模塊6503,用于所述篩選的分類模型為所述純?cè)肼暢暡ㄐ盘?hào)的分 類模型，并將所述待檢信號(hào)為純?cè)肼暢暡ㄐ盘?hào)作為檢測(cè)結(jié)果輸出；
[0124]第二結(jié)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(hào)修正后的 分類模型，并將所述待檢信號(hào)為局部放電信號(hào)作為檢測(cè)結(jié)果輸出。
[0125] 實(shí)施本發(fā)明實(shí)施例，具有如下有益效果：
[0126] 在本發(fā)明實(shí)施例中，由于使用主成分分析方法可以有效地降低訓(xùn)練數(shù)據(jù)的維度降 低數(shù)據(jù)復(fù)雜度，同時(shí)使用環(huán)境噪聲均值的對(duì)分類模型進(jìn)行修正，可以有效提高檢測(cè)方法在 各類噪聲環(huán)境下的性能，從而能夠避免人工因素干擾，且引入特征維數(shù)低，訓(xùn)練數(shù)據(jù)少，從 而達(dá)到省時(shí)省力且檢測(cè)結(jié)果客觀的目的。
[0127] 值得注意的是，上述系統(tǒng)實(shí)施例中，所包括的各個(gè)系統(tǒng)單元只是按照功能邏輯進(jìn) 行劃分的，但并不局限于上述的劃分，只要能夠?qū)崿F(xiàn)相應(yīng)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(qū)分，并不用于限制本發(fā)明的保護(hù)范圍。
[0128] 本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例方法中的全部或部分步驟是可以 通過(guò)程序來(lái)指令相關(guān)的硬件來(lái)完成，所述的程序可以存儲(chǔ)于一計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中， 所述的存儲(chǔ)介質(zhì)，如ROM/RAM、磁盤、光盤等。
[0129]以上所揭露的僅為本發(fā)明較佳實(shí)施例而已，當(dāng)然不能以此來(lái)限定本發(fā)明之權(quán)利范 圍，因此依本發(fā)明權(quán)利要求所作的等同變化，仍屬本發(fā)明所涵蓋的范圍。
【主權(quán)項(xiàng)】
1. 一種修正超聲波局部放電檢測(cè)的方法，其特征在于，所述方法包括： a、 從設(shè)備高信噪比超聲波局部放電信號(hào)的歷史數(shù)據(jù)中，提取多個(gè)局部放電信號(hào)，并將 所述提取的多個(gè)局部放電信號(hào)均轉(zhuǎn)換為線性頻譜后通過(guò)主成分分析法處理，得到P維主成 分系數(shù)矩陣，且根據(jù)所述得到的P維主成分系數(shù)矩陣，得到每一局部放電信號(hào)的P維主成分 特征，進(jìn)一步將所述得到的每一局部放電信號(hào)的P維主成分特征進(jìn)行無(wú)監(jiān)督聚類，得到局部 放電信號(hào)的分類模型及其對(duì)應(yīng)每一類的線性頻譜均值;其中，P為自然數(shù)； b、 獲取純?cè)肼暢暡ㄐ盘?hào)，并將所述獲取到的純?cè)肼暢暡ㄐ盘?hào)轉(zhuǎn)換為線性頻譜后， 計(jì)算出純?cè)肼暢暡ㄐ盘?hào)的線性頻譜均值，且根據(jù)所述得到的P維主成分系數(shù)矩陣，將所述 純?cè)肼暢暡ㄐ盘?hào)的線性頻譜均值轉(zhuǎn)換為所述純?cè)肼暢暡ㄐ盘?hào)的P維主成分特征后，得 到純?cè)肼暢暡ㄐ盘?hào)的分類模型； c、 將所述局部放電信號(hào)分類模型中每一類的線性頻譜均值分別與所述純?cè)肼暢暡?