电路故障检测方法及其系统与流程

1.本发明涉及电路故障的智能检测领域，且更为具体地，涉及一种电路故障检测方法及其系统。


背景技术：

2.安全用电是避免实验室火灾事故的关键因素之一。实验室用电线路老化，用电负荷高或超负荷用电的情况，都会导致电弧故障的发生，这样可能会损坏实验仪器，甚至引发电气火灾事故。因此，实验室用电电弧的智能检测对于精准检测低压电弧故障，预防实验室火灾事故，以及保障实验室安全用电具有重要的意义。因此，期待一种电路故障检测方法来提高对于实验室电路的低压电弧故障诊断检测的准确性，以避免火灾事故的发生。


技术实现要素：

3.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种电路故障检测方法及其系统，其通过非电气特征量声音信号来代替传统的电气特征量进行低压电弧故障的检测，并且使用在提取局部关联隐性特征方面具有优异的性能表现的卷积神经网络模型分别对所述声音信号的波形图和采样窗信号进行隐含的关联特征提取，进一步地，对两者得到的特征图进行显式位置单应性编码以令所述特征图的各个特征值的位置显式编码满足几何连续性，以使得在映射到高维空间内时，特征值的位置具有几何变换单应性，从而确保特征位置属性的匹配性，以改进所述特征图的融合。这样，就能够对实验室电流的低压电弧故障进行准确地检测，进而避免火灾事故的发生。
4.根据本技术的一个方面，提供了一种电路故障检测方法，其包括：通过部署于实验室的mems声音传感器获取声音信号；将所述声音信号的波形图通过具有空洞卷积核的第一卷积神经网络以获得第一特征图；以预设采样窗沿时序维度从所述声音信号的波形图中截取多个采样窗；将所述多个采样窗构造为三维的输入张量后通过具有三维卷积核的第二卷积神经网络以获得第二特征图；对所述第一特征图进行显式位置单应性编码以获得第一位置加权图，所述第一位置加权图中各个位置的特征值为以所述第一特征图中相应位置的三维位置的坐标的欧式距离除以所述第一特征图中各个维度的尺度的欧式距离之商为幂的自然指数函数值；对所述第二特征图进行显式位置单应性编码以获得第二位置加权图，所述第二位置加权图中各个位置的特征值为以所述第二特征图中相应位置的三维位置的坐标的欧式距离除以所述第二特征图中各个维度的尺度的欧式距离之商为幂的自然指数函数值；以所述第一位置加权图和所述第二位置加权图分别对所述第一特征图和所述第二特征图进行按位置点乘以获得第一加权后特征图和第二加权后特征图；计算所述第一加权后特征图和所述第二加权后特征图的按位置加权和以获得分类特征图；将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示实验室的电路是否存在低压电弧故障。
5.在上述电路故障检测方法中，将所述声音信号的波形图通过具有空洞卷积核的第一卷积神经网络以获得第一特征图，包括：使用所述第一卷积神经网络的各层在层的正向
传递中对输入数据分别进行基于所述空洞卷积核的卷积处理、池化处理和激活处理以由所述第一卷积神经网络的最后一层输出所述第一特征图，其中，所述第一卷积神经网络的第一层的输入为所述声音信号的波形图，所述空洞卷积核表示为输入为所述声音信号的波形图，所述空洞卷积核表示为
6.在上述电路故障检测方法中，将所述多个采样窗构造为三维的输入张量后通过具有三维卷积核的第二卷积神经网络以获得第二特征图，包括：使用所述具有三维卷积核的第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、池化处理和激活处理以由所述具有三维卷积核的第二卷积神经网络的最后一层生成所述第二特征图，其中，所述具有三维卷积核的第二卷积神经网络的第一层的输入为所述输入张量。
7.在上述电路故障检测方法中，对所述第一特征图进行显式位置单应性编码以获得第一位置加权图，包括：以如下公式对所述第一特征图进行显式位置单应性编码以获得所述第一位置加权图；
8.其中，所述公式为：
[0009][0010][0011]
其中(x,y,z)表示每个特征值在所述第一特征图中的三维位置的坐标，且(w,h,c)表示所述第一特征图f1的尺度。
[0012]
在上述电路故障检测方法中，对所述第二特征图进行显式位置单应性编码以获得第二位置加权图，包括：以如下公式对所述第二特征图进行显式位置单应性编码以获得所述第二位置加权图；
