一种GIS设备内部的异物缺陷的检测方法及系统

1.一种GIS设备内部的异物缺陷的检测方法，其特征在于，包括：采用GIS设备内部的声音信号的训练样本训练异物缺陷分类模型，其中，每一训练样本对应一异物缺陷的标准种类；每隔预设时间间隔，采集所述GIS设备内部的声音信号；将所述声音信号输入训练后的异物缺陷分类模型后，输出所述声音信号对应的异物缺陷的种类；其中，所述异物缺陷分类模型为扩展连续自适应模糊推理系统，所述扩展连续自适应模糊推理系统包括依次设置的输入层、模糊化层、模糊推理层、规范层和输出层，所述模糊推理层的节点表示模糊规则；所述采用GIS设备内部的声音信号的训练样本训练异物缺陷分类模型的步骤，包括：按照训练样本的序号依次输入每一训练样本，其中，每输入一训练样本，假设所述异物缺陷分类模型增加一模糊规则，所述训练样本具有新颖度；若当前输入的训练样本的序号为1，则保留当前输入的训练样本对应增加的模糊规则；若当前输入的训练样本的序号大于1，则判断是否保留当前输入的训练样本对应增加的模糊规则；若保留当前输入的训练样本对应增加的模糊规则，则根据一阶Takagi-Sugeno模糊模型设置当前输入的训练样本对应增加的模糊规则的参数；若不保留当前输入的训练样本对应增加的模糊规则，则采用最小二乘递归误差方法更新所述异物缺陷分类模型已有的模糊规则的后件参数后，判断是否删除已有的模糊规则；若删除已有的模糊规则，则删除该已有的模糊规则的参数，且更新已有的模糊规则的数量；所述判断是否保留当前输入的训练样本对应增加的模糊规则的步骤，包括：判断当前输入的训练样本对应增加的模糊规则是否满足距离准则和影响准则；若满足距离准则和影响准则，则保留当前输入的训练样本对应增加的模糊规则；其中，距离准则为||x n -μ nr ||>e n ，x n 表示当前输入的序号为n的训练样本，n>1，μ nr 表示距离训练样本x n 最近的模糊规则的中心，e n 表示距离阈值；其中，影响准则为E minf (N h +1)>e g ，N h 表示已有的模糊规则的数量，E minf (N h +1)表示当前输入的训练样本对应增加的模糊规则的影响值，e g 表示增加阈值； 其中，x l 表示用于计算E minf (N h +1)的序号为l的训练样本， 表示采用训练样本x l 计算得到的当前输入的训练样本对应增加的模糊规则的激励函数，R k (x l )表示采用训练样本x l 计算得到的序号为k的模糊规则的激励函数，所述模糊规则的序号按照保留的顺序依次排列，M表示包含当前输入的序号为n的训练样本在内的最近输入的训练样本的数量； 其中，σ k 表示序号为k的模糊规则的激励函数的半径，μ k 表示序号为k的模糊规则的激励函数的中心； 其中， 表示当前输入的训练样本对应增加的模糊规则的激励函数的半径， 表示当前输入的训练样本对应增加的模糊规则的激励函数的中心；所述根据一阶Takagi-Sugeno模糊模型设置当前输入的训练样本对应增加的模糊规则的参数的步骤，包括：采用第一方程组设置当前输入的训练样本对应增加的模糊规则的参数矩阵，其中，当前输入的训练样本对应增加的模糊规则的参数矩阵为 第一方程组为 采用第二方程设置当前输入的训练样本对应增加的模糊规则的激励函数的中心，其中，第二方程为 采用第三方程设置当前输入的训练样本对应增加的模糊规则的激励函数的半径，其中，第三方程为 κ表示重叠因子；所述最小二乘递归误差方法的方程组为：其中，a n 表示序号为n的模糊规则的后件参数矩阵，y n-1 表示序号为n-1的训练样本对应的异物缺陷的标准种类， 表示输入序号为n-1的训练样本到异物缺陷分类模型中，异物缺陷分类模型输出的异物缺陷的种类，H 0 表示预设的初始值，H n 表示输入x n 时规范层的输出向量， x ne ＝[1,x n ] T ，I表示单位矩阵；所述判断是否删除已有的模糊规则的步骤，包括：判断已有的模糊规则是否满足删除准则；若满足删除准则，则删除该已有的模糊规则；其中，删除准则为E minf (k)<e p ，E minf (k)表示序号为k的模糊规则的影响值，e p 表示删除阈值；若所述训练样本满足ψ<E s ，则所述训练样本具有新颖度；其中，ψ表示训练样本在高维特征空间的球面势能， T表示高维特征空间的维度，φ(x,μ t )表示训练样本对应的高维特征空间的映射函数，μ t 表示第t个映射函数的中心，所述映射函数为高斯函数，E s 表示新颖度阈值。 2.根据权利要求1所述的检测方法，其特征在于：e n ＝max{e max ×γ n ,e min }，其中，e max 表示距离阈值的最大值，e min 表示距离阈值的最小值，γ表示衰减指数。 3.一种GIS设备内部的异物缺陷的检测系统，其特征在于，包括：训练模块，用于采用GIS设备内部的声音信号的训练样本训练异物缺陷分类模型，其中，每一训练样本对应一异物缺陷的标准种类；采集模块，用于每隔预设时间间隔，采集所述GIS设备内部的声音信号；分类模块，用于将所述声音信号输入训练后的异物缺陷分类模型后，输出所述声音信号对应的异物缺陷的种类；其中，所述异物缺陷分类模型为扩展连续自适应模糊推理系统，所述扩展连续自适应模糊推理系统包括依次设置的输入层、模糊化层、模糊推理层、规范层和输出层，所述模糊推理层的节点表示模糊规则；所述训练模块包括：输入子模块，用于按照训练样本的序号依次输入每一训练样本，其中，每输入一训练样本，假设所述异物缺陷分类模型增加一模糊规则，所述训练样本具有新颖度；保留子模块，用于若当前输入的训练样本的序号为1，则保留当前输入的训练样本对应增加的模糊规则；第一判断子模块，用于若当前输入的训练样本的序号大于1，则判断是否保留当前输入的训练样本对应增加的模糊规则；设置子模块，用于若保留当前输入的训练样本对应增加的模糊规则，则根据一阶Takagi-Sugeno模糊模型设置当前输入的训练样本对应增加的模糊规则的参数；第二判断子模块，用于若不保留当前输入的训练样本对应增加的模糊规则，则采用最小二乘递归误差方法更新所述异物缺陷分类模型已有的模糊规则的后件参数后，判断是否删除已有的模糊规则；删除子模块，用于若删除已有的模糊规则，则删除该已有的模糊规则的参数，且更新已有的模糊规则的数量；所述第一判断子模块包括：第一判断单元，用于判断当前输入的训练样本对应增加的模糊规则是否满足距离准则和影响准则；保留单元，用于若满足距离准则和影响准则，则保留当前输入的训练样本对应增加的模糊规则；其中，距离准则为||x n -μ nr ||>e n ，x n 表示当前输入的序号为n的训练样本，n>1，μ nr 表示距离训练样本x n 最近的模糊规则的中心，e n 表示距离阈值；其中，影响准则为E minf (N h +1)>e g ，N h 表示已有的模糊规则的数量，E minf (N h +1)表示当前输入的训练样本对应增加的模糊规则的影响值，e g 表示增加阈值； 其中，x l 表示用于计算E minf (N h +1)的序号为l的训练样本， 表示采用训练样本x l 计算得到的当前输入的训练样本对应增加的模糊规则的激励函数，R k (x l )表示采用训练样本x l 计算得到的序号为k的模糊规则的激励函数，所述模糊规则的序号按照保留的顺序依次排列，M表示包含当前输入的序号为n的训练样本在内的最近输入的训练样本的数量； 其中，σ k 表示序号为k的模糊规则的激励函数的半径，μ k 表示序号为k的模糊规则的激励函数的中心； 其中， 表示当前输入的训练样本对应增加的模糊规则的激励函数的半径， 表示当前输入的训练样本对应增加的模糊规则的激励函数的中心；所述设置子模块包括：第一设置单元，用于采用第一方程组设置当前输入的训练样本对应增加的模糊规则的参数矩阵，其中，当前输入的训练样本对应增加的模糊规则的参数矩阵为 第一方程组为 第二设置单元，用于采用第二方程设置当前输入的训练样本对应增加的模糊规则的激励函数的中心，其中，第二方程为 第三设置单元，用于采用第三方程设置当前输入的训练样本对应增加的模糊规则的激励函数的半径，其中，第三方程为 κ表示重叠因子；所述最小二乘递归误差方法的方程组为：其中，a n 表示序号为n的模糊规则的后件参数矩阵，y n-1 表示序号为n-1的训练样本对应的异物缺陷的标准种类， 表示输入序号为n-1的训练样本到异物缺陷分类模型中，异物缺陷分类模型输出的异物缺陷的种类，H 0 表示预设的初始值，H n 表示输入x n 时规范层的输出向量， x ne ＝[1,x n ] T ，I表示单位矩阵；所述第二判断子模块包括：第二判断单元，用于判断已有的模糊规则是否满足删除准则；删除单元，用于若满足删除准则，则删除该已有的模糊规则；其中，删除准则为E minf (k)<e p ，E minf (k)表示序号为k的模糊规则的影响值，e p 表示删除阈值；其中，ψ表示训练样本在高维特征空间的球面势能， T表示高维特征空间的维度，φ(x,μ t )表示训练样本对应的高维特征空间的映射函数，μ t 表示第t个映射函数的中心，所述映射函数为高斯函数，E s 表示新颖度阈值。