CN114638256A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114638256A CN114638256A CN202210163813.7A CN202210163813A CN114638256A CN 114638256 A CN114638256 A CN 114638256A CN 202210163813 A CN202210163813 A CN 202210163813A CN 114638256 A CN114638256 A CN 114638256A
- Authority
- CN
- China
- Prior art keywords
- network
- fault detection
- transformer
- transformer fault
- sound wave
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 96
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims description 29
- 238000005457 optimization Methods 0.000 claims description 29
- 238000011176 pooling Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 8
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000013135 deep learning Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000013021 overheating Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
-
- 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
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Acoustics & Sound (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于声波信号及注意力网络的变压器故障检测方法,包括:S1:采集并存储变压器工作时产生的时序声波信号得到数据集,并对数据集进行预处理;S2:搭建变压器故障检测深度卷积注意力网络,并选择合适的目标函数来优化模型参数;S3:采用相应的评估指标来评价模型的效果;S4:用训练好的深度模型对变压器进行故障检测。还公开了一种基于声波信号及注意力网络的变压器故障检测系统。本发明使用堆叠的多层深度卷积注意力网络,依托于深度模型强大的特征表达能力,通过模型训练学习从变压器工作时产生的声波信号中得到具有深度判别性和鲁棒性的特征,从而达到更加准确的变压器故障检测效果。
Description
技术领域
本发明涉及变压器故障检测技术领域,特别是涉及一种基于声波信号及深度卷积注意力网络的变压器故障检测方法及其系统。
背景技术
近年来,随着社会科学技术的进步和国民生活水平的不断提高,社会经济建设对电力的需求也日益剧增,随之而来的是电网规模日益庞大,对电力系统的安全稳定性要求越来越高。电力变压器作为整个电力系统的核心枢纽设备,其运行状态关系到整个电力系统是否安全可靠。电力变压器一旦发生故障,将会导致输电网络局部或者整体的瘫痪,不仅会给人们日常生活造成不便,严重时更会发生一些灾难性的事故并造成人员伤亡。故而及时检测发现变压器的故障为采取下一步的措施提供指导性意见具有重大的实际价值和意义。
早期,在深度学习技术普及之前,变压器故障检测研究主要是通过手工设计特征和传统智能方法来进行的,如特征气体法、比值法和专家系统。现有的这些方法虽然操作简单可行,但是识别准确率较低。如特征气体法和比值法通过分析变压器机油中溶解气体的含量来分析变压器故障类型,但是这种方法对相关气体传感器的灵敏度要求较高且依赖于事先建立好的规则,具有很大的局限性。再例如,专家系统方法需要丰富的专家经验知识,但是这类系统往往不易于维护且完全受限于领域专家知识库,不具备扩展性。近些年,随着硬件设备的普及和人工智能技术的发展,基于深度学习的方法由于其强大的特征表示能力和识别准确性已经被广泛地应用于工业界各个领域。基于深度学习技术,并通过在卷积神经网络中融入注意力机制,可以让模型关注到更多的局部细节信息,挖掘出关键的属性信息,从而获得更加有效的特征表示,提高变压器故障检测的准确率。目前来看,基于深度学习知识的变压器故障检测方法的研究较少,特别是融入注意力机制的深度卷积神经网络方法,对变压声波信号的辨别性特征提取不够充分,变压器故障检测的准确率仍然较低,还有很大的改进空间。
因此亟需提供一种新型的基于声波信号及注意力网络的变压器故障检测方法来解决上述问题。
发明内容
本发明所要解决的技术问题是提供一种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,能够更加有效地提取到变压器振动声波信号中判别性强的特征,从而达到更加准确的变压器故障检测效果。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种基于声波信号及注意力网络的变压器故障检测方法,包括以下步骤:
S1:获取变压器工作振动时产生的时序声波信号,并采用滑动窗口方式截取数据,然后对数据集中的每条数据进行零均值标准归一化数据增强处理,得到预处理后的时序声波信号集合,构成数据集L;
S2:将所述的数据集L划分为训练集L1和测试集L2,并将所述训练集L1划分为多个批次,每个批次包含B条时序声波信号作为训练样本;
S3:将训练集L1与测试集L2中每个声波信号所对应的变压器故障类型真实标签分别记为G1和G2;
S4:构建基于深度卷积注意力网络的变压器故障检测网络并进行模型训练及网络参数优化,实现对从变压器中获取的时序声波信号进行故障检测。
在本发明一个较佳实施例中,在步骤S1中,数据增强处理过程如式(1)所示:
上式(2)中,m表示样本总个数,μx即为整个样本的均值;
在本发明一个较佳实施例中,在步骤S4中,构建基于深度卷积注意力网络的变压器故障检测网络的具体步骤包括:
S401:构建特征提取前端网络HN,所述特征提取前端网络HN由两个结构相同的深度卷积子模块串联组成;
S402:构建特征提取注意力模块AM,所述特征提取注意力模块AM包括三个支路,分别为GMP分支、GAP分支、跳跃连接,计算过程如式(4)所示:
S403:构建特征提取后端网络TN,所述特征提取后端网络TN包括一个批正则化BN层和两个全连接FC层。
进一步的,步骤S4还包括:
S404:以所述训练集L1作为所述变压器故障检测网络的输入,并以与所述训练集L1所对应的变压器故障类型真实标签集合G1作为标签,采用交叉熵损失函数计算模型训练时的损失;在深度模型训练过程中,利用Adam优化算法对所述变压器故障检测网络不断进行网络参数优化,最终得到最优的变压器故障检测网络,用于实现对从变压器中获取的时序声波信号进行故障检测。
进一步的,所述特征提取前端网络的每个深度卷积子模块依次包括:一个一维卷积层、一个ReLU激活层、一个一维卷积层、一个ReLU激活层、一个最大池化层、一个一维卷积池化层、一个ReLU激活层、一个维卷积池化层、一个ReLU激活层、一个最大池化层。
进一步的,所述GMP分支依次包括:一个全局最大池化层,一个将输入特征通道数缩小r倍的FC全连接层,一个ReLU激活函数以及一个将输入特征通道数增大r倍的FC全连接层。
进一步的,所述GAP分支依次包括:一个全局均值池化层,一个将输入特征通道数缩小r倍的FC全连接层,一个ReLU激活函数以及一个将输入特征通道数增大r倍的FC全连接层。
为解决上述技术问题,本发明采用的另一个技术方案是:提供一种基于声波信号及注意力网络的变压器故障检测系统,包括:
数据获取模块,用于获取变压器工作振动时产生的时序声波信号,并采用滑动窗口方式截取数据;
数据预处理模块,用于对数据集中的每条数据进行零均值标准归一化数据增强处理,得到预处理后的时序声波信号集合,构成数据集L;
数据划分模块,用于将所述的数据集L划分为训练集L1和测试集L2,并将所述训练集L1划分为多个批次,每个批次包含B条时序声波信号作为训练样本;
数据标签模块,用于将训练集L1与测试集L2中每个声波信号所对应的变压器故障类型真实标签分别记为G1和G2;
变压器故障检测网络构建模块,用于构建基于深度卷积注意力网络的变压器故障检测网络;
网络优化模块,用于对构建的变压器故障检测网络进行模型训练及网络参数优化,实现对从变压器中获取的时序声波信号进行故障检测。
在本发明一个较佳实施例中,所述变压器故障检测网络构建模块构建基于深度卷积注意力网络的变压器故障检测网络依次包括特征提取前端网络HN、注意力模块AM、特征提取后端网络TN。
在本发明一个较佳实施例中,所述网络优化模块对构建的变压器故障检测网络进行模型训练及网络参数优化的步骤为:
以所述训练集L1作为所述变压器故障检测网络的输入,并以与所述训练集L1所对应的变压器故障类型真实标签集合G1作为标签,采用交叉熵损失函数计算模型训练时的损失;在深度模型训练过程中,利用Adam优化算法对所述变压器故障检测网络不断进行网络参数优化,最终得到最优的变压器故障检测网络,用于实现对从变压器中获取的时序声波信号进行故障检测。
本发明的有益效果是:
(1)本发明使用深度学习技术来搭建变压器故障检测深度卷积神经网络,基于深度模型强大的特征表示能力来提取判别性强的特征,从而达到更好的变压器故障检测效果;
(2)本发明将注意力机制融入故障检测深度模型中,在模型提取高维判别性特征的过程帮助模型挖掘出关键特征属性以及抑制无用的特征属性,进而模型可以提取出更加准确有效的判别性特征,达到更好的故障检测效果;
(3)本发明在特征提取后端网络中加入了批正则化BN层以优化模型训练过程,该优化方法不仅优化了特征参数高维空间的分布,加快了模型训练的速度,同时使得模型在有限的数据集上免于过拟合,从而也一定程度上提高了模型的故障检测识别效果。
附图说明
图1是本发明基于声波信号及注意力网络的变压器故障检测方法的流程图;
图2是所述变压器故障检测网络的模型结构图;
图3是所述基于声波信号及注意力网络的变压器故障检测系统的结构框图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1和图2,本发明实施例包括:
一种基于声波信号及注意力网络的变压器故障检测方法,包括以下步骤:
S1:获取变压器工作振动时产生的时序声波信号,并采用滑动窗口方式截取数据,窗口大小为W,移动步长为S。本实例中W为500,S为400。然后对数据集中的每条数据进行零均值标准归一化数据增强处理,得到预处理后的时序声波信号集合,构成数据集L;数据标准化处理过程如下:
式(1)中,xi表示第i个样本,μx为样本的均值,表示为样本的方差,是一个防止除数为0的一个微小正数,具体实例中取值为1×10-6,表示预处理后的第i个样本。其中,样本均值μx计算过程如式(2)所示:
上式(2)中,m表示样本个数,μx即为整个样本的均值。
对样本进行零均值标准归一化数据增强处理,不仅可以去除样本噪声,更有助于模型平稳且较快速度的收敛到全局最优解,从而得到更具鲁棒性和判别性的变压器故障检测模型。
经过上述步骤后得到预处理后的时序声波信号集合,构成数据集L。
S2:将所述的数据集L划分为训练集L1和测试集L2,并将所述训练集L1划分为多个批次,每个批次包含B条时序声波信号作为训练样本,具体实例中B为64;
S3:将训练集L1与测试集L2中每个声波信号所对应的变压器故障类型真实标签分别记为G1和G2;
S4:构建基于深度卷积注意力网络的变压器故障检测网络,网络结构如图2所示,并进行模型训练及网络参数优化,实现对从变压器中获取的时序声波信号进行故障检测。
构建基于深度卷积注意力网络的变压器故障检测网络的具体步骤包括:
S401:构建特征提取前端网络HN;
所述特征提取前端网络HN由两个结构相同的深度卷积子模块串联组成,每个子模块依次包括:一个一维卷积层、一个ReLU激活层、一个一维卷积层、一个ReLU激活层、一个最大池化层、一个一维卷积池化层、一个ReLU激活层、一个维卷积池化层、一个ReLU激活层、一个最大池化层;所述特征提取前端网络的输入为预处理后的训练集L1;
在本实施例中,两个子模块中的一维卷积层依次将输入特征的通道数变为64、128和256,每个最大池化层将输入特征图的高度和宽度各缩小为原来的1/2,通过一维卷积层和最大池化层,既可以提高模型特征表达能力,又能降低模型参数复杂度提高计算速度;
S402:构建特征提取注意力模块AM;
所述特征提取注意力模块AM包括三个支路,第一个支路依次包括:一个全局最大池化层,一个将输入特征通道数缩小r倍的FC全连接层,一个ReLU激活函数以及一个将输入特征通道数增大r倍的FC全连接层;第二个支路依次包括:一个全局均值池化层,一个将输入特征通道数缩小r倍的FC全连接层,一个ReLU激活函数以及一个将输入特征通道数增大r倍的FC全连接层;具体实例中r取16;第三个支路为跳跃连接,即输出等于输入;将第一个支路和第二个支路的输出经过逐元素相加后,再经过Sigmoid激活函数得到在通道维度上的权重偏好系数WC,然后将通道维度上的权重偏好系数WC和第三个支路的输出经过逐元素相乘即得到注意力模块AM的输出;通过在深度模型中加入注意力机制可以在引入少量参数的情况下,在通道维度上抑制无用信息的干扰并增强显著性特征的表达,从而提高变压器故障检测的准确率。所述注意力模块AM的输入为所述特征提取前端网络HN的输出;注意力模块的计算过程如式(4)所示:
S403:构建特征提取后端网络TN;
所述后端网络包括一个批正则化BN层和两个连接FC层;所述后端网络的输入为所述注意力模块AM的输出;加入了批正则化BN层不仅可以优化特征参数在高维特征空间中的分布,从而有利于模型参数的学习,而且可以使模型在有限的数据集上免于过拟合,从而在一定程度上提高了模型的故障识别效果。具体实例中第一个全连接FC层包含64个神经元;第二个全连接FC层包含9个神经元,对应训练集L1中9种故障类型(低温过热、中温过热、高温过热、局部放电、低能放电、低能放电兼过热、高能放电、高能放电兼过热和设备正常)。
S404:以所述训练集L1作为所述故障检测网络的输入,并以与所述训练集L1所对应的真实标签集合G1作为标签,采用交叉熵损失函数计算模型训练时的损失,交叉熵损失Lsoftmax计算过程如式(5)所示:
式(5)中,N为训练集中变压器故障类别总数,Wi表示全连接层中第i个类别的权重向量,y是输入变压器故障类型的真实标签。为了防止模型对训练集中变压器声波信号过拟合,提高模型的泛化能力,采用带标签平滑的交叉熵损失,将qi表示为:
式(6)中,ε是标签平滑参数,具体实例中ε取值为0.01,它通过抑制真实标签在计算损失时的权重,从而抑制模型在数据集上过拟合,提高模型泛化能力。
在实例中,真实标签集合G1和全连接FC层之后得到的特征用于计算交叉熵损失,然后利用Adam优化算法对所述变压器故障检测网络进行训练,不断优化网络参数,最终得到最优的变压器故障检测网络,将测试集输入训练好的故障检测网络中,输出故障诊断结果,从而实现对从变压器中采集到的声波信号进行故障检测。
参阅图3,本发明实施例还提供一种基于声波信号及注意力网络的变压器故障检测系统,包括:
数据获取模块,用于获取变压器工作振动时产生的时序声波信号,并采用滑动窗口方式截取数据;
数据预处理模块,用于对数据集中的每条数据进行零均值标准归一化数据增强处理,得到预处理后的时序声波信号集合,构成数据集L;
数据划分模块,用于将所述的数据集L划分为训练集L1和测试集L2,并将所述训练集L1划分为多个批次,每个批次包含B条时序声波信号作为训练样本;
数据标签模块,用于将训练集L1与测试集L2中每个声波信号所对应的变压器故障类型真实标签分别记为G1和G2;
变压器故障检测网络构建模块,用于构建基于深度卷积注意力网络的变压器故障检测网络;
网络优化模块,用于对构建的变压器故障检测网络进行模型训练及网络参数优化,实现对从变压器中获取的时序声波信号进行故障检测。
其中,所述变压器故障检测网络构建模块构建基于深度卷积注意力网络的变压器故障检测网络依次包括特征提取前端网络HN、注意力模块AM、特征提取后端网络TN。
进一步的,所述网络优化模块对构建的变压器故障检测网络进行模型训练及网络参数优化的步骤为:
以所述训练集L1作为所述变压器故障检测网络的输入,并以与所述训练集L1所对应的变压器故障类型真实标签集合G1作为标签,采用交叉熵损失函数计算模型训练时的损失;在深度模型训练过程中,利用Adam优化算法对所述变压器故障检测网络不断进行网络参数优化,最终得到最优的变压器故障检测网络,用于实现对从变压器中获取的时序声波信号进行故障检测。
所述系统是通过采集变压器工作时产生的声波信号来识别出变压器故障类型,从而实现基于深度学习的变压器故障诊断,采用了所述基于声波信号及深度卷积注意力网络的变压器故障检测算法:采集并存储变压工作声波信号获取数据集,并经过滑动窗口截取数据以及数据归一化等数据增强后得到预处理的时序声波信号集和,然后搭建完整的变压器故障检测模型,通过批量标准化加快模型训练速度;融合注意力机制提高模型的效果;采用Adam优化算法更新优化模型参数;利用最终训练好的模型识别从变压器中采集到的声波信号对应的故障类型,完成变压器故障诊断的功能。
本示例的一种基于声波信号及注意力网络的变压器故障检测系统,可执行本发明所提供的一种基于声波信号及注意力网络的变压器故障检测方法,可执行方法示例的任何组合实施步骤,具备该方法相应的功能和有益效果。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于声波信号及注意力网络的变压器故障检测方法,其特征在于,包括以下步骤:
S1:获取变压器工作振动时产生的时序声波信号,并采用滑动窗口方式截取数据,然后对数据集中的每条数据进行零均值标准归一化数据增强处理,得到预处理后的时序声波信号集合,构成数据集L;
S2:将所述的数据集L划分为训练集L1和测试集L2,并将所述训练集L1划分为多个批次,每个批次包含B条时序声波信号作为训练样本;
S3:将训练集L1与测试集L2中每个声波信号所对应的变压器故障类型真实标签分别记为G1和G2;
S4:构建基于深度卷积注意力网络的变压器故障检测网络并进行模型训练及网络参数优化,实现对从变压器中获取的时序声波信号进行故障检测。
3.根据权利要求1所述的基于声波信号及注意力网络的变压器故障检测方法,其特征在于,在步骤S4中,构建基于深度卷积注意力网络的变压器故障检测网络的具体步骤包括:
S401:构建特征提取前端网络HN,所述特征提取前端网络HN由两个结构相同的深度卷积子模块串联组成;
S402:构建特征提取注意力模块AM,所述特征提取注意力模块AM包括三个支路,分别为GMP分支、GAP分支、跳跃连接,计算过程如式(4)所示:
S403:构建特征提取后端网络TN,所述特征提取后端网络TN包括一个批正则化BN层和两个全连接FC层。
4.根据权利要求3所述的基于声波信号及注意力网络的变压器故障检测方法,其特征在于,步骤S4还包括:
S404:以所述训练集L1作为所述变压器故障检测网络的输入,并以与所述训练集L1所对应的变压器故障类型真实标签集合G1作为标签,采用交叉熵损失函数计算模型训练时的损失;在深度模型训练过程中,利用Adam优化算法对所述变压器故障检测网络不断进行网络参数优化,最终得到最优的变压器故障检测网络,用于实现对从变压器中获取的时序声波信号进行故障检测。
5.根据权利要求3所述的基于声波信号及注意力网络的变压器故障检测方法,其特征在于,所述特征提取前端网络的每个深度卷积子模块依次包括:一个一维卷积层、一个ReLU激活层、一个一维卷积层、一个ReLU激活层、一个最大池化层、一个一维卷积池化层、一个ReLU激活层、一个维卷积池化层、一个ReLU激活层、一个最大池化层。
6.根据权利要求3所述的基于声波信号及注意力网络的变压器故障检测方法,其特征在于,所述GMP分支依次包括:一个全局最大池化层,一个将输入特征通道数缩小r倍的FC全连接层,一个ReLU激活函数以及一个将输入特征通道数增大r倍的FC全连接层。
7.根据权利要求3所述的基于声波信号及注意力网络的变压器故障检测方法,其特征在于,所述GAP分支依次包括:一个全局均值池化层,一个将输入特征通道数缩小r倍的FC全连接层,一个ReLU激活函数以及一个将输入特征通道数增大r倍的FC全连接层。
8.一种基于声波信号及注意力网络的变压器故障检测系统,其特征在于,包括
数据获取模块,用于获取变压器工作振动时产生的时序声波信号,并采用滑动窗口方式截取数据;
数据预处理模块,用于对数据集中的每条数据进行零均值标准归一化数据增强处理,得到预处理后的时序声波信号集合,构成数据集L;
数据划分模块,用于将所述的数据集L划分为训练集L1和测试集L2,并将所述训练集L1划分为多个批次,每个批次包含B条时序声波信号作为训练样本;
数据标签模块,用于将训练集L1与测试集L2中每个声波信号所对应的变压器故障类型真实标签分别记为G1和G2;
变压器故障检测网络构建模块,用于构建基于深度卷积注意力网络的变压器故障检测网络;
网络优化模块,用于对构建的变压器故障检测网络进行模型训练及网络参数优化,实现对从变压器中获取的时序声波信号进行故障检测。
9.根据权利要求8所述的基于声波信号及注意力网络的变压器故障检测系统,其特征在于,所述变压器故障检测网络构建模块构建基于深度卷积注意力网络的变压器故障检测网络依次包括特征提取前端网络HN、注意力模块AM、特征提取后端网络TN。
10.根据权利要求8所述的基于声波信号及注意力网络的变压器故障检测系统,其特征在于,所述网络优化模块对构建的变压器故障检测网络进行模型训练及网络参数优化的步骤为:
以所述训练集L1作为所述变压器故障检测网络的输入,并以与所述训练集L1所对应的变压器故障类型真实标签集合G1作为标签,采用交叉熵损失函数计算模型训练时的损失;在深度模型训练过程中,利用Adam优化算法对所述变压器故障检测网络不断进行网络参数优化,最终得到最优的变压器故障检测网络,用于实现对从变压器中获取的时序声波信号进行故障检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210163813.7A CN114638256B (zh) | 2022-02-22 | 2022-02-22 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210163813.7A CN114638256B (zh) | 2022-02-22 | 2022-02-22 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114638256A true CN114638256A (zh) | 2022-06-17 |
CN114638256B CN114638256B (zh) | 2024-05-31 |
Family
ID=81946251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210163813.7A Active CN114638256B (zh) | 2022-02-22 | 2022-02-22 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114638256B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169407A (zh) * | 2022-07-18 | 2022-10-11 | 中国科学院国家空间科学中心 | 基于时域深度特征学习的微弱瞬态信号检测方法及系统 |
CN115993503A (zh) * | 2023-03-22 | 2023-04-21 | 广东电网有限责任公司东莞供电局 | 一种变压器的运行检测方法、装置、设备及存储介质 |
CN117347803A (zh) * | 2023-10-25 | 2024-01-05 | 爱科特科技(海南)有限公司 | 一种局部放电检测方法、系统、设备及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325751A (zh) * | 2020-03-18 | 2020-06-23 | 重庆理工大学 | 基于注意力卷积神经网络的ct图像分割系统 |
CN111721535A (zh) * | 2020-06-23 | 2020-09-29 | 中国人民解放军战略支援部队航天工程大学 | 一种基于卷积多头自注意力机制的轴承故障检测方法 |
CN112183647A (zh) * | 2020-09-30 | 2021-01-05 | 国网山西省电力公司大同供电公司 | 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 |
JP6830707B1 (ja) * | 2020-01-23 | 2021-02-17 | 同▲済▼大学 | ランダムバッチマスクとマルチスケール表現学習を融合した人物再同定方法 |
CN112508058A (zh) * | 2020-11-17 | 2021-03-16 | 安徽继远软件有限公司 | 基于音频特征分析的变压器故障诊断方法及装置 |
CN112562698A (zh) * | 2020-12-02 | 2021-03-26 | 国网山西省电力公司大同供电公司 | 一种基于声源信息与热成像特征融合的电力设备缺陷诊断方法 |
CN112697435A (zh) * | 2021-01-26 | 2021-04-23 | 山西三友和智慧信息技术股份有限公司 | 一种基于改进seld-tcn网络的滚动轴承故障诊断方法 |
CN112885372A (zh) * | 2021-01-15 | 2021-06-01 | 国网山东省电力公司威海供电公司 | 电力设备故障声音智能诊断方法、系统、终端及介质 |
US20210255059A1 (en) * | 2020-02-19 | 2021-08-19 | Beijing University Of Chemical Technology | Fault diagnosis method of reciprocating machinery based on keyphasor-free complete-cycle signal |
CN113707176A (zh) * | 2021-09-02 | 2021-11-26 | 国网安徽省电力有限公司铜陵供电公司 | 一种基于声信号及深度学习技术的变压器故障检测方法 |
-
2022
- 2022-02-22 CN CN202210163813.7A patent/CN114638256B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6830707B1 (ja) * | 2020-01-23 | 2021-02-17 | 同▲済▼大学 | ランダムバッチマスクとマルチスケール表現学習を融合した人物再同定方法 |
US20210255059A1 (en) * | 2020-02-19 | 2021-08-19 | Beijing University Of Chemical Technology | Fault diagnosis method of reciprocating machinery based on keyphasor-free complete-cycle signal |
CN111325751A (zh) * | 2020-03-18 | 2020-06-23 | 重庆理工大学 | 基于注意力卷积神经网络的ct图像分割系统 |
CN111721535A (zh) * | 2020-06-23 | 2020-09-29 | 中国人民解放军战略支援部队航天工程大学 | 一种基于卷积多头自注意力机制的轴承故障检测方法 |
CN112183647A (zh) * | 2020-09-30 | 2021-01-05 | 国网山西省电力公司大同供电公司 | 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 |
CN112508058A (zh) * | 2020-11-17 | 2021-03-16 | 安徽继远软件有限公司 | 基于音频特征分析的变压器故障诊断方法及装置 |
CN112562698A (zh) * | 2020-12-02 | 2021-03-26 | 国网山西省电力公司大同供电公司 | 一种基于声源信息与热成像特征融合的电力设备缺陷诊断方法 |
CN112885372A (zh) * | 2021-01-15 | 2021-06-01 | 国网山东省电力公司威海供电公司 | 电力设备故障声音智能诊断方法、系统、终端及介质 |
CN112697435A (zh) * | 2021-01-26 | 2021-04-23 | 山西三友和智慧信息技术股份有限公司 | 一种基于改进seld-tcn网络的滚动轴承故障诊断方法 |
CN113707176A (zh) * | 2021-09-02 | 2021-11-26 | 国网安徽省电力有限公司铜陵供电公司 | 一种基于声信号及深度学习技术的变压器故障检测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169407A (zh) * | 2022-07-18 | 2022-10-11 | 中国科学院国家空间科学中心 | 基于时域深度特征学习的微弱瞬态信号检测方法及系统 |
CN115169407B (zh) * | 2022-07-18 | 2023-04-18 | 中国科学院国家空间科学中心 | 基于时域深度特征学习的微弱瞬态信号检测方法及系统 |
CN115993503A (zh) * | 2023-03-22 | 2023-04-21 | 广东电网有限责任公司东莞供电局 | 一种变压器的运行检测方法、装置、设备及存储介质 |
CN117347803A (zh) * | 2023-10-25 | 2024-01-05 | 爱科特科技(海南)有限公司 | 一种局部放电检测方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114638256B (zh) | 2024-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898634B (zh) | 一种基于深度对抗域自适应的智能故障诊断方法 | |
CN114638256A (zh) | 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 | |
CN113255733B (zh) | 多模态数据缺失下的无监督异常检测方法 | |
CN114926746B (zh) | 基于多尺度差分特征注意力机制的sar图像变化检测方法 | |
CN111563149A (zh) | 一种用于中文知识图谱问答系统的实体链接方法 | |
CN107491729B (zh) | 基于余弦相似度激活的卷积神经网络的手写数字识别方法 | |
CN114564982A (zh) | 雷达信号调制类型的自动识别方法 | |
CN114048568A (zh) | 一种基于多源迁移融合收缩框架的旋转机械故障诊断方法 | |
CN114004252A (zh) | 一种轴承故障诊断的方法、装置以及设备 | |
CN113240016A (zh) | 一种基于深度学习的滚动轴承故障诊断方法 | |
CN115544279B (zh) | 一种基于协同注意力的多模态情感分类方法及其应用 | |
CN111538741A (zh) | 一种面向警情大数据的深度学习分析方法及系统 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN111310719B (zh) | 一种未知辐射源个体识别及检测的方法 | |
CN115165366A (zh) | 一种旋转机械变工况故障诊断方法及系统 | |
CN116108215A (zh) | 基于深度融合的跨模态大数据检索方法及系统 | |
CN115410258A (zh) | 基于注意力图像的人脸表情识别方法 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN117390411B (zh) | 基于元迁移学习的变工况轴承故障诊断方法 | |
Li et al. | Twins transformer: Cross-attention based two-branch transformer network for rotating bearing fault diagnosis | |
CN117272230A (zh) | 一种基于多任务学习模型的非侵入式负荷监测方法和系统 | |
CN105809200A (zh) | 一种生物启发式自主抽取图像语义信息的方法及装置 | |
CN110188709A (zh) | 基于深度学习的遥感影像中油桶的检测方法和检测系统 | |
Liu et al. | Sinc-based multiplication-convolution network for small-sample fault diagnosis and edge application | |
CN117235489A (zh) | 传动系统多源监测数据的图变分自编码特征提取方法 |
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 |