CN116012350A - 一种基于声纹特征的变压器故障检测方法、系统及介质 - Google Patents

一种基于声纹特征的变压器故障检测方法、系统及介质 Download PDF

Info

Publication number
CN116012350A
CN116012350A CN202310068167.0A CN202310068167A CN116012350A CN 116012350 A CN116012350 A CN 116012350A CN 202310068167 A CN202310068167 A CN 202310068167A CN 116012350 A CN116012350 A CN 116012350A
Authority
CN
China
Prior art keywords
transformer
voiceprint
neural network
network model
picture
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
Application number
CN202310068167.0A
Other languages
English (en)
Inventor
王玉伟
彭平
钟永恒
欧乐知
刘赟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hunan Electric Power Co Ltd
State Grid Hunan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hunan Electric Power Co Ltd
State Grid Hunan Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Hunan Electric Power Co Ltd, State Grid Hunan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202310068167.0A priority Critical patent/CN116012350A/zh
Publication of CN116012350A publication Critical patent/CN116012350A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

  • Image Analysis (AREA)

Abstract

本发明公开了一种基于声纹特征的变压器故障检测方法、系统及介质，本发明方法包括采集变压器的声纹图片；将声纹图片利用训练好的掩膜卷积神经网络模型提取出声纹轮廓和变压器轮廓；计算声纹轮廓和变压器轮廓两者之间的相对相交区域I，若相对相交区域I大于设定值Ith，则判定变压器存在故障，并依据变压器轮廓从声纹图片从裁剪出变压器图片，并将变压器图片利用训练好的故障检测神经网络模型进行分类预测得到变压器的故障检测结果。本发明能够实现变压器运行状况的非介入式带电检测，能够有效减少变电站环境复杂带来的影响，提高变压器故障检测精度。

