CN111523394A - 一种gis设备内部的异物缺陷的检测方法及*** - Google Patents

一种gis设备内部的异物缺陷的检测方法及*** Download PDF

Info

Publication number
CN111523394A
CN111523394A CN202010231397.0A CN202010231397A CN111523394A CN 111523394 A CN111523394 A CN 111523394A CN 202010231397 A CN202010231397 A CN 202010231397A CN 111523394 A CN111523394 A CN 111523394A
Authority
CN
China
Prior art keywords
training sample
fuzzy rule
fuzzy
foreign matter
added
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010231397.0A
Other languages
English (en)
Other versions
CN111523394B (zh
Inventor
吴旭涛
汲胜昌
马云龙
马波
叶逢春
何宁辉
沙伟燕
李秀广
周秀
倪辉
牛勃
张佩
杨朝旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Zhonghui Electric Power Technology Co ltd
Xian Jiaotong University
Electric Power Research Institute of State Grid Ningxia Electric Power Co Ltd
Original Assignee
Xi'an Zhonghui Electric Power Technology Co ltd
Xian Jiaotong University
Electric Power Research Institute of State Grid Ningxia Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xi'an Zhonghui Electric Power Technology Co ltd, Xian Jiaotong University, Electric Power Research Institute of State Grid Ningxia Electric Power Co Ltd filed Critical Xi'an Zhonghui Electric Power Technology Co ltd
Priority to CN202010231397.0A priority Critical patent/CN111523394B/zh
Publication of CN111523394A publication Critical patent/CN111523394A/zh
Application granted granted Critical
Publication of CN111523394B publication Critical patent/CN111523394B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G06N7/023—Learning or tuning the parameters of a fuzzy system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明实施例公开一种GIS设备内部的异物缺陷的检测方法及***。该检测方法包括：采用GIS设备内部的声音信号的训练样本训练异物缺陷分类模型，其中，每一训练样本对应一异物缺陷的标准种类；每隔预设时间间隔，采集所述GIS设备内部的声音信号；将所述声音信号输入训练后的异物缺陷分类模型后，输出所述声音信号对应的异物缺陷的种类；其中，所述异物缺陷分类模型为扩展连续自适应模糊推理***，所述扩展连续自适应模糊推理***包括依次设置的输入层、模糊化层、模糊推理层、规范层和输出层，所述模糊推理层的节点表示模糊规则。本发明实施例可得到异物缺陷的种类，具有较高的准确率和效率。

Description

一种GIS设备内部的异物缺陷的检测方法及***
技术领域
本发明涉及GIS设备技术领域，尤其涉及一种GIS设备内部的异物缺陷的检测方法及***。
背景技术
在国家智能电网的大战略下，变电站发挥了其不可替代的作用，由于变电站是由许多密闭的空间设备所组成，尤其是GIS(Gas Insulated Switchgear)设备。若是这些设备出现故障，则需要暂停变电站的工作进行解体检修，这与电网提高供电运行可靠性的目标不符。
随着近几年移动互联网、传感器技术、大数据技术的快速发展，电子听诊器技术也迎来了春天，各式各样的电子听诊器已广泛应用于故障诊断，智慧医疗等许多方面。随着科学技术的快速发展，现有的电子听诊器相对传统听诊器有了一定的进步，已逐渐从机械化迈向电子化和数字化，其中“简便清晰电子听诊器”、“多功能电子听诊器”和“医用电子听诊器”都具有一定的信号预处理功能，改善了信号的精度和准确度。大量的研究表明，通过电子听诊器技术采集的信号具有无失真、远距离和便于携带等特点，因此能够将密闭变电站设备中的信号完全的收集，从而实现对后期的信号进行分析和处理。
因此，基于电子听诊技术的优点，如何将电子听诊技术与识别GIS设备内部的异物缺陷的种类进行有效结合，以便高效地识别异物缺陷的种类是亟待解决的问题。
发明内容
本发明实施例提供一种GIS设备内部的异物缺陷的检测方法及***，以解决现有技术缺少将电子听诊技术应用于识别GIS设备内部的异物缺陷的种类的方法的问题。
第一方面，提供一种GIS设备内部的异物缺陷的检测方法，包括：
采用GIS设备内部的声音信号的训练样本训练异物缺陷分类模型，其中，每一训练样本对应一异物缺陷的标准种类；
每隔预设时间间隔，采集所述GIS设备内部的声音信号；
将所述声音信号输入训练后的异物缺陷分类模型后，输出所述声音信号对应的异物缺陷的种类；
其中，所述异物缺陷分类模型为扩展连续自适应模糊推理***，所述扩展连续自适应模糊推理***包括依次设置的输入层、模糊化层、模糊推理层、规范层和输出层，所述模糊推理层的节点表示模糊规则。
第二方面，提供一种GIS设备内部的异物缺陷的检测***，包括：
训练模块，用于采用GIS设备内部的声音信号的训练样本训练异物缺陷分类模型，其中，每一训练样本对应一异物缺陷的标准种类；
采集模块，用于每隔预设时间间隔，采集所述GIS设备内部的声音信号；
分类模块，用于将所述声音信号输入训练后的异物缺陷分类模型后，输出所述声音信号对应的异物缺陷的种类；
其中，所述异物缺陷分类模型为扩展连续自适应模糊推理***，所述扩展连续自适应模糊推理***包括依次设置的输入层、模糊化层、模糊推理层、规范层和输出层，所述模糊推理层的节点表示模糊规则。
这样，本发明实施例，将训练得到的具有良好分类率的扩展连续自适应模糊推理***作为异物缺陷的分类模型，将通过电子听诊技术得到的声音信号输入到异物缺陷的分类模型中得到异物缺陷的种类，具有较高的准确率和效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的GIS设备内部的异物缺陷的检测方法的流程图；
图2是本发明实施例的扩展连续自适应模糊推理***的示意图；
图3是本发明实施例的GIS设备内部的异物缺陷的检测***的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种GIS设备内部的异物缺陷的检测方法。如图1所示，该方法包括如下的步骤：
步骤S101：采用GIS设备内部的声音信号的训练样本训练异物缺陷分类模型。
应当理解的是，每一训练样本对应一异物缺陷的标准种类。
异物缺陷分类模型为扩展连续自适应模糊推理***(Extended sequentialadaptive fuzzy inference system，ESAFIS)。ESAFIS是一种序列学习算法，ESAFIS依靠RBF(Radial Basis Function，径向基函数)神经网络和FIS(fuzzy inference system，模糊推理***)之间的函数等价关系来建立规则库，结构随着数据的输入自适应变化。ESAFIS属于典型的前馈神经网络。
如图2所示，扩展连续自适应模糊推理***包括依次设置的输入层、模糊化层、模糊推理层、规范层和输出层。其中，输入层用于每次输入一个至少一维的待分类向量，具体到检测异物缺陷的种类的应用场景，待分类向量为声音信号，且声音信号的维度为一维。模糊化层与模糊推理层联系紧密，每个模糊规则都有一个隶属度函数。模糊化层的节点数随模糊规则的增删而变化。模糊推理层的每个节点代表一条模糊规则。ESAFIS的模糊规则演化基于距离准则和修正的影响标准，随着数据的输入，节点自适应增删。规范层用于将模糊推理层的输出归一化，节点数与模糊推理层相同。输出层用于输出分类结果，节点数与分类的类别数相同。
扩展连续自适应模糊推理***的序号为k的模糊规则可以表示为：若(x1是Aik)，……，(xi是Aik)，……(
Figure BDA0002429391370000041
是
Figure BDA0002429391370000042
)，则(
Figure BDA0002429391370000043
是ak1)，……，(
Figure BDA0002429391370000044
是akj)，……，(
Figure BDA0002429391370000045
是
Figure BDA0002429391370000046
)。其中，输入向量
Figure BDA0002429391370000047
Aik表示输入向量的第i个分量对于序号为k的模糊规则的隶属度值，输出向量
Figure BDA0002429391370000048