[0013]
其中，所述公式为：
[0014][0015][0016]
其中(x,y,z)表示每个特征值在所述第二特征图中的三维位置的坐标，且(w,h,c)表示所述第二特征图f2的尺度。
[0017]
在上述电路故障检测方法中，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示实验室的电路是否存在低压电弧故障，包括：所述分类器以如下公式对所述分类特征图进行处理以生成分类结果，其中，所述公式为：softmax{(wn,bn):...:(w1,b1)|project(f)}，其中project(f)表示将所述分类特征图投影为向量，w1至wn为各层全连接层的权重矩阵，b1至bn表示各层全连接层的偏置矩阵。
[0018]
根据本技术的另一方面，提供了一种电路故障检测系统，其包括：
[0019]
声音信号获取单元，用于通过部署于实验室的mems声音传感器获取声音信号；
[0020]
第一卷积单元，用于将所述声音信号获取单元获得的所述声音信号的波形图通过具有空洞卷积核的第一卷积神经网络以获得第一特征图；
[0021]
截取单元，用于以预设采样窗沿时序维度从所述声音信号获取单元获得的所述声音信号的波形图中截取多个采样窗；
[0022]
第二卷积单元，用于将所述截取单元获得的所述多个采样窗构造为三维的输入张量后通过具有三维卷积核的第二卷积神经网络以获得第二特征图；
[0023]
第一显式位置单应性编码单元，用于对所述第一卷积单元获得的所述第一特征图进行显式位置单应性编码以获得第一位置加权图，所述第一位置加权图中各个位置的特征值为以所述第一特征图中相应位置的三维位置的坐标的欧式距离除以所述第一特征图中各个维度的尺度的欧式距离之商为幂的自然指数函数值；
[0024]
第二显式位置单应性编码单元，用于对所述第二卷积单元获得的所述第二特征图进行显式位置单应性编码以获得第二位置加权图，所述第二位置加权图中各个位置的特征值为以所述第二特征图中相应位置的三维位置的坐标的欧式距离除以所述第二特征图中各个维度的尺度的欧式距离之商为幂的自然指数函数值；
[0025]
加权单元，用于以所述第一显式位置单应性编码单元获得的所述第一位置加权图和所述第二显式位置单应性编码单元获得的所述第二位置加权图分别对所述第一特征图和所述第二特征图进行按位置点乘以获得第一加权后特征图和第二加权后特征图；
[0026]
加权和计算单元，用于计算所述加权单元获得的所述第一加权后特征图和所述加权单元获得的所述第二加权后特征图的按位置加权和以获得分类特征图；以及
[0027]
分类单元，用于将所述加权和计算单元获得的所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示实验室的电路是否存在低压电弧故障。
[0028]
在上述电路故障检测系统中，所述第一卷积单元，进一步用于：使用所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行基于所述空洞卷积核的卷积处理、池化处理和激活处理以由所述第一卷积神经网络的最后一层输出所述第一特征图，其中，所述第一卷积神经网络的第一层的输入为所述声音信号的波形图，所述空洞卷积核表示为所述第一卷积神经网络的第一层的输入为所述声音信号的波形图，所述空洞卷积核表示为
[0029]
在上述电路故障检测系统中，所述第二卷积单元，进一步用于：使用所述具有三维卷积核的第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、池化处理和激活处理以由所述具有三维卷积核的第二卷积神经网络的最后一层生成所述第二特征图，其中，所述具有三维卷积核的第二卷积神经网络的第一层的输入为所述输入张量。
[0030]
在上述电路故障检测系统中，所述第一显式位置单应性编码单元，进一步用于：以如下公式对所述第一特征图进行显式位置单应性编码以获得所述第一位置加权图；
[0031]
其中，所述公式为：
[0032][0033][0034]
其中(x,y,z)表示每个特征值在所述第一特征图中的三维位置的坐标，且(w，h，c)表示所述第一特征图f1的尺度。
[0035]
在上述电路故障检测系统中，所述第二显式位置单应性编码单元，进一步用于：以
如下公式对所述第二特征图进行显式位置单应性编码以获得所述第二位置加权图；
[0036]
其中，所述公式为：
[0037][0038][0039]
其中(x，y，z)表示每个特征值在所述第二特征图中的三维位置的坐标，且(w，h，c)表示所述第二特征图f2的尺度。
[0040]
在上述电路故障检测系统中，所述分类单元，进一步用于：所述分类器以如下公式对所述分类特征图进行处理以生成分类结果，其中，所述公式为：softmax{(wn，bn)：...：(w1，b1)|project(f)}，其中project(f)表示将所述分类特征图投影为向量，w1至wn为各层全连接层的权重矩阵，b1至bn表示各层全连接层的偏置矩阵。
[0041]
根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的电路故障检测方法。
[0042]
与现有技术相比，本技术提供的电路故障检测方法及其系统，其通过非电气特征量声音信号来代替传统的电气特征量进行低压电弧故障的检测，并且使用在提取局部关联隐性特征方面具有优异的性能表现的卷积神经网络模型分别对所述声音信号的波形图和采样窗信号进行隐含的关联特征提取，进一步地，对两者得到的特征图进行显式位置单应性编码以令所述特征图的各个特征值的位置显式编码满足几何连续性，以使得在映射到高维空间内时，特征值的位置具有几何变换单应性，从而确保特征位置属性的匹配性，以改进所述特征图的融合。这样，就能够对实验室电流的低压电弧故障进行准确地检测，进而避免火灾事故的发生。
附图说明
[0043]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0044]
图1为根据本技术实施例的电路故障检测方法的应用场景图；
[0045]
图2为根据本技术实施例的电路故障检测方法的流程图；
[0046]
图3为根据本技术实施例的电路故障检测方法的系统架构示意图；
[0047]
图4为根据本技术实施例的电路故障检测系统的框图。
具体实施方式
[0048]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0049]
场景概述
[0050]
如前所述，安全用电是避免实验室火灾事故的关键因素之一。实验室用电线路老化，用电负荷高或超负荷用电的情况，都会导致电弧故障的发生，这样可能会损坏实验仪器，甚至引发电气火灾事故。因此，实验室用电电弧的智能检测对于精准检测低压电弧故障，预防实验室火灾事故，以及保障实验室安全用电具有重要的意义。因此，期待一种电路故障检测方法来提高对于实验室电路的低压电弧故障诊断检测的准确性，以避免火灾事故的发生。
[0051]
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0052]
深度学习以及神经网络的发展为智能化检测提供了技术支持，也就是，为实验室电路的低压电弧故障检测提供了新的解决思路和方案。
[0053]
相应地，本技术发明人发现目前在对于低压电弧故障检测的过程中，通常是通过电流、电压等电气信号来进行故障的诊断检测，但是考虑到电信号会受很多方面的影响，并且电信号在数据处理的过程中较为复杂，例如在使用电流信号作为检测标准时，需要对电流信号进行二进制小波变换分解来得到所需要的电流信号波形，期间需要大量的计算。因此在本技术的技术方案中，期望通过非电气特征量来进行低压电弧故障检测。例如，可利用mems声音传感器等设备将采集到的声音信号传递到神经网络来进行检测。但是，在此过程中，考虑到一方面非电气特征易受环境干扰，另一方面，非电气特征的强度较弱需要进行特征加强。因此，在本技术的技术方案中，还需要考虑这两方面的因素来对实验室的电路是否存在低压电弧故障进行更准确地判断。
[0054]
具体地，在本技术的技术方案中，首先，通过部署于实验室的mems声音传感器获取声音信号。然后，使用在图像局部特征提取方面具有优异表现的卷积神经网络模型来对所述声音信号的波形图进行编码以得到第一特征图。应可以理解，考虑到所述声音信号的波形图具有较大范围的特征信息，并且由于空洞卷积能够在不丢失分辨率的基础上扩大感受野，让每个卷积的输出都包含较大范围的信息，以获得高分辨率下的多尺度信息，因此在本技术的技术方案中，采用具有空洞卷积核的第一卷积神经网络对所述声音信号的波形图进行特征提取，以获取所述声音信号的波形图中的全局特征信息。