Description

一种基于声纹特征的变压器故障检测方法、系统及介质
技术领域
本发明涉及变压器故障检测技术领域，具体涉及一种基于声纹特征的变压器故障检测方法、系统及介质。
背景技术
近年来，随着经济和工业的发展，我国对电力的需求不断增大，超高压大电网成为电力发展的新趋势。变压器作为电力系统中的关键设备，连接着发电、输电、变电、配电各个重要环节，是电力系统安全运转的命脉。变压器需要长期工作，受内部放电、过热、绕组变形、机械部件松动及设备绝缘老化等潜伏性故障因素的影响，随着时间积累会导致在运行过程中出现严重故障因此开展变压器的故障检测对于保障电网的安全可靠运行具有十分重要的意义。
传统的变压器故障检测方法是通过用人耳听取设备运行声音来判断故障类型与故障位置。此类方法具有一定的局限性、模糊性、主观性并缺乏持久性，并且随着电网规模的扩大、设备结构的复杂性的提高以及高新技术的不断应用，已经不能满足当前变电站故障诊断的需求。变压器不同的故障类型影响着变压器的振动状态，进而会产生不同的声波信号，因此应用传声器阵列装置可采集变压器运行过程中产生的声纹信号，通过对声纹信号的分析与识别可实现对变压器的工况检测与诊断。利用声纹信号对变压器状态进行检测的方法得到了广泛应用，但仍存在定位困难，精度较低的缺点。
发明内容
本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于声纹特征的变压器故障检测方法、系统及介质，本发明能够实现变压器运行状况的非介入式带电检测，能够解决现有变压器故障检测技术中故障位置定位困难，检测精度较低的问题，实现精确的变压器故障检测。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于声纹特征的变压器故障检测方法，包括：
S101，采集变压器的声纹图片；
S102，将声纹图片利用训练好的掩膜卷积神经网络模型提取出声纹轮廓和变压器轮廓；
S103，计算声纹轮廓和变压器轮廓两者之间的相对相交区域I，若相对相交区域I大于设定值Ith，则判定变压器存在故障，并跳转步骤S4；
S104，依据变压器轮廓从声纹图片从裁剪出变压器图片，并将变压器图片利用训练好的故障检测神经网络模型进行分类预测得到变压器的故障检测结果。
可选地，步骤S103中计算声纹轮廓和变压器轮廓两者之间的相对相交区域I的函数表达式为：
I＝(bs∩bt)/bs，
上式中，bs表示声纹轮廓，bt表示变压器轮廓，∩表示交集运算。
可选地，步骤S103中设定值Ith取0.2。
可选地，步骤S102中的掩膜卷积神经网络模型包括：
骨干网络，用于对输入的声纹图片进行卷积操作以提取图片特征；
特征金字塔网络，用于对提取的图片特征进行融合并输出多个不同尺度的图片特征；
候选区域网络RPN，用于基于图片特征进行目标检测初步筛选出目标位置；
轮廓检测头，用于首先使用双线性内插的方法将初步筛选出的目标位置映射到统一的尺寸大小的特征图，然后将统一的尺寸大小的特征图利用卷积及全连接层输出回归锚框的坐标以及分类分数，同时对统一的尺寸大小的特征图进行反卷积插值操作使其增大到输入的声纹图片的原始大小，最终对每一个像素进行分类，从而生成待检测目标对应的轮廓。
可选地，步骤S104中的故障检测神经网络模型包括：
骨干网络，用于对输入的声纹图片进行卷积操作以提取图片特征；
特征金字塔网络，用于对提取的图片特征进行融合并输出多个不同尺度的图片特征；
分类检测头，与特征金字塔网络的多个不同尺度一一对应，每一个尺度对应包括分类头和回归头，分类头和回归头均与特征金字塔网络连接，其中分类头用于预测变压器的故障检测结果，回归头用于预测变压器的故障位置；且多个分类检测头的检测结果通过取平均或者加权融合后得到最终的检测结果。
可选地，步骤S101之前还包括训练掩膜卷积神经网络模型以及故障检测神经网络模型：
S201，采集变压器的声纹图片样本；
S202，对采集变压器的声纹图片样本进行标注，得到变压器声纹图像数据集；
S203，将变压器声纹图像数据集划分为训练集和验证集；
S204，创建掩膜卷积神经网络模型以及故障检测神经网络模型，并利用训练集和验证集训练掩膜卷积神经网络模型以及故障检测神经网络模型。
