[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

权利要求书

1.一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，其特征在于，所述方法包括：

步骤1，获取电力设备的样本数据集，所述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，对所述声音信息进行特征提取，并结合所述热红外视频流，采用卷积神经网络进行特征融合，生成缺陷诊断模型；其中，对所述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，对所述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，对所述声音频谱信息进行滤波，并计算滤波后所述声音频谱信息对应的梅尔频率倒谱系数MFCC；

步骤203，采用梅尔频率倒谱系数MFCC的一阶和二阶差分作为所述声音频谱信息的动态特征，并将所述动态特征与所述梅尔频率倒谱系数MFCC进行拼接，生成所述声音频谱信息的声音特征参数；

步骤204，根据所述声音特征参数，对所述声音信息进行特征提取，生成声音特征向量；

步骤3，根据所述样本数据集，对所述缺陷诊断模型进行训练，以确定所述缺陷诊断模型的运行参数，所述训练后的缺陷诊断模型用于电力设备的缺陷诊断。

2.如权利要求1所述的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，其特征在于，对所述分帧后的声音信息进行加窗处理，所述步骤201，具体包括：

分别将所述小波包变换方式中的小波基和分解层数采用十进制编码，并确定取值范围，并将两种十进制编码组成双参数级联编码，以组成初始集合；

将所述声音信息划分为多个数据点，并用声信号序列进行表示，根据所述双参数级联编码，计算所述声信号序列的序列熵值E(u)，将所述序列熵值E(u)转换为适应度，所述适应度Fit(p)的计算公式为：

Fit(u)＝-E(u)

式中，I_(n,k)为第n点数据点y_(n,j)在第j层分解后的信号y_j中的能量比重，N表示所述声音信号序列的所有数据点，u为所述初始集合中的双参数级联编码；

根据所述适应度，采用遗传算法和模拟退火算法，分别计算最优小波包基与最优分解层数，以对分频、加窗处理后的声音信息进行小波包分解，生成所述声音频谱信息。

3.如权利要求1所述的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，其特征在于，所述步骤203，生成所述声音频谱信息的声音特征参数，具体包括：

取前13维梅尔频率倒谱系数MFCC作为特征参数C_t，将特征参数C_t与一阶差分d_t、二阶差分b_t三者分别进行标准化；

分别计算所述特征参数C_t、所述一阶差分d_t、所述二阶差分b_t三者的权重因子的信息熵；

通过所述信息熵，计算所述权重因子，生成所述声音频谱信息的所述声音特征参数。

4.如权利要求1至3中任一项所述的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，其特征在于，所述步骤2中，结合所述热红外视频流，采用卷积神经网络进行特征融合，生成缺陷诊断模型，具体包括：

步骤211，对所述热红外视频流分帧后的热红外图片进行剪裁，并进行通道数扩张来提取出所述热红外图片的第一特征图；

步骤212，利用注意力模块机制，对所述第一特征图进行特征提取，生成第二特征图；

步骤213，根据剪裁后的热红外视频流，采用倒残差模块机制，建立与所述第二特征图间的捷径连接，利用所述注意力模块机制，进行特征提取，生成第三特征图；

步骤214，根据所述第三特征图，利用所述注意力模块机制，进行特征提取，并采用所述倒残差模块机制，建立与所述第三特征图间的捷径连接，生成第四特征图；

步骤215，将所述第四特征图进行平均池化操作，并输入至所述卷积神经网络的全连接层，生成热图像特征向量；

步骤216，采用所述卷积神经网络，对所述热图像特征向量和所述声音特征向量进行特征融合，生成所述缺陷诊断模型。

5.如权利要求4所述的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，其特征在于，所述步骤212中，所述生成第二特征图，具体包括：

使用不同的预设卷积核对所述第一特征图进行卷积，得到第一分支结果Y₁和第二分支结果Y₂；

对不同分支的所述第一分支结果Y₁、所述第二分支结果Y₂进行融合，并通过加权算法和卷积网络中的全连接层，生成两个权重矩阵a和b；

对最后两个分支的两个权重矩阵a和b，进行Softmax激活操作，得到所述最后两个分支中各个通道的权值，再与所述第一分支结果Y₁、所述第二分支结果Y₂相乘，生成所述第二特征图。