一种基于稀疏贝叶斯学习模型的变压器声源定位成像方法、系统、设备和存储介质与流程

本发明涉及声学成像领域，特别涉及基于稀疏贝叶斯学习模型的变压器声源定位成像领域。

背景技术：

1、变压器运行状态下噪声源的空间分布可反映其健康状态，准确定位变压器声源位置对变压器故障诊断和健康状态监测具有重要意义，声学成像通过生成声压图并与视频图像叠加可直观显示变压器声源分布，是变压器声源定位的有效手段。

2、现有声学成像技术一般采用波束形成算法或者clean算法，麦克风阵列和变压器的距离较远，而且变电站电磁环境复杂，麦克风阵列数据采集过程易受到干扰，造成数据信噪比发生变化，严重影响声学成像准确度，所以高分辨率声学成像技术对变压器声源的准确定位具有关键作用。

技术实现思路

1、本发明为了提高声学成像的分辨率，并减少采集数据时的噪音干扰。

2、本发明所述的技术方案为一种基于稀疏贝叶斯学习模型的变压器声源定位成像方法，所述方法包括以下步骤：

3、s1.建立空间坐标系，确定麦克风阵列参考点的空间坐标以及所有麦克风的空间坐标，确定目标平面，将所述目标平面网格化，确定所述网格化的目标平面中所有网格点的空间坐标，将所有麦克风的空间坐标、网格点的空间坐标和目标频率带入格林函数构建传播矩阵；

4、s2.根据s1所述的传播矩阵采集麦克风阵列的时域信号，利用短时傅里叶变换将时域信号转换为时频域信号，选取所述时频域信号的时频域数据并构建过完备表示模型；

5、s3.根据s2所述过完备表示模型构建稀疏贝叶斯学习模型，所述稀疏贝叶斯学习模型包括信号的多层贝叶斯模型、噪声模型和似然函数；

6、s4.根据s3所述的多层贝叶斯模型、噪声模型和似然函数，确定所有变量的联合分布；

7、s5.根据s4所述联合分布，使用变元贝叶斯推断方法获得信号变量的近似后验分布，所述近似后验分布为多维复高斯分布，通过计算多维复高斯分布的期望和协方差矩阵更新信号变量；

8、使用变元贝叶斯推断方法获得信号方差变量的近似后验分布，所述近似后验分布为伽马分布，通过计算伽马分布的期望更新信号方差变量；

9、使用变元贝叶斯推断方法获得噪声方差变量的近似后验分布，所述近似后验分布为伽马分布，通过计算伽马分布的期望更新噪声方差变量；

10、s6.获得s5所述的信号变量、信号方差变量和噪声方差变量本次更新与上次更新的相对误差，根据更新判断条件确定是否停止更新，所述更新判断条件是：

11、当所述相对误差大于10-4并且更新次数小于2000，则重复s5进行更新，

12、当所述相对误差小于等于10-4或者更新次数大于等于2000，则停止更新，执行s7。

13、s7.输出当前的信号变量、信号方差变量和噪声方差变量的期望作为信号的估计值，根据所述估计值计算各网格点位置的信号能量，生成目标平面声压图，读取变压器图像，叠加目标平面声压图和变压器图像，获得变压器声源位置。

14、进一步地，s1中所述格林函数为：

15、

16、其中，rk表示第k个网格点到麦克风阵列参考点的距离，rmk表示第k个网格点第m个麦克风的距离，τmk表示第k个网格点对第m个麦克风产生的相对时延，

17、

18、e为声音传播速度，f为声波的频率。

19、进一步地，s2中所述过完备表示模型为：

20、yi,t＝aixi,t+wi,t

21、其中，yi,t表示第i个频带上第t个时刻的测量数据，ai表示第i个频带对应的传播矩阵，xi,t表示第i个频带上第t个时刻的信号矩阵，wi,t表示第i个频带上第t个时刻的测量噪声矩阵。

22、进一步地，s3中所述信号的多层贝叶斯模型中第一层使用零均值复高斯模型描述信号：

23、

24、其中，x.,l为信号矩阵的第l列，l为每帧中的窗口数，γ-1为信号的方差向量，γ为对角矩阵，对角线上的元素为γ；

25、所述信号的多层贝叶斯模型的第二层使用伽马分布描述变量γ：

26、

27、其中，υκ为υ中的第k个元素，a和b为超参数，可设置为10-3；

28、所述噪声模型为：

29、

30、其中，w.,l为噪声矩阵的第l列，ρ-1为方差变量，im为单位矩阵；

31、进一步使用伽马分布描述ρ：

32、p(ρ)＝g(ρ|c,d)

33、所述似然函数为：

34、

35、进一步地，s4中所述的确定所有变量的联合分布的方法为：

36、

37、其中，θ为所有隐藏变量的集合，‖·‖f为矩阵范数。

38、一种基于稀疏贝叶斯学习的变压器声源定位成像系统，包括下述模块：

39、模块1，用于建立空间坐标系，确定麦克风阵列参考点的空间坐标以及所有麦克风的空间坐标，确定目标平面，将所述目标平面网格化，确定所述网格化的目标平面中所有网格点的空间坐标，将所有麦克风的空间坐标、网格点的空间坐标和目标频率带入格林函数构建传播矩阵；

40、模块2，用于根据所述的传播矩阵采集麦克风阵列的时域信号，利用短时傅里叶变换将时域信号转换为时频域信号，选取所述时频域信号的时频域数据并构建过完备表示模型；

41、模块3，用于根据所述过完备表示模型构建稀疏贝叶斯学习模型，所述稀疏贝叶斯学习模型包括信号的多层贝叶斯模型、噪声模型和似然函数；

42、模块4，用于根据所述信号的多层贝叶斯模型、噪声模型和似然函数，确定所有变量的联合分布；

43、模块5，用于根据所述联合分布，使用变元贝叶斯推断方法获得信号变量的近似后验分布，所述近似后验分布为多维复高斯分布，通过计算多维复高斯分布的期望和协方差矩阵更新信号变量；

44、还用于使用变元贝叶斯推断方法获得信号方差变量的近似后验分布，所述近似后验分布为伽马分布，通过计算伽马分布的期望更新信号方差变量；

45、还用于使用变元贝叶斯推断方法获得噪声方差变量的近似后验分布，所述近似后验分布为伽马分布，通过计算伽马分布的期望更新噪声方差变量；

46、模块6，用于获得所述的信号变量、信号方差变量和噪声方差变量本次更新与上次更新的相对误差，模块6包括两个子模块61和62；

47、子模块61用于当所述相对误差大于10-4并且更新次数小于2000，重复s5进行更新；

48、子模块62用于当所述相对误差小于等于10-4或者更新次数大于等于2000，停止更新，执行子模块7；

49、子模块7，用于输出当前的信号变量、信号方差变量和噪声方差变量的期望作为信号的估计值，根据所述估计值计算各网格点位置的信号能量，生成目标平面声压图，读取变压器图像，叠加目标平面声压图和变压器图像，获得变压器声源位置。

50、一种基于稀疏贝叶斯学习模型的变压器声源定位成像设备，包括一个或多个处理器以及存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取部分或全部所述计算机可执行程序并执行，处理器执行部分或全部计算可执行程序时能实现所述的变压器声源定位成像方法。

51、一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，能实现所述的变压器声源定位成像方法。

52、本发明可实现下述的有益效果：

53、(1)本发明所述的播矩阵af描述了信号在不同麦克风之间的传播特性，为后续的数据处理和模型构建提供了基础。

54、(2)本发明所述的过完备表示模型包含更多的基础元素，有助于更精确地描述和重构信号，应用于复杂噪声环境。

55、(3)本发明所述的稀疏贝叶斯学习模型通过描述信号和噪声的贝叶斯模型，确定所有变量的联合分布，并通过最小化距离(kullback-leibler)获得各变量的近似后验分布，从而实现高分辨率声学成像。

56、(4)本发明所述的联合分布函数计算模块为信号和方差变量的更新提供了依据。

57、本发明的成像方法提高了变压器声学成像的分辨率和准确度，适用于变压器声源定位的高分辨率成像领域。