可选地，步骤S204中利用训练集和验证集训练掩膜卷积神经网络模型以及故障检测神经网络模型时，掩膜卷积神经网络模型采用的损失函数的函数表达式为：
L＝Ldet+Lseg，
上式中，L为掩膜卷积神经网络模型的损失函数，Ldet为掩膜卷积神经网络模型的分类损失和回归损失之和，Lseg为掩膜卷积神经网络模型提取轮廓造成的损失，且有分类损失和回归损失之和的函数表达式为：
Figure BDA0004063948100000031
上式中，Ldet(pi，ti)为pi和ti对应的分类损失和回归损失之和，pi为锚框的预测分类概率，当锚框为正样本时
Figure BDA0004063948100000032
等于1反之则等于0，ti为锚框的预测坐标，
Figure BDA0004063948100000033
为锚框对应真实框的坐标，Ncls为输入样本数量，Nreg代表正样本锚框数量，λ为权重因子；
所述故障检测神经网络模型采用的损失函数的函数表达式为：
Figure BDA0004063948100000034
上式中，Focal loss(p)为故障检测神经网络模型采用的损失函数，p表示预测的目标概率，y表示真实标签，α是用来控制正负样本权重的因子，γ是用来控制难易样本的权重因子。
可选地，步骤S204中利用训练集和验证集训练掩膜卷积神经网络模型以及故障检测神经网络模型时，包括针对训练集中的声纹图片样本，采用下述概率锚点分配策略为故障检测神经网络模型进行正负样本分配：
S301，将锚框分配给与其交并比最高的真实框，其中交并比的计算函数表达式为：
IoU＝(b1∩b2)/(b1∪b2)，
上式中，IoU为交并比，b1和b2分别代表锚框和真实框；
S302，为每个真实框从每个特征金字塔层中分别选取质量分数排名前K的锚框作为候选框，此时每个真实框拥有K*L个候选框，未被选中的锚框作为负样本，其中L为特征金字塔层数，锚框的质量分数的计算函数表达式为：
SAnchor＝SCls*SLoc，
上式中，SAnchor为锚框的质量分数，SCls为该锚框的分类分数，SLoc为该锚框经故障检测神经网络模型回归后输出的预测框与真实框的交并比；
S303，对每个真实框的候选框构建高斯混合模型GMM，利用期望最大化算法EM对高斯混合模型选择正负样本。
此外，本发明还提供一种基于声纹特征的变压器故障检测系统，包括相互连接的微处理器和存储器，所述微处理器被编程或配置以执行所述基于声纹特征的变压器故障检测方法。
此外，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序用于被微处理器编程或配置以执行所述基于声纹特征的变压器故障检测方法。
和现有技术相比，本发明主要具有下述优点：
1、本发明基于声纹图片实现变压器故障检测，可使用声纹成像仪进行图像采集，避免了传统离线检测技术的缺点，能够实现变压器运行状况的非介入式带电检测。
2、本发明包括将声纹图片利用训练好的掩膜卷积神经网络模型提取出声纹轮廓和变压器轮廓，计算声纹轮廓和变压器轮廓两者之间的相对相交区域I以进行初步故障判断，并在判定有故障后将存在故障的变压器从变压器声纹图片中裁剪出来，之后将其输入至故障检测神经网络模型，能够有效减少变电站环境复杂带来的影响，提高变压器故障检测精度，从而能够有效解决现有变压器故障检测技术中故障位置定位困难，检测精度较低的问题。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例中掩膜卷积神经网络模型的网络结构示意图
图3为本发明实施例中故障检测神经网络模型的网络结构示意图。
图4为本发明实施例中网络模型的训练流程示意图。
具体实施方式
如图1所示，本实施例提供一种基于声纹特征的变压器故障检测方法，包括：
S101，采集变压器的声纹图片；
S102，将声纹图片利用训练好的掩膜卷积神经网络模型提取出声纹轮廓和变压器轮廓；
S103，计算声纹轮廓和变压器轮廓两者之间的相对相交区域I，若相对相交区域I大于设定值Ith，则判定变压器存在故障，并跳转步骤S4；
S104，依据变压器轮廓从声纹图片从裁剪出变压器图片，并将变压器图片利用训练好的故障检测神经网络模型进行分类预测得到变压器的故障检测结果。
