[go: up one dir, main page]

CN117332352B - 一种基于BAM-AlexNet的避雷器信号缺陷识别方法 - Google Patents

一种基于BAM-AlexNet的避雷器信号缺陷识别方法 Download PDF

Info

Publication number
CN117332352B
CN117332352B CN202311322098.8A CN202311322098A CN117332352B CN 117332352 B CN117332352 B CN 117332352B CN 202311322098 A CN202311322098 A CN 202311322098A CN 117332352 B CN117332352 B CN 117332352B
Authority
CN
China
Prior art keywords
convolution
bam
alexnet
signal
frequency
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.)
Active
Application number
CN202311322098.8A
Other languages
English (en)
Other versions
CN117332352A (zh
Inventor
罗毅
李东生
丁海波
马益鑫
曾博
李刚
朱朝平
常宽
张元月
庞伟生
杨振宇
魏中
李亮
陈凯
陈苹苹
庞磊
曹有锦
代珍山
郑高洁
许宝宏
柳强明
马明忠
刘一帆
朱锦伟
黄腾
李振兴
孙永柯
张雁君
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.)
State Grid Qinghai Electric Power Co Ltd
Haibei Power Supply Co of Qinghai Province Electric Power Co Ltd
Original Assignee
State Grid Qinghai Electric Power Co Ltd
Haibei Power Supply Co of Qinghai Province 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 State Grid Qinghai Electric Power Co Ltd, Haibei Power Supply Co of Qinghai Province Electric Power Co Ltd filed Critical State Grid Qinghai Electric Power Co Ltd
Priority to CN202311322098.8A priority Critical patent/CN117332352B/zh
Publication of CN117332352A publication Critical patent/CN117332352A/zh
Application granted granted Critical
Publication of CN117332352B publication Critical patent/CN117332352B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • 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
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明公开了一种基于BAM‑AlexNet的避雷器信号缺陷识别方法，包括：通过传感器获取工作时间段内出现的避雷器信号波形，对获得的每一个目标信号波形进行时频分析，得到全部信号的二维时频表示(TFR)；TFR数据集按比例分为训练集和测试集，将训练集送入BAM‑AlexNet网络中进行训练，后者是一种融合了BAM注意力机制的改进的AlexNet人工神经网络，经过通道注意力机制和空间注意力机制增强后，得到训练完成的BAM‑AlexNet；测试集数据送入完成的BAM‑AlexNet得到预测结果，判定待测信号是否为故障信号。

Description

一种基于BAM-AlexNet的避雷器信号缺陷识别方法
技术领域
本发明涉及避雷器故障识别技术领域，更具体的说是涉及一种基于BAM-AlexNet的避雷器信号缺陷识别方法。
背景技术
避雷器是电网中重要的过电压保护设备,在高压电力系统中担任着限制线路雷电过电压以及操作过电压等重任。当高压输电线路出现过电压时，依靠其非线性伏安特性，短时间内将冲击能量以大电流形式泄放至大地，从而把过电压限制在合理范围内。然而，避雷器长期工作在复杂的自然环境和电磁环境中，潜在的故障因素时刻影响着电力电网安全运作。因此，对避雷器的故障进行精准诊断，对电力系统极其重要。
当前，工程上对避雷器的故障检测往往基于人工巡视，譬如安全员、质检员等专业技术人员持仪器设备定期巡检。这种监测方法需要耗费大量的人力资源，并且难以做到及时监测。越来越多的专家和学者将研究重点放置于避雷器信号的分析上，避雷器信号是避雷器工作状态的延伸，反映了避雷器的实时健康情况。避雷器信号经过传感器和数字电路的接收转化，可以实时监测故障的发生。
通过对避雷器信号的分析和处理实现避雷器故障诊断已在一些信号处理理论中得到应用和实现。传统的模式识别系列方法中，通过特征提取结合线性分类器的策略，产生了一些可行方案。譬如，提取信号的时域、频域特征，组成特征向量，包括峰峰值、峭度、重心频率等；这些特征被送入分类器进行训练和识别，包括支持向量机、K-近邻分类器，随机森林等。该系列方法对于简单环境中的避雷器信号具有理想的识别效果，但是日益复杂的电磁环境，解调和接收的信号往往不具有理想的信噪比。因此传统的模式识别方法中，传统特征的区分能力以及线性分类器的判别能力受到影响，难以保持先进的识别效果。
一方面，时频分析已被证实是一项分析非平稳信号的强大工具。通过时频能量分布表征瞬时频率随时间的变化关系，将时间序列信号映射到二维时频表示(TFR)中，从而提供线性或非线性瞬时频率的时变信息。另一方面，随着深度学习的快速发展，计算机视觉对于图像的识别和分析有了更优的处理方式。信号识别的问题，可以通过TFR得到更多维度的信息支撑，并通过卷积神经网络完成识别。
因此，实现准确实时的诊断功能，解决电力领域技术人员亟需解决的问题。
发明内容
为了获得避雷器信号在复杂电磁环境中更准确的故障诊断结果，本发明提出了一种二维TFR结合BAM-AlexNet的避雷器信号故障检测方法，在经典AlexNet上进行了改进，在第I和第IV卷积块上加入了BAM注意力机制，用于解决现有技术中存在的技术问题。
为了实现上述目的，本发明提供如下技术方案：
一种避雷器信号故障检测方法，包括以下步骤：
S1、通过前端传感器获取避雷器信号波形，并由接收机转化为数字信号序列集合S。
S2、应用平滑-伪魏格纳分布，对信号序列S逐一进行时频分析，得到对应的二维时频表示集合T。
S3、对集合T进行自适应直方图增强，加强时频脊线的特征表现。
S4、将S3获得的T分为训练集Tr和测试集Te，前者用于训练，后者用于测试并评估网络。
S5、构建AlexNet网络模型。
S6、在第I和第IV卷积模块加入BAM注意力块。
S7、设置网络训练超参数，将Tr送入训练，得到训练完成的模型M。
S8、将Te送入M，得到测试集的预测结果，实现避雷器异常信号和正常信号的诊断。
可选的，S1具体为：
在避雷器的信号时长内，对波形采样1000～1500个采样点，记为第i个避雷器信号si。其中，i的范围是1～2000，即样本集的总数N＝2000，信号样本集记为
可选的，S2具体为：
S21、定义一个长度为33的高斯窗g，以及一个长度为133的高斯窗h。
S22、对于si∈S，对其进行平滑-伪魏格纳变换，获得时频表示tfi。该变换表述为：
式中，ω为频域分辨率，g和h为S21中的窗函数，分别用于频域平滑和时域平滑，u和τ分别为它们的平滑变量。
S23、对S中的全体信号执行S22，获得S对应的二维时频表示T集将用于模型的训练和测试。
可选的，S3具体为：
S31、对tfi∈T，执行直方图增强，以加强时频脊线的特征表达能力。
S32、对T中的全体时频表示，执行S31，获得经过图像增强的二维时频表示T′。
可选的，S4具体为：
S41、定义训练集样本数Ntr，测试集样本数Nte。
S42、将T′集的前Ntr个样本定义为训练集Tte，后Nte个样本定义为测试集Tte。
S43、定义故障信号类别为1，正常信号类别为0。
可选的，S5具体为：
S51、输入图像tfi的尺寸为[227,227,3]。构建如下四个卷积块：(1)卷积块C1：使用96个尺寸为[11,11]的卷积核对输入图像进行卷积操作。将卷积输出的特征图放入ReLU激活函数，激活后的特征图进行最大池化。池化后应该进行LRN处理，此处使用BN层处理。输出特征图F1。(2)卷积块C2：使用256个尺寸为[5,5]的卷积核对F1进行卷积操作，并通过池化，以及BN层处理。输出特征图F2。(3)卷积块C3：使用384个尺寸为[3,3]的卷积核对F2进行卷积操作，以及BN层处理(此层没有池化)。输出特征图F3。(4)卷积块C4：使用256个尺寸为[3,3]的卷积核对F3进行卷积操作，并通过池化，以及BN层处理。输出特征图F4。
S52、对于经过S51处理之后得到特征图F4，经过如下两个全连接层：(1)全连接层FC1：使用4096个[6,6]卷积核生成4096个特征图。(2)全连接层FC2：将FC1的输出维度降至1024。
可选的，S6具体为：
S61、在卷积块C1和卷积块C4之后，分别加入BAM注意力机制，具体如S62～S65所述。
S62、通道上权重信息增强：输入特征图F1经过全局平均池化,编码形成一维特征向量gc。然后，经过全连接层对gc进行降维，并使用Relu进行非线性激活；然后在利用全连接层进行升维操作，最后经过批量归一化得到对应权重Mc(F1)。计算公式如下:
Mc(F1)＝BN(W1(W0AvgPool(F1)))
其中，W0和W1分别表示降维和升维的全连接处理。
S63、空间上权重信息增强：利用[1,1]卷积对输入特征图F1进行降维操作；然后利用两个[3,3]卷积核的空洞卷积提取特征信息；最后，利用[1,1]卷积将特征图升维，得到空间注意力映射Ms(F1)，其计算公式如下：
其中，f表示卷积操作，上标表示卷积滤波器的大小。有两个1×1卷积用于减少信道，中间的3×3扩张卷积用于汇聚具有更大感受野的上下文信息。
S64、通过广播机制将Mc(U)和Ms(U)扩展到同一维度，然后权重相加。最后得到重构特征图，公式为：
F1′＝F1+F1·σ(Mc(F1)+Ms(F1))
S65、对F4特征图同样执行S54～S56，获得增强之后的F4′。增强后的F1′与F4′继续执行AlexNet的相关算法流程。
可选的，S7具体为：
S71、设置网络训练超参数：训练代数为100代，批次为32，学习率为10-3，使用随机梯度优化器。
S72、将Ttr按批次送入经由S6优化后的AlexNet模型，即BAM-AlexNet，进行训练。得到训练完成的模型M。
可选的，S8具体为：
S8、计算测试集Tte经过模型M的输出：
上述方案系统阐述了本发明的工作细节，与现有技术相比，本发明公开提供了一种基于BAM-AlexNet的避雷器信号故障诊断方法，所带来的有益效果说：通过平滑-伪魏格纳分布，将一维时域信号转至二维的时频联合域，拓展了信息维度。这也使得，信号能通过卷积神经网络进行分析处理。在此理论基础上，本发明设计了一款集合BAM注意力机制与AlexNet的神经网络框架，可以更准确的识别避雷器故障信号。该方法避免了传统模式识别中时域、频域特征提取不充分的问题，AlexNet能提取更泛化的深层特征，并且先进的注意力机制为模型识别提升了性能。最后BAM-AlexNet的实例结果证实，预测效果极佳，准确率、精度等相关指标均接近1.0，可以应用到避雷器诊断后续系统的真实情景中。
附图说明
为了进一步揭示本发明实施例或现有技术中的技术构造，下面将简要介绍用于描述实施例或现有技术的附图。显然，以下所描述的附图仅仅是本发明的示例性实施方式，对于本领域的普通技术人员来说，无需进行任何创造性的劳动即可根据所提供的附图获得其他的附图。
图1为本发明提供的基于BAM-AlexNet的避雷器故障诊断流程图；
图2为本发明提供的BAM-AlexNet检测模型结构图。
图3为BAM模块的结构图。
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，所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1所示，本发明公开了一种避雷器信号故障诊断方法，包括以下步骤：
S1、通过前端传感器获取避雷器信号波形，并由接收机转化为数字信号序列集合S。
S2、应用平滑-伪魏格纳分布，对信号序列S逐一进行时频分析，得到对应的二维时频表示集合T。
S3、对集合T进行自适应直方图增强，加强时频脊线的特征表现。
S4、将S3获得的T分为训练集Tr和测试集Te，前者用于训练，后者用于测试并评估网络。
S5、构建AlexNet网络模型。
S6、在第I和第IV卷积模块加入BAM注意力块。
S7、设置网络训练超参数，将Tr送入训练，得到训练完成的模型M。
S8、将Te送入M，得到测试集的预测结果，实现避雷器异常信号和正常信号的诊断。
进一步的，S1具体为：
在避雷器的信号时长内，对波形采样1000～1500个采样点，记为第i个避雷器信号si。其中，i的范围是1～2000，即样本集的总数N＝2000，信号样本集记为
进一步的，S2具体为：
S21、定义一个长度为33的高斯窗g，以及一个长度为133的高斯窗h。
S22、对于si∈S，对其进行平滑-伪魏格纳变换，获得时频表示tfi。该变换表述为：
式中，ω为频域分辨率，g和h为S21中的窗函数，分别用于频域平滑和时域平滑，u和τ分别为它们的平滑变量。
S23、对S中的全体信号执行S22，获得S对应的二维时频表示T集将用于模型的训练和测试。
进一步的，S3具体为：
S31、对tfi∈T，执行直方图增强，以加强时频脊线的特征表达能力。
S32、对T中的全体时频表示，执行S31，获得经过图像增强的二维时频表示T′。
具体的，S31中，采用最小平均亮度误差准则进行均衡化，即逐一尝试划分值a从0到最大值，将直方图以a为界限划分为两个子直方图分别进行均衡化，计算每种划分方案的直方图均衡结果的亮度均值，选择均衡结果亮度均值与原图亮度均值相差最小的划分值。
进一步的，S4具体为：
S41、定义训练集样本数Ntr，测试集样本数Nte。
S42、将T′集的前Ntr个样本定义为训练集Ttr，后Nte个样本定义为测试集Tte。
S43、定义故障信号类别为1，正常信号类别为0。
具体的，建议采用Ntr＝N*80％，Nte＝N*20％。
进一步的，S5具体为：
S51、输入图像tfi的尺寸为[227,227,3]。构建如下四个卷积块：(1)卷积块C1：使用96个尺寸为[11,11]的卷积核对输入图像进行卷积操作。将卷积输出的特征图放入ReLU激活函数，激活后的特征图进行最大池化。池化后应该进行LRN处理，此处使用BN层处理。输出特征图F1。(2)卷积块C2：使用256个尺寸为[5,5]的卷积核对F1进行卷积操作，并通过池化，以及BN层处理。输出特征图F2。(3)卷积块C3：使用384个尺寸为[3,3]的卷积核对F2进行卷积操作，以及BN层处理(此层没有池化)。输出特征图F3。(4)卷积块C4：使用256个尺寸为[3,3]的卷积核对F3进行卷积操作，并通过池化，以及BN层处理。输出特征图F4。
S52、对于经过S51处理之后得到特征图F4，经过如下两个全连接层：(1)全连接层FC1：使用4096个[6,6]卷积核生成4096个特征图。(2)全连接层FC2：将FC1的输出维度降至1024。
具体的，S51中的细节参数如下：C1的卷积核步长为4，填充为0；C2的卷积核步长为1，填充为0；C3和C4的卷积核步长为1，填充为1。C1、C2、C4的池化步长为2，尺寸为3*3。
具体的，S52中FC1与FC2之间采用dropout，随机丢弃20％的神经元。
进一步的，S6具体为：
S61、在卷积块C1和卷积块C4之后，分别加入BAM注意力机制，具体如S62～S65所述。
S62、通道上权重信息增强：输入特征图F1经过全局平均池化,编码形成一维特征向量gc。然后，经过全连接层对gc进行降维，并使用Relu进行非线性激活；然后在利用全连接层进行升维操作，最后经过批量归一化得到对应权重Mc(F1)。计算公式如下:
Mc(F1)＝BN(W1(W0AvgPool(F1)))
其中，W0和W1分别表示降维和升维的全连接处理。
S63、空间上权重信息增强：利用[1,1]卷积对输入特征图F1进行降维操作；然后利用两个[3,3]卷积核的空洞卷积提取特征信息；最后，利用[1,1]卷积将特征图升维，得到空间注意力映射Ms(F1)，其计算公式如下：
其中，f表示卷积操作，上标表示卷积滤波器的大小。有两个1×1卷积用于减少信道，中间的3×3扩张卷积用于汇聚具有更大感受野的上下文信息。
S64、通过广播机制将Mc(U)和Ms(U)扩展到同一维度，然后权重相加。最后得到重构特征图，公式为：
F1′＝F1+F1·σ(Mc(F1)+Ms(F1))
S65、对F4特征图同样执行S54～S56，获得增强之后的F4′。增强后的F1′与F4′继续执行AlexNet的相关算法流程。
具体的，S62中，W0执行降维操作，将通道的维度压缩至其中C是输入F1和F4的通道数为96和256，r设置为16。
具体的，S63中，空洞卷积层的膨胀系数设置为4。
进一步的，S7具体为：
S71、设置网络训练超参数：训练代数为100代，批次为32，学习率为10-3，使用随机梯度优化器。
S72、将Ttr按批次送入经由S6优化后的AlexNet模型，即BAM-AlexNet，进行训练。得到训练完成的模型M。
进一步的，S8具体为：
S8、计算测试集Tte经过模型M的输出：
在一个具体的实施例中：
参见图2所示，展示了BAM-AlexNet识别算法的结构。首先通过平滑-伪魏格纳分布获得TFR数据集T。然后划分出训练集Tr和测试集Te。Tr对BAM-AlexNet进行训练，训练的过程为：具体结构为卷积-池化-ReLU-BAM的组合层级结构。前向传播获得输出的张量，与标签计算交叉损失(CrossEntropy Loss)，通过梯度下降，反向传播并更新卷积核参数。以上完成一次训练。经过多个批次，多代的训练，得到训练好的模型M。测试过程为：应用训练好的BAM-AlexNet模型M，对其输入Te，模型M只执行前向传播算法，输出预测序列，从而判定是否为故障信号。
我们使用准确率(Acc)、精度(P)、召回率(R)、F1分数(F1)作为评估指标。精度定义为所有检测目标的正确检测率。TP代表真阳性，即通过正确识别检测到的目标数量；FP代表假阳性，即漏检和错检的数量，即样本被判断为阳性，但实际上是阴性。TN为真阳性，表示模型正确地将负样本标记为负样本的数量。FN为假负例，表示模型错误地将正样本标记为负样本的数量，即样本被判断为阴性，但实际上是阳性。准确率(Acc)、精度(P)、召回率(R)、F1分数(F1)的计算公式如下：
Acc＝(TP+TM)/(TP+FP+TN+FN)
P＝TP/(TP+FP)
R＝TP/(TP+FN)
表1展示了本实例的测试情况：可以看到，该发明检测异常信号的准确率较高，达到99.20％的准确率已经99.37％的精度，同时召回率99.15％也证实了该发明具有较低的误报和漏报率。F1分数也处在匹配的数值99.22％。这证实了本发明具有较高的避雷器信号故障识别率以及应用可靠性。
表1.性能指标
指标 Acc P R F1
百分比(％) 99.20 99.37 99.15 99.22
在本说明书中，各实施例按顺序进行说明，各实施例的重点在于与其它实施例的区别，各实施例之间的相同和类似的部分可以相互参照。至于实施方式所披露的设备，因为它对应于实施方式所披露的方法，故其描述相对简单，在有关的地方，请参考方法部分的解释。
以上对所公开实施方式的解释使得本发明可以被本领域内的专业技术人员所实施或利用。对于本领域内的普通技术人员而言，可以对本发明作各种改动或修改，这里限定的通用原理可在其他实施方式中被实现，在不背离本发明的精神和范围的前提下。因此，本发明并不局限于此处所描述的这些实施方式，而应遵循与此处所描述的原则和新颖性相符的最大范围。因此，提出基于BAM-AlexNet的避雷器缺陷诊断方法，来解决现有技术存在的困难，是本领域技术人员亟需解决的问题。

Claims (6)

1.基于BAM-AlexNet的避雷器信号故障诊断方法，包括以下步骤：
S1、获取避雷器信号波形，并转化为数字信号序列集合S；
S2、对所述信号序列集合S逐一进行时频分析，得到对应的二维时频集合T；
S3、对所述二维时频集合T进行自适应直方图增强，加强时频脊线的特征表现，获得经过图像增强的二维时频集合T′，并划分为训练集Tr和测试集Te；
S4、构建AlexNet网络模型M，包括第I卷积块C1，输出特征图F1；第II卷积块C2，输出特征图F2；第III卷积块C3，输出特征图F3；第IV卷积块C4，输出特征图F4；以及对所述特征图F4经全连接层FC1、FC2和FC3输出；
S5、在所述第I卷积块C1和第IV卷积块C4后分别引入BAM注意力块；
S6、设置网络训练超参数，将训练集Tr送入模型BAM-AlexNet进行训练，得到训练后的模型BAM-AlexNet；
S7、将测试集Te送入训练后的模型模型BAM-AlexNet，得到测试集的预测结果，实现避雷器异常信号和正常信号的诊断；
所述步骤S5具体为：
(a)在所述第I卷积块C1后引入BAM注意力块：
S51、通道上权重信息增强：特征图F1经过全局平均池化,编码形成一维特征向量gc；然后，经过全连接层对gc进行降维，并使用Relu进行非线性激活；然后在利用全连接层进行升维操作，最后经过批量归一化得到对应权重Mc(F1)，公式如下:
Mc(F1)＝BN(W1(W0AvgPool(F1)))
其中，W0和W1分别表示降维和升维的全连接处理；
S52、空间上权重信息增强：利用[1,1]卷积对输入特征图F1进行降维操作；然后利用两个[3,3]卷积核的空洞卷积提取特征信息；最后，利用[1,1]卷积将特征图升维，得到空间注意力映射Ms(F1)，公式如下：
其中，f表示卷积操作，上标表示卷积滤波器的大小；有两个1×1卷积用于减少信道，中间的3×3扩张卷积用于汇聚具有更大感受野的上下文信息；
S53、通过广播机制将Mc(U)和Ms(U)扩展到同一维度，然后权重相加，最后得到重构特征图F1′，公式为：
F1′＝F1+F1·σ(Mc(F1)+Ms(F1))；
(b)在所述第IV卷积块C4后引入BAM注意力块，即对特征图F4执行S51～S53，获得增强之后的重构特征图F4′；
S54、对增强后的重构特征图F1′与重构特征图F4′继续执行AlexNet的相关算法流程。
2.根据权利要求1所述的基于BAM-AlexNet的避雷器信号故障诊断方法，其特征在于，S1具体为：在避雷器的信号时长内，通过前端传感器对波形采样1000～1500个采样点，记为第i个避雷器信号si，其中，i的范围是1～2000，即样本集的总数N＝2000，信号样本集记为
3.根据权利要求1所述的基于BAM-AlexNet的避雷器信号故障诊断方法，其特征在于，S2具体为：
S21、定义两个不同长度的高斯窗g和高斯窗h，分别用于频域平滑和时域平滑；
S22、对信号序列集合S中每个避雷器信号si逐一进行平滑-伪魏格纳变换，获得对应的二维时频集合T，该变换表述为：
式中，ω为频域分辨率，g和h为S21中的窗函数，分别用于频域平滑和时域平滑，u和τ分别为它们的平滑变量。
4.根据权利要求1所述的基于BAM-AlexNet的避雷器信号故障诊断方法，其特征在于，S3具体为：
S31、对tfi∈T，执行直方图增强，以加强时频脊线的特征表达能力；
S32、对T中的全体时频，执行S31，获得经过图像增强的二维时频T′；
S33、定义训练集样本数Ntr，测试集样本数Nte；
S34、将T′集的前Ntr个样本定义为训练集Ttr，后Nte个样本定义为测试集Tte；
S44、定义故障信号类别为1，正常信号类别为0。
5.根据权利要求1所述的基于BAM-AlexNet的避雷器信号故障诊断方法，其特征在于，所述步骤S4具体为：
S41、输入图像tfi的尺寸为[227,227,3]，构建如下四个卷积块：
(1)卷积块C1：使用96个尺寸为[11,11]的卷积核对输入图像进行卷积操作，将卷积输出的特征图放入ReLU激活函数，激活后的特征图进行最大池化，池化后应该进行LRN处理，此处使用BN层处理，输出特征图F1；
(2)卷积块C2：使用256个尺寸为[5,5]的卷积核对F1进行卷积操作，并通过池化，以及BN层处理，输出特征图F2；
(3)卷积块C3：使用384个尺寸为[3,3]的卷积核对F2进行卷积操作，以及BN层处理(此层没有池化)，输出特征图F3；
(4)卷积块C4：使用256个尺寸为[3,3]的卷积核对F3进行卷积操作，并通过池化，以及BN层处理，输出特征图F4；
S42、对于经过S41处理之后得到特征图F4，经过如下两个全连接层：(1)全连接层FC1：使用4096个[6,6]卷积核生成4096个特征图；(2)全连接层FC2：将FC1的输出维度降至1024；(3)全连接层FC3：最后一层全连接层的输出是2维softmax的输入，softmax会产生异常和正常两个类别的预测值。
6.根据权利要求1所述的基于BAM-AlexNet的避雷器信号故障诊断方法，其特征在于，所述步骤S7，所述预测结果公式如下：
CN202311322098.8A 2023-10-12 2023-10-12 一种基于BAM-AlexNet的避雷器信号缺陷识别方法 Active CN117332352B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311322098.8A CN117332352B (zh) 2023-10-12 2023-10-12 一种基于BAM-AlexNet的避雷器信号缺陷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311322098.8A CN117332352B (zh) 2023-10-12 2023-10-12 一种基于BAM-AlexNet的避雷器信号缺陷识别方法

Publications (2)

Publication Number Publication Date
CN117332352A CN117332352A (zh) 2024-01-02
CN117332352B true CN117332352B (zh) 2024-07-05

Family

ID=89276921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311322098.8A Active CN117332352B (zh) 2023-10-12 2023-10-12 一种基于BAM-AlexNet的避雷器信号缺陷识别方法

Country Status (1)

Country Link
CN (1) CN117332352B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118379602B (zh) * 2024-06-25 2024-10-22 浙江大学 一种用语义和视觉解释增强半导体缺陷分析的方法和系统
CN119513729B (zh) * 2025-01-21 2025-05-27 石家庄铁道大学 轴承故障诊断方法及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086888A (zh) * 2018-09-05 2018-12-25 北京机械设备研究所 基于声音识别的汽车发动机故障判定方法及其装置
CN113095433A (zh) * 2021-04-27 2021-07-09 北京石油化工学院 入侵检测网络结构模型的训练方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ATE128284T1 (de) * 1992-05-20 1995-10-15 Siemens Ag Verfahren und vorrichtung zur erkennung von defekten in einem ansteuersystem eines gesteuerten serienkompensators.
CN109446923B (zh) * 2018-10-10 2021-09-24 北京理工大学 基于训练特征融合的深度监督卷积神经网络行为识别方法
CN109599129B (zh) * 2018-11-13 2021-09-14 杭州电子科技大学 基于注意力机制和卷积神经网络的语音抑郁症识别系统
CN111561901B (zh) * 2020-04-15 2024-07-23 交通运输部水运科学研究所 一种基于深度学习的钢结构应变检测故障识别方法
CN116718377A (zh) * 2023-04-28 2023-09-08 重庆交通大学 基于小波变换和深度残差注意力机制的轴承故障诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086888A (zh) * 2018-09-05 2018-12-25 北京机械设备研究所 基于声音识别的汽车发动机故障判定方法及其装置
CN113095433A (zh) * 2021-04-27 2021-07-09 北京石油化工学院 入侵检测网络结构模型的训练方法

Also Published As

Publication number Publication date
CN117332352A (zh) 2024-01-02

Similar Documents

Publication Publication Date Title
CN117332352B (zh) 一种基于BAM-AlexNet的避雷器信号缺陷识别方法
CN112200244B (zh) 一种基于递阶对抗训练的航天发动机异常智能检测方法
CN112304614B (zh) 采用多注意力机制的端到端滚动轴承智能故障诊断方法
CN101614786B (zh) 基于frft和ifsvc的功率电子电路在线智能故障诊断方法
CN104809722A (zh) 一种基于红外热像的电气设备故障诊断方法
CN108537259A (zh) 基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法
CN110020637B (zh) 一种基于多粒度级联森林的模拟电路间歇故障诊断方法
CN114997211A (zh) 一种基于改进对抗网络和注意力机制的跨工况故障诊断方法
CN117290771A (zh) 基于改进辅助分类生成对抗网络的旋转机械故障诊断方法
CN115130519A (zh) 一种使用卷积神经网络的船体结构故障预测方法
CN119540752A (zh) 基于位置引导病灶表征学习的植物叶片病害严重程度评估方法
CN118296426A (zh) 基于cwdc-gan的小样本故障诊断识别方法及系统
CN117709454A (zh) 一种基于生成式模板的无偏场景图构造方法、系统和设备
CN110458071B (zh) 一种基于dwt-dfpa-gbdt的光纤振动信号特征提取与分类方法
CN110223295B (zh) 基于深度神经网络色彩感知的显著性预测方法及装置
CN116168720A (zh) 一种电机声音异常故障诊断方法、系统、及可存储介质
CN111652177A (zh) 基于深度学习的信号特征提取方法
CN119375811A (zh) 一种电能表检定故障智能判断系统
CN109782156B (zh) 基于人工免疫诊断网络的模拟电路故障诊断方法
CN115356599B (zh) 一种多模态城市电网故障诊断方法及系统
Prabhakaran et al. Identification of fish species and grading in fish market using transfer learning
CN110320802A (zh) 基于数据可视化的复杂系统信号时序识别方法
CN114528881A (zh) 基于多任务深度学习的断路器触头系统故障评估方法
CN115965883A (zh) 一种基于Transformer的烟雾检测算法
CN119669733B (zh) 一种电力系统宽频振荡参数检测方法及系统

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
GR01 Patent grant
GR01 Patent grant