信號(hào)分類模型的線性頻譜均值進(jìn)行相加，得到相加后的每一類的線性頻譜均值，并根據(jù)所 述得到的P維主成分系數(shù)矩陣，將所述得到的相加后的每一類的線性頻譜均值轉(zhuǎn)換為對(duì)應(yīng) 的P維主成分特征后，得到的分類模型作為局部放電信號(hào)修正后的分類模型； d、 獲取待檢信號(hào)，并將所述獲取到的待檢信號(hào)轉(zhuǎn)換為線性頻譜，且根據(jù)所述得到的P維 主成分系數(shù)矩陣，將所述待檢信號(hào)的線性頻譜轉(zhuǎn)換為所述待檢信號(hào)的P維主成分特征； e、 將所述待檢信號(hào)的P維主成分特征分別引入所述純?cè)肼暢暡ㄐ盘?hào)的分類模型和所 述局部放電信號(hào)修正后的分類模型中，計(jì)算出所述待檢信號(hào)分別到所述純?cè)肼暢暡ㄐ盘?hào) 的分類模型和所述局部放電信號(hào)修正后的分類模型的歐氏距離，并根據(jù)所述得到的兩個(gè)歐 氏距離，篩選出所述兩個(gè)歐氏距離中最小值對(duì)應(yīng)的分類模型，進(jìn)一步將所篩選分類模型中 所對(duì)應(yīng)的信號(hào)作為所述待檢信號(hào)的檢測(cè)結(jié)果輸出。2. 如權(quán)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(shè)備高信噪比超聲波局部放電信號(hào)的歷史數(shù)據(jù)中，提取多個(gè)局部放電信號(hào)，并將所 述提取的多個(gè)局部放電信號(hào)均以一定時(shí)長(zhǎng)為單位進(jìn)行分幀后，對(duì)所述分幀后的每一局部放 電信號(hào)均進(jìn)行傅里葉變換，得到每一局部放電信號(hào)的線性頻譜； 通過(guò)主成分分析法對(duì)任一局部放電信號(hào)的線性頻譜進(jìn)行降維處理，得到P維主成分系 數(shù)矩陣，并根據(jù)所述得到的P維主成分系數(shù)矩陣，對(duì)所述提取的每一局部放電信號(hào)均進(jìn)行線 性變換，得到每一局部放電信號(hào)的P維主成分特征； 采用k-mean算法同時(shí)對(duì)所述得到的每一局部放電信號(hào)的P維主成分特征進(jìn)行無(wú)監(jiān)督聚 類，計(jì)算出多個(gè)聚類中心并保存作為局部放電信號(hào)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(duì)所述局部放電信號(hào)的分類模型中每一 類所含的線性頻譜進(jìn)行計(jì)算，得到所述局部放電信號(hào)的分類模型中每一類的線性頻譜均 值。3. 如權(quán)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(hào)之前，獲取實(shí)際環(huán)境一段時(shí)間范圍內(nèi)的純?cè)肼暢暡ㄐ盘?hào)，并將 所述獲取到的純?cè)肼暢暡ㄐ盘?hào)以一定時(shí)長(zhǎng)為單位進(jìn)行分幀后，對(duì)所述分幀后的純?cè)肼暢?聲波信號(hào)均進(jìn)行傅里葉變換，得到所述純?cè)肼暢暡ㄐ盘?hào)的線性頻譜； 將所述得到的純?cè)肼暢暡ㄐ盘?hào)的線性頻譜相加后求平均值，作為所述純?cè)肼暢暡?信號(hào)的線性頻譜均值； 根據(jù)所述得到的P維主成分系數(shù)矩陣，將所述純?cè)肼暢暡ㄐ盘?hào)的線性頻譜均值轉(zhuǎn)換 為所述純?cè)肼暢暡ㄐ盘?hào)的P維主成分特征后，得到只包含一個(gè)聚類中心的分類模型并保 存作為所述純?cè)肼暢暡ㄐ盘?hào)的分類模型。4. 如權(quán)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(hào)分類模型中每一類的線性頻譜均值，并將所述純?cè)肼暢暡ㄐ?號(hào)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(jù)所述得到的P維主成分系數(shù)矩陣，將所述得到的相加后的每一類的線性頻譜均值 轉(zhuǎn)換為對(duì)應(yīng)的P維主成分特征后，得到只包含一個(gè)聚類中心的分類模型并保存作為所述局 部放電信號(hào)修正后的分類模型。5. 