本实施例中，步骤S101中采集变压器的声纹图片具体为使用声学成像仪采集得到。
本实施例中，步骤S103中计算声纹轮廓和变压器轮廓两者之间的相对相交区域I的函数表达式为：
I＝(bs∩bt)/bs，
上式中，bs表示声纹轮廓，bt表示变压器轮廓，∩表示交集运算。
步骤S103中设定值Ith可根据实际需要来进行经验取值，例如作为一种可选的实施方式，本实施例步骤S103中设定值Ith取0.2。
本实施例中，步骤S102中的掩膜卷积神经网络模型具体采用Mask RCNN模型，如图2所示，步骤S102中的掩膜卷积神经网络模型包括：
骨干网络，用于对输入的声纹图片进行卷积操作以提取图片特征；
特征金字塔网络，用于对提取的图片特征进行融合并输出多个不同尺度的图片特征；
候选区域网络RPN，用于基于图片特征进行目标检测初步筛选出目标位置；
轮廓检测头，用于首先使用双线性内插的方法将初步筛选出的目标位置映射到统一的尺寸大小的特征图，然后将统一的尺寸大小的特征图利用卷积及全连接层输出回归锚框的坐标以及分类分数，同时对统一的尺寸大小的特征图进行反卷积插值操作使其增大到输入的声纹图片的原始大小，最终对每一个像素进行分类，从而生成待检测目标对应的轮廓。
本实施例中，掩膜卷积神经网络模型的骨干网络具体采用ResNet50网络，ResNet50网络为现有骨干网络，可对输入的声纹图片进行卷积操作从而提取变压器声纹图片的特征。特征金字塔网络用于对骨干网络提取的特征进行融合，并输出多个尺度不同的特征。候选区域网络RPN用于基于图片特征进行目标检测初步筛选出目标位置(ROI区域)，候选区域网络RPN本质是一个无类别的目标检测器，该结构初步筛选图片中目标的位置，并将其作为轮廓检测头(ROI Head)的输入。轮廓检测头(ROI Head)采用ROI Align(感兴趣区域对齐)取代ROI pooling(感兴趣区域池化)以获得更加完整的特征图信息。ROI Align取消了量化操作，使用双线性内插的方法将RPN生成的多个ROI区域映射到统一的7*7尺寸，之后经过卷积及全连接分别输出回归框的坐标以及分类分数，分割分支对ROI Align输出的7*7特征图进行反卷积操作，即进行插值操作，不断的增大特征图的尺寸，直到特征图的大小和输入图片大小一致，最后对每一个像素进行分类，从而生成待检测目标对应的mask(待检测目标对应的轮廓)。
本实施例中，步骤S204中利用训练集和验证集训练掩膜卷积神经网络模型以及故障检测神经网络模型时，掩膜卷积神经网络模型采用的损失函数的函数表达式为：
L＝Ldet+Lseg，
上式中，L为掩膜卷积神经网络模型的损失函数，Ldet为掩膜卷积神经网络模型的分类损失和回归损失之和，Lseg为掩膜卷积神经网络模型提取轮廓造成的损失，且有分类损失和回归损失之和的函数表达式为：
Figure BDA0004063948100000051
上式中，Ldet(pi，ti)为pi和ti对应的分类损失和回归损失之和，pi为锚框的预测分类概率，当锚框为正样本时
Figure BDA0004063948100000052
等于1反之则等于0，ti为锚框的预测坐标，
Figure BDA0004063948100000053
为锚框对应真实框的坐标，Ncls为输入样本数量，Nreg代表正样本锚框数量，λ为权重因子。
本实施例中，步骤S104中的故障检测神经网络模型具体采用Retina Net模型，如图3所示，步骤S104中的故障检测神经网络模型包括：
骨干网络，用于对输入的声纹图片进行卷积操作以提取图片特征；
特征金字塔网络，用于对提取的图片特征进行融合并输出多个不同尺度的图片特征；
分类检测头，与特征金字塔网络的多个不同尺度一一对应，每一个尺度对应包括分类头和回归头，分类头和回归头均与特征金字塔网络连接，其中分类头用于预测变压器的故障检测结果，回归头用于预测变压器的故障位置；且多个分类检测头的检测结果通过取平均或者加权融合后得到最终的检测结果。
本实施例中，故障检测神经网络模型的骨干网络具体采用ResNet50网络，ResNet50网络为现有骨干网络，可对输入的声纹图片进行卷积操作以提取图片特征。
