買(mǎi)專(zhuān)利賣(mài)專(zhuān)利找龍圖騰，真高效！ 查專(zhuān)利查商標(biāo)用IPTOP,全免費(fèi)！專(zhuān)利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉常州大學(xué)申請(qǐng)的專(zhuān)利一種基于時(shí)頻特征和改進(jìn)CNN的局部放電識(shí)別方法及裝置獲國(guó)家發(fā)明授權(quán)專(zhuān)利權(quán)，本發(fā)明授權(quán)專(zhuān)利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN114943256B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-05-06發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專(zhuān)利申請(qǐng)?zhí)?專(zhuān)利號(hào)為：202210605983.6，技術(shù)領(lǐng)域涉及：G06F18/24；該發(fā)明授權(quán)一種基于時(shí)頻特征和改進(jìn)CNN的局部放電識(shí)別方法及裝置是由陳智超;鄭劍鋒;吳鴻杰;王群;陳則璋設(shè)計(jì)研發(fā)完成，并于2022-05-31向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專(zhuān)利申請(qǐng)。

本一種基于時(shí)頻特征和改進(jìn)CNN的局部放電識(shí)別方法及裝置在說(shuō)明書(shū)摘要公布了：本發(fā)明涉及電氣設(shè)備故障識(shí)別技術(shù)領(lǐng)域，尤其涉及一種基于時(shí)頻特征和改進(jìn)CNN的局部放電識(shí)別方法及裝置，包括對(duì)采集的局放信號(hào)進(jìn)行傅里葉閾值濾波；對(duì)局放時(shí)域信號(hào)的脈沖進(jìn)行截取，用離散的數(shù)據(jù)采樣點(diǎn)表征出脈沖的時(shí)域特征，獲取局放脈沖信號(hào)的時(shí)域特征序列；并通過(guò)改進(jìn)Morlet小波對(duì)脈沖信號(hào)進(jìn)行時(shí)頻變換，獲取對(duì)應(yīng)信號(hào)的二維時(shí)頻圖像數(shù)據(jù)；對(duì)局放信號(hào)的時(shí)域特征序列和小波時(shí)頻圖進(jìn)行歸一化處理；利用數(shù)據(jù)集對(duì)改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并保存訓(xùn)練好的網(wǎng)絡(luò)模型。本發(fā)明充分利用局部放電脈沖信號(hào)的時(shí)頻特征實(shí)現(xiàn)局放的分類(lèi)，提高局放信號(hào)時(shí)頻特征提取的效果；同時(shí)改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)用于局部放電的識(shí)別，提高局放識(shí)別的準(zhǔn)確性。

本發(fā)明授權(quán)一種基于時(shí)頻特征和改進(jìn)CNN的局部放電識(shí)別方法及裝置在權(quán)利要求書(shū)中公布了：1.一種基于時(shí)頻特征和改進(jìn)CNN的局部放電識(shí)別方法，其特征在于，包括以下步驟：S1、對(duì)采集的局放信號(hào)進(jìn)行傅里葉閾值濾波，去除噪聲的干擾；S2、對(duì)局放時(shí)域信號(hào)的脈沖進(jìn)行截取，用離散的數(shù)據(jù)采樣點(diǎn)表征出脈沖的時(shí)域特征，獲取局放脈沖信號(hào)的時(shí)域特征序列；并通過(guò)改進(jìn)Morlet小波變換對(duì)脈沖信號(hào)進(jìn)行時(shí)頻變換，獲取對(duì)應(yīng)信號(hào)的二維時(shí)頻圖像數(shù)據(jù)；Morlet小波變換的公式為： 其中，ψx為改進(jìn)小波基函數(shù)，a為尺度因子，b為平移因子，*為共軛；改進(jìn)小波基函數(shù)的公式為： S3、對(duì)局放信號(hào)的時(shí)域特征序列和時(shí)頻圖像數(shù)據(jù)進(jìn)行歸一化處理，劃分?jǐn)?shù)據(jù)集；S4、利用數(shù)據(jù)集對(duì)改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并保存訓(xùn)練好的網(wǎng)絡(luò)模型，實(shí)現(xiàn)局放的分類(lèi)；所述改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型包括：構(gòu)建兩個(gè)并列通道，第一通道輸入一維時(shí)域特征序列，第二通道輸入二維小波時(shí)頻圖；兩個(gè)通道都使用卷積層和池化層提取特征；同時(shí)提取出第二通道輸入小波時(shí)頻圖淺層的特征；使用全連接層將時(shí)域和時(shí)頻域深淺層的特征拉伸為特征向量，在融合層融合后輸入全連接層，最后通過(guò)softmax分類(lèi)器實(shí)現(xiàn)局放信號(hào)的分類(lèi)；所述改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型還包括： 第一通道是一維網(wǎng)絡(luò)模型，具體包含4個(gè)卷積層和2個(gè)池化層，在普通卷積層后各自添加一個(gè)1×1的卷積層，增加一維網(wǎng)絡(luò)模型的非線性；第二通道是二維網(wǎng)絡(luò)模型，具體包含3層卷積層和3層池化層，同時(shí)額外使用1×1×1的卷積層對(duì)第一個(gè)池化層輸出的特征進(jìn)行降維并保留顯著特征，實(shí)現(xiàn)深淺層特征的融合；提取的特征都使用全連接層拉伸到同一維度在融合層進(jìn)行融合。

如需購(gòu)買(mǎi)、轉(zhuǎn)讓、實(shí)施、許可或投資類(lèi)似專(zhuān)利技術(shù)，可聯(lián)系本專(zhuān)利的申請(qǐng)人或?qū)＠麢?quán)人常州大學(xué)，其通訊地址為：213164 江蘇省常州市武進(jìn)區(qū)滆湖中路21號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話(huà)0551-65771310或微信搜索“龍圖騰網(wǎng)”。