一种串联故障电弧的诊断方法、装置、设备及存储介质

1.本发明涉及电气故障检测领域，特别涉及一种串联故障电弧的诊断方法、装置、设备及存储介质。


背景技术：

2.串联故障电弧是指电线内部产生的电弧，极其容易发生且隐秘，其电流幅值在故障前后不会发生较大改变，故障特征往往包含在负载电流内，且电流波形随负载性质的不同而变化，大大增加了检测的难度。故障电弧检测技术的出现在一定程度上弥补了传统保护电器无法识别串联故障电弧的不足，但随着用电安全、线路可靠性的要求越来越苛刻以及用电负载的多样化趋势，对检测的形式以及检测的算法均提出了更高更严的要求，因此，研究串联故障电弧的检测技术具有重要意义。
3.当前国内外学者对串联故障电弧检测技术的研究热点是：根据电弧发生时电流产生严重畸变，通过提取电流信号的零休时间、电流变化率、谐波变化等时频域特征，构成数据样本集并借助机器学习对样本进行分类训练，形成故障诊断模型实现对串联故障电弧的检测。常用的特征提取方法有小波变换、经验模态分解等，在特定特征属性下具有各自的优势，但也存在一定弊端，例如小波分析不能分离出信号的各层频率而导致信号特征丢失、经验模态分解存在模态混叠而造成信号分析失效；常用于分类的机器学习方法有人工神经网络、支持向量机(support vector machine，svm)等，在特征量选择适宜下具有各自的优势，例如svm能够实现小样本分类且训练快效率高、人工神经网络具有强大的非线性分类能力。
4.s变换(s-transform，st)是一种可逆的多分辨率时频分析方法，克服了交叉项干扰的缺陷，具有短时傅里叶变换(short time fourier transform，stft)全相位独立频率分析和连续小波多分辨率时频分析的优点，可有效分离非平稳信号各层频率分量，且对噪声干扰不敏感，适用于串联故障电弧信号的时频分析，但存在相对固定的窗口宽度变化限度导致时频分辨能力不足、需要对所有频率点进行分析导致运算量大且运行时间长的弊端。在现有技术中，采用高斯窗函数的窗口宽度随频率的平方根呈反比，并引入窗口宽度系数优化调整时频分辨率，增强了st的时频分辨能力，但未能改善运算量大的问题。以及，通过计算信号的功率谱获得全频率域下主要频率点，仅对包含故障特征的主要频率点进行st分析，很大程度上减少运算量，但窗口宽度随频率变化范围是有限的，容易丢失部分信号特征。
5.有鉴于此，提出本技术。


技术实现要素：

6.本发明公开了一种串联故障电弧的诊断方法、装置、设备及存储介质，旨在减少运算量的同时提升对信号的时频分辨能力。
7.本发明第一实施例提供了一种串联故障电弧的诊断方法，包括：
8.获取由采集装置采集到的电流信号，并对所述电流信号进行短时傅里叶变换，以
生成短时傅里叶变换结果和短时傅里叶变换功率谱；
9.根据所述短时傅里叶变换功率谱对所述短时傅里叶变换结果进行平移，以生成平移结果，其中，所述平移结果包括高频部分平移结果和低频部分平移结果；
10.获取经过高斯窗口的频率点，并对所述频率点进行短时傅里叶变换，以生成频率点变换结果，其中，所述频率点变换结果包括高频变换结果和低频变换结果；
11.对所述频率点变换结果和平移结果进行合并处理，以生成合并结果，并对所述合并结果进行短时傅里叶逆变换，以生成时频域特征量；
12.调用训练好的二分类监督机器学习模型对所述时频域特征量进行分类诊断，以生成诊断结果。
13.优选地，在对所述电流信号进行短时傅里叶变换，以生成短时傅里叶变换结果和短时傅里叶变换功率谱之前，还包括：
14.对所述电流信号进行归一化处理。
15.优选地，所述根据所述短时傅里叶变换功率谱对所述短时傅里叶变换结果进行平移，以生成平移结果，具体为：
16.获取所述短时傅里叶变换功率谱包络，并基于所述包络筛选出高频部分的主频率点和低频部分的主频频率点；
17.所述短时傅里叶变换结果分别与高频部分的主频率点和低频部分的主频频率点进行平移操作，以生成高频部分平移结果和低频部分平移结果。
