本发明涉及一种局放检测方法及装置,更具体涉及基于二维传感器阵列的局放检测方法及装置。
背景技术:
在电力领域,尤其是高压、超高压输配电线路上和变电站这些设施中,局部放电(简称局放)是可能造成严重事故和经济损失的现象,电力生产和电力传输单位都需要通过各种手段对局部放电现象进行及时检测。例如当前电力系统中最重要的设备之一的gis(gasinsulatedswitchgear,气体封闭组合电器)是将高压断路器、隔离开关、电流互感器、电压互感器、避雷器等设备都集成到金属密闭腔体内的一种电力设备,内部充有六氟化硫(sf6)作为绝缘介质与灭弧气体。gis状态的优劣关系到整个电力系统的安全稳定运行,但是在制造、运输、现场装配、实际运行等环节中难以避免的会存在绝缘缺陷,以至在运行中会产生局部放电现象,同时局部放电又会使绝缘状态进一步劣化,直至绝缘完全击穿。所以,通过监测gis内部的局部放电,可以用来评估gis的绝缘状态,预先发现内部的绝缘缺陷,避免事故的发生。局部放电源的定位是局放监测的重要目的,它对于电力设备的状态监测有着重要意义,能够指导合理安排检修,节省大量人力物力。
目前常用的局放超声巡检仪产品采用类似天线中抛物面或喇叭天线的形式对接收到的超声信号进行放大,进而实现局放的检测,工人需要手持这样的巡检设备对线路进行手工扫描。该类超声波巡检设备将声学传感器置于天线能量聚集处,相对于单一传感器能够提高增益,增加产品的作用距离,但波束角窄,需要伺服机构进行空域扫描寻找漏放电位置或人力寻找漏放电位置。采用伺服机构进行空域扫描速度慢。
因此,现有技术存在局放检测效率不高的技术问题。
技术实现要素:
本发明所要解决的技术问题在于提供了基于二维传感器阵列的局放检测方法及装置,以提高局放检测效率。
本发明是通过以下技术方案解决上述技术问题的:
本发明实施例提供了基于二维传感器阵列的局放检测方法,应用于包含有二维超声传感器阵列的局放检测系统,所述方法包括:
a、使用二维传感器阵列接收针对待检测设备的声学信号;
b、利用声源数量估计算法,根据所述声学信号估计空间中的声源数量,其中,所述声源数量估计算法包括:基于特征值的方法、基于聚类的方法以及基于doa的方法中的一种;
c、根据所述声源数量,采用方向估计算法分别估计每一个声源的方向;再以所述每一个声源的方向作为目标方向矢量,采用波束形成算法对所述声源的声源信号进行增强处理,其中,所述方向估计算法包括:基于加权gcc的doa算法;波束形成算法包括:mvdr算法;
d、利用声源分离算法对增强后的超声波信号进行声源分离,再针对分离后的每一个声源信号,利用预先训练的卷积神经网络识别出所述声源信号是否存在局放现象,其中,所述声源分离算法包括:ncpa算法、ica算法、神经网络算法、最大熵算法、最小互信息算法以及最大似然值算法中的一种。
可选的,所述二维传感器阵列为两个或者两个以上的超声传感器以均匀分布或者随机分布方式组成的阵列,其中,所述均匀分布包括:矩形均匀分布以及正三角形均匀分布;所随机分布包括:二维传感器阵列的中的超声传感器随机分布、或者所述二维传感器阵列包括若干个均匀分布的子阵,每一个子阵中包含至少一个超声传感器,所述超声传感器在所述子阵中的随机分布;
且所述二维传感器阵列中任意两个超声传感器之间的间距为0.5-50mm。
可选的,所述a步骤,包括:
接收针对待检测设备的高频声音信号以及超声波信号,并对所述超声波信号依次进行放大、滤波和采样处理,获得声学信号。
可选的,在所述c步骤之前,所述方法还包括:
判断所述声源数量是否大于1个,若是,执行所述c步骤;若否,在所述声源数量小于1个时,返回执行所述a步骤;若所述声源数量为1个时,执行所述d步骤。
可选的,所述卷积神经网络的训练过程包括:
构建cnn-rnn神经网络模型,其中,所述cnn网络中包括:依次设置的输入层、卷积层、激励层、池化层、全连接层以及输出层;所述rnn网络中包括:输入层、隐层以及输出层;
针对每一个样本信号,将所述样本信号中的频域特征提取出来,并根据所述样本信号是否对应局放作为所述样本信号的标签,将所述频域特征与所述标签作为第一训练样本,将所述第一训练样本的集合作为第一训练集,使用所述第一训练集输入到cnn网络中的输入层,对cnn网络进行训练;
针对每一个样本信号,将所述样本信号中的时域特征提取出来,并根据所述样本信号是否对应局放作为所述样本信号的标签,将所述时域特征、所述标签以及所述cnn网络针对所述样本信号的输出结果作为第二训练样本,将所述第二训练样本的集合作为第二训练集,使用所述第二训练集输入到rnn网络中的输入层,对rnn网络进行训练。
本发明实施例还提供了基于二维传感器阵列的局放检测装置,应用于包含有二维超声传感器阵列的局放检测系统,所述装置包括:
接收模块,用于使用二维传感器阵列接收针对待检测设备的声学信号;
估计模块,用于利用声源数量估计算法,根据所述声学信号估计空间中的声源数量,其中,所述声源数量估计算法包括:基于特征值的方法、基于聚类的方法以及基于doa的方法中的一种;
根据所述声源数量,采用方向估计算法分别估计每一个声源的方向;再以所述每一个声源的方向作为目标方向矢量,采用波束形成算法对所述声源的声源信号进行增强处理,其中,所述方向估计算法包括:基于加权gcc的doa算法;波束形成算法包括:mvdr算法;
识别模块,用于利用声源分离算法对增强后的超声波信号进行声源分离,再针对分离后的每一个声源信号,利用预先训练的卷积神经网络识别出所述声源信号是否存在局放现象,其中,所述声源分离算法包括:ncpa算法、ica算法、神经网络算法、最大熵算法、最小互信息算法以及最大似然值算法中的一种。
可选的,所述二维传感器阵列为两个或者两个以上的超声传感器以均匀分布或者随机分布方式组成的阵列,其中,所述均匀分布包括:矩形均匀分布以及正三角形均匀分布;所随机分布包括:二维传感器阵列的中的超声传感器随机分布、或者所述二维传感器阵列包括若干个均匀分布的子阵,每一个子阵中包含至少一个超声传感器,所述超声传感器在所述子阵中的随机分布;
且所述二维传感器阵列中任意两个超声传感器之间的间距为0.5-50mm。
可选的,所述接收模块,用于:
接收针对待检测设备的高频声音信号以及超声波信号,并对所述超声波信号依次进行放大、滤波和采样处理,获得声学信号。
可选的,所述装置还包括:
判断模块,用于判断所述声源数量是否大于1个,若是,执行所述c步骤;若否,在所述声源数量小于1个时,触发接收模块;若所述声源数量为1个时,触发识别模块。
可选的,所述卷积神经网络的训练过程包括:
构建cnn-rnn神经网络模型,其中,所述cnn网络中包括:依次设置的输入层、卷积层、激励层、池化层、全连接层以及输出层;所述rnn网络中包括:输入层、隐层以及输出层;
针对每一个样本信号,将所述样本信号中的频域特征提取出来,并根据所述样本信号是否对应局放作为所述样本信号的标签,将所述频域特征与所述标签作为第一训练样本,将所述第一训练样本的集合作为第一训练集,使用所述第一训练集输入到cnn网络中的输入层,对cnn网络进行训练;
针对每一个样本信号,将所述样本信号中的时域特征提取出来,并根据所述样本信号是否对应局放作为所述样本信号的标签,将所述时域特征、所述标签以及所述cnn网络针对所述样本信号的输出结果作为第二训练样本,将所述第二训练样本的集合作为第二训练集,使用所述第二训练集输入到rnn网络中的输入层,对rnn网络进行训练。
本发明相比现有技术具有以下优点:
应用本发明实施例,通过使用二维传感器阵列接收针对待检测设备的声学信号,再对该声学信号进行局放识别,本发明实施例中的检测过程全部是由算法实现的,相对于现有技术中使用机械伺服机构进行扫描,检测的速度更快,因此,提高了局放的检测效率。
附图说明
图1为本发明实施例提供的基于二维传感器阵列的局放检测方法的流程示意图;
图2为本发明实施例提供的二维传感器阵列的第一种结构示意图;
图3为本发明实施例提供的二维传感器阵列的第二种结构示意图;
图4为本发明实施例提供的二维传感器阵列的第三种结构示意图;
图5为本发明实施例提供的基于二维传感器阵列的局放检测装置的结构示意图;
图6为本发明实施例提供的基于二维传感器阵列的局放检测装置的另一种结构示意图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本发明实施例提供了基于二维传感器阵列的局放检测方法及装置,下面首先就本发明实施例提供的基于二维传感器阵列的局放检测方法进行介绍。
需要首先说明的是,本发明实施例优选应用于包含有二维超声传感器阵列的局放检测系统。
图1为本发明实施例提供的基于二维传感器阵列的局放检测方法的流程示意图,如图1所示,所述述方法包括:
s101:使用二维传感器阵列接收针对待检测设备的声学信号;
具体的,可以接收针对待检测设备的高频声音信号以及超声波信号,并对所述超声波信号依次进行放大、滤波和采样处理,获得声学信号。
在实际应用中,所述二维传感器阵列为两个或者两个以上的超声传感器以均匀分布或者随机分布方式组成的阵列,其中,所述均匀分布包括:矩形均匀分布以及正三角形均匀分布;所随机分布包括:二维传感器阵列的中的超声传感器随机分布、或者所述二维传感器阵列包括若干个均匀分布的子阵,每一个子阵中包含至少一个超声传感器,所述超声传感器在所述子阵中的随机分布;
且所述二维传感器阵列中任意两个超声传感器之间的间距为0.5-50mm。
图2为本发明实施例提供的二维传感器阵列的第一种结构示意图,如图2所示,二维传感器阵列的阵面具有小间距和大间距两种布阵方式,其中,小间距分为矩形布局以及三角形布局,矩形布局是指,每四个超声传感器组成一个小的矩形子阵,四个超声传感器分别设置在矩形子阵的四个顶点上,然后各个子阵阵列设置;三角形布局是指,三个超声传感器组成一个正三角形的子阵,三个超声传感器分别设置在三角形子阵的三个顶点上,然后各个子阵阵列设置。大间距布阵方式具有单元随机布局,以及子阵机随机布局,其中,单元随机布局是指,各个超声传感器在二维传感器阵列范围内随机设置;子阵级随机布局是指,由多个超声传感器组成一个子阵,然后这些子阵通过随机平移与旋转进行变形,得到变形后的子阵,各个变形后的子阵阵列设置。
可以理解的是,上述的单元是指超声传感器。
图3为本发明实施例提供的二维传感器阵列的第二种结构示意图,如图3所示,图3为小间距布阵的阵面布局效果,以阵面大小为0.1m*0.1m,共需约26*26=676单元。
图4为本发明实施例提供的二维传感器阵列的第三种结构示意图,如图4所示,图4为大间距的阵面布局效果,这种布阵方式可以解决方向图栅瓣的问题,阵面大小为0.1m*0.1m需要6*6=36个单元。
小间距布局方式通过加权能够实现比现有的天线方案更低的旁瓣,更好的抑制环境杂波。
大间距布局方式能够利用比小间距布局方式更少的超声波单元获得相同的阵列增益,有效节约系统建设成本。
在实际应用中,在进行阵面设计时,小间距工况下,可采用阵列加权的方式抑制旁瓣,例如泰勒权、切比雪夫权等;大间距工况下,用随机布阵(单元级随机布局、子阵级随机布局的方式抑制栅瓣,采用栅瓣抑制较优的计算结果作为超声波传感器单元的布局方案。
以切比雪夫权为例,使用切比雪夫加权的阵列能够兼顾主瓣波束宽度和旁瓣高度的数字波束形成的最优阵列,可以在给定的旁瓣高度下能够提供最窄的主瓣波束,在给定主瓣波束宽度下能够提供最低的旁瓣高度。
s102:利用声源数量估计算法,根据所述声学信号估计空间中的声源数量,其中,所述声源数量估计算法包括:基于特征值的方法、基于聚类的方法以及基于doa(directionofarrival,波达方向)的方法中的一种。
1、基于特征值的方法具体为:
利用公式,
再利用公式,
利用公式,
利用公式,
c(t)为第t时刻的协方差矩阵;c(t-1)为第t-1时刻的协方差矩阵;
利用公式,
2、基于聚类的方法具体为:
将观测信号
z为得到的数据集;zj为m维向量,且m为阵列中麦克风的数量;l为数据点数。
然后从c=1,将z多次运行k-means聚类算法,并取得最优划分,获得第i类聚类簇的聚类中心mi、第i类聚类簇的第j个数据
然后时域霍夫变换计算第i类聚类簇的致密点pi。
然后利用公式,
fpidx(c)为聚类有效性准则的函数值;c为运行k-means聚类算法的次数的序号;ni为第i类聚类簇的数据点数;∑为求和函数;||||为模函数;r为惩罚因子。
最后找出,c的可能的取值fpidx(c)中的最小值对应的c值,并将该c值作为声源的数量。
需要强调的是,在实际应用中,计算声源数量的算法包括但不仅限于以下算法:基于特征值的方法、基于聚类的方法、基于doa的方法。
s103:根据所述声源数量,采用方向估计算法分别估计每一个声源的方向;再以所述每一个声源的方向作为目标方向矢量,采用波束形成算法对所述声源的声源信号进行增强处理,其中,所述方向估计算法包括:基于加权gcc(generalizedcrosscorrelation,广义互关联)的doa算法;波束形成算法包括:mvdr(minimumvariancedistortionlessresponse,自适应的空间波数谱估计)算法。
示例性的,
1、gcc算法:
获得了声源数量之后,可以将麦克风阵列中各麦克风按两两分组,各组两个麦克风之间等间距(以d表示)。
利用公式,
ri,k为信号相关度,表示第i个麦克风拾取的信号和第k个麦克风拾取的信号的相关函数;f-1[]为离散傅里叶反变换算子;ψi,k(f)为两个麦克通道信号互相关的离散傅里叶变换系数;e为自然底数;j为复数虚部算子;f为频率;p为离散时间;θ(f)为频域加权系数;φi,k(f)为第i个麦克风拾取的信号的傅里叶正变换和第k个麦克风拾取的信号的傅里叶正变换的共轭信号的乘积;
然后按照前一步计算出的声源数量选择出与每一个声源对应的峰值,例如,第i个峰值对应的延时为τi,i为声源序号。
然后再根据公式
θi为第i个声源的方向;c为声速;d为两个超声传感器之间的间距;τi为第i个峰值对应的延时。
1、mvdr算法:
该算法可以写作下面这个有约束最优滤波器设计问题:
min为求最小值函数;h为等效空域滤波器的系统函数;
使用拉格朗日乘子求解可得
因此,mvdr波束形成算法的输出为:
zc(k)为信号ya(k)经过滤波器hc滤波后的输出信号;
按照每个声源方向进行增强,得到sn个增强后的信号,然后以这sn个增强信号作为下一级盲源分离的输入。
s104:利用声源分离算法对增强后的超声波信号进行声源分离,再针对分离后的每一个声源信号,利用预先训练的卷积神经网络识别出所述声源信号是否存在局放现象,其中,所述声源分离算法包括:ncpa算法、ica算法、神经网络算法、最大熵算法、最小互信息算法以及最大似然值算法中的一种。
对所述n个增强语音信号执行盲源分离算法,得到相应于n个声源的n个分离的语音信号。具体的盲源分离算法可以使用npca(nonlinearprincipalcomponentanalysis,非线性主元分析)算法、ica(independentcomponentanalysis,独立分量分析)算法、神经网络算法、最大熵算法、最小互信息算法、最大似然算法等。
下面以比较常用的npca算法为例进行说明。首先利用npca准则建立代价函数
j(w)为代价;e{.}为期望运算;(.)t为转置运算;w为分离矩阵;wt为分离矩阵的转置矩阵;
利用最小化损失函数获取分离矩阵的迭代估计。
利用公式,w(t+1)=w(t)+θ*z(t)[xt(t)-zt(t)w(t)],计算下一时刻的分离矩阵,其中,
w(t+1)为t+1时刻的分离矩阵;z(t)为非线性函数,且
对所有观测信号逐点更新分离矩阵,将全部观测信号通过最终的分离矩阵,根据公式y(t)=wx(t)得到分离后的信号。
具体的,所述卷积神经网络的训练过程包括:构建cnn-rnn神经网络模型,其中,所述cnn网络中包括:依次设置的输入层、卷积层、激励层、池化层、全连接层以及输出层;所述rnn网络中包括:输入层、隐层以及输出层;针对每一个样本信号,将所述样本信号中的频域特征提取出来,并根据所述样本信号是否对应局放作为所述样本信号的标签,将所述频域特征与所述标签作为第一训练样本,将所述第一训练样本的集合作为第一训练集,使用所述第一训练集输入到cnn网络中的输入层,对cnn网络进行训练;针对每一个样本信号,将所述样本信号中的时域特征提取出来,并根据所述样本信号是否对应局放作为所述样本信号的标签,将所述时域特征、所述标签以及所述cnn网络针对所述样本信号的输出结果作为第二训练样本,将所述第二训练样本的集合作为第二训练集,使用所述第二训练集输入到rnn网络中的输入层,对rnn网络进行训练。
cnn的总体结构包括以下几层:
卷积神经网络cnn的结构一般包含这几个层:
输入层:用于数据的输入
卷积层:使用卷积核进行特征提取和特征映射
激励层:由于卷积也是一种线性运算,因此需要增加非线性映射
池化层:进行下采样,对特征图稀疏处理,减少数据运算量。
全连接层:通常在cnn的尾部进行重新拟合,减少特征信息的损失
输出层:用于输出结果
具体来说,本发明使用的cnn的具体实现如下:
输入层:64*64,频域幅度谱特征64维,时域帧长1ms,即每次输入64ms数据,滑窗1ms。
c1:卷积层,6个特征图,每个和输入中的5*5的邻域相连,特征图大小60*60,每个卷及神经元参数数目:5*5+1=26,25个unit参数和1个bias参数,连接数目(5*5+1)*6*(60*60)=561,600个,因为参数共享,所以总的参数为(5*5+1)*6=156个。
s2:池化(下采样)层,6个30*30的特征图,每个图的每个单元和c1中的2*2邻域相连,不重叠。
c3:卷积层,16个卷积核,得到16个特征图,每个大小26*26,每个特征图的每个神经元和s2中的某三层中5*5邻域相连
s4:下采样层,由16个13*13大小的特征图构成,每个单元与c3中的2*2邻域相连接
c5:卷积层,120个神经单元,和f6全连接
f6:全连接层,84个单元,和c5全相连
输出层:欧氏径向基函数
rnn的总体结构包括以下几层:
输入层:用于数据的输入。
隐层:隐层实际上包含着若干时刻的状态,层数由所设计的网络的记忆时长决定,隐层是网络的记忆单元。
输出层:某时刻的输出。
具体来说,本发明使用的cnn的具体实现如下:
输入层:cnn的输出层输出结果欧氏径向基函数。
s层:隐层,共10个隐层,对应于网络共需要记忆10ms的状态。
输出层:欧式径向基函数
应用本发明图1所示实施例,通过使用二维传感器阵列接收针对待检测设备的声学信号,再对该声学信号进行局放识别,本发明实施例中的检测过程全部是由算法实现的,相对于现有技术中使用机械伺服机构进行扫描,检测的速度更快,因此,提高了局放的检测效率。
而且,与现有技术相比,本发明实施例使用二维传感器阵列可以覆盖较大的面积,因此,可以同时实现产品较大的作用距离与较广空域范围的自动扫描,有效节约人力成本。
另外,通过波束高速自动扫描可同时检测出多个并发的局放位置,与人力寻找漏放电位置相比,效率更高,具备全天候工作能力;另外,通过基于机器学习的方法对经过波束扫描和数字波束合成的信号进行自动识别,可以自动、快速地区分出是否发生了局放和给出发生局放的具体位置。
在本发明实施例的一种具体实施方式中,在s103步骤之前,所述方法还包括:
判断所述声源数量是否大于1个,若是,执行所述s103步骤;若否,在所述声源数量小于1个时,返回执行所述a步骤;若所述声源数量为1个时,执行所述s104步骤。
示例性的,如果声源定位后得到的声源多于一个,使用各个声源方向作为目标方向进行波束形成,再使用各个声源方向对应的波束形成的输出进行下面的声源分离,否则,直接将单个声源方向作为目标方向进行波束形成增强。
当计算出的声源数量大于1时,表明有多个声源,然后接下来进入doa估计模块,否则,如果声源数量只有1个时,则可以直接进行声源分离。
基于doa的方法以gcc为例,首先计算两个麦克通道信号的互相关,
利用公式,
ri,k为信号相关度,表示第i个麦克风拾取的信号和第k个麦克风拾取的信号的相关函数;f-1[]为离散傅里叶反变换算子;ψi,k(f)为两个麦克通道信号互相关的离散傅里叶变换系数;e为自然底数;j为复数虚部算子;f为频率;p为离散时间;θ(f)为频域加权系数;φi,k(f)为第i个麦克风拾取的信号的傅里叶正变换和第k个麦克风拾取的信号的傅里叶正变换的共轭信号的乘积;
然后统计ri,k中大于预设阈值的峰值的个数,即为声源的数量,可以用sn表示。
应用本发明上述实施例,可以在声源数量大于1时,进行声源数量估计,进而进行声源分离。
与本发明图1所示实施例相对应,本发明实施例还提供了基于二维传感器阵列的局放检测装置。
图5为本发明实施例提供的基于二维传感器阵列的局放检测装置的结构示意图,如图5所示,应用于包含有二维超声传感器阵列的局放检测系统,所述装置包括:
接收模块501,用于使用二维传感器阵列接收针对待检测设备的声学信号;
估计模块502,用于利用声源数量估计算法,根据所述声学信号估计空间中的声源数量,其中,所述声源数量估计算法包括:基于特征值的方法、基于聚类的方法以及基于doa的方法中的一种;
根据所述声源数量,采用方向估计算法分别估计每一个声源的方向;再以所述每一个声源的方向作为目标方向矢量,采用波束形成算法对所述声源的声源信号进行增强处理,其中,所述方向估计算法包括:基于加权gcc的doa算法;波束形成算法包括:mvdr算法;
识别模块503,用于利用声源分离算法对增强后的超声波信号进行声源分离,再针对分离后的每一个声源信号,利用预先训练的卷积神经网络识别出所述声源信号是否存在局放现象,其中,所述声源分离算法包括:ncpa算法、ica算法、神经网络算法、最大熵算法、最小互信息算法以及最大似然值算法中的一种。
图6为本发明实施例提供的基于二维传感器阵列的局放检测装置的另一种结构示意图,如图6所示,接收模块501对应图6中的超声传感器阵列;估计模块502对应图6中的波控模块;识别模块503对应图6中的声源离分模块以及局放信号识别模块。
在实际应用中,为了直观显示局放点,可以在局放检测装置加装输出模块,例如,显示屏幕。
应用本发明图5所示实施例,通过使用二维传感器阵列接收针对待检测设备的声学信号,再对该声学信号进行局放识别,本发明实施例中的检测过程全部是由算法实现的,相对于现有技术中使用机械伺服机构进行扫描,检测的速度更快,因此,提高了局放的检测效率。
在本发明实施例的一种具体实施方式中,所述二维传感器阵列为两个或者两个以上的超声传感器以均匀分布或者随机分布方式组成的阵列,其中,所述均匀分布包括:矩形均匀分布以及正三角形均匀分布;所随机分布包括:二维传感器阵列的中的超声传感器随机分布、或者所述二维传感器阵列包括若干个均匀分布的子阵,每一个子阵中包含至少一个超声传感器,所述超声传感器在所述子阵中的随机分布;
且所述二维传感器阵列中任意两个超声传感器之间的间距为0.5-50mm。
在本发明实施例的一种具体实施方式中,所述接收模块501,用于:
接收针对待检测设备的高频声音信号以及超声波信号,并对所述超声波信号依次进行放大、滤波和采样处理,获得声学信号。
在本发明实施例的一种具体实施方式中,所述装置还包括:
判断模块504(图中未示出),用于判断所述声源数量是否大于1个,若是,执行所述c步骤;若否,在所述声源数量小于1个时,触发接收模块;若所述声源数量为1个时,触发识别模块。
如果同一时间段有多个声源同时出现,则需要进行声源分离,声源分离的输入是使用计算出的各个声源方向作为目标方向进行波束形成得到的增强信号,分离后的各个声源的信号输出给后面的局放信号识别模块。
局放信号识别模块对输入的超声信号进行识别,并且将该信号对应的声源方向信息输出给后面的输出模块,否则,认为无局放出现。
输出模块则将局放识别模块的识别结果和局放信号对应的方向输出,比如可以将该信息显示到设备的屏幕上。
应用本发明上述实施例,可以在声源数量大于1时,进行声源数量估计,进而进行声源分离。
在本发明实施例的一种具体实施方式中,所述卷积神经网络的训练过程包括:
构建cnn-rnn神经网络模型,其中,所述cnn网络中包括:依次设置的输入层、卷积层、激励层、池化层、全连接层以及输出层;所述rnn网络中包括:输入层、隐层以及输出层;
针对每一个样本信号,将所述样本信号中的频域特征提取出来,并根据所述样本信号是否对应局放作为所述样本信号的标签,将所述频域特征与所述标签作为第一训练样本,将所述第一训练样本的集合作为第一训练集,使用所述第一训练集输入到cnn网络中的输入层,对cnn网络进行训练;
针对每一个样本信号,将所述样本信号中的时域特征提取出来,并根据所述样本信号是否对应局放作为所述样本信号的标签,将所述时域特征、所述标签以及所述cnn网络针对所述样本信号的输出结果作为第二训练样本,将所述第二训练样本的集合作为第二训练集,使用所述第二训练集输入到rnn网络中的输入层,对rnn网络进行训练。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。