一种基于深度神经网络的开关柜声纹故障检测方法技术

本发明专利技术公开一种基于深度神经网络的开关柜声纹故障检测方法，涉及神经网络技术领域

【技术实现步骤摘要】
一种基于深度神经网络的开关柜声纹故障检测方法


[0001]本专利技术涉及深度学习
，特别涉及一种基于深度神经网络的开关柜声纹故障检测方法
。

技术介绍

[0002]开关柜是电力系统中的重要设备，而开关柜的故障会对电力系统的正常运行和设备的可靠性产生影响，为了提高故障检测的效率和准确性，研究人员开始关注声纹技术在开关柜故障检测中的应用
。
[0003]声纹技术是基于声音信号的特征进行故障识别和分类，可以通过分析和比较声音信号的频率
、
振幅
、
谐波等参数来检测开关柜中的故障
。
声纹技术是一种非侵入性的检测方法，不需要对设备进行破坏性或接触式的检测，只需通过收集设备产生的声音信号即可进行故障检测，这意味着可以在设备正常运行的情况下进行检测，无需停机或拆卸设备
。
并且声纹技术可以实时采集和分析设备的声音信号，能在局部放电和过热现象发生之前就实现对开关柜故障的检测与诊断，提前预警潜在的故障，避免设备故障导致的生产停止或事故发生
。
[0004]现有的声纹技术包括使用深度学习，如残差神经网络
、
卷积神经网络
、
循环神经网络等对声音信号进行端到端的建模和分类
。
虽然深度学习表现出来的性能非常优秀，但是神经网络在计算能力
、
内存或能源消耗方面的成本也非常之大，尤其是现在工业界对精度的需求越来越高
,
所使用的神经网络规模愈发庞大<br/>,
在资源受限的硬件平台无法部署过大的模型
。
[0005]为解决这一问题
,
研究者提出各种模型压缩方法
,
如模型剪枝技术，通过剪枝技术可以去除网络中不重要的连接或节点，从而减少模型的参数量和计算量
。
其中，根据权重值阈值进行剪枝是常见的剪枝技术方法之一，其工作流程是根据预先设定的阈值，将权重值绝对值小于该阈值的节点权重值设置为零，从而实现剪枝
。
[0006]但是根据权重值阈值进行剪枝时需要人为选择合适的权重值阈值，剪枝结果具有很强的不确定性；且根据权重值阈值进行剪枝时由于仅考虑权重值大小，没有考虑到节点的其它信息，很可能将权重值较小但梯度值较大的重要节点剪枝掉，无法精准地控制剪枝程度
。

技术实现思路

[0007]本专利技术提供一种基于深度神经网络的开关柜声纹故障检测方法，可以解决现有技术中，以权重值大小为依据的剪枝策略需要人为设定阈值以及无法精准控制剪枝程度的问题
。
[0008]本专利技术提供一种基于深度神经网络的开关柜声纹故障检测方法，包括
:
[0009]采集开关柜的观测声纹信号，构建数据集；
[0010]构建用于开关柜声纹故障检测的初始残差神经网络架构，将数据集输入初始残差
神经网络架构对其进行训练，获得初始残差神经网络；
[0011]采集初始残差神经网络中残差模块所有节点的权重值和梯度值，根据残差模块所有节点的权重值和梯度值，使用
k
均值聚类方法将残差模块所有节点划分为不同的类；
[0012]计算各个类中心的大小，将最小的类中心所属类中的节点权重值全设为0，获得剪枝后的残差神经网络；
[0013]将数据集输入剪枝后的残差神经网络对其进行训练，获得最终残差神经网络，将待检测的开关柜声纹数据输入到最终残差神经网络进行故障检测
。
[0014]进一步的，所述采集开关柜的观测声纹信号，构建数据集，包括：
[0015]使用录音设备获取开关柜的声纹数据，构建原始数据集；
[0016]提取原始数据集中每个样本数据的特征向量；
[0017]将每个样本数据的特征向量整理到新数据集中，新数据集中的每个特征向量代表一个样本的特征信息
。
[0018]进一步的，所述提取原始数据集中每个样本数据的特征向量，包括：
[0019]使用
Mono
非线性混合模型对声纹数据进行去噪；
[0020]使用广义
S
变换对去噪后的声纹数据进行变换，获得时频矩阵；
[0021]使用主成分分析提取时频矩阵中的特征向量
。
[0022]进一步的，所述构建用于开关柜声纹故障检测的残差神经网络，包括：
[0023]输入层，用于接收输入的声纹特征向量；
[0024]残差模块，用于提取特征提取，所述残差模块由若干个残差块串联而成，每个残差块包含主路径和跳跃连接；其中，主路径用于学习输入数据的特征，包括卷积层和激活函数；跳跃连接用于跨层传递信息，将输入的声纹特征向量绕过主路径，直接连接到输出上；
[0025]全局平均池化层，用于将最后一个残差模块的输出特征图转换为固定长度的特征向量；
[0026]全连接层，用于将全局平均池化层的特征向量与最终的输出类别之间建立映射关系；
[0027]Softmax
层，用于输出声纹特征向量的类别概率
。
[0028]进一步的，所述使用
k
均值聚类方法将残差模块所有节点划分为不同的类，包括：
[0029]S1.
对每个节点的权重值和梯度值进行标准化预处理；
[0030]S2.
根据轮廓系数确定聚类数目
K
；
[0031]S3.
随机选取
K
个节点作为初始的聚类中心；
[0032]S4.
计算所有节点与
K
个聚类中心的距离，将所有节点分配到距离其最近的聚类中心所属的类中；
[0033]S5.
将每个类的中心作为新的聚类中心；
[0034]S6.
重复步骤
S4
和步骤
S5
，直到聚类中心不再发生显著变化
。
[0035]进一步的，所述根据轮廓系数确定聚类数目
K
，包括：
[0036]分别使用不同的
k
值
(k
＝
3,4,5,6)
对数据进行聚类，获得对应的四种聚类结果；
[0037]计算每种聚类结果对应的轮廓系数：
[0038][0039][0040]其中，
[0041]s
k
是聚类结果对应的轮廓系数；
[0042]是第
i
个节点的轮廓系数；
[0043]是第
i
个节点与同类所有其他节点的平均距离；
[0044]是第
i
个节点与其他不同类的距离中的最小值；
[0045]是取中值最大的数；
[0046]将具有最大轮廓系数的
k
值作为聚类数目
K。
[0047]进一步的，所述计算所有节点与
K...

