CN114913156A - 变压器故障诊断系统及其诊断方法 - Google Patents
变压器故障诊断系统及其诊断方法 Download PDFInfo
- Publication number
- CN114913156A CN114913156A CN202210537064.XA CN202210537064A CN114913156A CN 114913156 A CN114913156 A CN 114913156A CN 202210537064 A CN202210537064 A CN 202210537064A CN 114913156 A CN114913156 A CN 114913156A
- Authority
- CN
- China
- Prior art keywords
- matrix
- feature
- spectral
- transformer
- eigenvalues
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims description 232
- 230000003595 spectral effect Effects 0.000 claims description 154
- 239000013598 vector Substances 0.000 claims description 59
- 238000000354 decomposition reaction Methods 0.000 claims description 36
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 238000013527 convolutional neural network Methods 0.000 claims description 26
- 238000012216 screening Methods 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 14
- 239000003638 chemical reducing agent Substances 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000002405 diagnostic procedure Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 2
- 238000002189 fluorescence spectrum Methods 0.000 description 15
- 238000001514 detection method Methods 0.000 description 14
- 238000009826 distribution Methods 0.000 description 12
- 239000003245 coal Substances 0.000 description 10
- 238000001499 laser induced fluorescence spectroscopy Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000004817 gas chromatography Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 102100033620 Calponin-1 Human genes 0.000 description 1
- 102100033591 Calponin-2 Human genes 0.000 description 1
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 description 1
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001917 fluorescence detection Methods 0.000 description 1
- 238000001506 fluorescence spectroscopy Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6402—Atomic fluorescence; Laser induced fluorescence
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Optics & Photonics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Protection Of Transformers (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本申请涉及变压器故障的智能诊断领域,其具体地公开了一种变压器故障诊断系统及其诊断方法,其通过激光诱导荧光光谱技术,以基于荧光光谱对电力变压器油进行检测分析,进而快速准确地识别电力变压器的油样,这样,就能够准确有效地对电力变压器的不同故障类型进行诊断,以保障煤矿电力的正常供给。
Description
技术领域
本发明涉及变压器故障的智能诊断领域,且更为具体地,涉及一种变压器故障诊断系统及其诊断方法。
背景技术
我国的经济迅速地发展,电力工业也相应地大规模壮大,导致电力变压器的使用日益增多。煤炭发电是电力生产的主要能源,煤矿中的电力变压器更是在电能传输中起关键作用。因此,定期对煤矿变压器检测维护显得十分重要。
电力变压器常见的故障为电性故障、局部受潮以及热性故障。电力变压器油的检测分析是电力变压器故障诊断的有效方法,快速识别电力变压器油的油样对电力变压器故障诊断工作有重大意义。目前对电力变压器油检测的方法大多是气相色谱法,这种方法操作比较复杂,不适合在线检测,不能快速地检查出故障原因。