[0055]
考虑到非电气特征易受环境干扰，为了提高对于电路低压电弧故障判断的准确性，进一步以预设采样窗沿时序维度从所述声音信号的波形图中截取多个采样窗。然后，再将所述多个采样窗构造为三维的输入张量后通过具有三维卷积核的第二卷积神经网络中进行编码以获得第二特征图。应可以理解，由于卷积神经网络在提取局部关联隐性特征方面具有优异的性能表现，因此使用三维卷积核的第二卷积神经网络能够提取出所述多个采样窗中的声音信号在时序维度上用于表示低压电弧信息的动态分布特征。
[0056]
应可以理解，考虑到非电气波形特征的不同空间采样尺度，尽管将所述第一特征图f1和所述第二特征图f2约束为具有相同的全局尺度，但仍然无法确保特征位置属性的匹配。因此，进一步分别对第一特征图f1和第二特征图f2进行显式位置单应性编码，表示为：
[0057]
[0058][0059]
其中(x，y，z)表示每个特征值在特征图中的三维位置的坐标，且(w，h，c)表示第一特征图f1和第二特征图f2的尺度。
[0060]
然后，再将通过显式位置单应性编码后获得的位置加权图分别与第一特征图f1和第二特征图f2进行点乘加权，再将加权后的特征图进行融合，例如，计算所述第一加权后特征图和所述第二加权后特征图的按位置加权和以获得分类特征图。这样，进一步将所述分类特征图通过分类器以获得用于表示实验室的电路是否存在低压电弧故障的分类结果。
[0061]
也就是，考虑到非电气波形特征的不同空间采样尺度，尽管将第一特征图f1和第二特征图f2约束为具有相同的全局尺度，但仍然无法确保特征位置属性的匹配。因此，使用显式位置单应性编码来令特征图的各个特征值的位置显式编码满足几何连续性，以使得在映射到高维空间内时，特征值的位置具有几何变换单应性，从而确保特征位置属性的匹配性，以改进特征图的融合。进而提高分类结果的准确性，以对实验室的电路低压电弧故障进行检测。
[0062]
基于此，本技术提出了一种电路故障检测方法，其包括：通过部署于实验室的mems声音传感器获取声音信号；将所述声音信号的波形图通过具有空洞卷积核的第一卷积神经网络以获得第一特征图；以预设采样窗沿时序维度从所述声音信号的波形图中截取多个采样窗；将所述多个采样窗构造为三维的输入张量后通过具有三维卷积核的第二卷积神经网络以获得第二特征图；对所述第一特征图进行显式位置单应性编码以获得第一位置加权图，所述第一位置加权图中各个位置的特征值为以所述第一特征图中相应位置的三维位置的坐标的欧式距离除以所述第一特征图中各个维度的尺度的欧式距离之商为幂的自然指数函数值；对所述第二特征图进行显式位置单应性编码以获得第二位置加权图，所述第二位置加权图中各个位置的特征值为以所述第二特征图中相应位置的三维位置的坐标的欧式距离除以所述第二特征图中各个维度的尺度的欧式距离之商为幂的自然指数函数值；以所述第一位置加权图和所述第二位置加权图分别对所述第一特征图和所述第二特征图进行按位置点乘以获得第一加权后特征图和第二加权后特征图；计算所述第一加权后特征图和所述第二加权后特征图的按位置加权和以获得分类特征图；将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示实验室的电路是否存在低压电弧故障。
[0063]
图1图示了根据本技术实施例的电路故障检测方法的应用场景图。如图1所示，在该应用场景中，首先，通过部署于实验室(例如，如图1中所示意的h)的mems声音传感器(例如，如图1中所示意的t)获取声音信号。然后，将获得的所述声音信号输入至部署有电路故障检测算法的服务器中(例如，如图1中所示意的s)，其中，所述服务器能够以电路故障检测算法对所述声音信号进行处理，以生成用于表示实验室的电路是否存在低压电弧故障的分类结果。
[0064]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0065]
示例性方法
[0066]
图2图示了电路故障检测方法的流程图。如图2所示，根据本技术实施例的电路故障检测方法，包括：s110，通过部署于实验室的mems声音传感器获取声音信号；s120，将所述声音信号的波形图通过具有空洞卷积核的第一卷积神经网络以获得第一特征图；s130，以