18.优选地，所述获取经过高斯窗口的频率点，并对所述频率点进行短时傅里叶变换，以生成频率点变换结果之前，还包括：
19.获取基于给定的高斯窗口系数构建窗口宽度随频率变化的高斯窗函数，其中，所述高斯窗口系数包括高频部分的高斯窗口系数和低频部分的高斯窗口系数。
20.优选地，所述对所述频率点变换结果和平移结果进行合并处理，以生成合并结果，具体为：
21.将所述高频部分平移结果和所述高频变换结果进行向量相乘生成高频向量乘积；
22.将所述低频部分平移结果和所述低频变换结果进行向量相乘生成低频向量乘积；
23.将所述低频向量乘积和所述高频向量乘积进行相加操作，以生成高频向量乘积。
24.优选地，所述短时傅里叶逆变换的模型表达式为：
[0025][0026][0027]
其中，j和n分别为电流信号的时间采样点和频率采样点，m为频谱点数，n为电流信号序列的总长度，m为频谱点数，n
low
和n
high
分别为电流信号低频部分的主频率点和高频部分的主频率点，x[]为短时傅里叶变换并移位的表达式,i为复数中的虚部单位。
[0028]
优选地，所述时频域特征量包括iist后低频成分的幅值标准差、iist低频成分的幅值最值与均值的最大偏差、iist后高频成分的频率标准差、以及iist后高频成分的幅值
能量熵。
[0029]
本发明第二实施例提供了一种串联故障电弧的诊断装置，包括：
[0030]
短时傅里叶变换单元，用于获取由采集装置采集到的电流信号，并对所述电流信号进行短时傅里叶变换，以生成短时傅里叶变换结果和短时傅里叶变换功率谱；
[0031]
平移结果生成单元，用于根据所述短时傅里叶变换功率谱对所述短时傅里叶变换结果进行平移，以生成平移结果，其中，所述平移结果包括高频部分平移结果和低频部分平移结果；
[0032]
频率点变换结果生成单元，用于获取经过高斯窗口的频率点，并对所述频率点进行短时傅里叶变换，以生成频率点变换结果，其中，所述频率点变换结果包括高频变换结果和低频变换结果；
[0033]
合并结果生成单元，用于对所述频率点变换结果和平移结果进行合并处理，以生成合并结果，并对所述合并结果进行短时傅里叶逆变换，以生成时频域特征量；
[0034]
诊断结果生成单元，用于调用训练好的二分类监督机器学习模型对所述时频域特征量进行分类诊断，以生成诊断结果。
[0035]
本发明第三实施例提供了一种串联故障电弧的诊断设备，包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如上任意一项所述的基于人工智能的医学影像评价方法。
[0036]
本发明第四实施例提供了一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序能够被所述计算机可读存储介质所在设备的处理器执行，以实现如上任意一项所述的一种串联故障电弧的诊断方法。
[0037]
基于本发明提供的一种串联故障电弧的诊断方法、装置、设备及存储介质，其至少包括以下有益效果：
[0038]
1)将中心频率测度为标准筛选出低频和高频段的主要频率点，并分别引入低频和高频段对应的高斯窗口系数，提出iist(improvement incomplete s-transform)时频分析方法，iist对各负载类型信号的分析运算时间均大大缩短，st平均运算时间约为284ms，而iist平均运算时间仅约为35ms，解决了st存在的时频分辨能力不足、运算量大、效率较低的缺点，更加适用于串联电弧故障检测的实际工程应用中。
[0039]
2)串联故障电弧的电流波形随负载性质的不同而变化，iist能够有效地分离信号的低频和高频的主要频率点，快速提取不同工况下线性和非线性负载的电流时频域特征，具有一定的实用性和经济性。
[0040]
3)将iist提取的低频段中幅值标准差和幅值最值与均值的最大偏差、高频端段频率标准差和幅值能量熵作为特征向量，利用svm模型对串联故障电弧进行识别，对所有负载类型的准确率达到了98.29％，其查准率和召回率分别为97.46％和99.17％，同时对单个不同负载类型的识别效果均高于95％以上，设置两组对照实验，探究了不同特征提取方法、不同核函数的svm对故障诊断结果的影响，进一步验证了iist与svm故障诊断方法是有效的，选择合适的核函数可以提高故障识别的准确率。