本实施例中，故障检测神经网络模型采用的损失函数的函数表达式为：
Figure BDA0004063948100000061
上式中，Focal loss(p)为故障检测神经网络模型采用的损失函数，p表示预测的目标概率，y表示真实标签，α是用来控制正负样本权重的因子，γ是用来控制难易样本的权重因子，otherwise表示y＝1以外的情况。
参见图4，步骤S101之前还包括训练掩膜卷积神经网络模型以及故障检测神经网络模型：
S201，采集变压器的声纹图片样本；
S202，对采集变压器的声纹图片样本进行标注，得到变压器声纹图像数据集；本实施例中，数据标注软件优选为Label me(一款数据标注软件)；
S203，将变压器声纹图像数据集划分为训练集和验证集；本实施例中，可根据需要按照指定的比例对变压器声纹图像数据集进行划分，将其划分为训练集和验证集，例如本实施例中指定的比例可以是8:2；
S204，创建掩膜卷积神经网络模型以及故障检测神经网络模型，并利用训练集和验证集训练掩膜卷积神经网络模型以及故障检测神经网络模型。
本实施例中，步骤S202中对采集变压器的声纹图片样本进行标注时，还包括对采集变压器的声纹图片样本进行数据增强，以扩展声纹图片样本的数量，进行数据增强包括对采集变压器的声纹图片样本进行缩放、水平翻转、剪裁等。
步骤S204中包括建立Mask RCNN模型，并利用训练集训练Mask RCNN模型；建立Retina Net模型，并利用训练集训练Retina Net模型；将验证集输入到训练后的Mask RCNN模型中，得到变压器和声纹的轮廓，根据两者像素是否存在交集判断变压器是否存在故障，并将在存故障的变压器从变压器声纹图片中裁剪出来；将裁剪出的故障变压器图片输入到训练后的Retina Net模型中，得到变压器故障检测结果。
步骤S204中利用训练集和验证集训练掩膜卷积神经网络模型(Mask RCNN模型)时，为了提高训练效率，本实施例中采用COCO数据集上的预训练权重初始化Mask RCNN模型，之后对利用训练集和验证集训练Mask RCNN模型以实现微调(Fine Tuning)，从而能够有效提高Mask RCNN模型的训练效率。同样地，采用COCO数据集上的预训练权重初始化Retina Net模型，之后对利用训练集和验证集训练Retina Net模型以实现微调(FineTuning)，从而能够有效提高Retina Net模型的训练效率。
本实施例中步骤S204中利用训练集和验证集训练掩膜卷积神经网络模型以及故障检测神经网络模型时，包括针对训练集中的声纹图片样本，采用下述概率锚点分配策略(PAA样本分配策略)为故障检测神经网络模型进行正负样本分配：
S301，将锚框分配给与其交并比最高的真实框，其中交并比的计算函数表达式为：
IoU＝(b1∩b2)/(b1∪b2)，
上式中，IoU为交并比，b1和b2分别代表锚框和真实框，∩为交集运算，∪为并集运算；
S302，为每个真实框从每个特征金字塔层中分别选取质量分数排名前K的锚框作为候选框，此时每个真实框拥有K*L个候选框，未被选中的锚框作为负样本，其中L为特征金字塔层数(本实施例中L取值为5，K取值为9)，锚框的质量分数的计算函数表达式为：
SAnchor＝SCls*SLoc，
上式中，SAnnchor为锚框的质量分数，SCls为该锚框的分类分数，SLoc为该锚框经故障检测神经网络模型回归后输出的预测框与真实框的交并比；
S303，对每个真实框的候选框构建高斯混合模型GMM，利用期望最大化算法EM对高斯混合模型选择正负样本。