预设采样窗沿时序维度从所述声音信号的波形图中截取多个采样窗；s140，将所述多个采样窗构造为三维的输入张量后通过具有三维卷积核的第二卷积神经网络以获得第二特征图；s150，对所述第一特征图进行显式位置单应性编码以获得第一位置加权图，所述第一位置加权图中各个位置的特征值为以所述第一特征图中相应位置的三维位置的坐标的欧式距离除以所述第一特征图中各个维度的尺度的欧式距离之商为幂的自然指数函数值；s160，对所述第二特征图进行显式位置单应性编码以获得第二位置加权图，所述第二位置加权图中各个位置的特征值为以所述第二特征图中相应位置的三维位置的坐标的欧式距离除以所述第二特征图中各个维度的尺度的欧式距离之商为幂的自然指数函数值；s170，以所述第一位置加权图和所述第二位置加权图分别对所述第一特征图和所述第二特征图进行按位置点乘以获得第一加权后特征图和第二加权后特征图；s180，计算所述第一加权后特征图和所述第二加权后特征图的按位置加权和以获得分类特征图；s190，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示实验室的电路是否存在低压电弧故障。
[0067]
图3图示了根据本技术实施例的电路故障检测方法的架构示意图。如图3所示，在所述电路故障检测方法的网络架构中，首先，将获得的所述声音信号的波形图(例如，如图3中所示意的p1)通过具有空洞卷积核的第一卷积神经网络(例如，如图3中所示意的cnn1)以获得第一特征图(例如，如图3中所示意的f1)；接着，以预设采样窗沿时序维度从所述声音信号的波形图中截取多个采样窗(例如，如图3中所示意的sw)；然后，将所述多个采样窗构造为三维的输入张量(例如，如图3中所示意的te)后通过具有三维卷积核的第二卷积神经网络(例如，如图3中所示意的cnn2)以获得第二特征图(例如，如图3中所示意的f2)；接着，对所述第一特征图进行显式位置单应性编码以获得第一位置加权图(例如，如图3中所示意的fw1)；然后，对所述第二特征图进行显式位置单应性编码以获得第二位置加权图(例如，如图3中所示意的fw2)；接着，以所述第一位置加权图和所述第二位置加权图分别对所述第一特征图和所述第二特征图进行按位置点乘以获得第一加权后特征图(例如，如图3中所示意的fc1)和第二加权后特征图(例如，如图3中所示意的fc2)；然后，计算所述第一加权后特征图和所述第二加权后特征图的按位置加权和以获得分类特征图(例如，如图3中所示意的fc)；最后，将所述分类特征图通过分类器(例如，如图3中所示意的分类器)以获得分类结果，所述分类结果用于表示实验室的电路是否存在低压电弧故障。
[0068]
在步骤s110和步骤s120中，通过部署于实验室的mems声音传感器获取声音信号，并将所述声音信号的波形图通过具有空洞卷积核的第一卷积神经网络以获得第一特征图。如前所述，由于目前在对于低压电弧故障检测的过程中，通常是通过电流、电压等电气信号来进行故障的诊断检测，但是考虑到电信号会受很多方面的影响，并且电信号在数据处理的过程中较为复杂，例如在使用电流信号作为检测标准时，需要对电流信号进行二进制小波变换分解来得到所需要的电流信号波形，期间需要大量的计算。因此，在本技术的技术方案中，期望通过非电气特征量来进行低压电弧故障检测。例如，可利用mems声音传感器等设备将采集到的声音信号传递到神经网络来进行检测。但是，在此过程中，考虑到一方面所述非电气特征易受环境干扰，另一方面，所述非电气特征的强度较弱需要进行特征加强。因此，进一步还需要考虑这两方面的因素来对实验室的电路是否存在低压电弧故障进行更准确地判断。
[0069]
具体地，在本技术的技术方案中，首先，通过部署于实验室的mems声音传感器获取声音信号。然后，使用在图像局部特征提取方面具有优异表现的卷积神经网络模型来对所述声音信号的波形图进行编码以得到第一特征图。应可以理解，考虑到所述声音信号的波形图具有较大范围的特征信息，并且由于空洞卷积能够在不丢失分辨率的基础上扩大感受野，让每个卷积的输出都包含较大范围的信息，以获得高分辨率下的多尺度信息，因此，在本技术的技术方案中，采用具有空洞卷积核的第一卷积神经网络对所述声音信号的波形图进行特征提取，以获取所述声音信号的波形图中的全局特征信息。
[0070]
具体地，在本技术实施例中，将所述声音信号的波形图通过具有空洞卷积核的第一卷积神经网络以获得第一特征图的过程，包括：使用所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行基于所述空洞卷积核的卷积处理、池化处理和激活处理以由所述第一卷积神经网络的最后一层输出所述第一特征图，其中，所述第一卷积神经网络的第一层的输入为所述声音信号的波形图，所述空洞卷积核表示为输入为所述声音信号的波形图，所述空洞卷积核表示为
[0071]
在步骤s130和步骤s140中，以预设采样窗沿时序维度从所述声音信号的波形图中截取多个采样窗，并将所述多个采样窗构造为三维的输入张量后通过具有三维卷积核的第二卷积神经网络以获得第二特征图。也就是，考虑到所述非电气特征易受环境干扰，为了提高对于电路低压电弧故障判断的准确性，进一步以预设采样窗沿时序维度从所述声音信号的波形图中截取多个采样窗。然后，再将所述多个采样窗构造为三维的输入张量后通过具有三维卷积核的第二卷积神经网络中进行编码以获得第二特征图。应可以理解，由于卷积神经网络在提取局部关联隐性特征方面具有优异的性能表现，因此使用三维卷积核的第二卷积神经网络能够提取出所述多个采样窗中的声音信号在时序维度上用于表示低压电弧信息的动态分布特征。相应地，在一个具体示例中，使用所述具有三维卷积核的第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、池化处理和激活处理以由所述具有三维卷积核的第二卷积神经网络的最后一层生成所述第二特征图，其中，所述具有三维卷积核的第二卷积神经网络的第一层的输入为所述输入张量。
[0072]
在步骤s150和步骤s160中，对所述第一特征图进行显式位置单应性编码以获得第一位置加权图，所述第一位置加权图中各个位置的特征值为以所述第一特征图中相应位置的三维位置的坐标的欧式距离除以所述第一特征图中各个维度的尺度的欧式距离之商为幂的自然指数函数值，并对所述第二特征图进行显式位置单应性编码以获得第二位置加权图，所述第二位置加权图中各个位置的特征值为以所述第二特征图中相应位置的三维位置的坐标的欧式距离除以所述第二特征图中各个维度的尺度的欧式距离之商为幂的自然指数函数值。应可以理解，考虑到所述非电气波形特征的不同空间采样尺度，尽管将所述第一特征图f1和所述第二特征图f2约束为具有相同的全局尺度，但仍然无法确保特征位置属性的匹配。因此，在本技术的技术方案中，进一步分别对所述第一特征图f1和所述第二特征图f2进行显式位置单应性编码。这样，使用所述显式位置单应性编码来令所述特征图的各个特征值的位置显式编码满足几何连续性，以使得在映射到高维空间内时，特征值的位置具有几何变换单应性，从而确保特征位置属性的匹配性，以改进所述特征图的融合。
[0073]
具体地，在本技术实施例中，对所述第一特征图进行显式位置单应性编码以获得
第一位置加权图的过程，包括：以如下公式对所述第一特征图进行显式位置单应性编码以获得所述第一位置加权图；
[0074]
其中，所述公式为：
[0075][0076][0077]
其中(x,y,z)表示每个特征值在所述第一特征图中的三维位置的坐标，且(w,h,c)表示所述第一特征图f1的尺度。
[0078]
更具体地，在本技术实施例中，对所述第二特征图进行显式位置单应性编码以获得第二位置加权图的过程，包括：以如下公式对所述第二特征图进行显式位置单应性编码以获得所述第二位置加权图；
[0079]
其中，所述公式为：
[0080][0081][0082]
其中(x,y,z)表示每个特征值在所述第二特征图中的三维位置的坐标，且(w,h,c)表示所述第二特征图f2的尺度。
[0083]
在步骤s170、步骤s180和步骤s190中，以所述第一位置加权图和所述第二位置加权图分别对所述第一特征图和所述第二特征图进行按位置点乘以获得第一加权后特征图和第二加权后特征图，并计算所述第一加权后特征图和所述第二加权后特征图的按位置加权和以获得分类特征图，再将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示实验室的电路是否存在低压电弧故障。应可以理解，也就是，在本技术的技术方案中，然后，再将通过显式位置单应性编码后获得的所述位置加权图分别与所述第一特征图f1和所述第二特征图f2进行点乘加权，进一步再将所述加权后的特征图进行融合，例如，计算所述第一加权后特征图和所述第二加权后特征图的按位置加权和以获得分类特征图。这样，将所述分类特征图通过分类器以获得用于表示实验室的电路是否存在低压电弧故障的分类结果。