因此,期待一种优化的用于电路变压器的故障检测方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种变压器故障诊断系统及其诊断方法,其通过激光诱导荧光光谱技术,以基于荧光光谱对电力变压器油进行检测分析,进而快速准确地识别电力变压器的油样,这样,就能够准确有效地对电力变压器的不同故障类型进行诊断,以保障煤矿电力的正常供给。
根据本申请的一个方面,提供了一种变压器故障诊断系统,其包括:
光谱数据采集单元,用于获取待检测变压器的油样的荧光光谱图;
降噪单元,用于将所述待检测变压器的油样的荧光光谱图通过作为降噪器的第一卷积神经网络以得到降噪后荧光光谱图;
特征提取单元,用于将所述降噪后荧光光谱图通过作为特征提取器的第二卷积神经网络以得到光谱特征矩阵;
特征矩阵分解单元,用于对所述光谱特征矩阵进行基于本征值的矩阵分解以得到多个本征值和与所述多个本征值对应的多个本征特征向量;
维度筛选单元,用于从所述多个本征特征向量中提取预定数量的本征特征向量,并将所述预定数量的本征特征向量二维排列为主维度光谱特征矩阵;
特征补偿单元,用于对所述主维度光谱特征矩阵进行柯西重概率化以得到校正后主维度光谱特征矩阵作为分类特征矩阵,其中,所述柯西重概率化基于一与所述主维度光谱特征矩阵中各个位置的特征值之间的加和值除以一与所述主维度光谱特征矩阵中所有位置的特征值之和的加和值来进行;以及
诊断结果生成单元,用于将所述分类特征矩阵通过多标签分类器以得到分类结果,所述分类结果为所述待检测变压器的故障类型标签。
在上述变压器故障诊断系统中,所述第一卷积神经网络为深度可分离卷积神经网络,所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度和通道维度上进行卷积以基于三维块匹配和过滤对所述荧光光谱图进行降噪。
在上述变压器故障诊断系统中,所述第二卷积神经网络的各层在层的正向传递中对输入数据分别进行:卷积处理得到卷积特征图;对所述卷积特征图进行基于局部通道维度的池化处理以得到池化特征图;对所述池化特征图进行非线性激活以得到激活特征图;以及,由所述第二卷积神经网络的最后一层输出所述光谱特征矩阵。
在上述变压器故障诊断系统中,所述特征矩阵分解单元,进一步用于:以如下公式对所述光谱特征矩阵进行基于本征值的矩阵分解以得到多个本征值和与所述多个本征值对应的所述多个本征特征向量;
其中,所述公式为:
M=QΛQT
其中M为所述光谱特征矩阵,Λ=diag(λ1,λ2,…,λN),λ1≥λ2≥…≥λN,是有序的对角本征值矩阵,λ1,λ2,…,λN为所述n个特征值,且Q=[q1,q2,…,qN]是包含相应本征向量作为列的本征特征向量矩阵。
在上述变压器故障诊断系统中,所述维度筛选单元,包括:本征特征向量筛选单元,用于从所述多个本征值对应的多个本征特征向量筛选出本征值超过预定阈值的本征特征向量以得到所述预定数量的本征特征向量;以及,主维度矩阵构造单元,用于将所述预定数量的本征特征向量按照样本维度进行二维排列以得到所述主维度光谱特征矩阵。
在上述变压器故障诊断系统中,所述特征补偿单元,进一步用于:以如下公式对所述主维度光谱特征矩阵进行柯西重概率化以得到校正后主维度光谱特征矩阵作为所述分类特征矩阵;
其中,所述公式为:
其中mi,j和m′i,j分别是进行柯西归一化之前和之后的所述主维度光谱特征矩阵的各个位置的特征值。
在上述变压器故障诊断系统中,所述诊断结果生成单元,进一步用于:所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
根据本申请的另一方面,一种变压器故障诊断系统的诊断方法,其包括:
获取待检测变压器的油样的荧光光谱图;
将所述待检测变压器的油样的荧光光谱图通过作为降噪器的第一卷积神经网络以得到降噪后荧光光谱图;
将所述降噪后荧光光谱图通过作为特征提取器的第二卷积神经网络以得到光谱特征矩阵;
对所述光谱特征矩阵进行基于本征值的矩阵分解以得到多个本征值和与所述多个本征值对应的多个本征特征向量;
从所述多个本征特征向量中提取预定数量的本征特征向量,并将所述预定数量的本征特征向量二维排列为主维度光谱特征矩阵;
对所述主维度光谱特征矩阵进行柯西重概率化以得到校正后主维度光谱特征矩阵作为分类特征矩阵,其中,所述柯西重概率化基于一与所述主维度光谱特征矩阵中各个位置的特征值之间的加和值除以一与所述主维度光谱特征矩阵中所有位置的特征值之和的加和值来进行;以及
将所述分类特征矩阵通过多标签分类器以得到分类结果,所述分类结果为所述待检测变压器的故障类型标签。
在上述变压器故障诊断系统的诊断方法中,所述第一卷积神经网络为深度可分离卷积神经网络,所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度和通道维度上进行卷积以基于三维块匹配和过滤对所述荧光光谱图进行降噪。
在上述变压器故障诊断系统的诊断方法中,所述第二卷积神经网络的各层在层的正向传递中对输入数据分别进行:卷积处理得到卷积特征图;对所述卷积特征图进行基于局部通道维度的池化处理以得到池化特征图;对所述池化特征图进行非线性激活以得到激活特征图;以及由所述第二卷积神经网络的最后一层输出所述光谱特征矩阵。
在上述变压器故障诊断系统的诊断方法中,对所述光谱特征矩阵进行基于本征值的矩阵分解以得到多个本征值和与所述多个本征值对应的多个本征特征向量,包括:以如下公式对所述光谱特征矩阵进行基于本征值的矩阵分解以得到多个本征值和与所述多个本征值对应的所述多个本征特征向量;
其中,所述公式为:
M=QΛQT
其中M为所述光谱特征矩阵,Λ=diag(λ1,λ2,…,λN),λ1≥λ2≥…≥λN,是有序的对角本征值矩阵,λ1,λ2,…,λN为所述n个特征值,且Q=[q1,q2,…,qN]是包含相应本征向量作为列的本征特征向量矩阵。
