[发明专利]一种基于声源信息与热成像特征融合的电力设备缺陷诊断方法

说明书

本申请公开了一种基于声源信息与热成像特征融合的电力设备缺陷诊断方法，包括：获取电力设备的样本数据集，样本数据集至少包括同步采样、分帧处理后的声音信息和热红外视频流；对声音信息进行特征提取，并结合热红外视频流，采用卷积神经网络进行特征融合，生成缺陷诊断模型；根据样本数据集，对缺陷诊断模型进行训练，以确定缺陷诊断模型的运行参数，训练后的缺陷诊断模型用于电力设备的缺陷诊断。通过本申请中的技术方案，充分发挥声音与热成像的诊断优势，对电力设备各种缺陷进行有效识别，提高了缺陷识别效率与精度，能够及时发现并通知相关维修人员进行检修，确保电力设备处于正常运作状态，以免发生重大事故。

技术领域

本申请涉及电力设备检测的技术领域，具体而言，涉及一种基于声源信息与热成像特征融合的电力设备缺陷诊断方法。

背景技术

电网中存在各种各样电力设备，不同电力设备承担各自的重大任务，电力设备结构复杂、且长期工作于户外，内外部发生着各种不同的物理化学反应，难免出现设备缺陷。随着劣化程度不断加剧，将会导致电网运作失稳，带来重大经济损失。因此，提升电力设备的稳定性，确保其正常工作，是我们极为关注的问题，电力设备诊断技术研究具有十分重大的意义。

电力设备缺陷有很多种，包括热缺陷、电缺陷等，当电力设备运行状态出现缺陷时，会产生不同的异响，与正常状态声音频率有很大差异，偶尔伴随着发热。通过人为听声音或者观察热成像的方法对电力设备缺陷检测，受人为因素影响较大，而且只适用于有丰富经验的工人以及缺陷特别明显的情况。

随着深度学习技术的广泛应用，可通过将声音转化为二维图像放入卷积网络实现缺陷识别，然而采用这种方式诊断和定位异响缺陷，计算复杂度很高，甚至影响声源信息完整性。同理，通过热成像进行缺陷识别时，一般用来诊断发热缺陷，只能识别缺陷的平面信息，如果存在没有明显发热现象的缺陷，会大大影响识别准确率，影响缺陷判断。

然而，电力设备的异响与发热缺陷之间有相关性，一般异响与发热表征会伴生，但对早期缺陷可能存在至少一种表征不明显的现象，若采用单一信源进行缺陷诊断，容易漏诊早期缺陷，因此，采用声音与热成像融合技术能够诊断电力设备更多类型的缺陷。

而目前声音信息与热成像融合技术尚浅，目前相对较好的方法是采用一般的卷积神经网络CNN将二者特征融合，然而存在声音信息的完整性低，计算复杂度高，导致识别精度低等问题，并且尚未发现融合技术用于对电力设备进行缺陷诊断，缺陷诊断仍采用单源信息对设备进行故障诊断。

发明内容

本申请的目的在于：充分发挥声音与热成像的诊断优势，对电力设备各种缺陷进行有效识别，增加缺陷识别类型，提高了缺陷识别效率与精度，能够及时发现并通知相关维修人员进行检修，确保电力设备处于正常运作状态，以免发生重大事故。

本申请的技术方案是：提供了一种基于声源信息与热成像特征融合的电力设备缺陷诊断方法，该方法包括：

步骤1，获取电力设备的样本数据集，样本数据集至少包括同步采样、分帧处理后的声音信息和热红外视频流；

步骤2，对声音信息进行特征提取，并结合热红外视频流，采用卷积神经网络进行特征融合，生成缺陷诊断模型；

步骤3，根据样本数据集，对缺陷诊断模型进行训练，以确定缺陷诊断模型的运行参数，训练后的缺陷诊断模型用于电力设备的缺陷诊断。

上述任一项技术方案中，进一步地，步骤2中，对声音信息进行特征提取，具体包括：

步骤201，采用小波包变换方式，对声音信息进行频域变换，生成声音频谱信息；

步骤202，利用梅尔滤波器组，对声音频谱信息进行滤波，并计算滤波后声音频谱信息对应的梅尔频率倒谱系数MFCC；