akj表示序号为k的模糊规则的第j个后件参数。k＝1，2，……，Nh。i＝1，2，……，Nx。j＝1，2，……，Ny。Nh表示模糊规则的数量。Nx和Ny都表示维度。对于本发明实施例的GIS设备内部的异物缺陷的分类的应用场景，Nx＝1，Ny＝1。
扩展连续自适应模糊推理***的序号为k的模糊规则的激励函数为高斯函数，可以用激励函数的通式计算：
Figure BDA0002429391370000049
其中，Rk(x)表示输入向量x时，计算得到的序号为k的模糊规则的激励函数。σk表示序号为k的模糊规则的激励函数的半径，μk表示序号为k的模糊规则的激励函数的中心。对于本发明实施例的GIS设备内部的异物缺陷的分类的应用场景，x为输入的声音信号。
扩展连续自适应模糊推理***的输出向量，可以用以下输出向量通式计算：
Figure BDA0002429391370000051
其中，ak表示序号为k的模糊规则到规范层的权值矩阵，即后件参数矩阵。对于一阶Takagi-Sugeno(TS)模糊模型，
Figure BDA0002429391370000052
xe由x和1扩展而成，即xe＝[1,x]T。qk是序号为k的模糊规则的参数矩阵。参数矩阵的通式如下：
Figure BDA0002429391370000053
通过上述对扩展连续自适应模糊推理***的描述可知，输出向量会受到输入向量、模糊规则和后件参数的影响。后件参数又受到参数矩阵qk的影响，模糊规则本身又受到μk、σk等参数的影响。因此，扩展连续自适应模糊推理***的模糊规则并非固定不变，而是在学习过程中动态调整，从而增加模糊规则、删除模糊规则或者更新相应的参数。
具体的，步骤S101包括如下的过程：
1、按照训练样本的序号依次输入每一训练样本。
每输入一训练样本，假设异物缺陷分类模型增加一模糊规则。
应当理解的是，本发明实施例所述的训练样本具有新颖度。具体的，若训练样本满足ψ<Es，则训练样本具有新颖度。
其中，ψ表示训练样本在高维特征空间的球面势能。高维特征空间呈现出球面。本发明实施例用高斯规则的前件参数，包括中心点μ和宽度σ，来描述高维特征空间。
Figure BDA0002429391370000061
T表示高维特征空间的维度，φ(x,μt)表示训练样本对应的高维特征空间的映射函数。μt表示第t个映射函数的中心。应当理解的是，本发明实施例的映射函数为高斯函数。Es表示新颖度阈值，可根据经验预设。只有训练样本满足上述新颖度的条件，该训练样本才会输入到扩展连续自适应模糊推理***中。
2、若当前输入的训练样本的序号为1，则保留当前输入的训练样本对应增加的模糊规则。
应当理解的是，扩展连续自适应模糊推理***在输入训练样本之前，初始的模糊规则的数量为0。因此，当输入第一个训练样本时，不做任何判断，保留输入该训练样本对应增加的模糊规则。
3、若当前输入的训练样本的序号大于1，则判断是否保留当前输入的训练样本对应增加的模糊规则。
当输入第一个训练样本后，由于扩展连续自适应模糊推理***已经存在了一个模糊规则，输入其它训练样本而假设增加的模糊规则需要经过判断，以便确定是否可以增加该模糊规则。
具体的，该步骤包括如下的过程：
(1)判断当前输入的训练样本对应增加的模糊规则是否满足距离准则和影响准则。
具体的，距离准则如下：
||xn-μnr||>en。
xn表示当前输入的序号为n的训练样本。n>1。μnr表示距离训练样本xn最近的模糊规则的中心。距离最近指的是训练样本xn和模糊规则的中心之间的欧氏距离最小。en表示距离阈值。具体的，en＝max{emax×γn,emin}。其中，emax表示距离阈值的最大值，可根据经验预设。emin表示距离阈值的最小值，可根据经验预设。γ表示衰减指数，是一个小于1的正数，可根据经验预设，因此，en初始为最大值，随后按指数衰减，直到衰减为最小值。
具体的，影响准则如下：
Emin f(Nh+1)>eg。
其中，Emin f(Nh+1)表示当前输入的训练样本对应增加的模糊规则的影响值。Nh表示已有的模糊规则的数量。eg表示增加阈值，可根据经验预设。
本发明实施例的Emin f(Nh+1)采用下式计算：
Figure BDA0002429391370000071
其中，xl表示用于计算Emin f(Nh+1)的序号为l的训练样本。
Figure BDA0002429391370000072
表示采用训练样本xl计算得到的当前输入的训练样本对应增加的模糊规则(序号为Nh+1)的激励函数。Rk(xl)表示采用训练样本xl计算得到的序号为k的模糊规则的激励函数。应当理解的是，模糊规则的序号按照保留的顺序依次排列。M表示包含当前输入的序号为n的训练样本在内的最近输入的训练样本的数量。
参照上述的激励函数的通式，Rk(xl)采用下式计算：
Figure BDA0002429391370000073
其中，σk表示序号为k的模糊规则的激励函数的半径，μk表示序号为k的模糊规则的激励函数的中心。
同样的，
Figure BDA0002429391370000081
其中，
Figure BDA0002429391370000082
表示当前输入的训练样本对应增加的模糊规则(序号为Nh+1)的模糊规则的激励函数的半径，
Figure BDA0002429391370000083
表示当前输入的训练样本对应增加的模糊规则(序号为Nh+1)的激励函数的中心。
(2)若满足距离准则和影响准则，则保留当前输入的训练样本对应增加的模糊规则。
若同时满足距离准则和影响准则，则该增加的模糊规则可以保留，否则，不保留该增加的模糊规则，
4、若保留当前输入的训练样本对应增加的模糊规则，则根据一阶Takagi-Sugeno模糊模型设置当前输入的训练样本对应增加的模糊规则的参数。
具体的，模糊规则的参数主要包括：参数矩阵、激励函数的中心和半径。
因此，该步骤通过如下的过程具体设置相应的参数：
(1)采用第一方程组设置当前输入的训练样本对应增加的模糊规则的参数矩阵。