如權(quán)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(hào)的P維主成分特征分別引入所述純?cè)肼暢暡ㄐ盘?hào)的分類模型和所述 局部放電信號(hào)修正后的分類模型中，計(jì)算出所述待檢信號(hào)分別到所述純?cè)肼暢暡ㄐ盘?hào)的 分類模型和所述局部放電信號(hào)修正后的分類模型的歐氏距離； 判斷所述待檢信號(hào)到所述純?cè)肼暢暡ㄐ盘?hào)的分類模型的歐氏距離是否小于所述待 檢信號(hào)到所述局部放電信號(hào)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?cè)肼暢暡ㄐ盘?hào)的分類模型，并將所述待檢 信號(hào)為純?cè)肼暢暡ㄐ盘?hào)作為檢測(cè)結(jié)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(hào)修正后的分類模型，并將所述待 檢信號(hào)為局部放電信號(hào)作為檢測(cè)結(jié)果輸出。6. -種修正超聲波局部放電檢測(cè)的系統(tǒng)，其特征在于，所述系統(tǒng)包括： 局部放電信號(hào)分析模型獲取單元，用于從設(shè)備高信噪比超聲波局部放電信號(hào)的歷史數(shù) 據(jù)中，提取多個(gè)局部放電信號(hào)，并將所述提取的多個(gè)局部放電信號(hào)均轉(zhuǎn)換為線性頻譜后通 過(guò)主成分分析法處理，得到P維主成分系數(shù)矩陣，且根據(jù)所述得到的P維主成分系數(shù)矩陣，得 到每一局部放電信號(hào)的P維主成分特征，進(jìn)一步將所述得到的每一局部放電信號(hào)的P維主成 分特征進(jìn)行無(wú)監(jiān)督聚類，得到局部放電信號(hào)的分類模型及其對(duì)應(yīng)每一類的線性頻譜均值； 其中，P為自然數(shù)； 純?cè)肼暢暡ㄐ盘?hào)分析模型獲取單元，用于獲取純?cè)肼暢暡ㄐ盘?hào)，并將所述獲取到 的純?cè)肼暢暡ㄐ盘?hào)轉(zhuǎn)換為線性頻譜后，計(jì)算出純?cè)肼暢暡ㄐ盘?hào)的線性頻譜均值，且根 據(jù)所述得到的P維主成分系數(shù)矩陣，將所述純?cè)肼暢暡ㄐ盘?hào)的線性頻譜均值轉(zhuǎn)換為所述 純?cè)肼暢暡ㄐ盘?hào)的P維主成分特征后，得到純?cè)肼暢暡ㄐ盘?hào)的分類模型； 局部放電信號(hào)分析模型修正單元，用于將所述局部放電信號(hào)分類模型中每一類的線性 頻譜均值分別與所述純?cè)肼暢暡ㄐ盘?hào)分類模型的線性頻譜均值進(jìn)行相加，得到相加后的 每一類的線性頻譜均值，并根據(jù)所述得到的P維主成分系數(shù)矩陣，將所述得到的相加后的每 一類的線性頻譜均值轉(zhuǎn)換為對(duì)應(yīng)的P維主成分特征后，得到的分類模型作為局部放電信號(hào) 修正后的分類模型； 待檢信號(hào)分析單元，用于獲取待檢信號(hào)，并將所述獲取到的待檢信號(hào)轉(zhuǎn)換為線性頻譜， 且根據(jù)所述得到的P維主成分系數(shù)矩陣，將所述待檢信號(hào)的線性頻譜轉(zhuǎn)換為所述待檢信號(hào) 的P維主成分特征； 待檢信號(hào)識(shí)別單元，用于將所述待檢信號(hào)的P維主成分特征分別引入所述純?cè)肼暢?波信號(hào)的分類模型和所述局部放電信號(hào)修正后的分類模型中，計(jì)算出所述待檢信號(hào)分別到 所述純?cè)肼暢暡ㄐ盘?hào)的分類模型和所述局部放電信號(hào)修正后的分類模型的歐氏距離，并 根據(jù)所述得到的兩個(gè)歐氏距離，篩選出所述兩個(gè)歐氏距離中最小值對(duì)應(yīng)的分類模型，進(jìn)一 步將所篩選分類模型中所對(duì)應(yīng)的信號(hào)作為所述待檢信號(hào)的檢測(cè)結(jié)果輸出。7. 如權(quán)利要求6所述的系統(tǒng)，其特征在于，所述局部放電信號(hào)分析模型獲取單元包括： 局部放電信號(hào)線性頻譜變換模塊，用于從設(shè)備高信噪比超聲波局部放電信號(hào)的歷史數(shù) 據(jù)中，提取多個(gè)局部放電信號(hào)，并將所述提取的多個(gè)局部放電信號(hào)均以一定時(shí)長(zhǎng)為單位進(jìn) 行分幀后，對(duì)所述分幀后的每一局部放電信號(hào)均進(jìn)行傅里葉變換，得到每一局部放電信號(hào) 的線性頻譜； 主成分分析模塊，用于通過(guò)主成分分析法對(duì)任一局部放電信號(hào)的線性頻譜進(jìn)行降維處 理，得到P維主成分系數(shù)矩陣，并根據(jù)所述得到的P維主成分系數(shù)矩陣，對(duì)所述提取的每一局 