[0084]
具体地，在本技术实施例中，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示实验室的电路是否存在低压电弧故障的过程，包括：所述分类器以如下公式对所述分类特征图进行处理以生成分类结果，其中，所述公式为：softmax{(wn，bn)：...：(w1，b1)|project(f)}，其中project(f)表示将所述分类特征图投影为向量，w1至wn为各层全连接层的权重矩阵，b1至bn表示各层全连接层的偏置矩阵。
[0085]
综上，本技术实施例的电路故障检测方法被阐明，其通过非电气特征量声音信号来代替传统的电气特征量进行低压电弧故障的检测，并且使用在提取局部关联隐性特征方面具有优异的性能表现的卷积神经网络模型分别对所述声音信号的波形图和采样窗信号进行隐含的关联特征提取，进一步地，对两者得到的特征图进行显式位置单应性编码以令
所述特征图的各个特征值的位置显式编码满足几何连续性，以使得在映射到高维空间内时，特征值的位置具有几何变换单应性，从而确保特征位置属性的匹配性，以改进所述特征图的融合。这样，就能够对实验室电流的低压电弧故障进行准确地检测，进而避免火灾事故的发生。
[0086]
示例性系统
[0087]
图4图示了根据本技术实施例的电路故障检测系统的框图。如图4所示，根据本技术实施例的电路故障检测系统400，包括：声音信号获取单元410，用于通过部署于实验室的mems声音传感器获取声音信号；第一卷积单元420，用于将所述声音信号获取单元410获得的所述声音信号的波形图通过具有空洞卷积核的第一卷积神经网络以获得第一特征图；截取单元430，用于以预设采样窗沿时序维度从所述声音信号获取单元410获得的所述声音信号的波形图中截取多个采样窗；第二卷积单元440，用于将所述截取单元430获得的所述多个采样窗构造为三维的输入张量后通过具有三维卷积核的第二卷积神经网络以获得第二特征图；第一显式位置单应性编码单元450，用于对所述第一卷积单元420获得的所述第一特征图进行显式位置单应性编码以获得第一位置加权图，所述第一位置加权图中各个位置的特征值为以所述第一特征图中相应位置的三维位置的坐标的欧式距离除以所述第一特征图中各个维度的尺度的欧式距离之商为幂的自然指数函数值；第二显式位置单应性编码单元460，用于对所述第二卷积单元440获得的所述第二特征图进行显式位置单应性编码以获得第二位置加权图，所述第二位置加权图中各个位置的特征值为以所述第二特征图中相应位置的三维位置的坐标的欧式距离除以所述第二特征图中各个维度的尺度的欧式距离之商为幂的自然指数函数值；加权单元470，用于以所述第一显式位置单应性编码单元450获得的所述第一位置加权图和所述第二显式位置单应性编码单元460获得的所述第二位置加权图分别对所述第一特征图和所述第二特征图进行按位置点乘以获得第一加权后特征图和第二加权后特征图；加权和计算单元480，用于计算所述加权单元470获得的所述第一加权后特征图和所述加权单元470获得的所述第二加权后特征图的按位置加权和以获得分类特征图；以及，分类单元490，用于将所述加权和计算单元480获得的所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示实验室的电路是否存在低压电弧故障。
[0088]
在一个示例中，在上述电路故障检测系统400中，所述第一卷积单元420，进一步用于：使用所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行基于所述空洞卷积核的卷积处理、池化处理和激活处理以由所述第一卷积神经网络的最后一层输出所述第一特征图，其中，所述第一卷积神经网络的第一层的输入为所述声音信号的波形图，所述空洞卷积核表示为
[0089]