【技术保护点】

【技术特征摘要】
1.
一种基于深度神经网络的开关柜声纹故障检测方法，其特征在于，包括：采集开关柜的观测声纹信号，构建数据集；构建用于开关柜声纹故障检测的初始残差神经网络架构，将数据集输入初始残差神经网络架构对其进行训练，获得初始残差神经网络；采集初始残差神经网络中残差模块所有节点的权重值和梯度值，根据残差模块所有节点的权重值和梯度值，使用
k
均值聚类方法将残差模块所有节点划分为不同的类；计算各个类中心的大小，将最小的类中心所属类中的节点权重值全设为0，获得剪枝后的残差神经网络；将数据集输入剪枝后的残差神经网络对其进行训练，获得最终残差神经网络，将待检测的开关柜声纹数据输入到最终残差神经网络进行故障检测
。2.
根据权利要求1所述的一种基于深度神经网络的开关柜声纹故障检测方法，其特征在于，所述采集开关柜的观测声纹信号，构建数据集，包括：使用录音设备获取开关柜的声纹数据，构建原始数据集；提取原始数据集中每个样本数据的特征向量；将每个样本数据的特征向量整理到新数据集中，新数据集中的每个特征向量代表一个样本的特征信息
。3.
根据权利要求2所述的一种基于深度神经网络的开关柜声纹故障检测方法，其特征在于，所述提取原始数据集中每个样本数据的特征向量，包括：使用
Mono
非线性混合模型对声纹数据进行去噪；使用广义
S
变换对去噪后的声纹数据进行变换，获得时频矩阵；使用主成分分析提取时频矩阵中的特征向量
。4.
根据权利要求1所述的一种基于深度神经网络的开关柜声纹故障检测方法，其特征在于，所述构建用于开关柜声纹故障检测的残差神经网络，包括：输入层，用于接收输入的声纹特征向量；残差模块，用于提取特征提取，所述残差模块由若干个残差块串联而成，每个残差块包含主路径和跳跃连接；其中，主路径用于学习输入数据的特征，包括卷积层和激活函数；跳跃连接用于跨层传递信息，将输入的声纹特征向量绕过主路径，直接连接到输出上；全局平均池化层，用于将最后一个残差模块的输出特征图转换为固定长度的特征向量；全连接层，用于将全局平均池化层的特征向量与最终的输出类别之间建立映射关系；
Softmax
层，用于输出声纹特征向量的类别概率
。5.
根据权利要求1所述的一种基于深度神经网络的开关柜声纹故障检测方法，其特征在于，所述使用
k
均值聚类方法将残差模块所有节点划分为不同的类，包括：
S1.
对每个节点的权重值和梯度值进行标准化预处理；
S2.
根据轮廓系数确定聚类数目
K
；
S3.
随机选取
K
个节点作为初始的聚类中心；
S4.
计算所...

【专利技术属性】
技术研发人员：刘继承，张灿，汤尧，胡龙江，贾翔，卫文君，覃明俊，李长辉，谢鹏，王青文，伍宇阳，龚申奥，
申请(专利权)人：国网湖北省电力有限公司超高压公司，
类型：发明
国别省市：