附图说明
[0041]
图1是本发明第一实施例提供的一种串联故障电弧的诊断方法的流程示意图；
[0042]
图2是本发明提供的试验采集电路原理示意图；
[0043]
图3是本发明提供的iist的计算过程示意图；
[0044]
图4是本发明提供的时频域特征量计算流程示意图；
[0045]
图5是本发明提供的svm的网络结构示意图；
[0046]
图6是本发明提供的不同分类模型的roc曲线图；
[0047]
图7是本发明第一实施例提供的一种串联故障电弧的诊断方法的流程示意图。
具体实施方式
[0048]
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。
[0049]
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
[0050]
应当明确，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0051]
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
[0052]
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0053]
取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
[0054]
实施例中提及的“第一\第二”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换，以使这里描述的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
[0055]
以下结合附图对本发明的具体实施例做详细说明。
[0056]
本发明公开了一种串联故障电弧的诊断方法、装置、设备及存储介质，旨在减少运算量的同时提升对信号的时频分辨能力。
[0057]
本发明第一实施例提供了一种串联故障电弧的诊断方法，其可由串联故障电弧的诊断设备(以下简称诊断设备)来执行，特别的，由所述诊断设备内的一个或者多个处理器来执行，以至少实现如下步骤：
[0058]
s101，获取由采集装置采集到的电流信号，并对所述电流信号进行短时傅里叶变换，以生成短时傅里叶变换结果和短时傅里叶变换功率谱；
[0059]
在本实施例中，所述诊断设备可为台式电脑、笔记本电脑、服务器、工作站等具有数据处理分析能力的终端，其中，所述诊断设备内可安装有相应的操作系统以及应用软件，并通过操作系统以及应用软件的结合来实现本实施例所需的功能。
[0060]
需要说明的是,为获取故障诊断模型训练与测试所需的正常与故障信号样本集，图2中电弧发生器由活动电极、静止电极和步进电机等设备组成，可模拟线路中导体接触处松动、导线内部断裂等原因导致的串联故障电弧。其中，活动电极和静止电极分别为直径6.4mm的锥形截面铜棒和直径6.4mm的水平截面碳棒。在图2试验采集电路接通的情况下，步进电机控制两个电极分离，导致电极间空气击穿而产生电弧，为确保试验的有效性，需保持试验条件不改变，如每次试验时前打磨电极表面、步进电机的速度和发生电弧时两电极间的距离应为定值等，从而提高试验数据的可靠性。
[0061]
在本发明一个可能的实施例中，通过串联电弧故障试验采集平台对多种负载进行试验，采用示波器来观察并采集电流波形，采样频率设置为1mhz，采样时间0.08s，采集各种负载正常工作和发生串联电弧故障情况下的电流波形。为避免不同负载下电流幅值大小、奇异性等影响，对采集的电流数据进行归一化处理，将电流的幅值归一至[0,1]的范围内。
[0062]