参照上述的参数矩阵的通式，第一方程组如下：
Figure BDA0002429391370000084
其中，j＝1，2，……，Ny。i＝1，2，……，Nx。
由于，在本发明实施例的GIS设备内部的异物缺陷的分类的应用场景，Nx＝1，Ny＝1，则当前输入的训练样本对应增加的模糊规则的参数矩阵为
Figure BDA0002429391370000091
因此，第一方程组如下：
Figure BDA0002429391370000092
(2)采用第二方程设置当前输入的训练样本对应增加的模糊规则的激励函数的中心。
其中，第二方程如下：
Figure BDA0002429391370000093
(3)采用第三方程设置当前输入的训练样本对应增加的模糊规则的激励函数的半径。
其中，第三方程如下：
Figure BDA0002429391370000094
κ表示重叠因子，用于控制增加的模糊规则在输入空间的重叠度，可根据经验预设。
因此，通过上述的三个方程(组)可以设置当前输入的训练样本对应增加的模糊规则的相关参数。
5、若不保留当前输入的训练样本对应增加的模糊规则，则采用最小二乘递归误差方法(RLSE)更新异物缺陷分类模型已有的模糊规则的后件参数后，判断是否删除已有的模糊规则。
具体的，最小二乘递归误差方法的方程组为：
Figure BDA0002429391370000101
其中，an表示序号为n的模糊规则的后件参数矩阵。yn-1表示序号为n-1的训练样本对应的异物缺陷的标准种类。
Figure BDA0002429391370000102
表示输入序号为n-1的训练样本到异物缺陷分类模型中，异物缺陷分类模型输出的异物缺陷的种类，可由前述的输出向量通式计算。I表示单位矩阵。I是一个z1×z1维度的单位矩阵。z1表示当前输入的训练样本对应增加的模糊规则的后件参数的维度。应当理解的是，当前输入的训练样本对应增加模糊规则时，Pn的维度也要增加，即
Figure BDA0002429391370000103
H0表示预设的初始值，是一个常数，可根据经验设置。Hn表示输入xn时规范层的输出向量，具体采用下式计算：
Figure BDA0002429391370000104
参见xe的通式，可知xne＝[1,xn]T。Rk(xn)参照上述的激励函数的通式计算，在此不再赘述。
6、若删除已有的模糊规则，则删除该已有的模糊规则的参数，且更新已有的模糊规则的数量。
例如，删除1条模糊规则，则在已有的模糊规则的数量上减去1。
当所有训练样本均已经输入到异物缺陷分类模型训练后，该训练过程完毕。通过上述的训练过程，可以确定异物缺陷分类模型的模糊规则和后件参数，使得该异物缺陷分类模型可以更加准确地进行异物缺陷的分类。
步骤S102：每隔预设时间间隔，采集GIS设备内部的声音信号。
预设时间间隔可根据经验设定。采集声音信号可通过电子听诊技术实现。电子听诊技术可以提升GIS设备内部数据采集的效率和准确性。具体的，可采集GIS设备内部的物理信号，例如超声信号、振动信号等等。将物理信号通过相应的电气元件依次转换为电信号、数字信号、模拟信号，最后将模拟信号转换为声音信号。例如，可将相应的传感器与被测GIS设备连接，将GIS设备内部的异物缺陷产生的物理信号转换成相应的电信号。在转换的过程中，可通过相应的电气元件进行常规的放大处理、滤波处理等等。
步骤S103：将声音信号输入训练后的异物缺陷分类模型后，输出声音信号对应的异物缺陷的种类。
具体的，可以提取声音信号的特征值输入到异物缺陷分类模型中，其特征值可以是频率、幅值等等。将声音信号的特征值从输入层输入到异物缺陷分类模型，输出层输出该声音信号对应的异物缺陷的种类。
在本发明一优选的实施例中，异物缺陷的种类包括：0.5mm球形粒子，1mm球形粒子，2mm球形粒子，1mm线状粒子，2mm线状粒子。通过该异物缺陷分类模型进行分类的准确率为98％。
综上，本发明实施例的GIS设备内部的异物缺陷的检测方法，将训练得到的具有良好分类率的扩展连续自适应模糊推理***作为异物缺陷的分类模型，将通过电子听诊技术得到的声音信号输入到异物缺陷的分类模型中得到异物缺陷的种类，具有较高的准确率和效率。
本发明实施例还公开了一种GIS设备内部的异物缺陷的检测***。如图3所示，该检测***包括如下的模块：
训练模块301，用于采用GIS设备内部的声音信号的训练样本训练异物缺陷分类模型。
其中，每一训练样本对应一异物缺陷的标准种类。
采集模块302，用于每隔预设时间间隔，采集GIS设备内部的声音信号。
分类模块303，用于将声音信号输入训练后的异物缺陷分类模型后，输出声音信号对应的异物缺陷的种类。
其中，异物缺陷分类模型为扩展连续自适应模糊推理***，扩展连续自适应模糊推理***包括依次设置的输入层、模糊化层、模糊推理层、规范层和输出层，模糊推理层的节点表示模糊规则。
优选的，训练模块301包括：
输入子模块，用于按照训练样本的序号依次输入每一训练样本。
其中，每输入一训练样本，假设所述异物缺陷分类模型增加一模糊规则；训练样本具有新颖度。
若训练样本满足ψ<Es，则训练样本具有新颖度。其中，ψ表示训练样本在高维特征空间的球面势能，
Figure BDA0002429391370000121
T表示高维特征空间的维度，φ(x,μt)表示训练样本对应的高维特征空间的映射函数，μt表示第t个映射函数的中心，映射函数为高斯函数，Es表示新颖度阈值。
保留子模块，用于若当前输入的训练样本的序号为1，则保留当前输入的训练样本对应增加的模糊规则。
第一判断子模块，用于若当前输入的训练样本的序号大于1，则判断是否保留当前输入的训练样本对应增加的模糊规则。
设置子模块，用于若保留当前输入的训练样本对应增加的模糊规则，则根据一阶Takagi-Sugeno模糊模型设置当前输入的训练样本对应增加的模糊规则的参数。