在一个示例中，在上述电路故障检测系统400中，所述第二卷积单元440，进一步用于：使用所述具有三维卷积核的第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、池化处理和激活处理以由所述具有三维卷积核的第二卷积神经网络的最后一层生成所述第二特征图，其中，所述具有三维卷积核的第二卷积神经网络的第一层的输入为所述输入张量。
[0090]
在一个示例中，在上述电路故障检测系统400中，所述第一显式位置单应性编码单元450，进一步用于：以如下公式对所述第一特征图进行显式位置单应性编码以获得所述第一位置加权图；
[0091]
其中，所述公式为：
[0092][0093][0094]
其中(x,y,z)表示每个特征值在所述第一特征图中的三维位置的坐标，且(w,h,c)表示所述第一特征图f1的尺度。
[0095]
在一个示例中，在上述电路故障检测系统400中，所述第二显式位置单应性编码单元460，进一步用于：以如下公式对所述第二特征图进行显式位置单应性编码以获得所述第二位置加权图；
[0096]
其中，所述公式为：
[0097][0098][0099]
其中(x,y,z)表示每个特征值在所述第二特征图中的三维位置的坐标，且(w,h,c)表示所述第二特征图f2的尺度。
[0100]
在一个示例中，在上述电路故障检测系统400中，所述分类单元490，进一步用于：所述分类器以如下公式对所述分类特征图进行处理以生成分类结果，其中，所述公式为：softmax{(wn,bn):...:(w1,b1)|project(f)}，其中project(f)表示将所述分类特征图投影为向量，w1至wn为各层全连接层的权重矩阵，b1至bn表示各层全连接层的偏置矩阵。
[0101]
这里，本领域技术人员可以理解，上述电路故障检测系统400中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的电路故障检测方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0102]
如上所述，根据本技术实施例的电路故障检测系统400可以实现在各种终端设备中，例如电路故障检测算法的服务器等。在一个示例中，根据本技术实施例的电路故障检测系统400可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该电路故障检测系统400可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该电路故障检测系统400同样可以是该终端设备的众多硬件模块之一。
[0103]
替换地，在另一示例中，该电路故障检测系统400与该终端设备也可以是分立的设备，并且该电路故障检测系统400可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0104]
示例性计算机程序产品和计算机可读存储介质
[0105]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的电路故障检测方法中的功能中的步骤。
[0106]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执
行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0107]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的电路故障检测方法中的步骤。
[0108]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0109]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0110]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0111]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0112]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0113]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。