本发明涉及本发明涉及换流阀冷却系统均压电极垢层厚度的检测，具体地，涉及一种基于多维特征和深度学习的均压电极垢层厚度检测方法。
背景技术：
1、换流阀是高压直流输电系统的关键设备，换流阀在工作过程会产生大量热量，阀冷系统通过循环冷却水带走热量，使得换流阀正常工作。均压电极在工作的过程中不断结垢，垢层脱落会引起冷却水管堵塞及换流站停运的后果。因此，换流阀冷却系统中均压电极结垢问题是当前直流输电系统的薄弱环节之一。根据相关数据，均压电极结垢和散热器腐蚀导致的输电系统运行故障占阀冷系统总故障的70％，严重威胁输电系统运行安全。但目前换流站针对均压电极结垢问题采用人工拆卸筛查的方式，不仅检修效率低下，而且具有很大的盲目性，容易造成垢层脱落导致水路堵塞，影响散热器散热性能。因此实现均压电极垢层厚度的高效、高精度检测是保障输电系统运行安全的重要手段。
2、在无损检测领域，超声检测法具有灵敏度高、穿透性强、使用方便等特点，是成为均压电极结垢检测的有力方式之一。现如今已有部分研究验证了均压电极结垢状态超声检测的可行性，并取得了一定的检测成果。但存在特征提取覆盖性不全，难以充分表达垢层厚度信息，模型存在过拟合风险等问题，仍需进一步提高垢层厚度识别精度与识别准确度。
技术实现思路
1、本发明的主要目的是提出一种基于多维特征和深度学习的均压电极垢层厚度检测方法，通过充分提取垢层厚度信息，增强模型泛化能力与鲁棒性，提高换流站均压电极结垢状态的识别精度与识别准确率，从而解决上述技术问题。
2、为实现上述目的，本发明提出的一种基于多维特征和深度学习的均压电极垢层厚度检测方法，包括如下步骤：
3、s1、获取不同垢层厚度下的均压电极超声检测信号，并将所述超声检测信号的数据划分为训练集与测试集；
4、s2、采用变分模态分解法vmd和小波包分解法wpd对所述超声检测信号进行降噪处理后，得到优化检测信号；
5、s3、从所述优化检测信号中提取6维时域、4维频域特征，以组成一维特征向量，且标准化后采用主成分分析法pca进行映射降维，得到第一特征；
6、s4、对所述优化检测信号通过wpd法进行分解，并计算其最后一层小波包节点能量特征分布，且标准化后通过pca法进行映射降维，得到第二特征；
7、s5、将所述第一特征和所述第二特征组合后形成一维特征向量；
8、s6、采用马尔可夫迁移场将所述优化检测信号转换为二维特征矩阵；
9、s7、通过所述二维特征矩阵，构建具有多层卷积层与池化层的卷积神经网络cnn；
10、s8、通过所述一维特征向量，构建具有多层记忆层的循环神经网络rnn；
11、s9、将cnn全连接层与rnn末层记忆层进行拼合，并连接输出层；
12、s10、持续训练所构建的识别模型，在达到预设精度后输出垢层厚度的检测结果。
13、优选地，所述训练集占总数据集的70％，所述测试集占所述总数据集的30％。
14、优选地，所述步骤s2具体包括：
15、s2.1、采用vmd法分离所述超声检测信号的特征模态与噪声模态，并根据模态中心频率特性设置筛选频率上限fmax与下限fmin以自适应筛选所述特征模态，对所述超声检测信号进行初步降噪。
16、优选地，在所述步骤s21之后，还包括：
17、s2.2、对初步降噪后的所述超声检测信号采用wpd法分解，并通过软阈值降噪方法设定较小阈值处理小波包节点系数，对所述超声检测信号进行细节降噪得到所述优化检测信号。
18、优选地，所述步骤s3中的6维时域包括：波形特征xw、脉冲特征xi、峰值特征xe、裕度特征xl、偏度特征xs、峭度特征xk；所述4维频域包括：重心频率fc、平均频率fm、均方根频率frms、频率方差fv；所述第一特征为时域、频域特征向量[xw,xi,xe,xl,xs,xk,fc,fm,frms,fv]
19、优选地，所述步骤s4具体包括：
20、先计算若干个小波包节点各自的能量值，得到能量向量p，其计算步骤参考公式1，
21、
22、其中，pi表示第i个小波包节点的能量，x(n)表示当前节点中第n个小波包系数值，n表示当前节点小波包系数数据长度；
23、再计算若干个小波包节点间的能量分布特征，其计算步骤参考公式2，
24、
25、其中，e表示小波包能量概率密度，p表示小波包能量向量，l表示分解层次；
26、最后，通过pca方法对小波包能量分布特征向量进行映射得到主成分特征，并按主成分特征贡献率由大到小排序，选择累计贡献率较大的若干维主成分特征，作为第二特征。
27、优选地，所述步骤s7中，所述卷积神经网络cnn依次包括输入层、卷积层、最大池化层、全连接层；所述卷积层与所述最大池化层交替设置，分别设置三层；所述卷积层的激活函数为“relu”，所述卷积层与所述最大池化层均采用填充补零策略。
28、优选地，所述步骤s8中，所述循环神经网络rnn依次包括输入层和记忆层，所述记忆层共设置4层，激活函数选择“tanh”。
29、优选地，所述步骤s10具体包括，
30、判断所述输出层的输出结果是否满足预设精度；
31、s10.1、若是，则输出所述检测结果；
32、s10.2、若否，则将所述输出结果返回分别执行步骤s7和步骤s8。
33、优选地，所述步骤s10.2具体包括：将所述输出结果中的二维特征矩阵作为cnn的输入返回，执行步骤s7；将所述输出结果中的一维特征向量作为rnn的输入返回，执行步骤s8；所述识别模型的优化器使用“adam”优化器，损失函数使用“sparse categorical crossentropy”。
34、本发明技术方案中，一种基于多维特征和深度学习的均压电极垢层厚度检测方法，从时域、频域、时频域、时空域多维角度分析均压电极结垢超声检测信号的分布特性，充分提取信号中所蕴含的垢层厚度信息，并进一步地采用主成分分析法对特征进行降维，排除所提特征中的冗余信息，减小识别模型的参数量。本发明通过cnn处理二维特征矩阵，rnn处理一维特征向量，充分发挥各自的性能优势，并进一步将cnn与rnn模型融合，增强了模型的泛化能力与鲁棒性，提高均压电极垢层厚度的识别准确率与识别精度。
1.一种基于多维特征和深度学习的均压电极垢层厚度检测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于多维特征和深度学习的均压电极垢层厚度检测方法，其特征在于，所述训练集占总数据集的70％，所述测试集占所述总数据集的30％。
3.如权利要求1所述的基于多维特征和深度学习的均压电极垢层厚度检测方法，其特征在于，所述步骤s2具体包括：
4.如权利要求3所述的基于多维特征和深度学习的均压电极垢层厚度检测方法，其特征在于，在所述步骤s21之后，还包括：
5.如权利要求1所述的基于多维特征和深度学习的均压电极垢层厚度检测方法，其特征在于，所述步骤s3中的6维时域包括：波形特征xw、脉冲特征xi、峰值特征xe、裕度特征xl、偏度特征xs、峭度特征xk；所述4维频域包括：重心频率fc、平均频率fm、均方根频率frms、频率方差fv；所述第一特征为时域、频域特征向量[xw,xi,xe,xl,xs,xk,fc,fm,frms,fv]。
6.如权利要求1所述的基于多维特征和深度学习的均压电极垢层厚度检测方法，其特征在于，所述步骤s4具体包括：
7.如权利要求1所述的基于多维特征和深度学习的均压电极垢层厚度检测方法，其特征在于：所述步骤s7中，所述卷积神经网络cnn依次包括输入层、卷积层、最大池化层、全连接层；所述卷积层与所述最大池化层交替设置，分别设置三层；所述卷积层的激活函数为“relu”，所述卷积层与所述最大池化层均采用填充补零策略。
8.如权利要求1所述的基于多维特征和深度学习的均压电极垢层厚度检测方法，其特征在于：所述步骤s8中，所述循环神经网络rnn依次包括输入层和记忆层，所述记忆层共设置4层，激活函数选择“tanh”。
9.如权利要求1所述的基于多维特征和深度学习的均压电极垢层厚度检测方法，其特征在于：所述步骤s10具体包括，
10.如权利要求9所述的基于多维特征和深度学习的均压电极垢层厚度检测方法，其特征在于：所述步骤s10.2具体包括：将所述输出结果中的二维特征矩阵作为cnn的输入返回，执行步骤s7；将所述输出结果中的一维特征向量作为rnn的输入返回，执行步骤s8；所述识别模型的优化器使用“adam”优化器，损失函数使用“sparse categorical crossentropy”。
