一种绝缘油介损超声检测方法及系统与流程

本发明涉及绝缘油检测领域，尤其涉及一种绝缘油介损超声检测方法及系统。

背景技术：

1、长期的研究表明变压器安全可靠的运行主要取决于绝缘的状态，维持一个良好的绝缘状态对变压器来说是安全稳定运行的关键因素。油浸式电力变压器采用绝缘油作为绝缘和冷却的介质，绝缘油的比热比空气大，其良好的散热性能可以把变压器铁芯和绕组的热量，通过油受热膨胀和空气的对流散发出去，保障变压器正常运行。绝缘油的介损(介质损耗因数)是评定变压器油电气性能一项重要指标，特别是油品劣化或被污染对介损影响更为明显。

2、超声检测技术是通过研究被测介质的声学参数与被测对象之间的一定关系，从而获取被测介质物理化学特性的一种技术，因此，广泛应用于固体和液体材料的结构检测和性能分析，利用超声检测，对变压器油进行介损预测成为一种新的可能。

3、将超声技术用于检测物质时，在测得的超声中，声波的衰减特征可以表征介质的理化特性。但是，变压器油是一种极其复杂的混合物，其实测超声信号中既有表征绝缘油介损的有用信息，也有噪声信号等无效信息。这些无用信息会影响后期应用油液超声数据对变压器油介损进行检测的结果。因此，直接利用原始超声数据进行绝缘油介损检测的精度也难以满足实际工程应用的需求。因此，如何从待测物质的超声信号中提取有效的超声特征以及选择合适的算法构建绝缘油介损预测模型一直是需要解决的问题。

技术实现思路

1、本发明提供了一种绝缘油介损超声检测方法及系统，实现基于超声数据有效预测绝缘油的介损，提高变压器的绝缘油介损检测的准确性。

2、为了解决上述技术问题，本发明实施例提供了一种绝缘油介损超声检测方法，包括：

3、基于绝缘油原始超声数据样本，利用cart算法和rbf神经网络，构建cart-rbf绝缘油介损预测模型；

4、获取待测绝缘油超声数据，将待测绝缘油超声数据输入cart-rbf绝缘油介损预测模型，输出介损超声检测结果。

5、作为优选方案，基于绝缘油原始超声数据样本，利用cart算法和rbf神经网络，构建cart-rbf绝缘油介损预测模型，具体为：

6、基于绝缘油原始超声数据样本，利用cart算法，提取出介损相关超声特征数据；

7、利用rbf神经网络，对介损相关超声特征数据进行训练，得到cart-rbf绝缘油介损预测模型。

8、作为优选方案，基于绝缘油原始超声数据样本，利用cart算法，提取出介损相关超声特征数据，具体为：

9、建立cart回归树模型，将绝缘油原始超声数据样本作为cart回归树模型中第一训练样本的输入，将绝缘油原始超声数据样本对应的介损值作为cart回归树模型中第一训练样本的输出，具体为：

10、

11、其中，q和y分别为cart回归树模型中第一训练样本的输入矩阵和输出矩阵，qi＝[qi(1),qi(2),…,qi(l)]t和yi分别为第i个第一训练样本的输入和输出，其中，i＝1,2,…,t，t为第一训练样本的总数量；

12、基于cart回归树模型，在第一训练样本所在的特征空间中，利用递归的方式将每个区域划分为两个子空间并确定每个子区域上的输出值，得到介损相关超声特征数据。

13、作为优选方案，基于cart回归树模型，在第一训练样本所在的特征空间中，利用递归的方式将每个区域划分为两个子空间并确定每个子区域上的输出值，得到介损相关超声特征数据，具体为：

14、基于cart回归树模型，在第一训练样本所在的特征空间中，将特征空间作为当前的输入空间，基于当前的输入空间构建当前的切分点，并对当前的输入空间进行区域划分，得到每个划分后的子区域对应的输出均值；

15、将每个划分后的子区域作为当前的输入空间，不断递归构建当前的切分点，直至不能将当前的输入空间继续区域划分为止，得到特征空间对应划分的若干个区域；

16、基于各区域和指示函数，生成回归树输出值，得到介损相关超声特征数据。

17、作为优选方案，基于当前的输入空间构建当前的切分点，并对当前的输入空间进行区域划分，得到每个划分后的子区域对应的输出均值，具体为：

18、依次遍历当前的输入空间中每个特征和特征对应的值，选择损失函数最小的切分点，得到当前的切分点，具体为：

19、

20、c1＝ave(yi|qi∈r1(j,u))

21、c2＝ave(yi|qi∈r2(j,u))