需要说明的是，将采样的电流信号s(x)进行短时傅里叶变换(stft)变化，可以求得对电流信号s(x)短时傅里叶变换的结果x(m)和短时傅里叶变换的功率谱[x(m)]2。
[0063]
s102，根据所述短时傅里叶变换功率谱对所述短时傅里叶变换结果进行平移，以生成平移结果，其中，所述平移结果包括高频部分平移结果和低频部分平移结果；
[0064]
具体地，在本实施例中：
[0065]
获取所述短时傅里叶变换功率谱包络，并基于所述包络筛选出高频部分的主频率点和低频部分的主频频率点；其中，筛选是基于中心频率测度为标准进行的；
[0066]
所述短时傅里叶变换结果分别与高频部分的主频率点和低频部分的主频频率点进行平移操作，以生成高频部分平移结果和低频部分平移结果。
[0067]
s103，获取经过高斯窗口的频率点，并对所述频率点进行短时傅里叶变换，以生成频率点变换结果，其中，所述频率点变换结果包括高频变换结果和低频变换结果；
[0068]
在本实施例中，还包括：获取基于给定的高斯窗口系数构建窗口宽度随频率变化的高斯窗函数，其中，所述高斯窗口系数包括高频部分的高斯窗口系数和低频部分的高斯窗口系数。
[0069]
需要说明的是，为了兼顾信号处理过程中全频段的时间和频率分辨率、运算时间和运算量等性能标准，经大量实验得到低频成分的高斯窗口系数α
low
设定范围在0.7-0.8之间和高频成分的高斯窗口系数α
high
设定范围在8-10之间可初步达到性能标准，接着分别以0.01和0.1为变化步长进一步在各自范围内对α
low
和α
high
进行参数寻优，发现α
low
设置为0.75和α
high
设置为9时可达到较满意的信号分析效果且性能标准均衡，故设定该参数进行信号分析，当然，在其他实施例中，还可以根据实际情况对应设置高斯窗口系数，这里不做具体限定，但这些方案均在本发明的保护范围内。
[0070]
s104，对所述频率点变换结果和平移结果进行合并处理，以生成合并结果，并对所述合并结果进行短时傅里叶逆变换，以生成时频域特征量；
[0071]
具体地，在本实施例中：
[0072]
将所述高频部分平移结果和所述高频变换结果进行向量相乘生成高频向量乘积；
[0073]
将所述低频部分平移结果和所述低频变换结果进行向量相乘生成低频向量乘积；
[0074]
将所述低频向量乘积和所述高频向量乘积进行相加操作，以生成高频向量乘积。
[0075]
其中，所述短时傅里叶逆变换的模型表达式为：
[0076][0077]
其中，j和n分别为电流信号的时间采样点和频率采样点，m为频谱点数，n为电流信号序列的总长度，m为频谱点数，n
low
和n
high
分别为电流信号低频部分的主频率点和高频部分的主频率点，x[]为短时傅里叶变换并移位的表达式,i为复数中的虚部单位。
[0078]
需要说明的是，串联故障电弧受负载性质的影响较大，故障特征值往往包含在负载电流内，不同时期不同工况下的故障电弧存在差异，依靠单一时域、频域的阈值特征进行故障诊断，无法对含有故障的电路实现准确识别。本实施例将对电流信号进行时频域分析，利用iist对信号进行处理，提取平均值、标准差、极大值、峭度值、包络熵、功率熵以及能量熵等常见特征量，分别输入分类模型进行识别，获得每个单一特征量的识别准确率并排序，综合考虑正确率的高低和特征量的数量等因素，选取准确率最高的前四个特征量，作为实施例的串联电弧故障诊断的时频域特征量，其中，所述时频域特征量包括iist后低频成分的幅值标准差、iist低频成分的幅值最值与均值的最大偏差、iist后高频成分的频率标准差、以及iist后高频成分的幅值能量熵。
[0079]
以下对特征提取的过程做出进一步描述：
[0080]
设信号x(t)在实数域上存在，对x(t)进行stft分析可得
[0081][0082]
式(1)中，τ为时移因子，f为连续频率，w(τ-t)为固定的窗函数，i为复数中的虚部单位。
[0083]
为克服时频分辨率固定的缺陷，st分析在stft的基础上，将式(1)中的窗口宽度固定的窗函数替换为窗口宽度随频率变化的高斯窗函数g(t,f)
