[发明专利]一种基于人工智能的高压电力设备故障诊断方法及系统

权利要求书

1.一种基于人工智能的高压电力设备故障诊断方法，其特征在于，包括：

分别对高压电力设备正常状态和故障状态的声音样本进行标注；

对标注后的高压电力设备声音样本提取融合特征向量；

利用机器学习算法，对所提取的高压电力设备声音样本的融合特征向量进行分类训练，形成基于声音信号的高压电力设备故障状态特征图谱；

根据高压电力设备故障状态特征图谱，对高压电力设备的工作状态进行判断，从而完成高压电力设备故障诊断。

2.根据权利要求1所述的基于人工智能的高压电力设备故障诊断方法，其特征在于，所述对标注后的高压电力设备声音样本提取融合特征向量，包括：

对每一样本分别提取6维时频域参数和13维梅尔倒谱系数，构成19维的融合特征向量。

3.根据权利要求2所述的基于人工智能的高压电力设备故障诊断方法，其特征在于，所述6维时频域参数包括：短时平均过零率、短时能量、能量熵、谱熵、频谱通量以及频谱滚降点。

4.根据权利要求1所述的基于人工智能的高压电力设备故障诊断方法，其特征在于，所述利用机器学习算法，对所提取的高压电力设备声音样本的融合特征向量进行分类训练，包括：

利用支持向量机模型对声音样本的融合特征向量进行分类训练，并对支持向量机模型的超参数进行优化。

5.根据权利要求4所述的基于人工智能的高压电力设备故障诊断方法，其特征在于，所述对支持向量机模型的超参数进行优化的方法，包括：

利用粒子群算法对超参数惩罚系数C和核函数的系数gamma进行优化，最终取声音样本验证分类准确率最高的那组超参数惩罚系数C和核函数的系数gamma作为最佳参数。

6.一种基于人工智能的高压电力设备故障诊断系统，其特征在于，包括：

声音样本处理模块：所述声音样本处理模块对高压电力设备正常状态和故障状态的声音样本进行标注，对标注后的高压电力设备声音样本提取融合特征向量；利用机器学习算法，对所提取的高压电力设备声音样本的融合特征向量进行分类训练，形成基于声音信号的高压电力设备故障状态特征图谱；

设备诊断模块：所述设备诊断模块根据高压电力设备故障状态特征图谱，对高压电力设备的工作状态进行判断，从而完成高压电力设备故障诊断。

7.根据权利要求6所述的基于人工智能的高压电力设备故障诊断系统，其特征在于，所述声音样本处理模块对标注后的高压电力设备声音样本提取融合特征向量，包括：

对每一样本分别提取6维时频域参数和13维梅尔倒谱系数，构成组合的19维的融合特征向量。

8.根据权利要求7所述的基于人工智能的高压电力设备故障诊断系统，其特征在于，所述6维时频域参数包括：短时平均过零率、短时能量、能量熵、谱熵、频谱通量以及频谱滚降点。

9.根据权利要求6所述的基于人工智能的高压电力设备故障诊断系统，其特征在于，所述声音样本处理模块利用机器学习算法，对所提取的高压电力设备正常状态和故障状态声音样本的特征向量进行分类训练，包括：

利用支持向量机模型对声音样本的融合特征向量进行分类训练，并对支持向量机模型的超参数进行优化。

10.根据权利要求9所述的基于人工智能的高压电力设备故障诊断系统，其特征在于，所述对支持向量机模型的超参数进行优化的方法，包括：

利用粒子群算法对超参数惩罚系数C和核函数的系数gamma进行优化，最终取声音样本验证分类准确率最高的那组超参数惩罚系数C和核函数的系数gamma作为最佳参数。