传统的Max IoU样本分配策略是利用锚框与真实框之间的交并比，若交并比大于正阈值则为正样本，小于负阈值则为负样本。这种样本分配方法直观简单，却忽略了相交区域的实际内容，该相交区域可能包含嘈杂的背景，附近的对象或要检测的目标对象的少量有意义的部分，同时该策略也未考虑过模型的学习状态。本实施例通过采用PAA样本分配策略替换Retina Net模型原有的Max IoU样本分配策略，本实施例概率锚点分配策略(PAA样本分配策略)关键在于将锚框分配给与其交并比最高的真实框以及锚框的质量分数的计算函数表达式，在PAA样本分配策略中锚框的质量分数由分类分数、预测框与真实框的交并比决定，锚框的质量分数从一定程度上反应了模型的学习状态，之后根据锚框的质量分数利用高斯混合模型自适应的将锚框分配成正样本或者负样本，从而能够有效提升检测精度。需要说明的是，本实施例概率锚点分配策略(PAA样本分配策略)关键在于将锚框分配给与其交并比最高的真实框以及锚框的质量分数的计算函数表达式；而对每个真实框的候选框构建高斯混合模型GMM，利用期望最大化算法EM对高斯混合模型选择正负样本为现有的公知选择正负样本方法，本实施例仅仅涉及对该方法的使用，不涉及对该部分内容的改进，故其实现细节在此不再赘述。
综上所述，本实施例基于声纹特征的变压器故障检测方法主要就有下述优点：1、使用声纹成像仪进行图像采集，避免了传统离线检测技术的缺点，能够实现变压器运行状况的非介入式带电检测；2、利用Mask RCNN模型对变压器声纹图片进行初步判断，判断其是否存在故障，并将存在故障的变压器从变压器声纹图片中裁剪出来，之后将其输入至Retina Net模型，该方法可以有效减少变电站环境复杂带来的影响；3、将Retina Net模型中的基于Max IoU样本分配策替换为PAA正负样本分配策略，该策略根据模型的学习状态，利用高斯混合模型自适应的将锚框分配成正负样本，从而提升检测精度。
此外，本实施例还提供一种基于声纹特征的变压器故障检测系统，包括相互连接的微处理器和存储器，微处理器被编程或配置以执行基于声纹特征的变压器故障检测方法。
此外，本实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序用于被微处理器编程或配置以执行基于声纹特征的变压器故障检测方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于声纹特征的变压器故障检测方法，其特征在于，包括：
S101，采集变压器的声纹图片；
S102，将声纹图片利用训练好的掩膜卷积神经网络模型提取出声纹轮廓和变压器轮廓；
S103，计算声纹轮廓和变压器轮廓两者之间的相对相交区域I，若相对相交区域I大于设定值Ith，则判定变压器存在故障，并跳转步骤S4；
S104，依据变压器轮廓从声纹图片从裁剪出变压器图片，并将变压器图片利用训练好的故障检测神经网络模型进行分类预测得到变压器的故障检测结果。
2.根据权利要求1所述的基于声纹特征的变压器故障检测方法，其特征在于，步骤S103中计算声纹轮廓和变压器轮廓两者之间的相对相交区域I的函数表达式为：
I＝(bs∩bt)/bs，
上式中，bs表示声纹轮廓，bt表示变压器轮廓，∩表示交集运算。
3.根据权利要求2所述的基于声纹特征的变压器故障检测方法，其特征在于，步骤S103中设定值Ith取0.2。
4.根据权利要求3所述的基于声纹特征的变压器故障检测方法，其特征在于，步骤S102中的掩膜卷积神经网络模型包括：
骨干网络，用于对输入的声纹图片进行卷积操作以提取图片特征；
特征金字塔网络，用于对提取的图片特征进行融合并输出多个不同尺度的图片特征；
候选区域网络RPN，用于基于图片特征进行目标检测初步筛选出目标位置；
轮廓检测头，用于首先使用双线性内插的方法将初步筛选出的目标位置映射到统一的尺寸大小的特征图，然后将统一的尺寸大小的特征图利用卷积及全连接层输出回归锚框的坐标以及分类分数，同时对统一的尺寸大小的特征图进行反卷积插值操作使其增大到输入的声纹图片的原始大小，最终对每一个像素进行分类，从而生成待检测目标对应的轮廓。
5.根据权利要求4所述的基于声纹特征的变压器故障检测方法，其特征在于，步骤S104中的故障检测神经网络模型包括：
骨干网络，用于对输入的声纹图片进行卷积操作以提取图片特征；
特征金字塔网络，用于对提取的图片特征进行融合并输出多个不同尺度的图片特征；
分类检测头，与特征金字塔网络的多个不同尺度一一对应，每一个尺度对应包括分类头和回归头，分类头和回归头均与特征金字塔网络连接，其中分类头用于预测变压器的故障检测结果，回归头用于预测变压器的故障位置；且多个分类检测头的检测结果通过取平均或者加权融合后得到最终的检测结果。