第二判断子模块，用于若不保留当前输入的训练样本对应增加的模糊规则，则采用最小二乘递归误差方法更新异物缺陷分类模型已有的模糊规则的后件参数后，判断是否删除已有的模糊规则。
删除子模块，用于若删除已有的模糊规则，则删除该已有的模糊规则的参数，且更新已有的模糊规则的数量。
优选的，第一判断子模块包括：
第一判断单元，用于判断当前输入的训练样本对应增加的模糊规则是否满足距离准则和影响准则。
保留单元，用于若满足距离准则和影响准则，则保留当前输入的训练样本对应增加的模糊规则。
其中，距离准则为||xn-μnr||>en，xn表示当前输入的序号为n的训练样本，n>1，μnr表示距离训练样本xn最近的模糊规则的中心，en表示距离阈值。en＝max{emax×γn,emin}，其中，emax表示距离阈值的最大值，emin表示距离阈值的最小值，γ表示衰减指数。
其中，影响准则为Emin f(Nh+1)>eg，Nh表示已有的模糊规则的数量，Emin f(Nh+1)表示当前输入的训练样本对应增加的模糊规则的影响值，eg表示增加阈值。
Figure BDA0002429391370000131
其中，xl表示用于计算Emin f(Nh+1)的序号为l的训练样本，
Figure BDA0002429391370000132
表示采用训练样本xl计算得到的当前输入的训练样本对应增加的模糊规则的激励函数，Rk(xl)表示采用训练样本xl计算得到的序号为k的模糊规则的激励函数，模糊规则的序号按照保留的顺序依次排列，M表示包含当前输入的序号为n的训练样本在内的最近输入的训练样本的数量。
Figure BDA0002429391370000133
其中，σk表示序号为k的模糊规则的激励函数的半径，μk表示序号为k的模糊规则的激励函数的中心。
Figure BDA0002429391370000141
其中，
Figure BDA0002429391370000142
表示当前输入的训练样本对应增加的模糊规则的激励函数的半径，
Figure BDA0002429391370000143
表示当前输入的训练样本对应增加的模糊规则的激励函数的中心。
优选的，设置子模块包括：
第一设置单元，用于采用第一方程组设置当前输入的训练样本对应增加的模糊规则的参数矩阵。
其中，当前输入的训练样本对应增加的模糊规则的参数矩阵为
Figure BDA0002429391370000144
第一方程组为
Figure BDA0002429391370000145
第二设置单元，用于采用第二方程设置当前输入的训练样本对应增加的模糊规则的激励函数的中心。
其中，第二方程为
Figure BDA0002429391370000146
第三设置单元，用于采用第三方程设置当前输入的训练样本对应增加的模糊规则的激励函数的半径。
其中，第三方程为
Figure BDA0002429391370000147
κ表示重叠因子。
优选的，最小二乘递归误差方法的方程组为：
Figure BDA0002429391370000148
其中，an表示序号为n的模糊规则的后件参数矩阵，yn-1表示序号为n-1的训练样本对应的异物缺陷的标准种类，
Figure BDA0002429391370000149
表示输入序号为n-1的训练样本到异物缺陷分类模型中，异物缺陷分类模型输出的异物缺陷的种类，H0表示预设的初始值，Hn表示输入xn时规范层的输出向量，
Figure BDA0002429391370000151
xne＝[1,xn]T，I表示单位矩阵。
优选的，第二判断子模块包括：
第二判断单元，用于判断已有的模糊规则是否满足删除准则。
删除单元，用于若满足删除准则，则删除该已有的模糊规则。
其中，删除准则为Emin f(k)<ep，Emin f(k)表示序号为k的模糊规则的影响值，ep表示删除阈值。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
综上，本发明实施例的GIS设备内部的异物缺陷的检测***，将训练得到的具有良好分类率的扩展连续自适应模糊推理***作为异物缺陷的分类模型，将通过电子听诊技术得到的声音信号输入到异物缺陷的分类模型中得到异物缺陷的种类，具有较高的准确率和效率。
本领域普通技术人员可以意识到，结合本发明实施例中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种GIS设备内部的异物缺陷的检测方法，其特征在于，包括：
采用GIS设备内部的声音信号的训练样本训练异物缺陷分类模型，其中，每一训练样本对应一异物缺陷的标准种类；
每隔预设时间间隔，采集所述GIS设备内部的声音信号；
将所述声音信号输入训练后的异物缺陷分类模型后，输出所述声音信号对应的异物缺陷的种类；
其中，所述异物缺陷分类模型为扩展连续自适应模糊推理***，所述扩展连续自适应模糊推理***包括依次设置的输入层、模糊化层、模糊推理层、规范层和输出层，所述模糊推理层的节点表示模糊规则。
2.根据权利要求1所述的检测方法，所述采用GIS设备内部的声音信号的训练样本训练异物缺陷分类模型的步骤，包括：
按照训练样本的序号依次输入每一训练样本，其中，每输入一训练样本，假设所述异物缺陷分类模型增加一模糊规则，所述训练样本具有新颖度；
若当前输入的训练样本的序号为1，则保留当前输入的训练样本对应增加的模糊规则；
若当前输入的训练样本的序号大于1，则判断是否保留当前输入的训练样本对应增加的模糊规则；
若保留当前输入的训练样本对应增加的模糊规则，则根据一阶Takagi-Sugeno模糊模型设置当前输入的训练样本对应增加的模糊规则的参数；
若不保留当前输入的训练样本对应增加的模糊规则，则采用最小二乘递归误差方法更新所述异物缺陷分类模型已有的模糊规则的后件参数后，判断是否删除已有的模糊规则；