在上述变压器故障诊断系统的诊断方法中,从所述多个本征特征向量中提取预定数量的本征特征向量,并将所述预定数量的本征特征向量二维排列为主维度光谱特征矩阵,包括:从所述多个本征值对应的多个本征特征向量筛选出本征值超过预定阈值的本征特征向量以得到所述预定数量的本征特征向量;以及,将所述预定数量的本征特征向量按照样本维度进行二维排列以得到所述主维度光谱特征矩阵。
在上述变压器故障诊断系统的诊断方法中,对所述主维度光谱特征矩阵进行柯西重概率化以得到校正后主维度光谱特征矩阵作为分类特征矩阵,包括:以如下公式对所述主维度光谱特征矩阵进行柯西重概率化以得到校正后主维度光谱特征矩阵作为所述分类特征矩阵;
其中,所述公式为:
其中mi,j和m′i,j分别是进行柯西归一化之前和之后的所述主维度光谱特征矩阵的各个位置的特征值。
在上述变压器故障诊断系统的诊断方法中,将所述分类特征矩阵通过多标签分类器以得到分类结果,包括:所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的变压器故障诊断系统的诊断方法。
与现有技术相比,本申请提供的变压器故障诊断系统及其诊断方法,其通过激光诱导荧光光谱技术,以基于荧光光谱对电力变压器油进行检测分析,进而快速准确地识别电力变压器的油样,这样,就能够准确有效地对电力变压器的不同故障类型进行诊断,以保障煤矿电力的正常供给。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的变压器故障诊断系统的应用场景图。
图2为根据本申请实施例的变压器故障诊断系统的框图。
图3为根据本申请实施例的变压器故障诊断系统中维度筛选单元的框图。
图4为根据本申请实施例的变压器故障诊断系统的诊断方法的流程图。
图5为根据本申请实施例的变压器故障诊断系统的诊断方法的架构示意图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如前所述,我国的经济迅速地发展,电力工业也相应地大规模壮大,导致电力变压器的使用日益增多。煤炭发电是电力生产的主要能源,煤矿中的电力变压器更是在电能传输中起关键作用。因此,定期对煤矿变压器检测维护显得十分重要。
电力变压器常见的故障为电性故障、局部受潮以及热性故障。电力变压器油的检测分析是电力变压器故障诊断的有效方法,快速识别电力变压器油的油样对电力变压器故障诊断工作有重大意义。目前对电力变压器油检测的方法大多是气相色谱法,这种方法操作比较复杂,不适合在线检测,不能快速地检查出故障原因。因此,期待一种优化的用于电路变压器的故障检测方案。
深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展,为变压器故障诊断提供了新的解决思路和方案。
具体地,在本申请的技术方案中,提出激光诱导荧光光谱技术,也就是将激光打入未知油样得到荧光光谱,并基于所述荧光光谱对电力变压器油进行检测分析,以快速识别电力变压器的油样,进而准确地对电力变压器的不同故障类型进行诊断。
应可以理解,考虑到由于在光谱获取的过程中,难免会有一些不确定因素影响光谱图的质量。第一,一些噪声干扰掺杂在生成的光谱图像中,会增大光谱数据的错误概率。第二,由于数据量大,数据的品质不统一。
基于此,在本申请的技术方案中,首先将待检测变压器的油样的荧光光谱图通过作为降噪器的深度可分离卷积神经网络以得到降噪后荧光光谱图,这样可以避免环境噪声以及检测设备自身所引起的噪声对于检测精度的不良影响。特别地,所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积以基于三维块匹配和过滤对所述荧光光谱图进行降噪,也就是,卷积操作不仅发生在图像维度的空间,还在通道维度上进行,这样,可以挖掘高维特征中的三维块结构,从而基于三维块匹配和过滤(3D block-matching and filtering)的原则来进行原始图像的去噪。
然后,将所述降噪后的荧光光谱图通过作为特征提取器的第二卷积神经网络中进行特征提取,以提取到降噪后的荧光光谱图的局部高维关联特征分布,从而得到光谱特征矩阵。这样就能够解决掺杂的噪声干扰对结果的影响,进而减小光谱数据的错误概率。
应可以理解,由于数据量大且数据的品质不统一,因此,进一步对所述光谱特征矩阵进行矩阵分解并将本征值超过预定阈值的本征特征向量按照样本维度进行二维排列以得到主维度光谱特征矩阵。
在获得主维度光谱特征矩阵的过程中,通过对所述光谱特征矩阵进行本征值分解并将本征值超过预定阈值的本征特征向量进行排列,可以对光谱特征矩阵进行一定程度的降维,从而避免在分类上过拟合。但是,这种基于本征值分解的降维也会导致一定的信息损失。
因此,针对主维度光谱特征矩阵进行柯西重概率化,表示为:
其中mi,j和m′i,j分别是进行柯西归一化之前和之后的主维度光谱特征矩阵的各个位置的特征值。
也就是,通过进行柯西归一化来围绕最小化信息损失的目标引入矩阵特征分布的鲁棒性,从而实现特征局部相当于特征整体的聚类性能,以提高降维后的主维度光谱特征矩阵的特征分布对于光谱特征矩阵的期望整体性特征分布的依赖性。进而,也提高了后续对于待检测变压器的故障诊断分类结果的准确性。
在将主维度光谱特征矩阵进行柯西重概率化以得到校正后主维度光谱特征矩阵后,进一步地,再将其作为分类特征矩阵通过多标签分类器以得到分类结果,所述分类结果为故障检测结果。
基于此,本申请提出了一种变压器故障诊断系统,其包括:光谱数据采集单元,用于获取待检测变压器的油样的荧光光谱图;降噪单元,用于将所述待检测变压器的油样的荧光光谱图通过作为降噪器的第一卷积神经网络以得到降噪后荧光光谱图;特征提取单元,用于将所述降噪后荧光光谱图通过作为特征提取器的第二卷积神经网络以得到光谱特征矩阵;特征矩阵分解单元,用于对所述光谱特征矩阵进行基于本征值的矩阵分解以得到多个本征值和与所述多个本征值对应的多个本征特征向量;维度筛选单元,用于从所述多个本征特征向量中提取预定数量的本征特征向量,并将所述预定数量的本征特征向量二维排列为主维度光谱特征矩阵;特征补偿单元,用于对所述主维度光谱特征矩阵进行柯西重概率化以得到校正后主维度光谱特征矩阵作为分类特征矩阵,其中,所述柯西重概率化基于一与所述主维度光谱特征矩阵中各个位置的特征值之间的加和值除以一与所述主维度光谱特征矩阵中所有位置的特征值之和的加和值来进行;以及,诊断结果生成单元,用于将所述分类特征矩阵通过多标签分类器以得到分类结果,所述分类结果为所述待检测变压器的故障类型标签。
图1图示了根据本申请实施例的变压器故障诊断系统的应用场景图。如图1所示,在该应用场景中,首先,通过荧光光谱仪(例如,如图1中所示意的激光诱导荧光光谱仪T)获取待检测变压器的油样(例如,如图1中所示意的P)的荧光光谱图。然后,将所述待检测变压器的油样荧光光谱图输入至部署有变压器故障诊断算法的服务器中(例如,如图1中所示意的服务器S),其中,所述服务器能够以变压器故障诊断算法对所述待检测变压器的油样荧光光谱图进行处理,以生成用于表示所述待检测变压器的故障类型标签的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2图示了根据本申请实施例的变压器故障诊断系统的框图。如图2所示,根据本申请实施例的变压器故障诊断系统200,包括:光谱数据采集单元210,用于获取待检测变压器的油样的荧光光谱图;降噪单元220,用于将所述待检测变压器的油样的荧光光谱图通过作为降噪器的第一卷积神经网络以得到降噪后荧光光谱图;特征提取单元230,用于将所述降噪后荧光光谱图通过作为特征提取器的第二卷积神经网络以得到光谱特征矩阵;特征矩阵分解单元240,用于对所述光谱特征矩阵进行基于本征值的矩阵分解以得到多个本征值和与所述多个本征值对应的多个本征特征向量;维度筛选单元250,用于从所述多个本征特征向量中提取预定数量的本征特征向量,并将所述预定数量的本征特征向量二维排列为主维度光谱特征矩阵;维度筛选单元260,用于对所述主维度光谱特征矩阵进行柯西重概率化以得到校正后主维度光谱特征矩阵作为分类特征矩阵,其中,所述柯西重概率化基于一与所述主维度光谱特征矩阵中各个位置的特征值之间的加和值除以一与所述主维度光谱特征矩阵中所有位置的特征值之和的加和值来进行;以及,诊断结果生成单元270,用于将所述分类特征矩阵通过多标签分类器以得到分类结果,所述分类结果为所述待检测变压器的故障类型标签。
具体地,在本申请实施例中,所述光谱数据采集单元210和所述降噪单元220,用于获取待检测变压器的油样的荧光光谱图,并将所述待检测变压器的油样的荧光光谱图通过作为降噪器的第一卷积神经网络以得到降噪后荧光光谱图。如前所述,在本申请的技术方案中,提出了激光诱导荧光光谱技术,也就是将激光打入未知油样得到荧光光谱,并基于所述荧光光谱对所述电力变压器油进行检测分析,以快速识别所述电力变压器的油样,进而准确地对所述电力变压器的不同类型故障进行诊断。
应可以理解,考虑到由于在光谱获取的过程中,难免会有一些不确定因素影响所述荧光光谱图的质量。第一,一些噪声干扰掺杂在生成的光谱图像中,会增大光谱数据的错误概率。第二,由于数据量大,数据的品质不统一。因此,在本申请的技术方案中,首先通过激光诱导荧光光谱仪获取待检测变压器的油样的荧光光谱图。然后,将所述待检测变压器的油样的荧光光谱图通过作为降噪器的深度可分离卷积神经网络以得到降噪后荧光光谱图,这样可以避免环境噪声以及检测设备自身所引起的噪声对于检测精度的不良影响。特别地,这里,所述第一卷积神经网络为深度可分离卷积神经网络,所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积以基于三维块匹配和过滤对所述荧光光谱图进行降噪,也就是,卷积操作不仅发生在图像维度的空间,还在通道维度上进行,这样,可以挖掘高维特征中的三维块结构,从而基于三维块匹配和过滤(3D block-matching and filtering)的原则来进行原始图像的去噪。
具体地,在本申请实施例中,所述特征提取单元230,用于将所述降噪后荧光光谱图通过作为特征提取器的第二卷积神经网络以得到光谱特征矩阵。也就是,在本申请的技术方案中,然后,将所述降噪后的荧光光谱图通过作为特征提取器的第二卷积神经网络中进行特征提取,以提取到所述降噪后的荧光光谱图的局部高维关联隐含特征分布,从而得到光谱特征矩阵。这样就能够解决掺杂的噪声干扰对结果的影响,进而减小光谱数据的错误概率。
更具体地,在本申请实施例中,所述第二卷积神经网络的各层在层的正向传递中对输入数据分别进行:卷积处理得到卷积特征图;对所述卷积特征图进行基于局部通道维度的池化处理以得到池化特征图;对所述池化特征图进行非线性激活以得到激活特征图;以及,由所述第二卷积神经网络的最后一层输出所述光谱特征矩阵。
具体地,在本申请实施例中,所述特征矩阵分解单元240和所述维度筛选单元250,用于对所述光谱特征矩阵进行基于本征值的矩阵分解以得到多个本征值和与所述多个本征值对应的多个本征特征向量,并从所述多个本征特征向量中提取预定数量的本征特征向量,并将所述预定数量的本征特征向量二维排列为主维度光谱特征矩阵。应可以理解,由于数据量大且数据的品质不统一,因此,在本申请的技术方案中,进一步对所述光谱特征矩阵进行矩阵分解并将本征值超过预定阈值的本征特征向量按照样本维度进行二维排列以得到主维度光谱特征矩阵。这样,可以对所述光谱特征矩阵进行一定程度的降维,从而避免在分类上过拟合。
相应地,在一个具体示例中,所述维度筛选单元,包括:首先,从所述多个本征值对应的多个本征特征向量筛选出本征值超过预定阈值的本征特征向量以得到所述预定数量的本征特征向量。然后,将所述预定数量的本征特征向量按照样本维度进行二维排列以得到所述主维度光谱特征矩阵。
更具体地,在本申请实施例中,所述特征矩阵分解单元,进一步用于:以如下公式对所述光谱特征矩阵进行基于本征值的矩阵分解以得到多个本征值和与所述多个本征值对应的所述多个本征特征向量;
其中,所述公式为:
M=QΛQT
其中M为所述光谱特征矩阵,Λ=diag(λ1,λ2,…,λN),λ1≥λ2≥…≥λN,是有序的对角本征值矩阵,λ1,λ2,…,λN为所述n个特征值,且Q=[q1,q2,…,qN]是包含相应本征向量作为列的本征特征向量矩阵。
图3图示了根据本申请实施例的变压器故障诊断系统中维度筛选单元的框图。如图3所示,所述维度筛选单元250,包括:本征特征向量筛选单元251,用于从所述多个本征值对应的多个本征特征向量筛选出本征值超过预定阈值的本征特征向量以得到所述预定数量的本征特征向量;以及,主维度矩阵构造单元252,用于将所述预定数量的本征特征向量按照样本维度进行二维排列以得到所述主维度光谱特征矩阵。
具体地,在本申请实施例中,所述特征补偿单元260,用于对所述主维度光谱特征矩阵进行柯西重概率化以得到校正后主维度光谱特征矩阵作为分类特征矩阵,其中,所述柯西重概率化基于一与所述主维度光谱特征矩阵中各个位置的特征值之间的加和值除以一与所述主维度光谱特征矩阵中所有位置的特征值之和的加和值来进行。应可以理解,在获得所述主维度光谱特征矩阵的过程中,通过对所述光谱特征矩阵进行本征值分解并将本征值超过预定阈值的本征特征向量进行排列,可以对所述光谱特征矩阵进行一定程度的降维,从而避免在分类上过拟合。但是,这种基于本征值分解的降维也会导致一定的信息损失。因此,在本申请的技术方案中,进一步针对所述主维度光谱特征矩阵进行柯西重概率化,以通过进行柯西归一化来围绕最小化信息损失的目标引入矩阵特征分布的鲁棒性,从而实现特征局部相当于特征整体的聚类性能,以提高所述降维后的主维度光谱特征矩阵的特征分布对于所述光谱特征矩阵的期望整体性特征分布的依赖性。进而,也提高了后续对于所述待检测变压器的故障诊断分类结果的准确性。
更具体地,在本申请实施例中,所述特征补偿单元,进一步用于:以如下公式对所述主维度光谱特征矩阵进行柯西重概率化以得到校正后主维度光谱特征矩阵作为所述分类特征矩阵;
其中,所述公式为:
其中mi,j和m′i,j分别是进行柯西归一化之前和之后的所述主维度光谱特征矩阵的各个位置的特征值。
具体地,在本申请实施例中,所述诊断结果生成单元270,用于将所述分类特征矩阵通过多标签分类器以得到分类结果,所述分类结果为所述待检测变压器的故障类型标签。相应地,在一个具体示例中,所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
综上,基于本申请实施例的所述变压器故障诊断系统200被阐明,其通过激光诱导荧光光谱技术,以基于荧光光谱对电力变压器油进行检测分析,进而快速准确地识别电力变压器的油样,这样,就能够准确有效地对电力变压器的不同故障类型进行诊断,以保障煤矿电力的正常供给。
如上所述,根据本申请实施例的变压器故障诊断系统200可以实现在各种终端设备中,例如变压器故障诊断算法的服务器等。在一个示例中,根据本申请实施例的变压器故障诊断系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该变压器故障诊断系统200可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该变压器故障诊断系统200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该变压器故障诊断系统200与该终端设备也可以是分立的设备,并且该变压器故障诊断系统200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图4图示了变压器故障诊断系统的诊断方法的流程图。如图4所示,根据本申请实施例的变压器故障诊断系统的诊断方法,包括步骤:S110,获取待检测变压器的油样的荧光光谱图;S120,将所述待检测变压器的油样的荧光光谱图通过作为降噪器的第一卷积神经网络以得到降噪后荧光光谱图;S130,将所述降噪后荧光光谱图通过作为特征提取器的第二卷积神经网络以得到光谱特征矩阵;S140,对所述光谱特征矩阵进行基于本征值的矩阵分解以得到多个本征值和与所述多个本征值对应的多个本征特征向量;S150,从所述多个本征特征向量中提取预定数量的本征特征向量,并将所述预定数量的本征特征向量二维排列为主维度光谱特征矩阵;S160,对所述主维度光谱特征矩阵进行柯西重概率化以得到校正后主维度光谱特征矩阵作为分类特征矩阵,其中,所述柯西重概率化基于一与所述主维度光谱特征矩阵中各个位置的特征值之间的加和值除以一与所述主维度光谱特征矩阵中所有位置的特征值之和的加和值来进行;以及,S170,将所述分类特征矩阵通过多标签分类器以得到分类结果,所述分类结果为所述待检测变压器的故障类型标签。
图5图示了根据本申请实施例的变压器故障诊断系统的诊断方法的架构示意图。如图5所示,在所述变压器故障诊断系统的诊断方法的网络架构中,首先,将获得的所述待检测变压器的油样的荧光光谱图(例如,如图5中所示意的IN1)通过作为降噪器的第一卷积神经网络(例如,如图5中所示意的CNN1)以得到降噪后荧光光谱图(例如,如图5中所示意的IN2);接着,将所述降噪后荧光光谱图通过作为特征提取器的第二卷积神经网络(例如,如图5中所示意的CNN2)以得到光谱特征矩阵(例如,如图5中所示意的MF1);然后,对所述光谱特征矩阵进行基于本征值的矩阵分解以得到多个本征值(例如,如图5中所示意的EI)和与所述多个本征值对应的多个本征特征向量(例如,如图5中所示意的VF1);接着,从所述多个本征特征向量中提取预定数量的本征特征向量(例如,如图5中所示意的VF2),并将所述预定数量的本征特征向量二维排列为主维度光谱特征矩阵(例如,如图5中所示意的MF2);然后,对所述主维度光谱特征矩阵进行柯西重概率化以得到校正后主维度光谱特征矩阵作为分类特征矩阵(例如,如图5中所示意的MF);以及,最后,将所述分类特征矩阵通过多标签分类器(例如,如图5中所示意的分类器)以得到分类结果,所述分类结果为所述待检测变压器的故障类型标签。
更具体地,在步骤S110和S120中,获取待检测变压器的油样的荧光光谱图,并将所述待检测变压器的油样的荧光光谱图通过作为降噪器的第一卷积神经网络以得到降噪后荧光光谱图。也就是,首先,获取待检测变压器的油样的荧光光谱图,应可以理解,考虑到由于在光谱获取的过程中,难免会有一些不确定因素影响所述荧光光谱图的质量。第一,一些噪声干扰掺杂在生成的光谱图像中,会增大光谱数据的错误概率。第二,由于数据量大,数据的品质不统一。因此,在本申请的技术方案中,首先通过荧光光谱仪获取待检测变压器的油样的荧光光谱图。然后,将所述待检测变压器的油样的荧光光谱图通过作为降噪器的深度可分离卷积神经网络以得到降噪后荧光光谱图,这样可以避免环境噪声以及检测设备自身所引起的噪声对于检测精度的不良影响。特别地,这里,所述第一卷积神经网络为深度可分离卷积神经网络,所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积以基于三维块匹配和过滤对所述荧光光谱图进行降噪,也就是,卷积操作不仅发生在图像维度的空间,还在通道维度上进行,这样,可以挖掘高维特征中的三维块结构,从而基于三维块匹配和过滤(3D block-matching andfiltering)的原则来进行原始图像的去噪。
更具体地,在步骤S130中,将所述降噪后荧光光谱图通过作为特征提取器的第二卷积神经网络以得到光谱特征矩阵,并对所述光谱特征矩阵进行基于本征值的矩阵分解以得到多个本征值和与所述多个本征值对应的多个本征特征向量。也就是,在本申请的技术方案中,然后,将所述降噪后的荧光光谱图通过作为特征提取器的第二卷积神经网络中进行特征提取,以提取到所述降噪后的荧光光谱图的局部高维关联隐含特征分布,从而得到光谱特征矩阵。这样就能够解决掺杂的噪声干扰对结果的影响,进而减小光谱数据的错误概率。
更具体地,在步骤S140和步骤S150中,对所述光谱特征矩阵进行基于本征值的矩阵分解以得到多个本征值和与所述多个本征值对应的多个本征特征向量,并从所述多个本征特征向量中提取预定数量的本征特征向量,并将所述预定数量的本征特征向量二维排列为主维度光谱特征矩阵。应可以理解,由于数据量大且数据的品质不统一,因此,在本申请的技术方案中,进一步对所述光谱特征矩阵进行矩阵分解并将本征值超过预定阈值的本征特征向量按照样本维度进行二维排列以得到主维度光谱特征矩阵。这样,可以对所述光谱特征矩阵进行一定程度的降维,从而避免在分类上过拟合。相应地,在一个具体示例中,首先,从所述多个本征值对应的多个本征特征向量筛选出本征值超过预定阈值的本征特征向量以得到所述预定数量的本征特征向量。然后,将所述预定数量的本征特征向量按照样本维度进行二维排列以得到所述主维度光谱特征矩阵。
更具体地,在步骤S160中,对所述主维度光谱特征矩阵进行柯西重概率化以得到校正后主维度光谱特征矩阵作为分类特征矩阵,其中,所述柯西重概率化基于一与所述主维度光谱特征矩阵中各个位置的特征值之间的加和值除以一与所述主维度光谱特征矩阵中所有位置的特征值之和的加和值来进行。应可以理解,在获得所述主维度光谱特征矩阵的过程中,通过对所述光谱特征矩阵进行本征值分解并将本征值超过预定阈值的本征特征向量进行排列,可以对所述光谱特征矩阵进行一定程度的降维,从而避免在分类上过拟合。但是,这种基于本征值分解的降维也会导致一定的信息损失。因此,在本申请的技术方案中,进一步针对所述主维度光谱特征矩阵进行柯西重概率化,以通过进行柯西归一化来围绕最小化信息损失的目标引入矩阵特征分布的鲁棒性,从而实现特征局部相当于特征整体的聚类性能,以提高所述降维后的主维度光谱特征矩阵的特征分布对于所述光谱特征矩阵的期望整体性特征分布的依赖性。进而,也提高了后续对于所述待检测变压器的故障诊断分类结果的准确性。
更具体地,在步骤S170中,将所述分类特征矩阵通过多标签分类器以得到分类结果,所述分类结果为所述待检测变压器的故障类型标签。相应地,在一个具体示例中,所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
综上,基于本申请实施例的所述变压器故障诊断系统的诊断方法被阐明,其通过激光诱导荧光光谱技术,以基于荧光光谱对电力变压器油进行检测分析,进而快速准确地识别电力变压器的油样,这样,就能够准确有效地对电力变压器的不同故障类型进行诊断,以保障煤矿电力的正常供给。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的变压器故障诊断系统的诊断方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的变压器故障诊断系统的诊断方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种变压器故障诊断系统,其特征在于,包括:
光谱数据采集单元,用于获取待检测变压器的油样的荧光光谱图;
降噪单元,用于将所述待检测变压器的油样的荧光光谱图通过作为降噪器的第一卷积神经网络以得到降噪后荧光光谱图;
特征提取单元,用于将所述降噪后荧光光谱图通过作为特征提取器的第二卷积神经网络以得到光谱特征矩阵;
特征矩阵分解单元,用于对所述光谱特征矩阵进行基于本征值的矩阵分解以得到多个本征值和与所述多个本征值对应的多个本征特征向量;
维度筛选单元,用于从所述多个本征特征向量中提取预定数量的本征特征向量,并将所述预定数量的本征特征向量二维排列为主维度光谱特征矩阵;
特征补偿单元,用于对所述主维度光谱特征矩阵进行柯西重概率化以得到校正后主维度光谱特征矩阵作为分类特征矩阵,其中,所述柯西重概率化基于一与所述主维度光谱特征矩阵中各个位置的特征值之间的加和值除以一与所述主维度光谱特征矩阵中所有位置的特征值之和的加和值来进行;以及
诊断结果生成单元,用于将所述分类特征矩阵通过多标签分类器以得到分类结果,所述分类结果为所述待检测变压器的故障类型标签。
2.根据权利要求1所述的变压器故障诊断系统,其中,所述第一卷积神经网络为深度可分离卷积神经网络,所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度和通道维度上进行卷积以基于三维块匹配和过滤对所述荧光光谱图进行降噪。
3.根据权利要求2所述的变压器故障诊断系统,其中,所述第二卷积神经网络的各层在层的正向传递中对输入数据分别进行:
卷积处理得到卷积特征图;
对所述卷积特征图进行基于局部通道维度的池化处理以得到池化特征图;
对所述池化特征图进行非线性激活以得到激活特征图;以及
由所述第二卷积神经网络的最后一层输出所述光谱特征矩阵。
4.根据权利要求3所述的变压器故障诊断系统,其中,所述特征矩阵分解单元,进一步用于:以如下公式对所述光谱特征矩阵进行基于本征值的矩阵分解以得到多个本征值和与所述多个本征值对应的所述多个本征特征向量;
其中,所述公式为:
M=QΛQT
其中M为所述光谱特征矩阵,Λ=diag(λ1,λ2,...,λN),λ1≥λ2≥…≥λN,是有序的对角本征值矩阵,λ1,λ2,...,λN表示所述多个本征值,且Q=[q1,q2,...,qN]是包含相应所述本征特征向量作为列的本征特征向量矩阵,q1,...,qN表示与所述多个本征值对应的所述多个本征特征向量。
5.根据权利要求4所述的变压器故障诊断系统,其中,所述维度筛选单元,包括:
本征特征向量筛选单元,用于从所述多个本征值对应的多个本征特征向量筛选出本征值超过预定阈值的本征特征向量以得到所述预定数量的本征特征向量;以及
主维度矩阵构造单元,用于将所述预定数量的本征特征向量按照样本维度进行二维排列以得到所述主维度光谱特征矩阵。
7.根据权利要求6所述的变压器故障诊断系统,其中,所述诊断结果生成单元,进一步用于:所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):...:(W1,B1)|Project(F)},其中Project(F)表示将所述分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
8.一种变压器故障诊断系统的诊断方法,其特征在于,包括:
获取待检测变压器的油样的荧光光谱图;
将所述待检测变压器的油样的荧光光谱图通过作为降噪器的第一卷积神经网络以得到降噪后荧光光谱图;
将所述降噪后荧光光谱图通过作为特征提取器的第二卷积神经网络以得到光谱特征矩阵;
对所述光谱特征矩阵进行基于本征值的矩阵分解以得到多个本征值和与所述多个本征值对应的多个本征特征向量;
从所述多个本征特征向量中提取预定数量的本征特征向量,并将所述预定数量的本征特征向量二维排列为主维度光谱特征矩阵;
对所述主维度光谱特征矩阵进行柯西重概率化以得到校正后主维度光谱特征矩阵作为分类特征矩阵,其中,所述柯西重概率化基于一与所述主维度光谱特征矩阵中各个位置的特征值之间的加和值除以一与所述主维度光谱特征矩阵中所有位置的特征值之和的加和值来进行;以及
将所述分类特征矩阵通过多标签分类器以得到分类结果,所述分类结果为所述待检测变压器的故障类型标签。
9.根据权利要求8所述的变压器故障诊断系统的诊断方法,其中,所述第一卷积神经网络为深度可分离卷积神经网络,所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度和通道维度上进行卷积以基于三维块匹配和过滤对所述荧光光谱图进行降噪。
10.根据权利要求9所述的变压器故障诊断系统的诊断方法,其中,对所述光谱特征矩阵进行基于本征值的矩阵分解以得到多个本征值和与所述多个本征值对应的多个本征特征向量,包括:
以如下公式对所述光谱特征矩阵进行基于本征值的矩阵分解以得到多个本征值和与所述多个本征值对应的所述多个本征特征向量;
其中,所述公式为:
M=QΛQT
其中M为所述光谱特征矩阵,Λ=diag(λ1,λ2,...,λN),λ1≥λ2≥…≥λN,是有序的对角本征值矩阵,λ1,λ2,...,λN表示所述多个本征值,且Q=[q1,q2,...,qN]是包含相应所述本征特征向量作为列的本征特征向量矩阵,q1,...,qN表示与所述多个本征值对应的所述多个本征特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210537064.XA CN114913156B (zh) | 2022-05-17 | 2022-05-17 | 变压器故障诊断系统及其诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210537064.XA CN114913156B (zh) | 2022-05-17 | 2022-05-17 | 变压器故障诊断系统及其诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114913156A true CN114913156A (zh) | 2022-08-16 |
CN114913156B CN114913156B (zh) | 2023-01-24 |
Family
ID=82768625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210537064.XA Active CN114913156B (zh) | 2022-05-17 | 2022-05-17 | 变压器故障诊断系统及其诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114913156B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024098653A1 (zh) * | 2022-11-08 | 2024-05-16 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的自动化采样分析系统及其方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060029279A1 (en) * | 2004-08-09 | 2006-02-09 | Donoho David L | Method and apparatus for compressed sensing |
CN111865702A (zh) * | 2020-08-04 | 2020-10-30 | 北京航空航天大学 | 基于卷积神经网络的网络故障诊断方法及装置 |
CN111860612A (zh) * | 2020-06-29 | 2020-10-30 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 无监督高光谱图像隐低秩投影学习特征提取方法 |
CN113865867A (zh) * | 2021-08-20 | 2021-12-31 | 北京工业大学 | 一种基于幅值特性奇异值分解的轴承故障诊断方法 |
-
2022
- 2022-05-17 CN CN202210537064.XA patent/CN114913156B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060029279A1 (en) * | 2004-08-09 | 2006-02-09 | Donoho David L | Method and apparatus for compressed sensing |
CN111860612A (zh) * | 2020-06-29 | 2020-10-30 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 无监督高光谱图像隐低秩投影学习特征提取方法 |
CN111865702A (zh) * | 2020-08-04 | 2020-10-30 | 北京航空航天大学 | 基于卷积神经网络的网络故障诊断方法及装置 |
CN113865867A (zh) * | 2021-08-20 | 2021-12-31 | 北京工业大学 | 一种基于幅值特性奇异值分解的轴承故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
MEHDI SALEHIFAR 等;: "《Fault Detection in Multi-Phase Two-Level Inverters Using Cauchy Distribution of Normalized Phase Currents》", 《IEEE》 * |
刘群 等: "《面向变电站智能辅助系统的实时数据库设计》", 《电子科技》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024098653A1 (zh) * | 2022-11-08 | 2024-05-16 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的自动化采样分析系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114913156B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114912533B (zh) | 一种应用于变压器的状态监测系统及监测方法 | |
US20200394354A1 (en) | Method for diagnosing analog circuit fault based on cross wavelet features | |
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 | |
CN110148103B (zh) | 基于联合优化的高光谱和多光谱图像融合方法、计算机可读存储介质、电子设备 | |
US7849124B2 (en) | Method and system for detecting difference between plural observed results | |
CN115375691B (zh) | 基于图像的半导体扩散纸源缺陷检测系统及其方法 | |
CN115791640A (zh) | 基于分光光谱的肿瘤细胞检测设备及其方法 | |
CN114782882B (zh) | 基于多模态特征融合的视频目标行为异常检测方法和系统 | |
CN115082745B (zh) | 基于图像的电缆绞线质量检测方法及其系统 | |
CN115471216B (zh) | 智慧实验室管理平台的数据管理方法 | |
CN110147782B (zh) | 一种基于投影字典对学习的人脸识别方法及装置 | |
CN114913156B (zh) | 变压器故障诊断系统及其诊断方法 | |
CN113902622B (zh) | 基于深度先验联合注意力的光谱超分辨率方法 | |
CN116797533B (zh) | 电源适配器的外观缺陷检测方法及其系统 | |
CN116858789A (zh) | 食品安全检测系统及其方法 | |
CN113420718B (zh) | 基于成分分析和稀疏约束的高光谱异常检测方法及装置 | |
CN113593598B (zh) | 音频放大器在待机状态下的降噪方法、装置和电子设备 | |
CN109557434A (zh) | 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法 | |
Chen et al. | Multimodal learning for classification of solar radio spectrum | |
CN117219124A (zh) | 一种基于深度神经网络的开关柜声纹故障检测方法 | |
CN112418353A (zh) | 用于电池隔膜异常检测的神经网络的训练方法 | |
CN108009586B (zh) | 封顶概念分解方法及图像聚类方法 | |
CN113253069B (zh) | 一种基于多光谱强度的局部放电危险度评估方法 | |
Jia et al. | Image-based process monitoring using projective nonnegative-tensor factorization | |
Rezvanian et al. | Patch-based sparse and convolutional autoencoders for anomaly detection in hyperspectral images |
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 |