6.根据权利要求5所述的基于声纹特征的变压器故障检测方法，其特征在于，步骤S101之前还包括训练掩膜卷积神经网络模型以及故障检测神经网络模型：
S201，采集变压器的声纹图片样本；
S202，对采集变压器的声纹图片样本进行标注，得到变压器声纹图像数据集；
S203，将变压器声纹图像数据集划分为训练集和验证集；
S204，创建掩膜卷积神经网络模型以及故障检测神经网络模型，并利用训练集和验证集训练掩膜卷积神经网络模型以及故障检测神经网络模型。
7.根据权利要求6所述的基于声纹特征的变压器故障检测方法，其特征在于，步骤S204中利用训练集和验证集训练掩膜卷积神经网络模型以及故障检测神经网络模型时，掩膜卷积神经网络模型采用的损失函数的函数表达式为：
L＝Ldet+Lseg，
上式中，L为掩膜卷积神经网络模型的损失函数，Ldet为掩膜卷积神经网络模型的分类损失和回归损失之和，Lseg为掩膜卷积神经网络模型提取轮廓造成的损失，且有分类损失和回归损失之和的函数表达式为：
Figure FDA0004063948090000021
上式中，Ldet(pi，ti)为pi和ti对应的分类损失和回归损失之和，pi为锚框的预测分类概率，当锚框为正样本时
Figure FDA0004063948090000022
等于1反之则等于0，ti为锚框的预测坐标，
Figure FDA0004063948090000023
为锚框对应真实框的坐标，Ncls为输入样本数量，Nreg代表正样本锚框数量，λ为权重因子；
所述故障检测神经网络模型采用的损失函数的函数表达式为：
Figure FDA0004063948090000024
上式中，Focal loss(p)为故障检测神经网络模型采用的损失函数，p表示预测的目标概率，y表示真实标签，α是用来控制正负样本权重的因子，γ是用来控制难易样本的权重因子。
8.根据权利要求6所述的基于声纹特征的变压器故障检测方法，其特征在于，步骤S204中利用训练集和验证集训练掩膜卷积神经网络模型以及故障检测神经网络模型时，包括针对训练集中的声纹图片样本，采用下述概率锚点分配策略为故障检测神经网络模型进行正负样本分配：
S301，将锚框分配给与其交并比最高的真实框，其中交并比的计算函数表达式为：
IoU＝(b1∩b2)/(b1∪b2)，
上式中，IoU为交并比，b1和b2分别代表锚框和真实框；
S302，为每个真实框从每个特征金字塔层中分别选取质量分数排名前K的锚框作为候选框，此时每个真实框拥有K*L个候选框，未被选中的锚框作为负样本，其中L为特征金字塔层数，锚框的质量分数的计算函数表达式为：
SAnchor＝SCls*SLoc，
上式中，SAnchor为锚框的质量分数，SCls为该锚框的分类分数，SLoc为该锚框经故障检测神经网络模型回归后输出的预测框与真实框的交并比；
S303，对每个真实框的候选框构建高斯混合模型GMM，利用期望最大化算法EM对高斯混合模型选择正负样本。
9.一种基于声纹特征的变压器故障检测系统，包括相互连接的微处理器和存储器，其特征在于，所述微处理器被编程或配置以执行权利要求1～8中任意一项所述基于声纹特征的变压器故障检测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其特征在于，所述计算机程序用于被微处理器编程或配置以执行权利要求1～8中任意一项所述基于声纹特征的变压器故障检测方法。
CN202310068167.0A 2023-01-16 2023-01-16 一种基于声纹特征的变压器故障检测方法、系统及介质 Pending CN116012350A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310068167.0A CN116012350A (zh) 2023-01-16 2023-01-16 一种基于声纹特征的变压器故障检测方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310068167.0A CN116012350A (zh) 2023-01-16 2023-01-16 一种基于声纹特征的变压器故障检测方法、系统及介质