若删除已有的模糊规则，则删除该已有的模糊规则的参数，且更新已有的模糊规则的数量。
3.根据权利要求2所述的检测方法，其特征在于，所述判断是否保留当前输入的训练样本对应增加的模糊规则的步骤，包括：
判断当前输入的训练样本对应增加的模糊规则是否满足距离准则和影响准则；
若满足距离准则和影响准则，则保留当前输入的训练样本对应增加的模糊规则；
其中，距离准则为||xn-μnr||>en，xn表示当前输入的序号为n的训练样本，n>1，μnr表示距离训练样本xn最近的模糊规则的中心，en表示距离阈值；
其中，影响准则为Emin f(Nh+1)>eg，Nh表示已有的模糊规则的数量，Emin f(Nh+1)表示当前输入的训练样本对应增加的模糊规则的影响值，eg表示增加阈值。
4.根据权利要求3所述的检测方法，其特征在于：
en＝max{emax×γn,emin}，其中，emax表示距离阈值的最大值，emin表示距离阈值的最小值，γ表示衰减指数。
5.根据权利要求3所述的检测方法，其特征在于：
Figure FDA0002429391360000021
其中，xl表示用于计算Emin f(Nh+1)的序号为l的训练样本，
Figure FDA0002429391360000022
表示采用训练样本xl计算得到的当前输入的训练样本对应增加的模糊规则的激励函数，Rk(xl)表示采用训练样本xl计算得到的序号为k的模糊规则的激励函数，所述模糊规则的序号按照保留的顺序依次排列，M表示包含当前输入的序号为n的训练样本在内的最近输入的训练样本的数量；
Figure FDA0002429391360000023
其中，σk表示序号为k的模糊规则的激励函数的半径，μk表示序号为k的模糊规则的激励函数的中心；
Figure FDA0002429391360000031
其中，
Figure FDA0002429391360000032
表示当前输入的训练样本对应增加的模糊规则的激励函数的半径，
Figure FDA0002429391360000033
表示当前输入的训练样本对应增加的模糊规则的激励函数的中心。
6.根据权利要求3所述的检测方法，其特征在于，所述根据一阶Takagi-Sugeno模糊模型设置当前输入的训练样本对应增加的模糊规则的参数的步骤，包括：
采用第一方程组设置当前输入的训练样本对应增加的模糊规则的参数矩阵，其中，当前输入的训练样本对应增加的模糊规则的参数矩阵为
Figure FDA0002429391360000034
第一方程组为
Figure FDA0002429391360000035
采用第二方程设置当前输入的训练样本对应增加的模糊规则的激励函数的中心，其中，第二方程为
Figure FDA0002429391360000036
采用第三方程设置当前输入的训练样本对应增加的模糊规则的激励函数的半径，其中，第三方程为
Figure FDA0002429391360000037
κ表示重叠因子。
7.根据权利要求3所述的检测方法，其特征在于，所述最小二乘递归误差方法的方程组为：
Figure FDA0002429391360000038
其中，an表示序号为n的模糊规则的后件参数矩阵，yn-1表示序号为n-1的训练样本对应的异物缺陷的标准种类，
Figure FDA0002429391360000039
表示输入序号为n-1的训练样本到异物缺陷分类模型中，异物缺陷分类模型输出的异物缺陷的种类，H0表示预设的初始值，Hn表示输入xn时规范层的输出向量，
Figure FDA0002429391360000041
xne＝[1,xn]T，I表示单位矩阵。
8.根据权利要求3所述的检测方法，其特征在于，所述判断是否删除已有的模糊规则的步骤，包括：
判断已有的模糊规则是否满足删除准则；
若满足删除准则，则删除该已有的模糊规则；
其中，删除准则为Eminf(k)<ep，Eminf(k)表示序号为k的模糊规则的影响值，ep表示删除阈值。
9.根据权利要求2所述的检测方法，其特征在于：若所述训练样本满足ψ<Es，则所述训练样本具有新颖度；
其中，ψ表示训练样本在高维特征空间的球面势能，
Figure FDA0002429391360000042
T表示高维特征空间的维度，φ(x,μt)表示训练样本对应的高维特征空间的映射函数，μt表示第t个映射函数的中心，所述映射函数为高斯函数，Es表示新颖度阈值。
10.一种GIS设备内部的异物缺陷的检测***，其特征在于，包括：
训练模块，用于采用GIS设备内部的声音信号的训练样本训练异物缺陷分类模型，其中，每一训练样本对应一异物缺陷的标准种类；
采集模块，用于每隔预设时间间隔，采集所述GIS设备内部的声音信号；
分类模块，用于将所述声音信号输入训练后的异物缺陷分类模型后，输出所述声音信号对应的异物缺陷的种类；
其中，所述异物缺陷分类模型为扩展连续自适应模糊推理***，所述扩展连续自适应模糊推理***包括依次设置的输入层、模糊化层、模糊推理层、规范层和输出层，所述模糊推理层的节点表示模糊规则。
CN202010231397.0A 2020-03-27 2020-03-27 一种gis设备内部的异物缺陷的检测方法及*** Active CN111523394B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010231397.0A CN111523394B (zh) 2020-03-27 2020-03-27 一种gis设备内部的异物缺陷的检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010231397.0A CN111523394B (zh) 2020-03-27 2020-03-27 一种gis设备内部的异物缺陷的检测方法及***