[0084][0085]
可以获得st的表达式
[0086][0087]
将式(3)转化成离散形式得
[0088][0089]
式(4)中，j和n分别为x(t)的时间采样点和频率采样点，m为频谱点数，n为x(t)序
列的总长度，x[m+n]为x(t)的短时傅里叶变换并移位的表达式，且式(4)需满足频率采样点n不为零的条件。
[0090]
由式(2)和(3)可知，st采用窗口宽度随频率呈反比关系的高斯窗函数，使得窗口宽度在一定程度上得到改善，但其频率成分是由信号中所有主要频率点组成，而各主要频率点分布在一定频率范围内，故窗口宽度的变化范围是有限的，导致时频分辨能力不足的缺陷；由式(4)可知，st使用最大的时频分辨率和高斯窗口对非平稳电流信号进行时频分析，变化过程中需要对所有频率点进行stft分析，运算量大且运行时间长。
[0091]
考虑到串联电弧故障电流的故障特征主要存在于信号低频和高频部分，因此，本实施例对iist过程中全频段主要频率点的选择进一步优化，以中心频率测度为标准分别筛选出低频和高频部分的主要频率点，为避免mis过程中高斯窗口系数的泛化能力差导致无法同时提高全频段的时间和频率分辨率的不足，分别引入低频和高频段对应的高斯窗口系数，提出一种改进的不完全s变换(iist)的时频分析方法，其表达式为
[0092][0093]
式(5)中，n＝n
low
+n
high
，n
low
和n
high
分别为x(t)经过功率谱包络确定其主要频率点，并以中心频率测度为标准获得的低频和高频主要频率点，α
low
和α
high
分别为低频和高频段对应的高斯窗口系数。iist的计算过程如图3所示。
[0094]
请进一步参阅图4，和分别为低频和高频段iist的计算结果，和分别为低频和高频段的时间-幅值向量，和分别为低频和高频段的主要频率点；在表1中，为低频成分幅值，为高频成分的能量。
[0095]
表1
[0096]
[0097][0098]
需要说明的，iist通过中心频率测度为标准筛选低频成分和高频成分的主要频率点，优化了st采用遍历整个频域的方式，为了验证iist算法的有效性和优越性，随机选取发生串联电弧故障时不同类型负载的实验数据，对每种类型的负载采用st和iist算法分别进行10次测试试验并求取测试结果的平均值，10次试验的平均测试结果如表2所示，并绘制某次试验不同状态下各种负载的频谱图进行对比分析。从表2的数据可以得出，iist能够有效提取不同类型负载信号的主要频率点，相比于st运算时需要遍历所有频率点，iist对各负载类型信号的分析运算时间均大大缩短，st平均运算时间约为284ms，而iist平均运算时间仅约为35ms。从频谱图可以看出电流频谱特性存在不同特征，在正常情况下，线性负载的频谱波动主要集中在低频段且幅值低，而非线性负载的频谱低频段就存在较大幅值波动，其余频段均仅产生很少谐波分量。发生串联电弧故障后，各种负载类型的频谱低频分量波动幅度增大，且出现大量的高频分量。
[0099]
表2
[0100][0101]
s105，调用训练好的二分类监督机器学习模型对所述时频域特征量进行分类诊
断，以生成诊断结果。
[0102]
需要说明的是，在本实施例中，所述二分类监督机器学习模型为支持向量机(svm)，其是一种基于小样本统计理论的二分类监督机器学习模型，网络结构如图5所示，
[0103]
其中，k为核函数，具有线性核函数、高斯核函数等。相比其他机器学习，svm可以在分类误差最小的情况下，从有限的数据样本中寻找最优分离超平面实现模式分类，具有小样本训练、运算简单高效、鲁棒性好等特点，适用于串联故障电弧故障的检测。
[0104]
在本实施例中，串联故障电弧检测属于典型二分类问题，数据样本被分为正常工作和发生串联电弧故障两种，标签
“‑
1”表示发生串联电弧故障(阴性)，标签“1”表示正常工作(阳性)。常用混淆矩阵描述模型中预测标签与真实标签之间关系，关系参数说明如表3所示。
[0105]
表3
[0106][0107]
本实施例选取准确率(accuracy)、召回率(recall)和查准率(precision)为评价模型的性能指标[21]，其中，召回率和查准率以分析正常样本结果为例，从覆盖面和精确度来评价分类模型对正常样本的识别能力，计算公式分别如下：
[0108][0109][0110][0111]
将上述实施例中，基于iist提取和构造的数据集s进行随机打乱，并按照4：1的比例划分训练集(1920组)和测试集(480组)两部分，输入不同分类模型进行训练和诊断，不同分类模型的参数设置及其对所有负载类型的识别结果如表4所示。进一步在svm分类模型下，重新选择单个负载类型的正常工作和发生串联电弧故障时数据各150组，分别对单个负载类型进行诊断，其识别结果如表5所示。从表4可以看出，相比决策树、逻辑回归和神经网络模型，svm分类模型的准确率为98.29％，对串联电弧故障识别能力最强，且查准率和召回率分别为97.46％和99.17％，表明模型对正常样本的识别能力在覆盖面和精确度方面都表现较好。从表5可进一步看出，在svm分类模型下对单个不同负载类型的识别效果均是有效的，其中，对线性负载类型的识别效果最佳，220ω电阻和热水壶的准确率分别高达100％和99.67％；对非线性负载类型的识别效果次之，由于电脑和荧光灯的感性负载性质，其准确率分别为95.67％和95.33％，表4和表5的识别结果综合说明iist与svm故障诊断方法是有效的。图6为表4中不同模型的对应roc曲线，横、纵坐标分别对应模型的假阳性率和真阳性率。从图6可知svm分类模型的roc曲线光滑，auc面积为0.99，auc指标越接近1表示对串联电弧故障识别能力越强。
[0112]
表4
[0113][0114]
表5
[0115][0116]
请参阅图7，本发明第二实施例提供了一种串联故障电弧的诊断装置，包括：
[0117]
短时傅里叶变换单201，用于获取由采集装置采集到的电流信号，并对所述电流信号进行短时傅里叶变换，以生成短时傅里叶变换结果和短时傅里叶变换功率谱；
[0118]
平移结果生成单元202，用于根据所述短时傅里叶变换功率谱对所述短时傅里叶变换结果进行平移，以生成平移结果，其中，所述平移结果包括高频部分平移结果和低频部分平移结果；
[0119]
频率点变换结果生成单元203，用于获取经过高斯窗口的频率点，并对所述频率点进行短时傅里叶变换，以生成频率点变换结果，其中，所述频率点变换结果包括高频变换结果和低频变换结果；
[0120]
合并结果生成单元204，用于对所述频率点变换结果和平移结果进行合并处理，以生成合并结果，并对所述合并结果进行短时傅里叶逆变换，以生成时频域特征量；
[0121]
诊断结果生成单元205，用于调用训练好的二分类监督机器学习模型对所述时频域特征量进行分类诊断，以生成诊断结果。
[0122]
本发明第三实施例提供了一种串联故障电弧的诊断设备，包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如上任意一项所述的基于人工智能的医学影像评价方法。
[0123]
本发明第四实施例提供了一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序能够被所述计算机可读存储介质所在设备的处理器执行，以实现如上任意一项所述的一种串联故障电弧的诊断方法。
[0124]
基于本发明提供的一种串联故障电弧的诊断方法、装置、设备及存储介质，其至少包括以下有益效果：
[0125]
1)将中心频率测度为标准筛选出低频和高频段的主要频率点，并分别引入低频和高频段对应的高斯窗口系数，提出iist时频分析方法，iist对各负载类型信号的分析运算时间均大大缩短，st平均运算时间约为284ms，而iist平均运算时间仅约为35ms，解决了st存在的时频分辨能力不足、运算量大、效率较低的缺点，更加适用于串联电弧故障检测的实际工程应用中。
[0126]
2)串联故障电弧的电流波形随负载性质的不同而变化，iist能够有效地分离信号的低频和高频的主要频率点，快速提取不同工况下线性和非线性负载的电流时频域特征，具有一定的实用性和经济性。
[0127]
3)将iist提取的低频段中幅值标准差和幅值最值与均值的最大偏差、高频端段频率标准差和幅值能量熵作为特征向量，利用svm模型对串联故障电弧进行识别，对所有负载类型的准确率达到了98.29％，其查准率和召回率分别为97.46％和99.17％，同时对单个不同负载类型的识别效果均高于95％以上，设置两组对照实验，探究了不同特征提取方法、不同核函数的svm对故障诊断结果的影响，进一步验证了iist与svm故障诊断方法是有效的，选择合适的核函数可以提高故障识别的准确率。
[0128]
示例性地，本发明第三实施例和第四实施例中所述的计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述实现一种串联故障电弧的诊断设备中的执行过程。例如，本发明第二实施例中所述的装置。
[0129]
所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种串联故障电弧的诊断方法的控制中心，利用各种接口和线路连接整个所述实现对一种串联故障电弧的诊断方法的各个部分。
[0130]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现一种串联故障电弧的诊断方法的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、文字转换功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、文字消息数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘、智能存储卡(smart media card,smc)、安全数字(secure digital,sd)卡、闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0131]
其中，所述实现的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施
例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一个计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0132]
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0133]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

技术特征：
1.一种串联故障电弧的诊断方法，其特征在于，包括：获取由采集装置采集到的电流信号，并对所述电流信号进行短时傅里叶变换，以生成短时傅里叶变换结果和短时傅里叶变换功率谱；根据所述短时傅里叶变换功率谱对所述短时傅里叶变换结果进行平移，以生成平移结果，其中，所述平移结果包括高频部分平移结果和低频部分平移结果；获取经过高斯窗口的频率点，并对所述频率点进行短时傅里叶变换，以生成频率点变换结果，其中，所述频率点变换结果包括高频变换结果和低频变换结果；对所述频率点变换结果和平移结果进行合并处理，以生成合并结果，并对所述合并结果进行短时傅里叶逆变换，以生成时频域特征量；调用训练好的二分类监督机器学习模型对所述时频域特征量进行分类诊断，以生成诊断结果。2.根据权利要求1所述的一种串联故障电弧的诊断方法，其特征在于，在对所述电流信号进行短时傅里叶变换，以生成短时傅里叶变换结果和短时傅里叶变换功率谱之前，还包括：对所述电流信号进行归一化处理。3.根据权利要求1所述的一种串联故障电弧的诊断方法，其特征在于，所述根据所述短时傅里叶变换功率谱对所述短时傅里叶变换结果进行平移，以生成平移结果，具体为：获取所述短时傅里叶变换功率谱包络，并基于所述包络筛选出高频部分的主频率点和低频部分的主频频率点；所述短时傅里叶变换结果分别与高频部分的主频率点和低频部分的主频频率点进行平移操作，以生成高频部分平移结果和低频部分平移结果。4.根据权利要求1所述的一种串联故障电弧的诊断方法，其特征在于，所述获取经过高斯窗口的频率点，并对所述频率点进行短时傅里叶变换，以生成频率点变换结果之前，还包括：获取基于给定的高斯窗口系数构建窗口宽度随频率变化的高斯窗函数，其中，所述高斯窗口系数包括高频部分的高斯窗口系数和低频部分的高斯窗口系数。5.根据权利要求1所述的一种串联故障电弧的诊断方法，其特征在于，所述对所述频率点变换结果和平移结果进行合并处理，以生成合并结果，具体为：将所述高频部分平移结果和所述高频变换结果进行向量相乘生成高频向量乘积；将所述低频部分平移结果和所述低频变换结果进行向量相乘生成低频向量乘积；将所述低频向量乘积和所述高频向量乘积进行相加操作，以生成高频向量乘积。6.根据权利要求1所述的一种串联故障电弧的诊断方法，其特征在于，所述短时傅里叶逆变换的模型表达式为：
其中，j和n分别为电流信号的时间采样点和频率采样点，m为频谱点数，n为电流信号序列的总长度，m为频谱点数，n
low
和n
high
分别为电流信号低频部分的主频率点和高频部分的主频率点，x[]为短时傅里叶变换并移位的表达式,i为复数中的虚部单位。7.根据权利要求1所述的一种串联故障电弧的诊断方法，其特征在于，所述时频域特征量包括iist后低频成分的幅值标准差、iist低频成分的幅值最值与均值的最大偏差、iist后高频成分的频率标准差、以及iist后高频成分的幅值能量熵。8.一种串联故障电弧的诊断装置，其特征在于，包括：短时傅里叶变换单元，用于获取由采集装置采集到的电流信号，并对所述电流信号进行短时傅里叶变换，以生成短时傅里叶变换结果和短时傅里叶变换功率谱平移结果生成单元，用于根据所述短时傅里叶变换功率谱对所述短时傅里叶变换结果进行平移，以生成平移结果，其中，所述平移结果包括高频部分平移结果和低频部分平移结果；频率点变换结果生成单元，用于获取经过高斯窗口的频率点，并对所述频率点进行短时傅里叶变换，以生成频率点变换结果，其中，所述频率点变换结果包括高频变换结果和低频变换结果；合并结果生成单元，用于对所述频率点变换结果和平移结果进行合并处理，以生成合并结果，并对所述合并结果进行短时傅里叶逆变换，以生成时频域特征量；诊断结果生成单元，用于调用训练好的二分类监督机器学习模型对所述时频域特征量进行分类诊断，以生成诊断结果。9.一种串联故障电弧的诊断设备，其特征在于，包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如权利要求1至7任意一项所述的基于人工智能的医学影像评价方法。10.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序能够被所述计算机可读存储介质所在设备的处理器执行，以实现如权利要求1至7任意一项所述的一种串联故障电弧的诊断方法。

技术总结
本发明提供了一种串联故障电弧的诊断方法、装置、设备及存储介质，获取由采集装置采集到的电流信号，并对所述电流信号进行短时傅里叶变换，以生成短时傅里叶变换结果和短时傅里叶变换功率谱；根据所述短时傅里叶变换功率谱对所述短时傅里叶变换结果进行平移，以生成平移结果；获取经过高斯窗口的频率点，并对所述频率点进行短时傅里叶变换，以生成频率点变换结果，对所述频率点变换结果和平移结果进行合并处理，以生成合并结果，并对所述合并结果进行短时傅里叶逆变换，以生成时频域特征量；调用训练好的二分类监督机器学习模型对所述时频域特征量进行分类诊断，以生成诊断结果,在减少运算量的同时提升对信号的时频分辨能力。减少运算量的同时提升对信号的时频分辨能力。减少运算量的同时提升对信号的时频分辨能力。


技术研发人员：陈丽安 江永鑫
受保护的技术使用者：厦门理工学院
技术研发日：2023.05.04
技术公布日：2023/8/9