一种基于多类型传感器的融合感知方法

技术领域

本发明涉及泛在电力物联网技术领域，尤其涉及一种基于多类型传感器的融合感知方法。

背景技术

电力行业是国民经济的基础能源产业，对国民经济各产业的健康发展提供支撑，同时对人民生活水平的提高具有重要意义，与国民经济发展息息相关。在国家电网发布的战略规划中提出，到2021年初步建成泛在电力物联网，基本实现业务协同和数据贯通，初步实现统一物联管理，各级智慧能源综合服务平台具备基本功能，支撑电网业务与新兴业务发展；到2024年建成泛在电力物联网，全面实现业务协同、数据贯通和统一物联管理，公司级智慧能源综合服务平台具备强大功能，全面形成共建共治共享的能源互联网生态圈。

而在电力物联网领域中，传感器的使用具有大规模、多源化、异构化等特点，因此亟需突破传统传感器单一感知的限制，研发基于泛在物联网技术的多类型传感器融合感知方法，实现多参量的联合感知与故障诊断，从而克服传统单参量监测诊断易造成的漏判与误判，提高电力设施在线监测的精度和故障诊断的准确率，最大限度降低安全事故的发生。

发明内容

为实现上述目的，本发明提供了一种基于多类型传感器的融合感知方法，包含以下步骤：

S1：获取不同类型传感器对应的多个输入信号；

S2：将不同的输入信号输入对应的浅层卷积神经网络，从而获取对应的特征向量；

S3：融合中心通过二次卷积神经网络对所述特征向量进行融合处理；

S4：利用线性分类器对融合处理的的特征向量进行分类；

S5：根据S4步骤的分类结果识别出不同类型传感器的信号，根据对应的特征向量即可进行故障诊断。

进一步地，所述S3步骤包括：

S31：通过选取对应的核函数将特征空间的特征向量映射到高维特征空间；

S32：对各个核函数赋予不同的权重值，并进行线性组合；

S33：利用经过该线性组合后的核函数对各个高维特征空间融合处理，得到高维融合特征空间。

所述高维融合特征空间，其表达式如下所示：

其中λ

优选地，所述传感器的类型包括：震动传感器、声音传感器、温度传感器、湿度传感器。

优选地，从震动传感器获取震动特征向量，并通过震动核函数映射到震动高维特征空间中；

从声音传感器获取声音特征向量，并通过声音核函数映射到声音高维特征空间中；

从温度传感器获取温度特征向量，并通过温度核函数映射到温度高维特征空间中。

优选地，所述S33步骤包含：利用经过该线性组合后的核函数对所述震动高维特征空间、声音高维特征空间、温度高维特征空间进行融合处理，从而获得高维融合特征空间。

本发明具有以下有益效果：

实现多参量的联合感知与故障诊断，从而克服传统单参量监测诊断易造成的漏判与误判，提高电力设施在线监测的精度和故障诊断的准确率，最大限度降低安全事故的发生。

附图说明

图1为本发明的多通道融合感知方法流程框图；

图2为本发明的一个实施例的多通道融合感知方法流程图。

具体实施方式

以下结合附图和具体实施方式对本发明提出的一种基于多类型传感器的融合感知方法作进一步详细说明。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本发明提供了一种基于多类型传感器的融合感知方法，能够实现多参量的联合感知与故障诊断，从而克服传统单参量监测诊断易造成的漏判与误判。

如图1所示，本发明的一种基于多类型传感器的融合感知方法包含如下步骤：S1、获取不同类型传感器对应的多个输入信号；S2、将不同的输入信号输入对应的浅层卷积神经网络，从而获取对应的特征向量；S3、融合中心通过二次卷积神经网络对所述特征向量进行融合处理；S4、并利用线性分类器对融合处理的的特征向量进行分类输出分类结果；S5、最后通过该分类结果即可识别不同类型传感器的信号从而实现故障诊断的目的。

如图2所示，本发明通过以震动、声音和湿度等传感器为例，其中不同传感器对应不同的特征向量，(1)多种不同特征向量记为x

(3)通过赋予不同核函数不同的权重，将多个核函数进行线性组合，可得到多通道特征的融合，得到融合后的高维特征空间，其表达式如下所示：

其中，λ

(4)在融合后的高维特征空间中应用线性分类器，对目标进行分类。

根据上述的各类传感器，从震动传感器获取震动特征向量1并通过震动核函数10映射到震动高维特征空间100中；从声音传感器获取声音特征向量2并通过声音核函数20映射到声音高维特征空间200中；从温度传感器获取温度特征向量3并通过温度核函数30映射到温度高维特征空间300中；然后对所述震动高维特征空间100、声音高维特征空间200、温度高维特征空间300进行线性组合，从而获得高维融合特征空间900；接着用线性分类器对所述高维融合特征空间中的特征向量进行分类识别，从而获得不同传感器的特征信息，根据所述特征信息即可进行故障诊断。故障诊断是基于融合感知后的数据结果进行的，故障诊断需要针对不同故障类型进行样本训练，然后通过融合感知方法对故障进行分类判断。上述的线性分类器，用于存储不同类别的特征向量信息，包括频谱、幅度和变化规律等，分类器根据神经网络的融合结果，预测每一个类别的概率。

本发明相比于传统融合感知方法，经过多个核函数映射后的高维空间是由多个特征空间构成的组合空间，能够将不同通道数据中的不同特征分别通过最合适的单个核函数进行映射，具有更高的灵活性和更加强大的映射能力，特别是对于样本数据具有比较复杂分布结构的分类、回归等学习问题。本发明实现多参量的联合感知与故障诊断，从而克服传统单参量监测诊断易造成的漏判与误判，提高电力设施在线监测的精度和故障诊断的准确率，最大限度降低安全事故的发生。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。