Publications (2)

Publication Number Publication Date
CN111523394A true CN111523394A (zh) 2020-08-11
CN111523394B CN111523394B (zh) 2023-06-27

Family

ID=71901300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010231397.0A Active CN111523394B (zh) 2020-03-27 2020-03-27 一种gis设备内部的异物缺陷的检测方法及***

Country Status (1)

Country Link
CN (1) CN111523394B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120136565A (ko) * 2011-06-09 2012-12-20 목포대학교산학협력단 퍼지 추론을 이용한 적조 발생 예측 방법
CN105160402A (zh) * 2015-05-27 2015-12-16 刘利强 一种sf6电气设备故障诊断方法
CN107422272A (zh) * 2017-07-07 2017-12-01 淮阴工学院 一种电动汽车动力电池soc智能化检测装置
CN109258509A (zh) * 2018-11-16 2019-01-25 太原理工大学 一种生猪异常声音智能监测***与方法
US20190043070A1 (en) * 2017-08-02 2019-02-07 Zestfinance, Inc. Systems and methods for providing machine learning model disparate impact information
CN110119713A (zh) * 2019-05-14 2019-08-13 云南电网有限责任公司电力科学研究院 基于d-s证据理论的高压断路器机械故障诊断方法
CN110208022A (zh) * 2019-06-12 2019-09-06 济南雷森科技有限公司 基于机器学习的电力设备多特征音频指纹故障诊断方法及***
CN110533102A (zh) * 2019-08-30 2019-12-03 东北林业大学 基于模糊推理的单类分类方法以及分类器
US20190376840A1 (en) * 2017-02-15 2019-12-12 Nippon Telegraph And Telephone Corporation Anomalous sound detection apparatus, degree-of-anomaly calculation apparatus, anomalous sound generation apparatus, anomalous sound detection training apparatus, anomalous signal detection apparatus, anomalous signal detection training apparatus, and methods and programs therefor

