CN112183647A - 一种基于深度学习的变电站设备声音故障检测及定位方法 - Google Patents
一种基于深度学习的变电站设备声音故障检测及定位方法 Download PDFInfo
- Publication number
- CN112183647A CN112183647A CN202011058535.6A CN202011058535A CN112183647A CN 112183647 A CN112183647 A CN 112183647A CN 202011058535 A CN202011058535 A CN 202011058535A CN 112183647 A CN112183647 A CN 112183647A
- Authority
- CN
- China
- Prior art keywords
- substation equipment
- sound
- fault detection
- data
- transformer substation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000015654 memory Effects 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 31
- 230000007246 mechanism Effects 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000005284 excitation Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000004807 localization Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000001125 extrusion Methods 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000005236 sound signal Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000037433 frameshift Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Locating Faults (AREA)
Abstract
本申请公开了一种基于深度学习的变电站设备声音故障检测及定位方法，包括：获取变电站设备声音数据，并对变电站设备声音数据进行数据标注，生成样本数据集；采用音频加噪的方式对样本数据集进行数据增强，并对增强处理的样本数据集中变电站设备声音数据进行数据预处理，生成多通道语谱图序列；针对多通道语谱图序列，基于卷积神经网络编码和长短期记忆网络检测，构建变电站设备声音故障检测模型；根据样本数据集对变电站设备声音故障检测模型进行训练，以得到训练好的变电站设备声音故障检测模型，对变电站设备声音进行故障检测及定位。通过本申请中的技术方案，克服现有变电站设备声音故障检测技术中检测效率低以及算法鲁棒性差等问题。
Description
技术领域
本申请涉及故障检测的技术领域，具体而言，涉及一种基于深度学习的变电站设备声音故障检测及定位方法。
背景技术
变电站是我国电网建设的重要基础设施，内部工作设备众多，部分电力设备会出现被击穿和异常放电等故障。异常声音是变电站设备故障最明显的标志，同时基于声音可快速确定故障类型及位置。但是，由于变电站内各设备具有不同的声压级和频率特性，所以变电站会形成一个多噪声源的混响声场，给基于声音的变电站设备故障检测及定位带来很大的难度。
目前，传统的变电站设备声音故障检测方法都分为两阶段，即首先利用人工提取有效特征，对采集到的声音信号进行分类，之后再对异常声源进行定位。采用此类算法检测设备故障，不仅耗时，而且此类算法的泛化及鲁棒性能差，不利于提供准确的故障检测及故障定位。
发明内容
本申请的目的在于：克服现有变电站设备声音故障检测技术中检测效率低以及算法鲁棒性差等问题。