22、其中，j为第j个超声特征，u为第j个超声特征对应的值，(j,u)为当前的切分点，r1和r2为被划分的输入空间，c1为第一均值，c2为第二均值；

23、利用当前的切分点，将当前的输入空间划分为区域，得到划分后的子区域，具体为：

24、

25、其中，r1(j,u)为划分后的第一子区域，r2(j,u)为划分后的第二子区域，q(j)为特征j上的输入qi，q为q(j)满足划分条件的值；

26、利用平方误差最小准则求解每个区域上的最优值，得到每个划分后的子区域对应的输出均值。

27、作为优选方案，利用rbf神经网络，对介损相关超声特征数据进行训练，得到cart-rbf绝缘油介损预测模型，具体为：

28、基于rbf神经网络，构建rbf模型；其中，rbf模型包括输入层、隐含层和输出层；

29、将介损相关超声特征数据作为第二训练样本的输入样本，将介损相关超声特征数据对应的介损值作为第二训练样本的输出样本；

30、基于第二训练样本，对rbf模型进行迭代训练，直至满足训练结束条件，获得cart-rbf绝缘油介损预测模型。

31、作为优选方案，基于第二训练样本，对rbf模型进行迭代训练，直至满足训练结束条件，获得cart-rbf绝缘油介损预测模型，具体为：

32、将第二训练样本输入至rbf模型进行迭代训练，得到当前迭代下的损失函数；

33、利用梯度下降法迭代求取，各次迭代对应的激活函数的中心参数和隐含层节点的权值，具体为：

34、

35、

36、其中，ηv(h)为第h次迭代的激活函数的中心参数，ηv(h+1)为第h+1次迭代的激活函数的中心参数，wv(h)为第h次迭代的隐含层节点的权值，wv(h+1)第h+1次迭代的隐含层节点的权值，α1，α2分别为迭代过程中的学习效率，h为迭代次数，loss(h)为第h次迭代的损失函数；

37、当各次迭代的损失函数达到最小时，停止对rbf模型的训练，得到cart-rbf绝缘油介损预测模型。

38、作为优选方案，将第二训练样本输入至rbf模型进行迭代训练，得到当前迭代下的损失函数，具体为：

39、基于第二训练样本，得到rbf模型中的隐含层各节点的输出，具体为：

40、

41、其中，ψv(zi)为第i个第二训练样本在隐含层的第v个节点的输出，zi为第i个第二训练样本，v为隐含层节点个数，ηv和σv分别为第v个隐含层rbf激活函数的中心参数和宽度参数；

42、根据第二训练样本和隐含层各节点的输出，得到rbf模型的输出，具体为：

43、

44、其中，wv为第v个隐含层节点的权值，为rbf模型的输出；

45、根据rbf模型的输出和第二训练样本的输出，计算当前迭代下的损失函数，具体为：

46、

47、其中，loss为当前迭代下的损失函数，t为第二训练样本的数量，yi为第二训练样本的输出。

48、为了解决相同的技术问题，本发明实施例还提供了绝缘油介损超声检测系统，包括：模型构建模块和介损检测模块；

49、其中，模型构建模块用于基于绝缘油原始超声数据样本，利用cart算法和rbf神经网络，构建cart-rbf绝缘油介损预测模型；

50、介损检测模块用于获取待测绝缘油超声数据，将待测绝缘油超声数据输入cart-rbf绝缘油介损预测模型，输出介损超声检测结果。

51、作为优选方案，模型构建模块，包括特征提取单元和模型训练单元；

52、其中，特征提取单元用于基于绝缘油原始超声数据样本，利用cart算法，提取出介损相关超声特征数据；

53、其中，模型训练单元用于利用rbf神经网络，对介损相关超声特征数据进行训练，得到cart-rbf绝缘油介损预测模型。

54、实施本发明实施例，基于绝缘油原始超声数据样本，利用cart算法和rbf神经网络，构建cart-rbf绝缘油介损预测模型；获取待测绝缘油超声数据，将待测绝缘油超声数据输入cart-rbf绝缘油介损预测模型，输出介损超声检测结果。通过利用cart算法和rbf神经网络构建cart-rbf绝缘油介损预测模型，能够有效提取能够反映绝缘油介损的特征向量，基于cart-rbf绝缘油介损预测模型对待测绝缘油超声数据进行检测，实现对待测绝缘油的介损的有效检测，基于超声数据有效预测绝缘油的介损，简便快速且所需参数数量少，可避免计算过程中人为误差的引入，能够对绝缘油介损的准确检测，提高变压器的绝缘油介损检测的准确性。

55、本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。