Publications (1)

Publication Number Publication Date
CN116012350A true CN116012350A (zh) 2023-04-25

Family

ID=86028117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310068167.0A Pending CN116012350A (zh) 2023-01-16 2023-01-16 一种基于声纹特征的变压器故障检测方法、系统及介质

Country Status (1)

Country Link
CN (1) CN116012350A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117272246A (zh) * 2023-11-21 2023-12-22 国网江西省电力有限公司超高压分公司 基于多元回归模型的变压器声纹故障诊断方法及系统
CN117292716A (zh) * 2023-11-24 2023-12-26 国网山东省电力公司济南供电公司 基于声纹与红外特征融合的变压器故障诊断方法与系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117272246A (zh) * 2023-11-21 2023-12-22 国网江西省电力有限公司超高压分公司 基于多元回归模型的变压器声纹故障诊断方法及系统
CN117272246B (zh) * 2023-11-21 2024-02-02 国网江西省电力有限公司超高压分公司 基于多元回归模型的变压器声纹故障诊断方法及系统
CN117292716A (zh) * 2023-11-24 2023-12-26 国网山东省电力公司济南供电公司 基于声纹与红外特征融合的变压器故障诊断方法与系统
CN117292716B (zh) * 2023-11-24 2024-02-06 国网山东省电力公司济南供电公司 基于声纹与红外特征融合的变压器故障诊断方法与系统

Similar Documents

Publication Publication Date Title
CN116012350A (zh) 一种基于声纹特征的变压器故障检测方法、系统及介质
CN110428432B (zh) 结肠腺体图像自动分割的深度神经网络算法
CN107330437B (zh) 基于卷积神经网络目标实时检测模型的特征提取方法
CN111680746B (zh) 车损检测模型训练、车损检测方法、装置、设备及介质
CN111179249A (zh) 一种基于深度卷积神经网络的电力设备检测方法和装置
CN116310785B (zh) 基于YOLO v4的无人机影像路面病害检测方法
CN111222478A (zh) 一种工地安全防护检测方法和系统
CN110853005A (zh) 一种免疫组化膜染色切片诊断方法及装置
CN117173461B (zh) 一种多视觉任务的灌装容器缺陷检测方法、系统及介质
CN113642474A (zh) 一种基于yolov5的危险区域人员监控方法
CN110599453A (zh) 一种基于图像融合的面板缺陷检测方法、装置及设备终端
CN116863274A (zh) 一种基于半监督学习的钢板表面缺陷检测方法及系统
Chen et al. Image identification method on high speed railway contact network based on YOLO v3 and SENet
CN114782410A (zh) 一种基于轻量化模型的绝缘子缺陷检测方法及其系统
CN109840905A (zh) 电力设备锈迹检测方法及系统
CN114187201A (zh) 模型训练方法、图像处理方法、装置、设备及存储介质
CN115272252A (zh) 一种基于改进yolox的碳纤维缺陷的检测方法、装置及系统
CN116030056A (zh) 一种钢表面裂缝的检测方法及系统
CN114821346A (zh) 一种基于嵌入式平台的雷达图像智能识别方法和系统
CN113971663A (zh) 极片翻折检测方法、装置、检测设备及存储介质
Chen et al. A no-reference quality assessment metric for dynamic 3D digital human
CN117911697A (zh) 基于大模型分割的高光谱目标跟踪方法、系统、介质和设备
CN117671452A (zh) 轻量化上采样yolox的断栅检测模型构建方法及系统
CN116740495A (zh) 路桥隧道的病害检测模型的训练方法和病害检测方法
CN117292287A (zh) 一种道路破损检测方法

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