本申请第一方面的技术方案是：提供了一种基于深度学习的变电站设备声音故障检测及定位方法，该方法包括：步骤1，获取变电站设备声音数据，并对变电站设备声音数据进行数据标注，添加数据标签，生成样本数据集，其中，数据标签包括故障类别以及故障位置信息；步骤2，采用音频加噪的方式对样本数据集进行数据增强，并对增强处理的样本数据集中变电站设备声音数据进行数据预处理，生成多通道语谱图序列；步骤3，针对多通道语谱图序列，基于卷积神经网络编码和长短期记忆网络检测，构建变电站设备声音故障检测模型，其中，变电站设备声音故障检测模型包括特征自编码子网络SE-GhostNet和LSTM时频特征矢量序列检测子网络；步骤4，根据样本数据集对变电站设备声音故障检测模型进行训练，以得到训练好的变电站设备声音故障检测模型，变电站设备声音故障检测模型用于变电站设备声音故障检测及定位。
上述任一项技术方案中，进一步地，特征自编码子网络SE-GhostNet用于根据多通道语谱图序列进行非线性映射，得到时频特征矢量序列；LSTM时频特征矢量序列检测子网络用于根据时频特征矢量序列，对变电站设备声音故障进行检测及定位。
上述任一项技术方案中，进一步地，步骤4中，根据样本数据集对变电站设备声音故障检测模型进行训练，具体包括：步骤41，将样本数据集中的变电站设备声音数据进行数据预处理，得到多通道语谱图序列，进行多次卷积操作，提取变电站设备声音数据的抽象特征，记作特征图Cm；步骤42，将特征图Cm输入至SE-卷积模块中，利用通道间注意力机制，计算特征图Cm对应的各通道全局特征Wsq，并对各通道全局特征Wsq进行激励操作，并根据各通道间的非线性关系，计算对应的输出特征图Cm+1；步骤43，将输出特征图Cm+1输入至变电站设备声音故障检测模型中的多层全连接网络，计算变电站设备声音数据的时频特征矢量序列；步骤44，将时频特征矢量序列输入至变电站设备声音故障检测模型中的时频特征矢量序列检测子网络，通过遗忘门机制、输入门机制和输出门机制，计算变电站设备声音数据的故障检测及定位的预测结果，并与变电站设备声音数据的数据标签进行对比，以完成变电站设备声音故障检测模型的训练。
上述任一项技术方案中，进一步地，步骤42中，计算全局特征Wsq的计算公式为：
式中，Fsq是挤压操作，h、w、c分别为的输入特征图Cm的高、宽和通道维度，Wsq为挤压后得到的全局特征。
上述任一项技术方案中，进一步地，步骤42中，激励操作的计算公式为：
Wex＝Fex(Wsq,Wc)＝σ(W2ReLU(W1Wsq))
式中，Fex为激励操作，以获取各通道间的非线性关系，Wsq为全局特征，Wc为激励系数矩阵，σ为Sigmoid函数实现的门机制，W1为降维矩阵，W2为恢复矩阵。
上述任一项技术方案中，进一步地，步骤44中，预测结果的计算公式为：
式中，t为时间步，
为预测结果，f(t)、i(t)、o(t)分别为遗忘门、输入门、输出门在t时间步的激活状态系数，c(t-1)为时频特征矢量序列检测子网络在t-1时间步的单元状态，Wc为单元状态系数矩阵，bc为单元状态偏置。
上述任一项技术方案中，进一步地，故障位置信息包括：设备故障点与三维坐标系原点间的方位角、俯仰角和距离。
上述任一项技术方案中，进一步地，三维坐标系原点为声音采集设备阵列的几何中心，声音采集设备阵列用于采集变电站设备声音数据。
本申请第二方面的技术方案是：提供了一种适用于变电站设备声音故障的单阶段端到端检测装置，该声音故障检装置包括声音采集设备阵列以及处理器、存储器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，实现如第一方面技术方案中任一项所述的基于深度学习的变电站设备声音故障检测及定位方法。
本申请的有益效果是：
本申请中的技术方案，针对所述多通道语谱图序列，基于卷积神经网络编码和长短期记忆网络检测，构建变电站设备声音故障检测模型，利用该模型能够实现对变电站设备声音故障的单阶段端到端检测及定位，满足实际应用的要求，同时可搭载在手持移动端设备上，操作简便高效。
该模型属于单阶段检测，在检测变电站设备声音是否故障的同时回归出故障位置信息，算法推理速度快，检测速度显著优于两阶段检测方法。在进行声音故障检测过程中，无需任何先验知识，基于数据驱动，可用于噪声环境复杂的变电站声场，算法鲁棒性能好，可有效满足实际的检测任务。
本申请中，利用特征自编码子网络SE-GhostNet对声音信息进行特征自编码，又基于改进的稀疏连接LSTM时频特征检测子网络充分考虑当前声音特征与之前时刻声音特征进行故障检测。特征提取丰富，故障漏检率低，算法检测准确度高。
附图说明
本申请的上述和/或附加方面的优点在结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本申请的一个实施例的基于深度学习的变电站设备声音故障检测及定位方法的示意流程图；
图2是根据本申请的一个实施例的声音特征自编码子网络的示意图；