部放電信號(hào)均進(jìn)行線性變換，得到每一局部放電信號(hào)的P維主成分特征； 局部放電信號(hào)聚類模型計(jì)算模塊，用于采用k-mean算法同時(shí)對(duì)所述得到的每一局部放 電信號(hào)的P維主成分特征進(jìn)行無(wú)監(jiān)督聚類，計(jì)算出多個(gè)聚類中心并保存作為局部放電信號(hào) 的分類模型； 局部放電信號(hào)聚類模型類別均值計(jì)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(duì)所述局部放電信號(hào)的分類模型中每一類所含的線性頻譜進(jìn)行計(jì)算，得到所述局 部放電信號(hào)的分類模型中每一類的線性頻譜均值。8. 如權(quán)利要求6所述的系統(tǒng)，其特征在于，所述純?cè)肼暢暡ㄐ盘?hào)分析模型獲取單元包 括： 純?cè)肼暢暡ㄐ盘?hào)線性頻譜變換模塊，用于在獲取所述待檢信號(hào)之前，獲取實(shí)際環(huán)境 一段時(shí)間范圍內(nèi)的純?cè)肼暢暡ㄐ盘?hào)，并將所述獲取到的純?cè)肼暢暡ㄐ盘?hào)以一定時(shí)長(zhǎng)為 單位進(jìn)行分幀后，對(duì)所述分幀后的純?cè)肼暢暡ㄐ盘?hào)均進(jìn)行傅里葉變換，得到所述純?cè)肼?超聲波信號(hào)的線性頻譜； 線性頻譜均值計(jì)算模塊，用于將所述得到的純?cè)肼暢暡ㄐ盘?hào)的線性頻譜相加后求平 均值，作為所述純?cè)肼暢暡ㄐ盘?hào)的線性頻譜均值； 純?cè)肼暢暡ㄐ盘?hào)聚類模型計(jì)算模塊，用于根據(jù)所述得到的P維主成分系數(shù)矩陣，將所 述純?cè)肼暢暡ㄐ盘?hào)的線性頻譜均值轉(zhuǎn)換為所述純?cè)肼暢暡ㄐ盘?hào)的P維主成分特征后， 得到只包含一個(gè)聚類中心的分類模型并保存作為所述純?cè)肼暢暡ㄐ盘?hào)的分類模型。9. 如權(quán)利要求6所述的系統(tǒng)，其特征在于，所述局部放電信號(hào)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(hào)分類模型中每一類的線性頻譜均值， 并將所述純?cè)肼暢暡ㄐ盘?hào)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(hào)聚類模型修正模塊，用于根據(jù)所述得到的P維主成分系數(shù)矩陣，將所述得 到的相加后的每一類的線性頻譜均值轉(zhuǎn)換為對(duì)應(yīng)的P維主成分特征后，得到只包含一個(gè)聚 類中心的分類模型并保存作為所述局部放電信號(hào)修正后的分類模型。10. 如權(quán)利要求6所述的系統(tǒng)，其特征在于，所述待檢信號(hào)識(shí)別單元包括： 歐氏距離計(jì)算模塊，用于將所述待檢信號(hào)的P維主成分特征分別引入所述純?cè)肼暢? 波信號(hào)的分類模型和所述局部放電信號(hào)修正后的分類模型中，計(jì)算出所述待檢信號(hào)分別到 所述純?cè)肼暢暡ㄐ盘?hào)的分類模型和所述局部放電信號(hào)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(hào)到所述純?cè)肼暢暡ㄐ盘?hào)的分類模型的歐氏距離是 否小于所述待檢信號(hào)到所述局部放電信號(hào)修正后的分類模型的歐氏距離； 第一結(jié)果輸出模塊，用于所述篩選的分類模型為所述純?cè)肼暢暡ㄐ盘?hào)的分類模型， 并將所述待檢信號(hào)為純?cè)肼暢暡ㄐ盘?hào)作為檢測(cè)結(jié)果輸出； 第二結(jié)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(hào)修正后的分類模 型，并將所述待檢信號(hào)為局部放電信號(hào)作為檢測(cè)結(jié)果輸出。
【文檔編號(hào)】G01R31/12GK105842588SQ201610156063
【公開日】2016年8月10日
【申請(qǐng)日】2016年3月18日
【發(fā)明人】朱正國(guó), 何斌斌, 余英, 楊開, 龔鵬
【申請(qǐng)人】深圳供電局有限公司, 珠海市伊特高科技有限公司