[发明专利]一种基于深度神经滤波的低复杂度GIS振动信号增强方法

说明书

本发明属于信号处理领域，特别涉及一种基于深度神经滤波的低复杂度GIS振动信号增强方法。包括：步骤100.对振动信号进行短时傅里叶变换得到频域信号，基于频域信号分别提取ERB特征与DF特征；步骤200.将ERB特征与DF特征输入至训练好的DNN神经网络中，分别得到ERB缩放增益和每个波段的滤波系数；步骤300.基于ERB缩放增益与每个波段的滤波系数C^N得到预测信号；步骤400.使用逆STFT变换将预测信号变换到时域得到增强信号。本发明使用的深度神经滤波网络简洁，复杂程度低，在实际使用时可以有效降低GIS设备故障误报警现象，提高后续GIS设备故障检测的准确性。

技术领域

本发明属于信号处理领域，特别涉及一种基于深度神经滤波的低复杂度GIS振动信号增强方法。

背景技术

气体绝缘金属全封闭开关设备(gas insulated switchgear，GIS)因体积小、维护便捷、可靠性高及适应能力强等优点,得到电力行业一致认可。由于GIS设备的密封性，当设备内部发生异常时，很难通过人的感官准确发现异常部位；同时，GIS设备出现故障后，设备维修困难、停电检修时间长、维修费用高，会耗费较多的人力、物力。准确监测GIS设备的运行状态、提早发现故障，对提高电力系统运行安全性及经济性具有重要意义。目前，针对GIS设备的故障检测方法主要包括超声波法、化学分析法、脉冲电流法、超高频法、振动分析法5种。前4种方法已广泛应用于GIS设备绝缘放电故障的检测中，除放电性故障外，机械故障也是造成设备无法安全稳定运行的重要原因。这四种方法只能够在设备故障发生后进行检测，无法在产生早期、故障特征较弱时发现故障，同时无法根据故障特征来实现故障的隔离。而现有的振动信号增强方法因为其算法复杂度较高；在使用时会对振动信号造成不合理的增强，从而使得后端算法基于错误增强的振动信号进行识别时会导致故障的误报。

发明内容

本发明的目的在于克服现有技术中因为算法复杂度较高，不够简洁从而会产生误报，提供一种基于深度神经滤波的低复杂度GIS振动信号增强方法。

为了实现上述发明目的，本发明第一方面提供一种基于深度神经滤波的低复杂度GIS振动信号增强方法，其特征在于，包括如下步骤：

步骤100.对所述振动信号进行短时傅里叶变换得到频域信号，将所述频域信号分别输入至预先构建的ERB特征提取器与DF特征提取器，得到频域信号的DF特征与ERB特征；

步骤200.将所述ERB特征与所述DF特征输入至训练好的DNN神经网络中，分别得到ERB缩放增益和每个波段的滤波系数；

步骤300.基于所述ERB缩放增益与所述每个波段的滤波系数C^N得到预测信号；

步骤400.使用逆STFT变换将所述预测信号变换到时域得到增强信号。

进一步的是，所述训练好的DNN神经网络包括深度滤波网络以及编码器和解码器；所述编码器分别与所述深度滤波网络和解码器连接；

所述编码器和解码器通过所述ERB特征得到ERB缩放增益，所述深度滤波网络通过所述DF特征得到每个波段的滤波系数；

进一步的是，所述步骤300包括：

步骤301.使用逆ERB滤波器组基于所述频域信号将所述ERB缩放增益变换回频域得到增益增强谱图；

步骤302.使用深度滤波器，基于所述每个波段的滤波系数对所述增益增强谱图进行处理得到Y^DF'；

步骤303.使用加权因子对所述增益增强谱图和Y^DF'进行加权，得到预测信号。

进一步的是，在所述步骤303中，通过下述公式对所述增益增强谱图和Y^DF'进行加权，得到预测信号Y^DF(k,f)：