[发明专利]基于BP神经网络的瓷绝缘子振动声学检测数据分类方法

说明书

技术领域

本发明涉及一种基于BP神经网络的瓷绝缘子振动声学检测数据分类方法，可以对声学振动法检测瓷绝缘子的数据结果进行人工智能自动分类。

背景技术

瓷绝缘子需要定期检测，以判读其是否有损伤，瓷绝缘子的检测结果分三种：上端有缺陷、下端有缺陷、无缺陷。对绝缘子进行振动声学法检测时，储存的检测结果数据为WAV格式的声音文件，需要用与检测设备配套的软件将其功率谱密度图读取出才能判读，该软件每次最多能同时读取6个数据，每次读取都需要点击鼠标进行多次操作，在判读完数据关闭后，想再次判读时还需要重新操作软件，不便于同时比较多个数据且对数据的功率谱密度图存取比较麻烦。对于大型变电站的检测，一次就产生数百个数据，人工完成数据的判读费时费力。

发明内容

本发明要解决的技术问题是提供一种可提高分类效率的基于BP神经网络的瓷绝缘子振动声学检测数据分类方法。

为解决上述技术问题，本发明所采取的技术方案是：一种基于BP神经网络的瓷绝缘子振动声学检测数据分类方法，其包括以下步骤：

1）采用MATLAB语言，设计一个BP神经网络系统；

2）对于经过降噪后分成3类的瓷绝缘子振动声学检测数据，每类各取至少1个典型数据，采用梅尔倒谱系数法生成特征向量，作为输入向量，得到训练样本，以绝缘子缺陷形式分类代码作为输出；

3）利用步骤2）中得到的训练样本对步骤1）中的BP神经网络进行训练，得到训练后的BP神经网络，该BP神经网络的输入层节点数为24，输出层节点数为3；

4）将瓷绝缘子振动声学检测数据生成测试输入向量，同时对该瓷绝缘子振动声学检测数据进行FFT变换后生成频谱图并以检测数据文件名称加以标识，然后将测试输入向量输入训练后的BP神经网络，其神经网络输出即为绝缘子缺陷形式分类代码中的某一个；

5）将步骤4）中生成的频谱图存放在与BP神经网络输出向量相对应的文件夹中；处理完毕后，所述频谱图被分成3类，即瓷绝缘子振动声学检测数据被分成三类。

上述步骤2）中的降噪方法采用小波分解降噪。

上述分类代码分成三类，分别记为[0 0 1]、[0 1 0]、[1 0 0]。

上述步骤2）中，当每类抽取多个典型数据时（即大于1个），对多个典型数据采用Mel频率倒谱系数法生成特征值；然后抽取每个典型数据的部分特征向量，将这些抽取出的特征向量组成一组完整的特征向量作为输入向量，对BP神经网络进行训练。

本发明的工作原理如下： 

本发明针对现有分类技术效率低、人工操作的缺点，提供一种基于BP神经网络的瓷绝缘子振动声学检测结果分类方法，利用BP神经网络良好的非线性函数逼近能力和自组织学习功能，自动完成大批量瓷绝缘子振动声学检测数据的分类问题。将瓷绝缘子振动声学法检测获得的数据文件作为BP神经网络的输入变量，通过网络训练后，所构建的神经网络系统能自动把瓷绝缘子的声学相应信息与其内部是否损伤之间的关系进行非线性分析并分类。

人工神经网络ANN是模仿脑细胞的结构和功能、脑神经结构以及思维处理问题等脑功能的新型信息处理系统。它具有复杂的动力学特性,并行处理机制,学习、联想和记忆功能,还具有高度的自组织、自适应能力。具有强大的模式识别能力,通过对反映输入特征量的大量样本学习,可以对任意复杂状态或过程进行分类和识别。反向传播网络(Back Propagation Net-work,简称Bp网络)是目前人工神经网络模式中最具代表性,应用得最广泛的一种模型,具有自学习、自组织、自适应和很强的非线性映射能力,可以以任意精度逼近任意连续函数，因此对瓷绝缘子检测结果的分类上，可以采用BP神经网络进行自动分类。

由于对绝缘子检测的数据文件为音频信号，因此对绝缘子检测结果的分类基于对音频信号的识别基础上。在音频识别领域中，特征提取的好坏直接影响到识别的结果。现有的声音识别系统采用较多的声音特征是线性预测倒谱参数(LPCC)与Mel频率倒谱系数法(MFCC)。LPCC参数能很好的体现人的声道特征，计算量小，但抗噪声性能差。MFCC系数考虑了人耳的听觉特性，将频谱转化为基于Mel频率的非线性频谱，然后转换到倒谱域上，使用一串在低频区域交叉重叠排列的三角形滤波器，捕获声音的频谱信息，因此需要采用MFCC法对声音信号进行预处理。