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120136565A (ko) * 2011-06-09 2012-12-20 목포대학교산학협력단 퍼지 추론을 이용한 적조 발생 예측 방법
CN105160402A (zh) * 2015-05-27 2015-12-16 刘利强 一种sf6电气设备故障诊断方法
US20190376840A1 (en) * 2017-02-15 2019-12-12 Nippon Telegraph And Telephone Corporation Anomalous sound detection apparatus, degree-of-anomaly calculation apparatus, anomalous sound generation apparatus, anomalous sound detection training apparatus, anomalous signal detection apparatus, anomalous signal detection training apparatus, and methods and programs therefor
CN107422272A (zh) * 2017-07-07 2017-12-01 淮阴工学院 一种电动汽车动力电池soc智能化检测装置
US20190043070A1 (en) * 2017-08-02 2019-02-07 Zestfinance, Inc. Systems and methods for providing machine learning model disparate impact information
CN109258509A (zh) * 2018-11-16 2019-01-25 太原理工大学 一种生猪异常声音智能监测***与方法
CN110119713A (zh) * 2019-05-14 2019-08-13 云南电网有限责任公司电力科学研究院 基于d-s证据理论的高压断路器机械故障诊断方法
CN110208022A (zh) * 2019-06-12 2019-09-06 济南雷森科技有限公司 基于机器学习的电力设备多特征音频指纹故障诊断方法及***
CN110533102A (zh) * 2019-08-30 2019-12-03 东北林业大学 基于模糊推理的单类分类方法以及分类器

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
唐松平，周舟，彭刚，张作刚，彭杰: "基于自适应神经模糊的GIS缺陷模式识别方法", pages 2321 - 2326 *

Also Published As

Publication number Publication date
CN111523394B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN104970789B (zh) 心电图分类方法及***
CN105300692B (zh) 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法
CN113889252B (zh) 基于生命体征大数据聚类核心算法和区块链的远程互联网大数据智慧医疗***
CN110706786A (zh) 非接触式心理参数智能分析与评测***
CN111951824A (zh) 一种基于声音判别抑郁症的检测方法
CN110954326A (zh) 一种自动学习特征表达的滚动轴承在线故障诊断方法
CN110458039A (zh) 一种工业过程故障诊断模型的构建方法及其应用
CN109061426A (zh) 变压器局部放电故障诊断方法及在线监测装置
CN116739829B (zh) 一种基于大数据的电力数据分析方法、***及介质
CN110610226A (zh) 一种发电机故障预测方法及装置
CN113674767A (zh) 一种基于多模态融合的抑郁状态识别方法
CN116027161A (zh) 电力设备局部放电脉冲信号监测方法、装置、设备及介质
CN111476102A (zh) 一种安全防护方法、中控设备及计算机存储介质
CN111523394A (zh) 一种gis设备内部的异物缺陷的检测方法及***
Su et al. Assessment of bipolar disorder using heterogeneous data of smartphone-based digital phenotyping
CN116340812A (zh) 一种变压器局部放电故障模式识别方法及***
CN115931141A (zh) 一种基于改进型ann算法的红外测温图谱的温度识别方法
CN115936196A (zh) 基于时序卷积网络的月降水模型预测方法
CN114547796A (zh) 一种基于优化bn网络的球磨机特征融合故障诊断方法
CN113571050A (zh) 一种基于Attention与Bi-LSTM的语音抑郁状态识别方法
CN117556194B (zh) 基于改进的yolo网络的脑电图伪影检测方法
Rahman et al. Prediction and detection in change of cognitive load for vip's by a machine learning approach
CN117783792B (zh) 基于多参数实时监测的阀侧套管绝缘状态检测方法及***
CN115288994B (zh) 一种基于改进dcgan的压缩机异常状态检测方法
CN105433939A (zh) 一种基于年龄段检测的人员生理状态检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Ma Feiyue

Inventor after: Chen Lei

Inventor after: Yang Chaoxu

Inventor after: Rong Haijun

Inventor after: Zhang Tao

Inventor after: Ni Hui

Inventor after: Niu Bo

Inventor after: Ye Fengchun

Inventor after: Zhu Hongbo

Inventor after: Wang Bo

Inventor after: Ding Pei

Inventor after: Tian Lu

Inventor after: Wei Ying

Inventor before: Wu Xutao

Inventor before: Ni Hui

Inventor before: Niu Bo

Inventor before: Zhang Pei

Inventor before: Yang Chaoxu

Inventor before: Ji Shengchang

Inventor before: Ma Yunlong

Inventor before: Ma Bo

Inventor before: Ye Fengchun

Inventor before: He Ninghui

Inventor before: Sha Weiyan

Inventor before: Li Xiuguang

Inventor before: Zhou Xiu

GR01 Patent grant
GR01 Patent grant