图3是根据本申请的一个实施例的时频特征矢量序列检测子网络的示意图。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施方式对本申请进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。
在下面的描述中，阐述了很多具体细节以便于充分理解本申请，但是，本申请还可以采用其他不同于在此描述的其他方式来实施，因此，本申请的保护范围并不受下面公开的具体实施例的限制。
如图1所示，本实施例提供了一种基于深度学习的变电站设备声音故障检测及定位方法，基于卷积神经网络和改进的长短期记忆网络，对采集的声音信号提取特征，并回归故障类型及故障位置信息，从而检测变电站各设备故障及对故障设备进行定位。
本实施例中的单阶段的端到端故障检测是指，在进行变电站设备声音故障检测时，在判别是否故障的同时，也给出故障的类别和位置，且在输出预测结果的过程中，没有中间状态，即检测模型的一侧是采集到的多路声音信号(变电站设备声音数据)，检测模型的另一测输出的结果为预测结果(故障类别及故障位置)。
本实施例中，该方法具体包括：
步骤1，获取变电站设备声音数据，并对变电站设备声音数据进行数据标注，添加数据标签，生成样本数据集，其中，数据标签包括故障类别以及故障位置信息；
具体的，本实施例采用八阵元圆形麦克风阵列作为声音采集设备阵列，得到8通道的声音数据X，以便收集变电站中各个设备运行过程中的声音数据，将8通道声音数据X作为样本数据集中的特征，其对应的数据标签y包括故障类别以及故障位置信息。
以八阵元圆形麦克风阵列的几何中心为原点，建立三维空间坐标系，则数据标签y中的故障位置信息包括设备故障点与三维坐标系原点间的方位角yα、俯仰角yβ和距离yd。从不同角度、不同距离采集变电站各设备故障声音数据和正常工作声音数据，同时标记故障类别yk和故障位置信息，得到变电站故障声音数据集，即样本数据集。
本实施例中，设定样本数据集涵盖了变电站内7种设备的声音数据，其中，各设备正常工作声音的故障类别均记为0，同时声音数据集大小达到5GB。
步骤2，采用音频加噪的方式对样本数据集进行数据增强，并对增强处理的样本数据集中变电站设备声音数据进行数据预处理，生成多通道语谱图序列，其中，该变电站设备声音数据为添加数据标签后的变电站设备声音数据；
具体的，在进行数据增强时，基于样本数据集中的部分样本进行数据增强，最后得到大小7GB的样本数据集。对增强的样本数据集中数据进行预处理，得到多通道语谱图序列，之后输入变电站设备声音故障检测模型进行检测。
步骤21，采用音频加噪的方式进行数据增强，在样本数据集中，随机选择总样本条数的1/5条样本(变电站设备声音数据)，作为待处理数据，分别添加高斯噪声和/或采集的户外噪声，得到增强数据，再将得到的增强数据插入到样本数据集中，得到扩充后的样本数据集，记作变电站设备声音故障样本数据集。
步骤22，对变电站设备声音故障样本数据集中的声音数据预处理，得到多通道语谱图序列。该过程具体包括：在获取变电站设备声音数据时，取麦克风阵列第i个阵元采集的声音信号Xi,(i＝0,1,...,7)，经归一化和去噪处理，取时间步长度为1秒，得到基于时间顺序的声音信号序列X_Li。
对各路声音信号序列第t个时间步X_Li(t)依次分帧，取帧长50ms，帧移距离25ms，每秒声音数据分39帧。对每帧数据加海明窗处理，减小泄露同时保持低通特性平滑。
利用短时傅里叶变换，将声音数据转化为语谱图，每个时间步的声音信号X_L(t)转化为8张语谱图
其中，
表示8路声音信号中的第i路的声音信号转化为的语谱图，下标S为spectrogram语谱图，t表示时间步，即第i路信号第t个时间步的语谱图，按照通道叠加拼接成8维多通道语谱图，得到按时间排列的多通道语谱图序列IS。
由于，每次采集设备麦克风阵列尺寸和形状固定，麦克风阵列各阵元的空间信息也隐含在多通道语谱图序列IS中。多通道语谱图，不仅保留了声音信号的时域和频域信息，也包含了空间信息。
步骤3，针对多通道语谱图序列，基于卷积神经网络编码和长短期记忆网络检测，构建变电站设备声音故障检测模型，其中，变电站设备声音故障检测模型包括：特征自编码子网络SE-GhostNet和LSTM时频特征矢量序列检测子网络，该LSTM时频特征矢量序列检测子网络为基于稀疏连接的张量表示的检测网络。
具体的，本实施例中的变电站设备声音故障检测模型基于GhostNet网络和长短期记忆网络的设计思想，利用“挤压-激励模块”和“稀疏连接”对模型进行改进和优化，得到可搭载在移动端的变电站设备声音故障检测模型。
如图2和图3所示，特征自编码子网络SE-GhostNet用于根据多通道语谱图序列进行非线性映射，得到时频特征矢量序列；LSTM时频特征矢量序列检测子网络用于根据时频特征矢量序列，对变电站设备声音故障进行检测及定位。
本实施例采用GhostNet网络作为原始网络，引入挤压-激励SE模块(Squeeze-and-Excitation)和可形变卷积模块，基于反向传播算法，使模型自动学习不同通道特征的重要程度，实现通道级别的注意力机制。
本实施例在原LSTM网络的基础上，通过引入稀疏连接的张量表示，取代冗余和密集的全连接操作。选用一种低阶逼近的方法，将高阶张量分解为多个不同阶的张量。从而，隐式地剪枝LSTM中的冗余和密集连接，以构建变电站设备声音故障检测模型。
步骤4，根据样本数据集对变电站设备声音故障检测模型进行训练，以得到训练好的变电站设备声音故障检测模型，变电站设备声音故障检测模型用于变电站设备声音故障检测及定位。
需要说明的是，本实施例中的模型构建、训练、测试以及变电站设备声音故障检测(输出预测结果)的过程基本相似。现以模型的训练为例进行说明，该过程具体包括：
步骤41，将样本数据集中的变电站设备声音数据经数据预处理，得到多通道语谱图序列，进行多次卷积操作，提取变电站设备声音数据的抽象特征，记作特征图Cm；
步骤42，将特征图Cm输入至SE-卷积模块中，利用通道间注意力机制，计算特征图Cm对应的各通道全局特征Wsq，并对各通道全局特征Wsq进行激励操作，并根据各通道间的非线性关系，计算对应的输出特征图Cm+1；
具体的，对特征图Cm进行挤压Squeeze操作Fsq，得到整个通道级别全局特征，挤压Squeeze操作Fsq通过一个全局均值池化实现，具体公式如下：
式中，Fsq是挤压操作，h、w分别为输入特征图Cm的高、宽，c为特征图Cm对应的通道维度，1×1×c表示全局特征的数据维度，Wsq为挤压操作后得到的全局特征，其中，Cm(i,j)为特征图Cm第i行j列的特征信息。
并对对应的全局特征进行激发操作，激发操作具体公式如下：
Wex＝Fex(Wsq,Wc)＝σ(g(Wsq,Wc))＝σ(W2 Re LU(W1Wsq))
式中，Fex为激励操作，以获取各通道之间的非线性关系，Wsq为全局特征，Wc为激励系数矩阵，σ为Sigmoid函数实现的门机制，W1为降维矩阵，W2为恢复矩阵，ReLU为线性激活函数。
再结合各通道的非线性关系，得到不同通道的权重，再乘以原来的特征图Cm，以实现通道维度上的注意力机制，结合GhostNet网络，应用一系列线性变换，以很小的代价生成许多能从原始特征发掘出的Ghost特征图，有效地加快了模型的推理速度。
步骤43，将输出特征图Cm+1输入至变电站设备声音故障检测模型中的多层全连接网络，计算变电站设备声音数据的时频特征矢量序列；
具体的，将输出特征图输入至多层全连接网络，将卷积得到的输出特征图打平，输入多层全连接网络(FC1、FC2、FC3)，将其编码为1024维特征向量，将每秒的1024维的时频特征矢量，按时间顺序排列，得到基于时间序列的时频特征矢量序列IS，即计算变电站设备声音数据的时频特征矢量序列I1024。
步骤44，将时频特征矢量序列输入至变电站设备声音故障检测模型中的时频特征矢量序列检测子网络，通过遗忘门机制、输入门机制和输出门机制，计算变电站设备声音数据的故障检测及定位的预测结果，并与变电站设备声音数据的数据标签进行对比，根据对比结果对变电站设备声音故障检测模型中的模型参数进行调整，以完成变电站设备声音故障检测模型的训练。
本实施例采用Sigmoid函数实现选通Gating机制，包括遗忘门、输入门和输出门三个门机制。
之后时频特征矢量序列I1024经过时频特征检测子网络，经该网络中的遗忘门机制、输入门机制和输出门机制，基于有监督学习和反向传播算法，学习样本数据集中大量标注的样本信息(变电站设备声音数据、及其标签)，进行模型训练，调整模型参数，其中，预测结果的计算公式为：
式中，t为时间步，
为预测结果，f(t)、i(t)、o(t)分别为遗忘门、输入门、输出门在t时间步的激活状态系数，c(t-1)为时频特征矢量序列检测子网络在t-1时间步的单元状态，Wc为单元状态系数矩阵，bc为单元状态偏置。
通过上述计算出的预测结果，与相应的数据标签进行对比，根据对比结果，对模型参数不断优化，得到能够满足变电站设备声音故障检测任务的模型，完成训练阶段。
需要说明的是，取样本数据集中的部分数据作为训练数据，剩余部分数据作为测试数据，作为测试集，将测试数据输入上述训练后的模型进行模型测试。模型在测试集上的检测速度和准确度满足实际使用的要求，得到的最终模型便可作为用于检测变电站设备声音的故障检测及定位模型，该变电站设备声音故障检测模型可有效检测变电站设备声音故障，并对故障位置进行定位，输出预测的故障类型和预测的故障位置信息
以上结合附图详细说明了本申请的技术方案，本申请提出了一种基于深度学习的变电站设备声音故障检测及定位方法，包括：步骤1，获取变电站设备声音数据，并对变电站设备声音数据进行数据标注，添加数据标签，生成样本数据集；步骤2，采用音频加噪的方式对样本数据集进行数据增强，并对增强处理的样本数据集中变电站设备声音数据进行数据预处理，生成多通道语谱图序列；步骤3，针对多通道语谱图序列，基于卷积神经网络编码和长短期记忆网络检测，构建变电站设备声音故障检测模型；步骤4，根据样本数据集对变电站设备声音故障检测模型进行训练，以得到训练好的变电站设备声音故障检测模型，变电站设备声音故障检测模型用于变电站设备声音故障检测及定位。通过本申请中的技术方案，克服现有变电站设备声音故障检测技术中检测效率低以及算法鲁棒性差等问题。
本申请中的步骤可根据实际需求进行顺序调整、合并和删减。
本申请装置中的单元可根据实际需求进行合并、划分和删减。
尽管参考附图详地公开了本申请，但应理解的是，这些描述仅仅是示例性的，并非用来限制本申请的应用。本申请的保护范围由附加权利要求限定，并可包括在不脱离本申请保护范围和精神的情况下针对发明所作的各种变型、改型及等效方案。
Claims (9)
1.一种基于深度学习的变电站设备声音故障检测及定位方法，其特征在于，所述方法包括：
步骤1，获取变电站设备声音数据，并对所述变电站设备声音数据进行数据标注，添加数据标签，生成样本数据集，其中，所述数据标签包括故障类别以及故障位置信息；
步骤2，采用音频加噪的方式对所述样本数据集进行数据增强，并对增强处理的样本数据集中变电站设备声音数据进行数据预处理，生成多通道语谱图序列；
步骤3，针对所述多通道语谱图序列，基于所述卷积神经网络编码和所述长短期记忆网络检测，构建变电站设备声音故障检测模型，其中，所述变电站设备声音故障检测模型包括特征自编码子网络SE-GhostNet和LSTM时频特征矢量序列检测子网络；
步骤4，根据所述样本数据集对所述变电站设备声音故障检测模型进行训练，以得到训练好的变电站设备声音故障检测模型，所述变电站设备声音故障检测模型用于变电站设备声音故障检测及定位。
2.如权利要求1所述的基于深度学习的变电站设备声音故障检测及定位方法，其特征在于，
所述特征自编码子网络SE-GhostNet用于根据所述多通道语谱图序列进行非线性映射，得到时频特征矢量序列；
所述LSTM时频特征矢量序列检测子网络用于根据所述时频特征矢量序列，对所述变电站设备声音故障进行检测及定位。
3.如权利要求1所述的基于深度学习的变电站设备声音故障检测及定位方法，其特征在于，所述步骤4中，根据所述样本数据集对所述变电站设备声音故障检测模型进行训练，其特征在于，具体包括：
步骤41，将所述样本数据集中的变电站设备声音数据进行数据预处理，得到多通道语谱图序列，进行多次卷积操作，提取所述变电站设备声音数据的抽象特征，记作特征图Cm；
步骤42，将所述特征图Cm输入至SE-卷积模块中，利用通道间注意力机制，计算所述特征图Cm对应的各通道全局特征Wsq，并对所述各通道全局特征Wsq进行激励操作，并根据所述各通道间的非线性关系，计算对应的输出特征图Cm+1；
步骤43，将所述输出特征图Cm+1输入至所述变电站设备声音故障检测模型中的多层全连接网络，计算所述变电站设备声音数据的时频特征矢量序列；
步骤44，将所述时频特征矢量序列输入至所述变电站设备声音故障检测模型中的时频特征矢量序列检测子网络，通过遗忘门机制、输入门机制和输出门机制，计算所述变电站设备声音数据的故障检测及定位的预测结果，并与所述变电站设备声音数据的所述数据标签进行对比，以完成所述变电站设备声音故障检测模型的训练。
4.如权利要求3所述的基于深度学习的变电站设备声音故障检测及定位方法，其特征在于，所述步骤42中，计算所述全局特征Wsq的计算公式为：
式中，Fsq是挤压操作，h、w、c分别为所述的输入特征图Cm的高、宽和通道维度，Wsq为挤压后得到的全局特征。
5.如权利要求3所述的基于深度学习的变电站设备声音故障检测及定位方法，其特征在于，所述步骤42中，所述激励操作的计算公式为：
Wex＝Fex(Wsq,Wc)＝σ(W2ReLU(W1Wsq))
式中，Fex为激励操作，以获取各通道间的非线性关系，Wsq为所述全局特征，Wc为激励系数矩阵，σ为Sigmoid函数实现的门机制，W1为降维矩阵，W2为恢复矩阵。
6.如权利要求3所述的基于深度学习的变电站设备声音故障检测及定位方法，其特征在于，所述步骤44中，所述预测结果的计算公式为：
式中，t为时间步，
为预测结果，f(t)、i(t)、o(t)分别为遗忘门、输入门、输出门在t时间步的激活状态系数，c(t-1)为时频特征矢量序列检测子网络在t-1时间步的单元状态，Wc为单元状态系数矩阵，bc为单元状态偏置。
7.如权利要求1至6中任一项所述的基于深度学习的变电站设备声音故障检测及定位方法，其特征在于，所述故障位置信息包括：设备故障点与三维坐标系原点间的方位角、俯仰角和距离。
8.如权利要求7所述的基于深度学习的变电站设备声音故障检测及定位方法，其特征在于，所述三维坐标系原点为声音采集设备阵列的几何中心，所述声音采集设备阵列用于采集所述变电站设备声音数据。
9.一种适用于变电站设备声音故障的单阶段端到端检测装置，其特征在于，所述声音故障检装置包括声音采集设备阵列以及处理器、存储器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1至8中任一项所述的基于深度学习的变电站设备声音故障检测及定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011058535.6A CN112183647A (zh) | 2020-09-30 | 2020-09-30 | 一种基于深度学习的变电站设备声音故障检测及定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011058535.6A CN112183647A (zh) | 2020-09-30 | 2020-09-30 | 一种基于深度学习的变电站设备声音故障检测及定位方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112183647A true CN112183647A (zh) | 2021-01-05 |
Family
ID=73945490
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011058535.6A Pending CN112183647A (zh) | 2020-09-30 | 2020-09-30 | 一种基于深度学习的变电站设备声音故障检测及定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112183647A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112910695A (zh) * | 2021-01-22 | 2021-06-04 | 湖北工业大学 | 基于全局注意力时域卷积网络的网络故障预测方法 |
| CN113067805A (zh) * | 2021-03-15 | 2021-07-02 | 衢州学院 | 基于边缘计算的物联网弱电磁干扰攻击检测方法及系统 |
| CN113343969A (zh) * | 2021-06-21 | 2021-09-03 | 重庆科技学院 | 一种基于GBS-YOLOv5s的指针式仪表智能数显方法 |
| CN113591532A (zh) * | 2021-04-13 | 2021-11-02 | 电子科技大学 | 一种基于自选择机制的实时行人检测与特征提取模块 |
| CN113823324A (zh) * | 2021-11-22 | 2021-12-21 | 天津大学 | 一种基于迁移学习的柴油机燃烧噪声检测方法及系统 |
| CN114154538A (zh) * | 2021-11-26 | 2022-03-08 | 哈尔滨工程大学 | 一种基于相位编码和设备信息的工业声音异常检测系统 |
| CN114325214A (zh) * | 2021-11-18 | 2022-04-12 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于麦克风阵列声源定位技术的电力在线监测方法 |
| CN114638256A (zh) * | 2022-02-22 | 2022-06-17 | 合肥华威自动化有限公司 | 基于声波信号及注意力网络的变压器故障检测方法及其系统 |
| CN116668645A (zh) * | 2023-08-01 | 2023-08-29 | 成都汉度科技有限公司 | 一种变电站动环监控方法及设备 |
| CN114638256B (zh) * | 2022-02-22 | 2024-05-31 | 合肥华威自动化有限公司 | 基于声波信号及注意力网络的变压器故障检测方法及其系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106934421A (zh) * | 2017-03-16 | 2017-07-07 | 山东大学 | 基于2dpca及svm的变电站电力变压器故障检测系统及检测方法 |
| CN107209509A (zh) * | 2015-02-03 | 2017-09-26 | 三菱电机株式会社 | 异常声音诊断装置、异常声音诊断系统、异常声音诊断方法以及异常声音诊断程序 |
| US10602268B1 (en) * | 2018-12-20 | 2020-03-24 | Sonos, Inc. | Optimization of network microphone devices using noise classification |
-
2020
- 2020-09-30 CN CN202011058535.6A patent/CN112183647A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107209509A (zh) * | 2015-02-03 | 2017-09-26 | 三菱电机株式会社 | 异常声音诊断装置、异常声音诊断系统、异常声音诊断方法以及异常声音诊断程序 |
| CN106934421A (zh) * | 2017-03-16 | 2017-07-07 | 山东大学 | 基于2dpca及svm的变电站电力变压器故障检测系统及检测方法 |
| US10602268B1 (en) * | 2018-12-20 | 2020-03-24 | Sonos, Inc. | Optimization of network microphone devices using noise classification |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112910695A (zh) * | 2021-01-22 | 2021-06-04 | 湖北工业大学 | 基于全局注意力时域卷积网络的网络故障预测方法 |
| CN112910695B (zh) * | 2021-01-22 | 2022-07-19 | 湖北工业大学 | 基于全局注意力时域卷积网络的网络故障预测方法 |
| CN113067805A (zh) * | 2021-03-15 | 2021-07-02 | 衢州学院 | 基于边缘计算的物联网弱电磁干扰攻击检测方法及系统 |
| CN113591532A (zh) * | 2021-04-13 | 2021-11-02 | 电子科技大学 | 一种基于自选择机制的实时行人检测与特征提取模块 |
| CN113343969A (zh) * | 2021-06-21 | 2021-09-03 | 重庆科技学院 | 一种基于GBS-YOLOv5s的指针式仪表智能数显方法 |
| CN114325214A (zh) * | 2021-11-18 | 2022-04-12 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于麦克风阵列声源定位技术的电力在线监测方法 |
| CN113823324A (zh) * | 2021-11-22 | 2021-12-21 | 天津大学 | 一种基于迁移学习的柴油机燃烧噪声检测方法及系统 |
| CN114154538A (zh) * | 2021-11-26 | 2022-03-08 | 哈尔滨工程大学 | 一种基于相位编码和设备信息的工业声音异常检测系统 |
| CN114638256A (zh) * | 2022-02-22 | 2022-06-17 | 合肥华威自动化有限公司 | 基于声波信号及注意力网络的变压器故障检测方法及其系统 |
| CN114638256B (zh) * | 2022-02-22 | 2024-05-31 | 合肥华威自动化有限公司 | 基于声波信号及注意力网络的变压器故障检测方法及其系统 |
| CN116668645A (zh) * | 2023-08-01 | 2023-08-29 | 成都汉度科技有限公司 | 一种变电站动环监控方法及设备 |
| CN116668645B (zh) * | 2023-08-01 | 2023-09-29 | 成都汉度科技有限公司 | 一种变电站动环监控方法及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112183647A (zh) | 一种基于深度学习的变电站设备声音故障检测及定位方法 | |
| US10332510B2 (en) | Method and apparatus for training language model and recognizing speech | |
| CN109036467B (zh) | 基于tf-lstm的cffd提取方法、语音情感识别方法及系统 | |
| JP2022105263A (ja) | グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 | |
| CN112200244B (zh) | 一种基于递阶对抗训练的航天发动机异常智能检测方法 | |
| US20230152187A1 (en) | Fault signal locating and identifying method of industrial equipment based on microphone array | |
| CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
| CN111540346A (zh) | 一种远场声音分类方法和装置 | |
| CN111275108A (zh) | 基于生成对抗网络对局部放电数据进行样本扩展的方法 | |
| CN112348052A (zh) | 一种基于改进EfficientNet的输变电设备异常声源定位方法 | |
| CN111128178A (zh) | 一种基于面部表情分析的语音识别方法 | |
| Zhang et al. | Temporal Transformer Networks for Acoustic Scene Classification. | |
| CN114582325A (zh) | 音频检测方法、装置、计算机设备、存储介质 | |
| CN111429943A (zh) | 音频中音乐及音乐相对响度的联合检测方法 | |
| CN114974229A (zh) | 基于电力现场作业音频数据提取异常行为的方法和系统 | |
| CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
| Luo et al. | A fault diagnosis method for rotating machinery with variable speed based on multi-feature fusion and improved ShuffleNet V2 | |
| Wang et al. | Spatial-aware speaker diarization for multi-channel multi-party meeting | |
| Shi et al. | Which Ones Are Speaking? Speaker-Inferred Model for Multi-Talker Speech Separation. | |
| CN116965819A (zh) | 基于语音表征的抑郁症识别方法和系统 | |
| CN111443328A (zh) | 基于深度学习的声音事件检测与定位方法 | |
| Spoorthy et al. | Polyphonic Sound Event Detection Using Mel-Pseudo Constant Q-Transform and Deep Neural Network | |
| CN113156278A (zh) | 一种基于cnn网络的gis局部放电定位方法 | |
| Song et al. | Decoupling Temporal Convolutional Networks Model in Sound Event Detection and Localization | |
| Ding et al. | An improved re-parameterized visual geometry group network for rolling bearing fault diagnosis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |