CN112508058B - 基于音频特征分析的变压器故障诊断方法及装置 - Google Patents
基于音频特征分析的变压器故障诊断方法及装置 Download PDFInfo
- Publication number
- CN112508058B CN112508058B CN202011286122.3A CN202011286122A CN112508058B CN 112508058 B CN112508058 B CN 112508058B CN 202011286122 A CN202011286122 A CN 202011286122A CN 112508058 B CN112508058 B CN 112508058B
- Authority
- CN
- China
- Prior art keywords
- feature
- audio
- input
- fault diagnosis
- attention
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 230000009467 reduction Effects 0.000 claims abstract description 52
- 230000004927 fusion Effects 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 238000001228 spectrum Methods 0.000 claims abstract description 23
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 49
- 238000006243 chemical reaction Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 238000007526 fusion splicing Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 7
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 229910000976 Electrical steel Inorganic materials 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Complex Calculations (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了基于音频特征分析的变压器故障诊断方法及装置，包括：基于待分析音频数据进行分解获取噪声分量和降噪分量；获取降噪音频的Mel频谱；将降噪音频频谱图输入到预设的卷积神经网络，所述预设的卷积神经网络：通过卷积层网络分别对输入的频谱图提取特征；通过特征优化层网络获取融合优化特征；通过分类预测层网络预测变压器音频属于不同类别的概率大小，获取变压器故障诊断结果，本发明先通过变分模态分解算法对音频数据分离噪声，再通过在卷积神经网络中加入注意力模块过滤无效特征信息，两者结合提高了对音频数据中有益特征的提取能力，从而提高卷积神经网络基于音频数据进行变压器故障诊断的准确性和效率。
Description
技术领域
本发明涉及变压器故障分析技术领域，具体涉及基于音频特征分析的变压器故障诊断方法及装置。
背景技术
目前对变压器的状态监测主要涉及异常电压、异常电流、异常温度等，需要不同传感器单元进行监测。变压器在合闸通电运行后，铁芯中交变的磁通会在铁芯硅钢片间产生一种力的振动的记过。因此会有“嗡嗡”的响声发出，这一声音的大小和施加于变压器上的电压和电流成正比。正常运行中，变压器铁芯声音应是均匀的，但是，如果出现异常电流或者异常电压，这一声音的特性将发生变化。同时，变压器的零件松动，铁芯故障，匝间短路等其他情况均会导致这一声音特性的变化。
考虑到变压器音频数据的受复杂多变的环境的干扰，会包含除了变压器异常声意外包括噪声等无效特征，使得因变压器异常产生的音频异常特征难以得到凸显，降低了通过音频数据进行变压器故障诊断的准确性和效率。
发明内容
针对上述现有技术存在的问题，本发明提供了基于音频特征分析的变压器故障诊断方法，包括如下步骤：
基于待分析音频数据进行分解获取噪声分量和降噪分量，对降噪分量进行重构获得降噪音频；
获取降噪音频的Mel频谱；
将降噪音频频谱图输入到预设的卷积神经网络，所述预设的卷积神经网络：
通过卷积层网络分别对输入的频谱图提取特征；
通过特征优化层网络将提取的特征进行优化获取融合优化特征；
通过分类预测层网络预测变压器音频属于不同类别的概率大小，获取变压器故障诊断结果。
作为上述方案的进一步优化，所述预设的卷积神经网络在基于数据集进行训练时，包括基于音频采集信号转换成Mel频谱后，对Mel频谱进行数据增强。
作为上述方案的进一步优化，所述基于待分析音频数据进行分解获取噪声分量和降噪分量，包括如下步骤：
基于音频数据的模态能量和模态中心频率变化规律建立目标函数；
采用智能优化算法迭代搜索目标函数的最优解；
基于目标函数最优解时的参数作为变分模态分解算法的参数，对该待分析音频数据进行自适应分解，获得变分模态分量；
若变分模态分量的频率达到第一预设阈值则记为噪声分量，否则记为降噪分量。
作为上述方案的进一步优化，所述第一预设阈值的获取方法为：
将变分模态分量按照频率大小从大到小排序，并获取对应的能量熵；
第一预设阈值为能量熵第一次取得局部极小值时对应的变分模态分量。
作为上述方案的进一步优化，所述通过特征优化层网络将提取的特征优化获取融合优化特征，包括如下步骤：
(1)将提取的特征输入到注意力模块进行不同特征的权重分配；
(2)权重分配后的多个特征输入到反馈模块获取反馈特征；
(3)反馈特征和提取的特征重新输入到注意力模块进行不同特征的权重分配；
(4)重复(2)和(3)直至达到预设重复次数，获取最终特征。
作为上述方案的进一步优化，所述注意力模块包括并联的第一注意力单元和第二注意力单元，其中第一注意力单元对输入特征图的处理方法为：通过并联的三个处理路径分别对特征图进行处理，其中第一处理路径对特征图依次进行卷积、尺度变换和降维，第二处理路径对特征图依次进行卷积、尺度变换，第三处理路径对特征图依次进行卷积、尺度变换，第一处理路径降维处理后的特征图与第二处理路径尺度变换后的特征图相乘后通过SOFTMAX函数获取第一融合特征图，所述第一融合特征图和第三处理路径尺度变换后的特征图相乘后与预设第一参数相乘，并通过尺度逆变换恢复成输入特征图的原始尺度输出第二融合特征图，将第二融合特征图和第一注意力单元的输入特征图进行相加融合后得到第一注意力特征图；
其中第二注意力单元对输入特征图的处理方法为：通过并联的三个处理路径分别对特征图进行处理，其中第一处理路径对特征图依次进行卷积、尺度变换，第二处理路径对特征图依次进行卷积、尺度变换，第三处理路径对特征图依次进行卷积、尺度变换和降维，第三处理路径降维处理后的特征图与第二处理路径尺度变换后的特征图相乘后通过SOFTMAX函数获取第三融合特征图，所述第三融合特征图和第一处理路径尺度变换后的特征图相乘后与预设第二参数相乘，并通过尺度逆变换恢复成输入特征图的原始尺度输出第四融合特征图，将第四融合特征图和第二注意力单元的输入特征图进行相加融合后得到第二注意力特征图；
所述第一注意力特征图和第二第一注意力特征图相加融合后作为注意力模块的输出结果。
作为上述方案的进一步优化，，所述反馈模块包括多组下采样卷积层和上采样反卷积层连接结构，每组连接结构之间密集连接。
本发明还提供了基于音频特征分析的变压器故障诊断装置，包括：
音频噪声分离模块，用于基于待分析音频数据进行分解获取噪声分量和降噪分量，对降噪分量进行重构获得降噪音频；
Mel频谱获取模块，用于获取降噪音频的Mel频谱；
变压器故障诊断模块，用于将降噪音频频谱图输入到预设的卷积神经网络，所述预设的卷积神经网络：
通过卷积层网络分别对输入的频谱图提取特征；
通过特征优化层网络将提取的特征进行优化获取融合优化特征；
通过分类预测层网络预测变压器音频属于不同类别的概率大小，获取变压器故障诊断结果。
本发明还提供了一种电子设备，所述电子设备包括：
存储器，用于存储可执行指令；
处理器，用于运行所述存储器存储的可执行指令时，实现上述的变压器故障诊断方法。
本发明还提供了一种计算机可读存储介质，存储有可执行指令，所述可执行指令被处理器执行时实现上述的变压器故障诊断方法。
本发明的一种基于音频特征分析的变压器故障诊断方法及装置，具备的有益效果：
1、基于在通过卷积神经网络进行变压器故障诊断之前先通过变分模态分解算法对音频数据分离噪声，再通过在卷积神经网络中加入注意力模块过滤无效特征信息，两者结合提高了对干扰特征的抑制以及对有用信息的加强，实现对音频数据中有益特征的提取，提高卷积神经网络基于音频数据进行变压器故障诊断的准确性和效率。
2、在对卷积神经网络进行模型训练时，通过对采集的音频数据的Mel频谱进行数据增强，对训练数据集扩充，提高卷积神经网络的泛化能力，从而提高变压器故障诊断结果的准确性。
3、在基于音频数据的Mel频谱特征图进行变压器故障诊断之前，通过变分模态分解算法对音频数据分离噪声的过程中，在变分模态分解算法的参数选择过程中利用智能优化算法迭代搜索获取最优参数组合，化了变分模态分解算法，并且将能量熵第一次取得局部极小值时对应的变分模态分量为第一预设阈值作为分解点对噪声进行分离，两者结合实现音频数据噪声的有效分离。
4、在通过卷积神经网络对音频数据的Mel频谱特征图进行变压器故障诊断时，通过多注意力单元结合的注意力模块对特征图进行权重分配，使得神经网络对不同特征自动分配不同的注意力资源，从而忽略无用特征，提取频谱中的更多的有益特征。进一步的，结合反馈模块将卷积层网络基于频谱图提取的特征和反馈模块输出的特征融合，通过多次反馈实现浅层特征和深层特征的融合，提高特征的深层次表征能力。
附图说明
图1是本发明基于音频特征分析的变压器故障诊断方法的流程图；
图2是图1中变分模态分解算法进行降噪的方法流程图；
图3是图1中注意力模块对特征图进行特征权重分配的方法流程图；
图4是本发明的基于音频特征分析的变压器故障诊断装置的结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请基于音频特征分析的变压器故障诊断方法，通过卷积神经网络实现故障诊断，对于该卷积神经网络的训练过程中，为了提高变压器故障诊断准确性，在基于数据集进行训练时，包括对采集的数据集进行数据增强处理，在本申请实施例中，对音频数据增强不采用直接对音频数据处理，而是基于音频采集信号转换成Mel频谱后，对Mel频谱进行数据增强，参照对图像数据的增强处理，对Mel频谱的数据增强通过对Mel频谱进行时移和部分剪切，该部分剪切的方法可以为：在原有Mel频谱图上，剪切一段时间的频谱图，也可以基于频谱的频率属性剪切满足预设条件的频率部分。
该卷积神经网络训练完成后，对于待分析音频数据，考虑到采集的音频数据中含有与故障诊断预测无关的噪声信号，本实施例中先基于待分析音频数据进行分解获取噪声分量和降噪分量，对降噪分量进行重构获得降噪音频；该分解方法采用变分模态分解算法，在对变分模态分解算法的参数选择上采用智能优化算法，具体包括如下步骤：
基于音频数据的模态能量和模态中心频率变化规律建立目标函数，以每个模态的估计带宽之和最小为目标函数，本实施例中该目标函数中引入惩罚项，目标函数为：
其中，K为模态个数，L({ui},{ωi},λ)为目标函数，ui(t)为音频信号xi(t)的子分量信号，为梯度运算，/>ui和ωi为分别为K个模态分量的集合和K个模态分量中心频率的集合，λ为惩罚项，α为乘法算子，δ(t)为ui(t)的实部。
采用智能优化算法迭代搜索目标函数的最优解，该智能优化算法可以为粒子群优化算法、蚁群算法等；
基于目标函数最优解时的参数作为变分模态分解算法的参数，对该待分析音频数据进行自适应分解，获得变分模态分量；
若变分模态分量的频率达到第一预设阈值则记为噪声分量，否则记为降噪分量，其中，第一预设阈值的获取方法为，将变分模态分量按照频率大小从大到小排序，并获取对应的能量熵；能量熵第一次取得局部极小值时对应的变分模态分量作为第一预设阈值。
基于降噪分量进行重构获得降噪音频，并基于该降噪音频数据，获取其Mel频谱；
将降噪音频频谱图输入到预设的卷积神经网络，该预设的卷积神经网络：
通过卷积层网络对输入的频谱图提取特征；
通过特征优化层网络将提取的特征进行优化获取融合优化特征；
通过分类预测层网络预测变压器音频属于不同类别的概率大小，获取变压器故障诊断结果。
本实施例中，卷积神经网络的特征优化层网络获取融合优化特征的方法，包括如下步骤：
(1)将提取的特征输入到注意力模块进行不同特征的权重分配；
(2)权重分配后的多个特征输入到反馈模块获取反馈特征；
(3)反馈特征和提取的特征重新输入到注意力模块进行不同特征的权重分配；
(4)重复(2)和(3)直至达到预设重复次数，获取最终特征。
本申请实施例中，通过注意力模块对提取的特征根据重要性进行权重分配，使得神经网络对不同特征自动分配不同的注意力资源，从而忽略无用特征，提取频谱中的更多的有益特征。在此基础上，通过反馈模块，将卷积层网络基于频谱图提取的特征和反馈模块输出的特征融合，且通过多次反馈实现浅层特征和深层特征的融合，提高特征的表征能力。
本实施例中，上述的注意力模块采用多注意力单元结合的方式，具体包括并联的第一注意力单元和第二注意力单元，
其中第一注意力单元对输入特征图的处理方法为：通过并联的三个处理路径分别对特征图进行处理，其中第一处理路径对特征图依次进行卷积、尺度变换和降维，第二处理路径对特征图依次进行卷积、尺度变换，第三处理路径对特征图依次进行卷积、尺度变换，第一处理路径降维处理后的特征图与第二处理路径尺度变换后的特征图相乘后通过SOFTMAX函数获取第一融合特征图，所述第一融合特征图和第三处理路径尺度变换后的特征图相乘后与预设第一参数相乘，并通过尺度逆变换恢复成输入特征图的原始尺度输出第二融合特征图，将第二融合特征图和第一注意力单元的输入特征图进行相加融合后得到第一注意力特征图；
其中第二注意力单元对输入特征图的处理方法为：通过并联的三个处理路径分别对特征图进行处理，其中第一处理路径对特征图依次进行卷积、尺度变换，第二处理路径对特征图依次进行卷积、尺度变换，第三处理路径对特征图依次进行卷积、尺度变换和降维，第三处理路径降维处理后的特征图与第二处理路径尺度变换后的特征图相乘后通过SOFTMAX函数获取第三融合特征图，所述第三融合特征图和第一处理路径尺度变换后的特征图相乘后与预设第二参数相乘，并通过尺度逆变换恢复成输入特征图的原始尺度输出第四融合特征图，将第四融合特征图和第二注意力单元的输入特征图进行相加融合后得到第二注意力特征图；其中预设第一参数和预设第二参数在卷积神经网络模型训练时初始值为0，并随着模型训练进行更新。
其中第一注意力单元通过位置注意力机制获取输入特征图不同位置的特征关联性，并对关联性强的特征增加权重，对于某个特定的特征，被所有位置上的特征加权和更新得到第一注意力特征图，第二注意力单元通过通道注意力机制获取输入特征图不同通道的特征图的关联性，并对关联性强的特征增加权重，得到第二注意力特征图，将第一注意力特征图和第二注意力特征图进行相加融合得到注意力模块的输出结果，得到权重分配后的表征能力提高的特征图。
本实施例中，反馈模块包括三组下采样卷积层和上采样反卷积层连接结构，具体的，每组连接结构包括依次连接的一个上采样反卷积层和一个下采样卷积层，反馈模块的输入特征图依次经过第一组连接结构、第二组连接结构和第三组连接结构输出反馈信息，输入特征图在第一组连接结构之前还通过设置一个输入卷积层将输入的特征图和上一时刻输出的反馈信息进行融合拼接，在反馈模块的输入特征图经过第二组连接结构和第三组连接结构时，为了简化下采样卷积层和上采样反卷积层的计算复杂度，还在每个下采样卷积层和上采样反卷积层之前加一个卷积核为1x1的卷积层。为了在反馈模块中加强特征传播和减少参数数量，每组连接结构之间密集连接，具体为输入卷积层的输出、第1组到第j组连接结构的下采样卷积层的输出(j＝i-1)融合输入到第i组连接结构的上采样反卷积层，第1组到第i组连接结构的上采样卷积层的输出融合输入到第i组连接结构的下采样反卷积层，同时为了融合每组连接结构输出的特征信息，将每组连接结构下采样卷积层的输出结果融合后通过一个输出卷积层输出反馈信息，经过预设重复次数的步骤(2)和(3)，获取最终特征。
基于该最终特征，通过该预设卷积神经网络的分类预测层网络即依次连接的全连接层和softmax层输出对待分析变压器音频属于不同类别的概率大小预测结果，获取变压器故障诊断结果。
基于上述基于音频特征分析的变压器故障诊断方法，本申请实施例还提供了一种基于音频特征分析的变压器故障诊断装置，包括：
音频噪声分离模块，用于基于待分析音频数据进行分解获取噪声分量和降噪分量，对降噪分量进行重构获得降噪音频；
Mel频谱获取模块，用于获取降噪音频的Mel频谱；
变压器故障诊断模块，用于将降噪音频频谱图输入到预设的卷积神经网络，所述预设的卷积神经网络：
通过卷积层网络对输入的频谱图提取特征；
通过特征优化层网络将提取的特征进行优化获取融合优化特征；
通过分类预测层网络预测变压器音频属于不同类别的概率大小，获取变压器故障诊断结果。
基于上述基于音频特征分析的变压器故障诊断方法，本申请实施例还提供了一种电子设备，该电子设备包括：
存储器，用于存储可执行指令；
处理器，用于运行所述存储器存储的可执行指令时，实现上述的变压器故障诊断方法。
基于上述基于音频特征分析的变压器故障诊断方法，本申请实施例还提供了一种计算机可读存储介质，存储有可执行指令，该可执行指令被处理器执行时实现上述的变压器故障诊断方法。
本申请实施例中的存储器用于存储各种类型的数据以支持电子设备的操作。这些数据的示例包括：用于在电子设备上操作的任何可执行指令，如可执行指令，实现上述变压器故障诊断方法的程序可以包含在可执行指令中。
本申请实施例提供的变压器故障诊断装置可以采用软硬件结合实施的方式，作为示例，本发明实施例所提供的变压器故障诊断装置可以直接体现为由处理器执行的软件模块组合，软件模块可以位于存储介质中，存储介质位于存储器，处理器读取存储器中软件模块包括的可执行指令，结合必要的硬件(例如，包括处理器以及连接到总线的其他组件)完成本实施例提供的变压器故障诊断方法。
本发明不局限于上述具体的实施方式，本领域的普通技术人员从上述构思出发，不经过创造性的劳动，所做出的种种变换，均落在本发明的保护范围之内。
Claims (9)
1.基于音频特征分析的变压器故障诊断方法，其特征在于，包括：
基于待分析音频数据进行分解获取噪声分量和降噪分量，对降噪分量进行重构获得降噪音频；
获取降噪音频的Mel频谱；
将降噪音频频谱图输入到预设的卷积神经网络，所述预设的卷积神经网络：
通过卷积层网络分别对输入的频谱图提取特征；
通过特征优化层网络将提取的特征进行优化获取融合优化特征；
通过分类预测层网络预测变压器音频属于不同类别的概率大小，获取变压器故障诊断结果；
所述通过特征优化层网络将提取的特征优化获取融合优化特征，包括如下步骤：
（1）将提取的特征输入到注意力模块进行不同特征的权重分配；
（2）权重分配后的多个特征输入到反馈模块获取反馈特征；
（3）反馈特征和提取的特征重新输入到注意力模块进行不同特征的权重分配；
（4）重复（2）和（3）直至达到预设重复次数，获取最终特征；
反馈模块包括三组下采样卷积层和上采样反卷积层连接结构，每组下采样卷积层和上采样反卷积层连接结构包括依次连接的一个上采样反卷积层和一个下采样卷积层，反馈模块的输入特征图依次经过第一组连接结构、第二组连接结构和第三组连接结构输出反馈信息，输入特征图在第一组连接结构之前还通过设置一个输入卷积层将输入的特征图和上一时刻输出的反馈信息进行融合拼接，在反馈模块的输入特征图经过第二组连接结构和第三组连接结构时，在每个下采样卷积层和上采样反卷积层之前加一个卷积核为1x1的卷积层。
2.根据权利要求1所述的基于音频特征分析的变压器故障诊断方法，其特征在于，所述预设的卷积神经网络在基于数据集进行训练时，包括基于音频采集信号转换成Mel频谱后，对Mel频谱进行数据增强。
3.根据权利要求1所述的基于音频特征分析的变压器故障诊断方法，其特征在于，所述基于待分析音频数据进行分解获取噪声分量和降噪分量，包括如下步骤：
基于音频数据的模态能量和模态中心频率变化规律建立目标函数；
采用智能优化算法迭代搜索目标函数的最优解；
基于目标函数最优解时的参数作为变分模态分解算法的参数，对该待分析音频数据进行自适应分解，获得变分模态分量；
若变分模态分量的频率达到第一预设阈值则记为噪声分量，否则记为降噪分量。
4.根据权利要求3所述的基于音频特征分析的变压器故障诊断方法，其特征在于，所述第一预设阈值的获取方法为：
将变分模态分量按照频率大小从大到小排序，并获取对应的能量熵；
第一预设阈值为能量熵第一次取得局部极小值时对应的变分模态分量。
5.根据权利要求1所述的基于音频特征分析的变压器故障诊断方法，其特征在于，所述注意力模块包括并联的第一注意力单元和第二注意力单元，其中第一注意力单元对输入特征图的处理方法为：通过并联的三个处理路径分别对特征图进行处理，其中第一处理路径对特征图依次进行卷积、尺度变换和降维，第二处理路径对特征图依次进行卷积、尺度变换，第三处理路径对特征图依次进行卷积、尺度变换，第一处理路径降维处理后的特征图与第二处理路径尺度变换后的特征图相乘后通过SOFTMAX函数获取第一融合特征图，所述第一融合特征图和第三处理路径尺度变换后的特征图相乘后与预设第一参数相乘，并通过尺度逆变换恢复成输入特征图的原始尺度输出第二融合特征图，将第二融合特征图和第一注意力单元的输入特征图进行相加融合后得到第一注意力特征图；
其中第二注意力单元对输入特征图的处理方法为：通过并联的三个处理路径分别对特征图进行处理，其中第一处理路径对特征图依次进行卷积、尺度变换，第二处理路径对特征图依次进行卷积、尺度变换，第三处理路径对特征图依次进行卷积、尺度变换和降维，第三处理路径降维处理后的特征图与第二处理路径尺度变换后的特征图相乘后通过SOFTMAX函数获取第三融合特征图，所述第三融合特征图和第一处理路径尺度变换后的特征图相乘后与预设第二参数相乘，并通过尺度逆变换恢复成输入特征图的原始尺度输出第四融合特征图，将第四融合特征图和第二注意力单元的输入特征图进行相加融合后得到第二注意力特征图；
所述第一注意力特征图和第二第一注意力特征图相加融合后作为注意力模块的输出结果。
6.根据权利要求1所述的基于音频特征分析的变压器故障诊断方法，其特征在于，所述反馈模块包括多组下采样卷积层和上采样反卷积层连接结构，每组连接结构之间密集连接。
7.基于音频特征分析的变压器故障诊断装置，其特征在于，包括：
音频噪声分离模块，用于基于待分析音频数据进行分解获取噪声分量和降噪分量，对降噪分量进行重构获得降噪音频；
Mel频谱获取模块，用于获取降噪音频的Mel频谱；
变压器故障诊断模块，用于将降噪音频频谱图输入到预设的卷积神经网络，所述预设的卷积神经网络：
通过卷积层网络分别对输入的频谱图提取特征；
通过特征优化层网络将提取的特征进行优化获取融合优化特征；
通过分类预测层网络预测变压器音频属于不同类别的概率大小，获取变压器故障诊断结果；
所述通过特征优化层网络将提取的特征优化获取融合优化特征，包括如下步骤：
（1）将提取的特征输入到注意力模块进行不同特征的权重分配；
（2）权重分配后的多个特征输入到反馈模块获取反馈特征；
（3）反馈特征和提取的特征重新输入到注意力模块进行不同特征的权重分配；
（4）重复（2）和（3）直至达到预设重复次数，获取最终特征；
反馈模块包括三组下采样卷积层和上采样反卷积层连接结构，每组下采样卷积层和上采样反卷积层连接结构包括依次连接的一个上采样反卷积层和一个下采样卷积层，反馈模块的输入特征图依次经过第一组连接结构、第二组连接结构和第三组连接结构输出反馈信息，输入特征图在第一组连接结构之前还通过设置一个输入卷积层将输入的特征图和上一时刻输出的反馈信息进行融合拼接，在反馈模块的输入特征图经过第二组连接结构和第三组连接结构时，在每个下采样卷积层和上采样反卷积层之前加一个卷积核为1x1的卷积层。
8.一种电子设备，其特征在于，所述电子设备包括：
存储器，用于存储可执行指令；
处理器，用于运行所述存储器存储的可执行指令时，实现权利要求1至6任一项所述的变压器故障诊断方法。
9.一种计算机可读存储介质，存储有可执行指令，其特征在于，所述可执行指令被处理器执行时实现权利要求1至6任一项所述的变压器故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011286122.3A CN112508058B (zh) | 2020-11-17 | 2020-11-17 | 基于音频特征分析的变压器故障诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011286122.3A CN112508058B (zh) | 2020-11-17 | 2020-11-17 | 基于音频特征分析的变压器故障诊断方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112508058A CN112508058A (zh) | 2021-03-16 |
| CN112508058B true CN112508058B (zh) | 2023-11-14 |
Family
ID=74956443
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011286122.3A Active CN112508058B (zh) | 2020-11-17 | 2020-11-17 | 基于音频特征分析的变压器故障诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112508058B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110263920B (zh) * | 2019-06-21 | 2021-08-10 | 北京石油化工学院 | 卷积神经网络模型及其训练方法和装置、巡检方法和装置 |
| CN113823308B (zh) * | 2021-09-18 | 2023-11-28 | 东南大学 | 一种使用单个带噪语音样本进行语音去噪的方法 |
| CN113822243A (zh) * | 2021-11-22 | 2021-12-21 | 济南轨道交通集团有限公司 | 一种群体行为识别方法及系统 |
| 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 |
| CN115392293B (zh) * | 2022-08-01 | 2024-08-13 | 中国南方电网有限责任公司超高压输电公司昆明局 | 变压器故障的监测方法、装置、计算机设备和存储介质 |
| CN116366169B (zh) * | 2023-06-01 | 2023-10-24 | 浙江大学 | 超声波信道建模方法、电子设备及存储介质 |
| CN117237359B (zh) * | 2023-11-15 | 2024-02-20 | 天津市恒一机电科技有限公司 | 传送带撕裂检测方法、装置、存储介质和电子设备 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109101896A (zh) * | 2018-07-19 | 2018-12-28 | 电子科技大学 | 一种基于时空融合特征和注意力机制的视频行为识别方法 |
| CN109599129A (zh) * | 2018-11-13 | 2019-04-09 | 杭州电子科技大学 | 基于注意力机制和卷积神经网络的语音抑郁症识别方法 |
| CN109919316A (zh) * | 2019-03-04 | 2019-06-21 | 腾讯科技（深圳）有限公司 | 获取网络表示学习向量的方法、装置和设备及存储介质 |
| CN110017991A (zh) * | 2019-05-13 | 2019-07-16 | 山东大学 | 基于谱峭度和神经网络的滚动轴承故障分类方法及系统 |
| CN110146812A (zh) * | 2019-05-15 | 2019-08-20 | 吉林大学珠海学院 | 一种基于特征节点增量式宽度学习的电机故障诊断方法 |
| CN110188867A (zh) * | 2019-06-17 | 2019-08-30 | 浙江浙能嘉华发电有限公司 | 基于集成经验模态分解和卷积神经网络的汽轮机主机故障诊断方法 |
| CN110260925A (zh) * | 2019-07-12 | 2019-09-20 | 创新奇智(重庆)科技有限公司 | 司机停车技术优劣的检测方法及其系统、智能推荐方法、电子设备 |
| CN110276303A (zh) * | 2019-06-25 | 2019-09-24 | 湖南科技大学 | 基于vmd和dbn的转子不对中定量识别方法 |
| CN110322896A (zh) * | 2019-06-26 | 2019-10-11 | 上海交通大学 | 一种基于卷积神经网络的变压器故障声音识别方法 |
| CN110595609A (zh) * | 2019-09-29 | 2019-12-20 | 国网河南省电力公司南召县供电公司 | 一种通过声音异常快速判断变电设备故障的诊断装置 |
| CN111126338A (zh) * | 2019-12-31 | 2020-05-08 | 大连理工大学 | 一种融合视觉注意力机制的智能车辆环境感知方法 |
| CN111179971A (zh) * | 2019-12-03 | 2020-05-19 | 杭州网易云音乐科技有限公司 | 无损音频检测方法、装置、电子设备及存储介质 |
| CN111259921A (zh) * | 2019-12-19 | 2020-06-09 | 杭州安脉盛智能技术有限公司 | 一种基于改进小波包和深度学习的变压器声音异常检测方法 |
| CN111429948A (zh) * | 2020-03-27 | 2020-07-17 | 南京工业大学 | 一种基于注意力卷积神经网络的语音情绪识别模型及方法 |
| CN111553495A (zh) * | 2020-04-29 | 2020-08-18 | 山东卓文信息科技有限公司 | 一种基于概率神经网络的小型断路器故障分析方法 |
| CN111679654A (zh) * | 2020-06-17 | 2020-09-18 | 衢州职业技术学院 | 基于神经网络的电力驱动系统振动信号诊断方法及装置 |
| CN111696580A (zh) * | 2020-04-22 | 2020-09-22 | 广州多益网络股份有限公司 | 一种语音检测方法、装置、电子设备及存储介质 |
| CN111783903A (zh) * | 2020-08-05 | 2020-10-16 | 腾讯科技（深圳）有限公司 | 文本处理方法、文本模型的处理方法及装置、计算机设备 |
| CN111933188A (zh) * | 2020-09-14 | 2020-11-13 | 电子科技大学 | 一种基于卷积神经网络的声音事件检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108346428B (zh) * | 2017-09-13 | 2020-10-02 | 腾讯科技（深圳）有限公司 | 语音活动检测及其模型建立方法、装置、设备及存储介质 |
| US10940863B2 (en) * | 2018-11-01 | 2021-03-09 | GM Global Technology Operations LLC | Spatial and temporal attention-based deep reinforcement learning of hierarchical lane-change policies for controlling an autonomous vehicle |
-
2020
- 2020-11-17 CN CN202011286122.3A patent/CN112508058B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109101896A (zh) * | 2018-07-19 | 2018-12-28 | 电子科技大学 | 一种基于时空融合特征和注意力机制的视频行为识别方法 |
| CN109599129A (zh) * | 2018-11-13 | 2019-04-09 | 杭州电子科技大学 | 基于注意力机制和卷积神经网络的语音抑郁症识别方法 |
| CN109919316A (zh) * | 2019-03-04 | 2019-06-21 | 腾讯科技（深圳）有限公司 | 获取网络表示学习向量的方法、装置和设备及存储介质 |
| CN110017991A (zh) * | 2019-05-13 | 2019-07-16 | 山东大学 | 基于谱峭度和神经网络的滚动轴承故障分类方法及系统 |
| CN110146812A (zh) * | 2019-05-15 | 2019-08-20 | 吉林大学珠海学院 | 一种基于特征节点增量式宽度学习的电机故障诊断方法 |
| CN110188867A (zh) * | 2019-06-17 | 2019-08-30 | 浙江浙能嘉华发电有限公司 | 基于集成经验模态分解和卷积神经网络的汽轮机主机故障诊断方法 |
| CN110276303A (zh) * | 2019-06-25 | 2019-09-24 | 湖南科技大学 | 基于vmd和dbn的转子不对中定量识别方法 |
| CN110322896A (zh) * | 2019-06-26 | 2019-10-11 | 上海交通大学 | 一种基于卷积神经网络的变压器故障声音识别方法 |
| CN110260925A (zh) * | 2019-07-12 | 2019-09-20 | 创新奇智(重庆)科技有限公司 | 司机停车技术优劣的检测方法及其系统、智能推荐方法、电子设备 |
| CN110595609A (zh) * | 2019-09-29 | 2019-12-20 | 国网河南省电力公司南召县供电公司 | 一种通过声音异常快速判断变电设备故障的诊断装置 |
| CN111179971A (zh) * | 2019-12-03 | 2020-05-19 | 杭州网易云音乐科技有限公司 | 无损音频检测方法、装置、电子设备及存储介质 |
| CN111259921A (zh) * | 2019-12-19 | 2020-06-09 | 杭州安脉盛智能技术有限公司 | 一种基于改进小波包和深度学习的变压器声音异常检测方法 |
| CN111126338A (zh) * | 2019-12-31 | 2020-05-08 | 大连理工大学 | 一种融合视觉注意力机制的智能车辆环境感知方法 |
| CN111429948A (zh) * | 2020-03-27 | 2020-07-17 | 南京工业大学 | 一种基于注意力卷积神经网络的语音情绪识别模型及方法 |
| CN111696580A (zh) * | 2020-04-22 | 2020-09-22 | 广州多益网络股份有限公司 | 一种语音检测方法、装置、电子设备及存储介质 |
| CN111553495A (zh) * | 2020-04-29 | 2020-08-18 | 山东卓文信息科技有限公司 | 一种基于概率神经网络的小型断路器故障分析方法 |
| CN111679654A (zh) * | 2020-06-17 | 2020-09-18 | 衢州职业技术学院 | 基于神经网络的电力驱动系统振动信号诊断方法及装置 |
| CN111783903A (zh) * | 2020-08-05 | 2020-10-16 | 腾讯科技（深圳）有限公司 | 文本处理方法、文本模型的处理方法及装置、计算机设备 |
| CN111933188A (zh) * | 2020-09-14 | 2020-11-13 | 电子科技大学 | 一种基于卷积神经网络的声音事件检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| Cross-level reinforced attention network for person re-identification;Min Jiang等;《Journal of Visual Communication and Image Representation》;1-9 * |
| Dual Attention Network for Scene Segmentation;Jun Fu等;《2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)》;20200109;摘要、第1-4节 * |
| 参数优化变分模态分解方法在滚动轴承早期故障诊断中的应用;唐贵基等;《西安交通大学学报》;20150531;第49卷(第5期);摘要、第1-5节 * |
| 基于注意力机制的深度学习态势信息推荐模型;周春华;《信息工程大学学报》;第20卷(第5期);597-603 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112508058A (zh) | 2021-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112508058B (zh) | 基于音频特征分析的变压器故障诊断方法及装置 | |
| CN111242071B (zh) | 一种基于锚框的注意力遥感图像目标检测方法 | |
| JP5480255B2 (ja) | データの周波数分析のための方法および装置 | |
| KR101620866B1 (ko) | 학습 기법을 적용한 사전 학습 알고리즘 기반의 음원 분리 방법 | |
| Islam et al. | Motor bearing fault diagnosis using deep convolutional neural networks with 2d analysis of vibration signal | |
| JP6099032B2 (ja) | 信号処理装置、信号処理方法及びコンピュータプログラム | |
| CN113162725A (zh) | 光网络运行方法 | |
| CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
| CN117668746A (zh) | 一种cvt误差预测方法、装置及存储介质 | |
| CN110633735A (zh) | 基于小波变换的渐进式深度卷积网络图像识别方法及装置 | |
| CN117969094A (zh) | 一种滚动轴承故障诊断方法、装置及系统 | |
| CN116421152B (zh) | 一种睡眠分期结果确定方法、装置、设备及介质 | |
| CN117592332A (zh) | 基于数字孪生的齿轮箱模型高保真方法、系统及存储介质 | |
| KR20220155834A (ko) | 장비 적용을 위한 ai 기반 진단 기술 자동화 방법 | |
| CN113299298A (zh) | 残差单元及网络及目标识别方法及系统及装置及介质 | |
| CN112070205A (zh) | 一种多损失模型获取方法以及装置 | |
| CN116625678A (zh) | 基于平均峭度反卷积网络的故障诊断方法及系统 | |
| Kovalchuk et al. | A technology for bigdata analysis task description using domain-specific languages | |
| CN115564709A (zh) | 一种对抗场景下电力算法模型鲁棒性的评估方法和系统 | |
| US11297418B2 (en) | Acoustic signal separation apparatus, learning apparatus, method, and program thereof | |
| US20210232947A1 (en) | Signal processing device, signal processing method, and computer program product | |
| CN118648061A (zh) | 波形信号生成系统、波形信号生成方法及程序 | |
| CN113421212A (zh) | 一种医学影像的增强方法、装置、设备和介质 | |
| Bhowmik | Improved single-sensor-based modal identification using singular spectrum analysis | |
| CN118484768B (zh) | 基于改进损失函数的行星齿轮箱故障诊断方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |