CN114974306A - 一种基于深度学习的变压器异常声纹检测识别方法和装置 - Google Patents
一种基于深度学习的变压器异常声纹检测识别方法和装置 Download PDFInfo
- Publication number
- CN114974306A CN114974306A CN202210574110.3A CN202210574110A CN114974306A CN 114974306 A CN114974306 A CN 114974306A CN 202210574110 A CN202210574110 A CN 202210574110A CN 114974306 A CN114974306 A CN 114974306A
- Authority
- CN
- China
- Prior art keywords
- voiceprint
- transformer
- abnormal
- network
- classification
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000013138 pruning Methods 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 10
- 230000005856 abnormality Effects 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的变压器异常声纹检测识别方法和装置，方法包括步骤：构建和训练神经网络，所述神经网络包括一个主干网络和连接主干网络的异常声纹分类分支网络和声纹特征提取分支网络，声纹特征提取分支网络提取出变压器声纹特征，异常声纹分类分支网络识别变压器纹异常的类别，最终输出变压器的工作状态。本发明利用深度学习判断变压器的异常运行状态，能够显著改善人为判断经验不足、误差大的问题以及现有声学诊断系统特征容易遗漏、准确率低的问题，具有诊断准确率高、诊断速度快等优点。
Description
技术领域
本发明属于变压器检测技术领域，具体涉及一种基于深度学习的变压器异常声纹检测识别方法和装置。
背景技术
电力变压器运行故障是导致系统大面积停电的关键原因，开展智能运检是保障电力变压器安全运行的有效手段。随着电网规模的大幅增长，电网运行安全性要求越来越高，油中溶解气体监测、铁心接地电流监测、局放监测等多种在线监测装置相继投入使用，初步建成了变压器关键状态量多维度在线监测系统，但仍存在监测状态量不足、稳定性较差、缺乏系统联动等问题。随着智能运检、泛在物联网的建设发展，状态检测与故障诊断新技术的需求愈加凸显。
发明内容
技术目的：针对上述技术问题，本发明提出了一种基于深度学习的变压器异常声纹检测识别方法，利用深度学习判断变压器的异常运行状态，能够显著改善人为判断经验不足、误差大的问题以及现有声学诊断系统特征容易遗漏、准确率低的问题，具有诊断准确率高、诊断速度快的优点。
技术方案：为实现上述技术目的，本发明采用了如下技术方案：
一种基于深度学习的变压器异常声纹检测识别方法，其特征在于，包括步骤：
获取待检测识别的变压器声纹数据，并进行预处理；
将预处理后的数据，输入预先训练好的神经网络，所述神经网络包括主干网络、连接所述主干网络的异常声纹分类分支网络和声纹特征提取分支网络，通过声纹特征提取分支网络提取出变压器声纹特征，通过异常声纹分类分支网络获得变压器声纹异常类型及分类精度；
将提取出的变压器声纹特征与变压器正常声纹库进行比较，计算声纹相似度，判断声纹相似度是否大于声纹相似度阈值，如果大于声纹相似度阈值，则输出变压器声纹正常的结果，否则判断变压器声纹异常，进入下一步；
将获得的变压器声纹异常类型及分类精度，与分类精度阈值进行比较，如果大于或等于分类精度阈值，则输出变压器异常声纹类别的结果，否则输出变压器未知异常告警的结果。
优选地，所述主干网络包括多个卷积层和池化层，每一个卷积层之后连接BN层和激活层ReLU，异常声纹分类分支网络和声纹特征提取分支网络均包括全连接层。
优选地，所述异常声纹分类分支网络采用标签平滑损失函数，并导入factor机制和标签平滑机制，所述声纹特征提取分支网络采用arcface损失函数。
优选地，所述神经网络的训练包括步骤：
(1)在训练时，对BN层的尺度因子施加L1正则化，在训练网络的同时得到稀疏化的尺度因子；
f()表示网络的输出，x表示训练的输入，y表示训练输入的真值，l表示L1-范数计算，W表示网络输出权重，γ是尺度因子，λ是惩罚系数，Γ是伽马函数；
(2)裁掉低于指定阈值的通道：设定裁剪的百分比，依据百分比找到所有尺度因子对应的值作为阈值；逐层进行裁剪，获得新的权值和神经网络结构；
(3)对得到的权重模型和剪枝后的网络，进行fine-tune，以恢复因裁剪损失的精度，完成模型的压缩剪枝。
优选地，所述神经网络使用训练集数据预先训练，所述训练集通过以下步骤获得：
获取变压器声纹数据，包括正常数据和异常数据；
对正常数据和异常数据分别进行预处理，将预处理后的数据作为训练集。
优选地，所述预处理步骤包括：
对变压器声纹数据进行等长切分，得到多个样本；
提取每个样本的梅尔频谱图；
将梅尔频谱图转为RGB图像。
优选地，所述声纹相似度采用余弦相似度，余弦相似度的确定步骤包括：
从变压器正常声纹库中，提取变压器正常声纹特征，计算变压器正常声纹特征均值；
将变压器声纹特征和变压器声纹特征进行特征匹配，计算余弦距离，根据余弦距离确定余弦相似度，余弦相似度作为变压器声纹相似度。
一种基于深度学习的变压器异常声纹检测识别系统，其特征在于，包括：
获取和预处理模块，用于获取待检测识别的变压器声纹数据，并进行预处理；
神经网络模块，用于将预处理后的数据，输入预先训练好的神经网络，所述神经网络包括主干网络、连接所述主干网络的异常声纹分类分支网络和声纹特征提取分支网络，通过声纹特征提取分支网络提取出变压器声纹特征，通过异常声纹分类分支网络获得变压器声纹异常类型及分类精度；
第一判断模块，用于将提取出的变压器声纹特征与变压器正常声纹库进行比较，计算声纹相似度，判断声纹相似度是否大于声纹相似度阈值，如果大于声纹相似度阈值，则向结果显示模块输出变压器声纹正常的结果，否则判断变压器声纹异常，触发第二判断模块；
第二判断模块，用于将获得的变压器声纹异常类型及分类精度，与分类精度阈值进行比较，如果大于或等于分类精度阈值，则向结果显示模块输出变压器异常声纹类别的结果，否则输出变压器未知异常告警的结果；
结果显示模块，用于显示第一判断模块或第二判断模块的判断结果。
一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述方法。
一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现所述方法。
有益效果：由于采用了上述技术方案，本发明具有如下有益效果：
本发明利用深度学习判断变压器的异常运行状态，能够显著改善人为判断经验不足、误差大的问题以及现有声学诊断系统特征容易遗漏、准确率低的问题，具有诊断准确率高、诊断速度快的优点。
附图说明
图1是变压器声纹数据预处理；
图2是变压器声纹训练网络结构设计图；
图3变压器声纹相似度计算流程；
图4是变压器异常声纹检测与分类流程图。
具体实施方式
下面结合附图对本发明的实施例作详细的说明。
实施例一
本实施例提出一种基于深度学习的变压器异常声纹检测识别方法，包括以下步骤：
1.数据预处理
如图1所示，变压器声纹数据预处理流程，首先采集变压器正常数据和异常数据，然后进行等长切分，每个样本长度为10s，提取每个样本梅尔频谱图(即Mel频谱图)，再将梅尔频谱图转为RGB图像，作为预处理好的声纹数据，用于训练神经网络。变压器正常数据和异常数据是分开预处理、合并输入神经网络训练的，例如：有正常数据、四种异常数据，合在一起相当于有5个类别，预处理后包括正常样本和四种异常样本，异常样本可以是过流、局放、空载等异常类别。
2.网络结构设计
网络训练分为两个任务，一个分支做变压器异常声纹的分类任务，另一个分支做度量学习，进行声纹特征提取任务，两者共享训练数据，共享主干网络backbone，一次迭代完成，如图2所示。具体步骤如下：
1)将预处理好的声纹数据，送入深度神经网络CNN中，主干网络backbone包括六层卷积，每一层卷积连接BN层和激活层ReLU，和五层池化层，但backbone不限于VGG、ResNet、Mobilenet、Squeezenet等网络结构；
2)一个分支在backbone后连接全卷积神经网络的第一FC层，即异常声纹分类分支网络，输入为声纹的梅尔谱图，经过神经网络的梯度计算，输出为声纹类别的得分，通过得分最高的，判断属于哪一个类别，即输出能够表征变压器异常声纹类别。该FC层采用标签平滑损失函数，为防止过拟合，让目标不再是one-hot标签，并导入factor机制，标签平滑机制原理如下面公式所示：
i代表第i个样本，y为原始标签，K为类别数目，ε是一个很小的常量。例如：原始标签【0，0，1】，利用这种机制后，标签为[0.0333,0.0333,0.9333]。例如有五个类别，则第一FC层会输出一个五维的向量，同solfmax计算，计算出每个类别的得分，取得分最高的类别。
3)另一个分支在backbone后连接全卷积神经网络第二FC层，即声纹特征提取分支网络，第二FC层中的特征即图2中的Feature_maps，也称之为特征层，提取特征，提取的特征就是对声纹特征的表征，声纹特征数据化，用于判断特征相似度。第二FC层与第一FC层的输入相同，均为声纹的梅尔谱图，第二FC层输出的是声纹的特征，即输出为512或者128维度特征，进行度量学习，采用arcface损失函数，损失函数公式为：
N是样本的数量，i代表第i个样本，j代表第j个类别，s表示缩放系数，y为原始标签，m超参数，是一个常数，一般在0到0.5之间，e是指数，数学公式。
encode将第二FC层的特征归一化，编码成特征向量。
3.模型训练及其压缩剪枝
整个网络是同时进行梯度计算，各自计算梯度损失，进行回传，共享主干网络，可以相互优化参数，具体步骤如下：
1)将预处理好的变压器数据输入卷积神经网络中，两个分支同时进行训练迭代；
2)对模型进行剪枝压缩，保证精度的情况下，提高模型推理速度，减低网络参数，方便模型部署，采用通道剪枝的方法，通过稀疏化尺度因子(BN层的scaling factor尺度因子)来裁掉“不重要”的通道，分以下几步：
(1)在训练时，对BN层的scaling factor施加L1正则化，在训练网络的同时得到稀疏化的尺度因子；
L是损失函数，f()表示网络的输出，x表示训练的输入，y表示训练输入的真值，l表示L1-范数计算，W表示网络输出权重，γ是尺度因子，λ是惩罚系数，Γ是伽马函数。
(2)裁掉低于指定阈值的通道：设定裁剪的百分比，依据百分比找到所有尺度因子对应的值作为阈值；逐层进行裁剪，获得新的权值和网络结构；
(3)对得到的权重模型和剪枝后的网络，进行fine-tune，即网络模型优化时候，神经网络参数初始化方法，有利于加快网络收敛速度，以恢复因裁剪损失的精度，完成模型的压缩剪枝。
训练后的神经网络的异常声纹分类分支网络，能够对变压器异常进行分类，判别属于哪一种异常，例如：过流、过载等类型的异常，并获得每种变压器声纹异常类型对应的分类精度。
4.变压器异常声音检测与识别
1)将采集到的变压器声纹数据进行预处理，加载网络及权重，进行推理，提取变压器声纹特征，与变压器正常声纹库特征比较，计算余弦相似度，设定阈值，判断变压器声音异常情况，如图3所示声纹相似度计算流程；
2)如果变压器声音异常，再利用分类模型判断变压器异常类别，即向“变压器声纹异常分类”输出余弦相似度与阈值比较的结果，通过阈值界限，判断是否异常，如果异常识别精度低于设定阈值，则输出为未知异常，并进行系统告警，如图4所示。
在第一FC层，会通过solfmax计算，会得到每个类别的得分，即为分类的精度。
实施例二
本实施例提出一种基于深度学习的变压器异常声纹检测识别系统，包括：
获取和预处理模块，用于获取待检测识别的变压器声纹数据，并进行预处理；
神经网络模块，用于将预处理后的数据，输入预先训练好的神经网络，所述神经网络包括主干网络、连接所述主干网络的异常声纹分类分支网络和声纹特征提取分支网络，通过声纹特征提取分支网络提取出变压器声纹特征，通过异常声纹分类分支网络获得变压器声纹异常类型及分类精度；
第一判断模块，用于将提取出的变压器声纹特征与变压器正常声纹库进行比较，计算声纹相似度，判断声纹相似度是否大于声纹相似度阈值，如果大于声纹相似度阈值，则向结果显示模块输出变压器声纹正常的结果，否则判断变压器声纹异常，触发第二判断模块；
第二判断模块，用于将获得的变压器声纹异常类型及分类精度，与分类精度阈值进行比较，如果大于或等于分类精度阈值，则向结果显示模块输出变压器异常声纹类别的结果，否则输出变压器未知异常告警的结果；
结果显示模块，用于显示第一判断模块或第二判断模块的判断结果。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于深度学习的变压器异常声纹检测识别方法，其特征在于，包括步骤：
获取待检测识别的变压器声纹数据，并进行预处理；
将预处理后的数据，输入预先训练好的神经网络，所述神经网络包括主干网络、连接所述主干网络的异常声纹分类分支网络和声纹特征提取分支网络，通过声纹特征提取分支网络提取出变压器声纹特征，通过异常声纹分类分支网络获得变压器声纹异常类型及分类精度；
将提取出的变压器声纹特征与变压器正常声纹库进行比较，计算声纹相似度，判断声纹相似度是否大于声纹相似度阈值，如果大于声纹相似度阈值，则输出变压器声纹正常的结果，否则判断变压器声纹异常，进入下一步；
将获得的变压器声纹异常类型及分类精度，与分类精度阈值进行比较，如果大于或等于分类精度阈值，则输出变压器异常声纹类别的结果，否则输出变压器未知异常告警的结果。
2.根据权利要求1所述的基于深度学习的变压器异常声纹检测识别方法，其特征在于，所述主干网络包括多个卷积层和池化层，每一个卷积层之后连接BN层和激活层ReLU，异常声纹分类分支网络和声纹特征提取分支网络均包括全连接层。
3.根据权利要求1所述的基于深度学习的变压器异常声纹检测识别方法，其特征在于，所述异常声纹分类分支网络采用标签平滑损失函数，并导入factor机制和标签平滑机制，所述声纹特征提取分支网络采用arcface损失函数。
4.根据权利要求1或3任一所述的基于深度学习的变压器异常声纹检测识别方法，其特征在于，所述神经网络的训练包括步骤：
(1)在训练时，对BN层的尺度因子施加L1正则化，在训练网络的同时得到稀疏化的尺度因子；
L是损失函数，f()表示网络的输出，x表示训练的输入，y表示训练输入的真值，l表示L1-范数计算，W表示网络输出权重，γ是尺度因子，λ是惩罚系数，Γ是伽马函数；
(2)裁掉低于指定阈值的通道：设定裁剪的百分比，依据百分比找到所有尺度因子对应的值作为阈值；逐层进行裁剪，获得新的权值和神经网络结构；
(3)对得到的权重模型和剪枝后的网络，进行fine-tune，以恢复因裁剪损失的精度，完成模型的压缩剪枝。
5.根据权利要求1所述的基于深度学习的变压器异常声纹检测识别方法，其特征在于：所述神经网络使用训练集数据预先训练，所述训练集通过以下步骤获得：
获取变压器声纹数据，包括正常数据和异常数据；
对正常数据和异常数据分别进行预处理，将预处理后的数据作为训练集。
6.根据权利要求1或5任一所述的基于深度学习的变压器异常声纹检测识别方法，其特征在于，所述预处理步骤包括：
对变压器声纹数据进行等长切分，得到多个样本；
提取每个样本的梅尔频谱图；
将梅尔频谱图转为RGB图像。
7.根据权利要求1所述的基于深度学习的变压器异常声纹检测识别方法，其特征在于，所述声纹相似度采用余弦相似度，余弦相似度的确定步骤包括：
从变压器正常声纹库中，提取变压器正常声纹特征，计算变压器正常声纹特征均值；
将变压器声纹特征和变压器声纹特征进行特征匹配，计算余弦距离，根据余弦距离确定余弦相似度，余弦相似度作为变压器声纹相似度。
8.一种基于深度学习的变压器异常声纹检测识别系统，其特征在于，包括：
获取和预处理模块，用于获取待检测识别的变压器声纹数据，并进行预处理；
神经网络模块，用于将预处理后的数据，输入预先训练好的神经网络，所述神经网络包括主干网络、连接所述主干网络的异常声纹分类分支网络和声纹特征提取分支网络，通过声纹特征提取分支网络提取出变压器声纹特征，通过异常声纹分类分支网络获得变压器声纹异常类型及分类精度；
第一判断模块，用于将提取出的变压器声纹特征与变压器正常声纹库进行比较，计算声纹相似度，判断声纹相似度是否大于声纹相似度阈值，如果大于声纹相似度阈值，则向结果显示模块输出变压器声纹正常的结果，否则判断变压器声纹异常，触发第二判断模块；
第二判断模块，用于将获得的变压器声纹异常类型及分类精度，与分类精度阈值进行比较，如果大于或等于分类精度阈值，则向结果显示模块输出变压器异常声纹类别的结果，否则输出变压器未知异常告警的结果；
结果显示模块，用于显示第一判断模块或第二判断模块的判断结果。
9.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-8中任意一项所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210574110.3A CN114974306A (zh) | 2022-05-24 | 2022-05-24 | 一种基于深度学习的变压器异常声纹检测识别方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210574110.3A CN114974306A (zh) | 2022-05-24 | 2022-05-24 | 一种基于深度学习的变压器异常声纹检测识别方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114974306A true CN114974306A (zh) | 2022-08-30 |
Family
ID=82955781
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210574110.3A Pending CN114974306A (zh) | 2022-05-24 | 2022-05-24 | 一种基于深度学习的变压器异常声纹检测识别方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114974306A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN117077736A (zh) * | 2023-10-12 | 2023-11-17 | 国网浙江省电力有限公司余姚市供电公司 | 故障诊断模型训练方法、电网故障诊断方法及存储介质 |
-
2022
- 2022-05-24 CN CN202210574110.3A patent/CN114974306A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN117077736A (zh) * | 2023-10-12 | 2023-11-17 | 国网浙江省电力有限公司余姚市供电公司 | 故障诊断模型训练方法、电网故障诊断方法及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114974306A (zh) | 一种基于深度学习的变压器异常声纹检测识别方法和装置 | |
| CN114282579A (zh) | 基于变分模态分解和残差网络的航空轴承故障诊断方法 | |
| CN113222149A (zh) | 模型训练方法、装置、设备和存储介质 | |
| CN114544155A (zh) | 基于深度学习的auv推进器多信源融合故障诊断方法及系统 | |
| CN115343676B (zh) | 密封电子设备内部多余物定位技术的特征优化方法 | |
| CN113111968A (zh) | 图像识别模型训练方法、装置、电子设备和可读存储介质 | |
| CN114742211B (zh) | 一种面向微控制器的卷积神经网络部署和优化方法 | |
| CN116822610A (zh) | 一种基于级联剪枝的绝缘子缺陷检测模型构建方法及装置 | |
| CN115526254A (zh) | 场景识别系统、方法、电子设备及存储介质 | |
| CN115526882A (zh) | 一种医学图像的分类方法、装置、设备及存储介质 | |
| CN117219124B (zh) | 一种基于深度神经网络的开关柜声纹故障检测方法 | |
| CN117012373B (zh) | 一种葡萄胎辅助检查模型的训练方法、应用方法及系统 | |
| CN116503612B (zh) | 基于多任务关联的风机叶片损伤识别方法与系统 | |
| CN117909881A (zh) | 多源数据融合的抽油机的故障诊断方法及装置 | |
| CN108898157B (zh) | 基于卷积神经网络的数值型数据的雷达图表示的分类方法 | |
| CN110622692A (zh) | 一种甘蔗联合收割机运行状态的智能识别方法及系统 | |
| CN115797804A (zh) | 一种基于不平衡时序航空飞行数据的异常检测方法 | |
| Zheng et al. | Circulation pump bearing fault diagnosis research based on BAM-CNN model and CWT processing time-frequency map | |
| CN114822562A (zh) | 声纹识别模型的训练方法、声纹识别方法及相关设备 | |
| CN118094381B (zh) | 一种基于概率特征挖掘的风力发电机叶片故障判别方法 | |
| CN114998607B (zh) | 超声图像的特征提取方法、装置、电子设备及存储介质 | |
| CN117909854B (zh) | 基于多模态对比嵌入的零样本复合故障诊断方法 | |
| CN118427681A (zh) | 一种基于自监督对比学习增强的跨工况开集故障诊断方法及设备 | |
| Augsornthip et al. | Sound Classification for Non-Destructive Diagnosis of Basal Stem Rot Disease based on Stem Density in Oil Palm Trunks | |
| CN117269925A (zh) | 一种海面漂浮小目标检测方法、装置、设备及介质 |
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 |