申请/专利权人：重庆大学

申请日：2020-10-29

公开（公告）日：2024-04-23

公开（公告）号：CN112307950B

主分类号：G06V40/12

分类号：G06V40/12;G06V10/762;G06V10/774;G06N20/10

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2021.02.23#实质审查的生效;2021.02.02#公开

摘要：本发明涉及一种GIS振动缺陷辨识的细节特征量提取及智能分析方法，属于信息化领域。该方法包括以下步骤：S1：构建数据采集和显示控制单元；S2：构建组合细节特征提取单元；S3：构建GIS设备机械状态辨识单元；S4：构建辨识结果输出单元；S5：构建无线通信和云服务单元；S6：构建GIS设备异响振动机械缺陷智能辨识系统数据库标准样本。本发明采用了再生相移动辅助经验模态分解获取振动信号的固有模态函数，然后基于频域加窗方法和幅值、峭度判据获取了振动信号的独立模态序列，进而求解了每个模态的奇异值、峭度、变异系数、幅值、重心频率等细节组合特征，能增加不同状态振动信号的区分度。

主权项：1.GIS振动缺陷辨识的细节特征量提取及智能分析方法，其特征在于：该方法包括以下步骤：S1：构建数据采集和显示控制单元；S2：构建组合细节特征提取单元；S3：构建GIS设备机械状态辨识单元；S4：构建辨识结果输出单元；S5：构建无线通信和云服务单元；S6：构建GIS设备异响振动机械缺陷智能辨识系统数据库标准样本；所述S2具体为：在模型训练过程中，对系统内置的GIS设备机械状态数据库进行特征提取，建立指纹特征数据库；对待评估的GIS设备振动样本提取组合细节特征矩阵；组合细节特征提取单元对采集的振动信号样本利用再生相移辅助经验模态分解算法RPSEMD获取其获取其固有模态函数IMFs，进而采用频域加窗的独立模态组合特征构造方法获取训练样本集源域特征矩阵，具体如下：1再生相移正弦波辅助经验模态分解首先，采用自动生成的正弦波作为解析信号，如公式1所示；其中k对应分解提取的第k个IMF模态分量ckt；而ck，fk和θk分别是幅值，频率和相位；sktak,fk,θk＝akcos2πfkt+θk1然后，基于IM聚类分析和模态混叠判据设计了skt；最后，通过θk移动skt来改变极值点的位置，不仅有助于保留独立IMs的更多细节，而且保证辅助信号skt在最终结果中被完全抵消；2基于频域加窗的独立模态组合特征提取频域加窗的的独立模态组合特征提取方法首先采用RPSEMD分解将振动信号xt进行模态分解生成模态分量IMFs，利用快速傅里叶变换将IMFs转化到频域，根据各模态的频率响应特性设置k个频域加窗区间；然后对每个频率加窗区间的模态分量依次执行峭度和幅值判据，对不满足峭度判据和幅值判据的模态分量进行剔除，同时比选出每个频域加窗区间的主模态分量；最后，组合特征矩阵分别从信号的幅值、衰减特性、脉冲特性以及边际谱分布特性进行度量，对获取的k个独立模态分量进行边际谱转化和奇异值、变异系数、幅值、峭度和频谱重心特征的求取，进而构造组合特征矩阵，各特征量的求解方法如下： 所述S3具体为：首先，机械状态辨识单元基于GIS设备机械状态的GIS正常运行、隔离开关接触不良缺陷、长导体底座的螺栓松动缺陷、分子筛吸附剂托盘螺栓松动缺陷和隔离开关弹簧疲劳松动缺陷不同负载和机械状态样本的指纹特征数据库和多核改进的多分类相关向量机mRVMs算法进行模型训练，并针对不同电压电流等级的振动样本生成一系列相关负载类型的辨识模型；然后，对待评估的GIS设备的异响振动样本采用相同的流程提取组合细节特征矩阵，并根据其记录的电压和电流信息，匹配最相关的机械状态辨识模型，从而实现样本GIS设备机械状态的有效辨识；多核改进的多分类相关向量机算法具体细节原理如下：1构造多核特征映射核函数假设源域空间大小为N的训练样本集，特征维数为D；选取线性核函数Kline和高斯径向基核函数Krbf建立基核函数矩阵，对每一项Km根据Mercer定理进行加权求和构造多核核函数Kxi,xj，具体表示为： 其中1≥βm≥0为第m个基核函数Km,权值，且2多核mRVMs算法给定源域样本特征向量及类别数据集其中x∈RN×D,t∈{1,2,3…,C}；训练集采用多核函数K，核Km∈RN×D的每一行表示基于所选的第m个核函数的观测值n与训练集的其他观测值之间的关系，且学习过程包括模型参数W∈RN×C的推断，而WTK数值的大小表示样本和数据之间的关联性，扮演类似于一个投票系统的角色，从而使模型具有适当的判别性质；通过引入辅助变量Y∈RN×C来实现多层判别，Y是WTK的回归目标，其分布符合标准噪声模型辅助变量被赋予独立的标准化高斯概率分布，以保证统计可辨识性，并实现闭式迭代推理；回归因子W表示数据点为特定类“投票”的权重，辅助变量Y表示一个类成员资格的排序系统，给定一个样本n，则根据其最高的y值ycn，从而将其归为第c类；Y的连续性不仅允许通过多项式概率似然函数进行多类判别，即同时对每一层的成员都提供了一个概率输出； 式中：u～N0,1；Φ是高斯累计分布函数；设置权重W服从标准正态的先验分布以保证模型的稀疏性，其中，αnc属于尺度矩阵A∈RN×C，并服从超参数为γ和ν的伽马分布；通过设置γ和ν处于较小值从而限制大多数的权重W在0值附近，进而得到极少的非0相关向量RelevanceVectors，RV构成模型的稀疏解；权重W的后验概率如下： 其中Ac为尺度矩阵A的第c列导出的对角矩阵；回归因子W的最大后验概率MAP估计量为：给定一个类c，类别参数会根据MAP值进行按式6进行更新； 根据式6得到辅助变量Y的E-step形式，对于得到： 对于第i层，即c＝i， 利用给定的超参数γ和ν和伽马分布函数，对均值进行估计： 训练过程对式6-9中的模型参数进行更新，直至收敛。

全文数据：

权利要求：

百度查询： 重庆大学 GIS振动缺陷辨识的细节特征量提取及智能分析方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD